应用人工神经网络预测油田产量.doc

《应用人工神经网络预测油田产量.doc》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、应用人工神经网络预测油田产量1前言在石油工业中，为了确保油田开发生产处于高产稳产状态，可靠预测油田原油产量是油田开发的一项关键研究工作。影响油田产量的因素主要分为地质因素和人为因素，预测油田油产量主要考虑这两个方面。当前，在我国的一些老油田大多是非自喷井，需要进行注水或蒸汽驱油，因此油的含水率也是主要的影响因素之一。地下原油的储量基本上是不变的，因此油田的动用储量也是影响因素。这些参数和未来产量之间的关系是非线性的，并且具有随机性和不确定性，用传统的线性方法很难处理。目前，预测油田产量的单变量建模方法主要有递减曲线法、增长曲线

2、法和水驱曲线法等，但油田开发是一个复杂的多变量非线性动力学系统，单变量模型一般不能充分体现影响油田产量的动态因素，所以其预测精度有限。传统多变量模型的建立，通常由实际工作经验来选择一些与油田产量有关的因素作为建模变量，然后利用多元线性回归等方法建立预测模型。这些方法的不足之处在于过分依赖输出变量与输入变量的线性关系，当部分变量的显著性不足时会在一定程度上影响预测精度。为此，国内外许多学者采用过基于指数函数形式的灰色模型GM、Logistic模型、Weng旋回模型以及简单的一元回归模型等来研究油气田生产开发系统行为的变化规律。遗

3、憾的是,这些方法虽具有一定的优越性,但因条件的限制常使得效果不够理想。例如灰色建模及外推预测模型在实际应用中,对某些形似规则的单调或波动数列模拟精度较低，甚至有时出现反常现象，如预测值超过临界饱和值,变化趋势就不合理。由此,论文研究了基于MATLAB的BP神经网络技术来解决油田开发过程中产量动态变化的预测问题。61/622选题背景2.1课题来源生产/社会实际2.2研究课题的目的和意义在本论文中，结合众多具体油田产量预测理论和神经网络理论知识，对基于BP神经网络的预测方法进行分析及对其在油田产量预测中的应用研究，建立BP神经网络

4、的预测模型。在神经网络的实际应用中，百分之八九十的神经网络模型都是采用BP网络及其变化形式。BP网络采用误差反向传播算法，是神经网络中最有效、最活跃的一种方法。由实践证明，对于任意闭合区间连续函数都可以用含有一个隐含层的BP网络来逼近。因而采用三层BP网络对油田产量进行预测可以有效的刻画其具有的不确定、多输入、复杂的非线性特征。MATLAB神经网络工具箱就是以人工神经网络为理论基础，用MATLAB构造出神经网络所涉及的公式计算、矩阵操作等大部分子程序，用于设计和训练，使用户从繁杂的程序设计工作中解脱出来。因此，研究本论文在理论

5、上可以对预测方法的设计和优化起到借鉴作用；在实践方面，由于本文将具体以油田产量预测为实例来研究基于BP神经网络的预测方法及应用。所以本论文的研究实际上也为指导油田产量预测提供了一种应用价值高、可行性好的新方法，对实用预测技术的发展能起到一定的推进作用。2.3论文应完成的内容和要求主要内容为：理解并分析预测油田产量的原理和方法；应用BP神经网络的工作原理；分析和设计BP神经网络预测油田产量的模型；利用MATLAB进行仿真并分析结果；撰写毕业设计论文。具体要求为：61/62分析油田产量的预测原理，理解BP神经网络的工作原理，应用人

6、工神经网提出油田产量的预测模型。利用MATLAB的NNET进行仿真并分析结果。2.4神经网络研究现状2.4.1人工神经网络研究随着人工神经网络20世纪80年代在世界范围内的复苏，国内也逐步掀起了研究热潮。1989年10月和11月，分别在北京和广州召开了神经网络及其应用讨论会和第一届全国信号处理——神经网络学术会议1990年2月由国内八个学会（中国电子学会、人工智能学会、自动化学会、通信学会、物理学会、生物物理学会和心理学会）联合在北京召开“中国神经网络首届学术会议”。这次大会以“八学会联盟，探智能奥秘”为主题，收到了300多篇

7、学术论文，开创了中国人工神经网络及神经计算机方面科学研究的新纪元。经过十几年的发展，中国学术界和工程界在人工神经网络的理论研究和应用方面取得了丰硕成果，学术论文!应用成果和研究人员逐年增加。在国际上，1987年，在美国加洲召开了第一届国际神经网络学会。此后每年召开两次国际联合神经网络大会（IJCNN）。不久，该学会创办了刊物JournalNeuralNetworks，另有十几种国际著名的神经网络学术刊物相继问世。至此，神经网络理论研究在国际学术领域获得了其应有的地位。2.4.2BP神经网络BP神经网络的误差逆传播算法因有中间隐

8、含层和相应的学习规则，使得它具有很强的非线性映射能力，而且网络的中间层数、各层神经元个数及网络的学习系数等参数可以根据实际情况设定，有很大的灵活性，且能够识别含有噪声的样本，经过学习能够把样本隐含的特征和规则分布在神经网络的连接权上。总的说来，BP网络的优点主要有：(1)算法