一种数据和模型融合驱动下基于深度强化学习的注水调控方法

本发明公开了一种数据和模型融合驱动下基于深度强化学习的注水调控方法，方法包括以下步骤：采集油田注采工况下的运行参数数据，并进行数据预处理；设计一种无模型注水调控策略，移除传统油产量预测模型，通过构建包含上述参数的状态‑动作空间直接基于环境状态生成注水动作；采用软演员‑评论家(SAC)算法与长短期记忆网络(LSTM)协同决策框架，利用LSTM捕获油藏参数时序规律为SAC提供状态预测，结合状态驱动的动态奖励函数优化井组的注水与采油联调；引入优先经验回放机制优化SAC训练，提高动作生成效率。本发明构建的模型显著降低计算复杂度、提高产油量并降低含水率，具有较高的实用价值与经济效益，尤其适用于复杂油藏条件下的注水调控场景。