排序方式: 共有19条查询结果,搜索用时 15 毫秒
1.
小波神经网络的油田开发动态指标预测方法 总被引:1,自引:0,他引:1
针对现存油田开发动态指标预测方法的不足,借助小波神经网络思想、原理,构造出小波神经网络油田开发动态指标预测模型,研究了模型的求解,并应用于实际油田开发动态指标的预测中。实例分析表明,提出的小波神经网络的油田开发动态指标的预测方法是正确和可行的,与人工神经网络的预测方法相比,小波神经网络的预测方法不仅能有效地提高预测精度,而且能提高收敛速度,可作为油田开发动态指标预测的替代方法。 相似文献
2.
3.
针对经营未开发低品位油藏可解决中国石油的供需矛盾,借鉴高品位油藏经营的思想,综合应用投入产出分析、风险分析、因子分析、关联分析、综合效益分析、敏感性分析、优惠政策效益分析及现金流法、风险投资决策方法及油田优化决策方法,系统地研究了最佳经营未开发低品位油藏的思路和方法.参照石油行业对高品位油藏的经济评价依据和项目的经济可行性,提出了未开发低品位油藏经营效益的评价新标准;设计了合理、持续有效地经营该类油藏的模式方案;形成了油田企业经营未开发低品位油藏所采用的经营方式和享受的开发优惠政策的经营模式新理论.实例研究表明,该方法能够为油田企业制定经营未开发低品位油藏的最佳模式提供理论依据. 相似文献
4.
特高含水期是油田重要的开采阶段.我国东部大部分油田已经进入特高含水期.研究处于该阶段的油田产量预测问题具有重要意义。由于处于特高含水期阶段的油田一般采集到的开发指标和影响因素的样本数较小,所以基于统计学理论的常规预测方法都不太适合该阶段的产量预测。文中从数据挖掘和机器学习角度提出了油田产量预测的新方法——基于主成分分析和支持向量机(SVM)方法的油田产量预测模型。先把由影响产量的众多因素构成的高维向量通过主成分分析技术进行数据降维后作为SVM的输入,通过SVM训练得到模型,并利用遗传算法(GA)优选模型的参数建立特高含水期油田产量预测模型。与其他方法相比,该方法减少了模型输入变量的维数,提高了模型收敛的速度和预测精度,能较好地反映特高含水期油田产量的动态变化规律. 相似文献
5.
6.
特高含水油田常规开发动态指标预测方法分析 总被引:1,自引:1,他引:0
钟仪华 《大庆石油地质与开发》2009,28(3)
因为油田有相当一部分剩余可采储量将在特高含水期采出,所以如何将油田的剩余可采储量高效地在此阶段采出,是目前我国各油田急需解决的问题.解决此问题的基础就是对该阶段油田的开发动态指标进行准确的预测.针对特高含水油田的开发特点和面临的问题,结合油田常规开发动态指标预测方法的特征和实用性分析,对常规动态分析预测方法从机理和缺陷方面进行了评价,提出了在不考虑预测可靠性的前提下,适合该阶段的常规动态分析预测方法依次是油藏数值模拟法、预测模型法、递减规律法、联解法和水驱特征曲线法.指出了研究新的预测方法的必要,并指明了研究特高含水油田开发动态指标预测新方法的方向:支持向量机预测、基于时变系统的功能模拟预测、组合预测和智能预测. 相似文献
7.
小波神经网络在油田产量预测中的应用 总被引:3,自引:2,他引:1
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. 相似文献
8.
钻井作业是高风险高投资的过程,这个过程中存在许多可能导致重大钻井事故的不确定因素,对此类不确定性因素进行预测进而达到预警或控制的目的,提前做好风险预防或降低风险损失具有较大的经济意义。通过研究钻井风险预测、马尔科夫链和贝叶斯网络方法,根据现场采用的指标体系,提出融合马尔科夫链和贝叶斯网络的钻井风险预测新方法。该方法可从纵、横两方面预测钻井事故的风险、弥补单独用马尔科夫链处理上层指标数据欠缺的不足;并可为诊断、监测和控制风险提供理论依据。实例研究表明,该方法是正确和可行的,用马尔科夫链进行纵向预测与实际的吻合度为82%,而贝叶斯网络仅为46%,融合后的方法优于现有方法。 相似文献
9.
泥浆泵的可靠性直接关系到勘探开发钻井过程的安全,其关键部件出现故障将严重影响泥浆泵的工作性能.根据F1600宝石泥浆泵的运行状态,结合专家经验,建立了泥浆泵的十字头导板总成故障原因的分析表,得到导致十字头导板总成故障的11个故障原因;在此基础上,通过矩阵分析法和Borda序值法对故障原因和风险进行了分析和排序,得出了其主要和较大风险的故障原因,以便决策者及时通过采取相应措施降低故障的发生频率. 相似文献
10.
测井解释过程中的油气水层识别实质是一个模式识别问题。基于统计学习理论发展起来的新一代小样本学习算法——支持向量机,是至今模式识别问题的强有力解决方法之一。本文针对现有方法在解决油气水层识别问题中的不足,提出了最小二乘支持向量机(LSSVM)的油气水层识别方法。该方法依据测井所得到的小样本、不适定性等数据信息建立并归一化数据样本集;通过网格搜索法选择LSSVM训练参数C和σ2,用交叉验证法对目标函数进行寻优找到最佳的参数;通过训练学习数据样本和测试数据样本,建立最小二乘支持向量机分类器识别模型。用本文提出的新方法研究了大庆油田某油藏的油气水层识别问题,结果表明最小二乘支持向量机的油气水层识别方法较人工神经网络和标准支持向量机的油气水层识别方法具有更快的运算速度和准确率,是一种值得进一步研究及推广使用的方法。 相似文献