基于BP神经网络的油田生产动态分析方法

1. 3 灰色2神经网络组合预测模型及算法
a u
T -1 T = ( B B) B y
( 3)
-
1 ( 1) ( 1) [ x ( 1) + x ( 2) ] , 1 2
; y =
B =
1 ( 1) ( 1) [ x ( 2) + x ( 3) ] , 1 2
x x x
( 0) ( 0)
( 2) ( 3) ( i)
. 3192 . 0418 - . 3261 . 026 - . 1615 - . 418 . 0169 . 5235
计算结果
57. 088 49. 129 45. 594 42. 182 39. 336 37. 216 35. 747 34. 772 35. 473 33. 728
期望值 ,对 B P 神经网络进行训练 , 得到相应的权 值和阀值 。训练步骤如下 。 1 ) 连接权值初始化 : 网络训练开始时连接权 值为未知数 ,一般用较小的随机数作为各层连接权 值的初值 。

© 1994-2010 China Academic Journal Electronic Publishing House. All rights reserved.
x
( 1)
( 0) -
u - ai u e + a a
) i = (0 , 1 , 2 , …
( 5)
5 ) 求得 x
( 0)
的灰色预测模型 :
) i = (0 , 1 , 2 , …
( 0) ( 1) ( 1) ^ x ( i + 1) = ^ x ( i + 1) - ^ x ( i)
( 6)
c) 将预测值作为输入量 , 原始产量数据作为

断
块 Leabharlann 油 气 田 ２１ ０ ２年 ５月
第 １ ９卷 第 ３期
Ｆ Ｕ ． Ｂ ０ Ｋ ０Ｉ Ａ 【 — Ｌ Ｃ Ｌ＆ Ｇ Ｓ Ｆ Ｅ Ｄ Ｔ Ａ Ｉ Ｌ
文章 编 号 ：０ ５ ８ ０ （ ０ ２ ０ －３ ９ ０ １ ５ — ９ ７ ２ １ ） ３０ １ － ４
基于 Ｂ 经 网络 的 油藏 流 场评 价体 系研 究 Ｐ神
ｉ ｔｒ ｏ ｄ ｎ ｉ ｅｄ ．Ｒｅ ｅ ｖ ｉ ｐ ｒ ｓ ｙ ａ ｄ ｐ ｒ ａ ｉ ｔ ｌ ｉ ｃ ｅ ｓ ，ｄ ｍｉ ａ ｔ ｆ ｗ ｆ ｌ ｌ ｂ ｏ ｍｅ ，ｔ ｅ ｎ ａ ｉ ｎ ｗａｅ ｆ ｏ ｉ ｇ ｏｌ ｌ ｓ ｌ ｉ ｆ ｓ ｒ ｏｒ ｏ ｏ ｉ ｎ ｅ ｍｅ ｂｌ ｙ ｗｉ ｎ ｒ ａ ｅ ｏ ｎ ｎ ｌ ｅｄ ｗｉ ｅ ｆ ｒ ｄ ｈ ｉｖ ｌ ｔ ｉ ｌ ｏ ｉ ｌ ｄ ｃｒ ｕ ａ ｉｎ ｏ ｔｒｗ ｌ ｏ ｃ ｒａ ｄ ｄ ｖ ｌｐ ｎ ｆ ｃ ｉ ｅ ｒ ｄ ｃ ｄ Ｉ ｉ ｏ ｒａ ｍｐ ｒ ｎ ｅｔ ｃ ｕ ａｅ ｙｉ ｄ ｎ ｉ ｎ ｌｓ ｉ ｉ ｌｔ ｆ ｃ ｏ ｗａｅ ｉ ｃ ｕ ｎ ｅ ｅｏ ｍｅ ｔｅｆ ｔｗ ｌ ｂ ｅ ｕ ｅ ． ｔ Ｓ ｆｇ ｅ ｔｉ ｏ ｔ ｃ ｏ ａ ｃ ｒ ｔｌ ｎ ｅ ｔ ｙ ａ ｄ ｃａ ｓｆ １ ｅ ｌ ａ ｆ ｙ
基 金 项 目 ： 家科 技 重 大专 项 “ 低 渗 透 油藏 有 效 补 充 能 量 开发 技 术 ” ２ ０ Ｚ ０ ０ ３ 国 特 （０ ８ Ｘ ５ １ ）
摘
要 室 内试 验 及 矿 场 测 试 均 显 示 ， 注水 开发 油 田储 层 参数 会 随 注 水 冲 刷 而发 生 变化 ， 层 孔 隙度 及 渗 透 率 均 会 增 大 ， 储

第36卷　第1期吉林大学学报(工学版)　Vol .36　No .12006年1月Journal of J ilin University (Engineering and Technol ogy Editi on )　Jan .2006文章编号:1671-5497(2006)01-0082-005收稿日期:2005206207.基金项目:吉林省科技发展计划项目(20040532).作者简介:李英(1978-),男,博士研究生.研究方向:可重构机械臂控制.E 2mail:liyings mart2004@yahoo 通讯联系人:李元春(1962-),男,教授,博士生导师.研究方向:复杂系统的建模与优化,机器人控制.E 2mail:liyc@e mail .jlu .edu .cn基于神经网络和遗传算法的采油控制系统李　英,李元春(吉林大学通信工程学院,长春130022)摘　要:为了解决部分抽油机“长期相对轻载”和“空抽”的问题,采用抽油机间歇采油控制方法对采油控制系统进行了设计。

利用非线性规范化方法的非线性同伦BP 神经网络对采油模型进行辨识,采用遗传算法优化停机时间。

该控制系统在油田中的实验结果表明,在保证了采油量的前提下,节电率达30%以上,实现了抽油机采油的智能控制。

关键词:自动控制技术;非线性同伦;神经网络;遗传算法;采油控制系统中图分类号:TP273 文献标识码:AO il Pu m p i n g Con trol System Ba sed on Neura l Networkand Geneti c A lgor ithmL i Ying,L i Yuan 2chun(College of Co mm unication Engineering,J ilin U niversity,Changchun 130022,China )Abstract:I n order t o s olve the p r oble m s of l ong 2ter m light 2l oad and idle pump ing that many oil wells faced,a contr ol syste m t o operate the oil pump inter m ittently was devel oped .It is based on nonlinear homot op ic BPneural net w ork with nonlinear nor malizati on method t o identify the oil pump ing model,and the genetic algorith m t o op ti m ize the downti m e .The s pot test of the contr ol syste m showed that up t o 30%of the energy -saving rate was achieved under the guaranteed oil out put and the intelligent contr ol of the oil pu mp ing was realized .Key words:aut omatic contr ol technol ogy;nonlinear homot opy;neural net w ork;genetic algorithm;oil pu mp ing contr ol syste m0　引　言近年来,对油田抽油机智能控制的研究已经成为热点。

累积产 液/104t
0.00 0.62 -0.91 -0.50 0.90
-0.10 0.62 -0.93 -0.49 0.89 0.15 0.62 -0.89 0.02 0.71 -0.45 0.31 -0.94 -0.72 0.95 -0.75 -0.69 -0.68 -0.80 -0.88 0.50 0.00 -0.67 0.19 0.10 0.60 0.92 -0.87 0.95 0.54 -0.65 -0.62 -0.70 -0.84 -0.96 0.30 -0.15 -0.65 0.02 -0.04 -0.25 -0.31 -0.74 -0.31 -0.61
5210 4720 5361 412 3063 4258 192 2691 1150
3233 4884 3577 1548 3814 6266 657 2625 1617
3981 508 3348 676 4211 531 304 452 2082 657 2909 692 103 289 1796 708 728 671
产指标预测
传统研究方法：物质平衡法；水驱特征曲线法；产量递减法。 局限性：前提假设较多，多为经验性的公式且考虑的影响因素较少。 常用研究方法：以数值模拟为载体，以优化理论为指导的注采优化方法。 局限性：必须建立数模模型，计算量大，耗时耗力。
机器学习法：以油田积累的大量历史数据为基础，寻找数据内在的联系与特征。
BP网络的问题： (1) 该学习算法的收敛速度慢； (2) 网络中隐含层节点个数的选取尚无理论上的指导； (3) 从数学角度看，BP算法是一种梯度最速下降法，这就可能出现局部极小的问题。 当出现局部极小时，从表面上看，误差符合要求，但这时所得到的解并不一定是 问题的最优解，所以BP算法是不完备的。

Ｂ 网是 一种 三层 向前 网络 ，结构 图如 图 １ 示 。 Ｐ 所
率 系数 ；
为训 练 因子 ； 与 的取值 范 围为０ ０～ ｉ ．ｌ 。
对 每一 个样 本重 复 上述规 则 ，当 网络 中的连 接权 重和 闽值 调整 到使 Ｅ
小 于 给定 的允 许 误差 后 ，即 完成 了网络 的 训练 过程 。利 用 训练 好 的网络 ，
３ ２模 型 的建 立 本课 题 为 建立 油 井 出砂 的 预测 模 型采 集 了包含 ６ 预 测 参数 的４ 个预 个 ０
测样 本 ， 以６ 预 测参 数 作 为输 入 层 的神 经 元 ；输 出的 实际 情况 为 是 否 出 个 砂 。通 过运 用神 经 网络 方 法对 样 本进 行 处 理 ，即 可得 到 因变 量Ｙ 输 出 ） １（ 与 自变 量 （ 输入 ）ｘ，Ｘ，Ｘ，Ｘ ｘ，Ｘ之 间 的 非线 性关 系 。然 后调 整算 ｌ ２ ３ ４，５ ６ 法来 训练 Ｂ 网络 ，Ｂ 网 络有 三层 ，即输 入 层 、隐含 层 和输 出层 。隐含 层神 Ｐ Ｐ 经元个 数 起初 设定 为２ ，最 大训 练循 环 次数为Ｍ ｘ ｅｏ ｈ２ ０ ，期望 误差最 ａ ｐ ｃ＝ ００ 小值 ｅｒ ｇａ ＝． ０ ，但 经过 不 断 的训 练 ，可 以看 出当隐 含层 神 经元 个数 ｒ ｏ ｌＯ ０ １ 为１ 时得 到 的实 际结 果 与期 望结 果 的吻 合性 最 好 。因此 ，经过 连续 训 练可 ４
ｌ ： ｘ ， ＝ １２，， ， ｉ ， ３ … Ｎ
／
ｉＩ ＝
存 ，然后 运 用Ｍ ＴＡ ￣经 网络工 具 箱对 其进 行 调用 处 理 。而此 数据 的选择 ＡＬ Ｂ 是 直 接 采 用 神 经 网 络 进 行 模 拟 。 利 用 ｉ ｉｆ 函 数 对 网 络 初 始 化 ． 用 ｎｔ ｆ 运 ｔａｎ 数 训 练 神 经 网 络 ， 通 过ｎ ｗ ｆ ｒ ｉ函 ｅ ｆ 函数 对 刚络 进 行 仿 真 ， 输入 层 采 用

人工神经网络技术在油气田开发中的应用综述作者：吴霄杨若谷余情李静嘉来源：《数码设计》2017年第01期摘要：油气田开发过程中存在复杂的、多事件激励的工况诊断和产量预测问题，而传统的解决方法存在一定的局限性。

人工神经网络技术作为一种非线性方法，具有信息融合、综合预测、分类等功能，对于这些问题有较好的适用性。

因此，国内许多学者将人工神经网络技术引入油气田开发中，利用其独特的性质，有效提高工况诊断及产量预测等的效率和准确性。

本文对人工神经网络技术在油气田开发中的应用进行了综述，介绍了各项应用的网络结构及学习算法，并且对BP神经网络存在的问题及改进进行了综述。

关键词：人工神经网络；综述；工况诊断；预测中图分类号：TE3文献标志码： A文章编号：1672-9129（2017）01-0018-03Abstract：Complex and multi event incentive problems such as working condition diagnosis and prediction of production exist in the development of the oil and gas， while there are some limitations in the traditional method. As a nonlinear method， the artificial neural network， with the function of information fusion， integrated forecasting and classification， is applicable for such problems. Therefore， domestic scholars introduce the technology of artificial neural network into the development of the oil and gas， and improve the efficiency and accuracy of working condition diagnosis and prediction of production by taking advantage of its unique properties. This paper reviews the application of artificial neural network technology in oil and gas field development，introduces the network structure and learning algorithm of the application， andsummariesthe problems and improvement in BP neural network.Keywords：artificial neural network； review； working condition diagnosis； prediction引言随着数字油田建设的不断向前推进，油气水井的数据自动采集、生产可视化等技术逐渐普及，极大的丰富了油气田开发过程中的评价、诊断、优化、预测的数据来源。

１０ ７
Ｏ
Ｂ Ｐ神 经 网 络在 预 测 石 南 ３ 油 田 １
产量 变化 中 的应 用
韩 荣 祁 大 晟 ， ， 吴赞 美 闰更 平 ，
（． １ 中国石油大学 （ 北京） 北京 ， １ ２ ４ ；． ０ ２ ９ ２ 中石油塔里木油 田勘探开发研究院 ， 新疆 库尔勒 ８１０） ４ ０ ０
具 事 故 的 再 发 生 。 取 以 上 措 施 后 ， 过 ３年 的 跟 踪 采 通 分 析 ， 原 油 田 井 下 钻 井 二 队 在 白音 查 干 探 区钻 井 中 ２ ８口 ， 计 进 尺 ４ ６ ９ ２ 再 无 钻 具 失 效 事 故 发 生 ， 累 ３ ６．ｍ
达到 了 预期 的效果 。
［ 考 文献 ］ 参 ［１ 罗 伟 ， 迎 进 ． 尔 多 斯 盆 地 钻 具 失 效 分 析 ］ 张 鄂 ［］ 石 油 地 质 与 工 程 ，０ ７ ２ （ ） Ｊ． ２ ０ ，１ ４ ．
收稿 日期 ：ＯＯ ３ ５ ２ｌ～０—２
作者简介 ： 韩荣 （９ ２ ） 女 ，０ ６年毕业于中 国石油大 学（ １８－ ， ２０ 华东）现 为 中国石 油大学（ ， 北京） 气田开发 工程专 业在读 油
４ 结 论 通 过 对 白音 查 干 探 区 钻 井 应 用 过 程 中 出 现 的 钻 具 破 坏 失 效 情 况 的 全 面 的 分 析 ， 本 弄 清 楚 白 音 查 基 干 探 区 钻 井 钻 具 破 坏 的 主 要 规 律 ， 具 失 效 形 式 以 钻 断 裂为 主 ， 使用 牙 轮钻 头钻进 钻具 失效 频率 高 ； 以 钻 杆 断 口多 呈 现 腐 蚀 疲 劳 和 应 力 腐 蚀 特 征 ， 钻 铤 断 而 口规 则 ， 现 为 疲 劳 断 口特 征 ； 后 初 步 给 出 了 预 防 表 最 该 区 域 钻 具 失 效 的 ５项 技 术 对 策 ， 效 防 止 了 断 钻 有

一
须 向其输人多组成对的输入层和输 出层数据 ，使其 在 已有数 据 中得 到训 练 ，从而 建 立模 型 ，运用 到 系 Ｂ Ｐ 神经 网络作 为人工神经 网络的种类之 一 ， 统 的后 续 计 算 中 。Ｂ Ｐ神 经 网络 具 有 以 下 优 点 ：① 它是一种向后传播的网络模式 ，可完成各种非线性 收敛性强 ；②学习能力强 ，可适应多种工作需求 ； 连续映射的任意近似 ， 对于识别作业模式、诊断施 ③并行处理能力强 ，速度快 ，稳定性好 ；④容错改 工方 式 方 法 有 较好 的应 用 效 果 。Ｂ Ｐ神经 网络 基 于 错能 力强 ，处 理结 果可 靠性 强 。 改 良的Ｄ ｅ ｌ ｔ ａ 规则 ，运用最小误差学习法 ，使其适
田生产数据的使用情况分为两类 ：无需油 田生产数
据 的方 法和需 要 油 田生产数 据 的方法 。无 需油 田生
Ｙ
产数据 的方法主要包括类 比法 、实验法 、经验公式
和 图版 法 、水动 力学 概算 法等 ；需要 油 田生 产数据 的方法 主要 包括 油 田数值模 拟 法 、特征 曲线 法 、产
ห้องสมุดไป่ตู้
络模型 ，并使用数据集现有资料训练这一系列的网
３ 应用 实例
以某油 田区块 ３ 号井 为例 ，验证 Ｂ Ｐ 神经 网络 络模型 ；第三 ，融合 网络使之有机结合在一起 ，建 在 生 产 动 态 分 析 方 面 的应 用 效 果 。该 区块 共 有 １ ５ 立油 田范 围 内的处理 模 型 ；最 后 ，运用 已建 立 的模 口井 ，生 产 时长 １ ２ 个 月 ，共 收集 数据 样 本 １ ５ Ｘ １ ２ ＝ 型进 行 生产 动态 分析 预测 。 １ ８ ０ 条 。将 数 据 样 本 分 为 三 类 ：基 础 样 本 １ ４ ０例 、 ２ ． １ 建立 数据 集 校正样本 ２ Ｏ 例 、验证 样本 ２ ０ 例 。以 目前 油 田区块 数据集主要是指油 田处理 目的井与其相邻井的 产油速度为输 出参数 ，以生产压差 、孔渗饱和率等 各种数据集合 ，主要包括油 田静态生产数据 、动态 参 数 为输人 参 数建 立 生产 动态 分 析预 测模 型 。 网格 生 产 数 据 以及 两 者 之 间 的时 间 、空 间 内 的相 关 性 。 训练误差不超过 ０ ． ５ ％， 误差均值在０ ． ３ ７ ％左右。 油 田静 态数 据是 指 与生产 无关 的油 田 固有参 数 ，生 运 用 该模 型进 行 产 油 速度 分 析 预测 ，以 区块 ３ 产 动态 数据 是指 生产 井投 人 生产 时获 得 的油 田动态 号 井 为 例 ，对 比该 井 １ ２ 个 月 内实 际 产 油 速 度 与 分 数 据参 数 ，二者 均包 含 丰 富的油 田数 据信息 ，将二 析 预测 产油 速度 的差异 ，结 果 表 明两者 数值 差 异不 者有 机 结合起 来 ，即可获 得较 完整 的油 田数 据 。油 大 ，分 析预测误差 被限制在 ６ ％以下 ，如 图 ２ 所示 。 田静 态 和 动 态 数 据 之 间 有 明 显 的 时 间 、空 间 相 关 性。时间相关性是指 目 标井及其邻井当前与过去各

基于长短期记忆神经网络的油田 新井产油量预测方法
侯春华
（中国石化胜利油田分公司 勘探开发研究院，山东 东营 257015）
摘要：针对油田常用人工智能产油量预测方法无法考虑数据在时间上相关性的问题，提出了采用基于长短期记忆
（简称 LSTM）神经网络的油田新井产油量预测方法。在分别介绍反向传播（简称 BP）神经网络、循环神经网络（简称
经网络的预测方法可以作为一种新的人工智能方法用于油田新井产油量的预测，为准确预测油田新井产量，指导
油田开发决策提供了一种新的方法。
关键词：新井产油量预测；LSTM 神经网络；网络训练；数据预处理；相关性
中图分类号：TE32+8
文献标识码A
New well oil production forecast method based on long-term and short-term memory neural network
第 26 卷 第 3 期 2019 年 5 月
油气地质与采收率 Petroleum Geology and Recovery Efficiency
Vol.26, No.3 May 2019
文章编号：1009-9603（2019）03-0105-06
DOI：10.13673/37-1359/te.2019.03.014
·106·
油气地质与采收率
2019 年 5 月
诸多种方法，主要可以概括为基于单因素的预测方 法和基于多因素的预测方法［1-9］。其中，基于单因素 的 预 测 主 要 采 用 曲 线 拟 合 法 ，往 往 只 考 虑 时 间 因 素；基于多因素的预测考虑了开发指标与其他相关 影响因素的关系，一般有多个输入变量和 1 个输出 变量。近年来，随着人工智能算法的进步，人工智 能预测方法逐渐应用于油田新井产油量预测。人 工智能算法可以较好地对复杂的非线性函数映射 关系进行描述，对数据中的特征进行挖掘和学习， 从而将数据转换为更高层次的表达，拟合和预测效 果均较好。目前在油田新井产油量预测中使用的 人工智能算法主要有支持向量机回归和反向传播 （简称 BP）神经网络［10-13］，但这 2 种方法无法考虑数 据 在 时 间 上 的 相 关 性 ，并 且 对 自 变 量 的 选 择 较 敏 感。为此，笔者采用改进的循环（简称 RNN）神经网 络，即基于长短期记忆（简称 LSTM）神经网络对油 田新井产油量进行预测，该方法不仅可以考虑相关 因素对产油量的影响，还能考虑数据在时间上的相 关性，预测精度高，适应性强，可作为一种新的方法 应用于油田新井产油量预测。

VS
数据整理
对收集到的数据进行清洗、分类、编码和 标准化处理，确保数据的准确性和一致性 。
数据分析与处理
数据分析
运用统计学和数学方法对整理后的数据进行分析，提取有价 值的信息。
数据处理
对分析结果进行进一步的处理和加工，以满足后续模拟和预 测的需求。
动态模拟与预测
模型建立
01
根据油田开发的理论和实际经验，建立动态模拟模型。
案例三：人工智能方法在油田开发中的应用
总结词：创新应用
详细描述：人工智能方法在油田开发 中逐渐得到应用，例如利用机器学习 算法对油田生产数据进行预测和优化， 提高油田开发效率和效益。
05
油田开发动态分析的未来展望
新技术的发展与应用
1 2 3
人工智能技术
利用机器学习和深度学习算法，对油田开发动态 数据进行高效处理和预测，提高分析精度和效率。
统计分析方法
总结词
统计分析方法是一种基于数学和统计 学的分析方法，通过对油田开发数据 的收集、整理、分析和解释，来评估 油田开发动态。
详细描述
统计分析方法包括回归分析、时间序 列分析、主成分分析等，可以用于预 测油田产量、评估开发效果、优化开 发方案等。
数值模拟方法
总结词
数值模拟方法是一种基于计算机仿真的分析方法，通过建立数学模型来模拟油田开发过程，可以对油 田开发进行预测和优化。
模型验证
02
对建立的模型进行验证，确保其能够准确反映油田开发的实际
情况。
预测
03
利用验证后的模型对油田开发的未来趋势进行预测，为决策提
供依据。
结果评估与优化
结果评估
对模拟和预测的结果进行评估，分析其可靠性和准确性。

油田生产的动态分析摘要：油田生产动态分析是提高油田整体开发效果、挖掘油藏潜力的有效手段之一。

因此，文章在研究油田油藏储层特征与渗流规律的基础上，利用灰色关联分析法+数值模拟法，依托水平井压裂监测数据，研究了油田生产的动态变化规律以及各参数与水平井产能之间的最优化关系。

关键词：油田生产；动态分析；灰色关联分析前言：多年来，动态分析油田生产的研究在学术界、实践界始终被大力关注。

随着计算机分析技术、监测设备现代化水平的提高，油田生产的动态分析也迈入了新的阶段，利用现代化方法进行油条油、水井生产动态的实时监测分析再次进入人们的视线。

基于此，对油田生产的动态分析方法进行适当分析非常必要。

1.油田生产的基本情况某油田区域内发育8套含油层系，工区范围达3652.1km2，石油远景资源量5.6x108t，累积提交石油探明储量1895.25x104t。

从上世纪九十年代探井试油并获得工业油流至今，该油田在较长一段时间内处于产量低、产量下降快的状态。

从储层沉积特征来看，该油田沉积体系为前三角洲亚相，包括分流河道、水下分流河湾、分流间湾几个微相，其中分流河道以发育河道砂沉积为主，水下分流河湾常被分流河道、河口沙坝切割，分流间湾分布范围较小。

从渗流规律上来看，该油田储层砂体具有极差的物性，属于低孔位低渗透性储层，平均孔隙率为9.85%，平均渗透率为0.36x10-3μm2。

1.油田生产的动态分析过程1.建立分析模型从油田生产过程上来看，动态分析主要是判定受多因素影响下的油田产能变化。

比如，水平井参数、压裂因素、储层因素等。

在分析前，根据动态分析目标，可以进行评价指标体系构建，并以各指标最优或最劣值进行参考数据列构建。

具体为：-1-1中，p为参考数据的个数。

在参考数据列确定之后，可以逐一计算各指标数据绝对差值的基础上，进行关联系数计算。

即：-2-2中，u为（0,1）内的分辨系数，与关联系数之间的差异成反比，可取固定值0.5，q为绝对差值。

基于均值滤波和BP神经网络的功图量油技术张立婷;李世超;曾鹏;郑东梁;石硕【摘要】功图量油技术是通过对油井示功图数据的实时采集和处理分析来计算油井产液量,从而实现对产液量的远程自动计量.针对目前功图量油技术存在的不足,提出了一些改进算法.其中,运用均值滤波法对功图数据进行处理,降低了曲率变化量最大点的识别难度,提高了有效冲程求取的准确性;利用Matlab神经网络工具箱,对BP神经网络模型进行训练,建立油井漏失量BP神经网络模型,从而实现油井漏失量的准确求取.应用结果表明,改进的功图量油算法有效提高了油井示功图产液量计量的准确性和可靠性,最大相对误差6.5％,最小相对误差0.7％,平均相对误差小于5％,能够满足油田的生产计量要求,对功图量油技术的推广和油田信息化建设具有重要意义.【期刊名称】《油气田地面工程》【年(卷),期】2018(037)008【总页数】4页(P83-86)【关键词】功图量油;均值滤波;有效冲程;漏失量;BP神经网络【作者】张立婷;李世超;曾鹏;郑东梁;石硕【作者单位】中国科学院沈阳自动化研究所;中国科学院沈阳自动化研究所;中国科学院沈阳自动化研究所;中国科学院沈阳自动化研究所;中国科学院沈阳自动化研究所【正文语种】中文随着油田数字化建设的不断推进，传统的计量站集中量油模式已经难以满足油田生产自动化、信息化的发展需求，迫切需要一种地面集输流程简化、运营成本低、能够实现产量连续、自动、实时计量的油井计量方式[1-5]。

因此，功图量油技术应运而生，且日渐成为智能油田建设的重要内容之一，该技术已在长庆、大港等油田展开了试验性应用[6-10]。

然而，如何进一步提高功图量油技术计量准确度，满足油田生产的实际需求，成为该项技术发展要解决的首要问题。

通过分析功图量油技术原理，进行相关文献的调研并对油田现场实际应用情况考察后认为，有效冲程的准确计算和油井漏失量的确定是影响功图量油计量准确度的两大技术难点。

以表６中还原器流 化 氢 气 流 量 （２）、反 应 过 滤 器压差（７）和 反 吹 氢 气 压 力 （８）为 例，其 两 两 之 间 的狉 分 别 为 ０．９０２，０．７８２，０．８９１，均 大 于 ０．７，因 此 可选择其一作为建模变量。考虑到在实际生产中 还原器流 化 氢 气 流 量 容 易 控 制 与 调 节，最 后 选 定 其作为建模变量。
再生吸附剂碳含量
０．６３７８
１１
产品硫含量
０．８２４５
９０
石 油 炼 制 与 化 工 ２０２１年 第５２卷
表５ 与产品 犚犗犖 相关性在０７以上的操作变量
序号
变量名称
狉
１
氢油体积比
０．７０１３
２
还原器流化氢气流量
０．７２１７
３
反应器上部温度
０．７１７９
４
反应过滤器压差
０．８２４８
人 工 神 经 网 络 （Ａｒｔｉｆｉｃｉａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ， ＡＮＮ）是一 个 非 线 性 动 态 系 统，具 有 良 好 的 自 学 习、自组织、自 适 应 和 非 线 性 映 射 能 力，不 用 依 赖 模型来实 现 多 项 控 制。 因 此，人 工 神 经 网 络 在 工 业中 有 广 泛 的 应 用，尤 其 是 在 化 工 领 域 。 ［８１０］ 其
表４ 物性变量与产品 犚犗犖 相关性分析结果
序号
变量名称
狉
１
原料硫含量
０．８３８５
２
原料饱和烃含量
０．５０９４
３
原料烯烃含量
０．５６９８
４
原料芳烃含量
０．７７９３
５
原料溴值
０．５２０７
６
原料密度

一种基于BP神经网络的调驱增油预测方法刘文超;卢祥国;刘进祥;别梦君【期刊名称】《西安石油大学学报（自然科学版）》【年(卷),期】2012(027)001【摘要】调驱后增油效果预测是调驱措施决策和方案优化设计的重要内容.通过室内岩心物理模拟实验参数,分析了调驱增油效果及其影响因素,建立了基于物理模拟参数为学习样本的调驱效果BP神经网络预测模型.此方法对于渤海南堡35 -2油田A21和B17井预测结果与实际调驱增油量统计数据间误差分别为9.89％和7.22％.由此可见,基于物理模拟参数为学习样本的调驱效果BP神经网络预测模型切实可行,预测精度较高.%The prediction of oil production increasing effect of profile-control and flooding is important to the improvement of profile-control and flooding measures and the optimization of profile-control and flooding scheme. The oil production increasing effect and the influencing factors of profile-control and flooding are analyzed through the physical simulation experiments of cores. Furthermore, BP neural network model for the prediction of oil production increasing result of profile-control and flooding was established based on core flooding parameters. The errors between the predicted oil increment and the actual statistic oil increment of A21 and B17 wells( in Nan-pu 35-2 block,Bohai Oilfield) are 9. 89% and 7. 22% respectively,which shows the method in this paper can effectively and accurately predict the oil production increasing effect of profile-control and flooding.【总页数】6页(P47-52)【作者】刘文超;卢祥国;刘进祥;别梦君【作者单位】东北石油大学提高油气采收率教育部重点实验室,黑龙江大庆163318;东北石油大学提高油气采收率教育部重点实验室,黑龙江大庆 163318;东北石油大学提高油气采收率教育部重点实验室,黑龙江大庆 163318;东北石油大学提高油气采收率教育部重点实验室,黑龙江大庆 163318【正文语种】中文【中图分类】TE319【相关文献】1.一种基于Python和BP神经网络的股票预测方法2.一种基于BP神经网络的地区用电量预测方法研究3.一种基于BP神经网络的电网负荷预测方法的设计4.一种基于BP神经网络算法的旅游人数预测方法5.南堡35-2油田调驱优化设计及实施效果分析——应用基于物理模拟参数为学习样本的BP神经网络预测方法因版权原因，仅展示原文概要，查看原文内容请购买。

强 ； 辑 ： 文 礼 编 王
作者筒介 ： 徐
・
平 （ ９５ ， ， 士 生 ， 授 ， １ ６ 一） 男 博 教 主要 从 事 经 济 管 理 与 战 略 、 代 化管 理 理 论 与 方 法 、 业管 理 等方 面 的研 究 现 企
８ ・ ２
维普资讯
中 图分 类 号 ： Ｐ ８ Ｔ １３
准确 地 预测下 一年度 石油需 求 ， 对我 国经 济管理 部 门制 定 石油生 产 与进 口计 划 、 理安 排相关 行业 生 合
产计 划 和调整 产业 结构具 有重 要意 义．目前 ， 大多 数石 油需求 的预 测方 法主要 是基 于趋 势 不变 的方法 ， 即 假定石 油需求 正在 以一个 不变 的速 度增 长 ， 者在此 基 础上 加上 将 要发 生 的 产业 变化 所 带来 的石 油需 求 或 变化．这种 方法仅 是凭 着经验 和感 觉 ， 有很 好 的数理基 础 ．基 于计 量 经济 学 的方 法进 行 预测 ， 有数 理 没 虽 基础 ， 需要 事先 假定各 种经 济指标 对石 油需求 影 响的关 系［ ８ 但 １３ － ．笔者 拟利 用 Ｂ Ｐ神经 网络预 测下 一 年度
进 行 数 据 训 练 学 习 ， ２０ 年 国 民 生产 数 据 作 为输 入 ， 测 ２０ 以 ０３ 预 ０４年 石 油 消 费 ．结 果 表 明 ， 模 型 预 测 精 度 较 高 ， 差 仅 该 误 为 １８ ， 有 较好 的应 用 价 值 ． ．７ 具
关 键 词 ：Ｐ神 经 网 络 ；石 油 需 求 ； 测 模 型 Ｂ 预 文 献标 识 码 ： Ａ 文 章 编 号 ：０ ０—１ ９ （ ０ ７０ —０ ８ ０ １０ ８ １ ２０ ） ２ ０ ２— ３
图１ Ｐ神经网络原理示意 Ｂ

基于BP神经网络模型的中国石油需求预测研究[摘要] 石油需求量预测对编制石油产业发展规划具有重要意义。

为了合理预测中国石油需求量，将1965―2014年中国国内生产总值、人口数量、产业结构及技术进步4个分量作为输入向量，石油需求量数据作为输出向量，建立中国石油需求预测的BP神经网络模型，利用Matlab软件的神经网络工具箱对BP神经网络模型反复训练，发现当隐含层节点数为17、学习率为01、训练次数为8次、训练精度为0001时得到的效果最好。

最后运用所确定的BP神经网络模型对2015―2024年中国石油需求数据进行了预测。

[关键词] BP神经网络；石油需求；预测[中图分类号]F407.22[文献标识码]A[文章编号] 1673-5595（2015）03-0008-04一、引言早在2009年，国际能源署（简称IEA）的月度石油市场报告就显示，2012年亚洲将成为全球石油需求增长的主力，而在亚洲各国中，随着经济的快速发展，中国将成为亚洲最大的石油需求地。

[1]在这一背景下，对石油需求量进行科学预测已经成为编制石油产业发展规划、制定能源发展战略、协调国内各产业发展的重要依据。

1999年，Frank等运用协整分析法对美国石油进口进行了分析，得出了价格冲击与长期价格对石油进口需求行为具有显著影响的结论[2]；2005年，许荣胜运用灰色系统理论预测了中国石油消费需求，认为未来中国石油消费需求将快速增长[3]；同年，倪铮等对中国石油需求量进行了协整计量分析，进一步采用误差修正模型预测了中国石油需求量[4]；2010年，吴良海运用支持向量机拟合中国石油需求数据，拟合结果较好，他对其进行了改进并建立了粒子群优化的支持向量机[5]；2011年，Mehdi 运用自回归分布滞后模型分析了七国集团和金砖四国的石油需求，得出了收入、价格弹性及节油技术对石油需求具有显著影响的结论。

[6]石油分析与预测的方法主要有协整分析法、灰色预测法、误差修正模型、支持向量机模型和自回归分布滞后模型等，而BP神经网络法具有广泛的适应能力、学习能力和映射能力，在非线性系统建模与预测方面通常可取得满意的结果。