一种基于一维卷积神经网络的试井模型智能识别方法.pdf

2024 年 4 月 第 33 卷 第 2 期 评价解释与应用文章编号:1004-4388(2024)02-0072-07 2023-11-05 收稿,2023-12-20 修回,2024-02-20 接受,2024-04-20 网络版发表一种基于一维卷积神经网络的试井模型智能识别方法齐占奎1,张新鹏2,刘旭亮3,查文舒4,李道伦41.中国石油大庆油田测试技术服务分公司 黑龙江大庆 1634532.中国石油华北油田公司第三采油厂 河北河间 0624503.合肥大学人工智能与大数据学院 安徽合肥 2306014.合肥工业大学数学学院 安徽合肥 230026通讯作者:Email:liuxl 项目支持:国家自然科学基金项目(1217020361);大庆油田项目“水驱常规试井资料智能解释系统研究”(dqp-2020-cs-ky-002)引用:齐占奎,张新鹏,刘旭亮,等.一种基于一维卷积神经网络的试井模型智能识别方法J.油气井测试,2024,33(2):72-78.Cite:QI Zhankui,ZHANG Xinpeng,LIU Xuliang,et al.An intelligent method for identifying well testing models based on one-dimensional convolutional neural networkJ.Well Testing,2024,33(2):72-78.摘要 为提高试井分析工作效率,实现试井模型的自动识别,提出了基于一维卷积神经网络(1D CNN)的试井模型智能识别方法。根据实测数据的特点,提出基于理论曲线构建样本库的原则与方法,并构建了4 种常用油藏模型的训练样本库;建立了一维卷积神经网络模型,将样本库中双对数曲线的压力变化和压力导数数据作为输入,油藏类别作为网络输出训练及优化网络,总识别准确率可达 99.16%,敏感度均在 98%以上。经 4 口井实例应用,正确识别试井模型的概率大于 0.99,与二维卷积神经网络相比,1D CNN 显著降低了计算复杂度和时间成本,加快了训练速度。这表明基于试井理论所构建的样本库是有效的,能满足实测数据模型识别的需求;同时证明了方法的有效性、实用性和普适性。关键词 试井模型;一维卷积神经网络;智能识别;深度学习;自动解释;模型识别;样本库中图分类号:TE353 文献标识码:B DOI:10.19680/ki.1004-4388.2024.02.012An intelligent method for identifying well testing models based on one-dimensional convolu-tional neural networkQI Zhankui1,ZHANG Xinpeng2,LIU Xuliang3,ZHA Wenshu4,LI Daolun41.Daqing Well Logging Technology Service Company,Daqing,Heilongjiang 163453,China2.The Third Oil Production Plant of PetroChina Huabei Oilfield Company,Hejian,Hebei 062450,China3.School of Artificial Intelligence and Big Data,Hefei University,Hefei,Anhui 230601,China4.Department of Applied Mathematics,Hefei Technology University,Hefei,Anhui 230026,ChinaAbstract:In order to improve the efficiency of well testing analysis and achieve the automatic identification of well testing models,an intelligent identification method based on one-dimensional convolutional neural network(1D CNN)was proposed.According to the characteristics of measured data,principles and methods based on constructing a sample library using theoretical curves were proposed,and training sample libraries for four commonly used reservoir models were constructed.A one-dimensional convolutional neural network model was established.By using the pressure variation data and pressure derivative data of double logarithmic curves in the sample library as inputs,and the reservoir category as the output for training and optimizing the network,the overall identification accuracy can reach 99.16%,with sensitivities all above 98%.Through application cases from four wells,the probability of correctly identifying well testing models is greater than 0.99.Compared with two-dimensional convolutional neural networks,1D CNN significantly reduces computational complexity and time costs,which speeds up the training process.This indicates that the sample library constructed based on well testing theory is effective and can meet the requirements of model identification for measured data,and simultaneously,it also demonstrates the effectiveness,practicality,and universality of this method.Keywords:well testing model;one-dimensional convolutional neural network;intelligent identification;deep learning;automatic interpretation;model identification;sample library 在油田开发中,试井是掌握油气开发动态的重要依据,它以渗流力学理论为基础,研究试井数据第 33 卷 第 2 期齐占奎等:一种基于一维卷积神经网络的试井模型智能识别方法内在规律,从而解释油藏参数1-3。试井解释包括油藏模型识别、试井参数解释两个阶段。油藏模型识别是试井解释的基础,是由试井人员进行判断,结果因人而异4-6。虽然深度学习在油气田渗流方程求解中的应用较晚7,早在 20 世纪 90 年代,人工神经网络(ANN)已开始在试井中应用。很多学者研究了试井模型的自动识别。Allian 和 Houze 将神经网络和符号方法组合,使用人工神经网络识别油藏模型,并使用符号方法估计储层参数8。Vaferi 等9应用多层感知器网络(MLP)对不同外边界的均质和双孔隙油藏模型进行自动识别,将压力导数曲线作为网络的输入,每个模型仅有 120 个样本,从而无法包含所有情形。Ghaffarian 等10在单个 MLP 和耦合MLP 中引入了拟压力导数来区分不同的凝析气藏模型。Vaferi 等11应用压力导数图的离散小波系数作为神经网络的输入进行油藏模型识别。基于传统人工神经网络的试井分析方法存在以下问题:首先,不是使用所有的原始压力及其导数数据,而是选择曲线的部分特征参数作为网络的输入,这需要复杂的人工计算,无法实现试井自动化。例如,Adibifard 方法,要从实测压力数据中获取Chebysehv 多项式系数。其次,人工所提取的特征只对简单模型适应,对稍微复杂的径向复合模型就难以适用,更不用说更为复杂的模型。最后,试井曲线复杂多变,需要大量的数据训练才能得到可靠的网络。然而,传统的人工神经网络通常只有一个隐藏层,不能学习大量试井数据所对应的油藏模型,解释精度不高。在大数据时代下,深度学习技术和理论取得了突破性进展,其在计算机视觉、自然语言处理、语音识别和语义分析等方面都取得了杰出的成就。近年来,深度学习在油田领域的应用越来越多,如DUAN 等12利用测井数据,提出了一种基于深度学习神经网络和粒子群优化的机械钻速优化方法,可以有效地预测钻速,优化钻井参数;ZHA 等13采用CNN-LSTM 神经网络结构自动捕获采出程度,出水井数,生产井数与产量之间的隐藏关系,并同时用于预测产气和产水;Ricard 等14提出一种生成神经网络与分割任务相结合的新方法用于地震解释,该方法可以有效减少带注释的训练数据和未解释的目标数据之间的差距;Janssens 等15使用生成对抗神经网络(GANs)的超分辨率方法人工提高计算机断层扫描(CT)的岩石图像分辨率;SHEN 等16提出了一种基于两个网络模块的以单源或单汇为边界条件求解多孔渗流方程的物理方法等。目前,深度学习已经开始在油藏模型识别中应用。2019 年,CHU 等17将卷积神经网络(CNN)用于识别致密储层的试井模型;2021 年 Alizadeh 等18利用 GoogleNet(一种连续小波变换和深度卷积神经网络的新组合)进行油藏模型识别,网络输入为关井压力二维图;同年,LIU 等19将双对数曲线中压力数据与压力导数数据转化为二维矩阵作为二维卷积神经网络(2D CNN)的输入,建立8 种油藏的识别模型。二维卷积存在计算速度慢、占用空间大等缺点。一维卷积神经网络在实时心电图(ECG)分类、多季节高光谱图像分类、轴承故障检测、自然语言处 理 和 语 音 识 别 等 许 多 领 域 取 得 了 良 好成就20-22。同时,在使用传统神经网络进行模型识别时,受限于网络,一般所需样本都很小。这样训练后的网络不能包容所有情形,因而不具有实用价值。对深度学习网络,样本数量可达十万、百万、甚至千万,因而样本能包含各种情形,从而训练后的神经网络对实测数据具有普适性,从而具有实用价值。这也带来另一难题,如何获得如此数量的样本?显然,这只能基于理论曲线进行构建。详细的构建过程将另文详述。现简要给出样本库建立的原则与方法。基于一维卷积神经网络(1D CNN),提出新的油藏模型自动识别方法,将双对数曲线中压力数据与压力导数数据直接作为一维卷积神经网络的输入,输出为油藏类别,建立了无限大油藏、变井储无限大油藏、径向复合油藏和变井储径向复合油藏模型识别网络。经过预处理后所构建的样本与实测数据匹配,大大提高了实测数据的识别准确率。1 油藏模型与卷积网络 试井通常包括两个阶段:(1)油藏模型识别;(2)试井解释参数估计。油藏模型识别是试井分析的第一步,也是必不可少的一步。将卷积神经网络应用于油藏模型识别,提出一种新的试井模型智能识别方法。1.1 油藏模型 4 种常用油藏模型分别为定井储无限大油藏、372024 年 4 月变井储无限大油藏、定井储径向复合油藏和变井储径向复合油藏。其他模型如河道油藏、矩形油藏等在实际油田开发中,应用很少,不在考虑范围之内。无限大油藏指具有无限大边界的均质油藏。径向复合模型是指油藏由两个独立的区域组成:以井为中心的圆形内区、无限大的外区。变井储是在压力恢复试井过程中,当液体和气体同时流动,井筒流体从稳定流转变为不稳定流时发生的井筒储存改变的现象23-24。同样的油藏模型,井储改变使得类型曲线井储段不再为直线,需要采用变井储模型进行解释。1.2 卷积神经网络 深度学习是目标识别的有力工具,它的灵感来自生命的生物机制,强大的数据驱动能力是其独特优势。卷积神经网络是最具有代表性的深度学习算法之一,在大规模图像处理中有着优异的性能。卷积神经网络基本架构是由五个不同的层组成:输入层、卷积层、池化层、全连接层、输出层。卷积层和池化层可以有效提取特征,全连接层将捕获的特征映射到最终输出25-26。卷积层包括多个卷积滤波器,这些滤波器在输入信号上滑动并使用滤波器对输入信号执行卷积操作。卷积层受局部视野的启发,忽略局部区域外的微弱影响,保留空间位置信息,大大减少了参数的数量。在卷积层之后通常使用激活函数对输出进行非线性变换,提高网络的表达能力。池化层通过降低特征面的分辨率来获得具有空间不变性的特征,同时也减少了参数的数量。例如,最大池化方法只提供相邻矩阵区域的最大值,以简化网络,减少计算量。全连接层将前一层中所有激活的神经元完全连接起来,其目的是整合卷积层或池化层提取的特征。1.3 基于卷积神经网络的油藏模型自动识别方法 很多论文研究了试井模型识别,但样本数量少,所训练模型难以具有实用价值。为此,采用理论曲线构建训练样本,使得样本数量可扩大至 10 万量级。为减少网络复杂度,采用一维卷积网络构建试井模型自动识别方法。1.3.1 样本库构建方法样本库构建十分困难。深度学习所需样本量巨大,实测数据很难满足需求。采用试井软件生产理论试井曲线,然后基于理论数据构建样本库。由于实测数据往往只有 23 天,所截取的样本库里的数据也只有 23 天。从理论试井曲线所截取的样本可能会重合。例如,对半无限大油藏,当井离边界很远时,由于只截取 3 天的数据,其边界特征可能不会出现,从而与无限大油藏的某条试井曲线重合。截取数据时,要考虑三个原则:(1)理论数据的起点要与实测数据的起点分布相同:由于压力计的采样频率、噪音等影响,实测曲线的时间起点各异。在截取理论数据时,截取数据与实测曲线的时间起点应在同样的范围内,理论数据与实测数据的起点分布范围相同。(2)在每个理论数据上截取多条数据,以满足多变的实测数据。(3)实测曲线与理论曲线在井储段时间应相似:实测曲线与理论曲线的井储段的时间差异很大,截取理论数据时需要匹配井储段,使理论数据与实测数据在井储段的时间处于相同的范围。截取后的数据须进行系列处理:(1)删除同一模型的相同数据:对无限大模型,不同的井储、表皮、渗透率的组合参数可能相同,从而导致相同的试井曲线;(2)删除不同模型间的相同数据:由于截取原因,径向复合模型的曲线可能与无限大模型相同,为此就需要删除径向复合模型里的试井曲线,而无限大模型的曲线保留;(3)数据加噪音,以模拟实测数据的噪音:一般来说,实测数据的噪音主要在早期段,可适当加大噪音。后期段压力数据噪音小,所加噪音也应小些。1.3.2 模型训练与识别基于卷积神经网络的油藏模型自动识别方法的实现步骤如下:首先生成并预处理 4 个油藏模型的试井数据;其次,利用处理后的数据对卷积神经网络进行训练和优化;最后,训练得到的最优卷积神经网络可以用于油藏模型的自动识别。下面分别详细论述。(1)数据生成和预处理每个油藏模型分别采集 10 万个双对数曲线,其中 99.8%是利用解析试井计算得到的模拟数据,0.2%为实测数据。模拟数据的参数取值范围如表1 所示。每条双对数由压力变化曲线和压力导数曲线组成,每条曲线有 7 个对数周期,140 个数据点。然而,实测数据曲线大多不完整,只有 4 个对数周期,80 个数据点。为了保持输入维数的一致性,对47第 33 卷 第 2 期齐占奎等:一种基于一维卷积神经网络的试井模型智能识别方法每个油藏的双对数图截取连续的 80 个点。同时,由于实测数据曲线大多不光滑且有噪声,因此在模拟数据中加入高斯噪声,以提高实测数据的分类精度,增强网络泛化能力。表 1 模拟数据的试井参数范围Table 1 Parameter range of theoretical data模型参数CDe2SCDCDMFRf均质模型径向复合油藏最小值0.017 00.000 2-19.868/最大值7.81108354.08220.52/最小值0.010 00.005 7-0.991 10.010.0110最大值1109989.44221.801001001104 将压力变化和压力导数数据直接作为一维卷积神经网络的输入,相应的模型类别标签作为输出进行训练和测试。模型类别标签是一组值的集合,它等于油藏模型种类的数量,标签值根据油藏类型取 0 或 1。例如,如果输入数据属于模型 1,则标签的第一个值为 1,其余值为 0,即为(1,0,0,0),如果输入数据属于模型 2,则第二个标签值为 1,其余值为 0,即为(0,1,0,0),以此类推。(2)一维卷积神经网络的训练和优化随机选取 80%和 20%的数据分别用于训练和测试。通过不断的训练和优化得到的最优的卷积神经网络架构如表 2 所示。该网络有 21 层,其中卷积层 13 层,最大池化层 5 层,全连接层 3 层。对于卷积和最大池化操作,卷积核尺寸设置为 3 和 2,步长分别设置为 1 和 2(第一层卷积层的步长为 2)。表 2 最优的卷积神经网络架构Table 2 The optimal CNN configuration网络层类型卷积核数量卷积核尺寸步长1卷积层32322池化层32223卷积层64314卷积层64315卷积层64316池化层64227卷积层96318卷积层96319卷积层963110池化层962211卷积层1283112卷积层1283113卷积层1283114池化层1282215卷积层2563116卷积层2563117卷积层2563118池化层2562219全连接层/20全连接层/21全连接层/(3)利用训练得到的最优卷积神经网络对油藏模型进行自动识别将压力变化曲线和压力导数曲线截取的连续80 个数据点输入到最优卷积神经网络中,输出是 4个模型类的概率分布,最大的概率值所在的位数就是相应的模型,例如输出为(1.8810-8,0.999 9,4.3910-10,1.6010-6),最大值 0.999 9 处于第二位,则输入的数据属于模型 2。2 结果分析 通过三方面分析,包括与其他基于卷积神经网络方法的比较,方法性能验证和实例研究,验证了试井模型智能识别方法的有效性和实用性。2.1 与其他基于卷积神经网络方法的比较 CHU 等人利用一维卷积网络输入、内部再转化为二维卷积网络来建立油藏模型识别网络框架。该方法使用的样本量小,每个模型只有 545 个样本,由于试井曲线的复杂性和多变性,少量的样本难以完全表征所有的试井曲线特征;并且论文没有提及加噪音等预处理技术;Alizadeh 和 LIU 等人的研究均将一维试井数据转化为二维数据,利用二维卷积神经网络建立油藏识别模型识别,Alizadeh 等人利用连续小波变换将一维压力导数数据转化为二维尺度图,将二维尺度图作为样本,LIU 等人将双对数曲线中压力数据与压力导数数据转化为二维矩阵,将二维矩阵作为神经网络输入。新方法的优势在于将大数据与一维卷积神经网络算法结合,每个模型数据量达到 10 万,大量的样本可以使网络学习到大量的曲线特征,且对比二维卷积神经网络,一维卷积神经网络模型更加简单,大大的减少了参数,从而显著加快了训练速度。训练样本量大,保证了训练后网络的普适性。2.2 方法性能验证 利用两个统计指标对基于一维卷积神经网络的油藏模型识别方法进行定量评价:(1)总分类精572024 年 4 月度(total classification accuracy,TCA);(2)网络灵敏度。TCA 表示所有油藏模型中正确分类的样本数量与总样本数量的比率。网络灵敏度指某一特定油藏中模型正确识别的样本数量与该模型总样本数量的比值。测试集用来检验卷积神经网络的有效性。表 3 列出了测试集的 TCA 和网络灵敏度。结果显示,测试集的网络敏感度接近 1、总分类精度接近于 1,说明一维卷积网络对于油藏模型有非常强的识别能力。表 3 测试集的分类准确率Table 3 Classification accuracies of test set油藏模型网络敏感度/%TCA/%模型 199.74模型 299.52模型 399.31模型 498.0899.16 这表明,基于理论曲线生成的样本曲线库可以很好匹配实测数据。这将大大降低构建训练样本的难度。本文仅给出了基于理论曲线建立样本曲线库的原则。详细的方法十分复杂:首先要统计实测数据的特征,包括起点特征、对数周期的特征、噪音的特征;然后,进行曲线截取,并使截取后的数据尽可能符合实测数据特征;其次,截取后要对曲线进行系列处理,包括相同曲线识别、删除,相似曲线的识别,基于识别结果反推样本库存在的问题等等,不断对样本库进行优化;最后,加噪音提高泛化能力,满足实测数据特征。事实上,样本库的建立是深度学习方法的首要问题,本文也不例外。详细的构建方法我们将另文详述。2.3 实例研究 下面通过某油田的四个实例验证本文方法的有效性。实例的基本参数如表 4 所示,双对数曲线如图 1图 4 所示。实例 1、2 为变井储无限大油藏(即模型 2),实例 3、4 为变井储径向复合油藏(即模型 4)。表 4 四个实例的基本参数Table 4 Basic parameters of four field cases实例基本参数油藏厚度/m孔隙度总压缩系数/MPa-1黏度/mPa s地层体积系数井半径/m生产时间/d日产液量/m3 d-1关井时间/d实例 17.40.251.110-31.131.0160.118010.44实例 211.60.241.210-30.961.0130.124055.03实例 36.50.251.210-30.5810.118020.74实例 410.90.241.210-30.6710.118089.03图 1 实例 1 的双对数曲线,无量纲Fig.1 The log-log curves of Case 1 表 5 给出了卷积神经网络对于四个实例的输出值,输出值被视为输入数据对不同油藏模型的隶属概率,可见卷积神经网络以大于 0.99 的概率正确识别了所有实例。这进一步证明了新方法的泛化能力,即对于实测数据仍然可以准确识别模型。图 2 实例 2 的双对数曲线,无量纲Fig.2 The log-log curves of Case 2表 5 卷积神经网络的输出结果Table 5 The outputs of the CNN for four actual field cases网络输出模型 1模型 2模型 3模型 4实例1(模型2)1.8810-80.999 94.3910-101.6010-6实例2(模型2)9.3410-60.999 92.2010-63.0510-5实例3(模型4)4.0410-201.8210-133.9110-160.999 9实例4(模型4)1.9410-64.6710-60.002 70.997 267第 33 卷 第 2 期齐占奎等:一种基于一维卷积神经网络的试井模型智能识别方法图 3 实例 3 的双对数曲线Fig.3 The log-log curves of Case 3图 4 实例 4 的双对数曲线,无量纲Fig.4 The log-log curves of Case 43 结论 (1)基于一维卷积神经网络,建立了无限大、变井储无限大、径向复合和变井储径向复合四种油藏自动识别方法,所构建的一维 CNN 能准确识别试井模型:以双对数曲线的压力变化和压力导数数据为输入,以油藏类别为网络输出,所构建的一维 CNN识别模型准确率可达 99.16%。(2)基于理论数据可以构建试井模型识别库:基于解析试井软件、数据截取、删除、加噪音,所构建的样本库能很好模拟实测数据,从而对实测压力数据具有很高的识别能力。(3)大样本库是模型普适性的基础:每个模型10 万条样本数据,很好覆盖了实测压力数据的范围,从而对实测数据具有很好的普适性。(4)一维 CNN 显著降低了计算复杂度和时间成本,降低最优神经网络模型的所占内存,使用更方便。另外,该方法实现了常用试井模型的自动识别,有助于提高工作效率,是试井自动解释的基础,具有很好的应用价值。致谢:特别感谢中国科学技术大学卢德唐教授提供的支持和帮助。参考文献1 MUSKAT M.Use of data on the build-up of bottom hole pressuresJ.Society of Petroleum Engineers,1937,123(1):44-48.2 谢晶,罗沛,杨云,等.东坪基岩气藏压力恢复试井曲线特征识别及解释研究J.非常规油气,2020,7(3):90-95.XIE JING,LUO Pei,YANG Yun,et al.Study on identifi-cation of pressure transient characteristics and well test interpretation of Dongping bedrock gas reservoir J.Unconventional Oil&Gas,2020,7(3):90-95.3 刘姣姣,刘志军,刘倩,等.基于数值试井法的神木气田多层压裂气井产能评价J.非常规油气,2020,7(5):75-82.LIU Jiaojiao,LIU Zhijun,LIU Qian,et al.The multilayer fractured wells productivity evaluation based on numerical well test in Shenmu gas reservoirJ.Unconventional Oil&Gas,2020,7(5):75-82.4 ZHA Wenshu,GAO Shanlu,LI Daolun,et al.Application of the ensemble Kalman filter for assisted layered history matchingJ.Advances in Geo-Energy Research,2018,2(4):450-456.5 卢德唐.现代试井理论及应用M.北京:石油工业出版社,2009.6 李道伦,齐银,达引朋,等.低速非线性是低渗油藏的流动机制J.非常规油气,2020,7(4):1-8.LI Daolun,QI Yin,DA Yinpeng,et al.Low velocity non-linearity is the flow mechanism of low permeability reservoirJ.Unconventional Oil&Gas,2020,7(4):1-8.7 查文舒,李道伦,沈路航,等.基于神经网络的偏微分方程求解方法研究综述J.力学学报,2022,54(3):543-556.ZHA Wenshu,LI Daolun,SHEN Luhang,et al.Review of neural network-based methods for solving partial differential equationsJ.Chinese Journal of Theoretical and Applied Mechanics,2022,54(3):543-556.8 ALLAIN O,HOUZE O P.A practical artificial intelligence application in well test interpretation R.SPE 24287,1992.9 VAFERI B,ESLAMLOUEYAN R,AYATOLLAHI S.Automatic recognition of oil reservoir models from well testing data by using multi-layer perceptron networksJ.Journal of Petroleum Science&Engineering,2011,77(3/4):254-262.10 NAJMEH,GHAFFARIAN,REZA,et al.Model identifi-cation for gas condensate reservoirs by using ANN method based on well test dataJ.Journal of Petroleum Science and Engineering.2014,123:20-29.772024 年 4 月11 VAFERI,BEHZAD,GHAFFARIAN,et al.Hydrocarbon reservoir model detection from pressure transient data using coupled artificial neural networkWavelet transform approachJ.Applied Soft Computing,2016,47:63-75.12 DUAN J,YANG C,HE J.A ROP Optimization Approach Based on Well Log Data Analysis using Deep Learning Network and PSOC/2019 IEEE International Conference of Intelligent Applied Systems on Engineering(ICIASE).IEEE,2020.13 ZHA W S,LIU Y P,WAN Y J,et al.Forecasting monthly gas field production based on the CNN-LSTM modelJ.Energy,2022,260:124889.14 RICARD DURALL,VALENTIN TSCHANNEN,NOR-MAN ETTRICH,et al.Generative models for the transfer of knowledge in seismic interpretation with deep learningJ.Leading Edge,2021,40(7):534-542.15 JANSSENS N,HUYSMANS M,RUDY S.Computed tomography 3D super-resolution with generative adversarial neural networks:implications on unsaturated and two-phase fluid flowJ.Materials,2020,13(6):1-33.16 SHEN Luhang,LI Daolun,ZHA Wenshu,et al.Surrogate modeling for porous flow using deep neural networksJ.Journal of Petroleum Science and Engineering,2022,213,110460:1-11.17 CHU Hongyang,LIAO Xinwe,DONG Peng,et al.An automatic classification method of well testing plot based on convolutional neural network(CNN)J.Energies,2019,12(15):2846.18 ALIZADEH S M S,KHODABAKHSHI A,HASSANI P A,et al.Smart identification of petroleum reservoir well testing models using deep convolutional neural networks(GoogleNet)J.Journal of Energy Resources Technology,2021,143(7):1-19.19 LIU Xuliang,ZHA Wenshu,QI Zhankui,et al.Automatic reservoir model identification method based on convolu-tional neural networkJ.Journal of Energy Resources Technology,2021,144(4):1-11.20 KIRANYAZ S,INCE T,GABBOUJ M.Real-time patient-specific ECG classification by 1-D convolutional neural networksJ.IEEE Trans Biomed Eng,2016,63:664-675.21 DANIEL G,MATTHEW C.One-dimensional convolutional neural network land-cover classification of multi-seasonal hyperspectral imagery in the San Francisco Bay Area,CaliforniaJ.Remote Sensing,2017,9(6):629.22 LEVENT E.Bearing fault detection by one-dimensional convolutional neural networksJ.Mathematical Problems in Engineering,2017,(2017-07-27),2017,2017:1-9.23 SPIVEY J P,LEE W J.Variable wellbore storage models for a dual-volume wellboreC/Paper SPE-56615-MS presented at the SPE Annual Technical Conference and Ex-hibition,Houston,Texas,October 1999.24 陈艳芳,赵宏军.低渗气藏变井储试井分析研究J.油气井测试,2017,26(3):33-35.CHEN Yanfang,ZHAO Hongjun.Well testing analysis and research on variable wellbore storage in low permea-bility gas reservoirJ.Well Testing,2017,26(3):33-35.25 KIM Y.Convolutional neural networks for sentence classi-fication C/Proceedings of the 2014 conference on empirical method