基于灰色网络组合优化的年增油量预测

老井措施增油成为油田稳产、降低油田区块开发成本的必然选择。针对多项式回归预测的局限性、灰色理论不能反映影响因素特征、神经网络需求数据多且数据敏感性差等特征,通过建立最优控制模型,实现GM（1,1）灰色理论与神经网络的高精度组合预测。以某油田区块2011-2018年的措施增油为例,对影响措施增油量的因素进行识别,建立了最优控制灰色神经网络模型对老井措施年增油量进行预测,相比多项式回归预测、GM（1,1）预测及BP神经网络预测方法,新模型模拟效果更好,预测精度更高。新方法对2018年措施年增油量的预测精度达97.34%。基于最优控制的灰色神经网络模型可以作为一种人工智能组合最优化模型预测措施年增油量,为准确预测措施增油效果,指导油田开发决策提供了新的思路。     

特高含水期相渗关系表征新理论与实践

特高含水阶段油水相对渗透率比与含水饱和度半对数关系曲线发生转折，针对传统相渗线性理论难以适用于特高含水期水驱油田开发问题，开展了特高含水期相渗非线性理论研究。采用数学建模方法建立了相渗有理函数，基于局部加权回归理论对参数进行识别，通过构建F-统计量开展拟合优度检验，率先将有理拟合理论应用到特高含水期相渗关系表征。利用贝尔油田、榆树林油田、西峰油田及羊二庄油田实际数据，对比分析传统线性拟合方法、二次多项式拟合方法、指数拟合方法、基于数据变形的线性拟合法，新方法预测精度更高、相关性更强，且能准确反映特高含水期相渗曲线半对数坐标轴弯曲特性；基于新方法的水驱特征曲线预测精度更高、相关性更强。新方法对于改进特高含水期水驱评价方法及开发指标预测具有极强的实用性。