利用BP网络技术进行油井流入动态分析方法研究

论述了应用人工神经网络技术进行油井流入动态分析的方法：将油井视为一个黑箱非线性动态系统，不需要建立描述油井动态的复杂数学模型，只要对其动态系统的输入／输出进行网络训练，即可建立相应的人工神经网络预测模型，并用此进行油井流入动态预测及分析，绘制出精确的IPR曲线。依据BP网络和实际应用的特点，提出了滚动预测技术，并对该技术进行了实例分析，取得了较好的效果。     

聚合物驱油井无因次流入动态方程及其应用

常规的油井流入动态模型不能用于分析聚合物驱油井的流入动态关系,现有聚驱油井流入动态模型求解普遍较为复杂,不便于现场应用。通过无因次化处理得到了聚驱油井的无因次流入动态方程,以数值模拟技术为手段,研究了不同地质油藏条件、不同流体性质和不同聚合物溶液性质的聚驱油藏的油井流入动态状况,仿照Vogel处理溶解气驱油藏无因次流入动态曲线的方法进行非线性拟合回归,得到了便于现场应用的无因次流入动态方程。实例计算结果验证了方程的可靠性,可用来计算油井的流入动态,能够为聚驱油藏油井的生产动态分析和合理工作制度制定提供参考。     

低渗透油藏三相流油井流入动态研究

针对低渗透油藏具有启动压力梯度和应力敏感性的特性,考虑油相相对渗透率、原油黏度、原油体积系数随压力变化,建立了考虑应力敏感性和启动压力梯度影响的低渗透油藏三相流油井流入动态方程,分析了影响流入动态曲线形态的因素.其结果对开发低渗透油田的油井流入动态预测具有实际指导意义.     

应用人工神经网络预测油井产量和产水量

论述了应用人工神经网络技术预测油井产油量和产水量的方法．利用油井过去实际每个月的日平均产油量和产水量做为网络的训练样本，经网络学习后，输入油井待预测的时间，可预测出相应时间的日平均产油量和产水量．同时，编制的通用软件经胜利油田２１口井实际产油量和产水量检验，结果表明：网络是一种可行性的预测油田单井产量的方法     

弓型折流板换热器动态响应神经网络预测

采用ARX动态模型设计了一种用于换热器动态特性辨识及预测的人工神经网络结构模型,基于有限的实验数据将人工神经网络技术应用于以水、油为换热工质的弓型折流板换热器动态特性的预测当中.采用Levenberg-Marquardt算法对网络进行训练和测试,辨识和预测了换热器单侧流量扰动情况下油侧出口温度的响应情况及换热器油侧进口发生温度扰动情况下油侧出口温度响应情况,并与数值计算进行了对比,神经网络的预测结果好于数值计算.分析了神经网络模型的泛化能力.计算结果表明,人工神经网络对于复杂系统的动态辨识及预测是相当成功的,与基于数理模型的数值预测相比,有更好的预测精度,且模型的泛化能力也很强.     

智能化烃类重气泄散过程的数值预测

提出实现烃类重气泄散态势的动态过程数值预测新构想－－基于人工神经网络的“反求源”技术。给出过程系统数学分析模型,根据实际网络预测结果,获取、分析了其动态模拟时域曲线。     

有杆泵系统优化设计技术的应用研究

结合中原油田有杆泵采油生产的实际 ,对电模拟法、常规APIRP 11L方法及Rodstar方法等优化设计技术进行了分析。结果表明 ,Rodstar方法是一种能与实际生产情况完全拟合的系统设计和模拟技术。该方法可根据油井当前的运行参数、生产状况、井底流压变化幅度和流入动态曲线判定油井是否有提液潜力 ,能定量地分析拟合系统的设备工况 ,模拟液面撞击以及井被抽空时的状态 ,并能用于对整个有杆泵系统作定量的经济分析评价。模拟结果与实际生产吻合较好 ,是迄今为止对有杆抽油系统进行设计、模拟及分析的较为完善的技术。     

有杆泵系统优化设计技术的应用研究

结合中原油田有杆泵采油生产的实际,对电模拟法、常规API RP 11L方法及Rodstar方法等优化设计技术进行了分析。结果表明,Rodstar方法是一种能与实际生产情况完全拟合的系统设计和模拟技术。该方法可根据油井当前的运行参数、生产状况、井底流压变化幅度和流入动态曲线判定油井是否有提高潜力,能定量地分析拟合系统的设备工况,模拟液面撞击以及井被抽空时的状态,并能用于对整个有杆泵系统作定量的经济分析评价。模拟结果与实际生产吻合较好,是迄今为止对有杆抽油系统进行设计、模拟及分析的较为完善的技术。     

低渗透油藏垂直井未来流入动态的预测

针对低渗油藏存在启动压力梯度,动态预测非常困难的问题。推导了具有启动压力梯度的溶解气驱油藏未来流入动态预测关系式,分析得出油井的采油指数和流压之间存在线性关系,且不同     

浅谈利用BP神经网络进行系统预测的方法

BP神经网络体现了人工神经网络最精华的部分,利用BP神经网络可以实现系统预测功能,本文就工程实际中利用BP神经网络进行预测的问题进行阐述.为BP网络的实际应用做了铺垫.     

基于BP神经网络的螺杆泵井故障诊断技术研究

提出了基于BP神经网络和专家系统的螺杆泵井故障诊断方法:将螺杆泵井工况类型细分为10类,选取表征油井生产状态的7个特征参数作为输入量,采用Active X技术,借助VB调用Mat-lab人工神经网络工具箱函数,构建和训练网络模型.用该方法对新疆油田吉7井区吉101井和吉002井进行实例分析,验证了模型的正确性.     

运动成绩预测系统及实现技术

小波神经网络是将小波理论和神经网络理论结合起来的一种神经网络,它避免了BP神经网络结构设计的盲目性和局部最优等非线性优化问题,大大简化了训练,具有较强的函数学习能力和推广能力及广阔的应用前景.根据这一预测模型,运用混合编程技术所开发的分布式运动成绩预测系统在应用中取得了良好的效果.     

基于Chebyshev神经网络的非线性动态系统预测

针对非线性动态系统的预测常受到噪声或其他过程的耦合影响,使得规律变得难以发现的问题,提出了以一组Chebyshev正交基函数作为神经网络中各隐神经元的激励函数的新型的Chebyshev基函数神经网络预测模型.将该模型作为非线性动态系统预测模型,并采用基于粒子群和模拟退火组成的文化基因算法优化神经网络的权值,可以达到很高的预测精度和很好的预测结果.Chebyshev神经网络与传统的BP(back propagation)神经网络相比,工作量大大减少,加快了收敛性.文化基因算法用于确定权值的Chebyshev神经网络分别与粒子群和模拟退火优化的Chebyshev神经网络相比具有更好的拟合效果.     

基于改进型BP神经网络的油井产量预测研究

为了保证油田生产持续稳定地发展,针对油田单井产量提出了基于改进型BP神经网络的预测模型。对传统的BP神经网络的结构和训练算法进行了研究,发现它存在易于陷入局部极小,收敛速度慢等问题。提出了使用LM算法的改进型BP神经网络。最后给出了基于改进型BP神经网络的单井产量预测模型仿真实验。结果证明该算法的实用性和可行性,在油井产量预测方面有一定的实用价值。     

采油控制系统神经网络建模和优化算法设计

油田抽油机普遍存在抽取能力大于油井实际负荷的问题,产生泵空或空捞现象,其结果增加了无效行程,浪费了大量电能,同时也增加了抽油设备的维护费用。针对这一问题,提出结合BP(Back Propagation)神经网络和遗传算法的采油控制系统。为了克服常规BP神经网络容易陷入局部极小和收敛速度慢的缺点,采用改进的非线性同伦BP神经网络进行采油模型辨识,并用遗传算法优化停机时间。在保证采油量的前提下,采油控制系统的节电率达25%以上,并可延长抽油机寿命30%左右,实现了抽油机采油的智能控制,经济效益十分显著。     

基于IDNPSO-BP神经网络的股票市场指数预测

针对动态邻居粒子群算法的局限性,引入新的动态邻居拓扑结构,动态调整粒子群算法参数设置,提出改进的动态邻居粒子群算法(IDNPSO).为了提高BP神经网络模型的预测准确性,提出一种基于改进动态邻居粒子群算法的BP神经网络模型(IDNPSO-BP神经网络).利用IDNPSO-BP神经网络和GA-BP神经网络对上证指数、深证指数进行预测,结果表明IDNPSO-BP神经网络的预测误差优于GA-BP神经网络,具有股票市场指数预测能力.     

基于灰色网络组合优化的年增油量预测

老井措施增油成为油田稳产、降低油田区块开发成本的必然选择。针对多项式回归预测的局限性、灰色理论不能反映影响因素特征、神经网络需求数据多且数据敏感性差等特征,通过建立最优控制模型,实现GM（1,1）灰色理论与神经网络的高精度组合预测。以某油田区块2011-2018年的措施增油为例,对影响措施增油量的因素进行识别,建立了最优控制灰色神经网络模型对老井措施年增油量进行预测,相比多项式回归预测、GM（1,1）预测及BP神经网络预测方法,新模型模拟效果更好,预测精度更高。新方法对2018年措施年增油量的预测精度达97.34%。基于最优控制的灰色神经网络模型可以作为一种人工智能组合最优化模型预测措施年增油量,为准确预测措施增油效果,指导油田开发决策提供了新的思路。     

基于机器学习的海上多层砂岩油藏精细注水开发实践

针对海上多层水驱砂岩油田作业成本高、小层测试数据少所导致的产、吸状况不清的问题,提出一种可同时学习多种井况条件的小层产、吸剖面预测模型。首先综合考虑影响小层产、吸状况的静态地质条件和动态开发特征,筛选并构造出主控因素,建立样本数据库。然后构建了巧妙的循环将神经网络算法和智能优化算法进行融合,内层循环以反向传播(back propagation, BP)神经网络为模型框架,遍历所有井样本,实现多维主控因素与产、吸剖面的机器学习;中层循环以量子进化算法为优化手段,实现神经网络内部权重和阈值自动优化;外层循环以测试误差为控制条件,保证模型的可靠性与最优化。最后将产、吸剖面预测模型应用于渤海P油田,分别对73口油井和84口水井的样本数据进行交叉验证,结果表明模型的平均测试误差仅为6.60%、4.36%。示例井组经分层调配等措施的综合治理之后,实现了井组日增油63 m³/d,综合含水率下降6%。该研究成果对老油田的精细注水和优化调整具有一定的指导意义。     

基于BP神经网络的城市供水系统管网预测

针对城市供水系统的复杂性、非线性、时变化性以及多因素影响的特点，探讨了建立基于BP神经网络城市供水管网预测的原理，阐述了建立基于BP网络的城市供水时序预测模型方法．根据管网的节点压力历史数据纪录，建立基于神经网络的管网压力时序预测模型，对未来某一时段的节点压力进行预测．从预测过程和结果分析，基于BP神经网络城市供水管网预测方法操作简单，运行速度快，误差修正方便，精度高．图2，表1，参12．     

基于ATD-BP神经网络的页岩气产量预测方法

储层改造是页岩气开发的关键步骤,根据储层改造数据进行页岩气井产量预测,对后续施工优化有重要指导意义。然而,储层改造数据与气井产量间呈非线性相关关系,不适用于传统线性预测方法。且储层改造数据存在有效数据较少、噪声数据占比较大、维数较高等问题,不适用于受噪声影响较大的传统BP神经网络非线性预测方法。由此,本文提出一种页岩气储层改造产量预测方法,首先利用自适应阈值去噪(adaptive threshold denoise,ATD)算法去除噪声,再运用BP神经网络对储层改造数据进行非线性拟合,得到页岩气井产量预测模型。实验表明,相比传统的BP神经网络,本文所提方法能够有效提高预测的准确率和稳定性。