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。     

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、PLT测试数据少所导致的小层产、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60吨/天，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。