基于自动机器学习的采油井压裂效果预测方法

目前大庆油田采油井压裂效果预测时多是凭借经验或者多元线性回归等简单模型，存在着预测结果稳定性差且预测精度不高的问题。以大庆油田N23区块为例，借助数理统计方法对采油井压裂效果与各项影响因素开展了相关性分析，并采用随机森林算法研究了各影响因素对N23区块采油井压裂效果的影响程度；阐述了自动机器学习中元学习、贝叶斯优化和模型集成这三项关键技术的原理以及实现方法，并利用自动机器学习建立了基于数据驱动的采油井压裂效果预测模型；同时，将自动机器学习预测模型与随机森林、支持向量机和神经网络这3种常见机器学习算法的预测性能进行了对比，并利用该自动机器学习预测模型对N23区块的水力压裂进行设计与优化。结果表明，压裂前的生产参数对预测采油井压裂效果有着重要的影响；自动机器学习预测模型比其他算法的精度更高，模型在测试集上的决定系数为0.695，预测结果相对误差的平均值为18.96%，比目前水平降低了57.53%；经过模型优化的压裂方案较原方案增加经济效益约3.2×10⁴～27.4×10⁴元/井次。     

基于差分进化算法的BP神经网络脱硫效率预测控制

针对当前BP神经网络技术应用在大型燃煤热电厂以及燃煤脱硫机组效率数值预测分析计算模型中易陷入局部最优，预测效果可靠性差，收敛算法响应速度过慢，给出了一套结合自适应差分进化算法模型和BP神经网络理论的新一代高效率数值预测优化算法。该算法能自动优化BP神经网络的初始权值和阈值，将优化后的结果直接应用于BP神经网络模型训练中，进而获得脱硫效率的最佳预测网络模型。实验分析结果表明：该模型算法与目前传统的BP网络方法相比，算法收敛速度快，对网络参数的预测及精度估计更高，从而为脱硫系统的改进提出了必要的理论基础。     

基于改进神经网络的渗透率预测方法

由于传统BP算法具有收敛速度慢、易陷入局部极小值等不足,文中对其进行了改进。在Kozeny-Carman方程和杨正明研究的基础上,借助于MATLAB神经网络工具箱,建立了预测岩石渗透率的3层前馈型BP神经网络模型。对改进的神经网络模型进行的仿真训练结果表明:改进模型具有更快的收敛速度和更高的精度,模型预测值与实验室测试值的一致性比较好,其相对误差小于10%,完全能够满足现场精度要求。     

致密油水平井压裂段剩余油潜力定量研究方法及应用——以鄂尔多斯盆地FX区块为例

致密油藏体积压裂水平井衰竭式开发面临产量递减快、一次采收率低的问题。由于对各压裂段剩余油潜力认识不清，重复压裂后水平井开发效果差异明显。明确各压裂段剩余油潜力对于重复压裂方案设计及改善水平井开发效果具有重要意义。以鄂尔多斯盆地FX区块为例，对压裂储层改造体积影响因素进行分析，优选其中的12个因素作为BP神经网络的输入参数，建立了BP神经网络裂缝长度和裂缝带宽度预测模型。7个测试样本预测结果误差分别为4.91%和2.42%，误差相对较小，说明该模型预测结果准确可靠。在此基础上，利用容积法和裂缝等效井径模型实现对压裂段剩余油潜力的定量研究。将该方法应用于同区块水平井，根据压裂段剩余油潜力评价结果设计针对性重复压裂措施并开展矿场试验，取得较好的效果，进一步验证了该方法的可靠性。     

致密油藏水平井压裂后产能预测方法

以松辽盆地南部红岗北水平井开发目标区扶余油层水平井压裂后各项参数为基础,首先采用灰色关联分析方法对扶余致密油藏压裂水平井产能参数的影响程度进行排序,优选出主要影响参数;然后对研究区压裂水平井进行模糊聚类分析,将研究区压裂水平井分成4类;最后将水平井分类结果与影响参数一起加入到BP神经网络输入端,以日产能指标为硬数据,建立预测压裂后水平井产能的神经网络模型,并利用检验数据对模型进行验证。结果表明,基于水平井类型控制的神经网络模型产能预测效果要优于传统神经网络模型,可以作为有效的水平井压裂后产能预测方法。     

基于优化BP神经网络的连续管疲劳寿命预测

针对标准BP神经网络预测连续管疲劳寿命时容易陷入局部极小值和训练时间过长的缺点，利用有动量的梯度下降法、拟牛顿算法和一步正割算法分别对BP神经网络进行优化。拟牛顿算法优化后的BP神经网络性能最佳。利用拟牛顿算法优化后的BP神经网络预测连续管疲劳寿命，并与标准试验结果进行对比研究。研究结果表明：拟牛顿算法优化后的BP神经网络预测结果与标准试验结果最小相对误差率为1.7%,最大相对误差率为3.6%,满足工程精度要求。同时利用优化改进的标准BP神经网络预测方法，提出连续管疲劳寿命区间预测。预测结果表明，所有的预测样本都处于合理的预测范围之内，证明了优化后BP神经网络预测连续管疲劳寿命区间的可行性。所得结果可为连续管的疲劳寿命预测提供参考。     

注水站机组智能机器状态趋势预测方法

针对油田注水站机组现有机械设备维护方式经济性差、不能完全避免事故发生的问题,提出用具有遗传功能的神经网络对油田注水站机组运行状态进行预测,给出了具有反馈功能的预测神经网络结构图,采用一种新型的全局优化搜索算法的遗传算法来训练前向神经网络。根据从大庆油田采回的现场数据建立的神经网络模型所做预测结果表明,遗传算法是一种启发式搜索,易收敛于全局最优,收敛速度方面遗传算法明显优于BP算法,预测精度明显优于常规预测方法,遗传算法能较好地反映机组运行状态的变化趋势。     

注水站机组智能化机器状态趋势预测方法

针对油田注水站机组现有机械设备维护方式经济性差、不能完全避免事故发生的问题 ,提出用具有遗传功能的神经网络对油田注水站机组运行状态进行预测 ,给出了具有反馈功能的预测神经网络结构图 ,采用一种新型的全局随机优化搜索算法的遗传算法来训练前向神经网络。根据从大庆油田采回的现场数据建立的神经网络模型所做预测结果表明 ,遗传算法是一种启发式搜索 ,易收敛于全局最优 ;收敛速度方面遗传算法明显优于BP算法 ,预测精度明显优于常规预测方法 ,遗传算法能较好地反映机组运行状态的变化趋势。     

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.     

BP神经网络预测压裂井施工参数的研究

介绍了BP神经网络模型和网络具体计算过程。以江汉油田黄场区块45口已压裂井为训练样本，孔隙度、渗透率、含油饱和度、声波时差、射孔段深度、有效厚度、共小层数、压前日产油量、压前日产水量等9个指标作为网络输入，砂量、砂比、排量、破裂压力、施工压力等5个施工参数为网络输出，建立了压裂井施工参数预测的BP网络模型，重点研究网络参数变化对预测精度的影响关系。另外选5口未训练井进行预测，通过适当调整各参数，预测结果与现场施工结果吻合程度很高，为压裂施工设计提供有力支持。     

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。     

基于PLS-MI组合的天牛须搜索BP神经网络模型对汽油辛烷值的预测性能

针对数据集中特征变量存在高度非线性和冗余的特点,提出了一种基于偏最小二乘回归(PLS)和互信息(MI)组合降维法的改进天牛须搜索算法（RSBAS）优化BP神经网络模型(PLS-MI-RSBASBP),并用于S Zorb脱硫装置汽油辛烷值的预测。首先通过偏最小二乘法和互信息组合算法选取与汽油辛烷值强相关的特征变量,然后使用RSBASBP模型对汽油辛烷值进行预测,并与BP,GABP,BASBP网络模型预测结果比较。结果表明：PLS-MI-RSBASBP模型预测结果较其他模型预测结果的MAE,MSE,RMSE更小,预测准确度高;而且,PLS-MI-RSBASBP模型可以确定影响汽油辛烷值的特征变量,从而进行有效控制和优化。     

基于BP和LSTM神经网络的顺北油田5号断裂带地层孔隙压力智能预测方法

顺北油田断裂发育,地质构造复杂,储集层埋深达8 000 m,具有高温高压、窄钻井液密度窗口等特征,地层孔隙压力的预测精度难以满足工程需求。为了提高地层孔隙压力的预测精度,利用人工智能方法在处理复杂非线性问题上的优势,采用反向传播神经网络BP和长短期记忆循环神经网络LSTM这2种人工智能算法,基于顺北油田5号断裂带上3口井的声波时差、自然电位和自然伽马等11种特征数据以及经实测校正的地层孔隙压力标签数据,建立了顺北油田5号断裂带地层孔隙压力智能预测模型,BP神经网络模型的预测误差为3.927%,LSTM神经网络模型预测误差为2.864%。测试结果表明,LSTM神经网络模型具有更好的预测效果,满足现场地层孔隙压力的预测精度,为保障顺北油田5号断裂带钻井安全提供数据参考。     

连续油管直缝高频焊热影响区最薄弱区硬度的神经网络预测

通过试验得出了连续油管HFW焊接接头最薄弱区域的力学性能,采用BP神经网络对该区域工艺性能进行仿真预测,研究了不同训练函数对网络性能的影响。对比分析不同训练函数下的网络性能,得出连续油管HFW焊接接头最薄弱区线能量一硬度预测模型,最终选取LM算法、SCG算法和动量BP算法对网络进行训练,采用这3种算法建立起的线能量一硬度模型精度较高,测试数据预测值与实测值平均相对误差分别为0．12％,0．095％和O．11％,表明神经网络模型能够很好地对“未知”硬度进行预测。     

基于主成分分析的NCPSO-BP机械钻速预测

目前常用的机械钻速预测理论模型仅通过相关性、贡献度来筛选模型输入参数，没有积极挖掘随钻采集的复杂属性间关系，导致信息缺乏完整性。为了最大化保留复杂属性间线性关系，提出了一种基于主成分分析的钻速预测模型，并引入混沌变异的小生境粒子群算法(NCPSO)优化BP神经网络，提高模型的收敛速度与精度。首先，采用主成分分析法根据不同的方差贡献度对高维钻井数据进行降维、降噪；其次，建立智能优化算法-神经网络钻速预测模型，利用混沌变异的小生境粒子群算法的训练结果为BP神经网络权值、阈值赋予初值，以此建立机械钻速预测模型；最后，在不同输入维度进行对比分析NCPSO-BP模型与PSO-BP，GA-BP和标准BP的机械钻速预测结果。研究结果表明，在8维、10维输入的情况下，NCPSO-BP机械钻速模型的预测精度平均提高了59%，训练速度平均提高了26.3%，为日益复杂的钻井环境下机械钻速精确预测提供了理论基础。     

基于不同人工神经网络的催化裂化焦炭产率预测对比

在催化裂化装置（FCC）中,焦炭产率增加不但会使装置的总液收降低,而且会影响装置的热平衡,增加装置的操作难度。控制催化裂化装置焦炭产率十分重要,而其前提是能够准确预测装置的焦炭产率。催化裂化焦炭的生成和烧焦过程是一个连续的过程,影响参数众多且各参数之前互相影响,使用传统的方法建立多参数的预测模型具有一定的难度。本文利用人工神经网络(ANN)结合催化裂化装置的生产数据分别建立了GRNN神经网络预测模型和BP神经网络预测模型。对比分析结果表明,BP神经网络预测结果的准确度和稳定性优于GRNN神经网络。为进一步提高BP神经网络的预测效果,又分别使用了粒子群算法(PSO)和遗传算法(GA)对其进行优化。对比分析两种优化算法表明,两种优化算法均能提高BP神经网络的预测精度,综合考虑预测结果的准确性和稳定性两个方面,经遗传算法优化的BP神经网络预测模型优于经粒子群算法优化的BP神经网络预测模型。     

相似度-遗传神经网络在储层物性预测中的应用

传统的测井解释需要建立精确的数学模型,并常伴有严格的条件限制,因此很难得到真实反映储层特性的结果.采用遗传算法与BP神经网络相结合,利用遗传算法的全局寻优特点,优化神经网络的连接权值和阀值,提高网络的训练精度和预测精度,避免了BP算法易陷入局部极小的缺点,提高运算速度.将相似度的概念引入到测井中,定义相似度在测井中的计...     

用BP神经网络预测延迟焦化产品收率

针对传统的焦化产品收率预测方法准确性较差的实际情况,用Matlab编程构造了3层前馈BP神经网络,采用带动量的批处理梯度下降法来训练网络,并用所得模型对已知样本数据进行预测.结果表明,运用BP神经网络对焦化产品收率能够进行准确预测,最大相对误差为3.33%.与传统的预测模型相比,该网络模型的预测精准度更高.     

Prediction of Coke Yield of FCC Unit Using Different Artificial Neural Network Models

In fluid catalytic cracking(FCC) unit, it is greatly important to control the coke yield, since the increase of coke yield not only leads to the reduction of total liquid yield, but also affects the heat balance and operation of FCC unit. Consequently, it is significant to predict the coke yield accurately. The coke formation and burning reactions are affected by many parameters which influence each other, so it is difficult to establish a prediction model using traditional models. This paper combines the industrial production data and establishes a generalized regression neural network(GRNN) model and a back propagation(BP) neural network model to predict the coke yield respectively. The comparison and analysis results show that the accuracy and stability of the BP neural network prediction results are better than that of the GRNN. Then, the particle swarm optimization to optimize BP neural network(PSO-BP) and genetic algorithm to optimize the BP neural network(GA-BP) were further used to improve the prediction precision. The comparison of these models shows that they can improve the prediction precision. However, considering the accuracy and stability of the prediction results, the GA-BP model is better than PSO-BP model.