用神经网络专家系统设计压裂施工参数

目前使用压裂设计设计模型需要的许多重要参数现场难以提供,如地应力分布等,往往造成理论设计和实际施工相关较大,为模拟这一过程,开发了压裂设计神经网络专家系统,其结构由开发环境和运行环境组成,开发环境由系统框架确定,学习样本和神经元产组成。通过对样本例子进行学习得到专家知识库,运行环境用于解决实际问题,由五部分组成,实际问题参数,输入模式的转换,推理机制,知识库和输出模式的转换,该系统具有分布式储存信     

基于BP神经网络的压裂参数优化设计

神经网络技术在油气田开发领域得到了越来越广泛的应用.应用BP神经网络原理,结合气井压裂参数,建立了压裂气井产能仿真模型,并应用该仿真模型预测了不同岩性参数、电性参数、工程参数的压裂气井产能,平均误差为0.03%,表明仿真模型准确可靠.在此基础上分别对高产、中产和低产气井压裂施工参数进行了优化设计,得到了最优的排量、液量、砂量、砂比、液氮量等施工参数,气井平均增产幅度为15.9%.结果表明优化的施工参数可以用来指导气井压裂施工,有利于提高气井的压裂效果.     

基于BP网络的压裂酸化选井方法初探

BP网络是一种基于先验知识来建立特征参数与期望输出函数关系的神经网络。介绍了BP网络的学习算法,讨论了它在压裂酸化选井中的应用。方法预测结果与实际选井基本一致。     

基于麻雀搜索算法与BP神经网络的压裂效果预测

现有工程技术方法对压裂效果的预测精度普遍不高,容易造成经济损失,为此以麻雀搜索算法(Sparrow Search Algorithm,SSA)优化人工神经网络的算法模型,开展以提高压裂效果预测精度为目标的研究。首先以BP神经网络模型对压裂效果进行预测,其次以麻雀搜索算法优化BP神经网络权值后的模型进行预测,通过数据对比发现后者的预测精度更高,且能解决BP神经网络收敛慢、易陷入局部最优解、易产生过拟合现象等问题。研究结果表明,经过麻雀搜索算法调整权值的BP神经网络模型平均相对准确率达到93.85%,不仅比工程方法预测结果的精度更高,还高于未以麻雀搜索算法优化的BP神经网络模型的90.91%,在实际任务中拥有更稳定的性能和更高的精度。     

一种基于BP神经网络的气井重复压裂井优选方法

目前我国一些气田经过初次压裂后,增产效果不明显,或生产一段时间后,产量明显下降。为了提高气井的产量,可对气井进行重复压裂。进行重复压裂优选,可使气井得到较好的压裂效果。分析了影响气井重复压裂效果的因素,可分为地质因素和工程因素2部分。地质因素包括孔隙度、渗透率、表皮系数、产层厚度、含气饱和度、地层压力系数及剩余可采储量,工程因素包括前一次压裂是否成功、前一次压裂液用量、前一次压裂加砂量。基于BP神经网络理论,结合气井重复压裂效果影响因素分析,建立了重复压裂井优选模型。使用粒子群算法对其进行了优化,提高收敛速度的同时有效防止了局部最优解情况的发生,预测重复压裂井的日产气量,以此为依据优选重复压裂井。通过对C区重复压裂效果预测表明,基于BP神经网络优选重复压裂井可以提高选井的准确性。     

重复压裂选井选层的BP神经网络法

影响重复压裂选井的因素很多,且各个因素之间具有复杂的非线性关系,利用传统的预测方法受到诸多限制。针对此问题,应用现代数学理论,确定了影响重复压裂选井选层的主要因素,建立了选井选层模型。研究结果表明,应用灰色系统理论方法可综合考虑多种影响因素,并对其进行量化,确定出这些因素对压后效果的权重影响,增加了决策的科学性;建立的BP神经网络模型能够自组织、自适应地解决复杂的非线性问题,增加了重复压裂选井选层预测结果的可信度;应用遗传算法及自适应学习效率法对模型进行了改进,提高了网络的学习效率和精确度。本模型对现场实际施工有一定的指导作用。     

前馈神经网络用于压裂效果预测

本文提出用前馈神经网络进行油田压裂效果预测，并介绍了几种行之有效的加速学习算法。结果表明，前馈神经网络能够很有效地进行油田压裂效果的预测。     

压裂井支撑剂回流预测方法研究进展

压裂井支撑剂回流会降低压裂效果，增加修井费用，影响油气井的正常生产，因此必须在压裂设计阶段开展支撑剂回流预测工作。支撑剂回流预测方法可分为经验法、理论法、半力学法和数值模拟法四大类。经验法包括stimlab图版法和经验关系法，就是将室内实验数据绘制成图版或者拟合成经验关系式。理论法是基于流化理论，计算结果比较保守；半力学法也是基于流化理论，但考虑了地层和支撑剂的影响。数值方法包括边界元法、个别元素法和流线法，其中流线法采用沿流线追踪界面的思路，是支撑剂回流预测方法的发展方向。     

改进的模糊神经网络优选压裂井

影响压裂选井因素多,影响因素本身具有模糊性,且压裂效果与各影响参数之间大多呈复杂的非线性关系,这种关系难以用传统的数学表达式来描述,各因素对压裂效果的影响程度不同,某些因素之间存在交叉影响现象。传统的选井方法依据经验,具有一定的主观性,盲目性。运用人工神经网络方法可以很好地解决这类高度复杂的非线性问题。但是,普通的神经网络计算速度慢,难以收敛。本文运用改进的模糊神经网络,权重实现自动调整,运用遗传算法搜索出最优的压裂施工参数,提高了计算速度,并且可以保证收敛,同时,采用了模糊专家系统,结合了现场专家多年在特定油田的工作经验,保证计算结果符合现场实际。该方法计算结果正确,符合现场施工实际;计算简单、方便,具有一定的现场实用价值。     

水力压裂井的生产动态预测

本文给出了开采溶解气驱油藏的水力压裂井动态的主控方程，提出了油井压裂增产倍数和达到经济极限所获得的相应产量的预测方法。     

BP神经网络在中压加氢裂化装置多方面预测中的应用研究

应用Matlab软件构建了三层BP神经网络,并对中压加氢裂化装置转化率、喷气燃料干点和高压换热器壳程压降等方面进行了预测,结果表明BP神经网络模型准确度受样本数据质量、网络隐藏层节点数目影响较大,对中压加氢裂化工艺参数、产品性质、高换设备状态等均展示出较好预测能力。其中,对加氢裂化转化率预测的准确度最低,相对误差为±（5%～10%）;对喷气燃料干点预测的准确度较高,相对误差为±（0.15%～2.0%）;对高压换热器壳程压降值预测的绝对误差为±0.03 MPa以内,满足换热器状态监测要求。     

用神经网络模型预测催化原料没结构族组成的研究

利用人工神经网络模型,根据催化裂化原料油的碳元素质量分数（WC）,氢元素质量分数（WH）,密度（ρ^204),运动粘度（v100）四参数对催化裂化原料油的结构组成进行预测,获得了较高的精度,计算值与试验值相比,CP,CN,CA的平均绝对误差分别为0．365,0．16％,0．15％,用庐模型对未参加训练的4种油样进行检测预测结果的平均相对误差为4．05％,表明此方法具有较高的拟合精度和较好的预测能力。     

基于测井资料的BP神经网络模型在孔隙度定量预测中的应用

分析了储层孔隙度预测中存在的问题,提出了把测井信息当作影响储层孔隙度的因素、并根据已知测井信息与储层孔隙度的关系、建立适当的BP神经网络模型、在一定的学习条件下对未知样本进行预测的方法。通过实例研究,预测结果的准确性较高且明显优于回归分析预测的结果,认为此法可以作为一种储层孔隙度定量预测的方法。     

BP神经元网络在炼油厂低温腐蚀预测模型上的应用

将神经元网络建模应用于炼油厂腐蚀速率预测,整理分析现场数据,对神经元网络模型进行训练,建立了低温腐蚀速率预测模型。采用改进的Levenberg-Marquardt算法训练模型,较传统的梯度下降法可以更好地完成算法收敛。神经元网络建模后,可以将现有的腐蚀数据涵盖在腐蚀模型中,便于腐蚀数据的管理和查询,同时对现场参数变化影响腐蚀速率的情况起到了预测作用。预测结果与实际值之间的平均方差为0.013 2,可以满足现场需要。     

概率神经网络技术在油气藏物性参数预测中的应用

通过实例介绍了利用一种概率神经网络技术预测储层物性参数的方法。该方法克服了传统方法的某些局限性 ,预测储层物性参数时不需要地震子波 ;而是直接建立测井曲线和地震属性的关系 ,用相关系数衡量目标测井曲线和地震属性之间的相似性 ;用逐步递归法选取最佳属性 ;用交互验证法监视所选属性的可靠性     

概率神经网络技术在油气藏物性参数预测中的应用

通过实例介绍了利用一种概率神经网络技术预测储物性参数的方法。该方法克服了传统方法的某些局限性，预测储层物性参数时不需要地震子波；而是直接建立测井曲线和地震属性的关系，用相关关系数衡量目标测井曲线和地震属性之间的相似性；用逐步递归法选取最佳属性；用交互验证法监视所选属性的可靠性。     

BP神经网络结合遗传算法优化催化裂化MIP的产品分布

采用MIP工业装置原料油性质、再生催化剂性质和操作条件等18个变量,使用Pearson相关系数法约简了芳烃含量和一反出口温度两个变量,以约简后的16个变量为输入变量,4个主要产物收率为输出变量,建立了结构为16-20-4的BP神经网络模型。验证表明,所建立的神经网络模型可靠性良好。将所建立的BP神经网络模型与遗传算法相结合优化了仅汽油收率最大和汽油收率最大并且焦炭收率最小时的操作条件,结果表明,操作条件的优化值与催化裂化的工艺实际情况相符。采用所建立的BP神经网络产品收率模型与遗传算法相结合,可以实现多目标优化,与单纯优化汽油收率相比,虽然汽油收率有所降低,但是焦炭产率有较大幅度下降,对工业生产有指导作用。     

应用BP网络进行重油化学组成的关联计算

描述了应用具有高度非线性映射能力的BP神经元网络进行石油物性数据关联的基本方法，以重油的密度、碳氢比、粘度和康氏残炭等常规物性作为关联参数，对重油的化学组成进行关联，结果优于由回归分析所得的关联式。该方法具有统一的模型，自动形成物性与关联参数的相关关系，以及计算简单方便等特点，适合于处理组成极其复杂的石油体系。     

以BP神经网络为基础的MIP工艺过程产品分布优化

催化裂化是一个高度非线性和强耦合的系统,传统的机理模型很难描述,而BP神经网络具有强大的非线性拟合和自学习能力。以某炼油厂1Mt/a的MIP装置反应-再生系统为研究对象,选取包括原料油性质、再生剂性质、操作条件的19个变量为神经网络模型的输入变量,液化气、汽油、柴油、焦炭收率为输出变量,建立了19-24-4 结构的BP神经网络。在此基础上,考察了原料油预热温度、一反出口温度、二反出口温度、反应压力对产品分布的影响,并采用遗传算法得到使汽油收率最优的操作条件。结果表明,所建立的模型具有良好的预测和外推能力,可为工业装置操作条件的优化提供指导。