李媛， 郭大立， 康蕓瑋

(西南石油大學理學院， 成都 610500)

煤層氣的產(chǎn)量預測研究可對后續(xù)的煤層氣開發(fā)提供建議，并有利于煤層氣經(jīng)濟效益的預測，在煤層氣開發(fā)過程中發(fā)揮重要的作用[1-2]。傳統(tǒng)的煤層氣產(chǎn)量預測采用數(shù)值模擬方法，但該方法使用復雜，需要大量的儲層數(shù)據(jù)與生產(chǎn)數(shù)據(jù)并且計算結(jié)果對不同生產(chǎn)井的數(shù)據(jù)難以匹配[3]，因此一些學者將人工智能算法引入了煤層氣產(chǎn)量預測研究中。呂玉民等[1]利用反向傳播(back propagation，BP)神經(jīng)網(wǎng)絡擬合煤層井的生產(chǎn)歷史；孔鵬等[4]利用主成分分析法得到了影響煤層氣產(chǎn)量的主控因素，并利用樸素貝葉斯方法預測煤層氣產(chǎn)量；朱慶鐘等[3]綜合考慮排采參數(shù)和產(chǎn)氣量的動態(tài)變化，根據(jù)隨機森林回歸模型進行煤層氣產(chǎn)量預測；Zeng等[5]改進了傳統(tǒng)的灰色預測模型用于中國煤層氣預測，在樣本量較小時預測效果良好。

煤層氣生產(chǎn)數(shù)據(jù)是隨時間不斷變化的時間序列數(shù)據(jù)，但是上述幾種模型的訓練方式為點對點映射，忽視了數(shù)據(jù)的時序性。因此，提出了可進行時序預測的長短期記憶神經(jīng)網(wǎng)絡(long short term memory，LSTM)預測煤層氣產(chǎn)量。Guo等[6]利用近鄰傳播算法聚類鄰井數(shù)據(jù)，并利用LSTM網(wǎng)絡進行預測，該方法的精度高于傳統(tǒng)的淺層神經(jīng)網(wǎng)絡與數(shù)值模擬；Xu等[7-8]利用多變量的LSTM網(wǎng)絡，對煤層氣產(chǎn)量預測取得了良好的效果，還將遷移學習引入神經(jīng)網(wǎng)絡，給生產(chǎn)數(shù)據(jù)量不足時的產(chǎn)量預測提供依據(jù)；董維強等[2]也將LSTM網(wǎng)絡應用于煤層氣產(chǎn)量預測。但是傳統(tǒng)的LSTM網(wǎng)絡煤層氣產(chǎn)量預測結(jié)果的準確度還有能進一步提升的空間。

為了解決傳統(tǒng)煤層氣產(chǎn)量預測忽略的時序性問題，更好地提取煤層氣產(chǎn)量影響因素的有效信息，且進一步提高預測的準確度，現(xiàn)提出一種新的煤層氣產(chǎn)量動態(tài)預測模型，即融合注意力機制的CNN-LSTM的煤層氣產(chǎn)量動態(tài)預測模型。利用X區(qū)塊的煤層氣井數(shù)據(jù)，優(yōu)選影響煤層氣產(chǎn)量的主控因素，建立煤層氣井產(chǎn)量動態(tài)預測模型，與傳統(tǒng)的LSTM網(wǎng)絡比較，結(jié)合了卷積神經(jīng)網(wǎng)絡(convolutional neural networks，CNN)高效的特征提取能力和LSTM網(wǎng)絡處理長序列數(shù)據(jù)的能力，并融合注意力機制分配LSTM隱含層的概率權重，對于煤層氣井的日產(chǎn)氣量預測提供一種新方法。

1 基本原理

1.1 基于CNN網(wǎng)絡的特征提取

煤層氣的生產(chǎn)數(shù)據(jù)是非線性的，具有信息量大，信息種類多，各種參數(shù)與煤層氣產(chǎn)量之間關系復雜等特點[9]。卷積神經(jīng)網(wǎng)絡(convolutional neural networks，CNN)可提取數(shù)據(jù)的深層次特征，對于處理非線性數(shù)據(jù)的能力更強，同時也避免了手工提取特征帶來的諸多不利[10]。其中一維卷積神經(jīng)網(wǎng)絡學習非線性序列的數(shù)據(jù)準確性較高，可用于時間序列的特征識別和提取[11]，一般包括卷積層、池化層和全連接層。卷積層可自動提取數(shù)據(jù)中的特征向量；池化層可進行特征降維，避免過擬合；全連接層的作用為對輸出數(shù)據(jù)進行維數(shù)轉(zhuǎn)化。將LSTM網(wǎng)絡處理長時間序列的優(yōu)勢與CNN網(wǎng)絡提取特征的能力優(yōu)勢結(jié)合，避免因輸入序列過長導致精度降低的情況。

1.2 基于LSTM網(wǎng)絡的時序預測

長短期記憶神經(jīng)網(wǎng)絡(LSTM)是一種可進行時序預測的時間循環(huán)神經(jīng)網(wǎng)絡，包括輸入門it、遺忘門ft和輸出門ot，t為當前時刻。利用“門”可控制傳入信息的更新和替換，并有效解決信息的長期依賴問題[3]，t時刻LSTM網(wǎng)絡單元結(jié)構如圖1所示。輸入門控制信息的傳入，遺忘門控制信息的保留和丟棄，輸出門根據(jù)當前細胞狀態(tài)，控制有多少信息可作為當前時刻的輸出。LSTM網(wǎng)絡在t時刻的更新公式為

ft=σ(wf[ht-1，xt]+bf)

(1)

it=σ(wi[ht-1，xt]+bi)

(2)

C′t=tanh(wC[ht-1，xt]+bC)

(3)

Ct=ftCt-1+itC′t

(4)

ot=σ(wo[ht-1，xt]+bo)

(5)

ht=ottanhCt

(6)

式中：xt為t時刻的輸入信息；σ為sigmoid激活函數(shù)；ht-1與ht分別為t-1時刻與t時刻的隱含層狀態(tài)；wf、wi、wo和bf、bi、bo分別為遺忘門、輸入門與輸出門的權重與偏置；C′t為信息經(jīng)過tanh函數(shù)變換后得到的候選狀態(tài)；C′t中的信息可能被更新到當前時刻的記憶單元中；wC、bC為候選狀態(tài)的權重、偏置；Ct-1與Ct分別為t-1時刻與t時刻的記憶細胞狀態(tài)。

LSTM的細胞狀態(tài)是根據(jù)加法門電路實現(xiàn)更新的，反向傳播時采用沿時反向傳播算法(back propagation through time，BPTT)學習模型中的權重與偏置參數(shù)[12]。在反向傳播時，根據(jù)鏈式法則，不再進行連乘操作而是進行累加操作，從而避免了隨著時間跨度的增加多個趨近于0的數(shù)進行連乘或多個大于1的數(shù)進行連乘的問題，從而解決了傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡中梯度消失或爆炸的問題。

圖1 t時刻LSTM網(wǎng)絡單元結(jié)構Fig.1 t time LSTM network unit structure

長短期記憶神經(jīng)網(wǎng)絡增加門的設置使得網(wǎng)絡得以保留關鍵信息，但是在輸入的序列過長時仍舊可能丟失重要信息，因此結(jié)合一維卷積神經(jīng)網(wǎng)絡提取特征抓住重要信息，提高預測精度。

1.3 融合注意力機制的權重提取

注意力(Attention)機制[13-15]模仿人類大腦的注意力分配功能，將注意力放在需要關注的重點部分，使得重點區(qū)域獲得更多的有用信息，是高效的信息選擇和關注機制。

標準的長短期記憶神經(jīng)網(wǎng)絡采用的是傳統(tǒng)的編碼-解碼結(jié)構，編碼器將網(wǎng)絡的原序列信息編碼成固定長度。雖然長短記憶神經(jīng)網(wǎng)絡的記憶功能能夠保存長期狀態(tài)，但是對于信息量大，信息種類多的非線性煤層氣數(shù)據(jù)，在神經(jīng)網(wǎng)絡的訓練時仍舊可能忽略一些重要的時間序列信息，導致模型的預測效果下降。引入注意力機制分配LSTM網(wǎng)絡隱含層的概率權重，可使得模型更容易處理長時間序列的依賴關系，克服網(wǎng)絡中計算效率低下的問題，提高神經(jīng)網(wǎng)絡的解釋性與模型性能。對于煤層氣數(shù)據(jù)，輸入序列在不同時間預測點的貢獻不同，利用注意力機制分配隱含層概率權重，可突出重要信息對于煤層氣產(chǎn)量的影響，增強煤層氣產(chǎn)量預測模型的準確性。

2 融合注意力機制的CNN-LSTM煤層氣產(chǎn)量動態(tài)預測模型

煤層氣產(chǎn)量預測是多時序列問題，目標是學習t個時刻的輸入值(x1，x2，…，xT)和t時刻的輸出值yt之間的非線性關系。本文構建了一種融合注意力機制CNN-LSTM煤層氣產(chǎn)量動態(tài)預測模型，模型結(jié)構如圖2所示，主要包括輸入層、CNN層、LSTM層、Attention層和輸出層，圖2中c是將注意力系數(shù)αij分配給不同的中間狀態(tài)hj后的輸出。模型由輸入層對煤層氣生產(chǎn)數(shù)據(jù)進行輸入，利用1DCNN提取煤層氣數(shù)據(jù)的深層特征向量，并將提取的特征作為LSTM網(wǎng)絡的輸入，提取時間特征并預測，最后融入注意力對LSTM的不同時刻的隱含層向量求權重，再利用全連接層輸出。

模型中具體每層的敘述如下。

(1)輸入層。對煤層氣排采數(shù)據(jù)進行預處理，刪除缺失值，去除噪聲并標準化，處理后的數(shù)據(jù)作為模型的輸入。X={Xt-n，…，Xt-2，Xt-1，Xt}為待預測時刻之前的n個多維特征向量。

圖2 融合注意力機制的CNN-LSTM煤層氣 動態(tài)預測模型結(jié)構圖Fig.2 Structural diagram of CNN-LSTM coalbed methane dynamic prediction model integrating attention mechanism

(2)CNN層提取序列特征。將煤層氣排采數(shù)據(jù)輸入卷積層中，并通過池化層降維。

N=ReLu(wN?X+bN)

(7)

P=max(N)+bP

(8)

式中：N、P為卷積層、池化層的輸出；?為卷積運算；wN為權重；bN、bP為偏置；ReLu為激活函數(shù)。

(3)LSTM層做時序預測，將CNN層輸出的向量輸入LSTM網(wǎng)絡，這里采用雙層LSTM網(wǎng)絡：

ht=LSTM(Pt-1，Pt)

(9)

式(9)中：ht為LSTM網(wǎng)絡的隱含層狀態(tài)。

(4)Attention層，將ht作為Attention層的輸入。計算公式為

eij=utanh(wehj+Ueh′i-1+be)

(10)

(11)

(12)

式中：aij為注意力系數(shù)；eij為計算求得的前一時刻隱含層h′i-1和該時刻隱含層hj間的關系分數(shù)；eik為t-n時刻到t時刻的關系分數(shù)；u、we、Ue為權重矩陣；be為偏置；c為將注意力系數(shù)分配給不同的中間狀態(tài)后的輸出。

(5)輸出層。將輸出的向量轉(zhuǎn)換為1維并輸出。即

yt=ReLu(wc+b)

(13)

式(13)中：yt為t時刻煤層氣產(chǎn)量的輸出；w、b分別為權重、偏置。

3 實例與分析

利用Python3.8編寫程序，基于Tensorflow2.6.0框架實現(xiàn)模型，采用Origin進行可視化處理，將處理后的排采數(shù)據(jù)輸入模型，實現(xiàn)煤層氣產(chǎn)量預測。

3.1 研究區(qū)概況

研究區(qū)塊位于鄂爾多斯盆地東緣的X區(qū)塊，開采層位為山西組5號和太原組8號煤層。以5號煤層為例，煤層埋深為700～1 400 m，煤層含氣量平均為15.25 m3/t，屬于中等偏高含氣量煤層[16]。煤層孔隙度在1.90%～4.45%，為低孔隙度。煤層單層厚度2.8～8.5 m，煤層壓力6.75～11.5 MPa；煤的密度1.07～1.85 t/m3，平均為1.38 t/m3；煤巖類型主要包括光亮煤、半亮煤和黯淡煤，呈塊狀、碎塊狀和粉狀，割理、裂隙發(fā)育[17]。

3.2 評價指標與標準化

(1)評價指標。采用平均絕對誤差(mean absolute error，MAE)、均方根誤差(root mean square error，RMSE)和平均絕對百分比誤差(mean absolute percentage error，MAPE)展示不同煤層氣預測模型的誤差。三項指標的計算公式為

(14)

(15)

(16)

式中：f(xi)為煤層氣產(chǎn)量的預測值；xi為真實值。若3種誤差越小，則產(chǎn)氣量預測模型的精度越高。

(2)標準化處理。在煤層氣數(shù)據(jù)采集過程中由于記錄數(shù)據(jù)錯誤或缺失，設備故障等隨機因素的影響，可能存在噪音及異常值。這里選用Z-score標準化方法避免異常值和極端值影響。將每個參數(shù)的數(shù)據(jù)進行以列為單位進行標準化，公式為

(17)

3.3 煤層氣產(chǎn)量主控因素篩選

煤層氣產(chǎn)量的影響因素復雜，參數(shù)眾多，主要包括地質(zhì)參數(shù)，工程措施參數(shù)和排采工藝參數(shù)。地質(zhì)參數(shù)由煤層本質(zhì)屬性決定，工程措施參數(shù)是在鉆井和壓裂工藝產(chǎn)生的參數(shù)，兩者對于單井而言是固定的，對單井的生產(chǎn)動態(tài)數(shù)值預測無法產(chǎn)生顯著影響。排采工藝參數(shù)主要是排采控制中產(chǎn)生的參數(shù)。在鉆井，壓裂過程完成后，排采過程中所產(chǎn)生的井底壓力、動液面、套壓、沖程、沖次等排采參數(shù)成為影響煤層氣井產(chǎn)量的主要因素。排采工藝參數(shù)大多是具有相同時間間隔且隨時間推移不斷采樣的時間序列數(shù)據(jù)，可呈現(xiàn)出隨時間動態(tài)變化的變化趨勢，挖掘其中的規(guī)律是對時間序列開展的主要研究工作。

不同參數(shù)的選取會對模型預測效果產(chǎn)生影響，隨機森林可計算每個排采參數(shù)在隨機森林中的每棵決策樹的貢獻度平均值，從而進行參數(shù)優(yōu)選[4]。貢獻度平均值的選取方法包括基尼指數(shù)以及袋外分數(shù)，這里選用基尼指數(shù)評判貢獻度。將排采數(shù)據(jù)輸入隨機森林模型中，得出不同參數(shù)之間的重要性排序如圖3所示。由圖3可知，煤層氣排采參數(shù)的重要性排序為：井底壓力 > 動液面高度 > 套壓 > 沖次 > 沖程。

(1)井底壓力的重要性最高，是整個排水降壓過程的核心參數(shù)，反映了煤儲層壓降情況。在合理的排采制度下，井底壓力逐漸降低，產(chǎn)氣量不斷上升，若上升或者下降得過快，容易導致煤粉涌出堵塞滲流通道，影響產(chǎn)氣效果[18]。

(2)動液面高度對煤層氣產(chǎn)量影響的重要性僅次于井底壓力，液柱高度的變化可體現(xiàn)排采強度。

(3)套壓可以反映出套管氣體的壓強情況，在整個煤層氣排采過程中，套壓在井筒儲級效應[18]的影響下，在短時間內(nèi)會對產(chǎn)氣量造成改變。

(4)增大或降低沖次頻率可影響排水速率。當沖次頻率增大，排水速率加快，但連續(xù)增大沖次頻率會損害煤儲層。

(5)沖程是在保證排量的條件下，盡可能地選擇抽油機的最大能力，同一口井的沖程一般維持不變。

由于沖程對產(chǎn)氣量的重要性遠低于其他參數(shù)，因此選擇井底壓力、動液面高度、套壓、沖次作為影響煤層氣產(chǎn)量的主控因素。

圖3 排采參數(shù)的隨機森林重要性排序Fig.3 Random forest importance of extortion parameters

3.4 模型訓練與驗證

根據(jù)X區(qū)塊生產(chǎn)數(shù)據(jù)統(tǒng)計資料，隨機選取JU01井進行模型訓練，該統(tǒng)計數(shù)據(jù)每天記錄一次，采樣間隔24 h。先對數(shù)據(jù)進行預處理，剔除空值與異常值。需要注意的是，在排采初期需要將煤儲層壓力降至臨界解吸壓力，在此期間產(chǎn)氣量的記錄數(shù)據(jù)為0，而其余數(shù)據(jù)參數(shù)波動幅度較大，該階段數(shù)據(jù)不具有預測價值，不采用；在排采過程中，由于油管或固定閥漏失，更換舉升和抽油設備等問題導致排采數(shù)據(jù)在一段時間內(nèi)未被記錄或者數(shù)據(jù)急劇波動的階段不在本文討論范圍內(nèi)，作刪除處理。最終以2013年2月—2019年2月共2 060 d的數(shù)據(jù)作為數(shù)據(jù)集。其中0～1 800 d的數(shù)據(jù)作為訓練集進行模型學習訓練，1 800～2 000 d的排采數(shù)據(jù)作為驗證集。在應用于不同生產(chǎn)井時，訓練樣本的時間序列個數(shù)(煤層氣井生產(chǎn)天數(shù))對煤層氣井特征參數(shù)的個數(shù)和預測參數(shù)的個數(shù)無影響。

在處理時間序列問題上，需要劃分時間片段構造樣本數(shù)據(jù)集，網(wǎng)絡模型可以學習一個時間窗口內(nèi)的輸入與時間窗口大小時刻的輸出之間的非線性關系。在模型訓練時優(yōu)化器采用的自適應優(yōu)化算法(Adam)，多次搜索調(diào)試后，將初始學習率設為0.001 55。通過在適當范圍內(nèi)調(diào)整參數(shù)并不斷試算最終確定模型參數(shù)，其中輸入尺寸(input_size)為5，批次大小(batch_size)設為40，時間步長(time_step)設為15，喂入數(shù)據(jù)的形狀為(40，15，4)。CNN層的采用一層卷積層、一層池化層，卷積核設置為4個，池化窗口大小(pool_size)設為2，池化操作的移動步幅(strides)設為1，字符串(padding)為‘same’。LSTM層中，采用雙層LSTM，隱含層節(jié)點個數(shù)設為7。

經(jīng)超參數(shù)調(diào)試后，計算JU01煤層氣井的日產(chǎn)氣量，訓練集損失函數(shù)下降曲線如圖4所示，損失函數(shù)利用均方誤差(mean-square error， MSE)表示。

通過迭代后，模型在訓練集上的1 800個樣本擬合值的平均相對誤差為6.10%，在驗證集上預測200個樣本的平均相對誤差為5.11%。JU01井訓練集與驗證集日產(chǎn)氣量實際值與計算值對比如圖5所示，通過模型訓練后的日產(chǎn)氣量計算值與實際日產(chǎn)氣量與對比，二者趨勢一致，說明模型具有良好的擬合效果。

圖4 JU01井訓練集損失函數(shù)下降曲線Fig.4 JU01 well training set loss function falling curve

圖5 JU01井日產(chǎn)氣量實際值與計算值對比Fig.5 The actual value and calculation value of JU01 well daily methane volume

3.5 模型預測對比分析

為了驗證模型的有效性，結(jié)合標準的LSTM模型、無注意力機制的CNN-LSTM模型、隨機森林回歸模型(random forest regression，RFR)、高斯過程回歸模型(gaussian processes regression，GPR)與本文模型做對比，預測JU01井未來60 d和200 d的產(chǎn)氣量。不同模型產(chǎn)氣量預測對比如圖6所示，圖6(a)和圖6(b)分別為預測60 d和預測200 d對比圖，不同模型預測日產(chǎn)氣量效果對比結(jié)果如表1所示。

由圖6可知，隨機森林回歸模型與高斯過程回歸模型的預測曲線較實際生產(chǎn)曲線偏差較大，標準LSTM模型在實際生產(chǎn)曲線附近波動較為明顯，無注意力機制CNN-LSTM模型較標準LSTM模型預測曲線波動有所改善，而融合注意力機制的CNN-LSTM煤層氣產(chǎn)量動態(tài)預測模型的預測趨勢與實際生產(chǎn)曲線最為貼近，更符合實際生產(chǎn)情況。

由表1可知，在相同預測天數(shù)下，隨機森林回歸模型的預測誤差低于高斯過程回歸模型，但兩者的誤差都高于標準的LSTM模型。融合注意力機制的CNN-LSTM煤層氣產(chǎn)量預測模型，MAE誤差、RMSE誤差和MAPE誤差均最低，比標準的LSTM模型的預測精度提高了3%～4%，并且增加了CNN提取特征后的無注意力CNN-LSTM模型比傳統(tǒng)LSTM模型預測精度也有所提高?？梢娫陂L短期神經(jīng)網(wǎng)絡中引入一維卷積神經(jīng)網(wǎng)絡提取特征并融合注意力機制，加強了神經(jīng)網(wǎng)絡的預測效果，提高了預測精度。隨著煤層氣產(chǎn)量預測天數(shù)的增加，3種模型的MAE誤差、RMSE誤差和MAPE誤差均逐漸增大，即3種模型的預測精度都有所下降，但經(jīng)過對比可知融合注意力機制CNN-LSTM模型預測誤差仍然最低。

圖6 不同模型的日產(chǎn)氣量實際值與預測值對比Fig.6 Actual value and predictive value of nissan quality of different models

表1 不同模型預測日產(chǎn)氣量效果對比Table 1 Different models predict a comparison of daily methane content

3.6 模型的復雜度分析

模型的復雜度包括模型的時間復雜度和空間復雜度，時間復雜度可用模型的訓練時間和浮點運算次數(shù)(floating point of operations，F(xiàn)LOPs)[19-20]表示，空間復雜度可用參數(shù)量表示，關于模型的算法復雜度對比實驗結(jié)果如表2所示，實驗數(shù)據(jù)集采用JU01井的數(shù)據(jù)。

由表2可知，融合注意力的CNN-LSTM模型在訓練時間、浮點運算次數(shù)與參數(shù)量上與無注意力的CNN-LSTM模型與差別不大，但兩者對比傳統(tǒng)的LSTM均有所提升，但提升較小，在可接受范圍內(nèi)。而融合注意力的CNN-LSTM模型比無注意力的CNN-LSTM模型精度提升了2.05%，比傳統(tǒng)的預測精度提升了4.67%，由此可說明融合注意力機制的CNN-LSTM模型的復雜度問題可不考慮。

表2 模型復雜度對比實驗結(jié)果Table 2 Model complexity comparison experimental results

3.7 模型的適用性分析

除了JU01井以外，對同一區(qū)塊其他6口生產(chǎn)天數(shù)與產(chǎn)能不同的煤層氣井也做了日產(chǎn)氣量預測以驗證模型的適用性。進行適用性分析時，模型基本參數(shù)不變，若對不同區(qū)塊，不同生產(chǎn)井的相關參數(shù)進行自適應調(diào)整，可使模型預測誤差降低。隨機選取了該區(qū)塊生產(chǎn)天數(shù)介于700～3 100 d的6口的煤層氣井預測未來60 d與200 d的煤層氣產(chǎn)量，預測結(jié)果如表3所示。由表3可知，6口井預測60 d產(chǎn)氣量的平均相對誤差均小于5%，綜合6口井的誤差平均為2.71%；預測200 d產(chǎn)氣量的平均相對誤差均小于8%，綜合6口井的誤差平均為5.86%?？梢?，融合注意力機制的CNN-LSTM煤層氣產(chǎn)量動態(tài)預測模型具有良好的適用性。

在實際生產(chǎn)中，也需要注意煤層氣的月產(chǎn)量，因此以JU01井為研究對象，將煤層氣排采數(shù)據(jù)以月為單位放縮，得到68個月的煤層氣生產(chǎn)數(shù)據(jù)，預測15個月的煤層氣平均產(chǎn)量，結(jié)果如表4所示，平均相對誤差為4.94%，在可接受范圍內(nèi)。

表3 X區(qū)塊不同井的煤層氣產(chǎn)量預測結(jié)果對比Table 3 Comparison of coalbed methane production prediction results of different wells in X block

表4 煤層氣月平均產(chǎn)量預測結(jié)果表Table 4 Prediction results of monthly average production of coalbed methane

4 結(jié)論

(1)利用隨機森林變量篩選模型優(yōu)選出影響X區(qū)塊煤層氣產(chǎn)量的主控因素，變量的重要性排序為：井底壓力 > 動液面高度 > 套壓 > 沖次 > 沖程，最終確定主控因素為：井底壓力、動液面高度、套壓、沖次。在煤層氣排采過程中應合理控制井底壓力、動液面高度、套壓，選擇適合的沖次頻率。

(2)建立融合注意力機制的CNN-LSTM煤層氣產(chǎn)量動態(tài)預測模型，用1DCNN高效的特征提取優(yōu)勢，挖掘更多有用信息，將提取的時序向量作為LSTM網(wǎng)絡的輸入，有效解決信息長期依賴性和信息丟失，對LSTM的隱含層融合注意力機制，突出重要信息。實驗表明：融合注意力機制的CNN-LSTM煤層氣產(chǎn)量預測模型具有良好的擬合和預測效果，比標準的長短期記憶神經(jīng)網(wǎng)絡的預測精度提高了3%～4%，并且復雜度區(qū)別較小，更符合實際生產(chǎn)情況。

(3)對產(chǎn)氣量模型做適用性分析，計算同一區(qū)塊6口生產(chǎn)天數(shù)與產(chǎn)能不同的煤層氣井日產(chǎn)量，6口井預測60 d產(chǎn)氣量的平均相對誤差均小于5%，200 d產(chǎn)氣量的平均相對誤差均小于8%。進行月平均產(chǎn)量預測時，平均相對誤差為4.94%。分析表明，融合注意力機制的CNN-LSTM模型各方面均表現(xiàn)較優(yōu)。