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%。     

特高含水期油田产量预测新方法

特高含水期是油田重要的开采阶段．我国东部大部分油田已经进入特高含水期．研究处于该阶段的油田产量预测问题具有重要意义。由于处于特高含水期阶段的油田一般采集到的开发指标和影响因素的样本数较小,所以基于统计学理论的常规预测方法都不太适合该阶段的产量预测。文中从数据挖掘和机器学习角度提出了油田产量预测的新方法——基于主成分分析和支持向量机（SVM）方法的油田产量预测模型。先把由影响产量的众多因素构成的高维向量通过主成分分析技术进行数据降维后作为SVM的输入,通过SVM训练得到模型,并利用遗传算法（GA）优选模型的参数建立特高含水期油田产量预测模型。与其他方法相比,该方法减少了模型输入变量的维数,提高了模型收敛的速度和预测精度,能较好地反映特高含水期油田产量的动态变化规律．     

基于机器学习方法的油井日产油量预测

油藏数值模拟是进行油田产量预测最为常用的方法,但其准确性建立在精确的地质模型和较高质量的历史拟合基础之上。为了克服数值模拟计算耗时长、成本高和所需数据资料多等缺点,建立了一种利用机器学习方法,根据现场广泛易得的油藏静态资料和开发动态参数实现油井日产油量的快速准确预测。传统的BP神经网络无法准确描述产量变化在时间维度上的相关性,因而基于长短期记忆神经网络(LSTM),建立能够考虑生产动态数据变化趋势和前后关联性的产量预测模型,是实现油井日产油量预测更为有效的途径。首先根据平均不纯度减少(MDI)方法,分析各个因素对单井产量的影响程度,基于特征参数的重要性进行数据降维,排除不相关的冗余特征,确定影响油井产量的主要因素。结合筛选出的特征参数和日产油量数据对LSTM模型进行训练和优化,建立最终的油井产量预测模型。利用实际油田数据对建立的模型进行验证和应用效果评价,结果表明基于LSTM模型的产量预测值与实际值高度一致,能准确反映产量的动态变化规律,为油井产量预测提供了一种新的方法。     

大庆油田二类油层聚合物驱产油量模型应用

针对大庆油田二类油层不同区块产油量差异大,影响因素复杂,产量预测难等问题,根据聚合物驱油墙推进理论和产油量动态变化特征的对应关系,建立分阶段产油量预测模型。在模型求解过程中,通过引入支持向量机方法,选取已开发区块25组模型参数和影响因素进行学习训练,5组数据样本进行预测检验,最终确定了模型参数与影响因素之间的非线性拟合关系式,并将整个算法过程编制成了简便操作的应用程序。现场实际应用表明,新的模型预测精度在95％以上,便于跟踪和调试,完全可以满足二类油层聚合物驱开发方案和油田中长期规划方案的编制要求。     

聚合物驱含水率的神经网络预测方法

分析了工业化聚合物驱区块综合含水率的变化特征及其多种影响因素,把影响因素作为输入参数,把综合含水率的变化特征作为输出参数,以早期投产区块的已知输入和输出参数作为学习样本,建立了改进的三层CBP神经网络模型.在模型的训练样本中允许一些未知元素作为输出层变量,这样油田开发中时间不同的区块可以同时放在训练样本中,未知的点能通过预测而得到.该方法解决了以往的模式图方法预测工业化区块综合含水的偏差和人为的修正问题,并能够定量地分析各因素对聚合物驱动态特征的影响程度.利用该模型预测了新投产区块的综合含水率、产液量和产油量等指标,为油田开发规划的编制及计划安排提供了较为合理的依据.     

注采单元动态调配的灰色关联分析方法

油田开发现用的动态调配方法偏重于静态数据,计算参数多,过程繁琐,无法对可能发生的结果进行预测,为此,提出了一种新的综合应用动静态资料的灰色关联分析方法,引入“流率”概念,对地质参数进行简化处理。建立了采油井产油量、产水量与各井注入量之间的灰色关联模型,用该模型对双河油田Ⅶ下层系进行了灰色关联分析和应用,结果表明该方法操作过程简便,应用效果好。     

一种定注水总量的配注新方法研究

随着海上注水油田开发进入中后期,设备能力无法满足注水需求。本文建立了渗流模型,将注水量在各方向上劈分,利用水—油折算系数确定注水量与产油量的关系,计算出最大产油量下各注水井注水量,现场实施效果明显。     

低渗透油藏仿水平井压裂参数优化研究

为提高低渗透油藏储层动用程度,可采用仿水平井(直井大型压裂)注水开发技术,但地层参数与压裂参数对仿水平井注水开发的影响有多大尚不清楚,为此,以胜利油田某区块地质数据及生产动态为基础,建立随机模型,对影响仿水平井的主要因素进行研究。主要运用单变量法和正交试验设计方法设定不同的注采参数方案,利用数值模拟技术预测各方案对应的开发指标;通过极差、方差分析,研究了地层渗透率、原油黏度、裂缝角度、裂缝半缝长、裂缝与地层渗透率倍数等对开发效果的影响。研究表明应用仿水平井注水开发效果理想。     

基于Usher模型及水驱特征曲线的综合预测模型

将Usher模型与常用水驱特征曲线相结合,建立了一种能预测水驱油田在不同开发时期的含水率、产油量、产水量、产液量和相应累计产油量等开发指标以及可采储量的联解模型。此模型克服了产量预测模型中缺少含水率和水驱特征曲线缺少开发时间等开发指标的缺陷。油田实际开发数据与预测结果的对比表明,此联解模型的预测精度相对较高,能够满足水驱油田开发指标的动态预测要求。     

确定水驱油田注水量的一种方法

基于经济增长和油气资源增长预测的Gompertz模型,根据油田产油量和产水量建立了确定水驱油田注水量的预测模型。通过矿场实例应用表明,该模型能够对油田注水量进行全过程预测,且计算简单,可靠程度较高。     

注采单元动态调配的灰色关键分析方法

油田开发现用的动态调配方法偏重于静态数据，计算参数多，过程繁琐，无法对可能发生的结果进行预测，为此，提出了一种新的综合应用动静态资料的灰色关联分析方法，引入“流率”概念，对地质参数进行简化处理。建立了采油井产油量、产水量与各井注入量之间的灰色关联模型，用该模型对双河油田Ⅶ下层系进行了灰色关联分析和应用，结果表明该方法操作过程简便，应用效果好。     

利用神经网络建立储层宏观参数动态模型--以胜坨油田二区为例

建立描述和表征储层宏观参数随油田开发过程发生动态变化的物理和数学模型,可有效提高油田管理水平及最终采收率。以长期注水开发的胜坨油田二区沙河街组二段第8砂层组第3小层三角洲相储层为例,在研究了储层参数变化规律的基础上,利用神经网络建立了表征储层宏观参数变化的动态模型及数学表达式。该模型可有效地预测不同开发阶段储层宏观参数的变化过程和变化规律,为油田开发提供了科学依据。     

固相沉积模型在高凝油藏注水开发中的应用

传统的油-水两相热采模型在进行高凝油注水开发的数值模拟过程中,仅能考虑黏度和相对渗透率曲线随温度变化的影响,而无法表征蜡的固相沉积作用对储层物性的伤害,这种物性变化也是应用不同温度下相对渗透率曲线的前提.为弥补两相热采模型中的这一缺陷,提出了利用固相沉积模型模拟高凝油藏开发,建立了油-水-固三相的热采数值模拟方法,通过与两相热采模型的模拟结果对比,表明蜡沉积对储层渗透率的伤害是高凝油田早期注水开发中最大的影响因素.同时结合热采模型获得了不同注水温度下蜡沉积半径及伤害程度等的定量认识,对更好地研究和预测高凝油田注水开发动态具有重要的指导意义.     

基于PCA-WNN模型的油田回注水管道腐蚀速率预测

针对油田回注水管道的腐蚀问题,对引起回注水管道腐蚀的相关因素进行系统分析,建立PCA-WNN模型,使用PCA (主成分分析)算法对回注水管道腐蚀影响因素进行优选,使用WNN (小波神经网络)算法对回注水管道的腐蚀速率进行预测,将预测结果与实际腐蚀速率、PCA-BP神经网络和PCA-GM (1, m)模型的预测结果进行对比,并计算每种算法预测结果的平均绝对误差和数据训练时间,以此验证该模型应用的可行性。研究表明:管道内涂层完好性和CO_2含量对管道腐蚀速率的影响较大,而回注水压力对管道腐蚀速率的影响较小;PCAWNN模型预测结果的平均绝对误差仅为1.35%,远小于其他两个模型预测的平均绝对误差,模型学习时间仅为2.39 s,远小于其他两个模型的学习时间,证明该模型可用于油田回注水管道腐蚀速率预测。     

基于长短期记忆神经网络的油田新井产油量预测方法

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RNN)、LSTM神经网络原理以及建模步骤的基础上,以某油田新井单井年产油量预测为例,对影响新井单井年产油量的开发指标进行了筛选,对相应LSTM神经网络进行了训练,并对新井单井年产油量进行了预测。将预测结果与支持向量回归模型和BP神经网络进行了对比,结果表明,该预测模型拟合效果更好,预测精度更高。基于LSTM神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。     

基于支持向量机的早期聚合物驱动态预测研究

海上稠油油田由于受到开采时间的限制,一般在含水率达到40%之前进行聚合物驱,以提高油藏采油速度和开发效果,开发动态与陆上油田高含水期聚合物驱存在较大差异。文中应用统计方法,分析海上稠油油田早期聚合物驱的生产动态,从数据序列分析的角度研究其动态规律,认识不同动态参数之间的内在联系;基于支持向量机方法,建立时间与含水率、采出程度等动态参数之间的变化关系,并根据实际动态资料及时修正,进而建立能够反映早期注聚合物规律的预测方法。利用建立的预测模型,对渤海油田典型聚合物驱油藏进行实例计算分析。结果表明,建立的模型能够实现时间序列的多步预测,且预测结果满足精度要求,为早期聚合物驱开发指标预测和动态适时调控提供了一种有效的方法。     

基于人工神经网络的凝析气藏动态预测

常规的动态预测方法因适应的开发阶段和范围不同,在应用过程中有其局限性.BP人工网络则能克服这些缺点,不仅能描述油田开发的整个过程,而且还可以考虑单一变量和多变量影响因素,把能影响动态预测指标的各种因素自行组织起来,加以训练和学习,建立起广义的、精确的动态预侧模型.针对凝析气藏的开发,提出一种基于BP人工神经网络的凝析气藏产油量和产气量的动态预报方法,该方法对气藏开发过程的时变性和各种随机干扰因素具有自适应性.基于BP人工神经网络的模型,设计了BP网络算法的计算机实现的流程.在Windows XP环境下,采用面向对象的编程方法,以Visual C .NET为编程语言成功开发了凝析气藏的单井动态产量预测软件.进行了牙哈凝析气藏2口井的产油量和产气量的预测对比,结果表明,模型预测值与实际生产值具有很好的一致性,该预测软件具有较高的预测精度和可靠性,适合于牙哈凝析气藏各个阶段的产油量、产气量的动态预报,具有良好的推广价值.     

基于循环神经网络的油田特高含水期产量预测方法

根据油田生产历史数据利用深度学习方法预测油田特高含水期产量,并进行了实验验证和应用效果分析。考虑到传统全连接神经网络(FCNN)无法描述时间序列数据的相关性,基于一种循环神经网络(RNN)即长短期记忆神经网络(LSTM)来构建油田产量预测模型。该模型不仅考虑了产量指标与其影响因素之间的联系,还兼顾了产量随时间变化的趋势和前后关联。利用国内某中高渗透砂岩水驱开发油田生产历史数据进行特高含水期产量预测,并与传统水驱曲线方法和FCNN的预测结果比较,发现基于深度学习的LSTM预测精度更高,针对油田生产中复杂时间序列的预测结果更准确。利用LSTM模型预测了另外两个油田的月产油量,预测结果较好,验证了方法的通用性。图3表3参40     

A油田水驱特征曲线选型

注水开发的油田中,利用水驱特征曲线进行注水开发效果评价是常用的油藏工程方法,优选符合油田实际情况的水驱特征曲线类型就很有必要。绘制利用甲型、乙型、丙型和丁型水驱特征曲线预测的累计产油量及含水率曲线,并分别与实际累计产油量及含水率曲线进行历史拟合,可以优选出适合的水驱特征曲线类型。通过在A油田的实际应用表明,（1）采用拟合法优选的水驱特征曲线类型符合A油田开发特征;（2）明确了A油田的水驱特征曲线类型为丁型,评估了剩余可采储量,为合理评价油田阶段注水开发效果及编制后期开发调整方案奠定了基础。     

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。