高新成，徐 璐

(1.東北石油大學(xué) 現(xiàn)代教育技術(shù)中心，黑龍江 大慶 163318；2.東北石油大學(xué) 計算機與信息技術(shù)學(xué)院，黑龍江 大慶 163318)

油井壓裂措施智能分析系統(tǒng)設(shè)計與實現(xiàn)

高新成1，徐 璐2

(1.東北石油大學(xué) 現(xiàn)代教育技術(shù)中心，黑龍江 大慶 163318；2.東北石油大學(xué) 計算機與信息技術(shù)學(xué)院，黑龍江 大慶 163318)

隨著油田二次開發(fā)中壓裂措施井數(shù)量不斷增多，會導(dǎo)致壓裂分析難度增大。結(jié)合油田壓裂措施選井選層業(yè)務(wù)的實際需求，采用專家推理機制和BP神經(jīng)網(wǎng)絡(luò)算法等技術(shù)，設(shè)計開發(fā)了一套油井壓裂措施智能分析系統(tǒng)。系統(tǒng)實現(xiàn)了對壓裂措施的合理分析和措施選井選層的效果評價，降低了措施井優(yōu)選的復(fù)雜度，提高了壓裂措施后增油量預(yù)測的準確性，為油田二次開發(fā)生產(chǎn)提供輔助決策支持。

壓裂措施； 選井選層； 專家系統(tǒng)； BP神經(jīng)網(wǎng)絡(luò)

壓裂技術(shù)是目前油田二次開采提高產(chǎn)油量的重要手段，壓裂措施業(yè)務(wù)具有流程復(fù)雜、數(shù)據(jù)分析因素多等特點，隨著措施井的數(shù)量逐漸增多，導(dǎo)致對壓裂措施數(shù)據(jù)處理效率低，分析不準確[1]。具體表現(xiàn)在：①潛力井篩選需要綜合考慮生產(chǎn)動態(tài)數(shù)據(jù)和靜態(tài)資料等，分析內(nèi)容多，數(shù)據(jù)量大；②對措施增產(chǎn)分析準確率不高，預(yù)測效果不理想；③現(xiàn)有較多措施分析相關(guān)軟件沒有集成到統(tǒng)一平臺上，數(shù)據(jù)共享率低，平臺聯(lián)動性不強[2]。

針對上述問題，本文以油井動態(tài)和靜態(tài)數(shù)據(jù)為基礎(chǔ)，研究措施井優(yōu)選與效果預(yù)測等技術(shù)，實現(xiàn)油田壓裂措施井智能優(yōu)選與預(yù)測分析，提高壓裂措施業(yè)務(wù)數(shù)據(jù)分析效率，提升油井壓裂后產(chǎn)量預(yù)測效果的準確性。

1 油井壓裂智能分析相關(guān)技術(shù)

1.1 專家知識系統(tǒng)

專家知識系統(tǒng)(Expert Knowledge System，EKS)通常被認為是一種具有專家評判能力的分析系統(tǒng)，其思想是運用大量專業(yè)知識與經(jīng)驗智能推理，求解最佳方法[3-4]。通常設(shè)計專家系統(tǒng)包括知識庫、推理機、知識獲取、解釋系統(tǒng)、中間數(shù)據(jù)庫和人機接口6部分內(nèi)容[5]。體系結(jié)構(gòu)如圖1所示。

圖1 專家系統(tǒng)體系結(jié)構(gòu)

知識庫用于存放知識與經(jīng)驗等內(nèi)容，形成專業(yè)知識庫；推理機是從知識庫中獲取有用信息后，選擇解決問題的推理方式[6]；知識獲取是知識、經(jīng)驗的收集與表達的過程；中間數(shù)據(jù)庫用于臨時存放推理過程中需要處理的數(shù)據(jù)信息；解釋系統(tǒng)通過解釋和執(zhí)行等方式將推理的結(jié)果及遇到的問題反饋給用戶；人機接口提供系統(tǒng)與用戶間交互接口及用戶友好訪問界面[7]。

1.2 BP神經(jīng)網(wǎng)絡(luò)技術(shù)

人工神經(jīng)網(wǎng)絡(luò)技術(shù)是一種學(xué)習(xí)和模仿人腦信息處理的數(shù)學(xué)模型。BP神經(jīng)網(wǎng)絡(luò)是一種按誤差反向傳播算法訓(xùn)練的多層前饋網(wǎng)絡(luò)，目前應(yīng)用廣泛。它能夠以任意精度逼近任何非線型連續(xù)函數(shù)，無需事前揭示輸入和輸出之間的映射關(guān)系，適合求解復(fù)雜問題。BP神經(jīng)網(wǎng)絡(luò)模型拓撲結(jié)構(gòu)包括輸入層(input layer)、隱含層(hide layer)和輸出層(output layer)，各層的節(jié)點數(shù)可根據(jù)實際情況進行設(shè)定[8]。BP神經(jīng)網(wǎng)絡(luò)的模型結(jié)構(gòu)如圖2所示。

圖2 三層BP網(wǎng)絡(luò)模型

該模型為三層BP神經(jīng)網(wǎng)絡(luò)，其中，輸入節(jié)點n個，輸出節(jié)點m個，隱含節(jié)點h個。

隱含層神經(jīng)單元的計算可以表示為：

其中，xi表示輸入信號，pj表示隱含節(jié)點，ωij表示輸入節(jié)點與隱含節(jié)點間網(wǎng)絡(luò)權(quán)值，θj為隱含層閾值，f(·)為激勵函數(shù)。

輸出層神經(jīng)單元的計算可以表示為：

其中，pj表示隱含節(jié)點，yk表示輸出節(jié)點，ωjk表示隱含節(jié)點與輸出節(jié)點間網(wǎng)絡(luò)權(quán)值，θk為輸出層閾值[9]。

通過信息正向傳遞和誤差反向傳播，反復(fù)修正權(quán)值和閥值，使得誤差函數(shù)值達到最小，完成學(xué)習(xí)功能[10]。

2 油井壓裂措施智能分析系統(tǒng)設(shè)計

2.1 系統(tǒng)架構(gòu)模型設(shè)計

針對油井壓裂措施智能分析系統(tǒng)實際需求，設(shè)計油井壓裂措施智能分析系統(tǒng)架構(gòu)模型。模型主要包括應(yīng)用層、業(yè)務(wù)邏輯層和數(shù)據(jù)層3部分，系統(tǒng)架構(gòu)如圖3所示。

圖3 油井壓裂措施智能分析系統(tǒng)架構(gòu)模型

數(shù)據(jù)層負責(zé)數(shù)據(jù)管理與維護等功能。數(shù)據(jù)管理主要包括集成油田已有的靜態(tài)數(shù)據(jù)和生產(chǎn)數(shù)據(jù)庫等，實現(xiàn)樣本數(shù)據(jù)、小隊數(shù)據(jù)、中間數(shù)據(jù)和生產(chǎn)數(shù)據(jù)庫等數(shù)據(jù)的有效處理。數(shù)據(jù)維護主要包括樣本數(shù)據(jù)和元數(shù)據(jù)維護，以及對管理機制的維護。

業(yè)務(wù)邏輯層負責(zé)智能優(yōu)選和預(yù)測分析等功能。利用專家選井知識庫生成元數(shù)據(jù)集、邏輯規(guī)則和產(chǎn)生式規(guī)則，形成全面的知識體系結(jié)構(gòu)，并通過知識合理獲取實現(xiàn)智能推理機制。同時，依據(jù)優(yōu)選結(jié)果篩選預(yù)測樣本，設(shè)定預(yù)測算法，建立預(yù)測模型，實現(xiàn)產(chǎn)能預(yù)測效果分析。

應(yīng)用層包括篩選出潛力井、跟蹤預(yù)測效果和生成措施方案等多種應(yīng)用。

2.2 系統(tǒng)功能模塊設(shè)計

結(jié)合油田實際壓裂措施業(yè)務(wù)，設(shè)計油井壓裂措施智能分析系統(tǒng)主要包括潛力井優(yōu)選、效果預(yù)測分析、生成措施方案和系統(tǒng)平臺管理等功能模塊，如圖4所示。

圖4 系統(tǒng)功能模塊圖

潛力井優(yōu)選：依據(jù)壓裂措施選井選層標準，設(shè)計篩選規(guī)則和優(yōu)選算法，形成措施潛力井知識庫，實現(xiàn)壓裂措施潛力井自動篩選任務(wù)，同時能夠?qū)σ?guī)則進行維護。

效果預(yù)測分析：依據(jù)措施井歷史數(shù)據(jù)，選取樣本數(shù)據(jù)，生成預(yù)測樣本庫，設(shè)定預(yù)測算法，建立具體預(yù)測效果模型，分析出預(yù)測措施結(jié)果。

生成措施方案：根據(jù)需要壓裂的潛力井，確定具體措施方案，利用歷史數(shù)據(jù)和措施方式生成工程與地質(zhì)方案，并對方案有效管理。

系統(tǒng)平臺管理：包括用戶管理、權(quán)限分配和數(shù)據(jù)備份等內(nèi)容，實現(xiàn)根據(jù)業(yè)務(wù)需求分配相應(yīng)管理權(quán)限等靈活設(shè)置，數(shù)據(jù)備份為系統(tǒng)數(shù)據(jù)管理提供更好的安全性。

3 系統(tǒng)主要功能實現(xiàn)

系統(tǒng)結(jié)合C/S與B/S混合模式[11]，基于.NET平臺開發(fā)，利用Oracle數(shù)據(jù)庫實現(xiàn)后臺數(shù)據(jù)管理。采用專家推理機制實現(xiàn)措施井的智能優(yōu)選，采用BP神經(jīng)網(wǎng)絡(luò)算法等技術(shù)實現(xiàn)措施效果預(yù)測分析，采用SOA技術(shù)實現(xiàn)系統(tǒng)的應(yīng)用集成[12]，實現(xiàn)對油井壓裂措施效果的智能分析。

3.1 措施井智能優(yōu)選

圖5 措施井智能優(yōu)選界面

圖6 效果預(yù)測分析

措施井智能優(yōu)選模型的設(shè)計包含：措施井專家知識體系的建立、專家知識庫的管理和專家知識推理。利用地質(zhì)人員多年的措施井選井經(jīng)驗建立壓裂措施選井知識庫以及知識庫表示形式，對專家知識庫進行實時更新，采用專家知識推理機制根據(jù)措施井的基礎(chǔ)信息得到專家優(yōu)選結(jié)果。專家知識推理的原理是將產(chǎn)生式規(guī)則和框架相結(jié)合，將專家知識庫和知識推理過程相聯(lián)系，最后運用綜合評估的方法得出專家優(yōu)選的結(jié)果。智能優(yōu)選界面如圖5所示。

3.2 措施效果預(yù)測分析

措施效果預(yù)測分析是根據(jù)壓裂井的基礎(chǔ)數(shù)據(jù)對壓裂效果進行預(yù)測。根據(jù)壓裂井的歷史數(shù)據(jù)建立樣本，為了提高預(yù)測準確率，分別建立每個區(qū)域的數(shù)據(jù)樣本；設(shè)計措施效果預(yù)測模型，本文采用BP神經(jīng)網(wǎng)絡(luò)進行預(yù)測；將區(qū)域樣本輸入BP神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，直到誤差在設(shè)定范圍之內(nèi)，保存相應(yīng)的權(quán)值和閾值，建立每個區(qū)域的預(yù)測模型；模型訓(xùn)練完成后，將模型的計算結(jié)果與壓裂措施實際數(shù)據(jù)進行對比，并顯示誤差曲線，如圖6所示。

4 結(jié)束語

本文首先分析油井壓裂措施業(yè)務(wù)實際需求，通過研究智能優(yōu)選與預(yù)測分析等相關(guān)技術(shù)與方法，設(shè)計了油井壓裂措施智能分析系統(tǒng)架構(gòu)模型，模型中引入專家系統(tǒng)思想，建立措施選井選層的專家推理機制，降低了措施井優(yōu)選的復(fù)雜度；同時，采用BP神經(jīng)網(wǎng)絡(luò)方法建立壓裂井的產(chǎn)能預(yù)測模型，提高預(yù)測壓后增油量的準確性；最后開發(fā)一套油井壓裂措施智能分析系統(tǒng)，實現(xiàn)了壓裂措施智能分析與輔助決策，提高了工作效率。

[1] 陳利琴.對油井壓裂技術(shù)的研究與探討[J].中國新技術(shù)新產(chǎn)品，2015(7):80-81.

[2] 關(guān)潔,馬春芳.油井壓裂效果分析[J].黑龍江科技信息，2011(5):20-21.

[3] 張煜東,吳樂南,王水花.專家系統(tǒng)發(fā)展綜述[J].計算機工程與應(yīng)用，2010(19):43-47.

[4] 李春生,張可佳.基于工程決策的專家系統(tǒng)模型設(shè)計與研究[J].計算機技術(shù)與發(fā)展，2012,22(3):89-90.

[5] 徐璐.油井壓裂措施分析輔助平臺的設(shè)計研究[D].大慶：東北石油大學(xué)，2016.

[6] BEAM C.Artificial intelligence applications in research of traditional Chinese medicine[J].Scientific consulting (management)，2010(5):83-86.

[7] CAO Han-qing.Engine room simulator based on expert system to automatically score system[J].Marine electric technology,2013(2):37-39.

[8] 李如平,朱煉,吳房勝,等.BP神經(jīng)網(wǎng)絡(luò)算法改進及應(yīng)用研究[J].菏澤學(xué)院學(xué)報,2016(2):13-17.

[9] GAO Xue-jun,HUANG Ting-wen,WANG Zhen-you.Exploiting a Modified Gray Model in Back Propagation Neural Networks for Enhanced Forecasting[J].Cognitive Computation,2014,6(3):331-337.

[10] YE L,LIU T,WU Z.Sequence-based protein domain boundary prediction using BP neural network with various property profiles[J]. STRUCTURE,FUNCTION AND GENETICS,2008,71(1):300-307.

[11] 姚寧廣.基于B/S模式的評審專家信息管理和選取系統(tǒng)的設(shè)計與實現(xiàn)[J].電腦知識與技術(shù),2016(27):77-79.

[12] 高新成,王莉利,劉玉華.基于SOA的數(shù)字化校園應(yīng)用模式的研究[J].齊齊哈爾大學(xué)學(xué)報(自然科學(xué)版),2011,27(5):39-42.

[責(zé)任編輯：李 莉]

Design and realization of oil well fracturing measure intelligent analysis system

GAO Xin-cheng1,XU Lu2

(1.Modern Education Technique Center,Northeast Petroleum University,Daqing 163318,China；2.School of Computer & Information Technology,Northeast Petroleum University,Daqing 163318,China)

With the increment of the number of fracturing measure wells,fracturing analysis becomes more difficulty. This article combines with the actual demand of selecting wells and layer of oilfield fracturing measures,uses the expert reasoning mechanism and BP neural network algorithm,designs and develops an set of oil well fracturing intelligent analysis system. The system accomplishes the rational analysis for fracturing measure and the effect evaluation for selecting the well and layer,reduces the optimized complexity of measure well,and improves the predictive accuracy of the oil increment after fracturing. It provides a significant support for tapping production potential and improving oilfield management level,and provides auxiliary decision support for secondary development for oilfield.

fracturing measure; oil well and layer selection; expert system; BP neural network

2096-3998(2017)03-0031-04

2016-11-29

2017-03-30

黑龍江省教育科學(xué)規(guī)劃重點課題(GJB1215013)；黑龍江省高教學(xué)會教育科研課題(16G154,16G160)

高新成(1979—)，男，黑龍江省木蘭縣人，東北石油大學(xué)副教授，博士，主要研究方向為數(shù)據(jù)處理與智能計算。

TP399

A