1.一种基于LAE的井间连通性分析方法，其特征在于，包括以下步骤：A、对井组的历史注采数据进行数据清洗、无量纲化、时间序列划分、训练集测试集划分的数据预处理操作；所述数据清洗操作包括去除数据集中空值、重复值和异常值，无量纲化使用的方法为归一化，公式为：其中，x表示需要归一化的参数，x min 表示特征的最小值，x max 表示特征的最大值；使用滑动窗口方法对数据进行分割，时间窗口长度设为l，步长为1，将数据集分为N个时间序列；将数据集的70％划分为训练集，其余的30％作为测试集；B、基于预处理后的数据，使用LSTM编码器从输入的注水量序列中提取特征，LSTM解码器根据特征映射重构注水量序列；使用基于时间的反向传播算法以最小化重构误差作为训练目标训练LSTM-AE模型，不断优化模型参数以达到特征提取的目的，训练完成；所述LSTM-AE指的是LSTM自动编码器，工作过程如下，LSTM编码器用于从输入的注水量序列X t ＝{x t ,x t +1 ,…,x t+l-1 }中提取特征向量，将第t时刻的注水量x t 与第t-1时刻LSTM神经元的隐藏状态 进行拼接，输入第t时刻对应的LSTM神经元，编码后得到LSTM的隐藏状态 c为LSTM隐藏层的神经元数，LSTM第一个神经元初始化状态为c t-1 ＝h t-1 ＝0；编码器第t+l-1个LSTM神经元的隐藏状态 作为解码器的初始隐藏状态 通过解码器第t+l-1时刻对应的LSTM神经元的线性层运算，得到该时刻重构的注水量向量x′ t+l-1 ；将x′ t+l-1 和 作为第t+l-2时刻LSTM神经元的输入，获取解码器t+l-2时刻对应的LSTM神经元的隐藏状态 并输出重构向量x′ t+l-2 ，继续解码过程，直到重构完成，通过解码器重构出的注水量序列为X t ′＝{x′ t+l-1 ,x′ t+l-2 ,…,x′ t }；C、训练完成后，只保留LSTM编码器对输入的注水量序列进行编码，提取特征，输入全连接层，利用产液量真实值与预测值之间的误差训练全连接层权重参数，实现产液量的预测；D、将井组中各水井注水量作为敏感性分析的输入变量，应用全局敏感性分析法EFAST分析产液量预测模型输入变量的敏感性，通过模型方差的分解得到各水井注水量及水井注水量之间的耦合作用以计算参数敏感性指数，识别对生产井产液量影响显著的关键注水井，明确井间连通状况；EFAST方法为拓展傅里叶幅度敏感性检验法，是全局敏感性分析的方法之一；算法认为模型的方差是由输入参数以及参数之间的相互作用引起，通过进行方差分解求出各变量以及变量之间的耦合作用对模型的影响程度，以计算参数敏感性指数。
2.一种基于LAE的井间连通性分析装置，其特征在于，包括以下模块：数据预处理模块：用于对井组的历史注采数据进行数据清洗、无量纲化、时间序列划分、训练集测试集划分的预处理操作；所述数据清洗操作包括去除数据集中空值、重复值和异常值，无量纲化使用的方法为归一化，公式为：其中，x表示需要归一化的参数，x min 表示特征的最小值，x max 表示特征的最大值；使用滑动窗口方法对数据进行分割，时间窗口长度设为l，步长为1，将数据集分为N个时间序列；将数据集的70％划分为训练集，其余的30％作为测试集；基于LSTM-AE的产液量预测模块：使用LSTM编码器从输入的注水量序列中提取特征，LSTM解码器根据特征映射重构注水量序列；使用基于时间的反向传播算法以最小化重构误差作为训练目标训练LSTM-AE模型，不断优化模型参数以达到特征提取的目的；训练完成后，只保留LSTM编码器部分对输入的注水量序列进行编码，提取特征，输入全连接层，利用产液量真实值与预测值之间的误差训练全连接层权重参数，实现产液量的预测；所述LSTM-AE指的是LSTM自动编码器，工作过程如下，LSTM编码器用于从输入的注水量序列X t ＝{x t ,x t +1 ,…,x t+l-1 }中提取特征向量，将第t时刻的注水量x t 与第t-1时刻LSTM神经元的隐藏状态 进行拼接，输入第t时刻对应的LSTM神经元，编码后得到LSTM的隐藏状态 c为LSTM隐藏层的神经元数，LSTM第一个神经元初始化状态为c t-1 ＝h t-1 ＝0；编码器第t+l-1个LSTM神经元的隐藏状态 作为解码器的初始隐藏状态 通过解码器第t+l-1时刻对应的LSTM神经元的线性层运算，得到该时刻重构的注水量向量x′ t+l-1 ；将x′ t+l-1 和 作为第t+l-2时刻LSTM神经元的输入，获取解码器t+l-2时刻对应的LSTM神经元的隐藏状态 并输出重构向量x′ t+l-2 ，继续解码过程，直到重构完成，通过解码器重构出的注水量序列为X t ′＝{x′ t+l-1 ,x′ t+l-2 ,…,x′ t }；井间连通性分析模块：用于将井组中各水井注水量作为敏感性分析的输入变量，应用全局敏感性分析法EFAST分析预测模型输入变量的敏感性，通过模型方差的分解得到各水井注水量及水井注水量之间的耦合作用以计算参数敏感性指数，识别对生产井产液量影响显著的关键注水井，明确井间连通状况；EFAST方法为拓展傅里叶幅度敏感性检验法，是全局敏感性分析的方法之一；算法认为模型的方差是由输入参数以及参数之间的相互作用引起，通过进行方差分解求出各变量以及变量之间的耦合作用对模型的影响程度，以计算参数敏感性指数；数据预处理模块预处理后的数据输入到基于LSTM-AE的产液量预测模块中，经于LSTM-AE的产液量预测模块得到的各注水井的注水量作为井间连通性分析模块的输入变量，处理后得到井间连通状况。
