愛華網(wǎng)????對油田注水開發(fā)過程中的產(chǎn)油量、產(chǎn)水量的預測預報研究一直引起人們的極大重視，但由于油田系統(tǒng)本身的復雜性和多因素影響性等特點，給油田注水動態(tài)的分析和預測帶來極大的困難[1]。目前，油田注水動態(tài)的分析和預測方法可以分為兩類[2-4]，一是傳統(tǒng)經(jīng)驗統(tǒng)計模型，即在系統(tǒng)機理不完全清楚的條件下，由經(jīng)驗統(tǒng)計所建立的模型，如早期應用較多的是多元回歸法、人工神經(jīng)網(wǎng)絡法；二是機理型模型，即根據(jù)油藏系統(tǒng)變化的特征建立物理模型，再根據(jù)物理模型的變化規(guī)律，研究實際油藏的變化，該方法是在系統(tǒng)機理完全清楚的條件下所建立的一種確定性模型。上述傳統(tǒng)的經(jīng)驗統(tǒng)計模型只有在樣本數(shù)量趨于無窮大時才能有理論上的保證，在實際的效果預測中樣本數(shù)目通常是有限的，甚至是小樣本，此時難以描述產(chǎn)油量與各種注水開發(fā)影響因素之間的復雜非線性，預測的相對誤差通常在5%-10%；而機理型模型的建立需有準確的地層參數(shù)作基礎，但這些參數(shù)的獲取往往是在注水油田開發(fā)后期，導致其現(xiàn)實應用具有一定的局限性。 支持向量機(SVM)是近年來發(fā)展的一種機器學習算法，與傳統(tǒng)的多元回歸法、神經(jīng)網(wǎng)絡法相比，根據(jù)結(jié)構(gòu)風險最小化原則，最大程度地提高其泛化能力，不過分地依賴樣本的數(shù)量和質(zhì)量，從理論上得到的將是全局最優(yōu)解，克服了傳統(tǒng)經(jīng)驗統(tǒng)計模型樣本容量大、易陷入局部極小值等問題。因此，本文提出將SVM與粒子群算法(PSO)相結(jié)合，充分利用SVM在處理小樣本回歸問題上具有的獨特優(yōu)越性及PSO全局搜索優(yōu)化等特點，考慮影響注水開發(fā)油田產(chǎn)油量的多項因素，建立了一種基于PSO-SVM的油田注水動態(tài)預測模型。 1 支持向量機回歸原理 對于訓練樣本集，為輸入變量，yi∈R為輸出值，l和n分別為樣本的維數(shù)和個數(shù)。SVM回歸的目標就是要尋求某一函數(shù)f(x)，使之通過訓練，對于樣本之外的x，利用f(x)能預測對應的y[5]。對線性問題，通過對目標函數(shù)的極小化確定回歸函數(shù)，即： (1) 式中：常數(shù)C>0表示了對超出誤差ε的樣本的懲罰程度；ε為不敏感損失函數(shù)；、>0為松弛因子。將上述優(yōu)化問題轉(zhuǎn)化為對應的對偶問題： (2) 式中，，為待求的l維支持向量。 從而得到SVM回歸模型： (3) 對于非線性問題，通過非線性映射x→Ф(x)將原問題投影至某一高維特征空間中的線性問題上進行求解。因此，非線性問題的SVM回歸方程為： (4) X1 /萬噸X2 /口X3 /口X4 /口X4X5Y /萬噸 254.9310247691.15.6355.12 255.3126266721.16.3855.6 296.119285691.38.355.27 299.469295691.2911.956.04 295.2219305711.5316.4763.31 313.19306691.521.5974.36 314.3725331711.0118.1873.64 340.531349691.7116.180.04 320.0624368851.4912.9573.33 313.1320382981.348.1666.2 334.4412961281.147.6964.21 366.99214081301.1312.0957.99 340.25144221331.068.6553.35 224.7712242811.004.3151.34 式中：為核函數(shù)，可取RBF核函數(shù)，即，σ為核參數(shù)。 1.2 基于PSO的SVM參數(shù)優(yōu)化 SVM的正則化參數(shù)C和核參數(shù)σ對模型的學習、推廣能力影響非常大，一般采用網(wǎng)格搜索法或經(jīng)驗法，但網(wǎng)格搜索法的計算量較大，而經(jīng)驗確定法需要有較深厚的SVM理論基礎。粒子群算法(PSO)為一種進化算法[1]，可應用于遺傳算法能應用的一切場合，其基本思想是首先初始化一群隨機粒子，然后通過迭代找到最優(yōu)解。其具體步驟如下： (1) 將樣本分為學習集和測試集；(2) 給定最大迭代次數(shù)，最大、最小加權因子，隨機產(chǎn)生n個粒子，每個粒子分別代表SVM的參數(shù)C和σ；(3) 根據(jù)當前參數(shù)C和σ，計算適應值；(4) 記憶個體與群體所對應的最佳適應值的位置；(5) 更新粒子的位置、速度，搜尋更優(yōu)的C和σ；(6) 重復步驟3直到達到最大的迭代次數(shù)；(7) 利用訓練好的SVM對測試樣本進行預測。 2基于PSO-SVM的油田注水動態(tài)預測 油田注水開發(fā)過程中的指標分為狀態(tài)變量和控制變量，狀態(tài)變量是指油田注水開發(fā)過程中的年產(chǎn)油量(Y)，控制變量是指影響油田注水開發(fā)年產(chǎn)油量的6個因素：注水量(X1)、新井投產(chǎn)數(shù)(X2)、生產(chǎn)井數(shù)(X3)、注水井數(shù)(X4)、年采油速度(X5)、措施增產(chǎn)(X6)。以上述6個影響注水油田年產(chǎn)油量的因素作為PSO-SVM預測模型的判別因子，而年產(chǎn)量作為模型的輸出，基于某個油田的歷史實測數(shù)據(jù)(表1)，選取其中前13個樣本數(shù)據(jù)進行訓練，其余1個樣本數(shù)據(jù)作為測試樣本進行檢驗，并對樣本數(shù)據(jù)進行歸一化處理，建立油田注水動態(tài)預測的PSO-SVM模型。 設定σ、c的取值范圍為：σ∈(0,1000)，c∈(0,100)；設置粒子群規(guī)模為20，粒子向量維數(shù)為2，迭代次數(shù)為50，通過計算得到最佳參數(shù)對(σ，c)=(435，0.53)。根據(jù)學習好的油田注水動態(tài)預測的PSO-SVM模型對1個待判樣本進行預測，得到的年產(chǎn)油量值為52萬噸，與實際產(chǎn)油量的誤差為1.3%，證明PSO-SVM模型用于油田注水動態(tài)預測是完全可行和有效的。 表1 學習和測試樣本數(shù)據(jù) 3 結(jié)論 (1) 結(jié)合PSO和SVM，提出了能廣泛應用于油田注水動態(tài)預測的PSO-SVM模型。 (2) PSO-SVM模型充分利用了SVM在處理小樣本學習問題上具有的優(yōu)越性，能較好的描述注水開發(fā)油田的產(chǎn)油量與6個影響因素之間的非線性關系；而PSO卓越的全局并行搜索優(yōu)化確保了PSO-SVM中參數(shù)的準確性。 (3) 將PSO-SVM模型運用于實際工程，結(jié)果表明，該模型的預測精度高，誤差為1.3%。PSO-SVM模型是建立在已有的油田注水動態(tài)的特征規(guī)律學習基礎上，不同油田應根據(jù)實際情況選擇樣本才能獲得較可靠的預測結(jié)果。 參考文獻 [1] 張瑞杰,常玉連,楊劍天等.某油田注水系統(tǒng)分壓及優(yōu)化節(jié)能技術[J].油氣田地面工程, .2011.02
愛華網(wǎng)本文地址 » http://www.klfzs.com/a/9101032201/69442.html
