基于全生命周期与组合模型的蒸汽辅助重力泄油产油量与可采储量预测

为了快速、准确地预测蒸汽辅助重力泄油(SAGD)开发方式下的产油量及可采储量,及时完成方案优化与生产调控工作,通过广义翁氏模型、Rayleigh模型、Weibull模型、Hubbert模型、HCZ模型、Maxwell模型等全生命周期模型进行预测研究,评估其适用性。基于SAGD不同开发阶段的产能计算公式,提出了SAGD分段产能公式回归预测模型,用其预测产油量及可采储量。为了提高预测精度,基于上述方法提出了组合预测模型。结果表明：对文中实例通过组合预测模型计算出的可采储量为30.67×10^(4)m^(3),SAGD开采单元的采收率可达64.4%。全生命周期模型及SAGD分段产能公式回归预测模型可较好的应用于预测SAGD开发油藏的产油量及可采储量,方法简单实用,可操作性强,而组合预测模型可进一步提升对应的预测精度。     

断块油藏高含水期油井产液结构优化方法

针对以往产液结构优化方法中考虑因素较多,难以定量化确定油井产液量的问题,以区块油井历史生产数据为基础,利用甲型水驱曲线预测不同产液量下的开发效果,并以区块累积产油量最多为目标建立最优化模型,采用罚函数法进行求解,得到不同油井的最优产液量。通过在实际区块油井产液结构调整中的应用,并利用油藏数值模拟技术验证分析,结果表明:该方法正确、有效,能极大改善油田的开发效果。     

基于利润最大化的油田开发非线性规划

根据油田开发的实际情况，将油田的产量和利润细分为9个部分，以获得最大利润为目标，同时综合考虑了成本、投资等约束，建立了油田开发非线性规划数学模型。为了能够获得全局最优解，给出了基于遗传算法的非线性规划求解算法。利用某油田的实际开发数据，对提出的优化方法进行了验证，并给出了一组最优解。验证结果证实了所建模型的合理性和优化方法的有效性。     

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。     

原油产量自适应预测方法的研究

基于现代时间序列分析原理及系统辨识方法，建立了多变量自适应预测模型，并用该模型对某注水油田的原油产量进行了实际预测。结果表明，预测精度比传统的预测方法大大提高，该方法可为油田编制原油稳产计划提供科学依据。     

原油产量自适应预测方法的研究

基于现代时间序列分析原理及系统辨识方法，建立了多变量自适应预测模型，并用该模型对某注水油田的原油产量进行了实际预测，结果表明，预测精度比传统的预测方法大大提高，该方法可为油田编制原油稳产计划提供科学依据。     

特高含水期相渗关系表征新理论与实践

特高含水阶段油水相对渗透率比与含水饱和度半对数关系曲线发生转折，针对传统相渗线性理论难以适用于特高含水期水驱油田开发问题，开展了特高含水期相渗非线性理论研究。采用数学建模方法建立了相渗有理函数，基于局部加权回归理论对参数进行识别，通过构建F-统计量开展拟合优度检验，率先将有理拟合理论应用到特高含水期相渗关系表征。利用贝尔油田、榆树林油田、西峰油田及羊二庄油田实际数据，对比分析传统线性拟合方法、二次多项式拟合方法、指数拟合方法、基于数据变形的线性拟合法，新方法预测精度更高、相关性更强，且能准确反映特高含水期相渗曲线半对数坐标轴弯曲特性；基于新方法的水驱特征曲线预测精度更高、相关性更强。新方法对于改进特高含水期水驱评价方法及开发指标预测具有极强的实用性。     

动态三次指数平滑法及应用实例

传统的指数模型多用于处理线性趋势的时间序列,本文在此基础上建立了可以处理非线性时间序列数据的动态三次指数平滑模型.以拟合值与源数据误差的平方和为评价指标,通过使得该指标最小来计算最优时间序列系数,建立三次动态指数平滑模型.评价指标类似于评价函数,对模型自动评价,从而提高模型的适应能力,提高模型的计算精度.通过对实际时间...     

基于RBF神经网络的水闸垂直位移时间序列预测模型

水闸垂直位移是水闸安全的重要特征之一.针对传统水闸垂直位移预测模型的不足,提出了基于RBF神经网络的时间序列预测模型,该模型克服了传统模型容易陷入局部极小和运算迭代量大的缺点,有效地提高学习速度,使得预测精度大大提高.利用Matlab的RBF神经网络工具箱建立了垂直位移时间序列预测模型,并应用于实际工程中,取得了较高的拟合预报精度.     

光滑曲线去噪算法在分段线性拟合时间序列中的应用研究

时间序列在经济社会等多个领域发挥着重要的作用。然而,时间序列通常含有较多不规则波动,这些不规则波动易对时间序列数据挖掘造成影响。因此,对时间序列进行降噪处理则是一个亟待解决的问题。该文介绍了一种基于光滑曲线去噪算法在分段线性时间序列中的应用方法。通过对时间序列进行光滑去噪处理,从而得到去噪后的光滑曲线数据,再通过时间序列分段线性的方法找出该序列数据的关键点,进行时间序列的线性分段拟合。实验表明:与直接分段拟合相比,先通过光滑去噪后再进行分段线性拟合得到的结果更好。     

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。     

基于利润最大化的油田开发非线性规划

根据油田开发的实际情况 ,将油田的产量和利润细分为 9个部分 ,以获得最大利润为目标 ,同时综合考虑了成本、投资等约束 ,建立了油田开发非线性规划数学模型。为了能够获得全局最优解 ,给出了基于遗传算法的非线性规划求解算法。利用某油田的实际开发数据 ,对提出的优化方法进行了验证 ,并给出了一组最优解。验证结果证实了所建模型的合理性和优化方法的有效性     

基于改进即时学习算法的动液面软测量建模

油田动液面参数软测量预测应用中,软测量模型随生产的进行会逐步退化,导致预测结果偏差较大,无法在油田生产过程中加以使用.对此,提出采用基于子空间相似度的即时学习策略来对动液面预测模型进行自适应动态更新.通过对生产阶段数据进行子空间的相似度计算,提高建模样本选取的准确性.设计两个记忆参数改变以往即时学习策略模型的更新方法,在减少计算量的同时提高动液面的预测精度.与以往即时学习算法进行实验对比,结果表明,改进算法对油田动液面测量精度高,适应性强,符合油田生产标准,可以应用于油田实际生产.     

油田开发动态的多参数输入模拟预测方法

在进行考虑多种因素综合影响下油田开发动态指标预测时，缺少定量化模拟预测方法，油藏工程方法由于多属于机理型模型、单一条件统计规律模型，不适合此类条件下的定量预测。本文提出了一种考虑多参数约束控制拟合的开发动态预测方法，输入参数可包括产量、成本、工作量等。由统计理论根据历史信息实现系统指标变化情况的模拟，建立系统的输入输出关联关系，进而外推进行预测。提出的开发动态预测方法反映了实际开发过程中各种因素的复杂影响。     

基于PSO-ELM的水平井自喷期“多段式”产量预测方法——以玛湖油田百口泉组致密砾岩油藏为例

准确预测油气井动态产量对油田高效开发意义重大,是单井累产油预测以及部署政策优化的关键。玛瑚油田百口泉组致密砾岩油藏水平井自喷期产量呈“多段式”特征,在实际生产过程中,油气井产量受储层物性、压裂工艺参数等多种因素综合影响,传统产量预测方法及数值模拟法考虑影响因素有限,预测方法适用性差。在产量特征认识基础之上,利用主成分分析法优选油层厚度、地层压力、总砂量、渗透率、压裂簇数及含油饱和度六个主控因素,采用粒子群算法优化ELM的输入权值与隐含层偏置,建立了玛湖油田水平井产量预测模型。预测结果表明,PSO-ELM对比传统预测模型具有计算速度快、泛化能力强、预测精度高的优点,利用该方法预测了5口水平井的单井产量,平均误差在2.14%~5.28%,与实际产量吻合良好。     

基于Softplus函数的双隐含层BP神经网络的公路客运量预测

为了提高预测模型的精度,提出一种基于Softplus激活函数的双隐含层BP神经网络的预测方法,提高了模型的非线性学习和泛化能力及预测精度,并改善了网络性能。将该方法应用于公路客运量实际预测中进行有效性验证,结果表明该方法对公路客运量有更好的非线性拟合能力和预测准确性。     

基于径向基函数网络的能源消费量预测模型

采用径向基函数(RBF)神经网络方法进行能源消费量预测,建立了基于RBF神经网络的能源消费量预测模型。以我国1978~1997年的实际数据作为学习样本,对网络进行训练,拟合效果良好;以1998~2002年的实际数据检验网络,预测精度较高。并通过实例与BP网络进行比较,表明RBF网络预测模型优于BP网络预测模型。     

三种油田产量预测联解模型的对比

数学模型和甲型水驱特征曲线是油藏工程中两种重要的预测方法。为有效克服两种方法的局限性,近年来不少学者提出了数学模型与甲型水驱特征曲线联解模型。在前人研究的基础上,选取较具代表性的三种联解模型,从模型的特点及适用范围进行分析和对比,实例验证表明Hubbert模型与甲型水驱特征曲线联解法对油田整个生产阶段预测效果最理想,Rayleigh模型与甲型水驱特征曲线联解法适用于油田生产递减阶段,而广义翁氏模型与甲型水驱特征曲线联解法预测含水率偏低。