基于BP神经网络的油田生产动态分析方法
GM_1_1_与BP神经网络组合模型在原油产量预测中的应用
a u
T -1 T = ( B B) B y
( 3)
-
1 ( 1) ( 1) [ x ( 1) + x ( 2) ] , 1 2
; y =
B =
1 ( 1) ( 1) [ x ( 2) + x ( 3) ] , 1 2
x x x
( 0) ( 0)
( 2) ( 3) ( i)
. 3192 . 0418 - . 3261 . 026 - . 1615 - . 418 . 0169 . 5235
计算结果
57. 088 49. 129 45. 594 42. 182 39. 336 37. 216 35. 747 34. 772 35. 473 33. 728
期望值 ,对 B P 神经网络进行训练 , 得到相应的权 值和阀值 。训练步骤如下 。 1 ) 连接权值初始化 : 网络训练开始时连接权 值为未知数 ,一般用较小的随机数作为各层连接权 值的初值 。
© 1994-2010 China Academic Journal Electronic Publishing House. All rights reserved.
x
( 1)
( 0) -
u - ai u e + a a
) i = (0 , 1 , 2 , …
( 5)
5 ) 求得 x
( 0)
的灰色预测模型 :
) i = (0 , 1 , 2 , …
( 0) ( 1) ( 1) ^ x ( i + 1) = ^ x ( i + 1) - ^ x ( i)
( 6)
c) 将预测值作为输入量 , 原始产量数据作为
基于BP神经网络的油藏流场评价体系研究
块 Leabharlann 油 气 田 ２１ ０ ２年 ５月
第 １ ９卷 第 ３期
Ｆ Ｕ ． Ｂ ０ Ｋ ０Ｉ Ａ 【 — Ｌ Ｃ Ｌ＆ Ｇ Ｓ Ｆ Ｅ Ｄ Ｔ Ａ Ｉ Ｌ
文章 编 号 ：０ ５ ８ ０ （ ０ ２ ０ －３ ９ ０ １ ５ — ９ ７ ２ １ ） ３０ １ － ４
基于 Ｂ 经 网络 的 油藏 流 场评 价体 系研 究 Ｐ神
ｉ ｔｒ ｏ ｄ ｎ ｉ ｅｄ ．Ｒｅ ｅ ｖ ｉ ｐ ｒ ｓ ｙ ａ ｄ ｐ ｒ ａ ｉ ｔ ｌ ｉ ｃ ｅ ｓ ，ｄ ｍｉ ａ ｔ ｆ ｗ ｆ ｌ ｌ ｂ ｏ ｍｅ ，ｔ ｅ ｎ ａ ｉ ｎ ｗａｅ ｆ ｏ ｉ ｇ ｏｌ ｌ ｓ ｌ ｉ ｆ ｓ ｒ ｏｒ ｏ ｏ ｉ ｎ ｅ ｍｅ ｂｌ ｙ ｗｉ ｎ ｒ ａ ｅ ｏ ｎ ｎ ｌ ｅｄ ｗｉ ｅ ｆ ｒ ｄ ｈ ｉｖ ｌ ｔ ｉ ｌ ｏ ｉ ｌ ｄ ｃｒ ｕ ａ ｉｎ ｏ ｔｒｗ ｌ ｏ ｃ ｒａ ｄ ｄ ｖ ｌｐ ｎ ｆ ｃ ｉ ｅ ｒ ｄ ｃ ｄ Ｉ ｉ ｏ ｒａ ｍｐ ｒ ｎ ｅｔ ｃ ｕ ａｅ ｙｉ ｄ ｎ ｉ ｎ ｌｓ ｉ ｉ ｌｔ ｆ ｃ ｏ ｗａｅ ｉ ｃ ｕ ｎ ｅ ｅｏ ｍｅ ｔｅｆ ｔｗ ｌ ｂ ｅ ｕ ｅ ． ｔ Ｓ ｆｇ ｅ ｔｉ ｏ ｔ ｃ ｏ ａ ｃ ｒ ｔｌ ｎ ｅ ｔ ｙ ａ ｄ ｃａ ｓｆ １ ｅ ｌ ａ ｆ ｙ
基 金 项 目 ： 家科 技 重 大专 项 “ 低 渗 透 油藏 有 效 补 充 能 量 开发 技 术 ” ２ ０ Ｚ ０ ０ ３ 国 特 （０ ８ Ｘ ５ １ ）
摘
要 室 内试 验 及 矿 场 测 试 均 显 示 ， 注水 开发 油 田储 层 参数 会 随 注 水 冲 刷 而发 生 变化 ， 层 孔 隙度 及 渗 透 率 均 会 增 大 ， 储
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。
20-基于遗传算法的BP神经网络油田产量预测模型研究
累积产 液/104t
0.00 0.62 -0.91 -0.50 0.90
-0.10 0.62 -0.93 -0.49 0.89 0.15 0.62 -0.89 0.02 0.71 -0.45 0.31 -0.94 -0.72 0.95 -0.75 -0.69 -0.68 -0.80 -0.88 0.50 0.00 -0.67 0.19 0.10 0.60 0.92 -0.87 0.95 0.54 -0.65 -0.62 -0.70 -0.84 -0.96 0.30 -0.15 -0.65 0.02 -0.04 -0.25 -0.31 -0.74 -0.31 -0.61
5210 4720 5361 412 3063 4258 192 2691 1150
3233 4884 3577 1548 3814 6266 657 2625 1617
3981 508 3348 676 4211 531 304 452 2082 657 2909 692 103 289 1796 708 728 671
产指标预测
传统研究方法：物质平衡法；水驱特征曲线法；产量递减法。 局限性：前提假设较多，多为经验性的公式且考虑的影响因素较少。 常用研究方法：以数值模拟为载体，以优化理论为指导的注采优化方法。 局限性：必须建立数模模型，计算量大，耗时耗力。
机器学习法：以油田积累的大量历史数据为基础，寻找数据内在的联系与特征。
BP网络的问题： (1) 该学习算法的收敛速度慢； (2) 网络中隐含层节点个数的选取尚无理论上的指导； (3) 从数学角度看，BP算法是一种梯度最速下降法，这就可能出现局部极小的问题。 当出现局部极小时，从表面上看，误差符合要求，但这时所得到的解并不一定是 问题的最优解，所以BP算法是不完备的。
基于BP神经网络的油井出砂预测
率 系数 ；
为训 练 因子 ； 与 的取值 范 围为０ ０～ ｉ ．ｌ 。
对 每一 个样 本重 复 上述规 则 ，当 网络 中的连 接权 重和 闽值 调整 到使 Ｅ
小 于 给定 的允 许 误差 后 ，即 完成 了网络 的 训练 过程 。利 用 训练 好 的网络 ，
３ ２模 型 的建 立 本课 题 为 建立 油 井 出砂 的 预测 模 型采 集 了包含 ６ 预 测 参数 的４ 个预 个 ０
测样 本 ， 以６ 预 测参 数 作 为输 入 层 的神 经 元 ；输 出的 实际 情况 为 是 否 出 个 砂 。通 过运 用神 经 网络 方 法对 样 本进 行 处 理 ，即 可得 到 因变 量Ｙ 输 出 ） １（ 与 自变 量 （ 输入 ）ｘ，Ｘ，Ｘ，Ｘ ｘ，Ｘ之 间 的 非线 性关 系 。然 后调 整算 ｌ ２ ３ ４，５ ６ 法来 训练 Ｂ 网络 ，Ｂ 网 络有 三层 ，即输 入 层 、隐含 层 和输 出层 。隐含 层神 Ｐ Ｐ 经元个 数 起初 设定 为２ ，最 大训 练循 环 次数为Ｍ ｘ ｅｏ ｈ２ ０ ，期望 误差最 ａ ｐ ｃ＝ ００ 小值 ｅｒ ｇａ ＝． ０ ，但 经过 不 断 的训 练 ，可 以看 出当隐 含层 神 经元 个数 ｒ ｏ ｌＯ ０ １ 为１ 时得 到 的实 际结 果 与期 望结 果 的吻 合性 最 好 。因此 ，经过 连续 训 练可 ４
ｌ ： ｘ ， ＝ １２，， ， ｉ ， ３ … Ｎ
／
ｉＩ ＝
存 ，然后 运 用Ｍ ＴＡ ￣经 网络工 具 箱对 其进 行 调用 处 理 。而此 数据 的选择 ＡＬ Ｂ 是 直 接 采 用 神 经 网 络 进 行 模 拟 。 利 用 ｉ ｉｆ 函 数 对 网 络 初 始 化 ． 用 ｎｔ ｆ 运 ｔａｎ 数 训 练 神 经 网 络 ， 通 过ｎ ｗ ｆ ｒ ｉ函 ｅ ｆ 函数 对 刚络 进 行 仿 真 ， 输入 层 采 用
人工神经网络技术在油气田开发中的应用综述
人工神经网络技术在油气田开发中的应用综述作者：吴霄杨若谷余情李静嘉来源：《数码设计》2017年第01期摘要：油气田开发过程中存在复杂的、多事件激励的工况诊断和产量预测问题，而传统的解决方法存在一定的局限性。
人工神经网络技术作为一种非线性方法，具有信息融合、综合预测、分类等功能，对于这些问题有较好的适用性。
因此，国内许多学者将人工神经网络技术引入油气田开发中，利用其独特的性质，有效提高工况诊断及产量预测等的效率和准确性。
本文对人工神经网络技术在油气田开发中的应用进行了综述，介绍了各项应用的网络结构及学习算法，并且对BP神经网络存在的问题及改进进行了综述。
关键词：人工神经网络；综述；工况诊断；预测中图分类号：TE3文献标志码： A文章编号：1672-9129（2017）01-0018-03Abstract：Complex and multi event incentive problems such as working condition diagnosis and prediction of production exist in the development of the oil and gas， while there are some limitations in the traditional method. As a nonlinear method， the artificial neural network， with the function of information fusion， integrated forecasting and classification， is applicable for such problems. Therefore， domestic scholars introduce the technology of artificial neural network into the development of the oil and gas， and improve the efficiency and accuracy of working condition diagnosis and prediction of production by taking advantage of its unique properties. This paper reviews the application of artificial neural network technology in oil and gas field development，introduces the network structure and learning algorithm of the application， andsummariesthe problems and improvement in BP neural network.Keywords：artificial neural network； review； working condition diagnosis； prediction引言随着数字油田建设的不断向前推进，油气水井的数据自动采集、生产可视化等技术逐渐普及，极大的丰富了油气田开发过程中的评价、诊断、优化、预测的数据来源。
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
BP
须 向其输人多组成对的输入层和输 出层数据 ，使其 在 已有数 据 中得 到训 练 ，从而 建 立模 型 ，运用 到 系 Ｂ Ｐ 神经 网络作 为人工神经 网络的种类之 一 ， 统 的后 续 计 算 中 。Ｂ Ｐ神 经 网络 具 有 以 下 优 点 ：① 它是一种向后传播的网络模式 ，可完成各种非线性 收敛性强 ；②学习能力强 ，可适应多种工作需求 ； 连续映射的任意近似 ， 对于识别作业模式、诊断施 ③并行处理能力强 ，速度快 ，稳定性好 ；④容错改 工方 式 方 法 有 较好 的应 用 效 果 。Ｂ Ｐ神经 网络 基 于 错能 力强 ，处 理结 果可 靠性 强 。 改 良的Ｄ ｅ ｌ ｔ ａ 规则 ，运用最小误差学习法 ，使其适
田生产数据的使用情况分为两类 ：无需油 田生产数
据 的方 法和需 要 油 田生产数 据 的方法 。无 需油 田生
Ｙ
产数据 的方法主要包括类 比法 、实验法 、经验公式
和 图版 法 、水动 力学 概算 法等 ；需要 油 田生 产数据 的方法 主要 包括 油 田数值模 拟 法 、特征 曲线 法 、产
ห้องสมุดไป่ตู้
络模型 ，并使用数据集现有资料训练这一系列的网
３ 应用 实例
以某油 田区块 ３ 号井 为例 ，验证 Ｂ Ｐ 神经 网络 络模型 ；第三 ，融合 网络使之有机结合在一起 ，建 在 生 产 动 态 分 析 方 面 的应 用 效 果 。该 区块 共 有 １ ５ 立油 田范 围 内的处理 模 型 ；最 后 ，运用 已建 立 的模 口井 ，生 产 时长 １ ２ 个 月 ，共 收集 数据 样 本 １ ５ Ｘ １ ２ ＝ 型进 行 生产 动态 分析 预测 。 １ ８ ０ 条 。将 数 据 样 本 分 为 三 类 ：基 础 样 本 １ ４ ０例 、 ２ ． １ 建立 数据 集 校正样本 ２ Ｏ 例 、验证 样本 ２ ０ 例 。以 目前 油 田区块 数据集主要是指油 田处理 目的井与其相邻井的 产油速度为输 出参数 ，以生产压差 、孔渗饱和率等 各种数据集合 ，主要包括油 田静态生产数据 、动态 参 数 为输人 参 数建 立 生产 动态 分 析预 测模 型 。 网格 生 产 数 据 以及 两 者 之 间 的时 间 、空 间 内 的相 关 性 。 训练误差不超过 ０ ． ５ ％， 误差均值在０ ． ３ ７ ％左右。 油 田静 态数 据是 指 与生产 无关 的油 田 固有参 数 ，生 运 用 该模 型进 行 产 油 速度 分 析 预测 ，以 区块 ３ 产 动态 数据 是指 生产 井投 人 生产 时获 得 的油 田动态 号 井 为 例 ，对 比该 井 １ ２ 个 月 内实 际 产 油 速 度 与 分 数 据参 数 ，二者 均包 含 丰 富的油 田数 据信息 ，将二 析 预测 产油 速度 的差异 ，结 果 表 明两者 数值 差 异不 者有 机 结合起 来 ，即可获 得较 完整 的油 田数 据 。油 大 ，分 析预测误差 被限制在 ６ ％以下 ，如 图 ２ 所示 。 田静 态 和 动 态 数 据 之 间 有 明 显 的 时 间 、空 间 相 关 性。时间相关性是指 目 标井及其邻井当前与过去各
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。
油田开发动态分析的流程和方法
VS
数据整理
对收集到的数据进行清洗、分类、编码和 标准化处理，确保数据的准确性和一致性 。
数据分析与处理
数据分析
运用统计学和数学方法对整理后的数据进行分析，提取有价 值的信息。
数据处理
对分析结果进行进一步的处理和加工，以满足后续模拟和预 测的需求。
动态模拟与预测
模型建立
01
根据油田开发的理论和实际经验，建立动态模拟模型。
案例三：人工智能方法在油田开发中的应用
总结词：创新应用
详细描述：人工智能方法在油田开发 中逐渐得到应用，例如利用机器学习 算法对油田生产数据进行预测和优化， 提高油田开发效率和效益。
05
油田开发动态分析的未来展望
新技术的发展与应用
1 2 3
人工智能技术
利用机器学习和深度学习算法，对油田开发动态 数据进行高效处理和预测，提高分析精度和效率。
统计分析方法
总结词
统计分析方法是一种基于数学和统计 学的分析方法，通过对油田开发数据 的收集、整理、分析和解释，来评估 油田开发动态。
详细描述
统计分析方法包括回归分析、时间序 列分析、主成分分析等，可以用于预 测油田产量、评估开发效果、优化开 发方案等。
数值模拟方法
总结词
数值模拟方法是一种基于计算机仿真的分析方法，通过建立数学模型来模拟油田开发过程，可以对油 田开发进行预测和优化。
模型验证
02
对建立的模型进行验证，确保其能够准确反映油田开发的实际
情况。
预测
03
利用验证后的模型对油田开发的未来趋势进行预测，为决策提
供依据。
结果评估与优化
结果评估
对模拟和预测的结果进行评估，分析其可靠性和准确性。