CN120258328A 结合人工智能的煤层气产能预测方法及系统 （四川省能源地质调查研究所）

(19)国家知识产权局(22)申请日2025.05.30戴英健张军王先东(普通合伙)51415结合人工智能的煤层气产能预测方法及系统本发明提供一种结合人工智能的煤层气产基于强化学习策略网络对预测特征集合进行迭据目标煤层气产能预测结果与历史生产动态数高煤层气产能预测的准确性，实现生产过程的优21.一种结合人工智能的煤层气产能预测方法，其特征在于，所述方法包括：获取目标区块的多源煤层气产能数据集合，所述多源煤层气产能数据集合包含地质构造数据、储层物性数据及历史生产动态数据；对所述多源煤层气产能数据集合执行时空对齐处理，生成标准化的煤层气产能特征集对所述标准化的煤层气产能特征集合进行特征提取，生成预测特征集合，其中，所述预测特征集合中的每个特征单元包含地质属性特征与动态属性特征的双重编码；基于强化学习策略网络对所述地质属性特征与动态属性特征进行迭代预测，生成目标煤层气产能预测结果；根据所述目标煤层气产能预测结果与历史生产动态数据之间的误差分布生成优化策略集合，并将所述优化策略集合反馈至煤层气生产控制系统以触发参数调整操作。2.根据权利要求1所述的结合人工智能的煤层气产能预测方法，其特征在于，所述对所述多源煤层气产能数据集合执行时空对齐处理，生成标准化的煤层气产能特征集合，包括：提取所述地质构造数据中的地层倾角参数、断层分布参数及裂缝发育参数，构建初始地质特征集合；提取所述储层物性数据中的孔隙度参数、渗透率参数及含气量参数，构建初始储层特征集合；提取所述历史生产动态数据中的产气量序列、压力变化序列及生产周期阶段标签，构建初始动态特征集合；对所述初始地质特征集合、初始储层特征集合及初始动态特征集合进行数据预处理，所述数据预处理包括缺失值填充、异常值修正及量纲归一化；将预处理后的所述初始地质特征集合、初始储层特征集合及初始动态特征集合进行时间窗口对齐和空间网格对齐，生成标准化的煤层气产能特征集合，其中，所述标准化的煤层气产能特征集合中每个特征单元包含统一的时间戳标识与空间坐标标识。3.根据权利要求2所述的结合人工智能的煤层气产能预测方法，其特征在于，所述对所述标准化的煤层气产能特征集合进行特征提取，生成包含地质属性特征与动态属性特征的对所述初始地质特征集合执行区域分割处理，生成多个地质子区域单元；在每个地质子区域单元内同步调用储层物性关联分析，结合所述初始储层特征集合中的孔隙度参数、渗透率参数及含气量参数，执行局部特征提取操作，生成地质子区域特征集合，所述局部特征提取操作包括地层连续性分析、断层密度计算及裂缝网络拓扑建模；对所述地质子区域特征集合执行跨区域特征聚合处理，生成融合储层物性参数的全局地质特征集合；对所述初始动态特征集合执行时序分解处理，生成趋势性动态特征集合与周期性动态特征集合，并将所述生产周期阶段标签作为辅助特征关联至时序分解结果；根据所述全局地质特征集合、趋势性动态特征集合及周期性动态特征集合，生成多个特征单元，其中，每个特征单元中的地质属性特征同步关联所述初始储层特征集合。4.根据权利要求1所述的结合人工智能的煤层气产能预测方法，其特征在于，所述基于强化学习策略网络对所述地质属性特征与动态属性特征进行迭代预测，生成目标煤层气产3将所述预测特征集合输入预训练的强化学习策略网络，所述强化学习策略网络包含特征选择模块与权重分配模块；通过所述特征选择模块对所述地质属性特征与动态属性特征进行关联性评分，生成融合储层物性影响的特征重要性评分集合；通过所述权重分配模块基于所述特征重要性评分集合对所述预测特征集合中的每个特征单元进行动态权重赋值，生成加权特征集合；根据所述初始产能预测结果与实际产气量序列之间的误差梯度，同步调整所述特征选择模块与权重分配模块的参数配置，生成优化后的强化学习策略网络；通过优化后的所述强化学习策略网络对所述预测特征集合进行重新加权，生成目标煤层气产能预测结果。5.根据权利要求1所述的结合人工智能的煤层气产能预测方法，其特征在于，所述根据所述目标煤层气产能预测结果与历史生产动态数据之间的误差分布生成优化策略集合，包根据所述历史生产动态数据，对所述目标煤层气产能预测结果进行置信度评估，生成预测置信度评分集合；根据所述预测置信度评分集合与误差分布之间的相关性分析结果确定显著误差特征提取所述显著误差特征子集对应的地质属性特征与动态属性特征，生成特征优化优先级列表；根据所述误差分布的时空变化模式对强化学习策略网络的训练频率进行动态配置，生成第二优化策略；将所述第一优化策略与第二优化策略进行合并，生成优化策略集合。6.根据权利要求5所述的结合人工智能的煤层气产能预测方法，其特征在于，所述根据所述历史生产动态数据，对所述目标煤层气产能预测结果进行置信度评估，生成预测置信提取所述目标煤层气产能预测结果在不同时间窗口内的预测值波动范围，生成时序波动特征集合；计算所述目标煤层气产能预测结果在空间网格单元内的预测值差异度，生成空间差异特征集合；对所述时序波动特征集合与空间差异特征集合进行联合分析，确定预测稳定性评分；根据所述预测稳定性评分与所述历史生产动态数据中的实际产气量波动范围的匹配度生成预测置信度评分集合，其中，所述预测置信度评分集合中的每个评分单元包含时间戳标识与空间坐标标识的双重索引。7.根据权利要求5所述的结合人工智能的煤层气产能预测方法，其特征在于，所述根据4所述预测置信度评分集合与误差分布之间的相关性分析结果确定显著误差特征子集，包对所述误差分布进行基于预设误差阈值的二元聚类分析，生成误差值大于所述预设误差阈值的目标误差区域集合；提取所述目标误差区域集合对应的原始空间坐标标识，并基于时空对齐映射关系匹配所述预测置信度评分集合中关联的标准化空间坐标标识；根据置信度评分低于预设阈值的标准化空间坐标标识，回溯至所述预测特征集合中经空间网格对齐后的特征单元，生成候选特征子集；对所述候选特征子集基于特征贡献度的重要性排序，生成特征优先级序列；根据所述特征优先级序列中排名前N位的特征单元生成显著误差特征子集，其中，N为根据误差分布严重程度动态调整的整数。8.根据权利要求5所述的结合人工智能的煤层气产能预测方法，其特征在于，所述基于所述特征优化优先级列表对数据采集设备部署方案进行调整，生成第一优化策略，包括：解析所述特征优化优先级列表中的地质属性特征与动态属性特征，确定关键监测参数集合；根据所述关键监测参数集合的空间分布密度调整数据采集设备的部署位置，生成设备位置优化方案；根据所述关键监测参数集合的时间变化频率调整数据采集设备的采样频率，生成采样频率优化方案；将所述设备位置优化方案与采样频率优化方案进行整合，生成第一优化策略，其中，所述第一优化策略包含设备标识、位置坐标、采样周期及参数类型的配置指令集合。9.根据权利要求5所述的结合人工智能的煤层气产能预测方法，其特征在于，所述根据所述误差分布的时空变化模式对强化学习策略网络的训练频率进行动态配置，生成第二优对所述误差分布进行时间维度分解，生成长期误差趋势特征与短期误差波动特征；对所述误差分布进行空间维度分解，生成区域误差聚集特征与离散误差散布特征；根据所述长期误差趋势特征与区域误差聚集特征的历史变化率，设定基础训练频率；根据所述短期误差波动特征的幅度阈值与离散误差散布特征的空间密度阈值，计算动态调整幅度；基于基础训练频率与动态调整幅度的线性叠加关系生成训练频率配置曲线；将所述训练频率配置曲线转换为强化学习策略网络的参数更新指令集合，生成第二优化策略。10.一种结合人工智能的煤层气产能预测系统，其特征在于，包括处理器和存储器，所述存储器和所述处理器连接，所述存储器用于存储程序、指令或代码，所述处理器用于执行所述存储器中的程序、指令或代码，以实现上述权利要求1-9任意一项所述的结合人工智能的煤层气产能预测方法。5技术领域[0001]本发明涉及人工智能技术领域，具体而言，涉及一种结合人工智能的煤层气产能预测方法及系统。背景技术[0002]煤层气作为一种重要的非常规天然气资源，其产能预测对于煤层气的高效开发和合理利用具有至关重要的意义。在传统的煤层气产能预测领域，早期的方法在数据处理过程中，没有充分考虑数据的时空特性。不同来源的数据在时间和空间上的不一致性，使得数据之间难以进行有效的关联和整合，进而影响了后续分析和预测的效果。[0003]另外，传统方法大多基于简单的统计分析或者固定的数学模型，无法动态地适应煤层气生产过程中不断变化的情况。这些模型缺乏对数据中潜在复杂关系的挖掘能力，不能很好地处理地质属性特征与动态属性特征之间的相互作用，导致在实际应用中难以准确预测煤层气的产能。而且，在预测结果与实际生产情况出现偏差时，传统方法缺乏有效的反馈机制来及时调整生产参数，无法实现对煤层气生产过程的优化控制。因此，现有的煤层气产能预测方法在准确性、适应性和优化控制等方面都存在不足，亟需一种更为先进、高效的预测方法来满足实际生产的需求。发明内容[0004]鉴于上述提及的问题，结合本发明的第一方面，本发明实施例提供一种结合人工智能的煤层气产能预测方法，所述方法包括：获取目标区块的多源煤层气产能数据集合，所述多源煤层气产能数据集合包含地质构造数据、储层物性数据及历史生产动态数据；对所述多源煤层气产能数据集合执行时空对齐处理，生成标准化的煤层气产能特征集合；对所述标准化的煤层气产能特征集合进行特征提取，生成预测特征集合，其中，所述预测特征集合中的每个特征单元包含地质属性特征与动态属性特征的双重编码；基于强化学习策略网络对所述地质属性特征与动态属性特征进行迭代预测，生成目标煤层气产能预测结果；根据所述目标煤层气产能预测结果与历史生产动态数据之间的误差分布生成优化策略集合，并将所述优化策略集合反馈至煤层气生产控制系统以触发参数调整操作。[0005]再一方面，本发明实施例还提供一种结合人工智能的煤层气产能预测系统，包括处理器、机器可读存储介质，所述机器可读存储介质和所述处理器连接，所述机器可读存储介质用于存储程序、指令或代码，所述处理器用于执行所述机器可读存储介质中的程序、指[0006]基于以上方面，本发明实施例通过获取包含地质构造、储层物性及历史生产动态数据的多源煤层气产能数据集合，并进行时空对齐处理生成标准化的煤层气产能特征集6合，有效解决了多源数据时空不一致难以整合的问题，对标准化的煤层气产能特征集合进行特征提取生成包含地质属性特征与动态属性特征双重编码的预测特征集合，能够全面且深入地挖掘数据中地质属性与动态属性特征之间的潜在复杂关系。基于强化学习策略网络对预测特征集合进行迭代预测，可动态适应煤层气生产过程中的变化，相比传统固定模型能更准确地生成目标煤层气产能预测结果，根据目标煤层气产能预测结果与历史生产动态数据的误差分布生成优化策略集合并反馈至煤层气生产控制系统触发参数调整操作，实现了对煤层气产能预测的准确性提升以及对生产过程的优化控制。附图说明[0007]图1是本发明实施例提供的结合人工智能的煤层气产能预测方法的执行流程示意[0008]图2是本发明实施例提供的结合人工智能的煤层气产能预测系统的示例性硬件和软件组件的示意图。具体实施方式[0009]下面结合说明书附图对本发明进行具体说明，图1是本发明一种实施例提供的结合人工智能的煤层气产能预测方法的流程示意图，下面对该结合人工智能的煤层气产能预测方法进行详细介绍。[0010]步骤S110:获取目标区块的多源煤层气产能数据集合，所述多源煤层气产能数据集合包含地质构造数据、储层物性数据及历史生产动态数据。[0011]本实施例中，地质构造数据是反映煤层所处地质环境的关键信息，例如，通过地震勘探技术，利用地震波在地下介质中的传播特性，对反射波、折射波等进行分析，从而获取地层的结构、形态等信息，这些信息可用于确定地层倾角、断层位置等参数；钻探则是直接获取地下岩芯样本的方法，通过对岩芯的观察和分析，能更准确地了解地层的岩石类型、裂缝发育情况等。[0012]储层物性数据关乎煤层的物理特性，如孔隙度、渗透率等，这些特性直接影响煤层气的储存和流动能力。获取储层物性数据通常是在实验室对采集的岩芯样本进行专业分析，通过测量岩芯的孔隙体积、流体通过能力等指标来确定相关参数。[0013]历史生产动态数据记录了煤层气过去的生产状况，包括产气量序列、压力变化序列以及生产周期阶段标签等。这些数据可从煤层气生产过程中部署的各类监测设备中收集，如气体流量传感器、压力传感器等，其实时记录生产过程中的各项数据，并将其存储在数据库中，以便后续分析使用。[0014]通过对上述多源数据的收集和整合，形成一个包含地质构造数据、储层物性数据及历史生产动态数据的多源煤层气产能数据集合。[0015]步骤S120:对所述多源煤层气产能数据集合执行时空对齐处理，生成标准化的煤层气产能特征集合。[0016]本实施例中，由于多源煤层气产能数据集合中的数据来源多样，采集时间和空间范围不同，数据格式和精度也存在差异，为保证数据的一致性和可比性，需要进行时空对齐处理，进而生成标准化的煤层气产能特征集合。时空对齐处理的目的是将不同来源的数据7统一到相同的时间和空间框架下，使数据能够相互关联和分析。[0017]示例性地，具体的时空对齐处理过程如下：步骤S121:提取所述地质构造数据中的地层倾角参数、断层分布参数及裂缝发育[0018]本实施例中，从地质构造数据里提取关键参数以构建初始地质特征集合。地层倾角参数α能反映地层的倾斜程度，其对煤层气的运移和聚集有着重要影响。可以通过对地震勘探数据的分析，结合地质模型，计算出地层在不同位置的倾角数值。断层分布参数β描述了断层在目标区块内的分布情况，包括断层的位置、走向、长度等信息，例如可以通过综合地震勘探资料、地质测绘以及钻探结果来确定。裂缝发育参数γ体现了煤层中裂缝的发育程度，如裂缝的密度、开度等。可以通过对岩芯样本的显微镜观察、成像测井等方法获取相关信息。[0019]通过将这些提取出来的地层倾角参数α、断层分布参数β和裂缝发育参数γ组合在[0020]步骤S122:提取所述储层物性数据中的孔隙度参数、渗透率参数及含气量参数，构建初始储层特征集合。[0021]本实施例中，从储层物性数据中提取关键参数构建初始储层特征集合。孔隙度参数φ表示煤层中孔隙的体积占总体积的比例，其是衡量煤层储存煤层气能力的重要指标。可以通过实验室对岩芯样本的孔隙度测量实验来确定具体数值。渗透率参数k反映了煤层允许流体通过的能力，与煤层气的流动密切相关。渗透率的测量通常采用稳态法或非稳态法，在实验室中模拟流体在岩芯中的流动情况来获取。含气量参数C表示煤层中所含煤层气的量，其可以通过直接测量岩芯样本中的气体含量，或者结合地质条件和储层物性进行估算。将提取的孔隙度参数φ、渗透率参数k和含气量参数C组合，构建初始储层特征集合R=[0022]步骤S123:提取所述历史生产动态数据中的产气量序列、压力变化序列及生产周期阶段标签，构建初始动态特征集合。[0023]本实施例中，从历史生产动态数据中提取关键信息构建初始动态特征集合。产气量序列Q(t)记录了在不同时间t下煤层气的产量，其反映了煤层气生产的时间变化规律。可以从生产监测系统中获取不同时间点的产气量数据，形成一个时间序列。压力变化序列P(t)描述了煤层气生产过程中压力随时间的变化情况，压力的变化会影响煤层气的解吸和流动。同样通过压力传感器记录不同时间的压力值，构建压力变化序列。生产周期阶段标签L用于标识煤层气生产处于不同的阶段，如初始产气阶段、稳定产气阶段、递减产气阶段等。可以根据产气量序列和压力变化序列的特征，结合生产经验和专业知识，对不同的生产时间段进行阶段划分，并赋予相应的标签。将产气量序列Q(t)、压力变化序列P(t)和生产周期阶段标签L组合，构建初始动态特征集合D={Q(t),P(t),L}。[0024]步骤S124:对所述初始地质特征集合、初始储层特征集合及初始动态特征集合进行数据预处理，所述数据预处理包括缺失值填充、异常值修正及量纲归一化。[0025]本实施例中，由于初始地质特征集合G、初始储层特征集合R和初始动态特征集合D中的数据可能存在缺失值、异常值，并且各特征的量纲可能不同，因此需要进行数据预处8隙度参数φ等),可以使用均值填充法，即计算该特征所有非缺失值的均值，用该均值来填充缺失值；对于离散型数据(如生产周期阶段标签L),可以使用众数填充法，即找出出现次数最多的标签值来填充缺失值。[0027]对于异常值修正，可通过设定合理的阈值范围来判断数据是否为异常值。例如，对于产气量序列Q(t),如果某个时间点的产气量远远超出了正常的波动范围，则认为该值为异常值。可以采用平滑处理的方法对异常值进行修正，如移动平均法，用该时间点前后若干个时间点的产气量平均值来替换异常值。[0028]量纲归一化是为了消除不同特征之间量纲的影响，使各特征具有相同的尺度。可以采用最小-最大归一化方法，对于每个特征，计算其最小值min和最大值max,然后将每个特征值x通过公式(x-min)/(max-min)进行归一化处理，将其映射到[0,1]区间。[0029]经过上述数据预处理操作后，得到预处理后的初始地质特征集合G’、初始储层特征集合R’和初始动态特征集合D’。[0030]步骤S125:将预处理后的所述初始地质特征集合、初始储层特征集合及初始动态特征集合进行时间窗口对齐和空间网格对齐，生成标准化的煤层气产能特征集合，其中，所述标准化的煤层气产能特征集合中每个特征单元包含统一的时间戳标识与空间坐标标识。[0031]本实施例中，为了实现不同特征集合在时空上的统一，需要对预处理后的初始地质特征集合G’、初始储层特征集合R’和初始动态特征集合D’进行时间窗口对齐和空间网格对齐。时间窗口对齐是将不同特征集合中的时间数据按照相同的时间间隔进行划分，形成统一的时间窗口。例如，将产气量序列Q(t)、压力变化序列P(t)以及与时间相关的地质和储层特征数据，按照一天为一个时间窗口进行划分，使得每个时间窗口内的数据具有可比性。空间网格对齐是将目标区块划分为若干个空间网格，每个网格具有唯一的空间坐标标识。将地质构造数据、储层物性数据中的空间信息与这些网格进行匹配，将不同特征数据映射将其分配到对应的空间网格中。经过时间窗口对齐和空间网格对齐后，将预处理后的三个特征集合进行整合，生成标准化的煤层气产能特征集合F。在该煤层气产能特征集合中，每个特征单元都包含统一的时间戳标识t和空间坐标标识(x,y),即F={F(t,x,y)},其中F(t,x,y)表示在时间t和空间坐标(x,y)处的特征向量，该特征向量包含了地质、储层和动态等多方面的特征信息。[0032]步骤S130:对所述标准化的煤层气产能特征集合进行特征提取，生成预测特征集合，其中，所述预测特征集合中的每个特征单元包含地质属性特征与动态属性特征的双重编码。[0033]本实施例中，为了更有效地利用标准化的煤层气产能特征集合进行产能预测，需要对其进行特征提取，以生成包含地质属性特征与动态属性特征双重编码的预测特征集合。特征提取的目的是从原始的特征集合中提取出对产能预测有重要影响的特征，减少数据的维度，提高预测的准确性和效率。[0034]示例性地，具体的特征提取过程如下：步骤S131:对所述初始地质特征集合执行区域分割处理，生成多个地质子区域单9[0035]本实施例中，对初始地质特征集合G’进行区域分割处理，将目标区块划分为多个地质子区域单元。可以根据地质构造的相似性进行划分，例如，将地层倾角相近、断层分布特征相似的区域划分为同一个子区域。具体操作时，可以采用聚类分析的方法，以地层倾角个聚类簇对应一个地质子区域单元。示例性地，设划分得到的地质子区域单元集合为S={S1,S2,...,Sn},其中n为子区域的数量。[0036]步骤S132:在每个地质子区域单元内同步调用储层物性关联分析，结合所述初始储层特征集合中的孔隙度参数、渗透率参数及含气量参数，执行局部特征提取操作，生成地质子区域特征集合，所述局部特征提取操作包括地层连续性分析、断层密度计算及裂缝网络拓扑建模。[0037]本实施例中，在每个地质子区域单元Si(i=1,2,...,n)内进行储层物性关联分析，并执行局部特征提取操作。首先，结合初始储层特征集k和含气量参数C,分析它们与地质特征之间的关联关系。例如，研究孔隙度与地层倾角之间的相关性，渗透率与断层分布的关系等。地层连续性分析是通过对地质子区域内的地层信息进行分析，判断地层的连续性情况。可以根据地层倾角的变化趋势、地层的厚度变化等因素来评估地层的连续性。断层密度计算是统计地质子区域内断层的数量与区域面积的比值，反映断层在该区域的密集程度。裂缝网络拓扑建模则是对地质子区域内的裂缝进行建模，分析裂缝之间的连接关系和分布规律。通过这些局部特征提取操作，为每个地质子区域单元生成一组特征向量，将这些特征向量组合起来，形成地质子区域特征集合S'={S1',S2',...,Sn’},其中Si'表示第i个地质子区域单元的特征向量。[0038]步骤S133:对所述地质子区域特征集合执行跨区域特征聚合处理，生成融合储层物性参数的全局地质特征集合。[0039]本实施例中，对地质子区域特征集合S’进行跨区域特征聚合处理，以生成融合储层物性参数的全局地质特征集合。可以采用加权平均的方法进行聚合，根据每个地质子区域单元的面积、地质重要性等因素确定权重。[0040]例如，对于面积较大、地质特征对产能影响较大的子区域单元，赋予较高的权重。设第i个地质子区域单元的特征向量为Si',其权重为wi(i=1,2,...,n),且满足全局地质特征集合G''可以通过以下公式计算得到：G''=∑(wi*Si')。通过这种跨区域特征聚合处理，将各个地质子区域的特征信息进行整合，得到一个能够反映整个目标区块地质特征的全局地质特征集合，同时融合了储层物性参数的影响。[0041]步骤S134:对所述初始动态特征集合执行时序分解处理，生成趋势性动态特征集合与周期性动态特征集合，并将所述生产周期阶段标签作为辅助特征关联至时序分解结[0042]本实施例中，对初始动态特征集合D’进行时序分解处理，以分离出其中的趋势性和周期性特征。对于产气量序列Q(t)和压力变化序列P(t),可以采用时间序列分析方法，如季节性分解法(SeasonalDecompositionofTimeSeries)。该方法将时间序列分解为趋势成分、季节性成分和残差成分。趋势成分反映了数据随时间的长期变化趋势，周期性成分体现了数据在一定时间周期内的重复变化规律。通过时序分解，得到趋势性动态特征集合Qt和周期性动态特征集合Qp(对于产气量序列)以及Pt和Pp(对于压力变化序列)。同时，将生产周期阶段标签L作为辅助特征关联到时序分解结果中，例如，将每个时间点的生产周期阶段标签与对应的趋势性和周期性特征进行组合，形成带有阶段标签信息的趋势性动态特[0043]步骤S135:根据所述全局地质特征集合、趋势性动态特征集合及周期性动态特征集合，生成多个特征单元，其中，每个特征单元中的地质属性特征同步关联所述初始储层特征集合。性动态特征集合(Qp'、Pp’)生成多个特征单元。每个特征单元包含地质属性特征和动态属性特征的双重编码。在生成特征单元时，将全局地质特征集合中的地质属性特征与初始储层特征集合R’中的孔隙度参数φ、渗透率参数k和含气量参数C进行关联，确保每个特征单元中的地质属性特征包含了储层物性信息。同时，将趋势性动态特征和周期性动态特征作为动态属性特征添加到特征单元中。例如，对于某个时间点t和空间坐标(x,y),生成的特征单元F(t,x,y)包含了该位置的地质属性特征(与储层物性关联以及对应的趋势性和周期性动态特征。将这些特征单元组合起来，形成预测特征集合P={P(t,x,y)},其中每个特征单元都具有地质属性特征与动态属性特征的双重编码，可用于后续的产能预测。[0045]步骤S140:基于强化学习策略网络对所述地质属性特征与动态属性特征进行迭代预测，生成目标煤层气产能预测结果。[0046]本实施例中，利用强化学习策略网络对预测特征集合P中的地质属性特征和动态属性特征进行迭代预测，以生成目标煤层气产能预测结果。强化学习策略网络能够根据环境的反馈不断调整自身的策略，从而提高预测的准确性。步骤S141:将所述预测特征集合输入预训练的强化学习策略网络，所述强化学习策略网络包含特征选择模块与权重分配模块。[0048]本实施例中，将预测特征集合P输入到预训练的强化学习策略网络中。该网络由特征选择模块和权重分配模块组成。特征选择模块的作用是从预测特征集合中筛选出对产能预测最重要的特征，减少不必要的特征对预测结果的干扰。权重分配模块则根据特征的重要性为每个特征分配相应的权重，以突出重要特征的作用。预训练的强化学习策略网络是在大量的历史数据上进行训练得到的，其已经学习到了地质属性特征和动态属性特征与煤层气产能之间的关系。[0049]步骤S142:通过所述特征选择模块对所述地质属性特征与动态属性特征进行关联性评分，生成融合储层物性影响的特征重要性评分集合。[0050]本实施例中，特征选择模块对地质属性特征和动态属性特征进行关联性评分，以生成融合储层物性影响的特征重要性评分集合。具体过程如下：譬如，步骤S1421:对所述地质属性特征中的每个特征单元与所述动态属性特征中相同时间戳标识及空间坐标标识的特征单元进行维度对齐处理，并通过分解后的单变量序列进行互信息计算，生成初始关联度集合。[0051]本实施例中，首先对地质属性特征和动态属性特征进行维度对齐处理，确保具有相同时间戳标识t和空间坐标标识(x,y)的特征单元能够一一对应。然后，将每个特征单元分解为单变量序列，例如将多维的地质属性特征向量和动态属性特征向量分解为多个一维11的单变量序列。接着，计算这些单变量序列之间的互信息。互信息是衡量两个变量之间相关性的指标，其反映了一个变量包含另一个变量信息的程度。通过计算地质属性特征和动态属性特征的单变量序列之间的互信息，得到初始关联度集合I。[0052]步骤S1422:基于所述地质属性特征与动态属性特征的双重编码关系，通过注意力机制对所述初始关联度集合中每个特征单元的时间维度与空间维度进行权重分配，生成时空加权评分集合。[0053]本实施例中，利用注意力机制对初始关联度集合I中每个特征单元的时间维度和空间维度进行权重分配。注意力机制能够根据特征的重要性自动调整权重，突出关键的时间和空间信息。在地质属性特征和动态属性特征的双重编码关系下，考虑到不同时间和空间位置对煤层气产能的影响可能不同，通过注意力机制为每个特征单元的时间维度和空间维度分配不同的权重。例如，对于在关键生产阶段和重要地质区域的特征单元，赋予较高的[0054]步骤S1423:提取所述时空加权评分集合中每个特征单元对应的储层物性影响因子，其中所述储层物性影响因子由所述地质属性特征中预关联的动态储层物性参数生成，所述动态储层物性参数基于历史生产周期内的储层物性变化数据更新。[0055]本实施例中，储层物性影响因子反映了储层物性参数对煤层气产能预测的影响程度。在地质属性特征中，已经预关联了动态储层物性参数，这些参数会基于历史生产周期内的储层物性变化数据进行更新。例如，孔隙度、渗透率和含气量等参数会随着煤层气的开采而发生变化，通过对历史生产数据的分析，可以得到这些参数的变化规律，并更新动态储层物性参数。对于时空加权评分集合W中的每个特征单元，从预关联的动态储层物性参数中提取对应的影响因子f。影响因子f的计算可以基于一些经验模型或者机器学习算法，综合考虑孔隙度、渗透率、含气量等参数的变化对产能的影响。例如，可以通过建立多元线性回归模型，以产能为因变量，孔隙度、渗透率、含气量等参数为自变量，得到每个参数的回归系数，这些回归系数可以作为影响因子的一部分。同时，还可以考虑参数的变化趋势和相互作用关系，对影响因子进行进一步的调整。[0056]步骤S1424:将所述时空加权评分集合中的每个评分值与对应的储层物性影响因子进行乘积运算，生成物性修正后的中间评分集合。[0057]本实施例中，将时空加权评分集合W中的每个评分值与对应的储层物性影响因子f进行乘积运算。设时空加权评分集合W中的第i个评分值为Wi,对应的储层物性影响因子为fi,则物性修正后的中间评分集合M中的第i个评分值Mi可以通过公式Mi=Wi*fi计算得到。通过这种乘积运算，将储层物性的影响融入到评分中，使得评分更加准确地反映了特征对产能预测的重要性。[0058]步骤S1425:对所述中间评分集合中所有特征单元的评分值进行全局归一化处理，映射到预设的评分量纲区间，生成所述特征重要性评分集合。[0059]本实施例中，为了使特征重要性评分具有可比性，需要对中间评分集合M进行全局归一化处理。预设一个评分量纲区间，例如[0,1]。首先，找出中间评分集合M中的最小值 (maxM-minM)进行归一化处理，将其映射到预设的评分量纲区间[0,1]。经过归一化得到特征重要性评分集合S,其中每个评分值Si表示对应特征单元的重要性程度。[0060]步骤S143:通过所述权重分配模块基于所述特征重要性评分集合对所述预测特征集合中的每个特征单元进行动态权重赋值，生成加权特征集合。[0061]本实施例中，权重分配模块根据特征重要性评分集合S对预测特征集合P中的每个特征单元进行动态权重赋值。设预测特征集合P中的第j个特征单元为Pj,特征重要性评分集合S中对应于Pj的评分值为Sj.则为Pj赋予的权重wj可以直接取Sj,即wj=Sj.然后，将每个特征单元Pj与对应的权重wj相乘，得到加权后的特征单元Pj'=wj*Pj.将所有加权后的特征单元组合起来，生成加权特征集合P’={Pj'}。[0062]步骤S144:调用回归预测模型对所述加权特征集合进行非线性映射处理，生成初始产能预测结果。[0063]本实施例中，调用回归预测模型对加权特征集合P'进行非线性映射处理，以生成初始产能预测结果。回归预测模型可以是神经网络模型，如多层感知机(MLP)。多层感知机由输入层、隐藏层和输出层组成，输入层接收加权特征集的特征进行非线性变换，输出层输出产能预测值。在训练阶段，使用大量的历史数据对多层感知机进行训练，调整模型的权重和偏置，使得模型能够学习到加权特征与产能之间的非线性关系。在预测阶段，将加权特征集合P’输入到训练好的多层感知机中，经过模型的计算[0064]步骤S145:根据所述初始产能预测结果与实际产气量序列之间的误差梯度，同步调整所述特征选择模块与权重分配模块的参数配置，生成优化后的强化学习策略网络。[0065]本实施例中，计算初始产能预测结果Y0与实际产气量序列Q(t)之间的误差梯度。误差梯度反映了预测结果与实际结果之间的差异程度以及差异的变化趋势。可以使用均方误差(MSE)作为误差度量指标，计算初始产能预测结果Y0与实际产气量序列Q(t)在每个时间点的误差平方的平均值。然后，根据误差梯度对特征选择模块和权重分配模块的参数配置进行同步调整。例如，对于特征选择模块，可以调整筛选特征的阈值，使得筛选出的特征更加准确地反映对产能预测的重要性；对于权重分配模块，可以调整权重分配的策略，使得重要特征的权重更加合理。通过不断地调整参数配置，使得误差逐渐减小，直到满足预设的收敛条件。经过调整后，生成优化后的强化学[0066]步骤S146:通过优化后的所述强化学习策略网络对所述预测特征集合进行重新加[0067]本实施例中，将预测特征集合P再次输入到优化后的强化学习策略网络中。优化后的特征选择模块会重新筛选出对产能预测更重要的特征，权重分配模块会根据更新后的特征重要性评分对特征单元进行重新加权。经过重新加权后，得到新的加权特征集合P’’。然后，调用回归预测模型对加权特征集合P’'进行非线性映射处理，生成目标煤层气产能预测结果Y。[0068]步骤S150:根据所述目标煤层气产能预测结果与历史生产动态数据之间的误差分布生成优化策略集合，并将所述优化策略集合反馈至煤层气生产控制系统以触发参数调整[0069]本实施例中，为了提高煤层气产能预测的准确性和生产效率，需要根据目标煤层气产能预测结果Y与历史生产动态数据(主要是实际产气量序列Q(t))之间的误差分布生成优化策略集合，并将其反馈给煤层气生产控制系统，以触发相应的参数调整操作。[0070]示例性地，具体的生成优化策略集合的过程如下：步骤S151:根据所述历史生产动态数据，对所述目标煤层气产能预测结果进行置信度评估，生成预测置信度评分集合。[0071]本实施例中，对目标煤层气产能预测结果Y进行置信度评估，以生成预测置信度评步骤S1511:提取所述目标煤层气产能预测结果在不同时间窗口内的预测值波动[0072]本实施例中，将目标煤层气产能预测结果Y按照不同的时间窗口进行划分，例如以一周为一个时间窗口。对于每个时间窗口，计算预测值的最大值和最小值，两者之差即为该时间窗口内的预测值波动范围。将所有时间窗口的预测值波动范围组合起来，生成时序波动特征集合Vt。[0073]步骤S1512:计算所述目标煤层气产能预测结果在空间网格单元内的预测值差异[0074]本实施例中，将目标区块划分为多个空间网格单元，对于每个空间网格单元，计算该单元内不同位置的预测值之间的差异度。可以使用标准差来衡量预测值的差异程度。将所有空间网格单元的预测值差异度组合起来，生成空间差异特征集合Vs。[0075]步骤S1513:对所述时序波动特征集合与空间差异特征集合进行联合分析，确定预测稳定性评分。[0076]本实施例中，对时序波动特征集合Vt和空间差异特征集合Vs进行联合分析。可以采用加权平均的方法，根据时序波动和空间差异对预测稳定性的影响程度，为两者分配不同的权重。例如，设时序波动特征的权重为wt,空间差异特征的权重为ws,且wt+ws=1.对于每个时间点和空间位置，将对应的时序波动特征值和空间差异特征值进行加权平均，得到预测稳定性评分Sd。[0077]步骤S1514:根据所述预测稳定性评分与所述历史生产动态数据中的实际产气量波动范围的匹配度生成预测置信度评分集合，其中，所述预测置信度评分集合中的每个评分单元包含时间戳标识与空间坐标标识的双重索引。[0078]本实施例中，计算预测稳定性评分Sd与历史生产动态数据中实际产气量波动范围的匹配度。可以通过计算两者之间的相似度来衡量匹配度，例如使用余弦相似度。对于每个时间点和空间位置，将预测稳定性评分与实际产气量波动范围进行比较，得到匹配度值。将这些匹配度值作为预测置信度评分，生成预测置信度评分集合C。该集合中的每个评分单元都包含时间戳标识t和空间坐标标识(x,y)的双重索引，即C={C(t,x,y)}。[0079]步骤S152:根据所述预测置信度评分集合与误差分布之间的相关性分析结果确定显著误差特征子集。[0080]本实施例中，对预测置信度评分集合C与误差分布之间的相关性进行分析，以确定步骤S1521:对所述误差分布进行基于预设误差阈值的二元聚类分析，生成误差值大于所述预设误差阈值的目标误差区域集合。[0081]本实施例中，设定一个预设误差阈值T。对于误差分布中的每个误差值，判断其是否大于预设误差阈值T。如果大于T,则将该误差对应的区域标记为目标误差区域；否则，标记为正常区域。通过这种二元聚类分析，将误差分布划分为目标误差区域和正常区域，生成目标误差区域集合E。[0082]步骤S1522:提取所述目标误差区域集合对应的原始空间坐标标识，并基于时空对齐映射关系匹配所述预测置信度评分集合中关联的标准化空间坐标标识。[0083]本实施例中，从目标误差区域集合E中提取每个目标误差区域对应的原始空间坐标标识。然后，根据之前进行的时空对齐映射关系，将这些原始空间坐标标识转换为预测置信度评分集合C中关联的标准化空间坐标标识。这样可以将目标误差区域与预测置信度评分集合中的评分单元进行对应。[0084]步骤S1523:根据置信度评分低于预设阈值的标准化空间坐标标识，回溯至所述预测特征集合中经空间网格对齐后的特征单元，生成候选特征子集。[0085]本实施例中，设定一个预设的置信度阈值Tc。对于预测置信度评分集合C中每个评分单元，判断其评分值是否低于预设阈值Tc。如果低于Tc,则提取该评分单元对应的标准化空间坐标标识。然后，根据这些标准化空间坐标标识，回溯到预测特征集合P中经空间网格对齐后的特征单元，将这些特征单元组合起来，生成候选特征子集Fc。[0086]步骤S1524:对所述候选特征子集基于特征贡献度的重要性排序，生成特征优先级序列。[0087]本实施例中，对候选特征子集Fc中的每个特征单元计算其特征贡献度。特征贡献度可以通过特征选择模块中的特征重要性评分来衡量。将候选特征子集Fc中的特征单元按照特征贡献度从大到小进行排序，生成特征优先级序列Fp。[0088]步骤S1525:根据所述特征优先级序列中排名前N位的特征单元生成显著误差特征[0089]本实施例中，根据误差分布的严重程度动态调整N的值。误差分布越严重，N的值越大，选取的特征单元数量越多。从特征优先级序列Fp中选取排名前N位的特征单元，将这些特征单元组合起来，生成显著误差特征子集Fs。[0090]步骤S153:提取所述显著误差特征子集对应的地质属性特征与动态属性特征，生成特征优化优先级列表。[0091]本实施例中，从显著误差特征子集Fs中提取对应的地质属性特征和动态属性特征。将这些特征按照其在显著误差特征子集中的重要性进行排序，生成特征优化优先级列表Lp。该列表中的特征是对产能预测误差影响较大的特征，需要优先进行优化。[0092]步骤S154:基于所述特征优化优先级列表对数据采集设备部署方案进行调整，生成第一优化策略。[0093]本实施例中，根据特征优化优先级列表Lp对数据采集设备部署方案进行调整，以步骤S1541:解析所述特征优化优先级列表中的地质属性特征与动态属性特征，确定关键监测参数集合。[0094]本实施例中，对特征优化优先级列表Lp中的地质属性特征和动态属性特征进行解[0095]步骤S1542:根据所述关键监测参数集合的空间分布密度调整数据采集设备的部署位置，生成设备位置优化方案。[0096]本实施例中，分析关键监测参数集合M中每个参数的空间分布密度。对于空间分布密度较大的区域，增加数据采集设备的部署数量，以获取更详细的参数信息；对于空间分布密度较小的区域，可以适当减少数据采集设备的数量。根据这种调整原则，确定数据采集设备的新的部署位置，生成设备位置优化方案Dp。[0097]步骤S1543:根据所述关键监测参数集合的时间变化频率调整数据采集设备的采[0098]本实施例中，分析关键监测参数集合M中每个参数的时间变化频率。对于时间变化频率较快的参数，提高数据采集设备的采样频率，以捕捉参数的快速变化；对于时间变化频率较慢的参数，可以降低采样频率。根据这种调整原则，确定数据采集设备的新的采样频[0099]步骤S1544:将所述设备位置优化方案与采样频率优化方案进行整合，生成第一优化策略，其中，所述第一优化策略包含设备标识、位置坐标、采样周期及参数类型的配置指令集合。[0100]本实施例中，将设备位置优化方案Dp和采样频率优化方案Sp进行整合。为每个数据采集设备分配唯一的设备标识，记录其新的位置坐标、采样周期以及需要监测的参数类型。将这些信息组合成配置指令集合，生成第一优化策略01。[0101]步骤S155:根据所述误差分布的时空变化模式对强化学习策略网络的训练频率进[0102]本实施例中，根据误差分布的时空变化模式对强化学习策略网络的训练频率进行步骤S1551:对所述误差分布进行时间维度分解，生成长期误差趋势特征与短期误差波动特征。[0103]本实施例中，使用时间序列分析方法对误差分布进行时间维度分解。可以采用移动平均法将误差分布分解为长期趋势成分和短期波动成分。长期趋势成分反映了误差在较长时间内的变化趋势，即长期误差趋势特征Et;短期波动成分体现了误差在较短时间内的[0104]步骤S1552:对所述误差分布进行空间维度分解，生成区域误差聚集特征与离散误差散布特征。[0105]本实施例中，将目标区块划分为多个空间区域，分析误差在各个区域的分布情况。对于误差集中分布的区域，定义为区域误差聚集特征Ea;对于误差分散分布的区域，定义为离散误差散布特征Ed。[0106]步骤S1553:根据所述长期误差趋势特征与区域误差聚集特征的历史变化率，设定基础训练频率。[0107]本实施例中，计算长期误差趋势特征Et和区域误差聚集特征Ea的历史变化率。历史变化率反映了误差在历史时间段内的变化速度。根据这些历史变化率，设定强化学习策略网络的基础训练频率Fb。历史变化率越大，基础训练频率越高，以更快地调整模型参数来适应误差的变化。[0108]步骤S1554:根据所述短期误差波动特征的幅度阈值与离散误差散布特征的空间[0109]本实施例中，设定短期误差波动特征Es的幅度阈值Ts和离散误差散布特征Ed的空间密度阈值Td。当短期误差波动特征的幅度超过幅度阈值Ts,或者离散误差散布特征的空间密度超过空间密度阈值Td时，需要对训练频率进行动态调整。计算动态调整幅度△F,动态调整幅度可以根据超过阈值的程度进行线性或非线性计算。[0110]步骤S1555:基于基础训练频率与动态调整幅度的线性叠加关系生成训练频率配置曲线。[0111]本实施例中，将基础训练频率Fb和动态调整幅度△F进行线性叠加，得到训练频率F=Fb+△F。根据不同时间点和空间位置的误差分布情况，计算出对应的训练频率，将这些训练频率连接起来，生成训练频率配置曲线Fc。[0112]步骤S1556:将所述训练频率配置曲线转换为强化学习策略网络的参数更新指令[0113]本实施例中，将训练频率配置曲线Fc转换为强化学习策略网络的参数更新指令集合。每个参数更新指令包含时间戳、训练频率以及需要更新的参数信息。将这些参数更新指[0114]步骤S156:将所述第一优化策略与第二优化策略进行合并，生成优化策略集合。[0115]本实施例中，将第一优化策略01和第二优化策略02进行合并，以生成优化策略集譬如，步骤S1561:获取所述第一优化策略中的设备位置优化方案与采样频率优化方案，提取所述设备位置优化方案中的空间坐标标识集合及所述采样频率优化方案中的时间窗口标识集合。[0116]本实施例中，从第一优化策略01中提取设备位置优化方案Dp和采样频率优化方案Sp.从设备位置优化方案Dp中提取所有数据采集设备的空间坐标标识集合X;从采样频率优化方案Sp中提取每个设备的采样时间窗口标识集合T。[0117]步骤S1562:获取所述第二优化策略中的训练频率配置曲线，提取所述训练频率配置曲线中的时间序列参数及对应的动态调整幅度集合。[0118]本实施例中，从第二优化策略02中获取训练频率配置曲线Fc。从训练频率配置曲线Fc中提取时间序列参数t和对应的动态调整幅度集合△F。[0119]步骤S1563:对所述时间窗口标识集合与所述时间序列参数进行时间维度匹配分析，生成时间对齐后的设备采样周期与模型训练周期的关联映射表。[0120]本实施例中，要把时间窗口标识集合T和时间序列参数t在时间维度上做匹配分析。先明确两个集合的时间范围和分辨率，以相同的时间尺度来考量。对时间窗口标识集合T里的每个时间窗口，去寻找时间序列参数t中对应的时间点或者时间段。要是时间窗口和时间序列参数有重合部分，就认为它们是匹配的。把匹配的设备采样周期和模型训练周期的信息组合起来，生成关联映射表M。该关联映射表记录了在各个时间点或者时间段，设备采样和模型训练的对应关系。例如，若某个时间窗口内有设备采样操作，同时对应着模型训练周期里的某个训练步骤，就在关联映射表中记录下这一对应关系。[0121]步骤S1564:根据所述关联映射表中的周期匹配度，计算所述采样频率优化方案中的采样间隔与所述动态调整幅度集合中的频率变化率之间的影响因子。[0122]本实施例中，依据关联映射表M里的周期匹配度，来计算采样频率优化方案Sp中的采样间隔和动态调整幅度集合△F中的频率变化率之间的影响因子。先确定周期匹配度的衡量方式，例如用采样周期和训练周期的重合时间占总时间的比例来表示。对于关联映射表M中的每一组匹配关系，分析采样间隔和频率变化率的关系。若采样间隔和频率变化率存在一定的函数关系，就通过对历史数据的统计分析或者机器学习算法来确定该函数关系。影响因子可以通过对该函数关系进行量化得到。例如，若发现采样间隔越小，频率变化率越大，就可以根据这种关系计算出一个影响因子来描述它们之间的相互作用强度。[0123]步骤S1565:基于所述影响因子对所述设备位置优化方案中的空间坐标标识集合进行空间密度校正，生成空间覆盖密度与时间采样频率同步适配的优化参数配置表。[0124]本实施例中，利用前面计算得到的影响因子对设备位置优化方案Dp中的空间坐标标识集合X进行空间密度校正。例如，首先明确空间密度校正的原则，即根据影响因子来调整设备在不同空间位置的分布密度。若影响因子表明采样间隔和频率变化率的相互作用会使得某些区域需要更密集的采样，就增加这些区域的数据采集设备数量；反之，则减少设备数量。根据调整后的设备分布情况，结合采样频率优化方案Sp,生成空间覆盖密度与时间采样频率同步适配的优化参数配置表P。该优化参数配置表记录了每个设备的空间坐标、采样频率以及与模型训练的关联信息，确保空间覆盖和时间采样能够协同优化。[0125]步骤S1566:根据所述优化参数配置表中的参数匹配关系，将所述设备位置优化方案、采样频率优化方案及训练频率配置曲线进行联合编码，生成包含时空统一量纲参数的优化策略集合，其中，所述优化策略集合中每个参数单元