油田开发数据预测新方法.pdf

《油田开发数据预测新方法.pdf》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、第16卷第3期重庆科技学院学报(自然科学版)2014年6月油田开发数据预测新方法陈现军’刘洪王硕亮赵朝文周碌(1．西南石油大学石油工程学院，成都610500；2．中法渤海地质服务有限公司，天津300452；3．重庆科技学院科研处，重庆401331；4．中国地质大学，北京100083；5．中国石油西南油气田分公司，重庆400021)摘要：目前在油田开发数据预测中，采用的都是基于一维单变量时间序列分析的预测方法，这种方法对产油量、产水量等指标的预测完全是独立的，没有综合考虑产油量、产水量与压力之间的关系。利用多变量相空间重构方法，在预

2、测单井产油量时，不仅考虑了历史产油量的变化规律，而且综合考虑了压力变化与产水量变化对产油量的影响，大大提高了预测精度。关键词：多变量时间序列；相空间重构；预测；参数选取中图分类号：TP183文献标识码：A文章编号：1673—1980(2014)03—0118—04油田产量变化受地质因素、流体性质、开采方构，Paekand等人采用时间延滞技术，把一维时间序式、井网形式、增产措施和管理水平等诸多因素控列嵌入m维空间中：制，既有确定性又有随机性。目前，油田产量预测方()=((t)，(+T)，(t+2T)，⋯，(+(，孔法有经验统计法和数

3、值模拟法。实践证明，这2种一1)1_))(1)方法对油田开发过程中的时变性和各种随机干扰因式中：()一时刻系统的状态；m一嵌入空间中素具有较大的不适应性。因此，本文探索一种将点集的维数。考虑有个变量的时间序列{}：={油田产量的历史数据看成是时间序列，并利用时间．序列分析法对油田产量进行建模及预测的方法，实2⋯，M-n}：l。它是个变量X()=(l(t)，践证明，该方法能够获得较高的预测精度。2(￡)，⋯，(t))的钡0量值，且p=(to+rtt)，(凡目前利用时间序列方法预测油田开发数据的研=1，2，⋯，Ⅳ)。其中。是初始时间，

4、当M=1时，为单变量时序。对多变量时序做以下时间延迟究较少，普遍采用的方法是利用单一变量时间序列重构：构造预测模型。油田实际生产过程中，压力与产量=(l，n，1n—tl，⋯，"~1n-(m1-1)Tl；2，n，2，n—T2，有着密切的关系，仅利用单一变量时间序列模型，无，,⋯’2,n-(m21—1)f2，⋯，肘n一'⋯，1．一(m一1)fM，，Mn法反映压力与产量之间的关系。，，本文首次将多变量时间序列与支持向量机方法(2)相结合，充分挖掘油田产量和压力之间的关系，构建式中：凡=厶，Jo+1，⋯，N；Jo(m。一1)T+1；。了一

5、种新型的油田开发数据预测模型。m一嵌入维数；一延迟时间间隔。根据Takens定理，当系统嵌入维数m或m足够1模型建立与参数求解大(m=m1+m2+⋯+mM>2D，D为吸引子维数)1．1多变量时间序列的相空间重构时，则存在确定性映射F：R一R使：川=对于一个复杂系统，由于实测时序是一维的，不F()或者得到某一函数满足：+=()，(i能完整地反映系统随时间的演化过程和系统内在的=1，2，3，⋯，)。此时，状态空间—+的演化反映了原未知系统的演化，这意味着原系统吸引的本质特征。为了能够从时序中得到系统的几何结几何特征等价于重构的r凡维状

6、态空间中吸引的几收稿日期：2013—11—23基金项目：中国石油科技创新基金研究项目“注水开发油藏天然裂缝演化机理与开发对策研究”(2010D一5006—0210)作者简介：陈现军(1982一)，男，河南南阳人，西南石油大学在读工程硕士研究生，研究方向为石油与天然气工程。·1l8·陈现军，等：油田开发数据预测新方法何特征。因此，原系统中任何微分或拓扑不变量可以在重构的状态空间中计算。本文构建的m维空间包括地层压力、月产油量和月产水量，这3个指标是油田开发的基本指标，可以全面反映油田开发系统的实际状况。且3个指标间既相互关联又相互影

7、响，本文采用多变量时间序列的预测方法，较单变量时间序列预测结果更为合=理准确。一㈤1．2参数求取1．2．1延迟时间的求取已知时间序列X={ji=1，2，⋯，Ⅳ}将{X}归一化，即．：一堕(、3一)，在d维重构相空间中的近邻；I1Il一欧式距离max一mi“计算概率P(x)：==㈩(d)=1∑N-dT。(，d)(7)其中，N()表示X所在区间中的数据个数；ⅣI=Ⅳ，表示总的数据个数；Ⅳ(x)表示取大于的最小整数。经过延迟后形成序列Y={Yjl=l，2，⋯，Ⅳ一(8)7}={xj+I=1，2，⋯，Ⅳ一1．}分析表明，如果时间序列产生于

8、某个吸引子，则利用式(4)计算联合概率P(x。，Y)：当嵌入维数d大于某值d时，E1(d)将停止变化，则可将d+1作为最佳嵌入维数。P(Xi,Yi)=P(Xi~Xi+．r)=1．3基于支持向量机回归的时间序列预测模型(5)为了更有效的进行预测模型建