买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉上海交通大学申请的专利基于卡尔曼滤波的时空神经网络模型下的油井产量预测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115526435B 。

龙图腾网通过国家知识产权局官网在2026-03-27发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211398509.7，技术领域涉及：G06Q10/04；该发明授权基于卡尔曼滤波的时空神经网络模型下的油井产量预测方法是由张站权;于立军;刘单珂;张庭婷设计研发完成，并于2022-11-09向国家知识产权局提交的专利申请。

本基于卡尔曼滤波的时空神经网络模型下的油井产量预测方法在说明书摘要公布了：一种基于卡尔曼滤波的时空神经网络模型下的油井产量预测方法，通过卡尔曼滤波对目标区域井的动态数据进行滤波，再将滤波后的动态数据输入时空神经网络模型当中进行训练模型，利用训练好的模型进行目标油井未来产油量的预测。本发明一方面利用卷积网络特性对数据进行时滞处理，另外一方面利用GCN网络层获取目标区域井网之间空间关系，利用TCN分析时序特征关系，真正意义上做到了对油田的时空预测，不仅如此在预测方面采取对多个输出的加权损失函数进行Adam优化训练，并实时更新整个预测模型参数，提高了油井未来产油量的预测精度与预测模型的实用性。

本发明授权基于卡尔曼滤波的时空神经网络模型下的油井产量预测方法在权利要求书中公布了：1.一种基于卡尔曼滤波的时空神经网络下的油井产量预测方法，其特征在于，通过卡尔曼滤波对目标区域井的动态数据进行滤波，再将滤波后的动态数据输入时空神经网络模型当中进行训练模型，利用训练好的模型进行目标油井未来产油量的预测； 所述的动态数据，包括：目标区域井网的注水井的月注水量和产油井的月产油量； 所述的时空神经网络模型包括：数据预处理模块、空间关系获取模块、时序预测模块和输出模块，其中：数据预处理单元模块通过一维卷积神经网络对滤波后的注水井的历史动态数据进行时滞处理并将得到的标签数据和历史动态数据输出至空间关系获取模块，空间关系获取模块提取目标区域井网的注采井间的空间特征并输出至时序预测模块，时序预测模块通过两层TCN对空间特征进行拟合处理，输出模块通过多个单层感知机根据拟合结果输出预测得到的目标多个油井的产油量； 所述的油井产量预测，具体包括： 步骤1采集目标井网的几何信息，根据注水井与采油井的拓补结构特点构建注采井网的图神经网络结构，用图表示学习构建图数据即邻接矩阵，具体包括： 1.1通过将注水井与采油井之间的关系用图表示； 1.2将图数据表示为邻接矩阵； 1.3将邻接矩阵保存到数据预处理模块； 步骤2采集目标区域井网的注水井的月注水量，采油井的月产油量； 步骤3基于卡尔曼滤波计算每月注水井、采油井历史动态数据对应的月注水量、月产油量的最优估值，具体包括： 3.1计算k时刻月注水量的最优估值，其中：为k时刻注水量的实际值；为观测矩阵表示实际系统状态对所计算数据的依赖程度； 3.2计算卡尔曼增益和卡尔曼滤波后的月注水量的误差协方差矩阵，其中：为观测矩阵表示实际系统状态对所计算数据的依赖程度，为噪声协方差，为K时刻预测月注水量对应的误差协方差矩，为卡尔曼增益，并以此遍历井网历史动态数据；将滤波过后的数据划分为训练集和测试集； 步骤4建立包含数据预处理模块、空间关系获取模块、时序预测模块和输出模块的时空神经网络模型，以经过步骤3处理的目标区域井网的历史动态数据，以及步骤1中的图数据作为输入，具体包括： 步骤4.1建立一层一维卷积神经网络对注水井月注水量进行时滞处理，其中卷积核大小设为n，表示提取n个月的注水量之间时序特征； 步骤4.2对采油井的月采油量数据进行筛选操作，去除数据列表前n-1个月的采油井的月采油量数据，并与卷积过后的注水量数据组件预测单元模块所需的数据集； 步骤4.3对步骤4.2中得到的数据组进行特征数据与标签数据划分操作，将k个时间步的数据作为特征数据，将k+1个时间步的目标油井的产油量数据整合作为标签； 步骤4.4将步骤4.3得到的数据，图数据作为输入空间关系获取模块，即单层GCN网络层，激活函数采用RELU函数； 步骤4.5由步骤4.4得到的输出输入时序预测模块，激活函数采用RELU函数； 步骤4.6由步骤4.5得到的输出输入由多个单层感知机组成的输出模块，得到预测到的目标区域油井的预测月产油量； 步骤4.7通过训练集的目标油井月产油量与模型预测出的月产油量通过均方误差MSE计算误差进行优化得到时空神经网络模型具体为：采用Adam优化算法对四个损失函数进行加权计算，每口油井损失函数的权重为该次训练过程k个时间步该口油井产量占四口油井总产出量的大小，即，其中：为第i口井第t个时间步的产油量，总的损失函数为MSE=，分别为四口井每个预测输出与自身真实值的均方误差； 步骤5采用训练后的时空神经网络模型预测目标油井月产油量，具体包括： 步骤5.1利用最新k个时间步的目标井网的动态数据输入模型当中，预测出四口油井的未来第k+1时间步的月产油量； 步骤5.2根据预测的产油量结果进行第k+1步注水量的计划调整输入，并以这个计划执行注水后得到第k+1步的目标区域采油井的实际采油量，将得到的这第k+1步真实值纳入到历史数据； 步骤5.3将更新后的最新k个时间步的数据重新输入训练好的模型当中，得到新的一期的第k+1步的目标区域油井的预测产油量，循环上述步骤； 步骤5.4每当过了50个时间步，选取最新的500步数据重新执行第35步以后的过程，达到整个预测模型的不断更新。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人上海交通大学，其通讯地址为：200240 上海市闵行区东川路800号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。