內(nèi)容簡介：油藏初期產(chǎn)能受地質(zhì)、工程和開發(fā)等多種因素影響，是一種復雜的非線性變化時間序列，傳統(tǒng)采用單一模型進行預測的方法預測精度較低，數(shù)據(jù)適應(yīng)能力較弱。提出一種基于稀疏自編碼器（Sparse Auto-Encoder， SAE）和集成學習的油藏初期產(chǎn)能預測模型。首先利用SAE對影響初期產(chǎn)量的多種因素進行分析，自動提取含油飽和度、射孔段有效厚度、壓裂加砂量、加砂強度和能量保持狀態(tài)5維特征作為主控因素，然后分別采用線性回歸（Linear Regression， LR）、支持向量回歸（Support Vector Regression， SVR）和長短時記憶神經(jīng)網(wǎng)絡(luò)（Long Short-Term Memory， LSTM）3種方法建立預測模型進行初產(chǎn)預測，最后利用Bagging集成學習對3種方法的預測結(jié)果進行綜合集成，從而獲得最終的油藏初期產(chǎn)能預測結(jié)果。采用某特低滲油田實際數(shù)據(jù)開展驗證試驗，結(jié)果表明相對于單一LR、SVR和LSTM方法，所提方法的預測精度更高，數(shù)據(jù)適應(yīng)能更強，具有較高的應(yīng)用前景。