CN105096007A - 基于一种改进的神经网络的油井产量预测方法及其装置 - Google Patents

Abstract

本发明公开了基于一种改进的神经网络的油井产量预测方法及其装置，其涉及石油生产领域，它通过改进的粒子群优化算法对神经网络中的隐层连接权值、输出层连接权值进行优化，再利用神经网络和历史的油井基本参数建立油气产量的预测模型，最终通过输入样本值得到该样本值下的油井产量预测值。针对普通粒子群优化算法优化后的连接权值对提高BP神经网络学习能力的程度有限的问题，本基于一种改进的神经网络的油井产量预测方法主要利用改进的粒子群优化算法对神经网络中的隐层连接权值、输出层连接权值进行了优化，其有效提高了神经网络预测的准确性。

Description

基于一种改进的神经网络的油井产量预测方法及其装置

技术领域

本发明涉及石油生产领域，特别涉及一种基于一种改进的神经网络的油井产量预测方法及其装置。

背景技术

在石油生产领域，油井的产量跟井口的压力、温度以及历史产量有着密切的关系，但该种关系非简单线性关系，采用普通的建模方法难以实现压力、温度与产量的映射关系，为了能对这些参数加以分析综合利用，根据其历史温度、压力等信息进行自学习进而实现产量的预测，于是提出了一种基于BP神经网络的油井产量预测方法。BP(BackPropagation)神经网络是人工神经网络中的一种监督式的学习算法，由众多的神经元可调的连接权值连接而成，具有很好的泛化特性，可以自动学习归纳实际输入输出值的特征，建立输入输出的非线性映射关系，并且神经网络算法连接权值的设定决定了该算法学习结果的好坏。

目前，神经网络算法连接权值的优化计算设定基于粒子群优化算法(ParticleSwarmOptimization)，缩写为PSO，粒子群优化算法是一种进化算法(EvolutionaryAlgorithm-EA)。PSO算法从随机解出发，通过迭代寻找最优解，它也是通过适应度来评价解的品质，本身具有收敛速度快的特点，但是通过普通粒子群优化算法优化后的连接权值对提高BP神经网络学习能力的程度有限，导致BP神经网络对油井产量预测的准确性差，无法满足要求。

发明内容

为了克服现有技术的上述缺陷，本发明实施例提供了一种基于一种改进的神经网络的油井产量预测方法及其装置，其能够提高BP神经网络对油气产量预测的准确性。

本发明实施例的具体技术方案是：

一种基于一种改进的神经网络的油井产量预测方法，它包括以下步骤：

基于影响产量的油井参数初始化PSO算法中的粒子个数、种群数量、最大迭代次数、粒子群中全体最优粒子的位置、单个粒子历史出现的最优位置、惯性权值的最大值、惯性权值的最小值、粒子的初始速度；

基于粒子群中全体最优粒子的位置、单个粒子历史出现的最优位置得到更新的速度；

基于惯性权值的最大值、惯性权值的最小值、最大迭代次数和实际测试样本值更新惯性权值的最大值和/或惯性权值的最小值；

基于粒子的初始速度值得到粒子的理想速度；

基于种群数量、粒子个数、更新的速度、粒子的理想速度得到新的惯性权值；

根据设置的最大迭代次数进行迭代，基于迭代后的粒子群中全体最优粒子的位置得到隐层连接权值、输出层连接权值；

基于设置训练后的隐层连接权值、输出层连接权值的神经网络、历史的影响产量的油井参数和样本值得到预测产量。

一种基于一种改进的神经网络的油井产量预测装置，它包括：

优化模块，其用于根据影响产量的油井参数初始化预定算法中粒子个数、种群数量、最大迭代次数、粒子群中全体最优粒子的位置、单个粒子历史出现的最优位置、惯性权值的最大值、惯性权值的最小值、粒子的初始速度，通过预定算法得到神经网络的隐层连接权值和输出层连接权值，

训练模块，其用于将历史的影响产量的油井参数代入设置好隐层连接权值和输出层连接权值的神经网络进行学习；

预测模块，其用于根据样本值通过学习后的神经网络进行预测得到样本值下油井的产量。

本发明实施例公开的基于一种改进的神经网络的油气产量预测方法以及装置，选择历史的油井基本参数作为输入参数，选择油气产量预测值作为输出参数，按照粒子群优化的步骤对输入的参数进行处理，以计算粒子的初始解和方差，进行迭代计算，最终优化得到BP神经网络的隐层连接权值、输出层连接权值。通过优化隐层连接权值、输出层连接权值后的BP神经网络的收敛速度和泛化能力得到了提高，从而提高了BP神经网络预测的准确性。

附图说明

在此描述的附图仅用于解释目的，而不意图以任何方式来限制本发明公开的范围。另外，图中的各部件的形状和比例尺寸等仅为示意性的，用于帮助对本发明的理解，并不是具体限定本发明各部件的形状和比例尺寸。本领域的技术人员在本发明的教导下，可以根据具体情况选择各种可能的形状和比例尺寸来实施本发明。

图1为本发明实施例中基于一种改进的神经网络的油井产量预测方法的流程示意图。

图2为本发明实施例中理想速度的曲线图。

图3为本发明实施例中BP神经网络的示意图。

图4为本发明实施例中基于一种改进的神经网络的油井产量预测方法得出的预测产量输出与实际输出的对比图。

图5为本发明实施例中基于一种改进的神经网络的油井产量预测装置的结构示意图。

具体实施方式

结合附图和本发明具体实施方式的描述，能够更加清楚地了解本发明的细节。但是，在此描述的本发明的具体实施方式，仅用于解释本发明的目的，而不能以任何方式理解成是对本发明的限制。在本发明的教导下，技术人员可以构想基于本发明的任意可能的变形，这些都应被视为属于本发明的范围。

本申请实施例提供了一种基于一种改进的神经网络的油井产量预测方法，该方法改进了普通PSO算法，通过理想速度曲线反馈的自适应PSO算法优化BP神经网络的连接权值，图1为本发明实施例中基于一种改进的神经网络的油井产量预测方法的流程示意图，如图1所示，本申请实施例包括以下步骤：

S101：基于影响产量的油井参数初始化PSO算法中的粒子个数、种群数量、最大迭代次数、粒子群中全体最优粒子的位置、单个粒子历史出现的最优位置、惯性权值的最大值、惯性权值的最小值、粒子的初始速度。

PSO算法中需要设置的参数包括根据油井状态得到的粒子个数、种群数量、最大迭代次数、粒子群中全体最优粒子的位置、单个粒子历史出现的最优位置、惯性权值的最大值、惯性权值的最小值、粒子的初始速度。最大迭代次数可以根据经验人为设定，迭代次数越多，其精度越高，一般而言到达一定迭代次数后，其后期迭代对精度的提高越来越小，所以需要选择合适迭代次数以优化资源。在本实施例中，设置最大迭代次数T_max等于300，粒子个数为3，其表示油井基本参数中的温度、压力和产量三个量，设置惯性权值的最大值w_max为0.9，惯性权值的最小值为0.4。由于历史的影响产量的油井参数包括温度和压力，再加上产量这一参数，所以神经元个数indim设置为3。隐藏层神经元个数hiddennum设置为20。由于需要预测油井产量，输出层神经元个数outdim设置为1，初始化的维度为m，其中m＝(indim+1)·hiddennum+(hiddennum+1)·outdim。

S102：基于粒子群中全体最优粒子的位置、单个粒子历史出现的最优位置得到更新的速度。

根据初始化的粒子群中全体最优粒子的位置、单个粒子历史出现的最优位置计算得到更新的速度和更新的位置，更新的速度的具体计算公式如下：

$v_{ij}^{k+1}={\mathrm{Weight}}^k\·v_{ij}^k+c_1\·rand1\·({\mathrm{Pbest}}_{ij}^k-x_{ij}^k)+c_2\·rand2\·({\mathrm{Gbest}}_j^k-x_{ij}^k)---\left(1\right)$

其中，c₁和c₂表示两个常量，在本实施例中，设置C₁＝C₂＝1.5，rand1和rand2表示随机产生的[0,1]区间的数，表示粒子群中全体最优粒子的位置，表示单个粒子历史出现的最优位置，表示更新的速度，表示未更新的速度，表示未更新的位置，Weight^k表示惯性权值，k表示迭代的次数。

更新的位置的具体计算公式如下：

$x_{ij}^{k+1}=x_{ij}^k+v_{ij}^{k+1}---\left(2\right)$

其中，表示更新的速度，表示未更新的位置，表示更新的位置。

S103：基于惯性权值的最大值、惯性权值的最小值、最大迭代次数和实际测试样本值更新惯性权值的最大值和/或惯性权值的最小值，其包括以下步骤：

基于惯性权值的最大值、惯性权值的最小值和最大迭代次数得到更新的惯性权值。基于更新的惯性权值与实际测试样本值更新惯性权值的最大值和/或惯性权值的最小值。

根据设置的惯性权值的最大值、惯性权值的最小值和最大迭代次数计算得到更新的惯性权值，其具体计算公式如下：

Weight^k＝w_max+(w_max-w_min)/T_max(3)

其中，w_max表示PSO算法中的惯性权值的最大值，w_min表示PSO算法中的惯性权值的最小值，Weight^k表示更新的惯性权值，T_max表示PSO算法中的最大迭代次数。在步骤基于更新的惯性权值与实际测试样本值更新PSO算法中的惯性权值的最大值和/或PSO算法中的惯性权值的最小值中，首先根据更新的惯性权值与实际测试样本值计算得到更新的惯性权值与实际测试样本值的差值平方和，其具体计算公式如下：

$MSE=\frac{1}{testN}\underset{i=1}{\overset{n}{\Σ}}{\mathrm{netW}}_i{(y_i-{\hat{y}}_i)}^2---\left(4\right)$

其中，MSE表示更新的惯性权值与实际测试样本值的差值平方和，netW_i表示神经网络的连接权值，y_i表示样本的产量值，表示神经网络的连接权值，testN表示训练样本的组数。

当差值平方和小于单个粒子历史出现的最优位置时，则通过差值平方和更新的惯性权值更新单个粒子历史出现的最优位置

当差值平方和和单个粒子历史出现的最优位置小于粒子群中全体最优粒子的位置，则通过差值平方和更新的惯性权值更新粒子群中全体最优粒子的位置

S104：基于粒子的初始速度值得到粒子的理想速度。

当0<k≤T_end/2时，粒子的理想速度具体计算过程如下：

$v_{ideal}^{k+1}=\frac{v_{start}}{2}+\frac{v_{start}}{2}\sqrt{1-\frac{4k^2}{T_{end}^2}}---\left(5\right)$

当T_end/2<k≤T_end时，粒子的理想速度具体计算过程如下：

$v_{ideal}^{k+1}=\frac{v_{start}}{2}-\frac{v_{start}}{2}\sqrt{1-\frac{4{(k-T_{end})}^2}{T_{end}^2}}---\left(6\right)$

其中，k表示一个从0开始的迭代次数，T_end表示一个人为设置的自然数，可以是200、2000，其要求小于Tmax，v_start表示粒子初始的速度值，表示粒子根据v_start的变化值。

图2为本发明实施例中理想速度的曲线图，如图2所示，随着迭代次数的增加，理想速度曲线按照椭圆圆弧变化。

S105：基于种群数量、粒子个数、更新的速度、粒子的理想速度得到新的惯性权值，其包括以下步骤：

基于种群数量、粒子个数、更新的速度得到粒子的平均速度。

基于粒子的理想速度和粒子的平均速度得到新的惯性权值。

在步骤基于种群数量、粒子个数、更新的速度计算粒子的平均速度中，其具体公式如下：

$v_{ave}^{k+1}=\frac{1}{m\&CenterDot;n}\underset{i=1}{\overset{m}{\&Sigma;}}\underset{j=1}{\overset{n}{\&Sigma;}}\left|v_{ij}^{k+1}\right|---\left(7\right)$

其中，表示粒子的平均速度，表示更新的速度，n表示PSO算法中的粒子个数，m表示初始化的维度。

在步骤基于粒子的理想速度和粒子的平均速度得到新的惯性权值中，根据粒子的理想速度和粒子的平均速度的差值进行判断，再计算得到新的惯性权值，过程如下：

当时，新的惯性权值为：

Weight^k+1＝max{Weight^k-ΔWeight,Weight_min}(8)

当时，新的惯性权值为：

Weight^k+1＝min{Weight^k+ΔWeight,Weight_max}(9)

其中，表示粒子的平均速度，表示粒子根据v_start的变化值，Weight^k表示更新的惯性权值，Weight^k+1表示新的惯性权值，Weight_min表示惯性权值的最小值，Weight_max表示惯性权值的最大值，ΔWeight表示根据经验值对当前惯性权值的调整值，一般可以设置成常量，取ΔWeight＝0.1，

S106：根据设置的最大迭代次数进行迭代，基于迭代后的粒子群中全体最优粒子的位置得到隐层连接权值、输出层连接权值。

当k不等于PSO算法中的最大迭代次数时，设置k＝k+1,返回至步骤S102。上述所有步骤中公式中k从1开始依次累加，从而记录迭代次数，根据设置的最大迭代次数进行迭代，直至k达到最大迭代次数。

当k等于PSO算法中的最大迭代次数时，神经网络权值优化结束，进而计算隐层连接权值和输出层连接权值。

隐层连接权值和输出层连接权值的计算公式如下：

x2iw(t,:)＝Gbest(1,((t-1)*indim+1):t*indim,j)(10)

x2lw(r,:)＝Gbest(1,(indim*hiddennum+1):indim*hiddennum+hiddennum),j)(11)

其中，x2iw(t,:)表示隐层连接权值，x2lw(r,:)表示输出层连接权值，indim表示神经元个数，hiddennum表示隐藏层神经元个数，t表示神经网络隐层连接的序号，j表示迭代次数到最大迭代次数的数值。

S107：基于设置训练后的隐层连接权值、输出层连接权值的神经网络、历史的影响产量的油井参数和样本值得到预测产量。

基于训练后的隐层连接权值、输出层连接权值设置神经网络的初始参数，通过历史的影响产量的油井参数对神经网络进行训练。具体可以为，根据训练后的隐层连接权值、输出层连接权值设置神经网络的初始参数，当然，设置的神经网络的初始参数还包括神经元个数、隐藏层神经元个数、输出层神经元个数等。通过优化隐层连接权值、输出层连接权值后可以使得神经网络的收敛速度和泛化能力得到提高。然后，通过历史的影响产量的油井参数对神经网络进行训练。历史的影响产量的油井参数包括温度和压力，另外加上产量这一参数。通过已有实际获得的历史的影响产量的油井参数对神经网络进行训练学习，使得神经网络具有预测的准确性。训练学习的历史的油井基本参数越多，神经网络预测的准确性也就越高。在本实施例中，图3为本发明实施例中BP神经网络的示意图，如图3所示，神经元个数indim设置为3，隐藏层神经元个数hiddennum设置为20，输出层神经元个数outdim设置为1。

基于样本值在训练后的神经网络中得到预测产量，从而根据预测产量指导油井的开发利用。在训练后的神经网络中输入需要预测油井的样本值，样本值至少包括所要预测油井的温度和压力。神经网络根据训练学习的历史的油井基本参数预测得到预测油井的预测产量，从而根据预测产量指导油井的开发利用。图4为本发明实施例中基于一种改进的神经网络的油井产量预测方法得出的预测产量输出与实际输出的对比图，如图4所示，在本实施例中，根据多个样本和样本中实际油井的最终实际输出数据，本发明中的神经网络得到的油井预测产量与实际油井的最终实际输出进行了对比，本发明中神经网络得到的油井预测产量十分接近于实际油井的最终实际输出，有效的提高了油气产量预测的准确性，本基于神经网络的油气产量预测方法对油井产量的预测具有十分重要的意义。

图5为本发明实施例中基于一种改进的神经网络的油井产量预测装置的结构示意图，如图5所示，一种基于一种改进的神经网络的油井产量预测装置，它包括：

优化模块，其用于根据影响产量的油井参数初始化预定算法中粒子个数、种群数量、最大迭代次数、粒子群中全体最优粒子的位置、单个粒子历史出现的最优位置、惯性权值的最大值、惯性权值的最小值、粒子的初始速度，通过预定算法得到神经网络的隐层连接权值和输出层连接权值。

预定算法包括以下步骤：基于粒子群中全体最优粒子的位置、单个粒子历史出现的最优位置得到更新的速度；基于惯性权值的最大值、惯性权值的最小值、最大迭代次数和实际测试样本值更新惯性权值的最大值和/或惯性权值的最小值；基于粒子的初始速度值得到粒子的理想速度；基于种群数量、粒子个数、更新的速度、粒子的理想速度得到新的惯性权值；根据设置的最大迭代次数进行迭代，基于迭代后的粒子群中全体最优粒子的位置得到隐层连接权值、输出层连接权值。

训练模块，其用于将历史的影响产量的油井参数代入设置好隐层连接权值和输出层连接权值的神经网络进行学习。

预测模块，其用于根据样本值通过学习后的神经网络进行预测得到样本值下油井的产量。

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

上述实施例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人士能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所作的等效变化或修饰，都应涵盖在本发明的保护范围之内。

Claims (11)

1.一种基于一种改进的神经网络的油井产量预测方法，其特征在于，它包括以下步骤：

基于影响产量的油井参数初始化PSO算法中的粒子个数、种群数量、最大迭代次数、粒子群中全体最优粒子的位置、单个粒子历史出现的最优位置、惯性权值的最大值、惯性权值的最小值、粒子的初始速度；

基于粒子群中全体最优粒子的位置、单个粒子历史出现的最优位置得到更新的速度；

基于惯性权值的最大值、惯性权值的最小值、最大迭代次数和实际测试样本值更新惯性权值的最大值和/或惯性权值的最小值；

基于粒子的初始速度值得到粒子的理想速度；

基于种群数量、粒子个数、更新的速度、粒子的理想速度得到新的惯性权值；

根据设置的最大迭代次数进行迭代，基于迭代后的粒子群中全体最优粒子的位置得到隐层连接权值、输出层连接权值；

基于设置训练后的隐层连接权值、输出层连接权值的神经网络、历史的影响产量的油井参数和样本值得到预测产量。

2.根据权利要求1所述的基于一种改进的神经网络的油井产量预测方法，其特征在于，在步骤基于粒子群中全体最优粒子的位置、单个粒子历史出现的最优位置得到更新的速度中，更新的速度的具体计算公式如下：

$v_{ij}^{k+1}={\mathrm{Weight}}^k\&CenterDot;v_{ij}^k+c_1\&CenterDot;rand1\&CenterDot;({\mathrm{Pbest}}_{ij}^k-x_{ij}^k)+c_2\&CenterDot;rand2\&CenterDot;({\mathrm{Gbest}}_j^k-x_{ij}^k)$

其中，c₁和c₂表示两个常量，rand1和rand2表示随机产生的[0,1]区间的数，表示粒子群中全体最优粒子的位置，表示单个粒子历史出现的最优位置，表示更新的速度，表示未更新的速度，表示未更新的位置，Weight^k表示更新的惯性权值，k表示迭代的次数；

更新的位置的具体计算公式如下：

$x_{ij}^{k+1}=x_{ij}^k+v_{ij}^{k+1}$

其中，表示更新的速度，表示未更新的位置，表示更新的位置。

3.根据权利要求1所述的基于一种改进的神经网络的油井产量预测方法，其特征在于，在基于惯性权值的最大值、惯性权值的最小值、最大迭代次数和实际测试样本值更新惯性权值的最大值和/或惯性权值的最小值中，其包括以下步骤：

基于惯性权值的最大值、惯性权值的最小值和最大迭代次数得到更新的惯性权值；

基于更新的惯性权值与实际测试样本值更新惯性权值的最大值和/或惯性权值的最小值。

4.根据权利要求3所述的基于一种改进的神经网络的油井产量预测方法，其特征在于，在步骤基于惯性权值的最大值、惯性权值的最小值和最大迭代次数得到更新的惯性权值中，其具体计算公式如下：

Weight^k＝w_max+(w_max-w_min)/T_max

其中，w_max表示PSO算法中的惯性权值的最大值，w_min表示PSO算法中的惯性权值的最小值，Weight^k表示更新的惯性权值，T_max表示PSO算法中的最大迭代次数；

在步骤基于更新的惯性权值与实际测试样本值更新惯性权值的最大值和/或惯性权值的最小值中，具体为：

根据更新的惯性权值与实际测试样本值计算得到更新的惯性权值与实际测试样本值的差值平方和，其具体计算公式如下：

$MSE=\frac{1}{testN}\underset{i=1}{\overset{n}{\&Sigma;}}{\mathrm{netW}}_i{(y_i-{\hat{y}}_i)}^2$

其中，MSE表示更新的惯性权值与实际测试样本值的差值平方和，netW_i表示神经网络的连接权值，y_i表示样本的产量值，表示神经网络的连接权值，testN表示训练样本的组数；

当差值平方和小于单个粒子历史出现的最优位置时，则更新的惯性权值更新单个粒子历史出现的最优位置；

当差值平方和和单个粒子历史出现的最优位置小于粒子群中全体最优粒子的位置，则更新的惯性权值更新粒子群中全体最优粒子的位置。

5.根据权利要求1所述的基于一种改进的神经网络的油井产量预测方法，其特征在于，在步骤基于粒子的初始速度值得到粒子的理想速度中，具体过程如下：

当0<k≤T_end/2时，则 $v_{ideal}^{k+1}=\frac{v_{start}}{2}+\frac{v_{start}}{2}\sqrt{1-\frac{4k^2}{T_{end}^2}};$

当T_end/2<k≤T_end时，则 $v_{ideal}^{k+1}=\frac{v_{start}}{2}-\frac{v_{start}}{2}\sqrt{1-\frac{4{(k-T_{end})}^2}{T_{end}^2}};$

其中，k表示迭代次数，T_end表示一个人为设置的自然数，v_start表示粒子初始的速度值，表示粒子根据v_start的变化值。

6.根据权利要求1所述的基于一种改进的神经网络的油井产量预测方法，其特征在于，在步骤基于种群数量、粒子个数、更新的速度、粒子的理想速度得到新的惯性权值中，其包括以下步骤：

基于种群数量、粒子个数、更新的速度得到粒子的平均速度；

基于粒子的理想速度和粒子的平均速度得到新的惯性权值。

7.根据权利要求6所述的基于一种改进的神经网络的油井产量预测方法，其特征在于，在步骤基于种群数量、粒子个数、更新的速度得到粒子的平均速度中，其具体公式如下：

$v_{ave}^{k+1}=\frac{1}{m\&CenterDot;n}\underset{i=1}{\overset{m}{\&Sigma;}}\underset{j=1}{\overset{n}{\&Sigma;}}\left|v_{ij}^{k+1}\right|$

其中，表示粒子的平均速度，表示更新的速度，n表示PSO算法中的粒子个数，m表示初始化的维度；

在步骤基于粒子的理想速度和粒子的平均速度得到新的惯性权值中，其具体过程如下：

当时，则Weight^k+1＝max{Weight^k-ΔWeight,Weight_min}；

当时，则Weight^k+1＝min{Weight^k+ΔWeight,Weight_max}；

其中，表示粒子的平均速度，表示粒子根据v_start的变化值，Weight^k表示更新的惯性权值，Weight^k+1表示新的惯性权值，ΔWeight表示根据经验值对当前惯性权值的调整值， $\mathrm{\&epsiv;}=v_{ave}^{k+1}/10.$

8.根据权利要求1所述的基于一种改进的神经网络的油井产量预测方法，其特征在于，在步骤根据设置的最大迭代次数进行迭代，基于迭代后的粒子群中全体最优粒子的位置得到隐层连接权值、输出层连接权值中，隐层连接权值和输出层连接权值的计算公式如下：

x2iw(t,:)＝Gbest(1,((t-1)*indim+1):t*indim,j)

x2lw(r,:)＝Gbest(1,(indim*hiddennum+1):indim*hiddennum+hiddennum),j)

其中，x2iw(t,:)表示隐层连接权值，x2lw(r,:)表示输出层连接权值，indim表示神经元个数，hiddennum表示隐藏层神经元个数，t表示神经网络隐层连接的序号，j表示迭代次数到最大迭代次数的数值。

9.根据权利要求1所述的基于一种改进的神经网络的油井产量预测方法，其特征在于，在步骤基于设置训练后的隐层连接权值、输出层连接权值的神经网络、历史的影响产量的油井参数和样本值得到预测产量中，历史的影响产量的油井参数包括温度和压力。

10.根据权利要求1所述的基于一种改进的神经网络的油井产量预测方法，其特征在于，在步骤基于设置训练后的隐层连接权值、输出层连接权值的神经网络、历史的影响产量的油井参数和样本值得到预测产量中，样本值至少包括所要预测油井的温度和压力。

11.一种基于一种改进的神经网络的油井产量预测装置，其特征在于，它包括：

优化模块，其用于根据影响产量的油井参数初始化预定算法中粒子个数、种群数量、最大迭代次数、粒子群中全体最优粒子的位置、单个粒子历史出现的最优位置、惯性权值的最大值、惯性权值的最小值、粒子的初始速度，通过预定算法得到神经网络的隐层连接权值和输出层连接权值，

训练模块，其用于将历史的影响产量的油井参数代入设置好隐层连接权值和输出层连接权值的神经网络进行学习；

预测模块，其用于根据样本值通过学习后的神经网络进行预测得到样本值下油井的产量。