论文部分内容阅读
随着我国大部分油田开发逐步进入中后期阶段，油田必须采取必要的油气增产措施以确保油田持续高效生产。由于增产措施种类繁多，如压裂、酸化、大修、补孔等，各项措施的增产效果和费用不同，每种增产措施应用于油田各作业区的增产效果也不同。为了合理的规划油田增产措施，需要先建立增产措施效果预测模型，在预测结果的基础上再进行具体的措施规划。本文基于数据挖掘的神经网络算法，对油田增产措施指标优选模型进行了研究与应用。
本文选用BP以及RBF神经网络，针对BP神经网络收敛速度慢、易陷入局部最优等问题，采用具有启发式寻优特点的蚁群算法来优化BP神经网络，建立了基于ACO-BP的油田增产措施效果预测模型；针对RBF网络中心选取问题，采用量子粒子群算法优化RBF神经网络得到最优的网络中心、基宽度、连接权值，建立了基于QPSO-RBF的油田增产措施效果预测模型。本文选取长庆油田某采油厂11个作业区从2017年1月到2019年12月的油田增产措施月数据，通过BP、ACO-BP、RBF、PSO-RBF、QPSO-RBF这五种预测模型对油田增产措施效果进行预测。通过分析对比五种预测模型的结果，表明ACO-BP、PSO-RBF、QPSO-RBF模型相比于BP、RBF神经网络模型在预测精确度和稳定性方面有明显的提升，其中ACO-BP预测模型的MSE、MAE更小，R2更接近1，在油田增产措施效果预测方面具有良好的应用效果。
以上述五种预测模型为理论基础，C#为开发语言，SQLite数据库为后台数据库，设计并实现了油田增产措施指标优选系统，成为集措施数据管理、措施效果预测、措施规划于一体的管理系统，为油田管理者制定增产措施计划提供了参考方案和科学依据。
本文选用BP以及RBF神经网络，针对BP神经网络收敛速度慢、易陷入局部最优等问题，采用具有启发式寻优特点的蚁群算法来优化BP神经网络，建立了基于ACO-BP的油田增产措施效果预测模型；针对RBF网络中心选取问题，采用量子粒子群算法优化RBF神经网络得到最优的网络中心、基宽度、连接权值，建立了基于QPSO-RBF的油田增产措施效果预测模型。本文选取长庆油田某采油厂11个作业区从2017年1月到2019年12月的油田增产措施月数据，通过BP、ACO-BP、RBF、PSO-RBF、QPSO-RBF这五种预测模型对油田增产措施效果进行预测。通过分析对比五种预测模型的结果，表明ACO-BP、PSO-RBF、QPSO-RBF模型相比于BP、RBF神经网络模型在预测精确度和稳定性方面有明显的提升，其中ACO-BP预测模型的MSE、MAE更小，R2更接近1，在油田增产措施效果预测方面具有良好的应用效果。
以上述五种预测模型为理论基础，C#为开发语言，SQLite数据库为后台数据库，设计并实现了油田增产措施指标优选系统，成为集措施数据管理、措施效果预测、措施规划于一体的管理系统，为油田管理者制定增产措施计划提供了参考方案和科学依据。