基于卷积神经网络和迁移学习的特高含水油井生产预测

油井的实时生产监测对油田的辅助生产和精细化管理有重要意义。然而，针对仅有小样本生产数据、数据波动大且有缺失的特高含水期油井，传统的机器学习算法无法实现良好的生产预测。提出一种基于卷积神经网络和迁移学习的多任务生产预测方法。该方法不仅可以实现时间和空间上特征的自适应提取，还可以改善模型在小样本数据上的预测性能。结果表明：相比于基准模型，产液量和动液面的平均绝对误差分别降低31.26%和60.81%,决定系数分别提高1.89%和7.59%。基于迁移学习的MTCNN模型提高小样本数据油井的生产预测精度，实现了特高含水油井产液量和动液面的实时预测，对抽油机系统的效率优化、油井边缘设备智能化有参考意义。