利用神经网络外推预测油田综合含水率

逻辑斯特（Ｌｏｇｉｓｔｉｃ）模型常被用来预测油田晚期勘探阶段的石油资源，还可用来预测一个油区的含水率变化过程。文中应用改进的神经网络算法和结构，预测油田的含水率变化趋势；并与Ｌｏｇｉｓｔｉｃ模型预测结果进行了比较，结果表明；神经网络是一种可行的石油资源外推预测方法。     

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。     

用多元时序分析法预测油水井动态

采用多元时间序列分析的方法 ,对油水井动态特性进行了分析 ,建立了油井含水率的多因素预测模型。利用该模型可在已知水井注水量的情况下对相应油井的含水率进行预测。通过对传递函数模型的识别 ,分析了油水井的地下连通关系及注水对油井含水率的影响。油田应用实例验证了该方法在油田开发动态预测方面的可行性。     

用多元时序分析法预测油水井动态

采用多元时间序列分析的方法,对油水井动态特性进行了分析,建立了油进含水率的多因素预测模型。利用该模型可在已知水井注水量的情况下对相应油井的含水率进行预测。通过对传递函数模型的识别,分析了油水井的地下连通关系及注水对油井含水率的影响。油田应用实例验证了该方法油田开发动态预测方面的可行性。     

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。     

基于改进果蝇算法和长短期记忆神经网络的油田产量预测模型

产量预测是油田生产动态开发研究的重要内容之一。油田的长期生产积累了大量数据,但是波动幅度很大,直接应用长短期记忆神经网络预测油田的生产指标,会出现神经网络泛化性很差的问题。因此,首先利用双层长短期记忆神经网络(long-short term memory,LSTM)和随机式失活对神经网络架构进行调整,建立了深度学习神经网络模型;并提出了一种新的果蝇聚集方法,通过改进的果蝇优化算法对所建立的神经网络模型进行优化,避免其陷入局部最优解,搜寻解空间的最优解;最后,油田实例验证表明,优化后的深度学习网络的网络泛化能力和预测精度有了较大提高,对于油田波动性较大的数据也能较好地拟合。所建立油田产量预测模型可应用于矿场开发实际。     

神经网络在活性粉末混凝土强度预测中的应用

介绍了神经网络中的BP网络的模型及其学习算法原理，并将其应用于活性粉末混凝土强度预测。基于MATLAB神经网络工具箱，进行了结果分析，发现应用该网络在活性粉末混凝土(RPC)强度预测方面具有很高的精度，可以用来对高强度混凝土强度进行预测；结果表明，神经网络方法是一种可以定量分析、简便易行的预测方法，随着新型建筑材料科学领域各种实验数据不断丰富完善，计算机语言的发展，神经网络可为广大技术人员提供科学的理论分析方法，指导生产实践。     

带延迟时间序列，BP网络在油井产能预测中的应用

BP网络方法预测动态指标考虑时变性和随机干扰因素，具有自适应性。本文运用Neuro—solutions类神经网络软件中带延迟时间序列的非线性神经网络计算方法，以轮南油田2口油井的生产动态为例，对油井产量拟合并进行预测。结果表明该模型预测值与实际生产值具有较好的一致性，带延迟时间序列的非线性神经网络方法具有较高的预测精度和可靠性，适合于油藏各个阶段的产量动态预测，具有良好的推广价值。     

基于BP神经网络的油气产量历史预测

分析了常规油田开发模型所存在的问题;探讨了应用神经网络技术进行油气产量历史预测的可行性。油田实际资料验证评价结果表明:该法模拟预测精度高,效果好,简单实用,不失为油气产量动态预测的一条新途径。     

桥丝式电火工品安全电流的预测

通过瞬态脉冲无损检测试验得到桥丝式电火工品的电阻和集总热散失系数等电热响应参数，利用这些电热响应参数分别采用Rosenthal的集总热参数模型和BP神经网络模型方法预测电火工品的安全电流。结果表明：两种方法预测的安全电流较高的电火工品，在相同的恒流脉冲下发火的概率较小。电火工品瞬态脉冲无损检测技术与BP神经网络模型方法相结合，可以用来预测电火工品的安全电流。     

油田累积产油量的基函数神经网络模型及其预测

针对油田累积产油量预测难问题,根据油田生产机理对不同阶段累积产油分布特征给予解释与说明,构建累积产油量系统的函数型连接神经网络模型,对某油田三个采油厂若干区块多组累积产油量数据建模和预测,取得较好预测结果,证实了本方法的可靠性,对油田的开发指标预测,经济评价分析,高效开发油田具有重要意义。     

基于GRU循环神经网络的稠油油藏产量预测新方法

油田产量精确预测对油田高效生产开发具有重要意义,而目前常用的DCA方法(PLE模型、SEPD模型、Arps模型)不能够充分挖掘数据前后关联,会导致预测出现偏差。为此,提出了一种基于门限递归单元循环神经网络模型(GRU-RNN模型)的预测底水稠油油藏产量的新方法。GRU-RNN模型预测平均误差为3.03%,准确度高于DCA方法(PLE、SEPD、Arps模型的平均误差分别为29.51%、32.98%、38.76%)。该方法为油田产量预测提供了除经验公式及数值模型方法之外的新思路。     

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。     

神经网络在CB油田储层预测和储层厚度计算中的应用

根据ＣＢ油田提出了神经网络进行体育场支预测和计算地层厚度的方法。将传统的储层预测方法与人工神经网络相结合，能较好地解决ＣＢ油田的储层预测问题。     

基于量子遗传算法优化的灰色神经网络预测模型

将量子遗传算法用来对灰色神经网络参数做出优化,提出了一种通过量子遗传算法优化灰色神经网络进行预测的建模方法.应用实例表明,文章建立的模型拥有良好的预测效果,可以作为传统方法的一种补充.     

基于神经网络模型的井间参数预测方法

目的研究储层精细评价技术中的储层参数井间预测方法。方法基于人工神经网络模型,结合油藏微相研究成果,采用井位和微相信息作为神经网络的输入信息,采用神经网络模型对储层参数进行空间预测。结果利用空间分散井位点的孔隙度资料和地区沉积微相信息,对孤岛油田渤21断块油藏进行井间孔隙度内插预测,其井间参数的预测精度得到明显提高,为油藏建模提供了可靠的基础。结论基于神经网络模型的井间参数预测方法,可以为储层精细评价提供高质量的油藏地质模型。     

BP神经网络在储层物性参数预测中的应用——以梁家楼油田沙三中为例

在储层四性特征及其四性关系研究的基础上，应用BP神经网络方法，对梁家楼油田沙三中储层的物性参数（孔隙度、渗透率）进行了预测，并对其预测精度进行了检验。将神经网络解释结果与常规数理统计方法精度对比可见，神经网络法的参数预测精度有较大的提高，显示出BP神经网络法在储层参数预测中的优势与应用潜能。     

神经网络在CB油田储层预测和储层厚度计算中的应用

根据ＣＢ油田的特点提出了利用神经网络进行储层预测和计算地层厚度的方法。将传统的储层预测方法与人工神经网络相结合，能较好地解决ＣＢ油田的储层预测问题。利用神经网络的非线性映射特点实现了地震特征与地层厚度之间的映射，从而可以准确地求取地层厚度。用该方法设计了２口探井，实际钻井结果表明，这种方法的预测结果准确、可靠。     

基于KPCA和BiLSTM的分解炉出口温度预测

水泥生产过程中，分解炉出口温度是非常重要的工艺参数，为了应对出口温度变量的多样性，文章提出一种核主成分分析(kernel principal component analysis, KPCA)与双向长短期记忆(bidirectional long short-term memory, BiLSTM)神经网络相结合的温度预测组合模型用来预测分解炉的出口温度。通过KPCA筛选出影响因素的主成分从而达到数据降维目的，将降维后的主成分作为BiLSTM神经网络的输入，分解炉出口温度作为BiLSTM神经网络的输出。经BiLSTM神经网络训练，得到分解炉出口温度预测模型。通过对比验证表明，使用KPCA-BiLSTM相结合的温度预测模型具有较好的预测精度。