检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

小波神经网络在油田产量预测中的应用

大庆石油地质与开发 2008年第6期27卷 52-54页

作者：李智超赵正文钟仪华李建丽刘道杰西南石油大学四川成都610500

在油田开发中,准确的产量预测对开发调整部署和提高措施作业效益有重要作用,它决定了油田生产投资的规模和决策方向。但是,油藏是一个复杂的多变量非线性动力学系统,由于油藏储层的非均质性和决定油田产量因素的不确定性,往往很难对油... 详细信息

在油田开发中,准确的产量预测对开发调整部署和提高措施作业效益有重要作用,它决定了油田生产投资的规模和决策方向。但是,油藏是一个复杂的多变量非线性动力学系统,由于油藏储层的非均质性和决定油田产量因素的不确定性,往往很难对油田产量进行准确的预测。小波神经网络是小波分析与前馈神经网络的融合,具有比BP网络更好的收敛性,同时具有处理复杂性、时变性和防震性的功能,可以对地质条件比较复杂、影响因素不确定的油田进行产量预测。通过对油田产量预测的实例计算表明,该方法具有很强的理论指导和较好的实际应用效果。

关键词：小波分析神经网络小波神经网络(WNN) 油田产量预测应用

在线全文

学校读者我要写书评

暂无评论

基于时间序列分析方法的油田产量预测与应用

基于时间序列分析方法的油田产量预测与应用

作者：李达兰州理工大学

学位级别：硕士

油田产量的预测,关系着油田的科学决策,对于合理的指导油田生产有至关重要的作用。目前提取多特征的建模方式普遍应用在各地的油田产量预测中,虽然这种提取多特征的建模方式预测准度比较准确。但是由于各地的实际状况不同,而影响油田产... 详细信息

油田产量的预测,关系着油田的科学决策,对于合理的指导油田生产有至关重要的作用。目前提取多特征的建模方式普遍应用在各地的油田产量预测中,虽然这种提取多特征的建模方式预测准度比较准确。但是由于各地的实际状况不同,而影响油田产量的因素复杂多变,油田覆盖面积比较大,在预测油田总产量时,提取多特征的建模方式,实际操作性比较差且不具有普适性。中石油油气生产物联网系统(A11),管理着国内多家大型油田的生产,如何建立有效的普适性预测模型,如何提高模型的预测准确度,是本文研究的重点。本文在总结前人研究成果的基础上,通过理论结合实际的方法,深入探讨了时间序列分析方法在油田产量预测中的应用。(1)对A11要建立普适性的有效预测模型,本文提出采用时间序列方法来分析建模。时间序列分析方法不需要提取外在的特征,只关心产量曲线本身的内部特征,再考虑到,油田日产量数据成分的复杂性以及样本数据个数的局限性,因此可以采用时间序列分析方法来对油田日产量数据进行分析建模。首先对经典时间序列模型AR,MA,ARMA,ARIMA的理论基础以及建模过程进行了深入研究。然后依托于实际的油田产量数据,抽象油田日产量数据,为单一时刻瞬时值,采用一年365天的数据作为训练样本来进行建模,之后的20天的数据作为校验样本,来评估模型的优良程度,根据油田数据的特点,最终通过实验评估出ARIMA模型对于油田日产量的预测具有很好的适用性,预测准确度达到98.16%。(2)为了要提高模型的准确度,本文提出了ARIMA-BP神经网络的时间序列组合预测模型。在实际的生产环境时间序列中,或多或少都含有线性和非线性部分,其中油田日产量就是典型的代表。ARIMA模型能够很好的对线性的时间序列进行拟合和预测,而BP神经网络模型对于非线性时间序列的预测效果更好。ARIMA-BP组合预测模型是通过运用ARIMA模型对时间序列进行线性成分拟合,提取残差时间序列,然后运用BP神经网络建模。线性成分和非线性成分建模分别用ARIMA模型和BP神经网络模型,预测时分别预测求和。通过实验表明BP模型预测准确度为98.86%,组合模型预测准确度为99.28%,组合模型比单一模型预测效果更加理想。

关键词：油田产量预测时间序列 ARIMA BP神经网络 ARIMA-BP神经网络

基于主成分分析和最小二乘支持向量机的油田产量预测模型

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

电脑知识与技术 2015年第11期11卷 144-147页

作者：冯贵阳韩家新西安石油大学计算机学院陕西西安710065

油田产量预测是油田开发生产中的重要工作,也是油田开发决策的基础。为了准确且快速地进行油田产量预测,本文首先采用主成分分析方法对预测模型的输入变量进行降维优化处理;其次,利用自适应粒子群算法对支持向量机的核参数σ和惩罚因子... 详细信息

油田产量预测是油田开发生产中的重要工作,也是油田开发决策的基础。为了准确且快速地进行油田产量预测,本文首先采用主成分分析方法对预测模型的输入变量进行降维优化处理;其次,利用自适应粒子群算法对支持向量机的核参数σ和惩罚因子C进行优化;最后,建立基于最小二乘支持向量机预测模型。实验结果表明,该预测模型有效地去除了冗余信息,降低了输入变量的结构复杂度,提高了模型寻优的收敛速度且避免陷入局部最优,有效地提高了油田产量的预测效率和预测精度。

关键词：油田产量预测主成分分析最小二乘支持向量机自适应粒子群优化

基于遗传算法优化BP神经网络在原油产量预测中的应用:以大庆油田BED试验区为例

在线全文

学校读者我要写书评

暂无评论

数学的实践与认识 2015年第24期45卷 117-128页

作者：马林茂李德富郭海湘李伟伟中国地质大学(武汉)经济管理学院湖北武汉430074

油田产量预测工作一直是油田开发中的一项重要工作,许多传统的回归模型以及智能算法都已经在油田产量预测中有了应用.虽然神经网络以其较强的非线性拟合能力.而得到广泛应用,但是传统BP神经网络容易陷入局部最优值而影响预测结果.将利... 详细信息

油田产量预测工作一直是油田开发中的一项重要工作,许多传统的回归模型以及智能算法都已经在油田产量预测中有了应用.虽然神经网络以其较强的非线性拟合能力.而得到广泛应用,但是传统BP神经网络容易陷入局部最优值而影响预测结果.将利用遗传算法同时优化BP神经网络连接权值和阈值的算法应用到大庆油田BED试验区高含水阶段的油田产量预测,结果表明在面对高含水阶段更加复杂的地质条件和数据波动更强的情况下优化后的神经网络收敛速度更快而且预测精度更高.

关键词：遗传算法 BP神经网络油田产量预测

应用PSO-改进GM(1,1)模型预测油田产量

在线全文

学校读者我要写书评

暂无评论

数学的实践与认识 2018年第17期48卷 119-123页

作者：崔传智吴忠维李昱东黄广庆李荣涛金超林中国石油大学(华东)石油工程学院山东青岛266580 玉门油田勘探开发研究院甘肃玉门735000 中国石油长城钻探国际测井公司北京100101

准确预测油田产量对油田开发调整部署有重要意义.依据油田产量变化特征与油田产量数据丰富的特点,引入产量变化系数修正传统灰色模型,并运用中心差商改进了传统灰导数离散过程,减小灰导数离散误差,再结合PSO算法,最终建立了PSO-改进GM（... 详细信息

准确预测油田产量对油田开发调整部署有重要意义.依据油田产量变化特征与油田产量数据丰富的特点,引入产量变化系数修正传统灰色模型,并运用中心差商改进了传统灰导数离散过程,减小灰导数离散误差,再结合PSO算法,最终建立了PSO-改进GM（1,1）模型.运用PSO-改进GM（1,1）模型进行油田产量预测,对比传统灰色模型与PSO-改进GM（1,1）模型的产量预测结果可知,与传统灰色模型预测结果相比,应用PSO-改进GM（1,1）模型进行油田产量预测具有更高的准确性.

关键词：产量递减系数中心差商灰色模型油田产量预测

在线全文

学校读者我要写书评

暂无评论

基于SVR的组合预测模型及其应用

计算机工程与设计 2009年第19期30卷 4506-4508,4523页

作者：刘显德高泓大庆石油学院计算机与信息技术学院黑龙江大庆163318

针对油田开发单一产量预测模型泛化能力低、中长期预测准确性差等问题,提出了一种基于支持向量回归机(SVR)的组合预测模型。该模型可基于小样本建模并能综合不同单一预测模型的适用条件和优势,具有较强的泛化能力,对只可获得少量实验数... 详细信息

针对油田开发单一产量预测模型泛化能力低、中长期预测准确性差等问题,提出了一种基于支持向量回归机(SVR)的组合预测模型。该模型可基于小样本建模并能综合不同单一预测模型的适用条件和优势,具有较强的泛化能力,对只可获得少量实验数据的油田产量预测问题具有较好的适应性。给出了SVR组合预测模型的结构设计和实现算法,对油田实际产量数据进行处理,取得了较精确的预测结果,验证了模型和方法的有效性。

关键词：组合预测支持向量回归机算法油田产量预测核函数

在线全文

学校读者我要写书评

暂无评论

基于多目标优化的油田配产问题研究

基于多目标优化的油田配产问题研究

作者：徐顺兰州理工大学

学位级别：硕士

目前,我国大部分油田已处于开发的中、后期。随着开发的进行,油田出现了一系列问题:油井采出程度较高、长期处于高含水与特高含水阶段、开发难度大;各个采油厂原油成本快速上升、成本分布不均;资金投入、周转困难等。这些问题导致石油... 详细信息

目前,我国大部分油田已处于开发的中、后期。随着开发的进行,油田出现了一系列问题:油井采出程度较高、长期处于高含水与特高含水阶段、开发难度大;各个采油厂原油成本快速上升、成本分布不均;资金投入、周转困难等。这些问题导致石油产量逐步下降、效益降低。在此背景下,石油企业如何依据现有的资源和技术运用机器学习方法,提高油田产量预测水平,合理的构建油田配产多目标优化模型,实现对油田产量和资金投入量的科学规划,提高石油企业决策水平,这将是各大油田公司可持续发展的战略目标。（1）针对传统预测模型预测精度不高,影响因素考虑不全面的问题,本文提出了基于ARIMA-LightGBM-LSTM模型融合的预测方法。首先,使用ARIMA模型对产量列做单变量预测,将预测值作为新变量同特征选择得到的特征一起放入LightGBM模型中进行不同属性的挖掘,并将预测值合并到第二次特征选择得到的多变量序列中,然后将得到的多变量序列利用LSTM模型进行预测。通过对3种模型预测结果加权组合,并多次实验得出最佳权值来计算最终的预测值。仿真数据结果表明,基于ARIMA-LightGBM-LSTM加权组合的多变量预测方法能够比单一的预测方法获得更精准的预测值。（2）改进MOEA/D算法来解决油田配产问题。油田配产是合理配置产量、投入资金及产出利润的多目标优化问题,以总产量最大、总资金投入量最少、总利润最大作为三个优化目标。本文在基于分解的差分进化算法的基础上,将Q矩阵记忆算法引入其中,设计出一种更适合求解多目标优化问题的MOEA/D-Q算法以完成模型的求解。研究过程中以某油田为例进行实验,根据多目标优化结果设计2009年油田的配产方案。与真实的油田配产结果进行对比分析,证明了该算法在解决多目标优化问题上能够取得良好的效果。

关键词：油田产量预测油田配产多目标优化 MOEA/D-Q