CN110750939A - 基于大样本正交设计表提高稠油热采潜力预测精度的方法 - Google Patents
基于大样本正交设计表提高稠油热采潜力预测精度的方法 Download PDFInfo
- Publication number
- CN110750939A CN110750939A CN201910855283.0A CN201910855283A CN110750939A CN 110750939 A CN110750939 A CN 110750939A CN 201910855283 A CN201910855283 A CN 201910855283A CN 110750939 A CN110750939 A CN 110750939A
- Authority
- CN
- China
- Prior art keywords
- orthogonal design
- design table
- sample
- horizontal
- levels
- 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
Links
- 238000013461 design Methods 0.000 title claims abstract description 184
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000011084 recovery Methods 0.000 title claims abstract description 39
- 239000000295 fuel oil Substances 0.000 title claims abstract description 17
- 238000012360 testing method Methods 0.000 claims abstract description 76
- 238000012549 training Methods 0.000 claims abstract description 43
- 239000003921 oil Substances 0.000 claims abstract description 42
- 238000013528 artificial neural network Methods 0.000 claims abstract description 40
- 238000004088 simulation Methods 0.000 claims abstract description 23
- 230000009466 transformation Effects 0.000 claims abstract description 21
- 238000005516 engineering process Methods 0.000 claims abstract description 9
- 230000006872 improvement Effects 0.000 claims abstract description 4
- 238000013210 evaluation model Methods 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 abstract description 3
- 238000011161 development Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 4
- 239000010779 crude oil Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000035699 permeability Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 230000000638 stimulation Effects 0.000 description 2
- 210000002268 wool Anatomy 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- General Business, Economics & Management (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Economics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于大样本正交设计表提高稠油热采潜力预测精度的方法,包括:建立新正交设计表水平数的变换规则,生成一种多试验多水平的大样本正交设计表;基于大样本正交设计表,利用数值模拟技术设计样本方案,并计算稠油热采提高采收率值,生成训练样本集;利用人工神经网络方法对样本集进行训练,建立起稠油热采潜力预测模型,并进行潜力预测。该方法既能进行足够多的试验,又能满足较多水平数的要求,还能节省全面试验带来的繁重工作量,生成满足人工神经网络训练样本数的需求。在稠油蒸汽吞吐人工神经网络预测模型建立过程中,运用较少的时间和工作量,生成足够多的训练样本,提高潜力预测模型的质量和预测精度。
Description
技术领域
本发明涉及油田开发技术领域,特别是涉及到一种基于大样本正交设计表提高稠油热采潜力预测精度的方法。
背景技术
截至2017年底,胜利油田稠油产量高达445万吨,占胜利油田总产量19.1%,其中蒸汽吞吐产油占总产量的96.0%。随着生产轮次的增加,蒸汽吞吐的效果逐渐变差。稠油油藏整体处于“高轮次、高含水、低产量、低油汽比、中高采出程度”阶段。
针对目前高轮次吞吐开发效果差的形势,需要我们对未来稠油蒸汽吞吐的开发效果进行一定的预测和潜力评价。开展预测和潜力评价的方法之一就是通过大数据样本集,来建立起油藏地质、开发参数与开发指标的预测模型,而实际上,由于参数与指标的关系复杂,很难直接建立起多元非线性预测模型。人工神经网络等数学优化算法方法可以解决此类问题。它通过对试验样本集进行训练,建立起“黑箱”模型,即潜力预测模型,试验样本集越多,也就是训练样本数越多,潜力预测模型越可靠,预测结果更为准确。由于油藏地质开发参数存在差异性大的特点,为了更能准确描述参数影响因素对指标的影响规律,需要对参数水平尽可能多的取值。假设影响稠油蒸汽吞吐开发效果的主要影响因素有5个,分别为原油粘度、渗透率、渗透率级差、地层温度和有效厚度,为了精确描述每个参数对开发指标的影响,每个参数设计了20个水平,形成一个5参数20水平的试验设计。如果全部进行试验的话,则需要进行205=3200000次试验,工作量巨大,考虑到实际情况,不太可能进行如此多的试验,需要采用正交试验设计来缩小工作量,达到试验的目的。但传统的正交设计表,一般是针对小样本来进行试验设计的,试验次数与因素水平较少,不能够满足人工神经网络方法准确开展稠油热采潜力预测的需要。因此,我们发明了一种基于大样本正交设计表提高稠油热采潜力预测精度的方法,解决了以上技术问题。
发明内容
本发明的目的是提供一种既能满足足够多的试验数,设计较多的因素水平数,又能使试验样本具有较好的代表性,同时提高稠油热采神经网络模型的预测精度的基于大样本正交设计表提高稠油热采潜力预测精度的方法。
本发明的目的可通过如下技术措施来实现:基于大样本正交设计表提高稠油热采潜力预测精度的方法,该基于大样本正交设计表提高稠油热采潜力预测精度的方法包括:步骤1,建立新正交设计表水平数的变换规则,生成一种多试验多水平的大样本正交设计表;步骤2,基于大样本正交设计表,利用数值模拟技术设计样本方案,计算稠油热采提高采收率值,生成训练样本集;步骤3,利用人工神经网络方法对样本集进行训练,建立起稠油热采潜力预测模型,并进行潜力预测。
本发明的目的还可通过如下技术措施来实现:
步骤1包括:
(1)选取2个常用的正交设计表,记为Ln1(t1 c1)、Ln2(t2 c2);设新正交设计表记为Ln(tc);其中,n1、n2、n为正交试验次数,c1、c2、c为因素个数,t1、t2、t为每个因素的水平数;
(2)对正交设计表水平数进行字母标记;正交设计表Ln1(t1 c1)中的水平数依次为1、2、……、t1,记为t1x,其中,x∈[1,t1];正交设计表Ln2(t2 c2)中的水平数依次为1、2、……、t2,记为t2y,其中,y∈[1,t2];新正交设计表Ln(tc)中的水平数依次为1、2、……、t,记为tz,其中,z∈[1,t];
(3)建立新正交设计表水平数的变换规则;当正交设计表Ln1(t1 c1)水平数t1x=1时,则新正交设计表Ln(tc)相对应列数和试验数的水平数tz=t2y;当正交设计表Ln1(t1 c1)水平数t1x=2时,则新正交设计表Ln(tc)相对应列数和试验数的水平数为tz=t2y+t2,当正交设计表Ln1(t1 c1)水平数t1x=3时,则新正交设计表Ln(tc)相对应的列数和试验数的水平数为tz=t2y+2t2,……,以此类推,当新正交设计表Ln(tc)相对应的列数和次数的水平数为t1x=t1时,则表Ln(tc)所对应列数和试验次数的水平数为tz=t2y+(t1x-1)×t2;
(4)依据变换规则逐因素逐试验数依次生成新正交设计表的水平数;首先将Ln1(t1 c1)和Ln2(t2 c2)两个正交设计表的列数(因素)一一对应,然后保持正交设计表Ln1(t1 c1)第1列不变,将第1列第1次试验对应的水平数与正交设计表Ln2(t2 c2)第1列的n2个试验水平数依次进行对照,按照变换规则生成新正交设计表Ln(tc)的第1~n2次试验的水平数;然后,将正交设计表Ln1(t1 c1)第1列第2次试验数对应的水平数与正交设计表Ln2(t2 c2)对应列的n2个试验水平数再次依次进行对照,按照变换原则生成新正交设计表Ln(tc)的第n2+1~2n2次试验的水平数;正交设计表Ln1(t1 c1)共有试验数n1个,依次类推,可生成n1×n2=n次试验,t2+(t1-1)×t2=t个水平数;按照上述方法可获得新正交设计表其它列的水平数,总列数(因素个数)为c=min{c1,c2};即产生了n次试验,t个水平数、c个因素的新正交设计表Ln(tc)。
步骤1还包括,在步骤(4)之后,进行新正交设计表的科学性验证;验证新正交设计表的每列中不同水平数出现的次数是否相等;新正交设计表任意一行的2个水平按原有顺序可组成一个数字对,验证每种数字对出现的次数是否相等。
在步骤2中,基于大样本正交设计表生成的训练样本数大;基于大样本正交设计表生成的训练样本中因素水平数多,因素取值更为密集,取值范围更大。
在步骤2中,利用油藏数值模拟技术,建立起稠油蒸汽吞吐概念模型,选取A个参数作为试验因子;每个因子各取值B个值,作为因子水平数;根据新设计的正交设计表,设计C套不同参数取值的概念模型,并通过数值模拟进行计算稠油蒸汽吞吐提高采收率值,这样生成了一套C个样本方案的稠油蒸汽吞吐潜力预测样本集。
在步骤3中,对M个样本随机集抽出N套,M>N,采用人工神经网络方法进行训练,建立起人工神经网络潜力预测模型,剩余M-N套作为后评估模型,用来检验训练样本集的预测可靠性;作为对比,利用正交设计表和数值模拟建立起P个样本集,并随机抽取其中Q个样本,P>Q,剩余P-Q个样本集采用人工神经网络方法进行训练,建立起小样本的人工神经网络潜力预测模型,剩余Q套作为后评估模型,用来检验训练样本集的预测可靠性。
本发明中的基于大样本正交设计表提高稠油热采潜力预测精度的方法,建立一种基于多试验、多水平的大样本正交设计表,利用油藏数值模拟方法生成大样本训练样本集,并人工神经网络方法,建立起稠油热采潜力预测模型。本发明在目前现有的正交设计表的基础上,根据其中1个正交设计表的水平数,与另1个正交设计表的水平数进行对照,通过适当的变换规则,可生成出新正交设计表的水平数,生成大样本的多试验多水平的正交设计表。在此基础上,通过油藏数值模拟技术生成大样本训练样本集,通过人工神经网络方法进行训练,建立起稠油热采潜力预测模型。该方法有效克服了常用正交设计表存在的试验次数低、水平数少,造成的人工神经网络训练样本数少,预测精度低的问题。该方法基于一种新的大样本正交设计表,既能进行足够多的试验,又能满足较多水平数的要求,还能节省全面试验带来的繁重工作量,生成满足人工神经网络训练样本数的需求。在稠油蒸汽吞吐人工神经网络预测模型建立过程中,运用较少的时间和工作量,生成足够多的训练样本,提高潜力预测模型的质量和预测精度。本发明是实用性很强的一种基于大样本正交设计表提高稠油热采潜力预测精度的方法。
附图说明
图1为本发明的基于大样本正交设计表提高稠油热采潜力预测精度的方法一具体实施例的流程图;
图2为本发明的一具体实施例中基于大样本正交设计表L400(205)与数值模拟计算的样本集建立的人工神经网络预测模型计算值与实际值的偏差的示意图;
图3为本发明的一具体实施例中常规正交设计表L50(511)与数值模拟计算的样本集建立的人工神经网络预测模型计算值与实际值的偏差的示意图。
具体实施方式
为使本发明的上述和其他目的、特征和优点能更明显易懂,下文特举出较佳实施例,并配合附图所示,作详细说明如下。
本发明的适用于获取试验样本数多、因素水平数多的试验方案。图1为本发明的基于大样本正交设计表提高稠油热采潜力预测精度的方法的一具体实施例的流程图。
在步骤101,建立新正交设计表水平数的变换规则,生成一种多试验多水平的大样本正交设计表。具体包括:
(1)选取2个常用的正交设计表,记为Ln1(t1 c1)、Ln2(t2 c2);设新正交设计表记为Ln(tc)。其中,n1、n2、n为正交试验次数,c1、c2、c为因素个数,t1、t2、t为每个因素的水平数。
(2)对正交设计表水平数进行字母标记。正交设计表Ln1(t1 c1)中的水平数依次为1、2、……、t1,记为t1x,其中,x∈[1,t1];正交设计表Ln2(t2 c2)中的水平数依次为1、2、……、t2,记为t2y,其中,y∈[1,t2];新正交设计表Ln(tc)中的水平数依次为1、2、……、t,记为tz,其中,z∈[1,t]。
(3)建立新正交设计表水平数的变换规则。当正交设计表Ln1(t1 c1)水平数t1x=1时,则新正交设计表Ln(tc)相对应列数和试验数的水平数tz=t2y;当正交设计表Ln1(t1 c1)水平数t1x=2时,则新正交设计表Ln(tc)相对应列数和试验数的水平数为tz=t2y+t2,当正交设计表Ln1(t1 c1)水平数t1x=3时,则新正交设计表Ln(tc)相对应的列数和试验数的水平数为tz=t2y+2t2,……,以此类推,当新正交设计表Ln(tc)相对应的列数和次数的水平数为t1x=t1时,则表Ln(tc)所对应列数和试验次数的水平数为tz=t2y+(t1x-1)×t2;。
4)依据变换规则逐因素逐试验数依次生成新正交设计表的水平数。首先将Ln1(t1 c1)和Ln2(t2 c2)两个正交设计表的列数(因素)一一对应。然后保持正交设计表Ln1(t1 c1)第1列不变,将第1列第1次试验对应的水平数与正交设计表Ln2(t2 c2)第1列的n2个试验水平数依次进行对照,按照变换规则生成新正交设计表Ln(tc)的第1~n2次试验的水平数。然后,将正交设计表Ln1(t1 c1)第1列第2次试验数对应的水平数与正交设计表Ln2(t2 c2)对应列的n2个试验水平数再次依次进行对照,按照变换原则生成新正交设计表Ln(tc)的第n2+1~2n2次试验的水平数。正交设计表Ln1(t1 c1)共有试验数n1个,依次类推,可生成n1×n2=n次试验,t2+(t1-1)×t2=t个水平数。按照上述方法可获得新正交设计表其它列的水平数,总列数(因素个数)为c=min{c1,c2}。即产生了n次试验,t个水平数、c个因素的新正交设计表Ln(tc)。
(5)新正交设计表的科学性验证。验证新正交设计表的每列中不同水平数出现的次数相等。验证新正交设计表任意一行的2个水平按原有顺序可组成一个数字对,每种数字对出现的次数相等。
步骤102,基于大样本正交设计表,利用数值模拟技术设计样本方案,并计算稠油热采提高采收率值,生成训练样本集;
基于大样本正交设计表生成的训练样本数大。基于大样本正交设计表生成的训练样本中因素水平数多,因素取值更为密集,取值范围更大。这样利用油藏数值模拟建立的方案更为细致,覆盖面更为广泛,提高稠油热采潜力预测的精度。
利用油藏数值模拟技术,建立起稠油蒸汽吞吐概念模型,选取A个参数作为试验因子;每个因子各取值B个值,作为因子水平数;根据新设计的正交设计表,设计C套不同参数取值的概念模型,并通过数值模拟进行计算稠油蒸汽吞吐提高采收率值,这样生成了一套C个样本方案的稠油蒸汽吞吐潜力预测样本集。
步骤103,利用人工神经网络方法对样本集进行训练,建立起稠油热采潜力预测模型,并进行潜力预测。
依据传统的正交设计表训练出的人工神经网络模型预测精度低,而基于大样本正交设计表的人工神经网络潜力预测模型的预测精度高,可靠性强。
对M个样本随机集抽出N套,M>N,采用人工神经网络方法进行训练,建立起人工神经网络潜力预测模型,剩余M-N套作为后评估模型,用来检验训练样本集的预测可靠性。
作为对比,利用正交设计表和数值模拟建立起P个样本集,并随机抽取其中Q个样本,P>Q,剩余P-Q个样本集采用人工神经网络方法进行训练,建立起小样本的人工神经网络潜力预测模型,剩余Q套作为后评估模型,用来检验训练样本集的预测可靠性。
以下为应用本发明的一具体实施例。
在步骤1中,选取2个常用的正交设计表,记为L16(45)、L25(56),如表1和表2所示。新正交设计表记为Ln(tc)。
表1 L16(45)正交设计表
表2 L25(56)正交设计表
对正交设计表水平数进行字母标记。正交设计表L16(45)中的水平数依次为1、2、3、4,此时,t1=4。正交设计表L25(56)中的水平数依次为1、2、3、4、5,此时,t2=5,记为t2y={1、2、3、4、5}中的某个数,y∈[1,t2]。新正交设计表Ln(tc)中的水平数依次为1、2、……、t,记为tz,其中,z∈[1,t]。
建立新正交设计表水平数的变换规则。当正交设计表L16(45)水平数为1时,则新正交设计表Ln(tc)相对应列数和试验数的水平数tz=t2y,仍为L25(56)中的{1、2、3、4、5}中的某个数;当正交设计表L16(45)水平数为2时,则新正交设计表Ln(tc)相对应列数和试验数的水平数为tz=t2y+5,根据t2y值,相应变为{6、7、8、9、10}中的某个数;当正交设计表Ln1(t1 c1)水平数t1x=3时,则新正交设计表Ln(tc)相对应的列数和试验数的水平数为tz=t2y+2×5,根据t2y值,相应变为{11、12、13、14、15}中的某个数;当正交设计表Ln1(t1 c1)水平数t1x=4时,则新正交设计表Ln(tc)相对应的列数和试验数的水平数为tz=t2y+3×5,根据t2y值,相应变为{16、17、18、19、20}中的某个数。
依据变换规则逐因素逐试验数依次生成新正交设计表的水平数。首先将L16(45)和L25(56)两个正交设计表的列数(因素)一一对应。然后保持正交设计表L16(45)第1列不变,将第1列第1次试验对应的水平数与正交设计表L25(56)第1列的25个试验水平数依次进行对照,按照步骤3变换规则生成新正交设计表Ln(tc)的第1~25次试验的水平数。然后,将正交设计表L16(45)第1列第2次试验数对应的水平数与正交设计表L25(56)对应列的n2个试验水平数再次依次进行对照,按照步骤3的变换原则生成新正交设计表Ln(tc)的第26~50次试验的水平数。正交设计表L16(45)共有试验数16个,依次类推,可生成16×25=400次试验,5+(4-1)×5=20个水平数。按照上述方法可获得新正交设计表其它列所对应的水平数,总列数(因素个数)为min{5,6}=5个。即产生了400次试验,20个水平数、5个因素的新正交设计表L400(205)。如表3所示。
表3 L400(205)正交设计表
新正交设计表L400(205)的科学性验证。第1条性质验证:取L400(205)正交表的第1列,该列包含水平数1至20中的每一个数字,经过统计,每个水平数字各出现20次。同样,可以验证其它列每个水平数也各出现20次。由此,验证新正交设计表满足正交设计第1条性质,每列中不同水平数出现的次数相等。第2条性质验证:由于水平数为20,因此,有序对共有202=400个,即:(1,1)、(1,2)、(1,3)、(1,4),(1,5),……,(20,16)、(20,17)、(20,18)、(20,19)、(20,20),经过统计发现,每个有序对在新表中任意2列各出现1次。由此,验证新正交设计表满足正交设计第2条性质,任意一行的2个水平按原有顺序可组成一个数字对,每种数字对出现的次数相等。通过以上验证,新的正交设计表能够满足正交设计“搭配均衡,分布整齐”的2个性质,说明所建立的新正交设计表具有科学性,所选的试验代表性好。
在步骤2中,利用油藏数值模拟技术,建立起稠油蒸汽吞吐概念模型,选取原油粘度、有效厚度、净毛比、渗透率等4个参数作为试验因子。原油粘度取值为150-10000mPa·s,有效厚度取值3-20m,净毛比取值0-1.0,渗透率取值200-5000mD。每个因子各取值20个值,作为因子水平数(如表4所示)。根据新设计的正交设计表,设计400套不同参数取值的概念模型。并通过数值模拟进行计算稠油蒸汽吞吐提高采收率值。这样生成了一套400个样本方案的稠油蒸汽吞吐潜力预测样本集。
表4新正交设计表L400(205)试验水平取值表
水平数 | 原油粘度mPa·s | 有效厚度m | 净毛比 | 渗透率mD |
1 | 150 | 3.0 | 0.05 | 200 |
2 | 200 | 3.5 | 0.1 | 300 |
3 | 400 | 4.0 | 0.15 | 400 |
4 | 600 | 4.5 | 0.2 | 500 |
5 | 800 | 5.0 | 0.25 | 600 |
6 | 1000 | 5.5 | 0.3 | 700 |
7 | 1200 | 6.0 | 0.35 | 800 |
8 | 1400 | 6.5 | 0.4 | 900 |
9 | 1600 | 7.0 | 0.45 | 1000 |
10 | 1800 | 7.5 | 0.5 | 1200 |
11 | 2000 | 8.0 | 0.55 | 1500 |
12 | 2500 | 8.5 | 0.6 | 1800 |
13 | 3000 | 9.0 | 0.65 | 2000 |
14 | 3500 | 9.5 | 0.7 | 2200 |
15 | 4000 | 10.0 | 0.75 | 2500 |
16 | 4500 | 11.0 | 0.8 | 3000 |
17 | 5000 | 12.0 | 0.85 | 3500 |
18 | 6000 | 15.0 | 0.9 | 4000 |
19 | 8000 | 18.0 | 0.95 | 4500 |
20 | 10000 | 20.0 | 1 | 5000 |
在步骤3中,对400个样本随机集抽出380套,采用人工神经网络方法进行训练,建立起大样本的人工神经网络潜力预测模型,剩余20套作为后评估模型,用来检验训练样本集的预测可靠性。
作为对比,利用正交设计表L50(511)和数值模拟建立起50个样本集,并随机抽取其中5个样本,剩余45个样本集采用人工神经网络方法进行训练,建立起小样本的人工神经网络潜力预测模型,剩余5套作为后评估模型,用来检验训练样本集的预测可靠性。
图2为本发明的一具体实施例中基于大样本正交设计表L400(205)与数值模拟计算的样本集建立的人工神经网络预测模型计算值与实际值的偏差的示意图。图中直线代表45°线,数据点越靠近该线,说明模型计算值与实际值偏差越小,建立的人工神经网络预测模型可靠性越强,拟合与预测精度更为准确。图3为本发明的一具体实施例中常规正交设计表L50(511)与数值模拟计算的样本集建立的人工神经网络预测模型计算值与实际值的偏差的示意图。图中直线代表45°线,数据点越靠近该线,说明模型计算值与实际值偏差越小,建立的人工神经网络预测模型可靠性越强,拟合与预测精度更为准确。从大样本和小样本建立的稠油热采人工神经网络预测模型拟合精度和预测精度的偏差(图2和图3)及相对误差值对比(表5)来看,基于大样本训练样本建立的模型更为精确,预测精度更高。该方法基于一种新的大样本正交设计表,既能进行足够多的试验,又能满足较多水平数的要求,还能节省全面试验带来的繁重工作量,生成满足人工神经网络训练样本数的需求。在稠油蒸汽吞吐人工神经网络预测模型建立过程中,运用较少的时间和工作量,生成足够多的训练样本,提高潜力预测模型的质量和预测精度。
表5相对误差平均值对比表
Claims (6)
1.基于大样本正交设计表提高稠油热采潜力预测精度的方法,其特征在于,该基于大样本正交设计表提高稠油热采潜力预测精度的方法包括:
步骤1,建立新正交设计表水平数的变换规则,生成一种多试验多水平的大样本正交设计表;
步骤2,基于大样本正交设计表,利用数值模拟技术设计样本方案,计算稠油热采提高采收率值,生成训练样本集;
步骤3,利用人工神经网络方法对样本集进行训练,建立起稠油热采潜力预测模型,并进行潜力预测。
2.根据权利要求1所述的基于大样本正交设计表提高稠油热采潜力预测精度的方法,其特征在于,步骤1包括:
(1)选取2个常用的正交设计表,记为Ln1(t1 c1)、Ln2(t2 c2);设新正交设计表记为Ln(tc);其中,n1、n2、n为正交试验次数,c1、c2、c为因素个数,t1、t2、t为每个因素的水平数;
(2)对正交设计表水平数进行字母标记;正交设计表Ln1(t1 c1)中的水平数依次为1、2、……、t1,记为t1x,其中,x∈[1,t1];正交设计表Ln2(t2 c2)中的水平数依次为1、2、……、t2,记为t2y,其中,y∈[1,t2];新正交设计表Ln(tc)中的水平数依次为1、2、……、t,记为tz,其中,z∈[1,t];
(3)建立新正交设计表水平数的变换规则;当正交设计表Ln1(t1 c1)水平数t1x=1时,则新正交设计表Ln(tc)相对应列数和试验数的水平数tz=t2y;当正交设计表Ln1(t1 c1)水平数t1x=2时,则新正交设计表Ln(tc)相对应列数和试验数的水平数为tz=t2y+t2,当正交设计表Ln1(t1 c1)水平数t1x=3时,则新正交设计表Ln(tc)相对应的列数和试验数的水平数为tz=t2y+2t2,……,以此类推,当新正交设计表Ln(tc)相对应的列数和次数的水平数为t1x=t1时,则表Ln(tc)所对应列数和试验次数的水平数为tz=t2y+(t1x-1)×t2;
(4)依据变换规则逐因素逐试验数依次生成新正交设计表的水平数;首先将Ln1(t1 c1)和Ln2(t2 c2)两个正交设计表的列数(因素)一一对应,然后保持正交设计表Ln1(t1 c1)第1列不变,将第1列第1次试验对应的水平数与正交设计表Ln2(t2 c2)第1列的n2个试验水平数依次进行对照,按照变换规则生成新正交设计表Ln(tc)的第1~n2次试验的水平数;然后,将正交设计表Ln1(t1 c1)第1列第2次试验数对应的水平数与正交设计表Ln2(t2 c2)对应列的n2个试验水平数再次依次进行对照,按照变换原则生成新正交设计表Ln(tc)的第n2+1~2n2次试验的水平数;正交设计表Ln1(t1 c1)共有试验数n1个,依次类推,可生成n1×n2=n次试验,t2+(t1-1)×t2=t个水平数;按照上述方法可获得新正交设计表其它列的水平数,总列数(因素个数)为c=min{c1,c2};即产生了n次试验,t个水平数、c个因素的新正交设计表Ln(tc)。
3.根据权利要求2所述的基于大样本正交设计表提高稠油热采潜力预测精度的方法,其特征在于,步骤1还包括,在步骤(4)之后,进行新正交设计表的科学性验证;验证新正交设计表的每列中不同水平数出现的次数是否相等;新正交设计表任意一行的2个水平按原有顺序可组成一个数字对,验证每种数字对出现的次数是否相等。
4.根据权利要求1所述的基于大样本正交设计表提高稠油热采潜力预测精度的方法,其特征在于,在步骤2中,基于大样本正交设计表生成的训练样本数大;基于大样本正交设计表生成的训练样本中因素水平数多,因素取值更为密集,取值范围更大。
5.根据权利要求4所述的基于大样本正交设计表提高稠油热采潜力预测精度的方法,其特征在于,在步骤2中,利用油藏数值模拟技术,建立起稠油蒸汽吞吐概念模型,选取A个参数作为试验因子;每个因子各取值B个值,作为因子水平数;根据新设计的正交设计表,设计C套不同参数取值的概念模型,并通过数值模拟进行计算稠油蒸汽吞吐提高采收率值,这样生成了一套C个样本方案的稠油蒸汽吞吐潜力预测样本集。
6.根据权利要求1所述的基于大样本正交设计表提高稠油热采潜力预测精度的方法,其特征在于,在步骤3中,对M个样本随机集抽出N套,M>N,采用人工神经网络方法进行训练,建立起人工神经网络潜力预测模型,剩余M-N套作为后评估模型,用来检验训练样本集的预测可靠性;作为对比,利用正交设计表和数值模拟建立起P个样本集,并随机抽取其中Q个样本,P>Q,剩余P-Q个样本集采用人工神经网络方法进行训练,建立起小样本的人工神经网络潜力预测模型,剩余Q套作为后评估模型,用来检验训练样本集的预测可靠性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910855283.0A CN110750939B (zh) | 2019-09-09 | 2019-09-09 | 基于大样本正交设计表提高稠油热采潜力预测精度的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910855283.0A CN110750939B (zh) | 2019-09-09 | 2019-09-09 | 基于大样本正交设计表提高稠油热采潜力预测精度的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110750939A true CN110750939A (zh) | 2020-02-04 |
CN110750939B CN110750939B (zh) | 2023-06-30 |
Family
ID=69276284
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910855283.0A Active CN110750939B (zh) | 2019-09-09 | 2019-09-09 | 基于大样本正交设计表提高稠油热采潜力预测精度的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110750939B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113822105A (zh) * | 2020-07-07 | 2021-12-21 | 湖北亿立能科技股份有限公司 | 基于svm水标尺在线二分类器的人工智能水位监测系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6095244A (en) * | 1998-02-12 | 2000-08-01 | Halliburton Energy Services, Inc. | Methods of stimulating and producing multiple stratified reservoirs |
CN106779211A (zh) * | 2016-12-13 | 2017-05-31 | 中国石油大学(华东) | 一种用于油田注采井网驱替开发的产能预测方法 |
CN106886649A (zh) * | 2017-03-01 | 2017-06-23 | 中国海洋石油总公司 | 一种多元热流体吞吐注入参数优化方法 |
CN109146055A (zh) * | 2018-09-03 | 2019-01-04 | 北京珈信科技有限公司 | 基于正交化实验和人工神经网络的改进粒子群优化方法 |
CN109872007A (zh) * | 2019-03-12 | 2019-06-11 | 中国地质大学(北京) | 基于支持向量机代理模型的油藏注采参数多目标优化方法 |
CN110134986A (zh) * | 2019-03-28 | 2019-08-16 | 中国石油化工股份有限公司 | 基于正交设计多指标气水交替驱注采参数优化方法 |
-
2019
- 2019-09-09 CN CN201910855283.0A patent/CN110750939B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6095244A (en) * | 1998-02-12 | 2000-08-01 | Halliburton Energy Services, Inc. | Methods of stimulating and producing multiple stratified reservoirs |
CN106779211A (zh) * | 2016-12-13 | 2017-05-31 | 中国石油大学(华东) | 一种用于油田注采井网驱替开发的产能预测方法 |
CN106886649A (zh) * | 2017-03-01 | 2017-06-23 | 中国海洋石油总公司 | 一种多元热流体吞吐注入参数优化方法 |
CN109146055A (zh) * | 2018-09-03 | 2019-01-04 | 北京珈信科技有限公司 | 基于正交化实验和人工神经网络的改进粒子群优化方法 |
CN109872007A (zh) * | 2019-03-12 | 2019-06-11 | 中国地质大学(北京) | 基于支持向量机代理模型的油藏注采参数多目标优化方法 |
CN110134986A (zh) * | 2019-03-28 | 2019-08-16 | 中国石油化工股份有限公司 | 基于正交设计多指标气水交替驱注采参数优化方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113822105A (zh) * | 2020-07-07 | 2021-12-21 | 湖北亿立能科技股份有限公司 | 基于svm水标尺在线二分类器的人工智能水位监测系统 |
CN113822105B (zh) * | 2020-07-07 | 2024-04-19 | 湖北亿立能科技股份有限公司 | 基于svm水标尺在线二分类器的人工智能水位监测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110750939B (zh) | 2023-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108009716B (zh) | 一种水平井体积压裂效果影响因素多层次评价方法 | |
Ahmadi et al. | Robust intelligent tool for estimating dew point pressure in retrograded condensate gas reservoirs: application of particle swarm optimization | |
CN114781951B (zh) | 一种页岩油藏二氧化碳吞吐开发选井决策方法及系统 | |
CN111046341A (zh) | 一种基于主成分分析的非常规天然气压裂效果评价及产能预测方法 | |
CN108804382B (zh) | 一种参数自动反求方法和装置 | |
CN103810101A (zh) | 一种软件缺陷预测方法和软件缺陷预测系统 | |
CN105069072A (zh) | 基于情感分析的混合用户评分信息推荐方法及其推荐装置 | |
CN106503798A (zh) | 基于粗糙集与bp神经网络的泵的故障诊断方法 | |
CN103440352A (zh) | 基于深度学习的对象间的关联分析方法及其装置 | |
CN108280289B (zh) | 基于局部加权c4.5算法的冲击地压危险等级预测方法 | |
Malo et al. | Eagle ford-introducing the big bad wolf | |
CN110750939B (zh) | 基于大样本正交设计表提高稠油热采潜力预测精度的方法 | |
CN106355191A (zh) | 一种深度生成网络随机训练算法及装置 | |
CN103049382B (zh) | 用于软件模块测试的测试案例生成方法及装置 | |
CN109977131A (zh) | 一种房型匹配系统 | |
CN106156107B (zh) | 一种新闻热点的发现方法 | |
CN103970651A (zh) | 基于组件安全属性的软件体系结构安全性评估方法 | |
Ariadji et al. | A novel tool for designing well placements by combination of modified genetic algorithm and artificial neural network | |
CN113642029B (zh) | 一种度量数据样本与模型决策边界相关性的方法及系统 | |
CN115761414A (zh) | 一种鲁棒数据集蒸馏方法及系统 | |
CN113537313B (zh) | 一种基于wgan训练收敛的不平衡数据集分析方法 | |
CN113688943A (zh) | 一种分布式物联网异常检测方法 | |
CN112766336A (zh) | 一种最大化随机平滑下提高模型可验证防御性能的方法 | |
CN107391490A (zh) | 一种智能语义分析与文本挖掘方法 | |
Wang | Retracted: Multi‐data multiple gray clustering analysis based on layered mining for ubiquitous clouds and social internet of things |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |