基于BP神经网络的油田注采系统分析
基于遗传算法的BP神经网络在油田措施规划预测中的应用
络， 它被 分 成输 入 层 、 间层 （ 隐 含 层 ） 输 出层。 中 或 和
同层节 点间无关联 ， 异层节点 间前 后相连接。其 中 ， 输
为构建 油 田措施规 划预 测模型理想 的技术手段。Ａ Ｎ Ｎ
通过对历 年措施 数据样本 的学 习， 自动获得最佳 逼近 样 本数据 规律 的函数 ， 需数学物理模 型和 人工干预 无
时， 该网络就可 以应用于实际预测工作 中了。 实现油田措施规 划的预测 ， 首先要 根据 已有 的措 施数 据 和 措 施 产 量 构 建 预 测 模 型 。人 工 神 经 网络 （ Ｎ 以其在对 非确定性 、 Ａ Ｎ） 非规则性数据 ， 特别是带噪 音的、 杂乱的非线性数 据处理 方面强大 的处 理功能 ， 成
计算输 出层神经元输 出
传 变异等 生物机 制的全局性概率搜索算法。主要特 点
是采 用整体 搜 索策略 ， 索不依赖 梯度信息和 求解 函 搜 数可微 ， 只需 函数 约束 条件 下可 解 ， 因此 具有 自适 应 、
计算输 出层神经元误差
全局优化和 隐含并行性等优 点。
计算 隐层神经 元误差
制了 Ｂ Ｐ神经 网络 的进 一步应 用 ， 用遗 传算法来优化 而 Ｂ 神 经网络可克服上述缺点达到理想 的效果。 Ｐ
网络初始化
输 入学习样本
３ 遗传算 法优 化预测模型
基于BP神经网络的油气田站场管道安全预警方法
基于BP神经网络的油气田站场管道安全预警方法
赵捍军;张啸枫;赵瑞东;朱梓文;徐晴晴
【期刊名称】《油气田地面工程》
【年(卷),期】2024(43)4
【摘要】油气田站场管道承担着接收、增压、分输、清管、计量等具有高度危险性工作,一旦管道出现异常状况容易引起重大燃烧和爆炸事故,因此对油气田站场管道状态进行监测及安全预警十分重要。
利用基于BP神经网络的状态监测数据处理方法,首先确定油气田站场管道应变数据作为状态监测指标,采集油气田站场管道的应变监测数据,通过BP神经网络进行仿真实验,获得并验证管道应变预测模型,利用控制图理论筛选出异常数据并对异常数据分类分级,同时依据危险等级类别进行安全预警并制定预案。
该方法在风险发生初期就能发现异常状态数据,从而有针对性地采取相应的安全对策,以防止危险事故的发生。
【总页数】8页(P33-40)
【作者】赵捍军;张啸枫;赵瑞东;朱梓文;徐晴晴
【作者单位】中国石油勘探开发研究院;中国石油油气和新能源分公司采油采气工艺处;中国石油大学(北京)安全与海洋工程学院应急管理部油气生产安全与应急技术重点实验室
【正文语种】中文
【中图分类】TE9
【相关文献】
1.油气田管道及站场完整性管理体系构建及融合方法
2.三精管理法在油气田管道和站场完整性管理中的运用
3.油气田管道和站场建设期完整性管理研究与应用
4.以数据流为契机探索油气田管道和站场完整性管理策略
5.油气田站场管道焊缝CR检测技术应用
因版权原因，仅展示原文概要，查看原文内容请购买。
嵌套BP神经网络及其在油气产能预测中的应用
科 学项 目（Ｏ ６ １ ） 国 家 自然科 学 青 年基 金 资 助 项 目（０ ０ ０ ４ ； 学 地 质 四 川 省 重 点 实验 室 开 放 基 金 ２ Ｏ Ａ１ ４ ； ４９４３）数
资助 项 目（ Ｃ Ｘ Ｚ ０ ９ １ ） Ｓ Ｓ Ｄ ２ ０ ０ ６
［ 者 简 介 ］詹 泽 东（ ９ ６ ） 男 ， 士 生 ， 究 方 向 ： 震 勘 探 、 井解 释 及 软 件 工程 ，Ｅｍａｌｓｐ ｒｚ＠ ｇ ｉ ｃｒ。 作 １８ － ， 硕 研 地 测 － ｉ ｕ ｅｚｄ ｍａ ．ｏ ： ｌ ｎ
Ｂ Ｐ神经网络相 结合 ， 实现模式识别 与函数拟合 一体化 ， 具体化 为嵌套 Ｂ Ｐ神经 网络， 用于油 并
气产 能 预测 。 实例 验 证 结 果 表 明 ， 套 Ｂ 神 经 网络 与 Ｂ 神 经 网 络 相 比 较 具 有 收 敛 速 度 快 、 嵌 Ｐ Ｐ
预测精度高 、 结果有效性高并具有并行运算 的特点 ， 为处 理现代 化 的海量数据 提供 了构 架体
原状 底层 电 阻率 和 冲洗带 电阻率表 征储 层流 体流
动能 力 ， 而评 价储 层产 能ｌ ， 进 ２ 预测 效果并 不 非 常 ］
理想 。为此 ， 们 提 出 了基 于 Ｂ ］ 人 Ｐ算 法 来 预 测 油气 储层 产 能 ］ 但 单 一 的神 经 网络 功 能模 块 具 ， 有一 定 的局 限性 ， 不仅精 度受 到 限制 ， 而且泛 化 问 题 ｒ 也难 以得 到 有 效 的 解 决 。本 文 利 用 Ｂ ５ Ｐ神
第３卷 第 ４ ８ 期
２ １ 年 ８月 ０ １
成都 理 工大 学学 报 （ 自然科 学版 ）
Ｊ Ｕ Ｎ Ｌ ＦＣ Ｅ Ｇ ＵＵ Ｉ Ｅ Ｓ ＹＯ Ｅ Ｈ Ｏ Ｏ Ｙ（ｃｎｅ ｅ ｎ ｌ ｙ ｄｉ ） Ｏ Ｒ Ａ Ｈ Ｎ Ｄ Ｎ Ｖ Ｒ Ｉ ＦＴ Ｃ Ｎ Ｌ Ｇ Ｓｉ ｃ ＆Ｔ ｃ ｏ ｇ Ｅ ｉ ｎ Ｏ Ｔ ｅ ｈ ｏ ｔ ｏ
BP神经网络在油井示功图识别中的应用
BP神经网络在油井示功图识别中的应用摘要：在油井的管理中，对实时的示功图数据进行识别可以及时的发现抽油机井的异常情况，并及时的采取对应的措施，可以大幅度提高生产效率。
伴随自动化技术在油田的应用，可以采集到油井的实时生产数据，而传统的凭借采油工经验识别功图的方法已经不能满足现场应用需求，论文应用不变矩理论对十七种典型泵故障示功图形状分析，建立了神经网络训练样本库，使用神经网络方法识别油井示功图达到工况诊断的目的。
现场实施的结果显示该方法切实可行，具有一定的理论意义和实践价值。
关键词：示功图；BP神经网络；不变矩0 引言目前国内大部分油田识别示功图的方法还是凭借采油工的现场经验，这种方法具有很大的随机性。
由于监测抽油机井获取的实时生产数据过大，传统的凭借采油工经验的识别方法已经不符合现代油田数字化建设模式。
因此，如何利用远程监测系统采集的海量数据，进行准确的油井工况识别，及时采取生产措施是亟待解决的问题。
1 功图量油技术概况1.1 功图量油概述把抽油机井的有杆泵抽油系统视为一个的振动系统，通过建立波动方程，计算在井口条件下的泵示功图[1]。
对泵示功图进行平滑去噪、归一化分析等处理，可以判断得到阀开闭点位置，进而得到有效冲程，计算出泵的排液量，使用井口混合物体积系数，折算出地面的油井产量。
1.2 功图量油应用概况国内油田中，大港油田首先使用功图量油法计算油井产液量。
随后很快在吐哈油田，延长油田，大庆油田，等都取得了不错的效果。
长庆油田的《功图法油井计量装置》于2008年获国家发明专利。
功图量油技术发展到后期的主要侧重点由产液量计算转移到通过示功图对油井进行工况诊断。
2 BP神经网络识别示功图2.1 典型示功图特征样本库2.1.1 Hu不变矩在图形图像像素一定的条件下，Hu的7个不变矩具有图像旋转、平移和尺度变化都保持不变的特性。
这种特性使得其很够很好的识别一般图形图像，因而在图像识别的很多方面广泛使用[2]。
基于神经网络和遗传算法的采油控制系统
第36卷 第1期吉林大学学报(工学版) Vol .36 No .12006年1月Journal of J ilin University (Engineering and Technol ogy Editi on ) Jan .2006文章编号:1671-5497(2006)01-0082-005收稿日期:2005206207.基金项目:吉林省科技发展计划项目(20040532).作者简介:李英(1978-),男,博士研究生.研究方向:可重构机械臂控制.E 2mail:liyings mart2004@yahoo 通讯联系人:李元春(1962-),男,教授,博士生导师.研究方向:复杂系统的建模与优化,机器人控制.E 2mail:liyc@e mail .jlu .edu .cn基于神经网络和遗传算法的采油控制系统李 英,李元春(吉林大学通信工程学院,长春130022)摘 要:为了解决部分抽油机“长期相对轻载”和“空抽”的问题,采用抽油机间歇采油控制方法对采油控制系统进行了设计。
利用非线性规范化方法的非线性同伦BP 神经网络对采油模型进行辨识,采用遗传算法优化停机时间。
该控制系统在油田中的实验结果表明,在保证了采油量的前提下,节电率达30%以上,实现了抽油机采油的智能控制。
关键词:自动控制技术;非线性同伦;神经网络;遗传算法;采油控制系统中图分类号:TP273 文献标识码:AO il Pu m p i n g Con trol System Ba sed on Neura l Networkand Geneti c A lgor ithmL i Ying,L i Yuan 2chun(College of Co mm unication Engineering,J ilin U niversity,Changchun 130022,China )Abstract:I n order t o s olve the p r oble m s of l ong 2ter m light 2l oad and idle pump ing that many oil wells faced,a contr ol syste m t o operate the oil pump inter m ittently was devel oped .It is based on nonlinear homot op ic BPneural net w ork with nonlinear nor malizati on method t o identify the oil pump ing model,and the genetic algorith m t o op ti m ize the downti m e .The s pot test of the contr ol syste m showed that up t o 30%of the energy -saving rate was achieved under the guaranteed oil out put and the intelligent contr ol of the oil pu mp ing was realized .Key words:aut omatic contr ol technol ogy;nonlinear homot opy;neural net w ork;genetic algorithm;oil pu mp ing contr ol syste m0 引 言近年来,对油田抽油机智能控制的研究已经成为热点。
一种基于BP神经网络的调驱增油预测方法
镁离子含量以及模拟油黏度 ） ． （） ３ 与注 入 剂 相 关 因素 （ 注入 剂 的黏 度 、 度 、 浓
相对 分子 量 、 与地 层 配伍 性 、 面张 力 ， 界 以及 阻 力 系
数和残余阻力系数 ） ． （） ４ 与注人情况相关 因素 （ 注人 Ｐ Ｖ数 、 注入时 机 以及相 应水 驱采 收率 ） ．
Ａ平台水源井水 ， 矿化度为 ４００ｍ ／ ． ０ ｇＬ
２３ 物理模型 ． 根据南堡油 田Ａ １ ２ 井和 Ｂ ７井的测井资料 ， １ 确 定各小层的渗透率、 孔隙度和小层厚度等相关参数 ， 并利用物理相似原理 ， 采用石英砂环氧树脂胶结的 方法制成实验中所使用的物理模型． Ａ１ ２ 井为层内非均质模型， 几何尺寸 ： Ｘ × 高 宽 长 ＝ ． ｃ ４ ５ｅ ３ ｍ 包括高、 低 ３ ４５ ｍ× ． ｍ ｘ ０ｃ ． 中、 个渗 透层 ， 其渗 透率分别为 ３５０×１ ～ ｍ 、 ０ ０ ０ ２２０× １～ ｍ Ｏ 和 ８０×１ 。 ｍ ， ０ ０。 各小 层厚 度 为 １５ｃ ． ｍ、 ２０ａ ． ｍ和 １０ｅ ； １ ． ｒ Ｂ ７井为层内非均质模型 ， ａ 几何
摘 要 ： 驱后 增 油效果预 测是 调驱 措施 决策 和方 案优化 设计 的 重要 内容 ． 过 室 内岩 心物理模 拟 实 调 通
验参数 ， 分析 了调驱增油效果及其影响 因素 ， 建立了基于物理模拟参数为学习样本的调驱效果 Ｂ Ｐ 神 经 网络 预测模 型． 方法对 于渤 海 南堡 ３ 此 ５—２油 田 Ａ １和 Ｂ ７井预 测 结果 与 实际调 驱 增 油量 统 ２ １
始 含油饱 和度和非 均质 变异 系数 ） ．
程 由信号的正向传播和反向传播 ２个过程组成． 正 向传播时 ， 输入样本由输入层进人 ， 经隐层处理后传
BP神经网络在预测石南31油田产量变化中的应用
Ｏ
Ｂ Ｐ神 经 网 络在 预 测 石 南 ３ 油 田 １
产量 变化 中 的应 用
韩 荣 祁 大 晟 ， ， 吴赞 美 闰更 平 ，
（． １ 中国石油大学 （ 北京） 北京 ， １ ２ ４ ；． ０ ２ ９ ２ 中石油塔里木油 田勘探开发研究院 ， 新疆 库尔勒 ８１０） ４ ０ ０
具 事 故 的 再 发 生 。 取 以 上 措 施 后 ， 过 ３年 的 跟 踪 采 通 分 析 ， 原 油 田 井 下 钻 井 二 队 在 白音 查 干 探 区钻 井 中 ２ ８口 ， 计 进 尺 ４ ６ ９ ２ 再 无 钻 具 失 效 事 故 发 生 ， 累 ３ ６．ｍ
达到 了 预期 的效果 。
［ 考 文献 ］ 参 ［１ 罗 伟 ， 迎 进 ． 尔 多 斯 盆 地 钻 具 失 效 分 析 ］ 张 鄂 ［］ 石 油 地 质 与 工 程 ，０ ７ ２ （ ） Ｊ． ２ ０ ，１ ４ ．
收稿 日期 ：ＯＯ ３ ５ ２ｌ～０—２
作者简介 ： 韩荣 （９ ２ ） 女 ，０ ６年毕业于中 国石油大 学（ １８－ ， ２０ 华东）现 为 中国石 油大学（ ， 北京） 气田开发 工程专 业在读 油
４ 结 论 通 过 对 白音 查 干 探 区 钻 井 应 用 过 程 中 出 现 的 钻 具 破 坏 失 效 情 况 的 全 面 的 分 析 ， 本 弄 清 楚 白 音 查 基 干 探 区 钻 井 钻 具 破 坏 的 主 要 规 律 ， 具 失 效 形 式 以 钻 断 裂为 主 ， 使用 牙 轮钻 头钻进 钻具 失效 频率 高 ； 以 钻 杆 断 口多 呈 现 腐 蚀 疲 劳 和 应 力 腐 蚀 特 征 ， 钻 铤 断 而 口规 则 ， 现 为 疲 劳 断 口特 征 ； 后 初 步 给 出 了 预 防 表 最 该 区 域 钻 具 失 效 的 ５项 技 术 对 策 ， 效 防 止 了 断 钻 有
基于长短期记忆神经网络的油田新井产油量预测方法
基于长短期记忆神经网络的油田 新井产油量预测方法
侯春华
（中国石化胜利油田分公司 勘探开发研究院，山东 东营 257015）
摘要：针对油田常用人工智能产油量预测方法无法考虑数据在时间上相关性的问题，提出了采用基于长短期记忆
（简称 LSTM）神经网络的油田新井产油量预测方法。在分别介绍反向传播（简称 BP）神经网络、循环神经网络（简称
经网络的预测方法可以作为一种新的人工智能方法用于油田新井产油量的预测，为准确预测油田新井产量，指导
油田开发决策提供了一种新的方法。
关键词：新井产油量预测；LSTM 神经网络；网络训练；数据预处理；相关性
中图分类号：TE32+8
文献标识码A
New well oil production forecast method based on long-term and short-term memory neural network
第 26 卷 第 3 期 2019 年 5 月
油气地质与采收率 Petroleum Geology and Recovery Efficiency
Vol.26, No.3 May 2019
文章编号：1009-9603（2019）03-0105-06
DOI：10.13673/37-1359/te.2019.03.014
·106·
油气地质与采收率
2019 年 5 月
诸多种方法，主要可以概括为基于单因素的预测方 法和基于多因素的预测方法［1-9］。其中，基于单因素 的 预 测 主 要 采 用 曲 线 拟 合 法 ，往 往 只 考 虑 时 间 因 素；基于多因素的预测考虑了开发指标与其他相关 影响因素的关系，一般有多个输入变量和 1 个输出 变量。近年来，随着人工智能算法的进步，人工智 能预测方法逐渐应用于油田新井产油量预测。人 工智能算法可以较好地对复杂的非线性函数映射 关系进行描述，对数据中的特征进行挖掘和学习， 从而将数据转换为更高层次的表达，拟合和预测效 果均较好。目前在油田新井产油量预测中使用的 人工智能算法主要有支持向量机回归和反向传播 （简称 BP）神经网络［10-13］，但这 2 种方法无法考虑数 据 在 时 间 上 的 相 关 性 ，并 且 对 自 变 量 的 选 择 较 敏 感。为此，笔者采用改进的循环（简称 RNN）神经网 络，即基于长短期记忆（简称 LSTM）神经网络对油 田新井产油量进行预测，该方法不仅可以考虑相关 因素对产油量的影响，还能考虑数据在时间上的相 关性，预测精度高，适应性强，可作为一种新的方法 应用于油田新井产油量预测。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
工 艺方案 的优 化设计 。本文通 过 多层 前馈 神 经 网络 理论 ， 建立 了地层 压 力预 测 的 Ｂ Ｐ神 经 网络模 型 ，
使 ｌ前常用的油田注采 系统分析的机理模型转 变为功能型模型 ， 而无须刻意研 究注采过程 中复杂 ｆ 从 的流动 机理和 非 活塞式径 向水驱 油过 程 ， 而方便 地 对 一 ｗｊ ｔ＋ ． ｐ ｄ ｗｊｔ 一 ｗｊ ｔ ｉ＋ ） （ ｉ） ｒ ｊ ［ ｉ） （ ７ ＋ Ｙ （ ｉ 一 （ １］ ） 式中 ： （） ５
预测（ 推广） 阶段。在训练或学习阶段 ， 反复向神经网络 提供一系列输入一输 出模式对 ， 通过不断调整节点之间 的相互连接权重 ， 至特定 的输入产生 出所期望 的输 直 出 。通 过这些 活动 ， 神 经 网络学会 正确 的输 入 一输 出 使 响应行 为 ， 而对未 知样 本进行 预报 。 从 为了训练 神经 网络 ， 调 整 权 重 因 子 ， 至 基 于给 要 直 定 的输入 所得 到 的输 出模 式 （ 应 ） 所 期 望 的关 系相 响 与 匹配为止 。学 习是 根 据 尝 试 法 调 整 权 重 因子 的 过 程 。 训练过 程产生 一个既 稳定 又收 敛 的神经 网络 。因此 ， 收
单元组成层， 将其相互连接起来 ， 并对连接进行加权。 最后 ， 从输 出层 的节点 给 出最终 结 果 ， 而形 成 神经 网 从 络结 构 。
行， 再次训练样本， 不仅成本低 ， 而且能满足实际需要 。 １ Ｂ Ｐ神 经 网络 模型 的基 本理 论［ ３ 神经 网络 由大量 的神 经 元 （ 即神 经 细 胞 ） 行 连 接 并 组成 。每 个神经 元 有 一输 入 矢 量 Ｘ， 与权 重 因子 ｗ 通
７ ５
工神 经网 络 ， 便 进 行 处 理 。 隐 含层 接 收 输 入 层 的 信 以 息 ， 所有 的信息进 行 处 理 ， 个 处 理 步骤 用 户 是 看 不 对 整 见 的 。在输 出层接 收神 经 网络处理 后 的信 息 ， 结果 送 将
到外 部接收 。 神经 网络 的运 行分 为两个 阶段 ： 练或 学 习阶段 和 训
注水开 发油 田的 注采 系统 是 一 个 十 分 复杂 和 庞 大
过 函数 ｆ 进行 抑制或 激活作 用 ， 去 内部 阈值 ０ 减 后得 到 输 出值 Ｙ， ： 即
Ｙ— ｆ ∑ｗ Ｘ—ｅ） ｊ （ （） １
的动态系统 ， 其变化规律常常难以掌握 ， 一般建模有两 条途径， 一是机理型的 ， 即解析模型 ， 是在系统机理完全 清楚 的前 提下 所建立 的一 种确定 性模 型 。二 是功 能型 ， 是指在系统机理不清楚或不完全清楚的条件下， 由统计 意义 所建立 的模 型Ｌ 。 】 ］ 目前 ， 田上 所使 用 的对 油藏 开采 的模 型主要 是机 油 理 型的 ， 它是 指根 据 油藏 系统 变 化 的特 征 ， 先建 立 物 理 模型， 再根 据物理 模型 的变 化规 律 ， 究 实 际 油藏 的变 研 化， 由数学 模型描 述油 藏 状 态 的基 本 偏微 分 方 程 组 ， 再 进行离散数值化求解 ， 获得油藏状态的离散性。这都要 求对油藏状态运行机理有较清楚的认识 。 要想建立准确的机理模型 ， 需有准确的各种地层参 数做基础， 但这往往要等到油 田开发的后期才能取全取 准， 现实意 义 已经 不 大 。而神 经 网 络理 论 的 发展 ， 特别 是 １８ 年 Ｒｕ ｌａｔ 出 的反 向传 播 算法 （ Ｐ 【 ， ９５ ｍｅ ｒ提 ｈ Ｂ ） 及 时地 为功 能型模 拟 提供 了理 论基 础 。它可 以在 油 田开 发 的各个 阶段 ， 据 已经获得 的测试 数据做样 本训 练 即 根 可 ， 影响 注采 的可控 参 数 做 输 入 ， 将 系统 的状 态 响应 做 输出， 建立神经网络模型 。及 时调整可控参数 ， 合理开 发油田。随着 测试参数 的增 多， 这种 训练还可继续进
维普资讯
７ ４
西部探矿工程
２ ０ 年第 ２ ０８ 期
基于 Ｂ Ｐ神 经 网络 的油 田注采 系统 分析 ①
王俊奇 陈军斌 徐永 高 ， ，
（－ 安石 油大 学石油工 程 学院 ， 西 西安 ７０６ ； ． １西 陕 １０ ５ ２ 中国石 油长庆 油 田油气院 ， 陕西 西安 ７００ ） １０ １
为使 训 练更 有 效 ， 中 函数 ｆ 其 常取 Ｓ ｍ ｉ ｉ ｏｄ函 ｇ
数 。
Ｂ Ｐ神经 网络是 由大量 神经 元相互 连接 而成 。它分 为输 入层 、 隐含层 和输 出 层 。结 构 如 图 １所示 ， 每一 节 点 的输 出被送 到下 一层 的所 有 节点 。通 过将 这 些处 理
庆油田 １ ７口井的分析表明， 计算结果与实际具有很好的一致性。从 而为油水井工艺的调整提供 了 科 学的依据 ， 油 田提 高 开发 效果 和管理 水平 具有积 极 的作 用 。 对 关键 词 ： 田； 经 网络 ； 油 神 注采 ； 析 分
中图分类 号 ： ３ 文 献标识 码 ： 文 章编 号 ：Ｏ ４ ５ １ （０ ８ Ｏ 一 Ｏ ７ 一Ｏ ＴＥ Ｂ １ ０— ７ ６ ２ ０ ） ２ ０ ４ ４
．
输 入 节 点
隐 节 点
图１ Ｂ Ｐ神经网络结构 图
输入层 主要是从外部接收信息并将此信息传人人
①
基金项 目： 西安石油大 学科技 基金（ ． Ｓ ９ ３４ ６ 资助 。 Ｎｏ Ｙ ２ ０ ０ ０ ）
维普资讯
２０ ０８年第 ２ 期
西部 探矿 工程