亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于人工神經(jīng)網(wǎng)絡(luò)的注水開(kāi)發(fā)油藏產(chǎn)量預(yù)測(cè)

        2020-04-01 07:20:08NEGASHBerihunMamoYAWAttaDennis
        石油勘探與開(kāi)發(fā) 2020年2期
        關(guān)鍵詞:產(chǎn)油量人工神經(jīng)網(wǎng)絡(luò)特征提取

        NEGASH Berihun Mamo,YAW Atta Dennis

        (馬來(lái)西亞石油大學(xué)石油工程系,斯里依斯干達(dá) 32610,馬來(lái)西亞)

        0 引言

        現(xiàn)有的大部分油氣產(chǎn)量預(yù)測(cè)方法都要求對(duì)油氣田的儲(chǔ)集層和流體性質(zhì)進(jìn)行綜合描述,需要花費(fèi)大量時(shí)間、精力去分析所研究的油氣田[1],預(yù)測(cè)結(jié)果準(zhǔn)確性主要取決于模型輸入數(shù)據(jù),包括地質(zhì)資料、巖石物理數(shù)據(jù)和儲(chǔ)集層特征參數(shù)等[2]。但是,鑒于儲(chǔ)集層的各向異性和非均質(zhì)性,數(shù)據(jù)采集和巖石、流體性質(zhì)表征難度很大[3]。此外,油氣藏模擬的每一步都有諸多不確定性,既有儲(chǔ)集層輸入數(shù)據(jù)的不確定性,也有實(shí)驗(yàn)研究的不確定性,會(huì)極大地影響油氣藏生產(chǎn)動(dòng)態(tài)的預(yù)測(cè)。油藏工程師一般采用歷史擬合方法,運(yùn)用物質(zhì)平衡概念,使用硬數(shù)據(jù)來(lái)驗(yàn)證模型,但不確定程度依然很高,有可能影響流體產(chǎn)量預(yù)測(cè)[4-5]。因此,機(jī)器學(xué)習(xí)方法受到油氣行業(yè)的關(guān)注,尤其是在快速評(píng)估和預(yù)測(cè)產(chǎn)量方面[6]。近年來(lái),有學(xué)者將注入量作為輸入數(shù)據(jù)、產(chǎn)出量作為輸出數(shù)據(jù),利用機(jī)器學(xué)習(xí)方法來(lái)推斷注水開(kāi)發(fā)油藏的注采關(guān)系[7-8]。

        油氣行業(yè)的主要挑戰(zhàn)之一是數(shù)據(jù)和信息的管理。面對(duì)大量數(shù)據(jù),工程技術(shù)人員有時(shí)難免會(huì)忽略有用信息[9]。因此,PDA(油氣數(shù)據(jù)分析)技術(shù)受到廣泛關(guān)注,該技術(shù)利用在油氣行業(yè)中收集的數(shù)據(jù)來(lái)分析、模擬、優(yōu)化生產(chǎn)運(yùn)營(yíng)[10]。大數(shù)據(jù)分析是數(shù)據(jù)科學(xué)的一個(gè)分支,涵蓋人工智能、數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)和模式識(shí)別[11]。機(jī)器學(xué)習(xí)研究的是計(jì)算機(jī)基于數(shù)據(jù)進(jìn)行學(xué)習(xí)的能力[12],用于從數(shù)據(jù)中提取預(yù)測(cè)模型。機(jī)器學(xué)習(xí)有兩種主要類(lèi)型,分別是監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí)。監(jiān)督學(xué)習(xí)通過(guò)對(duì)數(shù)據(jù)進(jìn)行分類(lèi)或標(biāo)記開(kāi)展學(xué)習(xí),該算法通過(guò)分析訓(xùn)練過(guò)的數(shù)據(jù)得到能夠根據(jù)同種特征向量預(yù)測(cè)新算例的模型[13]。非監(jiān)督學(xué)習(xí)不標(biāo)注所有輸入數(shù)據(jù),而監(jiān)督學(xué)習(xí)不但標(biāo)注數(shù)據(jù)而且對(duì)輸入、輸出數(shù)據(jù)繪圖[14]。人工神經(jīng)網(wǎng)絡(luò)是油氣行業(yè)中應(yīng)用最廣泛的機(jī)器學(xué)習(xí)方法之一,它是由生物神經(jīng)網(wǎng)絡(luò)啟發(fā)的一種數(shù)學(xué)結(jié)構(gòu)形式,用于依賴(lài)大量輸入數(shù)據(jù)的函數(shù)的近似[15]。人工神經(jīng)網(wǎng)絡(luò)的名稱(chēng)源自其骨架結(jié)構(gòu),在其骨架結(jié)構(gòu)中,通過(guò)選擇輸入屬性來(lái)優(yōu)化具有多個(gè)隱藏層的目標(biāo)函數(shù)。近年來(lái),有研究者應(yīng)用人工神經(jīng)網(wǎng)絡(luò)根據(jù)孔隙度、滲透率、飽和度等地質(zhì)參數(shù)預(yù)測(cè)原油產(chǎn)量,但由于各參數(shù)之間關(guān)系復(fù)雜,預(yù)測(cè)過(guò)程耗時(shí)長(zhǎng)、費(fèi)用高[16]。人工神經(jīng)網(wǎng)絡(luò)也在油氣行業(yè)的其他領(lǐng)域得到應(yīng)用[17-21]。然而,應(yīng)用人工神經(jīng)網(wǎng)絡(luò)并不是為了取代常規(guī)模擬手段及工作流程,而是將其作為一種輔助工具,以根據(jù)油氣田數(shù)據(jù)得到更多信息[22]。

        本文提出模擬油、氣、水產(chǎn)量與測(cè)試壓力、注采數(shù)據(jù)間關(guān)系的人工神經(jīng)網(wǎng)絡(luò),使用特別設(shè)計(jì)的特征來(lái)訓(xùn)練人工神經(jīng)網(wǎng)絡(luò),建立注水開(kāi)發(fā)油藏產(chǎn)量預(yù)測(cè)模型。進(jìn)行特征提取時(shí),首先利用實(shí)測(cè)數(shù)據(jù)建立能提供信息而不冗余的派生值(特征),以促進(jìn)后續(xù)的學(xué)習(xí)和泛化步驟。采用的特征提取方法以流體物理學(xué)和測(cè)量數(shù)據(jù)隨機(jī)組合為基礎(chǔ)。設(shè)計(jì)了幾個(gè)特征,并采用“蠻力”手段在最終的模型中去掉了對(duì)模型預(yù)測(cè)效果沒(méi)有太大影響的特征。本文將對(duì)提出的預(yù)測(cè)模型進(jìn)行詳細(xì)闡述并進(jìn)行算例分析。

        1 方法概述

        在人工神經(jīng)網(wǎng)絡(luò)中,神經(jīng)信息以權(quán)重和偏差的形式儲(chǔ)存,權(quán)重高的輸入項(xiàng)在模型中的作用大[23]。經(jīng)典機(jī)器學(xué)習(xí)方法中將1個(gè)數(shù)據(jù)集分為3個(gè)數(shù)據(jù)子集,即訓(xùn)練數(shù)據(jù)子集、驗(yàn)證數(shù)據(jù)子集和測(cè)試數(shù)據(jù)子集[24]。訓(xùn)練數(shù)據(jù)子集用于計(jì)算梯度、更新網(wǎng)絡(luò)權(quán)重和偏差。訓(xùn)練過(guò)程中要監(jiān)測(cè)驗(yàn)證數(shù)據(jù)子集的誤差。和訓(xùn)練數(shù)據(jù)子集的誤差一樣,驗(yàn)證數(shù)據(jù)子集的誤差一般會(huì)在訓(xùn)練的初始階段減小。當(dāng)網(wǎng)絡(luò)開(kāi)始過(guò)擬合數(shù)據(jù)時(shí),驗(yàn)證數(shù)據(jù)子集的誤差通常又開(kāi)始增大。網(wǎng)絡(luò)權(quán)重和偏差在驗(yàn)證數(shù)據(jù)子集誤差最小時(shí)被保存。測(cè)試數(shù)據(jù)子集用于評(píng)價(jià)經(jīng)過(guò)訓(xùn)練和驗(yàn)證的模型。在訓(xùn)練過(guò)程中不使用測(cè)試數(shù)據(jù)子集誤差,但是要用它對(duì)不同模型進(jìn)行比較??梢栽谡麄€(gè)訓(xùn)練過(guò)程中繪制測(cè)試數(shù)據(jù)子集誤差圖,如果測(cè)試數(shù)據(jù)子集誤差達(dá)到最小時(shí)的迭代次數(shù)與驗(yàn)證數(shù)據(jù)子集誤差達(dá)到最小時(shí)的迭代次數(shù)相差很大,那么對(duì)數(shù)據(jù)集的劃分可能不合理。本文使用馬來(lái)盆地 1個(gè)真實(shí)油藏14年的生產(chǎn)數(shù)據(jù)訓(xùn)練、驗(yàn)證、測(cè)試人工神經(jīng)網(wǎng)絡(luò)。將數(shù)據(jù)分成 4部分:80%的數(shù)據(jù)用于訓(xùn)練,5%的數(shù)據(jù)用于驗(yàn)證,5%的數(shù)據(jù)用于測(cè)試,其余10%的數(shù)據(jù)用于盲測(cè)模型。圖1給出了使用人工神經(jīng)網(wǎng)絡(luò)模擬注水開(kāi)發(fā)油藏流體產(chǎn)量的工作流程。

        圖1 注水開(kāi)發(fā)油藏流體產(chǎn)量模擬工作流程

        1.1 探索性分析

        探索性分析即對(duì)數(shù)據(jù)進(jìn)行收集和分析。數(shù)據(jù)的主要來(lái)源是 Pi-ProcessBook軟件,該軟件可獲得安裝在生產(chǎn)井和注入井處的發(fā)送器發(fā)送的實(shí)時(shí)數(shù)據(jù)。利用Pi-ProcessBook軟件對(duì)這些數(shù)據(jù)進(jìn)行分析,并提取某些特征的正態(tài)分布直方圖??蓮姆植紙D中識(shí)別可能的離群值,還可識(shí)別測(cè)量誤差。在統(tǒng)計(jì)學(xué)中,離群值是指不屬于某一數(shù)據(jù)群的數(shù)據(jù)點(diǎn),是遠(yuǎn)離其他值的異常觀(guān)測(cè)值,是分散于其他正常數(shù)據(jù)之外的觀(guān)測(cè)值。如果數(shù)據(jù)分布為近似正態(tài)分布,那么約 68%的數(shù)據(jù)值與均值的偏差在 1個(gè)標(biāo)準(zhǔn)差范圍內(nèi),約95%的數(shù)據(jù)值與均值的偏差在2個(gè)標(biāo)準(zhǔn)差范圍內(nèi),約99.7%的數(shù)據(jù)值與均值的偏差在3個(gè)標(biāo)準(zhǔn)差范圍內(nèi)。因此,用3σ規(guī)則來(lái)檢測(cè)離群值,根據(jù)該規(guī)則,任何與均值的偏差達(dá)到或超過(guò)3個(gè)標(biāo)準(zhǔn)差的數(shù)據(jù)值都被視作離群值。

        1.2 數(shù)據(jù)清理

        數(shù)據(jù)清理即發(fā)現(xiàn)數(shù)據(jù)集中的錯(cuò)誤以及剔除或修改數(shù)據(jù)集中的噪聲數(shù)據(jù)。進(jìn)行數(shù)據(jù)清理時(shí),首先要了解數(shù)據(jù)集,例如了解注入井的注入壓力與流量之間的關(guān)系,然后利用所了解的關(guān)系來(lái)計(jì)算流量計(jì)關(guān)閉時(shí)的注入量,并剔除不準(zhǔn)確的數(shù)據(jù)。又比如,研究海上油田生產(chǎn)日?qǐng)?bào),確定重大事件和生產(chǎn)設(shè)施的關(guān)停時(shí)間等。本文中,通過(guò)使用不同來(lái)源的數(shù)據(jù)進(jìn)行交叉校驗(yàn),重新分配、微調(diào)日產(chǎn)出量和日注入量數(shù)據(jù)。另外,用基于窗口的檢測(cè)方法剔除、替換離群數(shù)據(jù),即先將數(shù)據(jù)劃分到固定大小的窗口中,再檢測(cè)、替換離群數(shù)據(jù)。

        1.3 特征提取與擴(kuò)展

        特征提取與擴(kuò)展即使用現(xiàn)有數(shù)據(jù)集來(lái)創(chuàng)建新的輸入特征,使機(jī)器學(xué)習(xí)起作用并提高其性能。López-I?esta E等[25]提出并實(shí)施了將特征提取與擴(kuò)展結(jié)合起來(lái)提高機(jī)器學(xué)習(xí)效果的想法。特征提取是指將輸入數(shù)據(jù)轉(zhuǎn)換或組合成特征,通過(guò)應(yīng)用該方法可以提高機(jī)器學(xué)習(xí)的效果。本文利用基于流體物理學(xué)及測(cè)量數(shù)據(jù)的隨機(jī)組合提取的特征來(lái)改進(jìn)模型,例如利用注水管匯壓力與注水井注入壓力之間的關(guān)系以及采油井油管頭壓力、溫度與氣舉量之間的關(guān)系。特征中的每項(xiàng)都可以具有物理意義,即描述上述關(guān)系。與單獨(dú)使用某種數(shù)據(jù)(例如流量、時(shí)間)相比,使用根據(jù)流體物理學(xué)提取的幾種數(shù)據(jù)的組合,有時(shí)甚至是隨機(jī)的組合,也能使模型具有更好的預(yù)測(cè)效果。隨機(jī)組合得到的特征中的項(xiàng)不必具有物理意義。此外,可以通過(guò)與現(xiàn)有特征相乘或相除得到新的特征。

        1.4 優(yōu)化算法選擇

        本文在訓(xùn)練階段測(cè)試了 Levenberg-Marquardt、比例共軛梯度、貝葉斯正則化等 3種算法。Levenberg-Marquardt算法用于求解非線(xiàn)性最小二乘問(wèn)題,特別是最小二乘曲線(xiàn)的擬合。前人開(kāi)展了許多用 Levenberg-Marquardt算法訓(xùn)練神經(jīng)網(wǎng)絡(luò)的研究[26-28]。SHI Xiancheng 等[26]研究發(fā)現(xiàn),Levenberg-Marquardt算法的主要局限是它只能通過(guò)在高斯-牛頓算法和梯度下降法之間進(jìn)行插值來(lái)求局部最小值,當(dāng)存在大量訓(xùn)練樣品和節(jié)點(diǎn)權(quán)重時(shí)模型的準(zhǔn)確性會(huì)受影響。比例共軛梯度算法對(duì)內(nèi)存的要求低,所用的計(jì)算時(shí)間短。但它在線(xiàn)性方程系統(tǒng)中表現(xiàn)較好,在具有許多輸入特征的系統(tǒng)中可能導(dǎo)致過(guò)擬合[29]。因此,它不適用于注水開(kāi)發(fā)油藏?cái)?shù)據(jù)集的訓(xùn)練。貝葉斯正則化算法適用于本文所開(kāi)展的研究,因?yàn)檫@種算法應(yīng)用了能夠避免過(guò)擬合的正則化方法。雖然這種方法耗時(shí)較長(zhǎng),但是能對(duì)嘈雜數(shù)據(jù)集進(jìn)行很好的泛化[14]。貝葉斯正則化算法通過(guò)使均方誤差與權(quán)重的組合達(dá)到最小值來(lái)更新神經(jīng)網(wǎng)絡(luò)的權(quán)重和偏差。一旦完成最小化就可以確定正確的組合,得到泛化良好的網(wǎng)絡(luò)。

        1.5 模型訓(xùn)練

        本文中,90%的數(shù)據(jù)用于訓(xùn)練、驗(yàn)證和測(cè)試模型,其余 10%的數(shù)據(jù)用于盲測(cè)模型。也就是說(shuō),90%的數(shù)據(jù)用于訓(xùn)練模型體系結(jié)構(gòu)、監(jiān)測(cè)訓(xùn)練過(guò)程,確定何時(shí)停止訓(xùn)練模型,其余數(shù)據(jù)用于盲測(cè)訓(xùn)練后的模型。在機(jī)器學(xué)習(xí)中,用于訓(xùn)練的數(shù)據(jù)不能再用于測(cè)試[30]。

        1.6 模型評(píng)價(jià)

        前人采用過(guò)幾種模型評(píng)價(jià)指標(biāo)[24,31-32]。本文用均方誤差(MSE)、R2(決定系數(shù))和白度測(cè)試對(duì)模型進(jìn)行評(píng)價(jià)[33]。均方誤差是輸出值與目標(biāo)值之間的平均平方差。R2值用于衡量輸出值與目標(biāo)值之間的相關(guān)性。認(rèn)為在測(cè)試階段均方誤差低、R2值接近 1的模型是合適的模型。這兩個(gè)指標(biāo)能夠顯示模型是否提取了全部信息或者是否需要進(jìn)一步調(diào)整。白度測(cè)試即通過(guò)繪制直方圖來(lái)確定誤差分布。對(duì)于一個(gè)好模型,誤差直方圖應(yīng)顯示零均值和一定方差。此外,也可以通過(guò)繪制交會(huì)圖來(lái)對(duì)比模擬數(shù)據(jù)和驗(yàn)證數(shù)據(jù),示例如圖2所示。如果模擬數(shù)據(jù)與驗(yàn)證數(shù)據(jù)交會(huì)圖位于45°線(xiàn)上方,說(shuō)明模型低估了驗(yàn)證數(shù)據(jù),反之則說(shuō)明模型高估了驗(yàn)證數(shù)據(jù)。理想情況下,模擬數(shù)據(jù)與驗(yàn)證數(shù)據(jù)交會(huì)圖與45°線(xiàn)重合。

        圖2 模擬數(shù)據(jù)與驗(yàn)證數(shù)據(jù)交會(huì)圖示例

        2 實(shí)例應(yīng)用

        2.1 油藏和數(shù)據(jù)集描述

        采用馬來(lái)盆地 1個(gè)油藏的數(shù)據(jù),鑒于保密原因,只保留了最小限度的細(xì)節(jié)。該油藏為飽和油藏,具有小型至中等氣頂,中等至強(qiáng)水體,并在一次采油 7年后通過(guò)注水補(bǔ)充能量開(kāi)發(fā)。圖3所示的PVT物性參數(shù)表明,油藏流體的泡點(diǎn)壓力約為20.68 MPa。

        圖3 油藏流體PVT物性參數(shù)

        該油藏從1997年7月至2004年7月利用氣頂+水體自然能量驅(qū)動(dòng)開(kāi)采。圖4給出了這一階段的流體產(chǎn)量剖面。從2004年至2014年,采用注水開(kāi)發(fā)方式。圖5、圖6和圖7分別給出了這一階段的產(chǎn)油量、產(chǎn)氣量、產(chǎn)水量與注水量對(duì)比曲線(xiàn),可以看出數(shù)據(jù)非常嘈雜,導(dǎo)致系統(tǒng)無(wú)法正確理解和解釋。噪聲是不可避免的問(wèn)題,它會(huì)影響機(jī)器學(xué)習(xí)應(yīng)用中的數(shù)據(jù)收集和數(shù)據(jù)準(zhǔn)備過(guò)程。數(shù)據(jù)噪聲由測(cè)量工具引起。

        圖4 注水前油、氣、水產(chǎn)量

        圖5 開(kāi)始注水后油藏產(chǎn)油量

        圖6 開(kāi)始注水后油藏產(chǎn)氣量

        圖7 開(kāi)始注水后油藏產(chǎn)水量

        2.2 輸入、輸出數(shù)據(jù)設(shè)計(jì)

        為了獲得更多有關(guān)注水井與采油井間關(guān)系的信息,本文開(kāi)發(fā)了一種基于流體物理學(xué)的特征提取技術(shù)。換言之,使用了更多特征來(lái)改善模型預(yù)測(cè)效果。將這些特征與多孔介質(zhì)中流體流動(dòng)的物理原理結(jié)合起來(lái),并對(duì)各項(xiàng)進(jìn)行簡(jiǎn)單試錯(cuò),直到在驗(yàn)證數(shù)據(jù)和模擬數(shù)據(jù)之間得到理想的擬合優(yōu)度為止。表1給出了本文模型的輸入項(xiàng)和輸出項(xiàng)。表2給出了基于物理原理及現(xiàn)有輸入項(xiàng)的隨機(jī)組合提取的7個(gè)特征(編號(hào)1—7)。根據(jù)模型的驗(yàn)證結(jié)果對(duì)這些特征進(jìn)行測(cè)試后,只將特征1、特征2和特征5用于油、氣、水產(chǎn)量模擬。表2還給出了表征延時(shí)產(chǎn)量的特征(編號(hào)8—13)。

        表1 模擬油、氣、水產(chǎn)量模型的輸入項(xiàng)和輸出項(xiàng)

        表2 根據(jù)現(xiàn)有輸入、輸出項(xiàng)提取的特征

        2.3 模型結(jié)構(gòu)選擇

        圖8給出了由1個(gè)隱藏層、1個(gè)輸入層和1個(gè)輸出層組成的神經(jīng)網(wǎng)絡(luò)的簡(jiǎn)單結(jié)構(gòu)。人工神經(jīng)網(wǎng)絡(luò)模型中輸入?yún)?shù)個(gè)數(shù)和隱藏神經(jīng)元個(gè)數(shù)對(duì)模型的最終預(yù)測(cè)效果有重要影響。然而,最優(yōu)人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)方面的研究非常少。本文設(shè)置了不同的隱藏神經(jīng)元個(gè)數(shù),并根據(jù)訓(xùn)練和驗(yàn)證結(jié)果確定了模型的最優(yōu)結(jié)構(gòu)。在確定隱藏神經(jīng)元個(gè)數(shù)時(shí),為了避免過(guò)擬合,很重要的一點(diǎn)是不要有太多參數(shù)。模型的過(guò)擬合會(huì)導(dǎo)致預(yù)測(cè)失敗,這是因?yàn)檫^(guò)擬合的模型提取了一些殘差。因此,要保持盡可能少的隱藏層數(shù),以避免過(guò)擬合。為了確定模型的最優(yōu)結(jié)構(gòu),開(kāi)展了一系列數(shù)據(jù)集訓(xùn)練與驗(yàn)證工作。

        圖8 神經(jīng)網(wǎng)絡(luò)的簡(jiǎn)單結(jié)構(gòu)

        在數(shù)據(jù)不穩(wěn)定且需要更高級(jí)神經(jīng)網(wǎng)絡(luò)的情況下,可以考慮使用更復(fù)雜的結(jié)構(gòu),圖9、圖10、圖11所示為常用復(fù)雜結(jié)構(gòu)示例。

        圖9 具有3個(gè)隱藏層的前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

        圖10 層遞歸神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

        圖11 串級(jí)前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

        2.4 模型訓(xùn)練

        本文使用貝葉斯正則化算法訓(xùn)練模型。根據(jù)驗(yàn)證過(guò)程中顯示的R2值進(jìn)行比較,當(dāng)6次迭代的驗(yàn)證誤差增加時(shí),訓(xùn)練步驟停止。貝葉斯正則化算法可以泛化嘈雜數(shù)據(jù)集,同時(shí)也可以防止過(guò)擬合[14]。當(dāng)訓(xùn)練數(shù)據(jù)集的R2值高于測(cè)試數(shù)據(jù)集的R2值時(shí),可以判定為過(guò)擬合。貝葉斯正則化算法的工作流程參見(jiàn)文獻(xiàn)[34]。

        2.5 模型評(píng)價(jià)與產(chǎn)量預(yù)測(cè)

        比較了模型預(yù)測(cè)數(shù)據(jù)與油田實(shí)際數(shù)據(jù),計(jì)算了模型預(yù)測(cè)數(shù)據(jù)的均方誤差、R2值,繪制了誤差分布直方圖。當(dāng)均方誤差和誤差分布直方圖的均值趨近于零且R2值趨近于 1時(shí),認(rèn)為模型的準(zhǔn)確性得到了驗(yàn)證。Ramirez A M[18]認(rèn)為,應(yīng)通過(guò)開(kāi)展誤差分析來(lái)確定新模型的準(zhǔn)確性。因此,將本文模型與幾種已知的產(chǎn)量預(yù)測(cè)公式進(jìn)行了對(duì)比,發(fā)現(xiàn)與 Standing、Vazquez-Beggs等經(jīng)驗(yàn)公式相比,本文模型相對(duì)誤差絕對(duì)值的平均值最低,為14.732%。對(duì)模型進(jìn)行驗(yàn)證后,將其用于產(chǎn)量預(yù)測(cè)。

        3 結(jié)果與討論

        3.1 產(chǎn)油量模型的結(jié)構(gòu)、訓(xùn)練算法選擇及驗(yàn)證

        選擇帶有外部輸入的非線(xiàn)性自回歸網(wǎng)絡(luò)(NARX)作為產(chǎn)油量預(yù)測(cè)模型結(jié)構(gòu),其中外部輸入有d個(gè)時(shí)間步的延遲。該類(lèi)型網(wǎng)絡(luò)可在給定d個(gè)時(shí)間步前的輸出值以及其他一系列輸入值時(shí)預(yù)測(cè)輸出值。NARX網(wǎng)絡(luò)的結(jié)構(gòu)如下。

        NARX網(wǎng)絡(luò)以開(kāi)環(huán)形式建立和訓(xùn)練。開(kāi)環(huán)(單步)訓(xùn)練比閉環(huán)(多步)訓(xùn)練更有效。開(kāi)環(huán)訓(xùn)練時(shí)可以使用正確的過(guò)去輸出值,進(jìn)而得到正確的當(dāng)前輸出值。在訓(xùn)練過(guò)程中將訓(xùn)練數(shù)據(jù)子集提交給網(wǎng)絡(luò),并根據(jù)訓(xùn)練數(shù)據(jù)子集的誤差調(diào)整網(wǎng)絡(luò)。用驗(yàn)證數(shù)據(jù)子集測(cè)量網(wǎng)絡(luò)泛化程度,當(dāng)泛化不再改善時(shí)停止訓(xùn)練。測(cè)試數(shù)據(jù)子集對(duì)訓(xùn)練過(guò)程沒(méi)有影響,因此可以在訓(xùn)練過(guò)程中及訓(xùn)練之后獨(dú)立測(cè)試模型預(yù)測(cè)效果。表3和表4分別給出了不同隱藏神經(jīng)元個(gè)數(shù)條件下有特征提取和無(wú)特征提取的模型的預(yù)測(cè)效果??梢钥闯?,與無(wú)特征提取情況下訓(xùn)練的模型相比,有特征提取情況下訓(xùn)練后模型的預(yù)測(cè)效果更好。在選擇訓(xùn)練算法時(shí),由表 5可知,貝葉斯正則化算法比Levenberg-Marquardt算法和比例共軛梯度算法更好。盡管貝葉斯正則化算法需要的訓(xùn)練時(shí)間更長(zhǎng),但是它能很好地泛化難度大、噪聲多的數(shù)據(jù)集,更適宜于處理本文實(shí)例中的產(chǎn)油量數(shù)據(jù)。

        表3 在無(wú)特征提取情況下訓(xùn)練后模型的預(yù)測(cè)效果

        表4 在有特征提取情況下訓(xùn)練后模型的預(yù)測(cè)效果

        表5 不同訓(xùn)練算法的評(píng)價(jià)

        表6給出了在有特征提取情況下利用貝葉斯正則化算法訓(xùn)練的產(chǎn)油量模型的最優(yōu)結(jié)構(gòu)相關(guān)信息。

        表6 預(yù)測(cè)產(chǎn)油量的人工神經(jīng)網(wǎng)絡(luò)模型的最優(yōu)結(jié)構(gòu)相關(guān)信息

        在模型評(píng)價(jià)過(guò)程中,利用占全部數(shù)據(jù) 10%的盲測(cè)數(shù)據(jù)(訓(xùn)練過(guò)程中未用的數(shù)據(jù))模擬產(chǎn)油量。由圖12所示的交會(huì)圖可知,有特征提取和無(wú)特征提取時(shí)模型的R2值分別是0.947和0.463,且有特征提取時(shí)的模擬產(chǎn)油量與驗(yàn)證產(chǎn)油量交會(huì)圖與 45°線(xiàn)更接近。這說(shuō)明本文使用的特征提取方法顯著改善了模型的預(yù)測(cè)效果。由圖13可知,有特征提取時(shí)模型的模擬結(jié)果與驗(yàn)證數(shù)據(jù)非常接近,而無(wú)特征提取時(shí)則不然。此外,圖14所示的誤差分布直方圖呈現(xiàn)正態(tài)分布趨勢(shì),表明模型的平均誤差接近于零,且該誤差主要為測(cè)量誤差。

        圖12 產(chǎn)油量模擬數(shù)據(jù)與驗(yàn)證數(shù)據(jù)交會(huì)圖

        圖13 實(shí)際產(chǎn)油量與模擬產(chǎn)油量比較

        圖14 產(chǎn)油量模型的誤差分布直方圖

        3.2 產(chǎn)氣量模型的結(jié)構(gòu)、訓(xùn)練算法選擇及驗(yàn)證

        使用與建立產(chǎn)油量模型相同的方法建立產(chǎn)氣量預(yù)測(cè)模型,并使用前文提取得到的相同特征改善模型預(yù)測(cè)效果。用訓(xùn)練過(guò)程中未使用的數(shù)據(jù)進(jìn)行模型測(cè)試或驗(yàn)證。表7給出了在有特征提取情況下產(chǎn)氣量模型的最優(yōu)結(jié)構(gòu)相關(guān)信息。

        表7 預(yù)測(cè)產(chǎn)氣量的人工神經(jīng)網(wǎng)絡(luò)模型的最優(yōu)結(jié)構(gòu)相關(guān)信息

        由圖15所示的交會(huì)圖可知,有特征提取和無(wú)特征提取時(shí)模型的R2值分別是0.971和0.812;無(wú)特征提取時(shí)大部分模型預(yù)測(cè)結(jié)果高于實(shí)際數(shù)據(jù),而有特征提取時(shí)多數(shù)模型預(yù)測(cè)結(jié)果與實(shí)際數(shù)據(jù)持平。這再次說(shuō)明本文采取的特征提取方法提高了模型的預(yù)測(cè)效果。由圖16可知,與無(wú)特征提取時(shí)的模型相比,有特征提取時(shí)模型的模擬結(jié)果與驗(yàn)證數(shù)據(jù)更接近。此外,圖17所示的誤差分布直方圖呈現(xiàn)正態(tài)分布趨勢(shì),表明模型的平均誤差接近于零,且該誤差主要為測(cè)量誤差。

        圖15 產(chǎn)氣量模擬數(shù)據(jù)與驗(yàn)證數(shù)據(jù)交會(huì)圖

        圖16 實(shí)際產(chǎn)氣量與模擬產(chǎn)氣量比較

        圖17 產(chǎn)氣量模型的誤差分布直方圖

        3.3 產(chǎn)水量模型的結(jié)構(gòu)、訓(xùn)練算法選擇及驗(yàn)證

        使用與建立產(chǎn)油量模型相同的方法建立產(chǎn)水量預(yù)測(cè)模型。表8給出了在有特征提取情況下產(chǎn)水量模型的最優(yōu)結(jié)構(gòu)相關(guān)信息。

        表8 預(yù)測(cè)產(chǎn)水量的人工神經(jīng)網(wǎng)絡(luò)模型的最優(yōu)結(jié)構(gòu)相關(guān)信息

        由圖18所示的交會(huì)圖可知,有特征提取和無(wú)特征提取時(shí)模型的R2值分別是0.987和0.891。由圖19可知,與無(wú)特征提取時(shí)的模型相比,有特征提取時(shí)模型的模擬結(jié)果與驗(yàn)證數(shù)據(jù)更接近。此外,圖20所示的誤差分布直方圖呈現(xiàn)正態(tài)分布趨勢(shì),表明誤差主要為測(cè)量誤差。

        圖18 產(chǎn)水量模擬數(shù)據(jù)與驗(yàn)證數(shù)據(jù)交會(huì)圖

        圖19 實(shí)際產(chǎn)水量與模擬產(chǎn)水量比較

        圖20 產(chǎn)水量模型的誤差分布直方圖

        4 結(jié)論

        開(kāi)發(fā)了人工神經(jīng)網(wǎng)絡(luò)模型來(lái)預(yù)測(cè)注水開(kāi)發(fā)油藏的產(chǎn)油量、產(chǎn)氣量和產(chǎn)水量。與傳統(tǒng)預(yù)測(cè)模型不同,人工神經(jīng)網(wǎng)絡(luò)模型在訓(xùn)練所選結(jié)構(gòu)時(shí)只需少量容易獲得的信息。用基于油藏流體物理學(xué)以及變量的隨機(jī)組合的特征提取方法來(lái)改善模型預(yù)測(cè)效果。研究發(fā)現(xiàn),用貝葉斯正則化算法訓(xùn)練的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)能在訓(xùn)練和驗(yàn)證所選神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的過(guò)程中得到最小的均方誤差和最高的決定系數(shù)。這種算法一般需要較長(zhǎng)時(shí)間,但是能對(duì)產(chǎn)油量、產(chǎn)氣量、產(chǎn)水量等嘈雜數(shù)據(jù)集進(jìn)行良好泛化。用誤差分布直方圖來(lái)分析模擬數(shù)據(jù)與驗(yàn)證數(shù)據(jù)之間的差異,發(fā)現(xiàn)每種流體產(chǎn)量預(yù)測(cè)模型誤差均主要為測(cè)量誤差。

        在本文提取的所有特征中,時(shí)間步長(zhǎng)延遲項(xiàng)可以提高模型的預(yù)測(cè)效果。這一結(jié)論具有重要意義,因?yàn)榘ㄓ筒財(cái)?shù)值模擬在內(nèi)的許多二次采油產(chǎn)量預(yù)測(cè)方法并沒(méi)有將過(guò)去的注入量作為影響當(dāng)前產(chǎn)量的因素。

        符號(hào)注釋?zhuān)?/p>

        b——偏差;d——延遲時(shí)間步數(shù);f——NARX網(wǎng)絡(luò)結(jié)構(gòu);m,n——時(shí)間步個(gè)數(shù);t——時(shí)間步序號(hào);u(t+1),u(t),…,u(t-m)——外部輸入數(shù)據(jù);W——權(quán)重;y(t),y(t-1),…,y(t-n)——觀(guān)測(cè)數(shù)據(jù);y(t+1)——模型預(yù)測(cè)值;σ——標(biāo)準(zhǔn)差。

        猜你喜歡
        產(chǎn)油量人工神經(jīng)網(wǎng)絡(luò)特征提取
        甘藍(lán)型油菜的產(chǎn)油量分析
        作物研究(2021年4期)2021-09-05 08:48:52
        利用人工神經(jīng)網(wǎng)絡(luò)快速計(jì)算木星系磁坐標(biāo)
        人工神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)簡(jiǎn)單字母的識(shí)別
        電子制作(2019年10期)2019-06-17 11:45:10
        基于Daubechies(dbN)的飛行器音頻特征提取
        電子制作(2018年19期)2018-11-14 02:37:08
        Bagging RCSP腦電特征提取算法
        基于MED和循環(huán)域解調(diào)的多故障特征提取
        鄂爾多斯盆地合水地區(qū)長(zhǎng)8段裂縫發(fā)育特征及其對(duì)產(chǎn)油量的影響
        基于聲發(fā)射和人工神經(jīng)網(wǎng)絡(luò)的混凝土損傷程度識(shí)別
        波信號(hào)的解調(diào)和人工神經(jīng)網(wǎng)絡(luò)的損傷識(shí)別算法
        基于電阻電容模型的產(chǎn)油量模型的應(yīng)用及改進(jìn)
        中文字幕在线免费| 欧美成人秋霞久久aa片| 屁屁影院ccyy备用地址| 久久国产成人精品国产成人亚洲 | 消息称老熟妇乱视频一区二区| 一本色道久久99一综合| 日本一区二区三区在线播放| 国产精品亚洲一区二区三区16| 亚洲精品少妇30p| 精品一区二区三区无码视频| 久久久久久久久高潮无码| 色视频不卡一区二区三区| 私人vps一夜爽毛片免费| 国产精品无码不卡一区二区三区| 久久精品国产精品亚洲婷婷| 亚洲一区二区懂色av| 无码人妻h动漫中文字幕| 一个人在线观看免费视频www| 国产精品久久这里只有精品| 熟妇人妻精品一区二区视频| 久久精品www人人爽人人| 国产喷水福利在线视频| 亚洲妇女av一区二区| 丰满少妇人妻久久精品| 2021久久精品国产99国产精品| 国产AⅤ无码久久丝袜美腿| 日本女优中文字幕有码| 一个人看的www片免费高清视频| 亚洲 自拍 另类 欧美 综合| 99亚洲乱人伦精品| av网站免费在线浏览| 性高朝大尺度少妇大屁股| 亚洲AV成人片色在线观看高潮| 美腿丝袜一区在线观看| 国产一区二区三区久久精品| 亚洲精品无码久久久久sm| 熟女系列丰满熟妇av| 免费视频无打码一区二区三区| 无码av天堂一区二区三区| 亚洲自拍愉拍| 麻豆精品在线视频观看|