基于LSTM的产能预测方法——以A区长7储层为例.pdf

收稿日期:2 0 2 3-0 7 1 0;修回日期:2 0 2 3-1 0-0 9作者简介:苏存娃(1 9 7 7),男,本科,工程师,研究方向为油田开发,E-m a i l:1 7 6 2 3 0 1 8 7 0q q.c o m;王子龙(1 9 9 8),男,硕士,助理工程师,研究方向为油田勘探,通信联系人,E-m a i l:1 3 5 3 3 4 9 3 6q q.c o m。第3 2卷 第1期2 0 2 4年3月北京石油化工学院学报J o u r n a l o f B e i j i n g I n s t i t u t e o f P e t r o c h e m i c a l T e c h n o l o g yV o l.3 2 N o.1M a r.2 0 2 4文章编号:1 0 0 8-2 5 6 5(2 0 2 4)0 1-0 0 5 0-0 6基于L S T M的产能预测方法 以A区长7储层为例苏存娃1,王子龙2*,鲁 鹏1(1.陕西延长油田股份有限公司下寺湾采油厂,陕西 延安 7 1 6 1 0 0;2.延长油田股份有限公司勘探开发技术研究中心,陕西 延安 7 5 0 0 2 1)摘要:针对研究区目标储层典型页岩油藏物性较差导致全区及中高初产油井产能递减的问题,笔者提出一种长短期记忆神经网络(L S TM),选取研究区生产时间大于4 8个月全区油井以及中高初产递减型井的平均月生产数据并对其未来4个月的产能进行预测。结果表明,长短期记忆神经网络(L S TM)产能预测相比于传统的指数递减规律对产量进行拟合的误差更小,预测结果更为可靠。从而为后期油田生产以及后续开发采取的工程措施提供理论依据。关键词:产能预测;长短期记忆神经网络;时序产能预测;中高初产递减型井中图分类号:P 6 1 8文献标志码:AD O I:1 0.1 9 7 7 0/j.c n k i.i s s n.1 0 0 8-2 5 6 5.2 0 2 4.0 1.0 1 0开放科学(资源服务)标识码:P r o d u c t i v i t y P r e d i c t i o n M e t h o d B a s e d o n L S TM-t a k i n g C h a n g 7 R e s e r v o i r i n A r e a A a s a n E x a m p l eS U C u n w a1,WANG Z i l o n g2*,L U P e n g1(1.X i a s i w a n O i l P r o d u c t i o n P l a n t o f Y a n c h a n g O i l F i e l d C o.L t d.,Y a n a n 7 1 6 1 0 0,C h i n a;2.E x p l o r a t i o n a n d D e v e l o pm e n t T e c h n o l o g y R e s e a r c h C e n t e r o f Y a n c h a n g O i l f i e l d C o.,L t d.,Y a n a n 7 5 0 0 2 1,C h i n a)A b s t r a c t:W i t h t h e d e v e l o p m e n t o f p e t r o l e u m i n d u s t r y,u n c o n v e n t i o n a l o i l a n d g a s h a v e b e e n p l a-y i n g a n i m p o r t a n t r o l e i n t h e w h o l e p e t r o l e u m m a r k e t.T h e t a r g e t r e s e r v o i r i n t h e s t u d y a r e a i s a t y p i c a l s h a l e r e s e r v o i r w i t h p o o r p h y s i c a l p r o p e r t i e s,t h e r e f o r e,t h e f o r m a t i o n o f t h e m a i n r e s e r-v o i r b y v o l u m e f r a c t u r i n g m e a n s.H o w e v e r,i n t h e p r o c e s s o f d e v e l o p m e n t i n r e c e n t y e a r s,i t i s d i f f i c u l t t o d e t e r m i n e t h e m a i n f a c t o r s a f f e c t i n g t h e p r o d u c t i o n c a p a c i t y o f t h e s t u d y a r e a,i t i s a t y p i c a l n o n-l i n e a r c h a r a c t e r i s t i c p r e d i c t i o n,a n d t h e t r a d i t i o n a l p r o d u c t i v i t y p r e d i c t i o n i s n o t i d e a l i n a p p l i c a b i l i t y a n d p r e c i s i o n,w h i c h l e a d s t o g r e a t d i f f e r e n c e s i n d e v e l o p m e n t e f f e c t,a n d b r i n g s g r e a t d i f f i c u l t i e s t o t h e s t a b l e a n d i n c r e a s i n g p r o d u c t i o n o f o i l f i e l d,t h e r e a l-t i m e p r e d i c t i o n o f p r o d u c t i v i t y f o r t h e w h o l e a r e a a n d t h e m i d d l e-h i g h i n i t i a l p r o d u c t i o n d e c l i n e w e l l s i n t h e s t u d y a r e a i s o f g r e a t s i g n i f i c a n c e t o t h e e v a l u a t i o n o f l a t e f r a c t u r i n g e f f e c t a n d t h e o p t i m i z a t i o n d e s i g n.I n t h i s p a p e r,w e p r o p o s e a n e w L o n g S h o r t-T e r m M e m o r y(L S TM),t h e p r o d u c t i v i t y o f t h e o i l w e l l s i n t h e s t u d y a r e a i n t h e n e x t f o u r m o n t h s i s f o r e c a s t e d b y u s i n g t h e a v e r a g e m o n t h l y p r o d u c-t i o n d a t a o f t h e o i l w e l l s i n t h e s t u d y a r e a w h o s e p r o d u c t i o n t i m e i s m o r e t h a n 4 8 m o n t h s a n d t h e d e c l i n i n g i n i t i a l p r o d u c t i o n o f t h e m e d i u m a n d h i g h i n i t i a l p r o d u c t i o n w e l l s,c o m p a r e d w i t h t h e t r a d i t i o n a l l a w o f e x p o n e n t i a l d e c l i n e,t h e L S TM c a p a c i t y f o r e c a s t h a s l e s s e r r o r i n f i t t i n g t h e L o n g S h o r t-T e r m M e m o r y,a n d t h e f o r e c a s t r e s u l t i s m o r e r e l i a b l e.T h e r e f o r e,i t c a n p r o v i d e t h e o r e t i c a l b a s i s f o r l a t e r o i l f i e l d p r o d u c t i o n a n d s u b s e q u e n t d e v e l o p m e n t e n g i n e e r i n g m e a s u r e s m o r e e f f i c i e n t l y.K e y w o r d s:p r o d u c t i v i t y p r e d i c t i o n;l o n g s h o r t-t e r m m e m o r y;t i m e s e r i e s p r o d u c t i v i t y p r e d i c t i o n;m e d i u m a n d h i g h p r i m a r y p r o d u c t i o n d e c l i n e t y p e w e l l s 鄂尔多斯盆地是我国重要的油气资源地区之一,鄂尔多斯盆地经过长时间的沉积演变之后,构造简单且相对稳定,是具有油气聚集和运移条件的多期叠合克拉通盆地1,其主要位于华北克拉通西南部。在三叠世早期和中期沉积演化过程中,其演变过程为盆块-盆地,但并不是现在所看到的独立的鄂尔多斯盆地,盆地内部构造运动较少;三叠世中期,地层开始变厚;三叠世晚期,盆地从北厚南薄完全转化为北薄南厚的大型淡水内陆湖泊,盆地经历了湖盆的扩张到收缩,形成了一套自储自生的储油体系。鄂尔多斯盆地具有区域面积大、油气资源潜力大、储量丰富。资源量高达8 6亿t。分布情况为陕西占7 9%、甘肃占1 9%、宁夏占2%。其石油储量占据全国总储量的6%2。研究区的主要产油层位为长7油层组,非均质性强,由于沉积环境差异小,各小层间非均质性变化幅度不大。研究区油层深度为17 5 0m,渗透率为0.1 7mD,孔隙度为9.2%,物性较差,储层油水渗流特征复杂,油水共渗 区小,油水两 相共渗带范 围3 1.2%,原油性质较好,具有低密度、低黏度、低凝固点的特点。该地区的石油储量约为7.6 21 08t,为典型的页岩油藏。通过对其进行长达1 0余年的勘探开发,该区块产油井主要以中高初产稳产型和中高初产递减型井为主,中高初产稳产型井的初产水平较高,产量递减较慢;中高初产递减型井的初产水平较高,产能递减较快。因此对于该区块的所有油井以及中高初产稳产型井的产能预测的准确性将直接影响到油田的生产以及下一步开发工作的进行。因此需要建立一套对所需的数据要求低、易于搜集且预测精度准确的模型来开展后续生产任务。根据前人研究成果可以得出,该地区的产能预测结果与地质、开发、工程等因素有关3,通过各个参数利用数学公式法对其进行线性回归拟合,结果表明该方法受限于各参数的收集程度,计算量大,预测精度依赖于资料的齐全程度。在产能预测方面,传统的计量模型、灰关联模型、B P神经网络时间序列模型以及模糊数学等在该方面也应用广泛,但这些方法普遍存在一定的缺陷,对非线性数据集以及长期时间序列数据集的预测效果不理想4-8。区别于传统的机器学习方法,长短期记忆神经网络(L S TM)可以从有效的油田生产数据中获取有效信息,并且巧妙地缓解了循环神经网络(R N N)的梯度爆炸、消失以及过拟合等问题9。该方法已在股票、医疗、交通、网络等方面得到广泛利用1 0-1 2。因此,笔者提出一种新的长短期记忆神经网络(L S TM)方法,只需通过该地区的生产数据就能对其后期产能进行预测,其产能预测误差为4.1 2%,传统产能递减规律拟合误差为1 4.6%,结果表明该方法效果较好。1 长短期记忆(L S T M)神经网络长短期记忆(L S TM)神经网络属于时间序列递归神经网络的一种1 3-1 4。基于长短期记忆(L S TM)神经网络,对研究区中高初产递减型井的产能曲线递减法模型进行优化,以此来指导油田生产及产能建设。1.1 基本原理遗忘门可以将一部分信息从该单元中删除,s i g-m o i d层对其进行决策,根据之前的状态向量以及当前的输入向量对单元状态做出选择,其遗忘门的表达式为:ft=(Wfxt,st-1+bf)(1)其中:Wf为权值矩阵;bf为偏置项;为激活函数,其表达式为:(x)=11+e-x(2)输入门则是决定需要保留信息的单元,并且对新信息进行补充。输入门的表达式为:it=(Wixi,st-1+bi)(3)其中:Wi为权值矩阵;bi为偏置项。通过融合上一刻及现在的单元状态值,新的单元状态值为:ct=ftct-1+itct(4)其中:ct-1为上一刻单元状态值;ct为现在单元状15第1期苏存娃等.基于L S TM的产能预测方法态值;ct为新的单元状态值,其为两者的哈达玛积。ct表达式为:ct=t a nh(Wcxi,st-1+bc)(5)其中:Wc为权值矩阵;bc为偏置项,t a nh为每一个处理器的激活函数,其表达式为:t a nh(x)=ex-e-xex+e-x(6)输出门表达式为:ot=(Woxi,st-1+bo)(7)其中:Wo为权值矩阵;bo为偏置项。每一刻的单元状态值ct由输出门ot和t a nh共同决定长短期神经网络(L S TM)可作为输出信息量的多少。1.2 长短期神经网络结构图该网络的结构图如图1所示1 5。图1 长短期神经网络单元细胞结构图F i g.1 C e l l s t r u c t u r e o f l o n g-s h o r t t e r m n e u r a l n e t w o r k 2 研究区中高初产稳产型油井生产现状2.1 研究区产能递减规律分析研究区主要以中高初产稳产型和中高初产递减型油井为主。因持续低产型油井只有2口,数据样本太少,因此本次建模不予考虑。选取研究区的所有油井以及中高初产稳产型油井分别作为研究对象,通过对全区生产时间大于4 8个月的油井生产动态进行产能递减分析,研究区全区以及中高初产递减型油井的产能相关数据,结果如表1所示。表1 研究区产能递减规律参数统计表T a b l e 1 S t a t i s t i c a l t a b l e o f p r o d u c t i o n c a p a c i t y d e c l i n e l a w p a r a m e t e r s 全区油井中高初产递减型油井初始产量Q0/(td-1)9.1 58.1 6递减指数n0.8 50.7 1初始月递减率D0/%2.94.22.1.1 研究区全区单井日产油拟合结果研究区全区单井日产油拟合结果如图2所示。研究区全区单井日产油量计算式为:Q=9.1 5(1+0.0 2 50 4t)1/0.8 5(8)单井初始产量Q0=9.1 5t/d;递减指数n=图2 研究区全区单井日产油拟合F i g.2 S i n g l e w e l l d a i l y o i l p r o d u c t i o n f i t t i n g i n t h e s t u d y a r e a 0.8 5;初始月递减率D0=2.9%。2.1.2 研究区中高初产递减型单井日产油拟合结果研究区中高初产递减型单井日产油拟合结果图3所示。研究区中高初产递减型单井日产油计算式为:Q=8.1 6(1+0.0 2 95 4t)1/0.7 1(9)单井初始产量Q0=8.1 6t/d;递减指数n=0.7 1;初始月递减率D0=4.2%。根据研究区的生产动态分析对研究区的产能进行拟合可以看出,其拟合效果并不是很理想,其中全区的误差平均在1 2.9%,中高初产稳产型油井的误差平均在1 4.6%。因此需要提高其产能拟合误差,从而为后续的开发生产提供一定的理论依据。25北京石油化工学院学报2 0 2 4年第3 2卷图3 研究区中高初产递减型单井日产油拟合F i g.3 S i n g l e w e l l d a i l y o i l p r o d u c t i o n f i t t i n g o f m i d d l e a n d h i g h i n i t i a l p r o d u c t i o n d e c l i n e t y p e i n s t u d y a r e a3 研究区长短期记忆(L S T M)神经网络模型建立3.1 数据预处理由于油井的产量会随着时间的变化而变化,因此产油量适合利用长短期记忆神经网络对其进行建模预测。以研究区的中高初产递减型油井为主要研究对象,并选取投产时间大于4年的井对其进行研究,以月平均产油相关数据作为输入变量,下一时刻的月产油相关数据作为输出变量进行建模。首先,对进行建模的数据进行归一化,其表达式为:x=xi-xm i nxm a x-xm i n(1 0)其中:x为归一化后的数据;xi为每一个原始数据;xm a x为数据中的最大值;xm i n为数据中心最小值。根据所预测数据前n个时间单位数值的相关生产数据来预测该时刻下的月产油数据,其产能预测表达式为:O(t)=FC(t),O(t-1),O(t-2),O(t-n)(1 1)其中:O(t)为t时刻的月预测产油数据;C(t)为t时刻的实际月产油数据;n为时间窗口长度,设置n=5,O(t-1),O(t-2),O(t-n)为t时刻前n步的月产油数据,其数据整理如下:C(6)O(1)O(2)O(3)O(4)O(5)O(6)C(7)O(2)O(3)O(4)O(5)O(6)O(7)C(t)C(t-5)C(t-4)C(t-3)C(t-2)C(t-1)C(t)其中,前6列为输入层,第7列为输出层。3.2 模型建立参数设置选取经过预处理数据的前9 0%作为训练集,1 0%作为验证集,输入特征i n p u t S i z e为1,单个单元细胞结构节点数为1 2 8,D r o p o u t设置为0.1,o u t-p u t S i z e为1。通过对模型进行训练可以看出,在经过2 0次迭代时,其均方根误差以及实际误差损失趋于稳定;经过1 0 0次迭代,均方根误差控制在0.3以内,误差损失控制在0.0 5以内,其训练过程如图4所示。图4 长短期神经网络训练进度图F i g.4 N e u r a l n e t w o r k t r a i n i n g p r o g r e s s c h a r t o f l o n g a n d s h o r t t e r m 3.3 产能拟合预测模型的建立3.3.1 全区油井产能拟合预测模型选取4 8个月的生产时间中前4 4个月作为训练集,通过长短期记忆神经网络对研究区全区油井的产能进行拟合,结果如图5所示,研究区4 54 8月L S TM产能预测误差如表2所示。从图5、表2中可以看出,其拟合效果明显强于通过产能递减规律分析得到的产能拟合,通过计算可以得到其拟合误差为4.3%。图5 研究区长短期记忆神经网络(L S TM)产能拟合F i g.5 C a p a c i t y f i t t i n g o f t h e s t u d y a r e a L o n g S h o r t-T e r m M e m o r y(L S TM)表2 研究区4 54 8月L S TM产能预测误差评价表T a b l e 2 E v a l u a t i o n T a b l e o f L S TM c a p a c i t y f o r e c a s t e r r o r i n s t u d y a r e a f r o m 4 5 t o 4 8 m o n t h s原始产油量/tL S TM预测产油量/t误差/%4.2 94.3 94.1 94.3 84.2 93.9 64.3 14.1 24.2 3 通过前4 4个月的产能拟合模型对4 54 8个月的产油量进行预测,结果如图6所示,其预测的4个月的误差通过计算为4.2 9%。35第1期苏存娃等.基于L S TM的产能预测方法图6 研究区长短期记忆神经网络(L S TM)4 54 8个月的产能预测F i g.6 C a p a c i t y f o r e c a s t f o r t h e s t u d y a r e a L o n g S h o r t-T e r m M e m o r y(L S TM)f o r 4 54 8 m o n t h s 将产能递减规律拟合得到的产能预测模型和长短期记忆神经网络(L S TM)模型拟合得到的产能预测模型进行对比,结果如图7所示。从图7中可以看出,L S TM拟合的效果更佳。图7 研究区产能指数递减拟合与L S TM拟合对比图F i g.7 C o m p a r i s o n o f t h e d e c l i n e f i t t i n g a n d L S TM f i t t i n g o f t h e p r o d u c t i v i t y i n d e x i n t h e s t u d y a r e a 3.3.2 中高初产递减型油井产能拟合预测模型选取4 8个月的生产时间中前4 4个月为训练集,通过长短期记忆神经网络对研究区全区油井的产能进行拟合,结果其拟合效果明显强于通过产能递减规律分析得到的产能拟合,通过计算可以得到其拟合误差为4.5%。通过对中高初产递减型井进行L S TM产能拟合预测,结果如图8所示。研究区中高初产递减型井4 54 8月L S TM产能预测误差如表3所示。图8 研究区长短期记忆神经网络(L S TM)产能拟合F i g.8 C a p a c i t y f i t t i n g o f t h e s t u d y a r e a L o n g S h o r t-T e r m M e m o r y(L S TM)通过前4 4个月的产能拟合模型对4 54 8个月的产油量进行预测,结果如图9所示,其预测的4个月的误差通过计算为4.1 2%。表3 研究区中高初产递减型井4 54 8月L S TM产能预测误差评价表T a b l e 3 E v a l u a t i o n T a b l e o f L S TM p r o d u c t i v i t y p r e d i c t i o n e r r o r i n 4 54 8 m o n t h s f o r m e d i u m-h i g h p r i m a r y p r o d u c t i o n d e c l i n e w e l l s i n t h e s t u d y a r e a原始产油量/tL S TM预测产油量/t误差/%3.0 22.4 82.9 72.4 34.1 22.7 92.3 92.7 92.3 5图9 研究区长短期记忆神经网络(L S TM)4 54 8个月的产能预测F i g.9 C a p a c i t y f o r e c a s t f o r t h e s t u d y a r e a L o n g S h o r t-T e r m M e m o r y(L S TM)f o r 4 54 8 m o n t h s 将产能递减规律拟合得到的产能预测模型和长短期记忆神经网络(L S TM)模型拟合得到的产能预测模型进行对比,结果如图1 0所示。从图1 0中可以可以看出,L S TM拟合的效果更佳。图1 0 研究区产能指数递减拟合与L S TM拟合对比图F i g.1 0 C o m p a r i s o n o f t h e d e c l i n e f i t t i n g a n d L S TM f i t t i n g o f t h e p r o d u c t i v i t y i n d e x i n t h e s t u d y 从全区产油井的产能预测到中高初产递减型的产能预测,长短期记忆神经网络(L S TM)的预测精度明显高于按照全区井的公式法拟合得到的产能预测数据。因此,该区块后期开发过程中可以通过即时的数据更新,随时对研究区的产能利用长短期记忆神经网络(L S TM)法进行拟合,从而更加高效地指导油田生产以及后续开发的工程措施的实施。4 结论(1)分别对研究区的所有油井以及中高初产递45北京石油化工学院学报2 0 2 4年第3 2卷减型井进行产能递减规律分析,得出全区的单井初始产量Q0=9.1 5 t/d;递减指数n=0.8 5;初始月递减率D0=2.9%;中高初产递减型单井的初始产量Q0=8.1 6t/d;递减指数n=0.7 1;初始月递减率D0=4.2%。其中全区的误差平均为1 2.9%,中高初产递减型油井的误差平均为1 4.6%。(2)选取生产时间大于4 8个月的油井分别对全区以及中高初 产递减型 井进行 递 减 规 律 拟 合 和L S TM产能递减拟合。全区所有油井通过对前4 4个月的产能拟合模型对4 54 8个月的产油量进行预测,其预测的4个月的误差通过计算为4.2 9%;全区所有中高初产递减型井通过前4 4个月的产能拟合模型对4 54 8个月的产油量进行预测,其预测的4个月的误差通过计算为4.1 2%,误差小于传统方法误差的1 4.6%,由此可见L S TM对于研究区的产能拟合效果明显优于产能递减规律拟合的产能。(3)在该区块的后期开发过程中可以通过即时的数据更新,随时对研究区的产能利用长短期记忆神经网络(L S TM)法进行拟合,从而更加高效地指导油田生产以及后续开发工程措施的实施。参考文献1 卢帆雨.鄂尔多斯盆地YN南部长6储层特征研究D.西安:西安石油大学,2 0 2 0.2 吉利明,祝幼华,王少飞.鄂尔多斯盆地三叠系延长组葡萄藻 形 态 特 征 J.古 生 物 学 报,2 0 0 8,4 7(2):1 8 5-1 9 4.3 赵红兵.致密油藏水平井体积压裂产能影响因素及预测方法J.辽宁化工,2 0 2 1,5 0(1):9 6-9 9.4 刘园园,贺兴时.基于自适应萤火虫算法的B P神经网络股价 预 测 J.渭 南 师 范 学 院 学 报,2 0 1 9,3 4(2):8 7-9 6.5 赵广华,刘炜.多元回归模型在区域经济预测中的应用J.中国商贸,2 0 0 9(1 3):1 8 0-1 8 1.6 尹璐.基于GA-B P神经网络的股票预测理论及应用D.北京:华北电力大学(北京),2 0 1 0.7 许兴军,颜钢锋.基于B P神经网络的股价趋势分析J.浙江金融,2 0 1 1(1 1):5 7-5 9,6 4.8 张希影.基于遗传算法优化的B P神经网络股票价格预测D.青岛:青岛科技大学,2 0 1 4.9 韩金磊,熊萍萍,孙继红.基于L S TM和灰色模型的股价时间序列预测研究J/O L.南京信息工程大学学报(自然 科 学 版):1-2 22 0 2 3-0 1-3 1.h t t p:/k n s.c n k i.n e t k c m s d e t a i l/3 2.1 8 0 1.N.2 0 2 3 0 1 0 5.1 6 3 5.0 0 3.h t m l.1 0刘淳森,曲建升,葛钰洁,等.基于L S TM模型的中国交通运输业碳排放预测J/O L.中国环境科学:1-1 12 0 2 3-0 1-3 1.h t t p s:/d o i.o r g/1 0.1 9 6 7 4/j.c n k i.i s s n 1 0 0 0-6 9 2 3.2 0 2 2 1 2 0 7.0 1 0.1 1沈庙生,高更君.基于L S TM的短时高速公路交通量预测 J/O L.控 制 工 程:1-82 0 2 3-0 1-3 1.h t t p s:/d o i.o r g/1 0.1 4 1 0 7/j.c n k i.k z g c.2 0 2 1 0 9 0 2.1 2王兴隆,尹昊,贺敏.基于L S TM的机场飞行区活动目标潜在冲突预测J/O L.北京航空航天大学学报:1-1 52 0 2 3-0 1-3 1.h t t p s:/d o i.o r g/1 0.1 3 7 0 0/j.b h.1 0 0 1-5 9 6 5.2 0 2 2.0 5 0 5.1 3李丽萍,曾丽芳,江绍萍,等.基于L S TM神经网络的股票价格预测J/O L.云南民族大学学报(自然科学版):1-1 02 0 2 3-0 1-3 1.h t t p:/k n s.c n k i.n e t k c m s d e-t a i l/5 3.1 1 9 2.N.2 0 2 2 0 7 0 6.1 7 5 6.0 1 6.h t m l.1 4杨向前,欧阳鹏.基于VMD和A t t e n t i o n-L S TM的金融时间序列预测J.软件,2 0 2 0,4 1(1 2):1 4 2-1 4 9.1 5王凤芹,高龙,李瑛,等.基于L S TM的飞控系统状态监控J.海军航空大学学报,2 0 2 2,3 7(5):3 8 7-3 9 2.55第1期苏存娃等.基于L S TM的产能预测方法