卢 川，宋来明，董银涛，陈冠中，段 锐

（中海油研究总院有限责任公司，北京 100028）

油井产量预测贯穿油田开发生产全过程。目前有四类常用的油井产量预测方法，不同方法各有特色和局限性。数理统计分析方法[1-4]，主要依据历史产量变化进行回归预测，操作简单且输入参数少（产量、时间），但预测结果受选取数据量的影响较强，多解性强。理论公式法[5-7]，如Arps 产量递减模型，基于大量统计得到，简单易用但应用范围有限。数值模拟方法[8-10]，需要建立地质模型和油藏数值模型，资料需求及工作量大、耗时长。基于数据挖掘的机器学习算法[11-14]，如BP 神经网络模型和长短时记忆神经网络模型，通过深挖影响因素与产量间的非线性关系，建立多参数控制下的产量预测模型，更易于描述产量的复杂变化，但网络模型参数往往需试算得到，影响应用效率。

长短时记忆神经网络是一种具有长时间记忆能力的时间递归深度学习算法[15，16]。油井产量是一系列受时间序列影响的变化数据。本文以油井产量为目标函数，综合考虑影响产量的动静态参数，建立基于长短时记忆神经网络的产量预测模型。通过敏感性分析，确定模型误差与网络模型参数之间的相关关系，为网络模型参数选取提供依据，快速指导该方法在油井产量预测中的应用，提升预测效率。

1 长短时记忆神经网络模型建立

长短时记忆神经网络模型由输入层、隐藏层和输出层组成。通过在隐藏层增加一个可保存长期状态的单元状态，进而更有效地处理长时间序列问题[17]。……