基于PCA-FNN的油井注水效果预测研究-论文.pdf

《基于PCA-FNN的油井注水效果预测研究-论文.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、2014年5月西安石油大学学报(自然科学版)Mav2014第29卷第3期JournalofXianShiyouUniversity(NaturalScienceEdition)V01．29No．3文章编号：1673-064X(2014)03-0083-04基于PCA—FNN的油井注水效果预测研究田亚娟，马微，刘烨，肖志红，程国建(1．西安石油大学电=F工程学院；陕西西安710065；2．西安石油大学计算机学院，陕西西安710065)摘要：针对油田上注水有效周期不确定的问题，提出一种用于预测注水有效周期的混合主成分分析与模糊神经网络相结合的数值方法。该方法使用主成分分析对油井注水统

2、计数据进行降维处理，应用模糊神经网络对降维后的数据进行训练和测试。使用某油田116口油井的注水数据检验提出模型的正确性，结果表明，用其预测的注水有效周期平均绝对误差与相对误差分别为1．97个月和10．75％，预测精度高于未经过主成分分析处理的模糊神经网络方法和多元线性回归方法。可以用于油井注水效果分析与工程人员的决策优化。关键词：模糊神经网络；主成分分析；注水效果；注水有效周期预测中图分类号：TE319；TP183文献标识码：A近年来诸多学者对油井的注水开发进行研究，点而产生的，其理论基础是模糊数学与神经网络的主要使用数值模拟等方法进行油田开发效果分析、学习机制。模糊数学是用来描

3、述、研究和处理事物注水量预测以及评价油田注水效果引。但是存在所具有的模糊特征的数学，其中基本的概念是隶属多种统计数据时，上述方法会忽略因素间的交互效度和模糊隶属度函数。其中，隶属度是指元素u属应以及非线性因果关系。人工神经网络可以应用非于模糊子集，的隶属程度，模糊隶属度函数是用于线性映射函数表示特征空问到预测空间的映射，通定量计算元素隶属度的函数J。过采集油田上的注水统计数据进行训练和测试，预T—s模糊系统是一种自适应能力很强的模糊测注水效果，可以得到较为普适的参考结果引。系统，该模型不仅能自动更新，而且能不断修正模糊模糊神经网络(Fuzzyneuralnetwork，FNN)可

4、以较好子集的隶属度函数。对于输入矢量X=[，，⋯，]，首先根据模糊规则计算各输入矢量的隶属地改善神经网络的缺陷，拓宽神经网络处理信息的度，将各隶属度进行模糊计算，采用模糊算子为连乘范围和能力-o。算子，根据模糊计算结果计算模糊模型的输出值。本文通过PCA(PrincipalComponentAnalysis)技T—s模糊神经网络分为输入层、模糊化层、模术减少FNN的输人参数数量，降低网络的复杂糊规则计算层和输出层4层，如图1所示。输入层与度J，提出一个基于PCA—FNN的油井注水效果数输入量连接，节点数与输入向量的维数相同。FNN值预测方法。文中研究的注水效果用注水有效周期的学习

5、算法如下：这一量化指标来表示。(1)误差计算1(y1模糊神经网络e=d—Yo)，(1)模糊神经网络是结合模糊理论和神经网络的优式中：Y为网络期望输出；)，。为网络实际输出；e为期收稿日期：2013—11-05基金项目：国家自然科学基金(编号：40872087)作者简介：田亚娟(1966-)，女，讲师，主要从事图像处理、模式识别、系统优化研究。E-mail：yjtian@xsyu．edu．an一84一西安石油大学学报(自然科学版)望输出和买际输出的误差。：。(7)(2)系数修正Step3：求解样本相关矩阵的特征方程：㈤=(一1)一嗤，(2)JR—AE『=0(8)Pm毒()，a)(3

6、)得到m个特征根，确定主成分。按∑A／∑A，≥式中：Pi为神经网络系数；为网络学习率；为网0．85确定P值，使特征信息的利用率达85％以上，络输入参数；为输人参数隶属度连乘积。对每个Z，(=1，2，⋯，P)求其特征向量。。(3)参数修正Step4：将标准化后的指标变量转化为主分量()=(一1)一卢eaOZ={l，z2，⋯，Zp}。，(4)其中，z=U。，=1，2，⋯，P。(矗)=(Ii}一1)一卢OeStep5：对P个主分量加权求和，进行综合评价。。(5)式中：cj和6『分别为隶属度函数的中心和宽度。3实验结果输入层；模糊化层；；输出层实验使用PCA对油井注水的统计数据进行特征参

7、数的降维处理，然后应用FNN进行数据的训练及预测研究。实验流程如图2所示。网络构建图1T—S模糊神经网络的拓扑结构网络训练Fig．1TopologyofT-SFNN2主成分分析网络预测主成分分析是一种线性输入降维技术，使用它的目的是将高维数据投影到较低维空间，即求得一图2实验流程个k维特征的变换矩阵，这个变换矩阵可以将特征Fig．2Experimentalflowchart从高维降到低维。特征向量都是正交的，通过求取样本矩阵的协方差矩阵，可以获得协方差矩阵的特征3．1数据准备向量