基于多变量时间序列及向量自回归机器学习模型的水驱油藏产量预测方法

提出了一种基于多变量时间序列(MTS)及向量自回归(VAR)机器学习模型的水驱油藏产量预测方法,并进行了实例应用。该方法在井网分析的基础上通过MTS分析对注采井组数据进行优选,并将井组内不同采出井产油量及注入井注水量作为彼此相关的时间序列,通过建立VAR模型从多个时间序列中提取出相互作用规律,挖掘注采井间流量的依赖关系从而进行产量预测。水驱油藏历史生产数据分析结果表明,与数值模拟历史拟合结果相比,机器学习模型产量预测结果具有更高精度,同时不确定性分析提升了预测结果的安全性。通过脉冲响应分析对注入井的采油贡献量进行评价,可为注水开发方案调整提供理论指导。图10表5参28     

油田产量的多变量预测研究

研究了神经网络模型和多元线性回归模型用于产量预测的原理和方法 ,采用神经网络模型和多元线性回归模型对油田油产量进行预测 ,综合考虑各种地质因素及人为因素对油产量的影响 ,提出了油田产量的多变量预测方法。对我国某油田的实际数据进行拟合预测的结果表明 ,神经网络模型和多元线性回归模型用于油田产量的多变量预测都可得到较满意的结果 ;与多元线性回归模型相比 ,神经网络模型的预测精度更高 ,而且快速简便。     

基于多参数时间序列及粒子群优化算法的油藏产量动态建模预测方法

在油田开发过程中,油藏产量预测方法的研究对开发方案的动态调整具有重要意义。针对利用机器学习算法进行油藏产量预测过程中,因缺乏考虑时间序列模型的参数调整优化技术,以及新数据叠加进行预测模型动态更新技术,导致产量预测的准确率不高且时效性不强,难以满足实际生产应用需求等问题,研究了基于长短期记忆神经网络模型的多参数时间序列预测方法及粒子群参数优化算法,构建了随时间动态更新的油藏产量预测模型,从而进一步提升油藏产量预测的准确率与实用性,并在长庆油田多个油藏的生产过程中进行了应用。应用结果表明,模型预测结果的准确率较高,且模型具有实时训练和自动更新的特点,在实际生产中展现出了较高的应用价值。     

自回归求和滑动平均方法用于间歇过程变量在线预测

间歇过程变量的在线预测是一种重要的生产过程质量控制手段。实现间歇过程变量的在线预报需要对过程以往的批次数据建立预测模型,即需挖掘批次间和批次内的数据信息。针对间歇过程数据不同批次不等长、数据长度短、非线性等特点,采用数据重构——自回归求和滑动平均方法建立其在线预测模型：将收集到的间歇过程变量以批次为单位进行数据平滑;对这些批次数据按照随机的顺序首尾相接,组成长数据集;对于批次连接处数据跳跃的情况,采用后面所有批次数据减去上一批次的最后一个值,以实现数据的平滑;采用自回归求和滑动平均方法建立数据模型,并用于间歇蒸馏温度的在线预报。采用该方法建立的4步预测模型对某间歇蒸馏过程上升气温度的预测均方差较小,符合生产现场的预测要求。     

基于非线性自动回归模型的测井曲线预测方法

针对非线性、时序性的测井曲线进行研究,提出基于Tensor Flow的非线性自动回归模型(GNAR)纵向预测测井曲线法。将样本数据分成训练集和测试集,在训练集上建立模型,在测试集上进行预测评估。实验验证和应用效果分析表明,非线性自动回归模型在测井曲线纵向预测中具有较强的适应性和较高的准确性。     

产量指数递减分析的自回归模型

本基于Ａｒｐｓ递减曲线方程，提出了油气田产量指数递减曲线分析的自回归模型，应用该模型进行产量指数递减曲线分析，方法简便实用，结果可靠。该方法也解决了油气藏年产量属于离散的时间序列给产量递减分析所带的问题。     

基于机器学习的碳酸盐岩油藏地层压力预测

地层压力涉及到开发方式、配产配注等调整,是油田开发过程中极为重要的参数。但获取地层压力需要关井进行压力恢复,操作繁琐,数值模拟法工作量大且计算耗时,现有公式法不太适合采用复杂工作制度的碳酸盐岩油藏。基于相关性计算和主成分分析等数据预处理过程,结合精英策略遗传算法和支持向量回归模型(SEGA-SVR),建立了基于数据驱动的地层压力预测模型。SEGA-SVR模型在训练集决策系数得分为0.97,均方根误差为0.04;测试集决策系数得分0.95,均方根误差为0.05,对邻区验证井也有较好的表现。SEGA-SVR模型的性能与SVR模型相比有了很大提高,与其他机器学习模型相比,总体来说表现最优。研究结果表明,SEGA-SVR模型无需关井即可预测实时地层压力,且通过遗传算法调参省时省力,数据驱动的方式可更好适应复杂情况。同时该模型具有较好的泛化性和稳定性,预测效果较好,为碳酸盐岩油田地层压力预测提供了新方法。     

基于系统稳定性的复杂断块油藏水驱产量预测

根据不同的采收机理,将油藏系统划分为四个生产阶段.重点分析油藏系统在水驱阶段的内部稳定性和外部稳定性,据此加强对油藏的管理及精细描述.从物理意义方面改进标准Yang氏水驱动态诊断方法,利用油藏系统在水驱阶段的稳定性和改进后的方法对复杂断块油藏进行产油量预测.在进行产量预测时无需计算油藏的孔隙体积,故该方法更适合于含油区...     

用于油田产量预测的多元线性回归和自回归模型

为了预测油田的动态产量,通过对多个自变量进行综合回归分析,确定了影响油田产量的重要因素和自变量的数目,并建立了相应的多元线性回归预测模型。基于多元线性回归模型和计算统计量,分析了回归参数求解过程中的重要信息,并建立了年产油量自回归预测模型。将两种预测模型应用于某油区,获得了较为满意的预测结果。     

自回归模型在加密调整油田指标预测中的应用

年产量属于离散的时间序列，当油田进行调整时，年产量的波动较大，用Arps指数递减曲线进行产量预测误差较大，而累积产油随时间的规律性较强。从Arps指数递减曲线的基础出发，对累积产油进行自回归，根据拟合的规律计算出油田的可采储量和预测产量，并利用FZ油田不同开发阶段的实际资料进行自回归分析，有效地评价了该油田的加密调整效果。     

利用支持向量机方法求取缝洞型油气藏地层系数

将支持向量机方法应用于缝洞型油气藏地层系数的预测.以国内某典型缝洞型油气藏为例,选取已进行试井分析的12口典型单井资料(包括对应的开发数据)作为学习样本,构建预测地层系数的支持向量机模型,并对模型进行了检验,结果表明,利用支持向量机方法所预测的地层系数与试井解释所得的实际值较为吻合,证实了利用该方法预测、评价缝洞型油气藏地层系数的可行性.     

基于机器学习的储层预测方法

机器学习和数据挖掘具有出色的预测、分析、决策和计算能力,在油气勘探开发领域的应用已取得良好的效果。在总结储层预测方法的基础上,分析了不同储层预测方法的适用性及优缺点,应用机器学习方法,挖掘测井和地震数据,预测了储层的岩石类型、空间展布、孔隙度、渗透率和含油饱和度。将该方法与地震反演储层预测对比,结果表明该方法具有明显优势。一是挖掘地震数据蕴含的大量信息并进行多重属性融合,使预测精度提高;二是数据驱动代替经验驱动,使工作流程简化。     

一种基于支撑向量机学习预测井眼轨迹的新方法

对影响井眼轨迹的几个主要因素进行了分析,提出了一种利用小样本统计学习理论中的支撑向量机来进行井眼轨迹预测的新方法,介绍了用于非线性回归估计的支撑向量机的基本原理,通过对一口或几口已钻井的轨迹数据、钻进方式和底部钻具组合结构参数进行学习训练支撑向量机,建立了井眼轨迹的支撑向量机预测模型,并利用多口实钻井的轨迹数据进行了验证。结果表明,这种新方法的预测精度远高于传统的定曲率几何预测方法。     

基于支持向量机的潜油柱塞泵沉没度预测

潜油柱塞泵抽油系统可以及时、合理地调节直线电机的运行状态,使抽油机的抽汲能力与井下沉没度的变化相匹配,以达到可靠、稳产和节能的目的。针对潜油柱塞泵抽油系统沉没度时间序列非平稳、非线性的特点,提出基于支持向量机(SVM)的沉没度预测方法。对实测现场沉没度序列预处理和归一化,构成沉没度时间序列,并进行输入样本空间重构。用沉没度时间序列样本对SVM预测模型进行训练,选择测试样本对训练得到的预测模型进行测试,并将该方法与自回归滑动平均模型（ARMA）预测结果进行比较。最后,引入直线电机冲数信息作为预测模型的输入,形成改进的沉没度预测方法。对三种预测方法在相同的训练和测试条件下进行误差分析,证明改进的SVM方法具有更高的预测精度。研究结果可作为潜油柱塞泵在线监控系统控制直线电机运行状态的依据。     

基于支持向量机的属性优选和储层预测

本文采用基于支持向量机(SVM)的特征选择方法进行地震属性优选,根据油井的产油气情况将油井分为高产井和低产井,利用SVM对这些样本进行训练,然后根据每个属性对应的权值进行筛选,便可以选取对油气敏感的属性,进而更好地预测储层。具体过程为:①提取一定量的地震属性;②根据已知井的信息,获得训练样本,训练线性SVM;③计算各个特征的权值;④选取较大权值绝对值对应的多个属性;⑤将支持向量回归机(SVR)应用于优选出的属性,获得储层预测的结果。实际资料应用结果表明,文中方法不仅能筛选出有效的地震属性,还能够有效地预测储层。     

近似支持向量机的AVO类型判别

AVO技术是储层含油气性分析的重要工具,可以定性地描述油气藏。常规储层的AVO分类主要依靠人为判别,致使判别结果不准且工作量大。本文从四类AVO曲线中提取特征参数作为训练集,把近似支持向量机方法引入AVO类型判别;再以四类含气砂岩AVO曲线形态为依据,把叠前地震资料的曲线形态特征作为输入参数,获得工区内储层的AVO类型。将该方法应用于南海碎屑岩气田的AVO类型自动识别,取得了较准确的结果,为储层的AVO类型判别提供了可靠、高效、便捷的工具。     

基于SVM的注水机组状态预示技术研究

油田大型注水机组在连续运转过程中,由于其自身的因素以及受外界条件的干扰,其运行常处于非线性非平稳状态。在充分研究和比较多种设备状态预示方法的基础上,提出一种基于支持向量机(Support Vector Machine,SVM)的状态预测新方法。该方法应用最终预报误差(FinalPrediction Error,FPE)准则确定样本的嵌入维数。通过比较SVM预测模型与自回归预测模型的单步和多步预测结果,证明基于SVM的预测方法在较长区间内具有良好的预测效果。用SVM预测大庆油田旋转注水机组时域的振动烈度,取得了较好预测效果,证明该算法能有效提高预测精度。     

火山岩气藏气井生产动态规律及预测方法

与常规层状沉积储层不同,火山岩储层储集空间复杂多样,发育有不同规模尺度的孔缝组合方式,非线性渗流机理复杂,存在应力敏感、滑脱效应及“接力”排供气机理。受非线性渗流机理的影响,气井生产动态规律与常规储层气井差异较大。基于火山岩储层多尺度、多介质的特点,结合火山岩气藏非线性渗流机理,利用多个火山岩气藏气井实际生产动态资料,将气井的开发过程划分为初期高产、产量递减和低产稳产3个阶段,并运用Eclipse数值模拟技术对实际气井的生产动态进行拟合预测分析。在气井生产动态分析的基础上,考虑滑脱效应及应力敏感的影响,形成了气井生产动态预测方法,并对12口生产井产能进行拟合预测,其中有10口井的计算结果与实际生产情况相符。研究结果对预测气井产量、合理配产具有重要意义。     

Integrating genetic algorithm and support vector machine for polymer flooding production performance prediction

Quantitative characterization models of oil increment and water-cut change in polymer flooding called Hou's models are established in the paper. The mathematic models are concise and characteristic parameters have specific physical meanings and are easy to determine. Automatic solution method based on real-coded genetic algorithm (GA) is presented. Based on numerical simulation of polymer flooding, quantitative prediction model of production performance in polymer flooding is established through the combination of orthogonal design and support vector machine (SVM) methods, in which the combination effect of factors is considered. Taking Shengli oilfield as an example, the history matching and prediction of polymer flooding are carried out, it is indicated that there exists a good matching between the quantitative characterization model and the field data, and this model can be extrapolated. Regardless of the limited sample set, the quantitative prediction model can give consideration to both universality and generalization to meet the requirements of engineering computation application. The characterization model or prediction model can be alternatively used according to whether there is a dynamic tendency of the polymer flooding unit or not. Therefore, the models can guide the scheme programming and dynamic adjustments of polymer flooding.     

基于传递函数模型的油田产油量预测方法

针对油田产油量预测方法无法考虑因素动态关系的局限性,首次应用时间序列传递函数模型建立了考虑因素动态关系的多因素油田产油量预测模型。应用传递函数模型的原理并按照建模步骤,以胜利油区某油田新井产油量预测为例,说明了传递函数模型数据准备、模型识别、参数估计、诊断校验及预测过程。研究结果表明,该预测模型既能在繁杂因素中剔除无关因素的干扰,识别影响油田产油量预测的主控因素,又能考察变化非同步且具有滞后性的因素动态关系;拟合程度好,预测精度高达98.4%。