西部油田设备的群诊及关联预测模型的建立

分析了西部油田设备诊断在广度、深度、预测方面须解决的实际问题,结合目前先进、适用的诊断方法与技术,提出了群诊及关联预测模型框架.其核心思想是:结合“定性诊断模型”与“定量数据”构建“综合诊断库”,建立能够对“设备群”进行数据自动处理与故障分析的“群诊模型”,解决西部油田设备诊断的“广度”复杂性问题;利用时变基频的求解方法,建立基于径向基函数网络的时变基频识别模型,解决“深度”复杂性问题;利用基于部件重组的“关联预测”方法,对多台设备同时送修周期进行正确预报,形成西部油田设备群诊和预报体系.     

基于分层模糊系统的石油钻井参数预测模型

确定钻井过程中工程参数的异常变化是石油钻井事故预警系统的重要内容。针对钻井过程高度复杂和输入变量众多的特点,建立了一种基于分层模糊系统的工程参数预测模型,通过参数预测模型输出与其实际值的误差来判断参数是否异常。通过模糊曲线法对预测模型的众多输入变量进行合理筛选,利用ANFIS学习算法对预测模型的结构以及隶属函数、模糊规则等参数进行训练和优化。引入动态论域概念解决模糊化时参数基准缓变产生的问题。实验表明,这种预测模型具有良好的预测稳定性,满足实时性要求,并可充分利用经验知识,准确反映工程参数的变化趋势。用钻具掉落的事故数据进行检验,结果显示该模型能够及时发现参数的异常变化,从而为事故预警奠定基础。     

钻井过程中工程异常的分析与判断

钻井过程中工程事故的发生,都有一定的前兆,主要以不同参数的变化表现出来,科学合理地分析总结参数变化规律,及时发现超前做好预报工作,尽早采取积极的应对措施,能有效避免钻井工程事故的发生和进一步变化,为提高钻井时效和安全优化钻井,提供科学的依据.该文从录井入手,对钻井过程中出现的工程异常进行了分析,并总结出了判断及预报的方法,对做好钻井过程中事故预报及减少事故的发生有指导意义.     

油田注水量自适应预报方法的实践检验与分析

就人们的愿望来说,一个状态预报模型的预测结果在满足工程精度要求的前提下,预报时间越长,用起来又比较方便才是最理想的。这就要求预测工作者应该从预测体系的特点出发,选择适当的预测方法以取得预测的成功。本着上述原则,文献[2]给出了油田动态—非平稳随机过程体系的产油、产水量自适应预报模型:     

油田动态体系的特点及自适应预测实践

注水开发砂岩油田的动态体系是一个具有时变特点的非平稳随机过程系统,因此应用系统分析方法解决油田动态预测问题,在一定范围内较之分析方法有更大的优越性.本文提供了一个针对这种特点所选择的预测方法,对D油田产量进行五年预报,并有经过实际资料检验的实例,可以说明系统分析方法解决油田动态预测问题的实用价值.     

钻井工程事故监测和预警方法研究

钻井工程事故的监测和预报是安全钻井和优化钻井的重要研究课题之一，也是工程录井工作的主要内容。在以事故预警技术研究为背景，简述钻井工程事故监测与预报方法和存在问题的基础上，提出了采用模糊理论实现钻井工程事故预警设计的新思想和技术方法，给出了推理算法及公式，阐明了测量参数与预警结果之问的函数关系，为计算机准确、快速处理创造了条件。此外，通过构建多种事故模型知识库，可使系统有较大的灵活性和适应性，以满足不同地区的应用要求。室内实验证实，该设计系统对事故判断正确，预警输出结果合理。     

柴油调合人工神经网络模型研究

根据某炼油厂所提供的柴油调合凝点和冷滤点基础数据 ,用人工神经网络的反向传播方法进行建模预测。提出了人工神经网络适宜的拓扑结构 ,通过生产数据的检验 ,证明了用该方法建立的柴油调合模型能有效地给出预测信息。研究表明 ,凝点预测绝对值平均误差为 1.0 5℃ ,冷滤点预测绝对值平均误差为 0 .91℃ ,较常用的调合系数模型、指数关联模型和凝点换算因子模型 ,能更准确地预报调合柴油的凝点和冷滤点。     

水淹油藏孔隙压力测井评价方法研究

有效地求取地层孔隙压力,是油藏工程必不可少的研究内容,对油气运移成藏研究、油藏物性与剩余油分布预测、井壁稳定性评价、套损预测预报等都具有极其重要的现实意义。本文从注水开发油田套损预测预报工作要求出发,通过现有测井资料预测地层压力方法考察,明确了典型的等效深度法、统计分析法求取水淹油藏孔隙压力不适应的根源所在,提出了原始油藏压实趋势线与统计分析相结合的思路,给出当前水淹油藏孔隙压力计算方法。经4口井RFT测试资料检验,平均绝对误差0.61MPa,为地应力评价、套损预测提供了重要的数据。     

油气水多相管流预测方法研究

为解决常用多相流计算方法对现场实测井预测存在较大偏差的问题,运用室内实验与拟合检验相结合的方法,开展了油气水多相管流系统性实验研究。对流型预测模型及其中2种具有持液率计算能力的预测模型(Beggs-Brill、Mukherjee-Brill)进行检验后发现,最适合的流型预测方法为Mukherjee-Brill模型,其准确性得到进一步验证;明确持液率预测的准确性是压降预测的关键因素。重新拟合得到的预测新模型,经现场实测数据检验表明,其平均相对误差为5.08%,较其他模型预测精度至少提高3个百分点,表明新预测模型具有较高的精度与可靠性。新模型能够为实际油气井的生产设计提供理论参考。     

钻井工程事故分析与预报

如何充分发挥综合录井指导安全优化钻井的功能,一是要求钻、录井双方引起足够重视;二是要求录井不断分析总结工程参数的变化规律。该文从工程录井入手,在分析钻井工程事故原因及危害的基础上,具体阐述了判断不同工程事故的方法,指出了综合录井的参数的变化规律。对进一步做好工程事故预报工作具有指导意义。     

实时工程异常预报系统研究及应用

针对目前尚缺少的钻井工程异常事故分析预报计算机综合处理软件,提出了一套完整的计算机处理方案,利用多元数据分析理论建立数学模型,并通过编制程序由计算机自动对工程事故进行及时预报。经过现场的初步试用,证实该系统弥补了人工预报的不足,进一步提高了钻井施工的安全性。     

The Prediction of Wax Precipitation by Neural Network and Genetic Algorithm and Comparison With a Multisolid Model in Crude Oil Systems

Abstract

This article introduce a new implementation of the neural network and genetic programming neural network technology in petroleum engineering. An intelligent framework is developed for calculating the amount of wax precipitation in petroleum mixtures over a wide temperature range. Theoretical results and practical experience indicate that feedforward networks can approximate a wide class of function relationships very well. In this work, a conventional feedforward multilayer neural network and genetic programming neural network (GPNN) approach have been proposed to predict the amount of wax precipitation. The introduced model can predict wax precipitation through neural network and genetic algorithmic techniques. The accuracy of the method is evaluated by predicting the amount of wax precipitation of various reservoir fluids not used in the development of the models. Furthermore, the performance of the model is compared with the performance of multisolid model for wax precipitation prediction and experimental data. Results of this comparison show that the proposed method is superior, both in accuracy and generality, over the other models.     

A prediction method of borehole stability based on seismic attribute technology

Borehole instability in drilling engineering can bring about serious problems of drilling quality and safety. Based on the close relationships between seismic and well log information, the prediction method of borehole stability is presented to effectively control borehole instability. Conventional and nonlinear seismic attributes are extracted from borehole-side seismic traces of impending drilling well and drilled offset well respectively. Then the optimal attributes combinations sensitive to log properties are selected by using genetic algorithm and wavelet neural network technology together. A series of mapping models which reflect the nonlinear relationships between seismic attributes and acoustic and density log data of various formation intervals in drilled well are constructed through neural network modeling. With analysis of cutting logging data, seismic attributes of the formation under bit and corresponding mapping model can be used to predict acoustic and density log curves of this formation. Based on the predicted log data, log interpretation method, analysis technology of in-situ stress and mechanics model of borehole stability are employed to calculate in-situ stress, pore pressure, collapse pressure and fracture pressure, thus the safe drilling fluid density window which can keep borehole stable is determined. Prediction precision and real-time operation ability of the proposed method are satisfying, which have been proved in practical application in TR oil field.     

The Application of an Artificial Neural Network (ANN) and a Genetic Programming Neural Network (GPNN) for the Modeling of Experimental Data of Slim Tube Permeability Reduction by Asphaltene Precipitation in Iranian Crude Oil Reservoirs

Abstract

The authors introduce a new implementation of the neural network (ANN), genetic programming neural network (GPNN), and neuro-fuzzy (NF) technology in petroleum engineering. An intelligent framework is developed for calculating the amount of permeability reduction by asphaltene precipitation in Iranian crude oil reservoirs over a wide pressure, temperature, and solvent mole fraction range. Theoretical results and practical experience indicate that a feed-forward network can approximate a wide class of function relationships very well. In this work, a conventional feed-forward multilayer ANN, GPNN, and NF approach have been proposed to predict the amount of permeability reduction. The accuracy of the method is evaluated by predicting the amount of permeability reduction of various reservoir fluids not used in the development of the models. One of the ways in modeling such systems is using intelligent techniques, which need information about the systems, so, based on some intelligent learning methods, it can provide a suitable model. Furthermore, the performance of the model is compared with the performance of a simple model for permeability reduction prediction, a new correlation, and experimental data. Results of this comparison show that the proposed GPNN method first and then NF method is superior both in accuracy and generality, over the other models.     

华西1井钻具刺漏预报分析

因钻具刺漏而引发钻井事故在钻井工程中较为普遍,及时监测、预报钻具刺漏现象是避免钻具事故发生的有效措施,综合录井技术在现场的应用.为工程事故预告创造了有利条件。该文通过几个典型实例的分析,较好地总结了钻具刺漏现象的资料特征和规律,为现场预报工作提供了借鉴。     

利用地震反演技术钻前预测井壁稳定性

为有效克服钻井过程中出现的井壁失稳问题,基于褶积模型的测井约束反演方法,提出了利用地震层速度反演技术在钻前预测安全钻井液密度范围的模型。该预测模型充分利用探区内的地震记录资料,以测井信息和地质资料为约束条件,通过制作合成地震记录进行层位标定,建立初始波阻抗模型,运用宽带约束反演技术获得具有较高分辨率的波阻抗模型并最终得到速度资料。利用反演结果结合统计模型、趋势面模型、神经网络模型及岩石力学模型等常用预测模型可以实现钻前井壁稳定性预测。通过该方法反演出塔里木油田一口探井的层速度曲线,并在钻前预测出该井的安全钻井液密度范围,与实钻数据进行对比分析的结果表明,该预测方法具有良好的预测效果,可满足钻井工程的需要。     

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。     

基于BP人工神经网络的钻柱动态行为预测方法

为了掌握常见的钻柱动态行为及产生原因,应用BP三层人工神经网络模型,采用频谱分布特征、轴心轨迹和振动特征等共15个输入征兆来研究预测4种典型的钻柱动态行为。8组输入征兆的预测输出结果表明,这种人工神经网络模型通过样本训练,能够根据钻柱输入征兆完全、不完全信息,进行联想、记忆和聚类等自组织学习,实现了网络输出准确率高,且网络输出结果与实际测试资料可以互相解释印证,说明这种神经网络的预测结果可以指导实际钻井作业,同时又可由实际钻井资料收集样本模式不断反馈,从而完善网络模型。     

基于层级支持向量机的石油价格预测

本文针对石油价格预测中数据选择不当、数据没有预处理和预测方法单一等问题,提出了层级支持向量机模型(SVM),予以解决。模型的第一层通过Gauss径向基核的支持向量回归机(SVR)对输入数据进行了预处理;模型的第二层对模型第一层所确定的输入数据进行融合,并做出最终的预测,最后用油价波动趋势进行了拟合分析。实例研究表明,层级SVM方法比SVR模型和BP神经网络的性能指标更优,具有很好的应用前景。