基于Spark的油藏数据挖掘与分析

为了方便油藏数据特征的分析和石油的勘探开发过程,本文利用Spark并行计算框架分析油藏数据,并通过数据挖掘算法分析油藏属性之间的潜在关系,对油藏的不同层段进行了分类和预测.本文的主要工作包括：搭建Spark分布式集群和数据处理、分析平台,Spark是流行的大数据并行计算框架,相对传统的一些分析方法和工具,可以实现快速、准确的数据挖掘任务;根据油藏数据的特点建立多维异常检测函数,并新增渗孔比判别属性Pr;在处理不平衡数据时,针对逻辑回归分类提出交叉召回训练模型,并优化代价函数,针对决策树,提出KR-SMOTE对小类别样本进行过采样扩充,这两种方法都可以有效处理数据不平衡问题,提高分类精度.     

综合预测模型的构建及预测系统开发研究

为了避免传统组合预测方法人工赋权的主观性与简单组合难以推广的弊端,进一步提高预测精度与自动化,提出了[N]种单一预测模型的综合预测模型,并且给出该模型权系数的科学的数学计算步骤。以某油田勘探开发投资规模预测为实例加以验证,结果表明综合预测模型的预测精度较单一模型有明显提高,达到了预测模型精度提高与模型易于推广的目的;建立了该实例的投资规模预测系统,实现了预测与系统的结合,保证预测的高效性。     

模糊专家系统在钻井风险预测中的应用

在油田开发与勘探中,钻井作业工序繁多,操作复杂,具有高投入、大规模、高风险的特点.而信息的稀少或不完善,又导致了油田勘探和开发过程的高风险.所以通过对区域、油藏构造、地层的评估,来探讨模糊专家系统在钻井风险预测中的应用,使其能够准确地预测钻井风险,并且能够自动化地进行数据分析.     

基于集成迁移学习的机械钻速预测

在钻井过程中, 钻速是指机械钻头破岩加深钻口的速度, 是反映钻井效率的一个重要指标. 近年来机器学习方法被应用于机械钻速预测, 然而实践中发现这些方法应用于新油田时, 预测精度显著下降, 主要原因是新油田可供学习训练的数据通常很少甚至完全缺失. 因此提升针对新油田的机械钻速预测性能是一个有待解决的问题. 针对该问题, 本文提出了一种基于迁移学习的跨油田机械钻速预测方法, 构建了一种带物理约束的集成迁移回归模型预测新油田的机械钻速. 在真实钻井数据集上的实验表明, 本文提出的机械钻速预测方法是有效的, 预测精度也显著优于目前主流的同类方法.     

油田产量预测系统的研制

如何有效地预测油田的未来产量一直是油藏工程研究中的一项重要内容,准确地预报油田开发过程中的动态产量,是合理调整油田规划和制定方案,实现优化开发和管理的重要依据。本文研究了几种新的预测方法(基于人工神经网络的稠油预测模型、灰色预测模型、CAR预测模型等),并首先将其应用于油田产量预测。本文开发的预测系统集成了20多种常规的和新型的预测方法,对油田产量的预测及管理都能够给出有价值的数据。在充分并准确采集油田各单位产量信息及建立切合实际的数据模型的基础上,将油田产量信息采集与处理、预测与管理等环节,有机地结合成为一个整体。实际预测结果表明,该方法可以取得较好的预测效果。     

一种灰色极限学习机预测方法

预测是一种根据已知数据在过去一定时间段内呈现出的发展的规律性对未来发展趋势进行描述的行为.近年来,预测被应用到很多领域,如电价预测、股票价格预测和气象预测等.然而传统的预测方法由于其精度不高或速度不快等问题,无法满足当今预测领域的需求.针对传统预测方法存在的问题,基于组合预测的思想,结合强化学习的累积函数的概念,提出了结合灰色预测模型和极限学习机的组合预测方法.算法在微软股票信息、Mackey-Glass时间序列数据和台湾液晶屏制造业的制造数据等实验数据集上进行了相关实验,结果表明该算法是有效的.     

基于张量积样条混合算法的计算机建模可视化

为获取精确光滑的地层面图形,首先利用测井数据对其进行克里金插值建模,然后根据数据的疏密性,获取两种网格数据,细化克里金估计网格;稀疏克里金估计网格.为了使其光滑可视化,在克里金估计基础上采用张量积样条算法对细化网格进行光滑处理;对稀疏网格进行y与x方向插值处理.该方法不仅利用克里金估计建模的精确性与Matlab样条函数的封装性及其光滑处理效果,而且采用混编技术;极大地提高了地层面构造的光滑度且不失估计精度,因此该方法在油藏表征与计算机建模中具有一定的实用意义.     

基于动态用户画像的信息推荐研究

针对传统信息推荐方式精度偏低的问题,引入用户画像作为推荐基础,在深入研究文本分类和用户行为后,提出一种基于动态用户画像的推荐方法.该方法通过动态分析用户历史数据,预测用户的兴趣变化趋势,从而实现动态推荐.离线实验证明,该方法在预测用户偏好变化方面具有一定优势,相较于传统的基于标签的信息推荐,提高了推荐精度.     

基于BiLSTM-XGBoost混合模型的储层岩性识别

储层岩性分类是地质研究基础, 基于数据驱动的机器学习模型虽然能较好地识别储层岩性, 但由于测井数据是特殊的序列数据, 模型很难有效提取数据的空间相关性, 造成模型对储层识别仍存在不足. 针对此问题, 本文结合双向长短期循环神经网络(bidirectional long short-term memory, BiLSTM)和极端梯度提升决策树(extreme gradient boosting decision tree, XGBoost), 提出双向记忆极端梯度提升(BiLSTM-XGBoost, BiXGB)模型预测储层岩性. 该模型在传统XGBoost基础上融入了BiLSTM, 大大增强了模型对测井数据的特征提取能力. BiXGB模型使用BiLSTM对测井数据进行特征提取, 将提取到的特征传递给XGBoost分类模型进行训练和预测. 将BiXGB模型应用于储层岩性数据集时, 模型预测的总体精度达到了91%. 为了进一步验证模型的准确性和稳定性, 将模型应用于UCI公开的Occupancy序列数据集, 结果显示模型的预测总体精度也高达93%. 相较于其他机器学习模型, BiXGB模型能准确地对序列数据进行分类, 提高了储层岩性的识别精度, 满足了油气勘探的实际需要, 为储层岩性识别提供了新的方法.     

石油勘探开发公共地理信息服务系统

针对油田空间数据的多源性、空间数据与勘探开发数据的异构性、应用系统的多样性等问题,设计了勘探开发空间数据存储模型,建立了油田勘探开发空间数据库,实现了勘探开发空间数据的统一管理和维护;创建了面向勘探开发一体化的油田勘探开发地理信息服务和数据服务,在统一框架下对勘探开发图形对象在平面上进行多尺度、多层系的图形展示,形成了一套图形和数据相结合的模式和技术;建立了油田公共地理信息服务的集成应用模式,拓展了地理信息在勘探开发软件领域中的新应用。该研究成果解决了油田勘探开发地理信息数据来源、存储方法、应用模式等问题,系统已上线运行,对油田信息化建设具有重要的现实意义。