CN112922582B - 基于高斯过程回归的气井井口油嘴气体流量分析预测方法 - Google Patents

基于高斯过程回归的气井井口油嘴气体流量分析预测方法 Download PDF

Info

Publication number
CN112922582B
CN112922582B CN202110274038.8A CN202110274038A CN112922582B CN 112922582 B CN112922582 B CN 112922582B CN 202110274038 A CN202110274038 A CN 202110274038A CN 112922582 B CN112922582 B CN 112922582B
Authority
CN
China
Prior art keywords
gaussian process
kernel function
process regression
gas
data sample
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.)
Active
Application number
CN202110274038.8A
Other languages
English (en)
Other versions
CN112922582A (zh
Inventor
江有适
寇焱
李勇明
贾靖
赵金洲
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.)
Southwest Petroleum University
Original Assignee
Southwest Petroleum University
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 Southwest Petroleum University filed Critical Southwest Petroleum University
Priority to CN202110274038.8A priority Critical patent/CN112922582B/zh
Publication of CN112922582A publication Critical patent/CN112922582A/zh
Priority to US17/676,264 priority patent/US20220290529A1/en
Application granted granted Critical
Publication of CN112922582B publication Critical patent/CN112922582B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • EFIXED CONSTRUCTIONS
    • E21EARTH OR ROCK DRILLING; MINING
    • E21BEARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
    • E21B47/00Survey of boreholes or wells
    • E21B47/10Locating fluid leaks, intrusions or movements
    • EFIXED CONSTRUCTIONS
    • E21EARTH OR ROCK DRILLING; MINING
    • E21BEARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
    • E21B47/00Survey of boreholes or wells
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00Machine learning
    • G06N20/10Machine learning using kernel methods, e.g. support vector machines [SVM]
    • EFIXED CONSTRUCTIONS
    • E21EARTH OR ROCK DRILLING; MINING
    • E21BEARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
    • E21B47/00Survey of boreholes or wells
    • E21B47/06Measuring temperature or pressure
    • EFIXED CONSTRUCTIONS
    • E21EARTH OR ROCK DRILLING; MINING
    • E21BEARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
    • E21B49/00Testing the nature of borehole walls; Formation testing; Methods or apparatus for obtaining samples of soil or well fluids, specially adapted to earth drilling or wells
    • E21B49/08Obtaining fluid samples or testing fluids, in boreholes or wells
    • E21B49/087Well testing, e.g. testing for reservoir productivity or formation parameters
    • E21B49/0875Well testing, e.g. testing for reservoir productivity or formation parameters determining specific fluid parameters
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00Machine learning
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00Computing arrangements based on specific mathematical models
    • G06N7/01Probabilistic graphical models, e.g. probabilistic networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q50/00Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02Agriculture; Fishing; Forestry; Mining
    • EFIXED CONSTRUCTIONS
    • E21EARTH OR ROCK DRILLING; MINING
    • E21BEARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
    • E21B2200/00Special features related to earth drilling for obtaining oil, gas or water
    • E21B2200/20Computer models or simulations, e.g. for reservoirs under production, drill bits
    • EFIXED CONSTRUCTIONS
    • E21EARTH OR ROCK DRILLING; MINING
    • E21BEARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
    • E21B34/00Valve arrangements for boreholes or wells
    • E21B34/02Valve arrangements for boreholes or wells in well heads
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00Details relating to the application field
    • G06F2113/08Fluids
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/20Design optimisation, verification or simulation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/20Design optimisation, verification or simulation
    • G06F30/27Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mining & Mineral Resources (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Geology (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Fluid Mechanics (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Geochemistry & Mineralogy (AREA)
  • Environmental & Geological Engineering (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Geophysics (AREA)
  • Mathematical Optimization (AREA)
  • Business, Economics & Management (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Pure & Applied Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Agronomy & Crop Science (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Animal Husbandry (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)

Abstract

本发明公开了一种基于高斯过程回归的气井井口油嘴气体流量分析预测方法,包括以下步骤:S1:收集现场井口油嘴基础数据,将其分为训练数据样本和测试数据样本;S2:选定核函数并假定其待定参数的迭代初始值;S3:计算协方差矩阵,基于最大似然估计方法利用训练数据样本进行高斯过程回归的训练,获得高斯过程回归模型;S4:利用测试数据样本对高斯过程回归模型进行测试计算预测误差;S5:选择不同的核函数,重复步骤S2‑S4,比较不同核函数的预测误差,优选出误差最小的高斯过程回归模型;S6:根据步骤S5的模型对待测气井井口油嘴气流量进行分析预测。本发明能够有效处理气井井口油嘴数据,准确预测井口油嘴气液两相嘴流条件下的气体流量大小。

Description

基于高斯过程回归的气井井口油嘴气体流量分析预测方法
技术领域
本发明涉及气藏开发技术领域,特别涉及一种基于高斯过程回归的气井井口油嘴气体流量分析预测方法。
背景技术
随着我国能源需求日益增加,页岩气作为非常规油气资源的有效补充,备受关注,也成为保障我国能源供给的关键一环。在页岩气生产系统中,通过合理的改变页岩气井井口油嘴尺寸,限制通过其的气体流量,井口油嘴在避免气井生产过快、防止气水锥进、控制出砂以及减少管道潜在损害等方面发挥着重要作用。因此,准确的预测油嘴气体流量,能有效保障气井生产安全,提高生产效率。
页岩气井生产过程中,井口油嘴内通常都存在气液两相流。在气液两相流条件下,油嘴的性能特点比较复杂,很难准确预测油嘴流量,选择合理的井口油嘴尺寸。目前预测油嘴流量的方法主要为Gilbert-type correlation(GC)、artificial neural network(ANN)、support vector machine(SVM)等经验方法和基于质量、动量和能量平衡方程的理论方法。但很明显,理论模型较为复杂,不便于现场应用。经验方法主要通过对现场数据进行分析,确定几个主要影响油嘴流量因素,然后建立模型,预测油嘴流量。传统GC方法的油嘴流量预测误差较大,对此前人提出了ANN、SVM等预测准确度较高的方法,目前学者们仍在继续探索预测效果更好的新方法。
发明内容
针对上述问题,本发明旨在提供一种基于高斯过程回归的气井井口油嘴气体流量分析预测方法,更易于实施且有较高精度,能够弥补现有技术油嘴流量预测方法的不足。
本发明的技术方案如下:
一种基于高斯过程回归的气井井口油嘴气体流量分析预测方法,包括以下步骤:
S1:收集现场井口油嘴基础数据,将所述现场井口油嘴基础数据分为训练数据样本和测试数据样本;
作为优选,所述现场井口油嘴基础数据包括不同时刻的气流量、生产液气比、油嘴直径、井口温度以及井口油压。所述井口温度可通过温度计检测获得,所述进口油压可通过压力计监测获得。
作为优选,所述气流量为流过井口油嘴、标准状况条件下的气体体积流量;所述生产液气比为流过井口油嘴、标准状况条件下的液体流量与气体体积流量之比。
作为优选,将每个时刻下的气流量、生产液气比、油嘴直径、井口温度以及井口油压各分为一组;所述训练数据样本的组数大于所述测试数据样本的组数。
作为优选,所述训练数据样本与所述测试数据样本的组数比例为6-9:4-1。
S2:选定核函数,假定所述核函数待定参数的迭代初始值;
作为优选,所述核函数为指数核函数、平方指数核函数、二次有理核函数、Matérn核函数中的任意一种;
所述指数核函数为:
Figure GDA0003430327070000021
所述平方指数核函数为:
Figure GDA0003430327070000022
所述二次有理核函数为:
Figure GDA0003430327070000023
所述Matérn核函数为:
Figure GDA0003430327070000024
式中:σ表示垂直比例参数,无量纲;exp(A)表示自然常数e的A次方,A表示常数或函数;x和x'表示两组数据;l为长度比例参数,无量纲;c表示截距常数,无量纲;ν表示平滑因子,无量纲;Γ表示伽玛函数;Kν表示贝塞尔函数。
需要说明的是,上述四种核函数仅为常用的四种核函数,本发明也可采用现有技术中其他能用于高斯过程回归建模的核函数进行建模。
S3:计算协方差矩阵,基于最大似然估计方法利用所述训练数据样本完成高斯过程回归的数据训练过程,获得训练完成后的核函数参数以及高斯过程回归模型;
作为优选,步骤S3具体包括以下子步骤:
S301:假设存在满足所述训练数据样本中数据x与对应理论预测气量y的函数关系的隐函数f(x):
y=f(x) (5)
S302:根据协方差矩阵公式、步骤S2选定的核函数以及核函数迭代初始值,利用所述训练数据样本计算初始协方差矩阵,所述协方差矩阵公式为:
Figure GDA0003430327070000031
式中:K表示基于核函数计算的协方差矩阵;k表示核函数;xi(i=1,2,……,n)表示训练数据样本中第i组数据,n表示训练数据样本的数据组数;
S303:对所述隐函数f(x)进行高斯过程先验,根据零均值和所述协方差矩阵构建隐函数f(x)的高斯分布关系:
f(x)=GP(0,K) (7)
式中:
Figure GDA0003430327070000035
表示高斯分布,其中
Figure GDA0003430327070000036
θ分别表示分布的均值和协方差矩阵;
S304:根据所述高斯分布关系计算得到气流量的理论预测值,基于最大似然估计方法,对所述核函数的参数进行迭代优化,获得满足最大似然估计的核函数参数,计算优化后的协方差矩阵;
S305:根据所述优化后的协方差矩阵,获得优化后的高斯分布关系,完成高斯过程回归模型的训练过程,得到训练完成后的高斯过程回归模型。
S4:利用所述测试数据样本对所述高斯过程回归模型进行测试,计算预测误差;
作为优选,步骤S4具体包括以下子步骤:
S401:基于所述训练完成后的高斯过程回归模型,建立包含所述训练数据样本和所述测试数据样本的联合高斯先验分布:
Figure GDA0003430327070000032
式中:y*表示测试数据样本对应理论预测气流量,104m3/d;K*、K**均表示协方差矩阵;T表示矩阵转置符号;
所述协方差矩阵K*、K**分别通过下式进行计算:
Figure GDA0003430327070000033
Figure GDA0003430327070000034
式中:xj *(j=1,2,……,m)表示测试数据样本中第j组数据;m表示测试数据样本的数据组数;核函数中带有上标符号*表示对应测试数据样本的数据,没有上标*表示对应训练数据样本的数据;
S402:根据贝叶斯回归方法得到y*的后验概率:
y*|X,y,X*:GP(K*K-1y,K**-K*K-1(K*)T) (11)
式中:K-1表示对协方差矩阵K求逆;
S403:以所述后验概率的分布均值作为所述测试数据样本对应的理论预测气流量,将所述理论预测气流量与所述测试数据样本的真实气流量进行比较,计算预测误差。
作为优选,所述预测误差为均方误差、均方根误差、平均绝对误差、平均相对误差绝对值中的任意一种;
所述均方误差通过下式进行计算:
Figure GDA0003430327070000041
所述均方根误差通过下式进行计算:
Figure GDA0003430327070000042
所述平均绝对误差通过下式进行计算:
Figure GDA0003430327070000043
所述平均相对误差绝对值通过下式进行计算:
Figure GDA0003430327070000044
式中:N表示测试数据点的个数,无量纲;yi,predicted表示第i组测试数据样本对应的理论预测气流量,104m3/d;yi,actural表示第i组测试数据样本对应的真实气流量,104m3/d。
需要说明的是,除了采用上述四种计算方法进行预测误差计算外,也可采用现有技术中其他误差计算方法进行计算所述预测误差。
S5:选择不同的核函数,重复步骤S2-S4,比较不同核函数的预测误差,优选出误差最小的高斯过程回归模型;
S6:根据所述误差最小的高斯过程回归模型对待测气井井口油嘴气体流量进行分析预测。
本发明的有益效果是:
本发明在保证易于现场实施的基础上,相比现有方法在预测井口油嘴气液两相嘴流条件下的气体流量大小方面有更高的精度,在气井产量分析预测及气液两相嘴流规律研究等方面具有广阔的应用前景。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明基于高斯过程回归的气井井口油嘴气体流量分析预测方法的流程示意图;
图2为实施例1计算得到的以平方指数核函数建立的高斯过程回归模型(GPR-SE)的理论预测气体流量和实际气体流量关系示意图;
图3为实施例1计算得到的以指数核函数建立的高斯过程回归模型(GPR-Ex)的理论预测气体流量和实际气体流量关系示意图;
图4为实施例1计算得到的以Matérn核函数建立的高斯过程回归模型(GPR-Ma)的理论预测气体流量和实际气体流量关系示意图;
图5为实施例1计算得到的以二次有理核函数建立的高斯过程回归模型(GPR-RQ)的理论预测气体流量和实际气体流量关系示意图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的技术特征可以相互结合。需要指出的是,除非另有指明,本申请使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。本发明公开使用的“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。
实施例1
如图1所示,一种基于高斯过程回归的气井井口油嘴气体流量分析预测方法,包括以下步骤:
S1:收集现场井口油嘴基础数据,获得不同时刻的气流量、生产液气比、油嘴直径、井口温度以及井口油压,将每个时刻下的气流量、生产液气比、油嘴直径、井口温度以及井口油压各分为一组,然后将总组数的数据样本按9:1的比例划分为训练数据样本和测试数据样本,结果如表1所示:
表1现场井口油嘴基础数据
Figure GDA0003430327070000051
Figure GDA0003430327070000061
注:由于现场井口油嘴基础数据较多,表1中仅列举出部分数据,其中“…”表示有未列出数据。
S2:选择平方指数核函数进行高斯过程回归建模,假定所述平方指数核函数待定参数的迭代初始值如表2所示:
表2平方指数核函数迭代初始值
核函数 垂直比例参数(σ) 长度比例参数(l)
SE 2.217 0.163
S3:计算协方差矩阵,基于最大似然估计方法利用所述训练数据样本完成高斯过程回归的数据训练过程,获得训练完成后的核函数参数以及高斯过程回归模型;具体包括以下子步骤:
(1)根据公式(6)所示的协方差矩阵公式、步骤S2选定的核函数以及核函数迭代初始值,利用训练数据样本进行计算,得到初始协方差矩阵;
(2)对隐函数f(x)进行高斯过程先验,根据零均值和协方差矩阵构建如公式(7)所示的隐函数f(x)的高斯分布关系;
(3)根据所述高斯分布关系计算得到气流量的理论预测值,结果如表3所示:
表3平方指数核函数情况下的训练数据样本气流量理论预测值
Figure GDA0003430327070000071
(4)基于最大似然估计方法,对平方指数核函数的参数进行迭代优化,获得满足最大似然估计的核函数参数,结果如表4所示:
表4平方指数核函数迭代最终值
核函数 垂直比例参数(σ) 长度比例参数(l)
SE 7.502 0.341
(5)计算优化后的协方差矩阵,根据优化后的协方差矩阵,获得优化后的高斯分布关系,完成高斯过程回归模型的训练过程,得到训练完成后的高斯过程回归模型;
S4:利用测试数据样本对所述高斯过程回归模型进行测试,计算预测误差,具体包括以下子步骤:
(1)基于所述训练完成后的高斯过程回归模型,建立包含所述训练数据样本和所述测试数据样本的联合高斯先验分布;
(2)根据贝叶斯回归方法得到y*的后验概率;
(3)以所述后验概率的分布均值作为所述测试数据样本对应的理论预测气流量,计算结果如表5所示:
表5平方指数核函数情况下的测试数据样本理论预测气流量
Figure GDA0003430327070000081
(4)将所述理论预测气流量与所述测试数据样本的真实气流量进行比较,计算预测误差,结果如表6所示:
表6 GPR-SE模型的预测误差
方法 MSE RMSE MAE MARE
GPR-SE 1.073 1.036 0.609 0.211
S5:选择指数核函数、Matérn核函数、二次有理核函数分别进行高斯过程回归建模,重复步骤S2-S4,获得各不同核函数的预测误差,结果如表7所示:
表7不同核函数的高斯过程回归模型的预测误差
方法 MSE RMSE MAE MARE
GPR-Ex 0.532 0.730 0.442 0.134
GPR-Ma 0.796 0.892 0.557 0.160
GPR-RQ 0.563 0.750 0.467 0.139
比较表6和表7中四种不同核函数的预测误差,优选出误差最小的GPR-Ex模型作为最终的高斯过程回归模型;
S6:根据所述误差最小的GPR-Ex模型对待测气井井口油嘴气体流量进行分析预测。
将某些已知气井作为待测气井,利用以各核函数建立的高斯过程回归模型进行井口油嘴气体流量预测,绘制理论预测气体流量和实际气体流量关系图,结果如图2-5所示。从图2-5可以看出,本发明的理论预测气体流量与实际气体流量误差较小,其中以GPR-Ex模型预测得到的理论预测气体流量误差最小,精度最高。
另外,将本发明的气体流量分析预测方法与现有技术进行比较,结果如表8所示:
表8不同方法的预测误差
方法 MSE RMSE MAE MARE
GC 3.157 1.777 1.234 0.110
ANN-BP 1.997 1.413 0.973 0.221
SVM-Gaussian 1.143 1.069 0.691 0.167
对比表6-8可知,本发明的高斯过程回归模型误差比目前常用模型误差小,精准度更高。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,虽然本发明已以较佳实施例揭露如上,然而并非用以限定本发明,任何熟悉本专业的技术人员,在不脱离本发明技术方案范围内,当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属于本发明技术方案的范围内。

Claims (7)

1.一种基于高斯过程回归的气井井口油嘴气体流量分析预测方法,其特征在于,包括以下步骤:
S1:收集现场井口油嘴基础数据,将所述现场井口油嘴基础数据分为训练数据样本和测试数据样本;所述现场井口油嘴基础数据包括不同时刻的气流量、生产液气比、油嘴直径、井口温度以及井口油压;将每个时刻下的气流量、生产液气比、油嘴直径、井口温度以及井口油压各分为一组;所述训练数据样本的组数大于所述测试数据样本的组数;
S2:选定核函数,假定所述核函数待定参数的迭代初始值;
S3:计算协方差矩阵,基于最大似然估计方法利用所述训练数据样本完成高斯过程回归的数据训练过程,获得训练完成后的核函数参数以及高斯过程回归模型;
S4:利用所述测试数据样本对所述高斯过程回归模型进行测试,计算预测误差;
S5:选择不同的核函数,重复步骤S2-S4,比较不同核函数的预测误差,优选出误差最小的高斯过程回归模型;
S6:根据所述误差最小的高斯过程回归模型对待测气井井口油嘴气体流量进行分析预测。
2.根据权利要求1所述的基于高斯过程回归的气井井口油嘴气体流量分析预测方法,其特征在于,所述气流量为流过井口油嘴、标准状况条件下的气体体积流量;所述生产液气比为流过井口油嘴、标准状况条件下的液体流量与气体体积流量之比。
3.根据权利要求1所述的基于高斯过程回归的气井井口油嘴气体流量分析预测方法,其特征在于,所述训练数据样本与所述测试数据样本的组数比例为6-9:4-1。
4.根据权利要求1所述的基于高斯过程回归的气井井口油嘴气体流量分析预测方法,其特征在于,所述核函数为指数核函数、平方指数核函数、二次有理核函数、
Figure FDA0003430327060000015
核函数中的任意一种;
所述指数核函数为:
Figure FDA0003430327060000011
所述平方指数核函数为:
Figure FDA0003430327060000012
所述二次有理核函数为:
Figure FDA0003430327060000013
所述
Figure FDA0003430327060000014
核函数为:
Figure FDA0003430327060000021
式中:σ表示垂直比例参数,无量纲;exp(A)表示自然常数e的A次方,A表示常数或函数;x和x'表示两组数据;l为长度比例参数,无量纲;c表示截距常数,无量纲;ν表示平滑因子,无量纲;Γ表示伽玛函数;Kν表示贝塞尔函数。
5.根据权利要求1所述的基于高斯过程回归的气井井口油嘴气体流量分析预测方法,其特征在于,步骤S3具体包括以下子步骤:
S301:假设存在满足所述训练数据样本中数据x与对应理论预测气量y的函数关系的隐函数f(x):
y=f(x) (5);
S302:根据协方差矩阵公式、步骤S2选定的核函数以及核函数迭代初始值,利用所述训练数据样本计算初始协方差矩阵,所述协方差矩阵公式为:
Figure FDA0003430327060000022
式中:K表示基于核函数计算的协方差矩阵;k表示核函数;xi(i=1,2,……,n)表示训练数据样本中第i组数据,n表示训练数据样本的数据组数;
S303:对所述隐函数f(x)进行高斯过程先验,根据零均值和所述协方差矩阵构建隐函数f(x)的高斯分布关系:
f(x)=GP(0,K) (7);
式中:
Figure FDA0003430327060000024
表示高斯分布,其中
Figure FDA0003430327060000025
θ分别表示分布的均值和协方差矩阵;
S304:根据所述高斯分布关系计算得到气流量的理论预测值,基于最大似然估计方法,对所述核函数的参数进行迭代优化,获得满足最大似然估计的核函数参数,计算优化后的协方差矩阵;
S305:根据所述优化后的协方差矩阵,获得优化后的高斯分布关系,完成高斯过程回归模型的训练过程,得到训练完成后的高斯过程回归模型。
6.根据权利要求5所述的基于高斯过程回归的气井井口油嘴气体流量分析预测方法,其特征在于,步骤S4具体包括以下子步骤:
S401:基于所述训练完成后的高斯过程回归模型,建立包含所述训练数据样本和所述测试数据样本的联合高斯先验分布:
Figure FDA0003430327060000023
式中:y*表示测试数据样本对应理论预测气流量,104m3/d;K*、K**均表示协方差矩阵;T表示矩阵转置符号;
所述协方差矩阵K*、K**分别通过下式进行计算:
Figure FDA0003430327060000031
Figure FDA0003430327060000032
式中:xj *(j=1,2,……,m)表示测试数据样本中第j组数据;m表示测试数据样本的数据组数;核函数中带有上标符号*表示对应测试数据样本的数据,没有上标*表示对应训练数据样本的数据;
S402:根据贝叶斯回归方法得到y*的后验概率:
y*|X,y,X*:GP(K*K-1y,K**-K*K-1(K*)T) (11);
式中:K-1表示对协方差矩阵K求逆;
S403:以所述后验概率的分布均值作为所述测试数据样本对应的理论预测气流量,将所述理论预测气流量与所述测试数据样本的真实气流量进行比较,计算预测误差。
7.根据权利要求6所述的基于高斯过程回归的气井井口油嘴气体流量分析预测方法,其特征在于,所述预测误差为均方误差、均方根误差、平均绝对误差、平均相对误差绝对值中的任意一种;
所述均方误差通过下式进行计算:
Figure FDA0003430327060000033
所述均方根误差通过下式进行计算:
Figure FDA0003430327060000034
所述平均绝对误差通过下式进行计算:
Figure FDA0003430327060000035
所述平均相对误差绝对值通过下式进行计算:
Figure FDA0003430327060000036
式中:N表示测试数据点的个数,无量纲;yi,predicted表示第i组测试数据样本对应的理论预测气流量,104m3/d;yi,actural表示第i组测试数据样本对应的真实气流量,104m3/d。
CN202110274038.8A 2021-03-15 2021-03-15 基于高斯过程回归的气井井口油嘴气体流量分析预测方法 Active CN112922582B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110274038.8A CN112922582B (zh) 2021-03-15 2021-03-15 基于高斯过程回归的气井井口油嘴气体流量分析预测方法
US17/676,264 US20220290529A1 (en) 2021-03-15 2022-02-21 Gas flow rate analysis and prediction method for wellhead choke of gas well based on gaussian process regression

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110274038.8A CN112922582B (zh) 2021-03-15 2021-03-15 基于高斯过程回归的气井井口油嘴气体流量分析预测方法

Publications (2)

Publication Number Publication Date
CN112922582A CN112922582A (zh) 2021-06-08
CN112922582B true CN112922582B (zh) 2022-03-11

Family

ID=76174882

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110274038.8A Active CN112922582B (zh) 2021-03-15 2021-03-15 基于高斯过程回归的气井井口油嘴气体流量分析预测方法

Country Status (2)

Country Link
US (1) US20220290529A1 (zh)
CN (1) CN112922582B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113466962B (zh) * 2021-07-06 2023-03-28 西安交通大学 一种基于高斯过程回归的横波预测方法及系统
CN114358441B (zh) * 2022-01-19 2024-05-31 西南石油大学 一种致密气产量的智能分段预测方法
CN115018135A (zh) * 2022-05-20 2022-09-06 广州海洋地质调查局 一种基于高斯过程回归的多金属结核丰度智能预测技术
CN114991734B (zh) * 2022-06-19 2023-08-01 西南石油大学 一种基于基质返排能力的页岩气井现场排液测试优化方法
CN115510766B (zh) * 2022-11-09 2023-03-03 北京大学 一种基于高斯过程模型的3d打印质量预测方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB201108126D0 (en) * 2006-01-17 2011-06-29 Halliburton Energy Serv Inc Well control systems and asssociated methods
CN104632188A (zh) * 2014-12-04 2015-05-20 杭州和利时自动化有限公司 一种单油井产量的预测方法及装置
CN106869918A (zh) * 2017-04-27 2017-06-20 中国海洋石油总公司 海上油井产能测试实时调整方法
CN110400006A (zh) * 2019-07-02 2019-11-01 中国石油化工股份有限公司 基于深度学习算法的油井产量预测方法
CN110630256A (zh) * 2019-07-09 2019-12-31 吴晓南 一种基于深度长短时记忆网络的低产气油井井口含水率预测系统及方法
CN112112609A (zh) * 2020-09-14 2020-12-22 西南石油大学 一种实现气藏压后返排油嘴尺寸调控的方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090150126A1 (en) * 2007-12-10 2009-06-11 Yahoo! Inc. System and method for sparse gaussian process regression using predictive measures
US20120095733A1 (en) * 2010-06-02 2012-04-19 Schlumberger Technology Corporation Methods, systems, apparatuses, and computer-readable mediums for integrated production optimization
US9022140B2 (en) * 2012-10-31 2015-05-05 Resource Energy Solutions Inc. Methods and systems for improved drilling operations using real-time and historical drilling data
US10018032B2 (en) * 2014-06-30 2018-07-10 Weatherford Technology Holdings, Llc Stress calculations for sucker rod pumping systems
WO2016160005A1 (en) * 2015-04-01 2016-10-06 Landmark Graphics Corporation Model generation for real-time rate of penetration prediction
CN105205224B (zh) * 2015-08-28 2018-10-30 江南大学 基于模糊曲线分析的时间差高斯过程回归软测量建模方法
EP3721054B1 (en) * 2017-12-08 2024-03-20 Solution Seeker AS Modelling of oil and gas networks
US11392859B2 (en) * 2019-01-11 2022-07-19 Microsoft Technology Licensing, Llc Large-scale automated hyperparameter tuning
EP3716160A1 (en) * 2019-03-26 2020-09-30 Robert Bosch GmbH Learning parameters of a probabilistic model comprising gaussian processes
US20220083873A1 (en) * 2020-09-17 2022-03-17 Novi Labs, Inc. Predictive Modeling of Well Performance Using Learning and Time-Series Techniques

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB201108126D0 (en) * 2006-01-17 2011-06-29 Halliburton Energy Serv Inc Well control systems and asssociated methods
CN104632188A (zh) * 2014-12-04 2015-05-20 杭州和利时自动化有限公司 一种单油井产量的预测方法及装置
CN106869918A (zh) * 2017-04-27 2017-06-20 中国海洋石油总公司 海上油井产能测试实时调整方法
CN110400006A (zh) * 2019-07-02 2019-11-01 中国石油化工股份有限公司 基于深度学习算法的油井产量预测方法
CN110630256A (zh) * 2019-07-09 2019-12-31 吴晓南 一种基于深度长短时记忆网络的低产气油井井口含水率预测系统及方法
CN112112609A (zh) * 2020-09-14 2020-12-22 西南石油大学 一种实现气藏压后返排油嘴尺寸调控的方法

Non-Patent Citations (9)

* Cited by examiner, † Cited by third party
Title
A novel approach for solid particle erosion prediction based on Gaussian Process Regression;Seyed等;《Wear》;20210215;全文 *
Application of Machine Learning Algorithms for Optimizing Future;Alireza等;《 the SPE/AAPG Eastern Regional Meeting》;20181231;全文 *
PDC钻头钻井参数优化模型与应用研究;赵明文;《中国优秀硕士学位论文全文数据库工程科技I辑》;20030415;全文 *
REV-scale simulation of gas transport in shale matrix with lattice Boltzmann method;Jinzhou Zhao等;《Journal of Natural Gas Science and Engineering》;20180930;全文 *
TOC content prediction based;J. Rui等;《Marine and Petroleum Geology》;20201231;全文 *
基于ARMA补偿LSSVM模型的油井动液面在线预测;黄海礁;《科技与创新》;20160905(第17期);全文 *
塔河油田缝洞型油藏油井产量的嘴流公式研究;陈志海等;《石油钻探技术》;20070725(第04期);全文 *
抽油井动液面软测量方法研究及实现;王通;《中国优秀博士学位论文全文数据库工程科技I辑》;20180915;全文 *
气液两相嘴流回归模型在自喷井采油设计中的应用――以北特鲁瓦油田为例;石善志等;《新疆石油地质》;20121201(第06期);全文 *

Also Published As

Publication number Publication date
CN112922582A (zh) 2021-06-08
US20220290529A1 (en) 2022-09-15

Similar Documents

Publication Publication Date Title
CN112922582B (zh) 基于高斯过程回归的气井井口油嘴气体流量分析预测方法
CN103927412B (zh) 基于高斯混合模型的即时学习脱丁烷塔软测量建模方法
CN107387051B (zh) 低渗透非均质油藏多段压裂水平井重复压裂选井的方法
CN103150454B (zh) 基于样本推荐标注的动态机器学习建模方法
CN109190283A (zh) 一种考虑高湍流自由来流效应的风力机翼型气动优化方法
CN110807554B (zh) 基于风电/光伏经典场景集的生成方法及系统
CN110222828A (zh) 一种基于混合深度神经网络的非定常流场快速预测方法
CN109460629A (zh) 一种基于近似模型法的冷却风扇性能优化方法
CN112084727A (zh) 一种基于神经网络的转捩预测方法
CN108121856A (zh) 一种全飞行域飞行器动稳定性分析方法
CN104834772A (zh) 基于人工神经网络的飞机翼型/机翼反设计方法
CN105425583A (zh) 基于协同训练lwpls的青霉素生产过程的控制方法
CN102778555B (zh) 预测变压器油中溶解气体浓度的方法
CN107909194A (zh) 系统级测试性设计多目标优化方法
Deng et al. Whole flow field performance prediction by impeller parameters of centrifugal pumps using support vector regression
CN107657274A (zh) 一种基于k‑means的二叉SVM‑tree不平衡数据工业故障分类方法
CN109754122A (zh) 一种基于随机森林特征提取的bp神经网络的数值预测方法
CN108446452B (zh) 一种混流泵叶轮鲁棒优化设计方法
CN108280300B (zh) 基于计算流体力学的大数据流量计开发方法
CN103971015B (zh) 一种石膏浆料搅拌时间的分析方法
CN113536640B (zh) 一种基于正交试验的布风器内部流道结构的优化设计方法
CN114139802B (zh) 一种基于流域水情变化趋势分析模型的实时优化调度方法
CN111611685B (zh) 一种模拟抽水蓄能电站地下厂房轴流排风机工作流场的致动线方法
CN111222227B (zh) 一种矿井曲线确定方法及系统
CN113887026A (zh) 一种基于集成学习的输油管道水力预测方法

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