CN103198354A - 一种利用bp神经网络与nsga2实现油田抽油机采油节能增产优化方法 - Google Patents

一种利用bp神经网络与nsga2实现油田抽油机采油节能增产优化方法 Download PDF

Info

Publication number
CN103198354A
CN103198354A CN2013100624369A CN201310062436A CN103198354A CN 103198354 A CN103198354 A CN 103198354A CN 2013100624369 A CN2013100624369 A CN 2013100624369A CN 201310062436 A CN201310062436 A CN 201310062436A CN 103198354 A CN103198354 A CN 103198354A
Authority
CN
China
Prior art keywords
oil
decision variable
output
production
power consumption
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN2013100624369A
Other languages
English (en)
Other versions
CN103198354B (zh
Inventor
李太福
辜小花
廖志强
易军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing Huashen Technology Group Co ltd
Original Assignee
Chongqing University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chongqing University of Science and Technology filed Critical Chongqing University of Science and Technology
Priority to CN201310062436.9A priority Critical patent/CN103198354B/zh
Publication of CN103198354A publication Critical patent/CN103198354A/zh
Application granted granted Critical
Publication of CN103198354B publication Critical patent/CN103198354B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Feedback Control In General (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种利用BP神经网络与NSGA2实现油田抽油机采油节能增产优化方法,其特征在于:步骤一:确定决策变量X;步骤二:采集耗电量、产油量Y,得到样本矩阵;步骤三:以决策变量X作为输入,以耗电量、产油量Y作为输出,建立抽油机采油的过程模型;步骤四:运用NSGA2多目标进化算法,对决策变量进行优化;步骤五:将优化后决策变量X优化值带入BPNN模型,对实际生产进行指导。本发明的有益效果是:能搜索增产节能最好的理想点,确定工艺参数的最优值;根据优化后的工艺参数最优值进行实际生产指导。

Description

一种利用BP神经网络与NSGA2实现油田抽油机采油节能增产优化方法
技术领域
本发明属于抽油机抽油过程的控制技术,特别涉及一种利用BP神经网络与NSGA2实现油田抽油机采油节能增产优化方法。 
背景技术
抽油机采油作为一种机械采油方式,主要由电动机、地面传动设备和井下抽油设备三部分组成。 
抽油机采油的整个过程主要为上下两个冲程:上冲程时驴头悬点需提起抽油杆柱和液柱,在抽油机未进行平衡的条件下,电动机需付出很大的能量,这时电动机处于电动状态;下冲程时抽油机杆柱转拉动对电动机做功,使电动机处于发电机的运行状态。抽油机在采油过程各个环节中的能量损失很大,如电动机大马拉小车的情况,这使得抽油机存在载荷率低、系统效率低和能耗大等缺点。 
目前,抽油机在我国油田的占有量很高,但系统效率低,能耗大,其增产节能是当前急需解决的一个重要问题。抽油机采油的工艺参数是否工作在最优化状态是实现增产节能的一中简单、有效的方法,而抽油机模型的建立又是优化最理想工艺参数的关键。 
抽油机工作过程是一个复杂非线性系统,其输入参数集包括:冲次;最大载荷;最小载荷;有效冲程;计算泵效;动液面;电动机电枢采样电流值;电动机电枢采样电流积分值;冲程;有功功率;功率因素;回压;套压;油压;电压;电流;转速;频率;含水率;井口温度等。而输出结果主要看两个指标:耗电量和产油量。如此复杂的系统,很难用一个准确的数学模型去描述它, 
发明内容
本发明表述一种利用BP神经网络与NSGA2实现油田抽油机采油节能增产优化方法,能确定工艺参数的最优值;根据优化后的工艺参数最优值进行实际生产指导。其关键在于按如下步骤进行: 
步骤一:统计所有对耗电量、产油量有影响的原始变量S,并从中确定在油田抽油机采油过程中对耗电量、产油量影响非常大的S1个决策变量X; 
步骤二:采集时间T内决策变量和对应着的耗电量、产油量Y的样本,得到一个样本矩阵; 
步骤三:以决策变量X作为输入,以耗电量、产油量Y作为输出,运用BP神经网络算法,对样本进行训练、检验,建立抽油机采油的过程模型; 
步骤四:以BPNN模型为基础,以BPNN的两个输出值作为适应度函数F(i)i=1,2,运用NSGA2多目标进化算法,对决策变量在各自的上下限范围内,进行优化; 
步骤五:将优化后的S1个决策变量X优化值带入BPNN模型,计算此时的模型两个输出值耗电量、产油量Y,与样本值平均值进行比较,如果耗电量降低、产量提高,则带入油田,对实际生产进行指导,否则,返回步骤一,人为更换S1个决策变量X,重新筛选决策变量X;步骤六:如果所有设定的S1个决策变量X组合都没有使耗电量降低、产量提高,则S1=S1+1,再返回步骤一。 
所述步骤三抽油机采油的过程模型建立步骤为: 
第一步:设置变量和参量: 
Xk=[xk1,xk2,...,xkM](k=1,2,...,N)为输入矢量,或称训练样本,N为训练样本个数, 
W MI ( g ) = w 11 ( g ) w 12 ( g ) . . . w 1 I ( g ) w 21 ( g ) w 22 ( g ) . . . w 2 I ( g ) . . . . . . . . . . . . w M 1 ( g ) w M 2 ( g ) . . . w MI ( g )
为第g(g一般设定为500)次迭代时输入层与隐层I之间的权值矢量; 
WJP(g)为第g次迭代时隐层J与输出层之间的权值矢量; 
Yk(g)=[yk1(g),yk2(g),...,ykP(g)](k=1,2,...,N)为第g次迭代时网络的实际输出; 
dk=[dk1,dk2,...,dkP](k=1,2,...,N)为期望输出; 
第二步:初始化,赋给WMI(0),WJP(0)各一个0到1之间的随机值; 
第三步:随机输入样本Xk,g=0; 
第四步:对输入样本Xk,前向计算BP网络每层神经元的输入信号和输出信号; 
第五步:由期望输出dk和上一步求得的实际输出Yk(g),计算误差E(g),判断其是否满足要求,若满足转至第八步;若不满足转至第六步; 
第六步:判断g+1是否大于最大迭代次数,若大于转至第八步,若不大于,对输入样本Xk,反向计算每层神经元的局部梯度δ; 
第七步:按下式计算权值修正量△W,并修正权值;g=g+1,转至第四步;例如, 
ΔW ij 5 = η · δ ij · a j 4
W ij 5 ( g + 1 ) = W ij 5 ( g ) + ΔW ij ( g )
其中η为学习速率,g为迭代次数; 
第八步:判断是否学完所有的训练样本,是则结束训练,完成建模,否则转至第三步。 
所述步骤四的优化过程为: 
第一步:初始化种群P,种群大小为O; 
第二步:计算每个个体的非劣级别值、拥挤距离和改进排序适应度值;第三步:进入循环迭代i=2; 
第四步:对每个子种群依据每个个体的非劣级别值、拥挤距离和改进排序适应度值,运用轮盘赌方法进行设定阈值选择操作; 
第五步:使用算术交叉算子进行变异操作,得到O个后代; 
第六步:对变异操作之后的每个个体计算适应度值; 
第七步:收集第i代和第i+1代所有个体,得到规模为2O的种群Q; 
第八步:计算种群Q内每个个体的非劣级别值、拥挤距离和改进排序适应度值,使用按需分层策略选择较好的O个个体作为最优种群P; 
第九步:如果满足停机条件则停机;否则,i=i+1,转第四步; 
第十步:输出结果。 
本发明的有益效果是:BP神经网络(BP neural network,BPNN)的非线性映射能力强,适用于解决非线性系统建模问题。为此,采用BPNN来确定工艺参数与增产节能指标的映射关系,建立抽油机采油过程的映射模型; 
然后运用具有智能特性的NSGA2(non-dominated sorting gentic algorithm Ⅱ,NSGA2,非支配排序遗传算法)对映射模型进行搜索,搜索增产节能最好的理想点,据此确定工艺参数的最优值;根据优化后的工艺参数最优值进行实际生产指导。 
附图说明:
图1为本发明的流程框图。 
具体实施方式
一种利用BP神经网络与NSGA2实现油田抽油机采油节能增产优化方法,按如下步骤进行: 
步骤一:统计所有对耗电量、产油量有影响的原始变量S,并从中确定在油田抽油机采油过程中对耗电量、产油量影响非常大的S1个决策变量X; 
从参数集:冲次;最大载荷;最小载荷;有效冲程;计算泵效;动液面;电动机电枢采样电流值;电动机电枢采样电流积分值;冲程;有功功率;功率因素;回压;套压;油压;电压;电流;转速;频率;含水率;井口温度中所有参数中筛选出5个对耗电量、产油量影响非常大决策变量: 
优选的5个决策变量X为:冲次,最大载荷,最小载荷,有效冲程,计算泵效。 
根据对油田抽油机采油过程的了解和分析,冲次的大小与系统的生产状况是否合理是影响抽油机能耗和生产产量的关键因素,因此我们将冲次作为决策变量。考虑到冲次含有的信息量有限,仅用冲次对抽油机系统进行建模的效果很难接近真实模型,不足以反映真实的生产情况,为此,我们找出5个环境变量:最大载荷,最小载荷,有效冲程,计算泵效,结合冲次作为决策变量也即BPNN模型的输入变量,以用电量和产量作为目标变量即输出,建立抽油机采油系统的模型。 
取中石油大港油田官17号井从2011年6月1号到2011年10月18号的生产数据1584组,数据样本如下表所示: 
表1数据样本 
Figure BDA00002866886300061
步骤二:采集时间T内决策变量和对应着的耗电量、产油量Y的样本,得到一个样本矩阵; 
步骤三:以决策变量X作为输入,以耗电量、产油量Y作为输出,运用BP神经网络算法,对样本进行训练、检验,建立抽油机采油的过程模型,过程模型建立步骤为: 
第一步:设置变量和参量: 
Xk=[xk1,xk2,...,xkM](k=1,2,...,N)为输入矢量,或称训练样本,N为训练样本个数, 
W MI ( g ) = w 11 ( g ) w 12 ( g ) . . . w 1 I ( g ) w 21 ( g ) w 22 ( g ) . . . w 2 I ( g ) . . . . . . . . . . . . w M 1 ( g ) w M 2 ( g ) . . . w MI ( g )
为第g(g一般设定为500)次迭代时输入层与隐层I之间的权值矢量; 
WJP(g)为第g次迭代时隐层J与输出层之间的权值矢量; 
Yk(g)=[yk1(g),yk2(g),...,ykP(g)](k=1,2,L,N)为第g次迭代时网络的实际输出; 
dk=[dk1,dk2,...,dkP](k=1,2,...,N)为期望输出; 
第二步:初始化,赋给WMI(0),WJP(0)各一个0到1之间的随机值; 
第三步:随机输入样本Xk,g=0; 
第四步:对输入样本Xk,前向计算BP网络每层神经元的输入信号和输出信号; 
第五步:由期望输出dk和上一步求得的实际输出Yk(g),计算误差E(g),判断其是否满足要求,若满足转至第八步;否就转至第六步。 
也就是dk和Yk(g)相减,并判断其差值绝对值是否小于预先设定的阈值,小于阈值则满足条件; 
第六步:判断g+1是否大于最大迭代次数,若大于转至第八步,若不大于,对输入样本Xk,反向计算每层神经元的局部梯度δ; 
第七步:按下式计算权值修正量ΔW,并修正权值;g=g+1,转至第四步;例如, 
ΔW ij 5 = η · δ ij · a j 4
W ij 5 ( g + 1 ) = W ij 5 ( g ) + ΔW ij ( g )
其中η为学习速率,g为迭代次数; 
第八步:判断是否学完所有的训练样本,是则结束训练,完成建模,否则转至第三步。 
在BP神经网络训练模型时,为了直观的表示测试样本的预测效果,我们用均方差MSE和相对误差RE这两个指标来衡量,公式如下: 
MSE = Σ ( e i ) 2 N , RE = Σ | e i s i | - - - ( 1 )
其中,Si是期望值,ei是绝对误差,N是样本个数。 
神经网络设计中,隐层节点数的多少是决定神经网络模型好坏的关键,也是神经网络设计中的难点,这里采用试凑法来确定隐层的节点数。 
p = n + M + k - - - ( 2 )
其中p为隐层神经元节点数,n为输入层神经元数,m为输出层神经元数,k为1~10之间的常数。 
BP神经网络隐层传递函数采用logsig函数,输出层传递函数采用purelin函数,训练函数采用Levenberg_Marquardt算法,试凑法得到隐层节点数为9。本文取样本数据取前面1500组数据来训练模型,后面84组数据来验证模型的准确性。 
BP神经网络拟合的抽油机模型的检验模型误差都控制在5%以内,模型拟合效果已经达到了要求。为了进一步说明模型的有效性,我们列出均方差MSE和相对误差RE这两个指标的相关值如下所示: 
表2性能指标值 
Figure BDA00002866886300092
从表中我们也可以看出,均方差和相对误差已经很低,模型的拟合效果已经符合要求。为此,我们建立了基于BP神经网络的抽油机采油模型。 
步骤四:以BPNN模型为基础,以BPNN的两个输出值作为适应度函数F(i)i=1,2,运用NSGA2多目标进化算法,对决策变量在各自的上下限范围内,进行优化,优化过程为: 
第一步:初始化种群P,种群大小为O; 
第二步:计算每个个体的非劣级别值、拥挤距离和改进排序适应度值; 
第三步:进入循环迭代i=2; 
第四步:对每个子种群依据每个个体的非劣级别值、拥挤距离和改进排序适应度值,运用轮盘赌方法进行设定阈值选择操作; 
第五步:使用算术交叉算子进行变异操作,得到O个后代; 
第六步:对变异操作之后的每个个体计算适应度值; 
第七步:收集第i代和第i+1代所有个体,得到规模为2O的种群Q; 
第八步:计算种群Q内每个个体的非劣级别值、拥挤距离和改进排序适应度值,使用按需分层策略选择较好的O个个体作为最优种群P; 
第九步:如果满足停机条件则停机;否则,i=i+1,转第四步; 
第十步:输出结果。 
这里,变量的上下限设定见表3: 
表3变量上下限 
我们设置NSGA2算法的种群大小为80,迭代次数为50,神经网络的输出用电量和产量分别作为NSGA2是适应度函数,得到井的最优解集。 
步骤五:将优化后的5个决策变量X优化值带入BPNN模型,计算此时的模型两个输出值耗电量、产油量Y,与样本值平均值进行比较,如果耗电量降低、产量提高,则带入油田,对实际生产进行指导,否则,返回步骤一,人为更换5个决策变量X,重新筛选决策变量X; 
最优解集的数据如下表所示: 
表4最优解集 
Figure BDA00002866886300112
将这78组数据带入实际检验得到的平均值与真实样本的均值进行比较,用电量降低4.94%产量提高了6.81%,证明了该方法的有效性。 
步骤六:如果所有人为设定的5个决策变量X组合都没有使耗电量降低、产量提高,则设定的6个决策变量X组合,再返回步骤一,如果6个决策变量X组合也没有提高效果,则设定的7个决策变量X组合,如此循环。 

Claims (3)

1.一种利用BP神经网络与NSGA2实现油田抽油机采油节能增产优化方法,其特征在于按如下步骤进行:
步骤一:统计所有对耗电量、产油量有影响的原始变量S,并从中确定在油田抽油机采油过程中对耗电量、产油量影响非常大的S1个决策变量X;
步骤二:采集时间T内决策变量和对应着的耗电量、产油量Y的样本,得到一个样本矩阵;
步骤三:以决策变量X作为输入,以耗电量、产油量Y作为输出,运用BP神经网络算法,对样本进行训练、检验,建立抽油机采油的过程模型;
步骤四:以BPNN模型为基础,以BPNN的两个输出值作为适应度函数F(i)i=1,2,运用NSGA2多目标进化算法,对决策变量在各自的上下限范围内,进行优化;
步骤五:将优化后的S1个决策变量X优化值带入BPNN模型,计算此时的模型两个输出值耗电量、产油量Y,与样本值平均值进行比较,如果耗电量降低、产量提高,则带入油田,对实际生产进行指导,否则,返回步骤一,人为更换S1个决策变量X,重新筛选决策变量X;步骤六:如果所有设定的S1个决策变量X组合都没有使耗电量降低、产量提高,则S1=S1+1,再返回步骤一。
2.根据权利要求1所述一种利用BP神经网络与NSGA2实现油田抽油机采油节能增产优化方法,其特征在于:所述步骤三抽油机采油的过程模型建立步骤为:
第一步:设置变量和参量:
Xk=[xk1,xk2,...,xkM](k=1,2,L,N)为输入矢量,或称训练样本,N为训练样本个数,
W MI ( g ) = w 11 ( g ) w 12 ( g ) . . . w 1 I ( g ) w 21 ( g ) w 22 ( g ) . . . w 2 I ( g ) . . . . . . . . . . . . w M 1 ( g ) w M 2 ( g ) . . . w MI ( g )
为第g(g一般设定为500)次迭代时输入层与隐层I之间的权值矢量;
WJP(g)为第g次迭代时隐层J与输出层之间的权值矢量;
Yk(g)=[yk1(g),yk2(g),...,ykP(g)](k=1,2,...,N)为第g次迭代时网络的实际输出;
dk=[dk1,dk2,...,dkP](k=1,2,...,N)为期望输出;
第二步:初始化,赋给WMI(0),WJP(0)各一个0到1之间的随机值;
第三步:随机输入样本Xk,g=0;
第四步:对输入样本Xk,前向计算BP网络每层神经元的输入信号和输出信号;
第五步:由期望输出dk和上一步求得的实际输出Yk(g),计算误差E(g),判断其是否满足要求,若满足转至第八步;若不满足转至第六步;
第六步:判断g+1是否大于最大迭代次数,若大于转至第八步,若不大于,对输入样本Xk,反向计算每层神经元的局部梯度δ;
第七步:按下式计算权值修正量ΔW,并修正权值;g=g+1,转至第四步;例如,
ΔW ij 5 = η · δ ij · a j 4
W ij 5 ( g + 1 ) = W ij 5 ( g ) + ΔW ij ( g )
其中η为学习速率,g为迭代次数;
第八步:判断是否学完所有的训练样本,是则结束训练,完成建模,否则转至第三步。
3.根据权利要求1所述一种利用BP神经网络与NSGA2实现油田抽油机采油节能增产优化方法,其特征在于:所述步骤四的优化过程为:
第一步:初始化种群P,种群大小为O;
第二步:计算每个个体的非劣级别值、拥挤距离和改进排序适应度值;
第三步:进入循环迭代i=2;
第四步:对每个子种群依据每个个体的非劣级别值、拥挤距离和改进排序适应度值,运用轮盘赌方法进行设定阈值选择操作;
第五步:使用算术交叉算子进行变异操作,得到O个后代;
第六步:对变异操作之后的每个个体计算适应度值;
第七步:收集第i代和第i+1代所有个体,得到规模为2O的种群Q;
第八步:计算种群Q内每个个体的非劣级别值、拥挤距离和改进排序适应度值,使用按需分层策略选择较好的O个个体作为最优种群P;
第九步:如果满足停机条件则停机;否则,i=i+1,转第四步;
第十步:输出结果。
CN201310062436.9A 2013-02-28 2013-02-28 一种利用bp神经网络与非支配排序遗传算法nsga2实现油田抽油机采油节能增产优化方法 Active CN103198354B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310062436.9A CN103198354B (zh) 2013-02-28 2013-02-28 一种利用bp神经网络与非支配排序遗传算法nsga2实现油田抽油机采油节能增产优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310062436.9A CN103198354B (zh) 2013-02-28 2013-02-28 一种利用bp神经网络与非支配排序遗传算法nsga2实现油田抽油机采油节能增产优化方法

Publications (2)

Publication Number Publication Date
CN103198354A true CN103198354A (zh) 2013-07-10
CN103198354B CN103198354B (zh) 2016-02-03

Family

ID=48720880

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310062436.9A Active CN103198354B (zh) 2013-02-28 2013-02-28 一种利用bp神经网络与非支配排序遗传算法nsga2实现油田抽油机采油节能增产优化方法

Country Status (1)

Country Link
CN (1) CN103198354B (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104007659A (zh) * 2014-05-28 2014-08-27 重庆科技学院 Bp神经网络在s7-300系列plc中的实现方法
CN104573869A (zh) * 2015-01-16 2015-04-29 河海大学常州校区 基于bp神经网络与nsga-ⅱ实现疏浚作业的优化方法及系统
CN104680257A (zh) * 2015-03-12 2015-06-03 天津市万众科技发展有限公司 面向抽油机工作过程的智能优化方法
CN104680259A (zh) * 2015-03-12 2015-06-03 天津市万众科技发展有限公司 抽油机运行参数的节能优化方法
CN104865827A (zh) * 2015-03-23 2015-08-26 中国石油天然气股份有限公司 一种基于多工况模型的抽油机采油优化方法
CN105334824A (zh) * 2015-11-06 2016-02-17 重庆科技学院 基于nsga-ⅱ算法的铝电解生产优化方法
CN108984905A (zh) * 2018-07-17 2018-12-11 常州大学 一种基于最优解的螺杆泵生产系统设计方法
CN111832799A (zh) * 2020-05-25 2020-10-27 山东电力工程咨询院有限公司 一种燃煤发电机组节能改造性能优化方法及系统
CN113537706A (zh) * 2021-06-08 2021-10-22 中海油能源发展股份有限公司 一种基于智能集成的油田增产措施优选方法
US11555943B2 (en) * 2020-03-20 2023-01-17 Saudi Arabian Oil Company Method for identifying misallocated historical production data using machine learning to improve a predictive ability of a reservoir simulation
CN117077508A (zh) * 2023-07-14 2023-11-17 武汉理工大学 热电发电机的性能预测及优化方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100899023B1 (ko) * 2006-12-07 2009-05-21 한국전자통신연구원 목표 계획법이 적용된 유전자 알고리즘을 이용한 무선자원할당의 최적화 방법, 이를 사용한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체
CN201723211U (zh) * 2009-12-31 2011-01-26 北京中天富源机电科技有限公司 一种节能型采油控制器
CN102831479A (zh) * 2012-07-29 2012-12-19 江苏大学 Nsga-ii多目标优化搜索方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100899023B1 (ko) * 2006-12-07 2009-05-21 한국전자통신연구원 목표 계획법이 적용된 유전자 알고리즘을 이용한 무선자원할당의 최적화 방법, 이를 사용한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체
CN201723211U (zh) * 2009-12-31 2011-01-26 北京中天富源机电科技有限公司 一种节能型采油控制器
CN102831479A (zh) * 2012-07-29 2012-12-19 江苏大学 Nsga-ii多目标优化搜索方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
齐维贵: "抽油机节能的模糊神经网络控制研究", 《中国电机工程学报》 *

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104007659A (zh) * 2014-05-28 2014-08-27 重庆科技学院 Bp神经网络在s7-300系列plc中的实现方法
CN104007659B (zh) * 2014-05-28 2016-08-24 重庆科技学院 Bp神经网络在s7-300系列plc中的实现方法
CN104573869A (zh) * 2015-01-16 2015-04-29 河海大学常州校区 基于bp神经网络与nsga-ⅱ实现疏浚作业的优化方法及系统
CN104680259B (zh) * 2015-03-12 2018-01-09 天津市万众科技发展有限公司 抽油机运行参数的节能优化方法
CN104680257A (zh) * 2015-03-12 2015-06-03 天津市万众科技发展有限公司 面向抽油机工作过程的智能优化方法
CN104680259A (zh) * 2015-03-12 2015-06-03 天津市万众科技发展有限公司 抽油机运行参数的节能优化方法
CN104680257B (zh) * 2015-03-12 2018-03-02 天津市万众科技发展有限公司 面向抽油机工作过程的智能优化方法
CN104865827A (zh) * 2015-03-23 2015-08-26 中国石油天然气股份有限公司 一种基于多工况模型的抽油机采油优化方法
CN104865827B (zh) * 2015-03-23 2017-11-10 中国石油天然气股份有限公司 一种基于多工况模型的抽油机采油优化方法
CN105334824A (zh) * 2015-11-06 2016-02-17 重庆科技学院 基于nsga-ⅱ算法的铝电解生产优化方法
CN108984905A (zh) * 2018-07-17 2018-12-11 常州大学 一种基于最优解的螺杆泵生产系统设计方法
US11555943B2 (en) * 2020-03-20 2023-01-17 Saudi Arabian Oil Company Method for identifying misallocated historical production data using machine learning to improve a predictive ability of a reservoir simulation
CN111832799A (zh) * 2020-05-25 2020-10-27 山东电力工程咨询院有限公司 一种燃煤发电机组节能改造性能优化方法及系统
CN113537706A (zh) * 2021-06-08 2021-10-22 中海油能源发展股份有限公司 一种基于智能集成的油田增产措施优选方法
CN117077508A (zh) * 2023-07-14 2023-11-17 武汉理工大学 热电发电机的性能预测及优化方法
CN117077508B (zh) * 2023-07-14 2024-07-09 武汉理工大学 热电发电机的性能预测及优化方法

Also Published As

Publication number Publication date
CN103198354B (zh) 2016-02-03

Similar Documents

Publication Publication Date Title
CN103198354B (zh) 一种利用bp神经网络与非支配排序遗传算法nsga2实现油田抽油机采油节能增产优化方法
CN103177155B (zh) 一种基于bp神经网络与spea2算法的油田抽油机采油节能增产优化方法
CN109543828B (zh) 一种基于小样本条件下的吸水剖面预测方法
CN104778378B (zh) 一种油气田产量递减影响因素分析方法
US20230358123A1 (en) Reinforcement learning-based decision optimization method of oilfield production system
CN104715292A (zh) 基于最小二乘支持向量机模型的城市短期用水量预测方法
CN103530818B (zh) 一种基于brb系统的供水管网建模方法
CN104615862A (zh) 基于进化算法的高含水油田确定井位的方法
CN105452598B (zh) 选择和优化用于产量平台的油田控制的方法
CN104216341A (zh) 一种基于改进随机扰动近似算法的油藏生产实时优化方法
CN104408108A (zh) 基于灰色系统理论的热点话题群体影响力分析系统及方法
CN113137211B (zh) 一种基于模糊综合决策的油井生产参数自适应调控方法
CN104865827B (zh) 一种基于多工况模型的抽油机采油优化方法
CN107122860A (zh) 基于网格搜索和极限学习机的冲击地压危险等级预测方法
CN110489844A (zh) 一种适用于软岩隧道不均匀大变形等级预测方法
CN113988479A (zh) 基于动静态信息特征融合神经网络的抽油井多井动液面深度预测方法
Zhang et al. Surrogate-assisted multiobjective optimization of a hydraulically fractured well in a naturally fractured shale reservoir with geological uncertainty
CN104680025A (zh) 基于遗传算法极限学习机的抽油机参数优化方法
CN115860197A (zh) 一种基于数据驱动的煤层气产量预测方法及系统
CN105507875A (zh) 油气水井生产参数实时预测方法及其装置
CN116976146B (zh) 耦合物理驱动和数据驱动的压裂井产量预测方法与系统
Zhou et al. Application of BP neural network in efficiency prediction of oilfield mechanized mining system
Leng et al. Dynamic liquid level prediction in oil wells during oil extraction based on WOA-AM-LSTM-ANN model using dynamic and static information
CN103161453A (zh) 一种优化油井采集示功图存储方式的方法
CN112052977A (zh) 一种基于深度时空注意力网络的油藏储量预测方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20231023

Address after: No. A210, Zhongchuangzhijia, Sixian Road, University Town, Shapingba District, Chongqing 401331

Patentee after: Chongqing Huashen Technology Group Co.,Ltd.

Address before: 401331 College of Electrical and Information Engineering, Chongqing Institute of Science and Technology, Huxi University Town, Shapingba District, Chongqing

Patentee before: Chongqing University of Science & Technology

PE01 Entry into force of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A Optimization Method for Energy Conservation and Production Increase in Oilfield Pumping Unit Production Using BP Neural Network and Non dominated Sorting Genetic Algorithm NSGA2

Granted publication date: 20160203

Pledgee: Guangzhou Yaming Investment Co.,Ltd.

Pledgor: Chongqing Huashen Technology Group Co.,Ltd.

Registration number: Y2024980006806