神经网络专家系统在压裂选井选层中的应用

方法应用神经网络专家系统，对不同油气藏、区块的井层压裂酸化效果进行预测。目的为实施成功压裂提供可靠方法。结果该系统在内蒙古科尔沁油田庙5、庙7块的应用表明，该专家系统能较好进行压裂的选井选层及效果评价。结论神经网络专家系统能对不同油气藏或区块的井、层压裂酸化效果总结出其影响因素．正确判断井、层适合压裂酸化的程度及产能预测，尤其对低渗、稠油油层的压裂具有很好的效果。     

神经网络专家系统在压裂选井选层中的作用

方法：应用神经网络专家系统，对不同油气藏，区块的井层压裂酸化效果进行预测，目的为实例成功压裂提供可靠方法，结果：该系统在内蒙古科尔沁油田庙５，庙７块的应用表明，该专家系统能较好进行压裂的选井选层及效果评价，结论：神经网络专家系统能对不同油气藏或区块的井，层压裂酸化效果总结出其影响因素，正确判断井，层适合压裂酸化的程度及产能预测，尤其对低渗，稠油油层的压裂具有很好的效果。     

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。     

预测油井压裂潜力的一种新方法

针对目前油田对油井压裂潜力预测参数取得比较困难,预测效果不能满足开发规划安排的需要等问题,考虑到油井累积产量与时间的关系属于增长型关系,从logistic模型入手,通过大量油井压裂单井效果统计分析,建立了油井压裂效果预测模型,结合压裂效果经济效益评价和地质工艺条件分析,提出了利用油田常规资料对油井压裂潜力井数和效果进行预测的一种新方法。     

低孔隙度低渗透率储层压裂后产能测井预测方法研究

通过研究影响压裂后产能的各种参数,对低孔隙度低渗透率的朝阳沟油田进行了压裂后产能预测。对压裂后产能影响较大的参数有地层有效渗透率、有效厚度、井底流压等。确定了该区产能级别划分标准,提出2种预测方法:方程法和神经网络法。建立了朝阳沟油田预测压裂后产能的无限导流能力垂直裂缝稳态流方程,并给出了各参数的计算方法。应用方程法对11口井的压裂后产能进行预测,判别单层测试产油级别符合率为73%。应用神经网络法,选取研究区13口井进行训练和验证,单层测试产油级别符合率为100%。     

小波神经网络在油田产量预测中的应用

在油田开发中,准确的产量预测对开发调整部署和提高措施作业效益有重要作用,它决定了油田生产投资的规模和决策方向.但是,油藏是一个复杂的多变量非线性动力学系统,由于油藏储层的非均质性和决定油田产量因素的不确定性,往往很难对油田产量进行准确的预测.小波神经网络是小波分析与前馈神经网络的融合,具有比BP网络更好的收敛性,同时具有处理复杂性、时变性和防震性的功能,可以对地质条件比较复杂、影响因素不确定的油田进行产量预测.通过对油田产量预测的实例计算表明,该方法具有很强的理论指导和较好的实际应用效果.     

用T-S模型模糊神经网络进行压裂效果预测

压裂效果受多种因素的影响，不同井况的不同参数对压裂效果的影响程度不一样，具有许多的模糊性。运用T－S模型模糊神经网络，建立各种影响因素与压裂效果之间的关系模型和预测模型，可以用来指导压裂选井选层的压裂施工工艺。实践证明，该方法用于压裂效果预测具有良好的适应性和实用性。     

喇嘛甸油田二类油层聚驱油井压裂效果预测方法

喇嘛甸油田二类油层聚驱开发期间,对油井进行压裂是保障聚驱效果的有效方法之一,可减少低效、无效措施井,增加油井经济效益.以影响压裂效果的主要因素为变量,以压裂措施无效时总累计增油量为评价指标,利用多元回归分析原理,建立了压裂效果预测方程.在二类油层聚驱中验证表明,压裂效果预测方程的预测精度可达到90.5％,能够满足油田生产需要,保障了聚驱优势发挥.     

用熵权系数法优选压裂井

基于熵权系数法，选取有效厚度、目前含水饱和度、微构造和流动单元类别四个主要参数，用油田最近时期已压裂井建立了压裂井层优选预测模型。并利用该模型对油田压裂井效果进行预测，预测结果符合现场实际施工，说明利用该预测模型进行压裂效果评价是有效、可行的。     

基于支持向量机的压裂效果预测方法研究

压裂效果受多种因素的影响,不同的井况参数和施工参数对压裂效果的影响具有许多非线性的规律。运用基于统计学习理论的支持向量机方法,建立了影响因素与压裂效果之间的预测模型,利用其训练算法对模型进行训练,然后对检验样本进行预测,结果表明支持向量机方法能够达到较高的预测精度。把支持向量机的计算结果与灰色关联分析法和模糊神经网络法结果进行对比,显示其预测精度高于后两种方法。实践证明,该方法用于压裂效果预测具有良好的适应性和实用性,可以用来指导压裂选井选层和压裂施工工艺。     

运用现代数学理论和计算机智能技术优选压裂井层

油气井压裂后要获得好的增产效果,首先要选取最适合进行增产措施改造的井。影响一口井压裂效果的参数包括地质静态、开发动态及压裂施工等多方面参数,从理论上讲,每一个参数对压裂效果都有不同程度的影响。传统的选井方法主要依靠经验或生产需求来选择施工井层,具有一定的主观性、盲目性和风险性。本文充分运用现代数学理论,即模糊聚类、模糊神经分类系统和模糊排序法,筛选了可靠的数据,确定了压裂选井主要影响因素;深入研究了影响压裂成功率的主要因素并应用层次分析法确定各因素的权重,研究了各候选井压裂成功率的大小;同时,充分运用计算机智能技术,提出了改进的自适应遗传算法,将该遗传算法与神经网络结合 起来,形成了改进的遗传神经网络,该网络收敛快、泛化能力强,克服了传统数学方法在处理这类问题时的局限性和误差大的缺点,可以用来优选压裂井。应用效果表明,该方法预测结果与现场实施压裂后的增产效果非常吻合。     

神经网络技术在储运工程中的应用综述

人工神经网络是近年来得到迅速发展的一种算法，在各个领域已经得到了广泛的应用。针对储运工程，介绍了多层感知器网络、径向基网络和小波网络在管道智能检测数据分析识别中应用，前向神经网络在管道综合可靠度决策评价中应用，基于自适应反馈预测模型和自适应函数连接预测模型的天然气消费预测以及Hopfield神经网络在管线优化设计中的应用。可以看出，神经网络必将成为解决储运工程问题的有力工具，对突破现有技术的瓶颈，更深入地探索非线性等复杂现象将起到重大作用。     

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。     

新型Elman网络在乙烯精馏塔软测量建模中的应用

针对前馈神经网络在石油化工软测量建模中存在的不足，采用递归型Elman网络实现动态石化生产过程的建模。提出了一种新型的Elman网络——HF Elman网络，将其应用在某石化厂600kt／a乙烯生产装置乙烯质量指标的软测量建模，并与前馈网络和Elman网络的建模性能进行了比较，仿真结果表明，HF Elman网络具有良好的动态建模能力，能够更好地实现乙烯精馏塔出口成分含量的软测量建模。     

玛湖凹陷风城组薄互层分层压裂优化方法

玛湖凹陷石油地质储量大,二叠系风城组储集层厚度大,油气显示佳,但薄互层岩性组合复杂,地应力变化大,需要精细分层压裂实现储量充分动用.基于数值模拟方法,研究多段储集层合压时压裂裂缝扩展的影响因素,为储集层压裂方案的选择提供依据.结果表明:储集层应力差对压裂裂缝扩展的影响最大,压裂液排量和黏度次之,储集层厚度比影响最小.基...     

基于广义回归神经网络的压裂井砂量优化

以影响压裂井产量的地层参数和压裂施工参数作为输入变量,压裂后的每米产量为输出变量,建立了压裂井产量预测的广义回归神经网络模型,并根据与目标油井地质参数的欧式距离的大小来选择学习样本。通过该模型预测不同砂量下油井压裂后的产量变化情况,并结合经济评价方法来确定以经济效益为目标的最优加砂量。实例分析表明,该方法是可行的。     

Petroleum reservoir characterization with the aid of artificial neural networks

We introduce a new application of artificial neural network technology in the characterization of reservoir heterogeneity. Different reservoir properties, such as porosity, permeability and fluid saturation, in highly heterogeneous formations can be predicted with good accuracy using information deduced from readily available geophysical well logs. The methodology by which this is carried out is based on the intelligent and adaptive pattern recognition capabilities of an artificial neural network (three-layer feed forward, back propagation). The need for expensive processes to acquire porosity, permeability and fluid saturation data (such as well testing and extensive coring of the formation) may therefore be greatly reduced. Examples of several neural networks developed during this study are presented.     

应用改进的神经网络学习方法预测储层参数

人工神经网络理论在石油科学的研究中具有重要的理论和现实意义。文章在分析了模拟退火算法和变尺度法各自的优势和原理基础上，针对前向网络反向传播算法（BP）收敛速度缓慢和易陷入局部极值点的缺点，将有全局寻优特性的模拟退火算法（SA）和快速收敛的局部寻优变尺度算法（BFGS）有效地结合，提出了一种快速、高效的前向网络混合学习策略，即SA-BFGS混合算法来训练网络。用它代替传统BP网络中的梯度下降法，通过训练网络权值，使网络具有较快的收敛速度和较高的逼近精度。在测井资料计算储层参数的实际应用中，该法能极大地改进前向网络的收敛速度与收敛性能，处理速度快、稳定性好、可信度高，具有较好的应用前景。