CN113240161A - 净现值预测模型建立方法、装置、存储介质及电子设备 - Google Patents
净现值预测模型建立方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN113240161A CN113240161A CN202110461824.9A CN202110461824A CN113240161A CN 113240161 A CN113240161 A CN 113240161A CN 202110461824 A CN202110461824 A CN 202110461824A CN 113240161 A CN113240161 A CN 113240161A
- Authority
- CN
- China
- Prior art keywords
- net present
- present value
- fault block
- prediction model
- value prediction
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000003860 storage Methods 0.000 title claims abstract description 19
- 238000011161 development Methods 0.000 claims abstract description 210
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims abstract description 109
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims abstract description 109
- 238000003062 neural network model Methods 0.000 claims abstract description 59
- 238000012549 training Methods 0.000 claims abstract description 55
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 22
- 238000004519 manufacturing process Methods 0.000 claims description 31
- 238000012795 verification Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 10
- 238000010200 validation analysis Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims 1
- 238000011156 evaluation Methods 0.000 abstract description 10
- 239000003921 oil Substances 0.000 description 165
- 239000002609 medium Substances 0.000 description 12
- 238000010586 diagram Methods 0.000 description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 8
- 239000010779 crude oil Substances 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 241000721047 Danaus plexippus Species 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000035699 permeability Effects 0.000 description 3
- 230000004888 barrier function Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 229940112112 capex Drugs 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- FEBLZLNTKCEFIT-VSXGLTOVSA-N fluocinolone acetonide Chemical compound C1([C@@H](F)C2)=CC(=O)C=C[C@]1(C)[C@]1(F)[C@@H]2[C@@H]2C[C@H]3OC(C)(C)O[C@@]3(C(=O)CO)[C@@]2(C)C[C@@H]1O FEBLZLNTKCEFIT-VSXGLTOVSA-N 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000012120 mounting media Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Mining
Abstract
本发明实施例公开了一种净现值预测模型建立方法、装置、存储介质及电子设备，该方法包括：基于分散断块油田开发数据库对反向传播神经网络模型进行训练，生成初始净现值预测模型，并确定初始净现值预测模型的网络参数及MAPE；重复基于分散断块油田开发数据库对反向传播神经网络模型进行训练的操作N次，得到对应的N个初始净现值预测模型对应的网络参数及MAPE；基于帝国竞争算法对N组网络参数及MAPE进行优化，直至剩余一组最优的网络参数，并将最优的网络参数返回至反向传播神经网络模型中，生成目标净现值预测模型。通过本方案，提高了分散断块油田群的净现值的预测精度和效率，实现了对分散断块油田群的客观、准确评价。
Description
技术领域
本发明实施例涉及油田开发技术领域，尤其涉及一种净现值预测模型建立方法、装置、存储介质及电子设备。
背景技术
国内石油资源供需矛盾日益增大，随着我国油气勘探开发的国际化，大量海外断块油田亟待开发。海外断块油田复杂程度高、数量众多、分布零散，通常形成一定规模的分散断块油田群。海外分散断块油田群中的复杂断块油田的构造类型多样，储层和流体特征差异大，具有不同类型的天然能量，给海外分散断块油田群的投产或开发顺序的确定带来了较大难度。
相关技术中，断块油田的投产或开发顺序的确定，主要根据断块油藏形态、油藏地质特点和剩余油分布状况、油藏开发方式和天然能量等进行人为确定，无法做到量化表征。而断块油田投产或开发顺序的定量确定方面，现有方法有权重评价法，层次分析法，综合模糊评判法等，此类方法在选择评价指标和指标权重上带有很强的主观性，无法做到准确评价。海外分散断块油田群中的复杂断块油田的构造类型多样，储层和流体特征差异大，具有不同类型的天然能量，上述针对单一断块油田的方法无法进行海外分散断块油田群的开发顺序的准确确定或评估，难以为海外分散断块油田群开发策略提供有效理论支持。因此，如何对海外分散断块油田群进行准确评估，成为目前亟待解决的关键问题。
发明内容
本发明实施例提供一种净现值预测模型建立方法、装置、存储介质及电子设备，可优化分散断块油田的投产评估方案。
第一方面，本发明实施例提供了一种分散断块油田的净现值预测模型建立方法，包括：
获取分散断块油田开发数据库；其中，所述分散断块油田开发数据库中包含至少两个分散断块油田对应的开发数据，所述各个分散断块油田对应的开发数据包括所述分散断块油田的开发净现值及指标参数；
基于所述分散断块油田开发数据库对反向传播神经网络模型进行训练，生成初始净现值预测模型，并确定所述初始净现值预测模型的网络参数及基于所述初始净现值预测模型预测的净现值的绝对平均误差百分比MAPE；
重复基于所述分散断块油田开发数据库对反向传播神经网络模型进行训练的操作N次，得到对应的N个初始净现值预测模型对应的网络参数及MAPE；
基于帝国竞争算法对N组网络参数及MAPE进行优化，直至剩余一组最优的网络参数，并将所述最优的网络参数返回至所述反向传播神经网络模型中，生成目标净现值预测模型；其中，所述最优的网络参数对应的MAPE最小。
第二方面，本发明实施例还提供了一种分散断块油田的净现值预测模型建立装置，包括：
数据库获取模块，用于获取分散断块油田开发数据库；其中，所述分散断块油田开发数据库中包含至少两个分散断块油田对应的开发数据，所述各个分散断块油田对应的开发数据包括所述分散断块油田的开发净现值及指标参数；
模型训练模块，用于基于所述分散断块油田开发数据库对反向传播神经网络模型进行训练，生成初始净现值预测模型，并确定所述初始净现值预测模型的网络参数及基于所述初始净现值预测模型预测的净现值的绝对平均误差百分比MAPE；
训练操作重复模块，用于重复基于所述分散断块油田开发数据库对反向传播神经网络模型进行训练的操作N次，得到对应的N个初始净现值预测模型对应的网络参数及MAPE；
目标预测模型生成模块，用于基于帝国竞争算法对N组网络参数及MAPE进行优化，直至剩余一组最优的网络参数，并将所述最优的网络参数返回至所述反向传播神经网络模型中，生成目标净现值预测模型；其中，所述最优的网络参数对应的MAPE最小。
第三方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例提供的分散断块油田的净现值预测模型建立方法。
第四方面，本发明实施例提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如本发明实施例提供的分散断块油田的净现值预测模型建立方法。
本发明实施例提供的分散断块油田的净现值预测模型建立方案，获取分散断块油田开发数据库；其中，所述分散断块油田开发数据库中包含至少两个分散断块油田对应的开发数据，所述各个分散断块油田对应的开发数据包括所述分散断块油田的开发净现值及指标参数；基于所述分散断块油田开发数据库对反向传播神经网络模型进行训练，生成初始净现值预测模型，并确定所述初始净现值预测模型的网络参数及基于所述初始净现值预测模型预测的净现值的绝对平均误差百分比MAPE；重复基于所述分散断块油田开发数据库对反向传播神经网络模型进行训练的操作N次，得到对应的N个初始净现值预测模型对应的网络参数及MAPE；基于帝国竞争算法对N组网络参数及MAPE进行优化，直至剩余一组最优的网络参数，并将所述最优的网络参数返回至所述反向传播神经网络模型中，生成目标净现值预测模型；其中，所述最优的网络参数对应的MAPE最小。通过本发明实施例提供的技术方案，利用帝国竞争算法优化反向传播神经网络模型，提高了分散断块油田群的净现值的预测精度和效率，从而保证了以净现值为依据进行分散断块油田群的投产或开发顺序确定的准确性和高效性，实现了对分散断块油田群的客观、准确评价。
附图说明
图1是本发明一实施例提供的一种分散断块油田的净现值预测模型建立方法的流程图；
图2是本发明一实施例提供的基于断垒类断块油田的指标参数的中位数值建立的油藏数值模型的示意图；
图3是本发明一实施例提供的基于目标净现值预测模型对验证样本进行净现值预测的效果图；
图4是本发明另一实施例中的一种分散断块油田的净现值预测模型建立装置的结构示意图；
图5是本发明另一实施例中的一种电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的实施例。虽然附图中显示了本发明的某些实施例，然而应当理解的是，本发明可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本发明。应当理解的是，本发明的附图及实施例仅用于示例性作用，并非用于限制本发明的保护范围。
应当理解，本发明的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本发明的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本发明中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本发明中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本发明实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
图1为本发明一实施例提供的一种分散断块油田的净现值预测模型建立方法的流程图，本发明实施例可适用于对分散断块油田的净现值预测模型进行建立的情况，该方法可以由分散断块油田的净现值预测模型建立装置来执行，该装置可由硬件和/或软件组成，并一般可集成在电子设备中。如图1所示，该方法具体包括如下步骤：
步骤110，获取分散断块油田开发数据库；其中，所述分散断块油田开发数据库中包含至少两个分散断块油田对应的开发数据，所述各个分散断块油田对应的开发数据包括所述分散断块油田的开发净现值及指标参数。
在本发明实施例中，获取分散断块油田开发数据库，其中，分散断块油田开发数据库中包含至少两个分散断块油田对应的开发数据，而每个分散断块油田对应的开发数据可以包括开发净现值和指标参数。分散断块油田开发数据库中包含的分散断块油田对应的开发数据的数量越多，对后续建立的目标净现值预测模型的准确性越有利。示例性的，分散断块油田开发数据库中可以包含304个分散断块油田对应的开发数据。可选的，分散断块油田的指标参数可以包括原油粘度、原油API度、储层平均孔隙度、储层平均渗透率、储层平均含油饱和度、含油面积、油层厚度、油藏原始压力及水体倍数中的任意一个或多个的组合。开发净现值可以理解为对分散断块油田开发的收益或价值的大小，其中，开发净现值越大，表示对分散断块油田开发的收益或价值越大。
可选的，获取分散断块油田开发数据库，包括：获取样本分散断块油田群的分类结果；针对所述样本分散断块油田群中的每类分散断块油田，获取当前种类的分散断块油田的指标参数及所述指标参数对应的取值范围；分别基于从所述指标参数的取值范围内选择的至少两组数值，建立对应的油藏数值模型；针对各个油藏数值模型，预测预设开发年限内所述油藏数值模型的累计产油量，并根据所述累计产油量计算与所述油藏数值模型对应的开发净现值；将与所述油藏数值模型对应的指标参数以及所述开发净现值，作为样本数据，形成与所述当前种类的分散断块油田对应的分散断块油田开发数据库。这样设置的好处在于，可以基于分散断块油田群地质特征，建立油藏数值模型，形成分散断块油田开发数据库，以该数据库作为目标净现值预测模型构建的样本数据，避免了人为主观性，提高了对分散断块油田群的投产或开发顺序确定的准确性。
具体的，根据样本分散断块油田群内断块油田的地质和开发特征，可将分散断块油田群初步分为多个大类，例如，可将分散断块油田群分为单斜、断垒、含气顶断垒、岩性油藏四大类。然后，针对样本分散断块油田群中的每类分散断块油田，获取当前种类的分散断块油田的指标参数及各个指标参数对应的取值范围，其中，当前种类的分散断块油田为样本分散断块油田群的分类结果中的某一种。示例性的，上述四大类断块油田的指标参数可以包括原油粘度、原油API度、储层平均孔隙度、储层平均渗透率、储层平均含油饱和度、含油面积、油层厚度、油藏原始压力及水体倍数。其中，可以直接获取用户输入的样本分散断块油田群的分类结果，及用户针对样本分散断块油田群中的每类分散断块油田输入的指标参数及指标参数的取值范围。当然，还可确定每类分散断块油田的指标参数的中位数值。示例性的，单斜类断块油田的指标参数的取值范围和中位数值分别如表1和表2所示。
表1单斜类断块油田的指标参数的取值范围表
表2单斜类断块油田的指标参数的中位数值表
在本发明实施例中，从指标参数的取值范围内选择至少两组数值，并分别基于所述至少两组指标参数对应的数值，建立对应的油藏数值模型。示例性的，可以基于指标参数的中位数值建立对应的油藏数值模型，并基于指标参数的取值范围内的其他至少两组数值，分别建立对应的油藏数值模型。然后，针对各个油藏数值模型，预测预设开发年限内所述油藏数值模型的累计产油量，并根据累计产油量计算与该油藏数值模型对应的开发净现值。示例性的，图2是本发明一实施例提供的基于断垒类断块油田的指标参数的中位数值建立的油藏数值模型的示意图。可基于从指标参数的取值范围内选择的304组数值，建立对应的304个油藏数值模型。针对各个油藏数值模型，预测35年内各个油藏数值模型的累计产油量，并根据公式(1)计算与油藏数值模型对应的开发净现值。
其中，t为时间步长(年)，Y为预设开发年限(年)，δ为年折现率(分数)，CAPEX表示初始投资金额，CFt为时间t后的现金流($)，其中，CFt可根据公式(2)进行计算:
CFt＝Qoil·Poil-Qwater·Ptreament(2)
其中，Qoil表示累计产油量，Qwater表示累计产水量，Poil表示石油价格，Ptreament表示水处理成本。示例性的，开发年限Y可以为35年，CAPEX可以为0.8亿美元，石油价格Poil可以为53.48美元/桶，水处理成本Ptreament可以为5.45美元/桶。
然后，将与各个油藏数值模型对应的指标参数以及开发净现值，作为样本数据，形成与当前种类的分散断块油田对应的分散断块油田开发数据库。示例性的，与当前种类的分散断块油田对应的分散断块油田开发数据库中共包含305条开发数据。
可选的，还可基于斯皮尔曼相关系数法从各个指标参数中选择预设数量个优选指标参数。例如，基于斯皮尔曼相关系数法可将油层厚度、储层平均孔隙度、水体倍数、含油面积、原油粘度、含油饱和度及储层平均渗透率确定为优选指标参数。
步骤120，基于所述分散断块油田开发数据库对反向传播神经网络模型进行训练，生成初始净现值预测模型，并确定所述初始净现值预测模型的网络参数及基于所述初始净现值预测模型预测的净现值的绝对平均误差百分比MAPE。
在本发明实施例中，可以通过公式(3)建立方向传播神经网络模型，该反向传播神经网络模型可以包括输入层、隐含层和输出层，其中，输入层用于输入分散断块油田开发数据库中的指标参数，输出层用于输出分散断块油田开发数据库中的开发净现值。可选的，可以将优选指标参数作为输入层的输入量。
其中，W表示开发净现值；n表示指标参数的个数，xi表示第i个指标参数，wi表示每个指标参数的权值，o表示反向传播神经网络模型的阈值，fo表示神经元的传递函数，wi和o共同构成了反向传播神经网络模型的网络参数。
其中，可以通过公式(4)～(6)确定隐含层的神经元数：
其中，m表示隐层节点数；e表示输入层节点数；l表示输出层节点数；a为1～10之间的常数。
在本发明实施例中，当将优选指标参数输入至反向传播神经网络模型的输入层时，反向传播神经网络输入层的指标参数为7个，反向传播神经网络输出层1个，反向传播神经网络隐含层个数最终可确定为3个，因此，所建立的反向传播神经网络共有权值24个，阈值4个。
在本发明实施例中，基于分散断块油田开发数据库中的开发数据对反向传播神经网络模型进行训练，生成初始净现值预测模型。然后，确定初始化净现值预测模型的网络参数，其中，网络参数包括初始净现值预测模型中的权值和阈值。确定基于初始净现值预测模型预测的净现值的绝对平均误差百分比MAPE。可选的，确定基于所述初始净现值预测模型预测的净现值的绝对平均误差百分比MAPE，包括：基于所述初始净现值预测模型预测所述分散断块油田开发数据库中各个开发数据对应的第一预测净现值；基于所述第一预测净现值及所述分散断块油田开发数据库中的开发净现值，计算所述初始净现值预测模型预测的净现值的MAPE。具体的，分别将分散断块油田开发数据库中各个开发数据中的指标参数输入至该初始净现值预测模型中，根据初始净现值预测模型的输出结果确定与指标参数对应的第一预测净现值。可以理解的是，第一预测净现值为基于初始净现值预测模型预测出的净现值，而开发分散断块油田开发数据库中的开发净现值为基于公式(1)计算的净现值。然后，基于第一预测净现值和开发净现值，计算初始净现值预测模型预测的净现值的MAPE，其中，MAPE反映了初始净现值预测模型进行净现值预测的准确性，MAPE越小，表示基于初始净现值预测模型预测的净现值准确性越高。
可选的，基于所述第一预测净现值及所述分散断块油田开发数据库中的开发净现值，计算所述初始净现值预测模型预测的净现值的MAPE，包括：根据如下公式计算所述初始净现值预测模型预测的净现值的MAPE：
其中，P表示所述分散断块油田开发数据库中所包含的开发数据的数量，
表示所述分散断块油田开发数据库中第i条开发数据中的开发净现值，Rpred表示与所述分散断块油田开发数据库中第i条开发数据对应的第一预测净现值。
步骤130，重复基于所述分散断块油田开发数据库对反向传播神经网络模型进行训练的操作N次，得到对应的N个初始净现值预测模型对应的网络参数及MAPE。
在本发明实施例中，重复基于分散断块油田开发数据库对反向传播神经网络模型进行训练的操作N次，生成N个初始净现值预测模型，并分别确定N个初始净现值预测模型的网络参数及对应的MAPE。由于反向传播神经网络模型的前向反馈具有随机性，因此，每次基于分散断块油田开发数据库对反向传播神经网络模型进行训练生成的初始净现值预测模型不同。可以理解的是，重复执行步骤120N次，得到N组网络参数及对应的MAPE。
示例性的，可将步骤120重复30次，得到30组网络参数及对应的MAPE。
步骤140，基于帝国竞争算法对N组网络参数及MAPE进行优化，直至剩余一组最优的网络参数，并将所述最优的网络参数返回至所述反向传播神经网络模型中，生成目标净现值预测模型；其中，所述最优的网络参数对应的MAPE最小。
在本发明实施例中，基于帝国竞争算法对N组网络参数及MAPE进行优化，直至剩余一组最优的网络参数，然后将最优的网络参数返回至反向传播神经网络模型中，生成目标净现值预测模型。可以理解的是，目标净现值预测模型中的网络参数为经过帝国竞争算法优化后的最优网络参数，且目标净现值预测模型对应的MAPE最小，因此，基于目标净现值预测模型预测出的净现值的准确性较高。
在本发明实施例中，基于帝国竞争算法对N组网络参数及MAPE进行优化，直至剩余一组最优的网络参数的过程包括如下步骤：
1、将N组网络参数(权值和阈值)作为帝国竞争算法中的初始国家，将N组权值和阈值对应的MAPE值作为各个国家的势力值。按照MAPE从小到大的顺序进行排序，选择MAPE最小的前Ni个国家作为优势国家，剩余的Nc个国家作为弱势国家，也即将MAPE最小的Ni组网络参数作为帝国竞争算法中的优势国家，将MAPE最大的Nc组网络参数作为帝国竞争算法中的弱势国家。其中，优势国家数量与弱势国家数量满足如公式(8)的关系式。
N＝Ni+Nc(8)
然后，在所有的弱势国家中，通过公式(9)～(11)分别为各个优势国家分配不同数量的弱势国家。分别将各个优势国家及为其分配的弱势国家做为一个帝国，最终可形成Nimp个帝国。
N.Cn＝round{prn×Nc} (11)
其中，cn表示第n个优势国家的势力值；Cn表示第n个优势国家的标准化势力值，prn表示第n个优势国家的相对势力值，N.Cn表示为第n个优势国家所分配到的弱势国家的数量，round表示将数值四舍五入为整数的函数。
2、针对各个帝国，对各个帝国内的弱势国家(较大MAPE对应的网络参数)进行调整，使得其对应的MAPE与优势国家对应的MAPE的差值减少。例如，可以利用公式(12)～(13)控制各个帝国内的弱势国家向其对应的优势国家移动，也即，控制帝国内MAPE较高的弱势国家向MAPE较低的优势国家移动，实现帝国内部的同化。
x～U(0，β×d) (12)
θ～U(-γ，γ) (13)
其中，x表示弱势国家每次的移动距离(也即弱势国家对应的MAPE每次的调整量)，是随机数；d表示弱势国家与优势国家之间的距离(也即弱势国家对应的MAPE与优势国家对应的MAPE的差值)；θ表示弱势国家相对优势国家的移动方向角度；β和γ为任意数，并且β是一个大于1的数。U表示随机数生成函数。例如，可以将β设置为2，将γ设置为π/4。
3、针对各个帝国，对从帝国中选择的预设数量的目标弱势国家进行调整，以对目标弱势国家对应的势力值进行调整，并判断调整后的目标弱势国家对应的势力值(MAPE)是否小于该帝国内的优势国家的势力值(MAPE)，若是，则对目标弱势国家与优势国家进行角色互换，也即将调整后的势力值最小的目标弱势国家作为优势国家，将原有的优势国家作为弱势国家。示例性的，可利用公式(14)在每个帝国中随机挑选Nm个弱势国家进行进行调整。
Nm＝N·Cn×Pt (14)
其中，Pr表示对弱势国家进行调整的概率(该概率为预先设定的概率值)，Nm表示帝国中进行调整的弱势国家的数量，Cn表示第n个优势国家的标准化势力值。
4、根据公式(15)计算各个帝国的总势力值。
其中，T.Cn表示第n个帝国的总势力值，f(impn)表示第n个优势国家的MAPE值，impn表示第n个优势国家，f(coli)表示该帝国内第i个弱势国家的MAPE值，coli表示该帝国内第i个弱势国家，ξ表示弱势国家影响因子，0＜ξ＜1。
5、比较各个帝国的总势力值的大小，并根据公式(16)～(17)计算其他帝国(各个帝国中除总势力值最大的帝国外的帝国)占领总势力值最大(总MAPE最大)的帝国的概率。然后，将总势力值最大的帝国内的随机数量的国家分配给概率最大的帝国，其中，可优先分配总势力值最大的帝国内的MAPE较小的国家，并将总势力值最大的帝国内MAPE剩余最大的国家删除(抛弃)。
其中，N.T.Cn表示第n个帝国的标准化总势力值；Pn表示第n个帝国占领总势力值最大的帝国的概率，max表示取最大值函数。
6、重复执行步骤2至步骤5，直到剩余一个优势国家，该优势国家的网络参数(权值和阈值)为最优值，该优势国家的势力值为最小MAPE。
示例性的，本发明实施例提供的最优的网络参数如表3所示，该最优的网络参数对应的MAPE为8.6％。
表3最优的网络参数表
本发明实施例提供的分散断块油田的净现值预测模型建立方案，获取分散断块油田开发数据库；其中，所述分散断块油田开发数据库中包含至少两个分散断块油田对应的开发数据，所述各个分散断块油田对应的开发数据包括所述分散断块油田的开发净现值及指标参数；基于所述分散断块油田开发数据库对反向传播神经网络模型进行训练，生成初始净现值预测模型，并确定所述初始净现值预测模型的网络参数及基于所述初始净现值预测模型预测的净现值的绝对平均误差百分比MAPE；重复基于所述分散断块油田开发数据库对反向传播神经网络模型进行训练的操作N次，得到对应的N个初始净现值预测模型对应的网络参数及MAPE；基于帝国竞争算法对N组网络参数及MAPE进行优化，直至剩余一组最优的网络参数，并将所述最优的网络参数返回至所述反向传播神经网络模型中，生成目标净现值预测模型；其中，所述最优的网络参数对应的MAPE最小。通过本发明实施例提供的技术方案，利用帝国竞争算法优化反向传播神经网络模型，提高了分散断块油田群的净现值的预测精度和效率，从而保证了以净现值为依据进行分散断块油田群的投产或开发顺序确定的准确性和高效性，实现了对分散断块油田群的客观、准确评价。
在一些实施例中，在基于所述分散断块油田开发数据库对反向传播神经网络模型进行训练，生成初始净现值预测模型之前，还包括：将所述分散断块油田开发数据库按照预设比例划分为训练样本和验证样本；基于所述分散断块油田开发数据库对反向传播神经网络模型进行训练，生成初始净现值预测模型，包括：基于所述分散断块油田开发数据库中的训练样本对反向传播神经网络模型进行训练，生成初始净现值预测模型；在生成目标净现值预测模型之后，还包括：基于所述分散断块油田开发数据库中的验证样本计算所述目标净现值预测模型的准确性值；当所述目标净现值预测模型的准确性值小于预设准确性阈值时，确定所述目标净现值预测模型为有效预测模型。这样设置的好处在于，可以快速验证目标净现值预测模型的有效性，从而进一步保证基于目标净现值预测模型对分散断块油田的净现值预测的准确性和可靠性。
具体的，将分散断块油田开发数据库中的开发数据按照预设比例划分为训练样本和验证样本，可选的，训练样本所占总开发数据的比例大于验证样本所占总开发数据的比例，例如，训练样本比例大于60％。例如，可将分散断块油田群开发数据库中的开发数据80％划分为训练样本，共244组，剩余20％为验证样本，共60组。然后基于分散断块油田开发数据库中的训练样本对反向传播神经网络模型进行训练，生成初始净现值预测模型，从而进一步得到目标净现值预测模型。然后，基于分散断块油田开发数据库中的验证样本计算目标净现值预测模型的准确性。可选的，基于所述分散断块油田开发数据库中的验证样本计算所述目标净现值预测模型的准确性值，包括：将所述分散断块油田开发数据库中的验证样本输入至所述目标净现值预测模型中，确定所述验证样本对应的第二预测净现值；基于所述第二预测净现值计算所述目标净现值预测模型对应的MAPE；其中，所述目标净现值预测模型对应的MAPE为基于所述目标净现值预测模型预测的净现值的MAPE；将所述目标净现值预测模型对应的MAPE作为所述目标净现值预测模型的准确性值。具体的，分别将分散断块油田开发数据库中各个验证样本中的指标参数输入至该目标净现值预测模型中，根据目标净现值预测模型的输出结果确定与指标参数对应的第二预测净现值。可以理解的是，第二预测净现值为基于目标净现值预测模型预测出的净现值。然后基于第二预测净现值和验证样本对应的开发净现值，计算目标净现值预测模型对应的MAPE。其中，验证样本对应的开发净现值为分散断块油田开发数据库中的验证样本对应的开发净现值，也即为基于公式(1)计算的净现值。其中，MAPE反映了目标净现值预测模型进行净现值预测的准确性，MAPE越小，表示基于目标净现值预测模型预测的净现值准确性越高。其中，基于所述第二预测净现值计算目标净现值预测模型对应的MAPE，与基于第一预测净现值及所述分散断块油田开发数据库中的开发净现值，计算所述初始净现值预测模型预测的净现值的MAPE的方式类似，在此不再赘述。
判断目标净现值预测模型的准确性值(目标净现值预测模型对应的MAPE)是否小于预设准确性阈值(预设MAPE)，若是，确定目标净现值预测模型为有效预测模型，也即说明基于目标净现值预测模型预测出净现值的准确性较高；否则，确定目标净现值预测模型为无效预测模型，也即说明基于目标净现值预测模型预测出净现值的准确性较低。示例性的，预设准确性阈值(也即预设MAPE)可设为10％，若本发明实施例计算的目标净现值预测模型对应的MAPE为9.1％，则说明该目标净现值预测模型为有效模型。示例性的，图3是本发明一实施例提供的基于目标净现值预测模型对验证样本进行净现值预测的效果图。
在一些实施例中，在生成目标净现值预测模型之后，还包括：基于所述目标净现值预测模型确定待投产分散断块油田群中各个分散断块油田对应的目标净现值；根据所述目标净现值确定所述待投产分散断块油田群中各个分散断块油田的投产顺序；其中，所述目标净现值越大，对应的分散断块油田的投产顺序越靠前。具体的，获取待投产分散断块油田群中各个分散断块油田对应的指标参数，如直接获取用户输入的待投产分散断块油田群中各个分散断块油田对应的指标参数，其中，指标参数可以为用户现场勘测获取的相关数据。然后分别将待投产分散断块油田群中各个分散断块油田对应的指标参数输入至目标净现值预测模型中，确定对应的目标净现值。然后，基于目标净现值确定待投产分散断块油田群中各个分散断块油田的投产顺序，其中，目标净现值越大，对应的分散断块油田的投产顺序越靠前。
图4为本发明另一实施例提供的一种分散断块油田的净现值预测模型建立装置的结构示意图。如图4所示，该装置包括：数据库获取模块410，模型训练模块420，训练操作重复模块430和目标预测模型生成模块440。其中，
数据库获取模块410，用于获取分散断块油田开发数据库；其中，所述分散断块油田开发数据库中包含至少两个分散断块油田对应的开发数据，所述各个分散断块油田对应的开发数据包括所述分散断块油田的开发净现值及指标参数；
模型训练模块420，用于基于所述分散断块油田开发数据库对反向传播神经网络模型进行训练，生成初始净现值预测模型，并确定所述初始净现值预测模型的网络参数及基于所述初始净现值预测模型预测的净现值的绝对平均误差百分比MAPE；
训练操作重复模块430，用于重复基于所述分散断块油田开发数据库对反向传播神经网络模型进行训练的操作N次，得到对应的N个初始净现值预测模型对应的网络参数及MAPE；
目标预测模型生成模块440，用于基于帝国竞争算法对N组网络参数及MAPE进行优化，直至剩余一组最优的网络参数，并将所述最优的网络参数返回至所述反向传播神经网络模型中，生成目标净现值预测模型；其中，所述最优的网络参数对应的MAPE最小。
本发明实施例提供的分散断块油田的净现值预测模型建立装置，获取分散断块油田开发数据库；其中，所述分散断块油田开发数据库中包含至少两个分散断块油田对应的开发数据，所述各个分散断块油田对应的开发数据包括所述分散断块油田的开发净现值及指标参数；基于所述分散断块油田开发数据库对反向传播神经网络模型进行训练，生成初始净现值预测模型，并确定所述初始净现值预测模型的网络参数及基于所述初始净现值预测模型预测的净现值的绝对平均误差百分比MAPE；重复基于所述分散断块油田开发数据库对反向传播神经网络模型进行训练的操作N次，得到对应的N个初始净现值预测模型对应的网络参数及MAPE；基于帝国竞争算法对N组网络参数及MAPE进行优化，直至剩余一组最优的网络参数，并将所述最优的网络参数返回至所述反向传播神经网络模型中，生成目标净现值预测模型；其中，所述最优的网络参数对应的MAPE最小。通过本发明实施例提供的技术方案，利用帝国竞争算法优化反向传播神经网络模型，提高了分散断块油田群的净现值的预测精度和效率，从而保证了以净现值为依据进行分散断块油田群的投产或开发顺序确定的准确性和高效性，实现了对分散断块油田群的客观、准确评价。
可选的，所述数据库获取模块，用于：
获取样本分散断块油田群的分类结果；
针对所述样本分散断块油田群中的每类分散断块油田，获取当前种类的分散断块油田的指标参数及所述指标参数对应的取值范围；
分别基于从所述指标参数的取值范围内选择的至少两组数值，建立对应的油藏数值模型；
针对各个油藏数值模型，预测预设开发年限内所述油藏数值模型的累计产油量，并根据所述累计产油量计算与所述油藏数值模型对应的开发净现值；
将与所述油藏数值模型对应的指标参数以及所述开发净现值，作为样本数据，形成与所述当前种类的分散断块油田对应的分散断块油田开发数据库。
可选的，所述模型训练模块，包括：
第一预测净现值确定单元，用于基于所述初始净现值预测模型预测所述分散断块油田开发数据库中各个开发数据对应的第一预测净现值；
MAPE计算单元，用于基于所述第一预测净现值及所述分散断块油田开发数据库中的开发净现值，计算所述初始净现值预测模型预测的净现值的MAPE。
可选的，所述MAPE计算单元，用于：
根据如下公式计算所述初始净现值预测模型预测的净现值的MAPE：
其中，P表示所述分散断块油田开发数据库中所包含的开发数据的数量，
表示所述分散断块油田开发数据库中第i条开发数据中的开发净现值，Rpred表示与所述分散断块油田开发数据库中第i条开发数据对应的第一预测净现值。
可选的，所述装置还包括：
数据库划分模块，用于在基于所述分散断块油田开发数据库对反向传播神经网络模型进行训练，生成初始净现值预测模型之前，将所述分散断块油田开发数据库按照预设比例划分为训练样本和验证样本；
所述模型训练模块，用于：
基于所述分散断块油田开发数据库中的训练样本对反向传播神经网络模型进行训练，生成初始净现值预测模型；
所述装置还包括：
准确性值计算模块，用于在生成目标净现值预测模型之后，基于所述分散断块油田开发数据库中的验证样本计算所述目标净现值预测模型的准确性值；
有效预测模型确定模块，用于当所述目标净现值预测模型的准确性值小于预设准确性阈值时，确定所述目标净现值预测模型为有效预测模型。
可选的，所述准确性值计算模块，用于：
将所述分散断块油田开发数据库中的验证样本输入至所述目标净现值预测模型中，确定所述验证样本对应的第二预测净现值；
基于所述第二预测净现值计算所述目标净现值预测模型对应的MAPE；其中，所述目标净现值预测模型对应的MAPE为基于所述目标净现值预测模型预测的净现值的MAPE；
将所述目标净现值预测模型对应的MAPE作为所述目标净现值预测模型的准确性值。
可选的，所述装置还包括：
目标净现值确定模块，用于在生成目标净现值预测模型之后，基于所述目标净现值预测模型确定待投产分散断块油田群中各个分散断块油田对应的目标净现值；
投产顺序确定模块，用于根据所述目标净现值确定所述待投产分散断块油田群中各个分散断块油田的投产顺序；其中，所述目标净现值越大，对应的分散断块油田的投产顺序越靠前。
上述装置可执行本发明前述所有实施例所提供的方法，具备执行上述方法相应的功能模块和有益效果。未在本发明实施例中详尽描述的技术细节，可参见本发明前述所有实施例所提供的方法。
本发明实施例还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行分散断块油田的净现值预测模型建立方法，该方法包括：
获取分散断块油田开发数据库；其中，所述分散断块油田开发数据库中包含至少两个分散断块油田对应的开发数据，所述各个分散断块油田对应的开发数据包括所述分散断块油田的开发净现值及指标参数；
基于所述分散断块油田开发数据库对反向传播神经网络模型进行训练，生成初始净现值预测模型，并确定所述初始净现值预测模型的网络参数及基于所述初始净现值预测模型预测的净现值的绝对平均误差百分比MAPE；
重复基于所述分散断块油田开发数据库对反向传播神经网络模型进行训练的操作N次，得到对应的N个初始净现值预测模型对应的网络参数及MAPE；
基于帝国竞争算法对N组网络参数及MAPE进行优化，直至剩余一组最优的网络参数，并将所述最优的网络参数返回至所述反向传播神经网络模型中，生成目标净现值预测模型；其中，所述最优的网络参数对应的MAPE最小。
存储介质——任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括：安装介质，例如CD-ROM、软盘或磁带装置；计算机系统存储器或随机存取存储器，诸如DRAM、DDRRAM、SRAM、EDORAM，兰巴斯(Rambus)RAM等；非易失性存储器，诸如闪存、磁介质(例如硬盘或光存储)；寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外，存储介质可以位于程序在其中被执行的第一计算机系统中，或者可以位于不同的第二计算机系统中，第二计算机系统通过网络(诸如因特网)连接到第一计算机系统。第二计算机系统可以提供程序指令给第一计算机用于执行。术语“存储介质”可以包括可以驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的分散断块油田的净现值预测模型建立操作，还可以执行本发明任意实施例所提供的分散断块油田的净现值预测模型建立方法中的相关操作。
本发明实施例提供了一种电子设备，该电子设备中可集成本发明实施例提供的分散断块油田的净现值预测模型建立装置。图5为本发明实施例提供的一种电子设备的结构框图。电子设备500可以包括：存储器501，处理器502及存储在存储器501上并可在处理器运行的计算机程序，所述处理器502执行所述计算机程序时实现如本发明实施例所述的分散断块油田的净现值预测模型建立方法。
本发明实施例中提供的电子设备，获取分散断块油田开发数据库；其中，所述分散断块油田开发数据库中包含至少两个分散断块油田对应的开发数据，所述各个分散断块油田对应的开发数据包括所述分散断块油田的开发净现值及指标参数；基于所述分散断块油田开发数据库对反向传播神经网络模型进行训练，生成初始净现值预测模型，并确定所述初始净现值预测模型的网络参数及基于所述初始净现值预测模型预测的净现值的绝对平均误差百分比MAPE；重复基于所述分散断块油田开发数据库对反向传播神经网络模型进行训练的操作N次，得到对应的N个初始净现值预测模型对应的网络参数及MAPE；基于帝国竞争算法对N组网络参数及MAPE进行优化，直至剩余一组最优的网络参数，并将所述最优的网络参数返回至所述反向传播神经网络模型中，生成目标净现值预测模型；其中，所述最优的网络参数对应的MAPE最小。通过本发明实施例提供的技术方案，利用帝国竞争算法优化反向传播神经网络模型，提高了分散断块油田群的净现值的预测精度和效率，从而保证了以净现值为依据进行分散断块油田群的投产或开发顺序确定的准确性和高效性，实现了对分散断块油田群的客观、准确评价。
上述实施例中提供的分散断块油田的净现值预测模型建立装置、存储介质及电子设备可执行本发明任意实施例所提供的分散断块油田的净现值预测模型建立方法，具备执行该方法相应的功能模块和有益效果。未在上述实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的分散断块油田的净现值预测模型建立方法。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种分散断块油田的净现值预测模型建立方法，其特征在于，包括：
获取分散断块油田开发数据库；其中，所述分散断块油田开发数据库中包含至少两个分散断块油田对应的开发数据，所述各个分散断块油田对应的开发数据包括所述分散断块油田的开发净现值及指标参数；
基于所述分散断块油田开发数据库对反向传播神经网络模型进行训练，生成初始净现值预测模型，并确定所述初始净现值预测模型的网络参数及基于所述初始净现值预测模型预测的净现值的绝对平均误差百分比MAPE；
重复基于所述分散断块油田开发数据库对反向传播神经网络模型进行训练的操作N次，得到对应的N个初始净现值预测模型对应的网络参数及MAPE；
基于帝国竞争算法对N组网络参数及MAPE进行优化，直至剩余一组最优的网络参数，并将所述最优的网络参数返回至所述反向传播神经网络模型中，生成目标净现值预测模型；其中，所述最优的网络参数对应的MAPE最小。
2.根据权利要求1所述的方法，其特征在于，获取分散断块油田开发数据库，包括：
获取样本分散断块油田群的分类结果；
针对所述样本分散断块油田群中的每类分散断块油田，获取当前种类的分散断块油田的指标参数及所述指标参数对应的取值范围；
分别基于从所述指标参数的取值范围内选择的至少两组数值，建立对应的油藏数值模型；
针对各个油藏数值模型，预测预设开发年限内所述油藏数值模型的累计产油量，并根据所述累计产油量计算与所述油藏数值模型对应的开发净现值；
将与所述油藏数值模型对应的指标参数以及所述开发净现值，作为样本数据，形成与所述当前种类的分散断块油田对应的分散断块油田开发数据库。
3.根据权利要求1所述的方法，其特征在于，确定基于所述初始净现值预测模型预测的净现值的绝对平均误差百分比MAPE，包括：
基于所述初始净现值预测模型预测所述分散断块油田开发数据库中各个开发数据对应的第一预测净现值；
基于所述第一预测净现值及所述分散断块油田开发数据库中的开发净现值，计算所述初始净现值预测模型预测的净现值的MAPE。
4.根据权利要求3所述的方法，其特征在于，基于所述第一预测净现值及所述分散断块油田开发数据库中的开发净现值，计算所述初始净现值预测模型预测的净现值的MAPE，包括：
根据如下公式计算所述初始净现值预测模型预测的净现值的MAPE：
其中，P表示所述分散断块油田开发数据库中所包含的开发数据的数量，
表示所述分散断块油田开发数据库中第i条开发数据中的开发净现值，Rpred表示与所述分散断块油田开发数据库中第i条开发数据对应的第一预测净现值。
5.根据权利要求1所述的方法，其特征在于，在基于所述分散断块油田开发数据库对反向传播神经网络模型进行训练，生成初始净现值预测模型之前，还包括：
将所述分散断块油田开发数据库按照预设比例划分为训练样本和验证样本；
基于所述分散断块油田开发数据库对反向传播神经网络模型进行训练，生成初始净现值预测模型，包括：
基于所述分散断块油田开发数据库中的训练样本对反向传播神经网络模型进行训练，生成初始净现值预测模型；
在生成目标净现值预测模型之后，还包括：
基于所述分散断块油田开发数据库中的验证样本计算所述目标净现值预测模型的准确性值；
当所述目标净现值预测模型的准确性值小于预设准确性阈值时，确定所述目标净现值预测模型为有效预测模型。
6.根据权利要求5所述的方法，其特征在于，基于所述分散断块油田开发数据库中的验证样本计算所述目标净现值预测模型的准确性值，包括：
将所述分散断块油田开发数据库中的验证样本输入至所述目标净现值预测模型中，确定所述验证样本对应的第二预测净现值；
基于所述第二预测净现值计算所述目标净现值预测模型对应的MAPE；其中，所述目标净现值预测模型对应的MAPE为基于所述目标净现值预测模型预测的净现值的MAPE；
将所述目标净现值预测模型对应的MAPE作为所述目标净现值预测模型的准确性值。
7.根据权利要求1所述的方法，其特征在于，在生成目标净现值预测模型之后，还包括：
基于所述目标净现值预测模型确定待投产分散断块油田群中各个分散断块油田对应的目标净现值；
根据所述目标净现值确定所述待投产分散断块油田群中各个分散断块油田的投产顺序；其中，所述目标净现值越大，对应的分散断块油田的投产顺序越靠前。
8.一种分散断块油田的净现值预测模型建立装置，其特征在于，包括：
数据库获取模块，用于获取分散断块油田开发数据库；其中，所述分散断块油田开发数据库中包含至少两个分散断块油田对应的开发数据，所述各个分散断块油田对应的开发数据包括所述分散断块油田的开发净现值及指标参数；
模型训练模块，用于基于所述分散断块油田开发数据库对反向传播神经网络模型进行训练，生成初始净现值预测模型，并确定所述初始净现值预测模型的网络参数及基于所述初始净现值预测模型预测的净现值的绝对平均误差百分比MAPE；
训练操作重复模块，用于重复基于所述分散断块油田开发数据库对反向传播神经网络模型进行训练的操作N次，得到对应的N个初始净现值预测模型对应的网络参数及MAPE；
目标预测模型生成模块，用于基于帝国竞争算法对N组网络参数及MAPE进行优化，直至剩余一组最优的网络参数，并将所述最优的网络参数返回至所述反向传播神经网络模型中，生成目标净现值预测模型；其中，所述最优的网络参数对应的MAPE最小。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理装置执行时实现如权利要求1-7中任一所述的分散断块油田的净现值预测模型建立方法。
10.一种电子设备，其特征在于，包括存储器，处理器及存储在存储器上并可在处理器运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-7任一所述的分散断块油田的净现值预测模型建立方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110461824.9A CN113240161A (zh) | 2021-04-27 | 2021-04-27 | 净现值预测模型建立方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110461824.9A CN113240161A (zh) | 2021-04-27 | 2021-04-27 | 净现值预测模型建立方法、装置、存储介质及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113240161A true CN113240161A (zh) | 2021-08-10 |
Family
ID=77129553
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110461824.9A Pending CN113240161A (zh) | 2021-04-27 | 2021-04-27 | 净现值预测模型建立方法、装置、存储介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113240161A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113610446A (zh) * | 2021-09-29 | 2021-11-05 | 中国石油大学(华东) | 一种复杂分散断块油田群投产顺序的决策方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2416153A1 (en) * | 2010-08-02 | 2012-02-08 | ENI S.p.A. | Method for predicting the quality and yields of a crude oil |
| CN106845907A (zh) * | 2017-02-10 | 2017-06-13 | 泉州装备制造研究所 | 一种基于帝国主义竞争算法的车辆路径规划方法 |
| CN109255498A (zh) * | 2018-10-22 | 2019-01-22 | 新智数字科技有限公司 | 基于神经网络的负荷预测方法及装置 |
| CN110363325A (zh) * | 2019-05-06 | 2019-10-22 | 中国石油化工股份有限公司 | 复杂断块油藏多目标注采调控优化方法 |
| CN112396205A (zh) * | 2019-08-14 | 2021-02-23 | 中国石油天然气股份有限公司 | 复杂分散断块油田群动用顺序的优化方法、设备及系统 |
-
2021
- 2021-04-27 CN CN202110461824.9A patent/CN113240161A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2416153A1 (en) * | 2010-08-02 | 2012-02-08 | ENI S.p.A. | Method for predicting the quality and yields of a crude oil |
| CN106845907A (zh) * | 2017-02-10 | 2017-06-13 | 泉州装备制造研究所 | 一种基于帝国主义竞争算法的车辆路径规划方法 |
| CN109255498A (zh) * | 2018-10-22 | 2019-01-22 | 新智数字科技有限公司 | 基于神经网络的负荷预测方法及装置 |
| WO2020082973A1 (zh) * | 2018-10-22 | 2020-04-30 | 新智数字科技有限公司 | 基于神经网络的负荷预测方法及装置 |
| CN110363325A (zh) * | 2019-05-06 | 2019-10-22 | 中国石油化工股份有限公司 | 复杂断块油藏多目标注采调控优化方法 |
| CN112396205A (zh) * | 2019-08-14 | 2021-02-23 | 中国石油天然气股份有限公司 | 复杂分散断块油田群动用顺序的优化方法、设备及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 徐庆岩;雷诚;袁新涛;石德佩;冯国杰;李忠杰;: "基于层次分析法的海外断块油田群经济高效动用顺序优化", 复杂油气藏, no. 04, pages 60 - 62 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113610446A (zh) * | 2021-09-29 | 2021-11-05 | 中国石油大学(华东) | 一种复杂分散断块油田群投产顺序的决策方法 |
| CN113610446B (zh) * | 2021-09-29 | 2021-12-21 | 中国石油大学(华东) | 一种复杂分散断块油田群投产顺序的决策方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Mohamed et al. | History matching and uncertainty quantification: multiobjective particle swarm optimisation approach | |
| CN106960358A (zh) | 一种基于农村电子商务大数据深度学习的金融欺诈行为量化检测系统 | |
| CN110738564A (zh) | 贷后风险评估方法及装置、存储介质 | |
| Fornarelli et al. | An empirical modeling approach to predict and understand phytoplankton dynamics in a reservoir affected by interbasin water transfers | |
| Ping et al. | Multivariant forecasting mode of Guangdong province port throughput with genetic algorithms and Back Propagation neural network | |
| CN115906675B (zh) | 基于时序多目标预测模型的井位及注采参数联合优化方法 | |
| CN111738843B (zh) | 一种使用流水数据的量化风险评价系统和方法 | |
| CN103577876A (zh) | 基于前馈神经网络的可信与不可信用户识别方法 | |
| CN116384551A (zh) | 一种基于知识图谱的上市企业违法风险预测方法 | |
| Kolekar et al. | Prediction of municipal solid waste generation for developing countries in temporal scale: A fuzzy inference system approach | |
| CN107481135A (zh) | 一种基于bp神经网络的个人信用评价方法及系统 | |
| KR101474874B1 (ko) | 지능형 생산정 위치 선정 전산 시스템 및 이를 이용한 생산정 위치 선정 방법 | |
| Kamath et al. | Supervised learning model for kickstarter campaigns with R mining | |
| CN113240161A (zh) | 净现值预测模型建立方法、装置、存储介质及电子设备 | |
| Mitchell et al. | Nowcasting Euro area GDP growth using Bayesian quantile regression | |
| Aboosadi et al. | Estimation of subsurface petrophysical properties using different stochastic algorithms in nonlinear regression analysis of pressure transients | |
| CN111382908A (zh) | 一种考虑大震时间相关性的地震随机事件集模拟方法 | |
| Masoumi et al. | Water quality–quantity management in river–reservoir system using sustainability‐based simulation‐optimization meta‐model approach | |
| CN116523293A (zh) | 基于融合行为流程图特征的用户风险评估方法 | |
| Guo et al. | The back propagation based on the modified group method of data-handling network for oilfield production forecasting | |
| CN116720662B (zh) | 基于集对分析的分布式能源系统适用性评估方法 | |
| CN110889431A (zh) | 基于K-Means算法改进的高频职业技能生命曲线聚类方法 | |
| Hatefi | A new method for weighting decision making attributes: an application in high-tech selection in oil and gas industry | |
| Wang et al. | Prediction model of spontaneous combustion risk of extraction borehole based on PSO-BPNN and its application | |
| Mishra et al. | Financial trends prediction using the back propagation neural network and YQL |
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 |