人工神经网络在采油产量预测中的应用

２００８年９月　第２４卷第３期　陕西理工学院学报（自然科学版）　Ｊｏｕｒｎａｌ　ｏｆ　Ｓｈａａｎｘｉ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｔｅｅｌｍｏｌｏｇｙ（Ｎａｔｕｒａｌ　Ｓｃｉｅｎｃｅ　Ｅｄｉｔｉｏｎ）　Ｓｅｐｔ．２００８　Ｖ０１．２４　Ｎｏ．３　

［文章编号］１６７３－２９４４（２００８）０３—００３７—０４　

人工神经网络在采油产量预测中的应用　

倪红梅　，　王维刚　，　罗仕明　

（１．大庆石油学院计算机与信息技术学院，黑龙江大庆１６３３１８；　２．大庆油田电力集团人力资源部，黑龙江大庆１６３３１８）　

［摘要］　为实现采油产量的预测和跟踪分析，建立了一种基于人工神经网络的采油产量预　测方法。采用ＳＡＳ系统对影响采油产量的众多因素做相关分析，依据主要因素并通过人工神　

经网络建立了采油产量预测模型。实￣－ｍ＇ｌ试的结果表明，该方法能够提高判断采油产量的精　度，且特别适用于不确定或非结构化信息的处理，对采油中各种未知信息的预测有着较好的适　

用性。　［关键词］　人工神经网络；　采油产量；ＢＰ算法；拓扑结构　【中图分类号］ＴＥ３２８，ＴＰ１８３　［文献标识码］　Ａ　

采油的产量与地下油层的分布、现场作业施工等之间有着密切的联系，受油层厚度、油层深度、施工　

方案等因素的影响。对采油产量做出准确、超前的预测，可以指导现场生产，提高工作效率。在采油产　量预测问题上，存在着输人与输出的对应关系，这种对应关系并非线性类型，而是受多种复杂因素约束　

与影响。用人工神经网络理论建立预测模型，可以客观地描述这种复杂的因果关系。尤其ＢＰ神经网　

络具有对非线性系统预测的良好特性，可以有效地刻画其具有的不确定、多输入、复杂的非线性特征。　本文建立了基于ＢＰ神经网络的采油产量预测模型，可以帮助采油各厂科学地预定采油产量指标，　

进而为油田公司的下一步决策提供详细的参考依据。　

１基本原理和ＢＰ算法　

１．１基本原理　人工神经网络——ＡＮＮ（Ａｒｔｉｆｉｃｉａｌ　Ｎｅｕｔｒａｌ　Ｎｅｔｗｏｒｋ）是模　

仿生物脑结构和功能的一种信息处理系统。它是由大量类似　于人脑神经元的简单处理单元广泛相互连接而组成的复杂网　

络系统，反映了人脑功能的若干特征。从本质上讲，这是一类　

大量基本信息处理单元通过广泛连接而构成的动态信息处理　系统，不是生物真实神经系统的拷贝，而仅是其数学抽象及粗　图１　ＢＰ神经网络模型　

略的逼近和模仿；从系统的观点看，人工神经网络是由大量神经元通过积极丰富和完善地连接而组成的　

自适应非线性动态系统。　ＢＰ网是典型的多层网络，由输入层、隐含层和输出层组成。层与层之间采用全连接方式，同一层内　

各神经元之间不存在连接。图１为含有一个隐含层的ＢＰ网的拓扑结构。ｏ代表神经元（节点），连接　

两层神经元的直线段表示二者之间的连接权值。　１．２基本ＢＰ网建立模型　

ＢＰ网络的学习过程由正向传播和反向传播两部分组成。当给定网络一个输入模式时，它由输人层　

神经元传递到隐含层神经元，经隐含层神经元处理后送到输出层神经元，由输出层神经元处理后产生１　

收稿日期：２００８－０４－２１　作者简介：倪红梅（１９７５一），女，吉林省德惠市人，大庆石油学院讲师，硕士，主要研究方向为人工智能、网络安全。　正向传播方向　＾小。．．。。．．．．．●层　层　层入　含　出输　隐　

输陕西理工学院学报（自然科学版）　第２４卷　

个输出模式，这个过程称为模式顺传播。如果输出与给定的期望输出模式有较大误差而不满足要求时，　

就转人误差逆传播过程，将误差沿原来的连接通路返回，通过修改各层神经元连接的权值使误差减小，　然后再转向正向传播过程，随着模式正向传播和误差反向传播的反复交替，网络得到了记忆训练。当网　

络的全局误差小于给定的值后学习终止，即可得到收敛的网络和相应稳定的权值。网络学习过程实际　就是建立输入模式到输出模式的一个映射，也就是建立一个输入与输出关系的数学模型。　１．３　ＢＰ算法　

１．３．１模式顺传播　

设输入模式向量ＡＩ＝（　，０２　，…，ｎ　），希望输出向量　＝（Ｙ。　，Ｙ：　，…，Ｙ。　），ｋ＝ｌ，２，…，ｍ。其　

中：ｎ为输入层单元数，ｑ为输出层单元数，ｍ为学习模式数。　（１）计算隐含层各单元的输入ｓ　：　

‘＝　ｔｃ，　口：一　，　＿『＝１，２，…，Ｐ　

其中：　为输入层至隐含层连接权，　为隐含层单元阈值，Ｐ为隐含层单元数。　

（２）计算隐含层各单元的输出６，　：　

６，　＝　）＝　ｓ，　），　＝１，２，…　，　

其中　）＝　，　‘为隐含层单元－『的激活值。　

（３）计算输出层各单元的输入厶　和输出ｃ　

Ｐ　￡　＝∑　一　，，ｔ＝Ｉ，２，…，ｑ，　Ｊ＝１　Ｃ；‘＝　厶‘），ｔ＝１，２，…，ｑ，　

其中：　为隐含层至输出层连接权，　为输出层单元阈值。　１．３．２误差逆传播　

（１）计算输出层的校正误差ｄ　：　

ｄ　＝（Ｙ；　一ｃ　）Ｃ　（１一Ｃ。　），ｔ＝ｌ，２，…，ｑ；　＝１，２，…，ｍ．　（２）计算隐含层各单元的校正误差ｅｊ‘：　

覃　＝（∑ｄ，ｋ　）　（１—　‘），Ｊ＝１，２，…，ｐ．　

（３）修正隐含层与输出层的连接权值ｌ，　及输出层各单元的阈值　：　

（Ⅳ＋１）＝　（Ｊ７ｖ）＋ａ・　‘　‘，　ｙｌ（／Ｖ＋１）＝　（Ⅳ）　・ｄ。‘，　

其中Ｊ＝１，２，…，Ｐ；ｔ＝ｌ，２，…，ｑ；ｔｖ为学习率，０＜　＜１．　

（４）修正输入层与隐含层的连接权值　及隐含层各单元的阈值　：　

（ｉｖ＋１）＝ｔＯ　（Ⅳ）＋ＪＢ。ｅｊ‘’　，　ｏｊ（Ｎ＋１）＝ｏｊ（Ｎ）＋卢‘ｅｊ‘，　

其中：ｉ＝１，２，…，万；　＝ｌ，２，…，ｐ；　为学习率，０＜　＜１。　

２应　用　

在大庆采油八厂一矿１０５小队的芳８区井，应用的ＢＰ网建立采油生产预测模型。　

２．１建立网络的拓扑结构　２．１．１　确定输入层节点数　ＢＰ网络的输入、输出层的节点数依据使用的要求来决定。输入层的节点数由影响因素确定。在油　

田生产中，影响采油产量的因素有很多，如地质因素、施工方案、生产过程等等。它们与采油产量的相关　程度不同，有的相关性大，有的相关性小。为了简化问题，系统只考虑那些对采油产量预测相关性大的　

因素，忽略次要因素。分析结果表明，影响采油产量的主要因素有：砂岩厚度ＳＹＨＤ、有效厚度ＹＸＨＤ、　含水ＨＳ、泵效ＢＸ、泵深ＢＳ、冲程ＣＣ、冲次ＣＣ１、泵径ＢＪ、泵挂深度ＢＧＳＤ、油压ＹＹ、套压ＴＹ、流压ＬＹ、油　

・３８・

　第３期　倪红梅，王维刚，罗仕明人工神经网络在采油产量预测中的应用　

层中部深度ＹＧＺＢＳＤ，即确定的节点数为１３个。　

２．１．２确定输出层节点数　用来表征采油产量的参数是日产油量ＲＣＹＬ，确定的输出层节点数为１。　２．１．３确定隐含层的层数　ＢＰ网络能够识别非线性模式的主要原因是在网络的输入层与输出层之间增加了隐含层，隐含层数　

是根据实际问题来确定的，它可以选择１层、２层或多层。经过多次试验，选择了含有２层隐含层的ＢＰ　

网，第１层的节点数为ｌ２，第２层的节点数为９。　２．２建立ＢＰ网络的学习样本和测试样本　确定的学习样本和测试样本应满足数据全面且平衡的要求。由于收集的数据往往不是在同一个数　

量级，所以我们需要将所收集的数据映射到［一１，１］之间，进行归一化处理。具体算法是：　ｐｎ＝２：ｌｃ（Ｐ—ｍｉｎｐ）（ｍａｘｐ—ｍｉｎｐ）一１，　式中，Ｐ是所收集的一组数据，ｍｉｎｐ，ｍａｘｐ分别是这组数据的最小值和最大值，ｐｎ是映射后的数据。经　对所给数据认真分析后，选取的部分处理后的学习样本和测试样本如表１和表２所示。　表１学匀样本　

２．３　ＢＰ网的学习和测试　首先用（０，１）间的随机数对每一层的权值和　

阈值初始化，然后给定期望误差最小值０．０５，学　习次数最大值１０　０００，以及修正权值的学习速率　

分别是Ｏ．４和．６，接着使用学习样本训练网络，让　网络处于学习状态，最后当满足给定期望误差或　

学习次数，则网络学习结束。　表３芳８区井的测试结果　

学习过程结束后，网络的结构随之确定下来。采用４组样本测试所建立的模型，测试结果见表３所　示。从测试结果我们看到，８１７９４－７８井期望值与实际值逼近的较好，８Ｆ９２－８０井的相对误差要大一些。　

ＢＰ网络在实际应用中，实际输出与期望输出之间一定存在着一些误差，对于不同的实际问题，误差值允　

许的大小也不同。　

３预测结果评价　

采用此模型对大庆油田芳８区井进行预测，预测准确率较高。预测结果表明，ＢＰ网较好地记忆了　

・３９・

　陕西理工学院学报（自然科学版）　第２４卷　

样本信息，预测的采油产量具有一定的可靠性。这证明了应用ＢＰ网络算法能够建立复杂非线性系统　的采油产量数学模型，并能对产量进行一定的预测，且精度较高。　

４结论　

本文建立了一个基于ＢＰ神经网络的采油产量预测模型，通过训练学习发现ＢＰ神经网络在采油产　量预测中有一定应用前景，预测结果基本令人满意。但是在预测中也发现有较大误差、拟合度较差的情　

况。这种情况可能由于影响采油产量因素比较复杂，样本数据选取的还不够全面，所以真正要投人使　用，模型还需要进一步的改进。　

［　参考文献　］　

［１］朱君，高宇，叶鑫锐．基于ＢＰ神经网络的螺杆泵井故障诊断方法［Ｊ］．石油机械，２００８，３６（１）：４２—４４．　［２］高琴．人工神经网络在股市预测模型中的应用［Ｊ］．微电子学与计算机，２００７，２４（１１）：１４７—１４９．　［３］顾海燕，徐文科，于雷．基于ＢＰ神经网络的河川年径流量预测［Ｊ］．东北林业大学学报，２００７，３５（１０）：８３—８５．　【４］　田景文．人工神经网络算法研究及应用［Ｍ］．北京：北京理工大学出版社，２００６．１—５．　［５］赵会军，张青松，张国忠，等．基于ＢＰ神经网络顺序输送混油粘度预测［Ｊ］．油气储运，２００７，２６（１２）：３３—３７．　［６］王彩云，李英，李元春．采油控制系统神经网络建模和优化算法设计［Ｊ］．吉林大学学报（信息科学版），２００６，２４　（２）：１６４一ｌ７１．　【７］卢明昌，舒朝晖，易经纬．基于人工神经网络的油水旋流分离器分离性能预测［Ｊ］．华中科技大学学报（自然科学　版），２００７，３５（５）．７９－－８１．　［８］张代远．神经网络新理论与方法［Ｍ］．北京：清华大学出版社，２００６．３２—３７．　［９］宿延吉．神经网络理论及应用［Ｍ］．哈尔滨：东北林业大学出版社，１９９３．６２—６４．　［１０］袁文翠，赵建民，倪红梅．聚合物驱综合调整优化系统的设计与实现［Ｊ］．大庆石油学院学报，２００２，（３）：１３６—　１３７．　［１１］苗文龙，徐鑫．基于Ｌａｂｖｉｅｗ的ＢＰ神经网络算法的设计与实现［Ｊ］．陕西理工学院学报（自然科学版），２００７，２３　（４）：５２—５５．　［１２］龚亚琴．基于小波分析和ＲＢＦ神经网络的铜价预测［Ｊ］．陕西理工学院学报（自然科学版），２００７，２３（２）：８７—９０．　［１３］周小锋，郭俊锋．基于禁忌搜索的神经网络集成［Ｊ］．陕西理工学院学报（自然科学版），２００７，２３（１）：２４—２６．　

Ａｐｐｌｉｃａｔｉｏｎ　ｏｆ　ａｒｔｉｆｉｃｉａｌ　ｎｅｕｔｒａｌ　ｎｅｔｗｏｒｋ　ｉｎ　ｐｒｅｄｉｃｔｉｏｎ　ｏｆ　ｏｉｌ　ｅｘｔｒａｃｔｉｏｎ　ｏｕｔｐｕｔ　

ＮＩ　Ｈｏｎｇ－ｍｅｉ　，ＷＡＮＧ　Ｗｅｉ—ｇａｎｇ　，ＬＵＯ　Ｓｈｉ．ｍｉｎｇ　（１．Ｓｃｈｏｏｌ　ｏｆ　Ｃｏｍｐｕｔｅｒ　ａｎｄ　Ｉｎｆｏｒｍａｔｉｏｎ，Ｄａｑｉｎｇ　Ｐｅｔｒｏｌｅｕｍ　Ｉｎｓｔｉｔｕｔｅ　Ｃｏｌｌｅｇｅ，Ｄａｑｉｎｇ　１６３３　１８，Ｃｈｉｎａ；