检索结果-南通市图书馆

西南石油大学学报（自然科学版） 2020年第6期42卷 75-81页

作者：黄诚潘雯晋西南石油大学计算机科学学院四川成都610500

油田在实际开发过程中,受新区块投产、开发方案调整和“三采”措施等因素的影响,年产量数据会呈现多峰形态。针对经典的Hubbert、HCZ等模型不能直接拟合多峰数据序列的问题,开展了基于机器学习的油田产量多峰预测模型研究。基于Hubbert... 详细信息

油田在实际开发过程中,受新区块投产、开发方案调整和“三采”措施等因素的影响,年产量数据会呈现多峰形态。针对经典的Hubbert、HCZ等模型不能直接拟合多峰数据序列的问题,开展了基于机器学习的油田产量多峰预测模型研究。基于Hubbert模型,对多峰数据序列进行分段最小二乘拟合,在拟合误差函数中引入控制分段个数的罚分项,采用动态规划算法,自动求得最优分段的多峰预测模型,该模型运用在实际的油田产量数据上,预测结果达到预期目的。提出了一种通过自动最优分段的线性回归学习来建立油田产量多峰预测模型的方法,在实际应用中具有建模简单、自适应性强的优点。

关键词：石油产量预测机器学习动态规划多峰预测模型 Hubbert模型

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于主成分BP神经网络的油田产量预测研究

引用

统计与决策 2008年第13期24卷 35-37页

作者：周晶晶贺勇诸克军中国地质大学管理学院武汉430074

文章提出采用基于主成分的BP神经网络来对油田产量进行预测。主成分分析法用于将输入变量维度降低且互不相关;BP神经网络因其自组织、自学习的动力机制实现输入输出空间的非线性映射。以江汉油区为例的研究表明,该方法具备较高的预测精... 详细信息

文章提出采用基于主成分的BP神经网络来对油田产量进行预测。主成分分析法用于将输入变量维度降低且互不相关;BP神经网络因其自组织、自学习的动力机制实现输入输出空间的非线性映射。以江汉油区为例的研究表明,该方法具备较高的预测精度,在复杂经济时间序列的预测中有一定的应用前景。

关键词：石油产量预测主成分分析 BP神经网络

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

灰色理论和神经网络在油田产量预测中的应用

灰色理论和神经网络在油田产量预测中的应用

引用

作者：严胡勇东北石油大学

学位级别：硕士

石油产量的精确预测,是石油企业制定合理的生产计划、避免盲目投资、实现可持续开发的重要条件,同时为石油管理层人员制定合理的开发方案提供了有力的科学保障。然而油田的产量预测具有很多不确定因素,这些因素主要包括数据量少、数据... 详细信息

石油产量的精确预测,是石油企业制定合理的生产计划、避免盲目投资、实现可持续开发的重要条件,同时为石油管理层人员制定合理的开发方案提供了有力的科学保障。然而油田的产量预测具有很多不确定因素,这些因素主要包括数据量少、数据信息不完整等,为石油产量的准确预测带来了不小的困难。由于灰色理论中的灰色预测对“小样本”、“贫信息”样本数据的处理、预测具有较好的效果,因此被广泛应用于管理、优化、预测等领域。本文利用某油田某采油厂一类区块历史数据建立了传统灰色模型以及两种改进模型:无偏GM模型与基于初值修正的GM模型,分别对年产油量进行预测,结果表明:改进模型的预测精度不一定是最好的,此外,采用不同的数据量、不同的方法进行建模,结果也不尽相同。得出结论:单项预测方法的预测效果不是很稳定,存在着一定的风险性与局限性。同时,系统地对历年石油年产量影响因素数据进行收集与整理,用灰色理论中的灰色关联分析法分析了石油年产量的主控因素,这些主控因素包括油井利用率、年注采比、综合含水率、采油速度、年产液、采出程度、自然递减率。将这些因素作为神经网络的输入,年产油量指标作为神经网络的输出,反复训练网络,直到达到最佳结构,再对产量进行预测,结果表明:预测精度比较高,但是这些主控因素对数据的要求比较高,一般产量预测的可知信息都比较少,不满足统计规律,因此难以运用它对石油产量做出科学、合理的预测。灰色理论与神经网络在石油产量预测中都具有各自的优点与不足,灰色理论在数据量比较少的前提下,用于波动性不强,趋势性明显的短期石油产量预测,具有较好的预测结果;神经网络在短期预测上虽然没有灰色理论的效果好,但在原始数据无序以及波动性较强的长期预测中有着明显的优势。本文结合灰色理论模型和神经网络各自的特点,建立组合模型,实现优势互补。利用某油田某采油厂一类区块1994-2004年年产油量指标数据建立一个一维序列,将此一维序列分别通过传统灰色GM(1,1)模型、以及它的改进型无偏GM模型、改进型初值修正GM模型得出三组值作为改进灰色神经网络模型的输入,原始的实际产量序列数据作为网络的输出,反复训练网络直至得到最佳的网络结构。将此模型应用到某油田某采油厂一类区块2005-2010年石油年产量的预测中,结果表明:(1)改进组合模型只采用了一项年产油量指标因素建模、预测,其所需数据量少,平均相对误差在5%以下,预测精度比较高,预测效果不错。(2)采用相同数据建立的传统GM(1,1)模型、灰色无偏GM模型、灰色初值修正GM模型进行预测的平均相对误差分别为7.09%、7.46%、27.18%、4.13%、3.85%,和单一的灰色预测模型以及神经网络模型相比,改进组合模型适应能力强、预测推广能力好,预测精度比较高,为石油产量的准确预测提供了一种有效的、科学的方法,具有一定的实用价值。

关键词：灰色理论神经网络石油产量预测灰色神经网络

来源：

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

基于深度学习的油井产量预测

基于深度学习的油井产量预测

引用

作者：连志强新疆大学

学位级别：硕士

能源作为人类生活和发展的必须物质,对能源的产量做出合理的预测是必不可少的。生活能源主要以消耗石油和天然气为主,石油产量的多少与国民经济的发展有着直接的联系,石油的产量相当于国民经济的血液。石油作为一种不可再生的能源,对石... 详细信息

能源作为人类生活和发展的必须物质,对能源的产量做出合理的预测是必不可少的。生活能源主要以消耗石油和天然气为主,石油产量的多少与国民经济的发展有着直接的联系,石油的产量相当于国民经济的血液。石油作为一种不可再生的能源,对石油产量做出合理的规划和使用是势在必行的。对于石油产量做出合理预测,对指导石油人员的分配,以及石油的规划使用具有重要的意义。针对传统的石油产量预测方法,本文基于深度学习的方法对石油产量做出合理的预测。本文研究主要工作内容和成果:1、本文综合分析了影响石油产量的一些主要因素,并且利用皮尔逊相关系数对影响石油产量的因素进行了定量分析,对影响石油产量因素大小进行了排序。通过皮尔逊积矩相关系数可得,影响石油区块产量的主要因素有核实月产油量、注水井开水井数、地质储量、注水井总数、井口月产油、采油井开井数、可采储量、年注入量、采油井总井数、累计产油量、年产液量等11个正相关的皮尔逊积矩相关系数且相关系数大于0.9。还有水质合格率和采油经营成本负相关因素的取值很小,几乎没有什么影响。2、以区块为单位,对单因素影响石油的产量进行分析预测。使用了深度学习中的多个模型,对单因素石油产量进行预测。对实验的数据集进行了归一化预处理,使得数据符合深度学习模型训练的平滑数据。分别使用LSTM、Bi-LSTM、LSTM-seq2seq、Bi-GRU-seq2seq和Bi-LSTM-seq2seq等方法训练出单因素区块石油产量预测模型,通过比较分析实验可以得出,使用Bi-LSTM-seq2seq方法训练出的模型预测效果最好,准确率达到99.5%。3、多因素区块石油产量预测,利用机器学习的方法对多因素区块石油产量进行预测。首先,对数据进行预处理。分别使用Ridge回归、Lasso回归、随机森林算法回归、Elastic net和XGBoost算法训练出模型对区块多维度石油产量进行预测。首先,使用包括全部特征的实验数据集,对石油产量预测,通过比较分析实验可以得到,随机森林算法预测效果最好,拟合优度达到了0.829。然后,使用提取主要特征的实验数据,通过分析比较实验可以得到,随机森林算法训练出的模型预测效果最接近实际产量,拟合优度最好,达到0.851。

关键词：皮尔逊积矩相关系数深度学习机器学习石油产量预测

来源：

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

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：