油田产量预测系统

运用预测模型和数据库管理一体化技术，面向油田已有的数据库数据、包容各种预测方法。建立了油田生产的计算机预测系统，以提高预报效率和数据管理水平。并为制订生产规划提供依据。应用表明，该系统具有推广和实用价值。／     

油田水CaCO_3结垢反应的计算与应用

以热力学计算为基础，广泛采用油田水的数据．计算了ＣａＣＯ３的预测条件，并根据油田生产实际，建立了使用防垢剂时的预测模型．根据理论模型编制成计算机程序，并与文献结果和油田观测结果进行了对比，提出了临界浓度和临界稳定常数的计算和应用方法．为防垢剂的选择提供了理论依据，大量计算表明，预测结果与文献和现场观测结果相符．     

大亚湾核电站人因数据管理系统研究

人因数据的收集、分析与量化是人员可靠性分析（ＨＲＡ）和概率风险评价（ＰＲＡ）极为重要的组成部分．为此已建立了各种各样的人因数据库,但兼有数据采集、分类、分析、计算、预测功能的人因数据管理系统国内外却尚不多见．鉴于此,我们研制了大亚湾核电站人因数据管理系统,该系统包含三大模块（源数据模块、计算模块、导出数据模块）和４个数据库（基本数据库、本厂其他数据源库、外部数据库、导出数据库）．本文首先阐明了在该系统研制过程中所涉及的有关人因数据的一些基本问题,然后描述了该系统的结构与功能．考虑到人因数据库在该系统中的重要地位,还较详细地讨论了库中数据的结构问题．     

人工神经网络在油田注采量描述中的应用

考虑油田注水开发期采液量是注水参数和地层参数等的连续函数,应用人工神经网络技术,探讨油田注水开发期见水后的各个单井产状描述和产液量预测的新方法．采用某油田某区块内５口采油井配置１０口注水井,在１２个月的注采数据来训练所建立的注采系统人工神经网络模型．结果表明,人工神经网络可很好地用来定量描述油田注水期采出液量与注入液量之间的复杂函数关系,可用于油田水驱产状的描述．滚动预测的结果表明,预测的累计采油量随月份的增长变化和实测的符合良好．     

用深度学习挖掘油田开发指标预测模型的知识

油田开发指标变化特征被当作油田开发规划、油田开采状况评价、油田开发方案设计与调整及油田开发风险预测预警等决策管理问题的重要依据。针对至今没有很好解决的建立智慧油田的瓶颈问题之一——油田开发指标智能预测系统的选择预测方法和模型的知识挖掘问题，基于油田开发的海量数据，利用深度学习的卷积神经网络和循环神经网络，提取反映油田开发动态特征和知识。在此基础上，结合已建立的油田开发指标预测的模型库及知识库，利用深度学习的实体和关系的联合提取方法，提出通过油田开发输入信息、油田开发动态特征指标、油田开发指标预测的模型库和知识库挖掘选择油田开发指标最佳预测模型的知识方法。概念设计的模拟实例表明，提出的知识挖掘流程可实现只要输入油田开发的相关信息，就能自主获得恰当的油田开发指标预测模型。     

油田开发规划系统设计

本文建立了油田开发规划数据库平台,根据油田开发过程中的各项数据掌握大港油田开发自身的动态变化特征,对其进行系统分析、预测预警和规划,使上游生产数据库在开发规划中得到更好的应用,使开发规划的相关研究工作如开发动态分析预测及预警、经济效益评价及预警、产能建设后评估等上一个台阶。从而更好地实施油田开发的最优控制,制定出科学合理的开发规划,最终提高开发水平。     

基于油田数字化的产量动态监控系统分析设计

中石油“A2数据库”的推出已表明这个庞大的石油企业在向信息化迈进，同时也为“油田数字化”建设奠定了坚实的基础。但是长庆油田公司并没有跟上总公司的步伐，在数字化建设方面稍显滞后。本文在详细了解“长庆油田分公司——第四采油厂”产量监控模式的基础上，为其设计了产量动态监控系统。本系统通过两个数据接口采集数据：一是运用远程数据访问技术对“A2数据库”数据进行读取，二是运用Developer Express．NET控件和微软RDLC报表技术对本地数据进行操作，建立ORACLE数据库对全厂的生产数据进行统一、永久存储。本系统的投入必将使整个生产的数据流程和操作过程规范化、标准化，减少人为不确定因素的影响，从而使管理科学化、现代化，大大提高生产效率。     

灰色趋势灾变预测及其在数据挖掘中的应用

分析了数据库中由异常数据组成的小样本序列的特点,给出了灾变序列的定义,结合系统云灰色预测模型,提出了灰色趋势灾变预测的方法,对灰色趋势灾变预测在数据挖掘中的应用进行了研究,给出了对数据库中“贫”信息数据序列进行数据挖掘的步骤．以全国旱涝灾害数据为研究对象,对全国水灾年份进行了预测分析,其预测结果与实际现象相符．     

数据挖掘技术在温室作物生长预测中的应用

随着多种农业数据的增加，人工分析数据会变得越来越难．数据挖掘是一个人机交互的、智能决策的过程．它可以从大量数据中将具有潜在应用价值的信息抽取成用户可以理解的知识．笔者采用数据控掘技术预测温室作物生长．因作物生长是时序性的，提出在时序数据库转化为关系型数据库时，运用程度词的方法来进行转换．在预测作物器官的生长时，文中提出了用数据挖掘的方法从作物生长的历史数据中寻找潜在规律来预测．通过与其他预测技术进行比较，结果发现运用数据挖掘的方法具有较高的预测精度，达到了预期的效果．     

地震数据库技术及其在油田勘探开发中的应用

本文从地震系统入手,对地震数据库的常用技术进行分析,并论述了地震数据库在油田勘探开发中的应用,一方面希望能够结合当前形势完善地震数据库,使地震数据库可以更好地满足地震系统的数据组织和管理要求,便于日后油田勘探开发中更有效地得出地震成果数据,另一方面希望以此为基础,能够进一步突出地震数据库的应用价值。     

微构造精细表征及在剩余油预测中的应用

提高剩余油的预测精度对进入开发中后期的油田是极为重要的,只有准确预测剩余油的分布,才能通过开发调整提高产量。微构造形态控制着剩余油的分布,其表征精度直接影响着剩余油分布预测的可靠性。海上油田井网不规则且密度较小,仅依靠井点信息难以表征油田的微构造形态。因此探索研究了海上中后期油田的井震,结合精细表征微构造技术。通过研究总结出包括井震精细标定、地震切片识别微构造、精细构造成图等在内的一系列微构造精细表征技术。在海上油田开发调整研究阶段充分应用该技术,对该油田的微构造进行了精细表征,结合生产动态动静结合分析剩余油形成机制,达到提高剩余油分布的预测精度的目标,指导了调整井位的设计。后续新钻调整井证明,微构造形态表征精确,剩余油预测准确,提高了油田的产量。     

人工神经网络在压裂选井及选层中的应用

根据中原油田砂岩油藏 2 0 0多口压裂井及压裂层的静、动态地质资料和压裂施工参数 ,对影响压裂效果的单因素、多因素和主参数进行了分析。采用人工神经网络技术 ,建立了砂岩油藏压裂选井及选层人工智能系统 ,并将其用于中原油田复杂断块压裂选井及选层识别。利用该系统可以估算压裂后单位厚度油层的日增产油量 ,并能预测压裂效果 ,可为压裂选井及选层提供科学依据。     

基于机器学习的石油多峰模型研究及应用

油田在实际开发过程中，受新区块投产、开发方案调整和"三采"措施等因素的影响，年产量数据会呈现多峰形态。针对经典的Hubbert、HCZ等模型不能直接拟合多峰数据序列的问题，开展了基于机器学习的油田产量多峰预测模型研究。基于Hubbert模型，对多峰数据序列进行分段最小二乘拟合，在拟合误差函数中引入控制分段个数的罚分项，采用动态规划算法，自动求得最优分段的多峰预测模型，该模型运用在实际的油田产量数据上，预测结果达到预期目的。提出了一种通过自动最优分段的线性回归学习来建立油田产量多峰预测模型的方法，在实际应用中具有建模简单、自适应性强的优点。     

基于数据增强技术与CNN-BiLSTM-Attention的油田注水流量预测及效果

准确识别地层注水情况是油田开发的重要前提,对制定合理的注水发展规划也具有重要的指导意义。为准确预测注水,提出一种结合卷积神经网络、双向长短期记忆网络与注意力机制的油田注水流量预测方法,该方法首先将卷积神经网络(convolutional neural network,CNN)和双向长短期记忆网络(bidirection long short-term memory,BiLSTM)进行联合,用于捕获注水流量的复杂非线性时空关系,然后采用注意力机制来关注输入的重要特征。并针对油田历史数据匮乏问题,提出使用数据增强技术来增加一维时间序列的数据量。采用国内某油田注水井真实历史注水数据进行实验,研究结果表明,本研究中提出的CNN-BiLSTM-Attention预测模型的平均绝对误差(Mmean absolute error,MAE)、均方根误差(root mean square errorRoot Mean Square Error, RMSE)、平均绝对百分比误差(mean absolute percentage errorMean Absolute Percentage Error,MAPE)和决定系数(Ccoefficient of Ddetermination,R2)MAE、RMSE、MAPE 和R2 分别为0.027、0.043、9.936和0.968,通过多种模型对比,表明该方法具有较高的预测精度,可以更准确地预测注水流量。此外,研究还证实,采用数据增强技术可以有效提高模型的预测精度。研究成果可为油田精细化注水提供调整方案与高质量数据,从而为油田智能化开发提供理论依据。     

油田计量站无线计量系统的设计与应用

利用软件技术、电子技术、传感技术、通讯技术、计算机网络技术和数据库技术开发新一代计量站无线计量系统,对油田计量站原油计量实时管理,为油田计量站的精细管理提供了一种全新的手段,提高了油田自动化应用水平和管理水平.     

基于IPSO-GNN的油田指标预测模型研究

针对油田开发指标预测问题,提出将灰色神经网络(GNN)与改进粒子群算法(IPSO)相结合的组合预测模型(IPSOGNN),通过IPSO对GNN的a、u参数进行优化,改善了GNN的不足,有效地保证了预测精度。以油田开发指标中的含水率作预测算例,仿真结果表明:此模型的预测精度高于灰色预测模型、灰色神经网络以及BP神经网络模型,同时也表明了此方法的可行性与有效性。     

基于Foxpro的递归查询优化知识库系统

采用知识库的设计思想和实现策略，开发了一个运行于微机Ｗｉｎｄｏｗｓ环境下的原型知识库系统，在此基础上开发了泵站土壤腐蚀知识库系统。研究表明，用知识库递归查询优化算法开发知识库系统，在石油领域中具有广阔的前景和实用价值。     

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。     

地震相裂缝分级技术在储层预测中的应用

摘要：如何预测碳酸盐岩裂缝储层一直是裂缝型油气藏勘探开发关注的重点。针对裂缝储层,目前常用地震反射倾角、相干和最大曲率属性进行裂缝识别。地震反射倾角、相干属性通常用于检测大的断裂,最大曲率属性用于描述微断裂体系。单一地震属性分析具有多解性,裂缝地震相分析技术将三者融合,通过聚类分析计算, 提取出与断裂、裂缝相关的特征,对断裂–裂缝进行识别,并在地质尺度上进行分级,预测裂缝分布规律和发育程度。钻井、成像及动态资料验证分析表明,该方法能识别出中东某油田目的层段 80% 的裂缝带,有效地解决了该油田裂缝型储层预测难题。