CN113610446B - 一种复杂分散断块油田群投产顺序的决策方法 - Google Patents
一种复杂分散断块油田群投产顺序的决策方法 Download PDFInfo
- Publication number
- CN113610446B CN113610446B CN202111146988.9A CN202111146988A CN113610446B CN 113610446 B CN113610446 B CN 113610446B CN 202111146988 A CN202111146988 A CN 202111146988A CN 113610446 B CN113610446 B CN 113610446B
- Authority
- CN
- China
- Prior art keywords
- fault block
- time node
- under
- formula
- production
- 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
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 204
- 238000000034 method Methods 0.000 claims abstract description 77
- 238000011161 development Methods 0.000 claims abstract description 67
- 238000004364 calculation method Methods 0.000 claims abstract description 62
- 238000013528 artificial neural network Methods 0.000 claims abstract description 41
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 40
- 238000004088 simulation Methods 0.000 claims abstract description 19
- 238000010219 correlation analysis Methods 0.000 claims abstract description 7
- 239000003921 oil Substances 0.000 claims description 233
- 238000003062 neural network model Methods 0.000 claims description 43
- 238000012549 training Methods 0.000 claims description 38
- 239000013598 vector Substances 0.000 claims description 33
- 230000001186 cumulative effect Effects 0.000 claims description 25
- 238000012546 transfer Methods 0.000 claims description 21
- 239000010779 crude oil Substances 0.000 claims description 16
- 238000011156 evaluation Methods 0.000 claims description 15
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 14
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 11
- 241000721047 Danaus plexippus Species 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 6
- MWRWFPQBGSZWNV-UHFFFAOYSA-N Dinitrosopentamethylenetetramine Chemical compound C1N2CN(N=O)CN1CN(N=O)C2 MWRWFPQBGSZWNV-UHFFFAOYSA-N 0.000 claims description 6
- 230000035699 permeability Effects 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000002407 reforming Methods 0.000 claims description 3
- 238000005553 drilling Methods 0.000 claims description 2
- 239000003208 petroleum Substances 0.000 claims description 2
- 238000009395 breeding Methods 0.000 claims 2
- 230000001488 breeding effect Effects 0.000 claims 2
- 239000011541 reaction mixture Substances 0.000 claims 1
- 230000000630 rising effect Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000004888 barrier function Effects 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000012216 screening 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Accounting & Taxation (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于断块油田开发的技术领域，具体的涉及一种复杂分散断块油田群投产顺序的决策方法。该决策方法通过在复杂分散断块油田群中选择典型断块油田建立油藏数值模拟模型，预测累计产油量。基于相关性分析方法优选投产顺序决策参数，结合插值方法，形成投产顺序决策参数对应累计产油量的数据样本。建立各时间节点下基于帝国竞争算法优化神经网络的产量预测模型，运用插值方法形成能够预测开发年限内每年累计产油量的预测模型。建立经济计算模型，计算各实际断块油田的NPV，实现复杂分散断块油田群投产顺序决策。
Description
技术领域
本发明属于断块油田开发的技术领域，具体的涉及一种复杂分散断块油田群投产顺序的决策方法。
背景技术
复杂断块油田分布广泛，在油气资源的勘探与开发中占据重要地位，通常在一定构造背景下若干个具有独立水动力系统、面积大小各异的含油断块形成一个复杂分散的断块油田群。复杂分散断块油田群具有多含油层系、多油藏类型、多压力系统以及流体性质多变等特性，同时由于断层发育，断块油田群各层油气水界面不统一，油、气、水三者关系复杂。仅断块油田群自身复杂多样性的特点便为如何科学、客观地决策开发投产顺序带来了诸多难点。此外，针对该类复杂分散断块油田群的开发，还需要兼顾地面上较小断块油田到大断块油田以及原油中心处理站远近等因素所带来的投资差异，更加大了复杂分散断块油田群的投产顺序决策难度。
目前，对于复杂分散断块油田群投产顺序的决策方法较少，主要以层次分析法、综合模糊评判法等主观性较强的决策方法为主。该类方法通过选择复杂分散断块油田群中断块油田的指标参数，进而计算各断块油田的综合评价系数，以此作为投产顺序决策依据，此类方法难以体现复杂分散断块油田群的投资特点。若采用传统油藏数值模拟方法虽然能够较为客观地预测每个断块油田的开发效果，但复杂分散断块油田群中断块油田数量众多，按照传统油藏数值模拟方法需要对每个断块油田开展数值模拟研究工作，工作量巨大，实际操作难度高，难以实现。
因此亟需提供一种基于复杂分散断块油田群特点的投产顺序决策方法，既能够尽可能全面地考虑诸多因素，满足科学、客观性；又具有高效的实际可操作性。
发明内容
本发明的目的在于针对目前复杂分散断块油田群投产顺序无法客观高效决策的现状而提供一种复杂分散断块油田群投产顺序的决策方法，该方法能够高效准确地完成对复杂分散断块油田群投产顺序的决策，对复杂分散断块油田群动用开发具有重要意义。
本发明的技术方案为：一种复杂分散断块油田群投产顺序的决策方法，包括以下步骤：
(1)首先基于复杂分散断块油田群中断块油田的包括构造特征、原油性质及天然能量大小在内的相关油田属性特征，选择典型断块油田建立典型油藏数值模拟模型；然后在复杂分散断块油田群的地质参数界限范围内，通过改变所建典型油藏数值模拟模型中的相关地质参数值，预测断块油田开发年限内的累计产油量；
(2)首先基于相关性分析方法，分析复杂分散断块油田群地质参数与开发年限内累计产油量的相关性，将相关性最大的地质参数作为复杂分散断块油田群投产顺序决策参数；然后从开发年限中选择时间节点，建立复杂分散断块油田群投产顺序决策参数与开发年限内每个时间节点下的累计产油量数据样本，通过插值方法计算，形成复杂分散断块油田群投产顺序决策参数与开发年限内每个时间节点下的累计产油量关系曲线，扩充复杂分散断块油田群投产顺序决策参数与开发年限内每个时间节点下累计产油量的数据样本；
(3)基于步骤(2)所扩充的复杂分散断块油田群投产顺序决策参数与开发年限内每个时间节点下累计产油量数据样本，建立开发年限内各时间节点对应的基于帝国竞争算法优化BP神经网络的累计产油量预测模型，预测开发年限内每个时间节点下的累计产油量；
(4)运用插值方法，根据步骤(3)所得预测结果，计算不同典型油藏各时间节点与累计产油量预测结果形成的对应关系曲线，形成开发年限内每年累计产油量的预测模型并验证精度；
(5)考虑复杂分散断块油田群投资因素，计算投资成本；结合经济参数，建立NPV经济计算模型；基于开发年限内每年累计产油量计算NPV；
(6)利用所建开发年限内每年累计产油量的预测模型预测实际复杂分散断块油田群中各断块油田开发年限内每年的累计产油量，并依据所建NPV经济计算模型计算NPV；根据NPV大小，完成复杂分散断块油田群投产顺序的决策。
所述步骤(1)中复杂分散断块油田群中的断块油田数量大于30；所选择的典型断块油田数量为3～6个；复杂分散断块油田群的地质参数包括含油面积、油层厚度、平均渗透率、平均孔隙度、平均含油饱和度、油藏原始压力、水体倍数、原油粘度、原油密度、饱和压力、地层温度和原始气油比；典型油藏数值模拟模型中相关地质参数值的改变次数至少200次。
所述步骤(2)中相关性分析方法为相关系数法、信息熵和灰色关联法；其中相关系数法中包括皮尔森系数、斯皮尔曼系数以及肯德尔相关性系数；插值方法为分段三次赫米特插值法；从开发年限中所选择的各个时间节点之间的间隔小于等于6年；最终复杂分散断块油田群投产顺序决策参数与开发年限内每个时间节点下的累计产油量数据样本数量至少10000组。
所述步骤(3)中开发年限内各时间节点对应的基于帝国竞争算法优化BP神经网络的累计产油量预测模型的建立步骤如下：
①首先将复杂分散断块油田群投产顺序决策参数与开发年限内每个时间节点下的累计产油量数据样本按比例划分为训练集与测试集，其中训练集所占比例至少70％；然后从中选择一个时间节点下的复杂分散断块油田群投产顺序决策参数与累计产油量数据样本；
②构建选择的时间节点下的BP神经网络模型，具体包括以下步骤：
a.初步构建选择的时间节点下的BP神经网络模型结构：设计选择的时间节点下BP神经网络模型为由1个输入层，1个隐含层和1个输出层组成的3层回归网络结构；将选择的时间节点下训练集中的投产顺序决策参数作为BP神经网络输入层，选择的时间节点下训练集中对应的累计产油量作为输出层；隐含层节点数确定方法由公式(1)所示：
式(1)中，hidden为隐含层节点数；n为输入层投产顺序决策参数个数；m为1～10之间的常数；
b.选择传递函数：隐含层和输出层的传递函数分别选择双极性S型函数和线性传递函数，由公式(2)～(3)所示：
foutput(x)＝x (3)
式(2)～(3)中，fhidden(x)为隐含层传递函数；foutput(x)为输出层传递函数，x为BP神经网络模型各层输出计算结果；
c.初始化选择的时间节点下BP神经网络模型：初始化权值和阈值，设定权值和阈值在
的正态分布范围内随机取值，形成选择的时间节点下初始BP神经网络模型；
d.数据样本归一化：数据样本的归一化公式如公式(4)所示：
式(4)中，l’为归一化计算后的数据；l为选择的时间节点下投产顺序决策参数与累计产油量形成的训练集；lmin和lmax为训练集的最小值和最大值；
e.确定选择的时间节点下BP神经网络模型训练过程评价指标：定义MS函数作为每个时间节点下BP神经网络模型训练过程的评价指标，计算公式如公式(5)所示。
式(5)中，Ri为选择时间节点下训练集中累计产油量数据，Pi为模型预测的累计产油量数据，N为选择时间节点下训练集的样本容量；
③利用帝国竞争算法优化选择时间节点下BP神经网络模型，包括以下步骤：
a.编码选择时间节点下BP神经网络模型权值和阈值成为初始国家：利用帝国竞争算法优化选择时间节点下BP神经网络初始化的权值和阈值，结合上述②中b，将公式(5)改写成与权值和阈值对应的函数关系，如公式(6)所示；将MS函数作为帝国竞争算法的目标函数，将选择时间节点下BP神经网络中权值和阈值编码组合成一个实数码串，形成初始国家位置；
式(6)中，Rj为选择时间节点下训练集中累计产油量数据，n为输入层向量个数，μ为隐含层输出向量个数，m为输出层输出向量个数，ωei表示输入层投产顺序决策参数到隐含层连接权值，ωie表示隐含层到输出层累计产油量的连接权值，θe表示隐含层节点阈值，θj表示输出层节点阈值，fhidden(x)是隐含层传递函数，foutput(x)是输出层传递函数；
b.随机生成Nall个权值和阈值组成的实数码串，产生Nall个初始国家，利用③中a所述的目标函数MS计算国家的权力值，将Nall个初始国家实数码串按权力值大小排序，权力值大的前Np个实数码串作为初始强势国家，剩余的Nl个实数码串作为初始殖民地；
c.定义国家标准化权力值计算公式，如公式(7)所示，对初始强势国家标准化权力值的大小与初始殖民地数量Nl的乘积取整，完成初始殖民地对初始国家的分配，形成初始帝国；
式(7)中，pn为第n个强势国家的标准化权力值，MSn为第n个强势国家的权力值；d.通过帝国内作为殖民地的实数码串向作为强势国家的实数码串移动以更新选择时间节点下BP神经网络的权值和阈值，再返回选择时间节点下BP神经网络中计算目标函数MS，更新殖民地的权力值，若出现某个殖民地权力值大于该殖民地所属帝国中强势国家权力值，则将该殖民地与强势国家互换；
e.设定改革概率β控制改革的殖民地数量Nmn，如公式(8)～(9)所示；将满足②中c所述的随机权值和阈值构成的实数码串与改革殖民地的实数码串进行交换，再次更新改革殖民地的权值和阈值，改革殖民地的权力值即再次更新，若出现某个殖民地权力值大于该殖民地所属帝国中强势国家权力值，则将该殖民地与强势国家互换；
Ncn＝round{Pn·Nl} (8)
Nmn＝Ncn×β (9)
式(8)～(9)中，Ncn为n个强势国家所分配到的殖民地的数量；Nmn为某帝国中进行改革的殖民地数量；β为改革概率；
f.计算帝国总权力值，其计算公式为帝国中强势国家权力值和平均殖民地权力值之和，如公式(10)所示；根据各帝国总权力值的大小，将总权力值最小帝国的殖民地向其他帝国分配，分配概率计算公式如公式(11)所示；
式(10)中，Tn为第n个帝国总权力值，η为影响因子，0<η<1；
式(11)中，Ptn为第n个帝国分配最弱帝国殖民地的概率；
所有帝国的占领概率形成一个向量P，构造一个和向量P同维的随机向量R，R满足0～1上均匀分布，向量P与向量R相减得到向量D，计算公式如公式(12)～(14)所示；向量D中元素数值最大的帝国将分配最弱殖民地，使得选择时间节点下BP神经网络模型的权值和阈值接近最优解；
P＝[P1,P2,L,Pn] (12)
R＝[r1,r2,L,rn] ri～U(0,1) (13)
D＝P-R (14)
g.消灭失去殖民地的帝国，即抛弃使选择时间节点下BP神经网络模型预测误差较大的权值和阈值；
h.重复③中d～g，只剩一个帝国即只剩最优权值和阈值，或达到最大迭代次数，则终止算法，将最优权值和阈值代入至选择时间节点下BP神经网络模型中，构建选择时间节点下帝国竞争算法优化BP神经网络累计产油量预测模型；
④设定平均绝对百分比误差MAPE，相关系数R2作为评价指标，用于评价选择时间节点下帝国竞争算法优化BP神经网络累计产油量预测模型的可靠性，计算公式如公式(15)～(16)所示；
式(15)～(16)中，
为选择时间节点下测试集中累计产油量数据，
为训练后模型预测验证集累计产油量数据，N为样本数量；
⑤将选择时间节点下测试集中投产顺序决策参数作为输入层，通过选择时间节点下的帝国竞争算法优化BP神经网络累计产油量预测模型预测该时间节点下的累计产油量，计算MAPE和R2；优选出的帝国竞争算法优化BP神经网络累计产油量预测模型可靠的标准为MAPE小于10％，R2大于0.9；
⑥选择其他时间节点下的复杂分散断块油田群投产顺序决策参数与累计产油量数据样本，重复①～⑤，建立各类典型油藏开发年限内每个时间节点下的帝国竞争算法优化BP神经网络累计产油量预测模型。
所述步骤(4)中插值方法为分段三次赫米特插值法。
所述步骤(4)中验证精度的具体操作如下：采用测试集中不同典型断块油藏数值模拟计算结果作为验证样本，选择所述帝国竞争算法优化BP神经网络累计产油量预测模型建立的步骤④中平均绝对百分比误差MAPEH，相关系数RH 2作为评价指标，计算公式如公式(17)～(18)所示；定义MAPEH小于10％，RH 2大于0.9即验证模型精度在有效范围内；
式(17)～(18)中，
为插值计算形成的累计产油量数据，
为验证样本中累计产油量数据，NH为验证样本容量。
所述步骤(5)中复杂分散断块油田群投资因素包括总井数、累产油量、边际成本以及与原油中心处理站的地面距离权重；通过多元线性回归方法计算投资成本，计算公式如公式(19)所示：
CAPEXCPF＝e+aωCPF+bn+cOilproduct+dωborder (19)
式(19)中，CAPEXCPF为地面总投资，ωCPF为断块油田与CPF的地面距离权重，n为井数，Oilproduct为累计产油量，ωborder为边际成本即计算的断块与大断块的距离，e、a、b、c、d为多元回归系数。
所述步骤(5)中NPV计算公式如公式(20)～(24)所示：
式(20)中，t为时间步长，单位为年；T表示总生产时间，单位为年；i为年折现率，单位为％；CPFt为时间t的运营现金流；CEX为投资金额；
运营现金流CPFt计算公式如下：
CPFt＝INCOME-OPEX (21)
式(21)中，INCOME为收入，OPEX为操作总投资；
其中收入INCOME计算公式如下：
式(22)中，Rit为国内企业收入比例；λ为原油的商品率；
表示t年的累计产油量；Poil表示石油销售价格；
操作总投资OPEX计算公式如下：
式(23)中，Re为国内企业投资比例，n表示总井数，μs表示固定操作费，μv表示可变操作费表示可变操作费，a表示操作费上涨率；
投资金额CEX计算公式为：
CEX＝Re[n(CEXO+CEXD)(1+θt)+CEXCPF] (24)
式(24)中，n表示总井数；CEXO表示单井采油投资；CEXD表示单井钻井投资；θt为弃置率，表示当该年产油量达到了总体的75％以上θt为5％，反之θt为零；CEXCPF为地面总投资。
本发明的有益效果为：本发明通过在复杂分散断块油田群中选择典型断块油田建立油藏数值模拟模型，预测累计产油量。基于相关性分析方法优选投产顺序决策参数，结合插值方法，形成投产顺序决策参数对应累计产油量的数据样本。建立各时间节点下基于帝国竞争算法优化神经网络的产量预测模型，运用插值方法形成能够预测开发年限内每年累计产油量的预测模型。建立经济计算模型，计算各实际断块油田的NPV，实现复杂分散断块油田群投产顺序决策。相较于现有技术，具有如下优势：
1、本发明突破了现有断块油田群投产顺序决策方法较强主观性的局限，通过油藏数值模拟方法，建立复杂分散断块油田群投产顺序决策数据样本，为本方法提供了客观基础。通过帝国竞争算法优化BP神经网络模型的方法代替了对每个断块油田的数值模拟研究，大大节省了工作量与计算成本，能够高效准确地完成对复杂分散断块油田群投产顺序的决策。
2、本发明通过在开发年限内设置时间节点，结合插值方法，有效扩充了复杂分散断块油田群投产顺序决策参数与累计产油量数据样本，能够较好地提高累计产油量预测模型训练精度并防止过拟合等情况，为后续理论研究提供了充分的数据支持。
3、本发明基于帝国竞争算法优化BP神经网络模型的权值和阈值，改善了BP神经网络模型自身训练精度低、易局部最小化等缺陷，提高了BP神经网络模型预测累计产油量的精度和效率，增加了复杂分散断块油田群投产顺序决策方法的准确性和可靠性。
4、本发明针对复杂分散断块油田群地面投资差异性，提出了复杂分散断块油田群地面投资计算方法，有效结合了复杂分散断块油田群开发特色，形成了NPV计算方法，为复杂分散断块油田群投产顺序决策提供了可靠的参考依据。
附图说明
图1为本发明的方法流程图。
图2为实施例1中的典型边水单斜稀油油藏数值模型示例图。
图3为实施例1中的平均渗透率插值扩充效果示例图。
图4为实施例1中地面投资模型回归R2图。
图5为实施例1中预测实际断块油田累计产油量效果图。
图6为实施例1中对某复杂分散断块油田群102个断块油田投产顺序排序结果。
具体实施方式
下面结合附图，对本发明的技术方案进行详细的说明。
实施例1
为使本发明的目的、技术方案和优点更加清楚，下面对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
以某断块油田群为例对所提出的技术进行验证，该断块油田群中的断块油田数量为102个。
所述复杂分散断块油田群投产顺序的决策方法，包括以下步骤：
(1)首先基于复杂分散断块油田群中断块油田的包括构造特征、原油性质及天然能量大小在内的相关油田属性特征，选择4个典型断块油田建立典型油藏数值模拟模型，分别为边水单斜典型稀油油藏、含气顶断垒典型稀油油藏、岩性典型稀油油藏、边水断垒典型稠油油藏；然后在复杂分散断块油田群的包括含油面积、油层厚度、平均渗透率、平均孔隙度、平均含油饱和度、油藏原始压力、水体倍数、原油粘度、原油密度、饱和压力、地层温度和原始气油比的地质参数界限范围内，通过改变所建典型油藏数值模拟模型中的相关地质参数值300次，以预测断块油田开发年限35年内的累计产油量；
(2)首先基于斯皮尔曼系数法的相关性分析方法，分析复杂分散断块油田群地质参数与开发年限内累计产油量的相关性，筛选出复杂分散断块油田群投产顺序决策参数为平均孔隙度、平均渗透率、平均含油饱和度、油层厚度、含油面积、原油粘度、水体倍数；然后以5年的间隔选择时间节点分别为开发5年、开发10年、开发15年、开发20年、开发25年、开发30年、开发35年共7个时间节点，建立复杂分散断块油田群投产顺序决策参数与开发年限内每个时间节点下的累计产油量数据样本，通过分段三次赫米特插值法计算，形成复杂分散断块油田群投产顺序决策参数与开发年限内每个时间节点下的累计产油量关系曲线，扩充复杂分散断块油田群投产顺序决策参数与开发年限内每个时间节点下累计产油量的数据样本，数量为14000组；
(3)基于步骤(2)所扩充的复杂分散断块油田群投产顺序决策参数与开发年限内每个时间节点下累计产油量数据样本，建立开发年限内各时间节点对应的基于帝国竞争算法优化BP神经网络的累计产油量预测模型，预测开发年限内每个时间节点下的累计产油量；其中累计产油量预测模型的建立步骤如下：
①首先将复杂分散断块油田群投产顺序决策参数与开发年限内每个时间节点下的累计产油量数据样本按比例划分为训练集与测试集，其中训练集所占比例为70％，测试集所占比例为30％；然后从中选择一个时间节点下的复杂分散断块油田群投产顺序决策参数与累计产油量数据样本；
②构建选择的时间节点下的BP神经网络模型，具体包括以下环节：
a.初步构建选择的时间节点下的BP神经网络模型结构：设计选择的时间节点下BP神经网络模型为由1个输入层，1个隐含层和1个输出层组成的3层回归网络结构；将选择的时间节点下训练集中的投产顺序决策参数作为BP神经网络输入层，选择的时间节点下训练集中对应的累计产油量作为输出层；隐含层节点数确定方法由公式(1)所示：
式(1)中，hidden为隐层节点数；n为输入层投产顺序决策参数个数；m为1～10之间的常数；通过计算确定隐含层节点数为3个。
b.选择传递函数：隐含层和输出层的传递函数分别选择双极性S型函数和线性传递函数，由公式(2)～(3)所示：
foutput(x)＝x (3)
式(2)～(3)中，fhidden(x)为隐含层传递函数；foutput(x)为输出层传递函数，x为BP神经网络模型各层输出计算结果；
c.初始化选择的时间节点下BP神经网络模型：初始化权值和阈值，设定权值和阈值在
的正态分布范围内随机取值，形成选择的时间节点下初始BP神经网络模型；
d.数据样本归一化：数据样本的归一化公式如公式(4)所示：
式(4)中，l’为归一化计算后的数据；l为选择的时间节点下投产顺序决策参数与累计产油量形成的训练集；lmin和lmax为训练集的最小值和最大值；
e.确定选择的时间节点下BP神经网络模型训练过程评价指标：定义MS函数作为每个时间节点下BP神经网络模型训练过程的评价指标，计算公式如公式(5)所示。
式(5)中，Ri为选择时间节点下训练集中累计产油量数据，Pi为模型预测的累计产油量数据，N为选择时间节点下训练集的样本容量；
③利用帝国竞争算法优化选择时间节点下BP神经网络模型，包括以下环节：
a.编码选择时间节点下BP神经网络模型权值和阈值成为初始国家：帝国竞争算法优化选择时间节点下BP神经网络初始化的权值和阈值，结合上述②中b，将公式(5)改写成与权值和阈值对应的函数关系，如公式(6)所示；将MS函数作为帝国竞争算法的目标函数，将选择时间节点下BP神经网络中权值和阈值编码组合成一个实数码串，形成初始国家位置；
式(6)中，Rj为选择时间节点下训练集中累计产油量数据，n为输入层向量个数，μ为隐含层输出向量个数，m为输出层输出向量个数，ωei表示输入层投产顺序决策参数到隐含层连接权值，ωie表示隐含层到输出层累计产油量的连接权值，θe表示隐含层节点阈值，θj表示输出层节点阈值，fhidden(x)是隐含层传递函数，foutput(x)是输出层传递函数；
b.随机生成40个权值和阈值组成的实数码串，产生40个初始国家，③中a所述的目标函数MS计算国家的权力值，将40个初始国家实数码串按权力值大小排序，选择初始优势国家数量为10个，初始殖民地数量为30个；
c.定义国家标准化权力值计算公式，如公式(7)所示，对初始强势国家标准化权力值的大小与初始殖民地数量Nl的乘积取整，完成初始殖民地对初始国家的分配，形成初始帝国；
式(7)中，pn为第n个强势国家的标准化权力值，MSn为第n个强势国家的权力值；d.通过帝国内作为殖民地的实数码串向作为强势国家的实数码串移动以更新选择时间节点下BP神经网络的权值和阈值，再返回选择时间节点下BP神经网络中计算目标函数MS，更新殖民地的权力值，若出现某个殖民地权力值大于该殖民地所属帝国中强势国家权力值，则将该殖民地与强势国家互换；
e.设定改革概率β控制改革的殖民地数量Nmn，如公式(8)～(9)所示，其中β为0.2；将满足②中c所述的随机权值和阈值构成的实数码串与改革殖民地的实数码串进行交换，再次更新改革殖民地的权值和阈值，改革殖民地的权力值即再次更新，若出现某个殖民地权力值大于该殖民地所属帝国中强势国家权力值，则将该殖民地与强势国家互换；
Ncn＝round{Pn·Nl} (8)
Nmn＝Ncn×β (9)
式(8)～(9)中，Ncn为n个优势国家所分配到的殖民地的数量；Nmn为某帝国中进行改革的殖民地数量；β为改革概率；
f.计算帝国总权力值，其计算公式为帝国中强势国家权力值和平均殖民地权力值之和，如公式(10)所示；根据各帝国总权力值的大小，将总权力值最小帝国的殖民地向其他帝国分配，分配概率计算公式如公式(11)所示；
式(10)中，Tn为第n个帝国总权力值，η为影响因子，0<η<1；
式(11)中，Ptn为第n个帝国分配最弱帝国殖民地的概率；
所有帝国的占领概率形成一个向量P，构造一个和向量P同维的随机向量R，R满足0～1上均匀分布，向量P与向量R相减得到向量D，计算公式如公式(12)～(14)所示；向量D中元素数值最大的帝国将分配最弱殖民地，使得选择时间节点下BP神经网络模型的权值和阈值接近最优解；
P＝[P1,P2,L,Pn] (12)
R＝[r1,r2,L,rn] ri～U(0,1) (13)
D＝P-R (14)
g.消灭失去殖民地的帝国，即抛弃使选择时间节点下BP神经网络模型预测误差较大的权值和阈值；
h.重复③中d～g，至达到最大迭代次数200次，则终止算法，将最优权值和阈值代入至选择时间节点下BP神经网络模型中，构建选择时间节点下帝国竞争算法优化BP神经网络累计产油量预测模型；
④设定平均绝对百分比误差MAPE，相关系数R2作为评价指标，用于评价选择时间节点下帝国竞争算法优化BP神经网络累计产油量预测模型的可靠性，计算公式如公式(15)～(16)所示；
式(15)～(16)中，
为选择时间节点下测试集中累计产油量数据，Pi为训练后模型预测验证集累计产油量数据，N为样本数量；
⑤将选择时间节点下测试集中投产顺序决策参数作为输入层，通过选择时间节点下的帝国竞争算法优化BP神经网络累计产油量预测模型预测该时间节点下的累计产油量，计算MAPE和R2；优选出的帝国竞争算法优化BP神经网络累计产油量预测模型可靠的标准为MAPE小于10％，R2大于0.9；
⑥选择其他时间节点下的复杂分散断块油田群投产顺序决策参数与累计产油量数据样本，重复①～⑤，建立各类典型油藏开发年限内每个时间节点下的帝国竞争算法优化BP神经网络累计产油量预测模型。四类典型油藏对应各时间节点帝国竞争算法优化BP神经网络累计产油量预测模型共28组，所有模型的MAPE范围为2.19％～8.18％，R2范围为0.9872～0.9963，符合优选要求。
(4)运用分段三次赫米特插值法，根据步骤(3)所得预测结果，计算不同典型油藏各时间节点与累计产油量预测结果形成的对应关系曲线，形成开发年限内每年累计产油量的预测模型并验证精度；其中验证精度的具体操作如下：随机从4类典型断块油藏数值模拟计算结果中每类选取50组数据作为验证样本，共200组数据，选择所述帝国竞争算法优化BP神经网络累计产油量预测模型建立的步骤④中平均绝对百分比误差MAPEH，相关系数RH 2作为评价指标，计算公式如公式(17)～(18)所示；定义MAPEH小于10％，RH 2大于0.9即验证模型精度在有效范围内；
式(17)～(18)中，
为插值计算形成的累计产油量数据，
为验证样本中累计产油量数据，NH为验证样本容量；累计产油量预测模型的MAPE范围为5.16％～9.82％，R2范围为0.9172～0.9863，符合精度要求，验证了4类典型断块油田每年累计产油量的预测模型精度。
(5)考虑复杂分散断块油田群投资因素，包括总井数、累产油量、边际成本以及与原油中心处理站的地面距离权重，通过多元线性回归方法计算投资成本，计算公式如下：
CEXCPF＝0.0076+0.0027ωCPF+0.00063n+0.0897Oilproduct+0.00023ωborder
式中，CAPEXCPF为地面总投资，ωCPF为断块油田与CPF的地面距离权重，n为井数，Oilproduct为累计产油量，ωborder为边际成本即计算的断块与大断块的距离，e、a、b、c、d为多元回归系数；
结合经济参数，建立NPV经济计算模型；基于开发年限内每年累计产油量计算NPV；NPV计算公式如公式(20)～(24)所示：
式(20)中，t为时间步长，1年；T表示总生产时间，35年；i为年折现率，2％；CPFt为时间t的运营现金流；CEX为投资金额；
运营现金流CPFt计算公式如下：
CPFt＝INCOME-OPEX (21)
式(21)中，INCOME为收入，OPEX为操作总投资；
其中收入INCOME计算公式如下：
式(22)中，Rit为0.48；λ为98％；
表示t年的累计产油量；Poil为53.48美元/桶；操作总投资OPEX计算公式如下：
式(23)中，Re为0.76，n表示井数，μs为15.6万美元/桶，μv为5.45美元/桶，a为2％；
投资金额CEX计算公式为：
CEX＝Re[n(CEXO+CEXD)(1+θt)+CEXCPF] (24)
式(24)中，n表示井数；CEXO为0.5百万美元；CEXD为3百万美元；θt为弃置率，表示当该年产油量达到了总体的75％以上θt为5％，反之θt为零；CEXCPF为地面总投资；
(6)利用所建开发年限内每年累计产油量的预测模型预测实际复杂分散断块油田群中各断块油田开发年限内每年的累计产油量，并依据所建NPV经济计算模型计算NPV；根据NPV大小，完成复杂分散断块油田群投产顺序的决策。
Claims (7)
1.一种复杂分散断块油田群投产顺序的决策方法，其特征在于，包括以下步骤：
(1)首先基于复杂分散断块油田群中断块油田包括的构造特征、原油性质及天然能量大小在内的相关油田属性特征，选择典型断块油田建立典型油藏数值模拟模型；然后在复杂分散断块油田群的地质参数界限范围内，通过改变所建典型油藏数值模拟模型中的相关地质参数值，预测断块油田开发年限内的累计产油量；
(2)首先基于相关性分析方法，分析复杂分散断块油田群地质参数与开发年限内累计产油量的相关性，将相关性最大的地质参数作为复杂分散断块油田群投产顺序决策参数；然后从开发年限中选择时间节点，建立复杂分散断块油田群投产顺序决策参数与开发年限内每个时间节点下的累计产油量数据样本，通过插值方法计算，形成复杂分散断块油田群投产顺序决策参数与开发年限内每个时间节点下的累计产油量关系曲线，扩充复杂分散断块油田群投产顺序决策参数与开发年限内每个时间节点下累计产油量的数据样本；
(3)基于步骤(2)所扩充的复杂分散断块油田群投产顺序决策参数与开发年限内每个时间节点下累计产油量数据样本，建立开发年限内各时间节点对应的基于帝国竞争算法优化BP神经网络的累计产油量预测模型，预测开发年限内每个时间节点下的累计产油量；所述步骤(3)中开发年限内各时间节点对应的基于帝国竞争算法优化BP神经网络的累计产油量预测模型的建立步骤如下：
①首先将复杂分散断块油田群投产顺序决策参数与开发年限内每个时间节点下的累计产油量数据样本按比例划分为训练集与测试集，其中训练集所占比例至少70％；然后从中选择一个时间节点下的复杂分散断块油田群投产顺序决策参数与累计产油量数据样本；
②构建选择的时间节点下的BP神经网络模型，具体包括以下步骤：
a.初步构建选择的时间节点下的BP神经网络模型结构：设计选择的时间节点下BP神经网络模型为由1个输入层，1个隐含层和1个输出层组成的3层回归网络结构；将选择的时间节点下训练集中的投产顺序决策参数作为BP神经网络输入层，选择的时间节点下训练集中对应的累计产油量作为输出层；隐含层节点数确定方法由公式(1)所示：
式(1)中，hidden为隐含层节点数；n为输入层投产顺序决策参数个数；m为1～10之间的常数；
b.选择传递函数：隐含层和输出层的传递函数分别选择双极性S型函数和线性传递函数，由公式(2)～(3)所示：
foutput(x)＝x (3)
式(2)～(3)中，fhidden(x)为隐含层传递函数；foutput(x)为输出层传递函数，x为BP神经网络模型各层输出计算结果；
c.初始化选择的时间节点下BP神经网络模型：初始化权值和阈值，设定权值和阈值在
的正态分布范围内随机取值，形成选择的时间节点下初始BP神经网络模型；
d.数据样本归一化：数据样本的归一化公式如公式(4)所示：
式(4)中，l’为归一化计算后的数据；l为选择的时间节点下投产顺序决策参数与累计产油量形成的训练集；lmin和lmax为训练集的最小值和最大值；
e.确定选择的时间节点下BP神经网络模型训练过程评价指标：定义MS函数作为每个时间节点下BP神经网络模型训练过程的评价指标，计算公式如公式(5)所示：
式(5)中，Ri为选择时间节点下训练集中累计产油量数据，Pi为模型预测的累计产油量数据，N为选择时间节点下训练集的样本容量；
③利用帝国竞争算法优化选择时间节点下BP神经网络模型，包括以下步骤：
a.编码选择时间节点下BP神经网络模型的权值和阈值成为初始国家：利用帝国竞争算法优化选择时间节点下BP神经网络初始化的权值和阈值，结合上述②中b，将公式(5)改写成与权值和阈值对应的函数关系，如公式(6)所示；将MS函数作为帝国竞争算法的目标函数，将选择时间节点下BP神经网络中权值和阈值编码组合成一个实数码串，形成初始国家位置；
式(6)中，Rj为选择时间节点下训练集中累计产油量数据，n为输入层向量个数，μ为隐含层输出向量个数，m为输出层输出向量个数，ωei表示输入层投产顺序决策参数到隐含层连接权值，ωie表示隐含层到输出层累计产油量的连接权值，θe表示隐含层节点阈值，θj表示输出层节点阈值，fhidden(x)是隐含层传递函数，foutput(x)是输出层传递函数；
b.随机生成Nall个权值和阈值组成的实数码串，产生Nall个初始国家，利用③中a所述的目标函数MS计算国家的权力值，将Nall个初始国家实数码串按权力值大小排序，权力值大的前Np个实数码串作为初始强势国家，剩余的Nl个实数码串作为初始殖民地；
c.定义国家标准化权力值计算公式，如公式(7)所示，对初始强势国家标准化权力值的大小与初始殖民地数量Nl的乘积取整，完成初始殖民地对初始国家的分配，形成初始帝国；
式(7)中，Pn为第n个强势国家的标准化权力值，MSn为第n个强势国家的权力值；
d.通过帝国内作为殖民地的实数码串向作为强势国家的实数码串移动以更新选择时间节点下BP神经网络的权值和阈值，再返回选择时间节点下BP神经网络中计算目标函数MS，更新殖民地的权力值，若出现某个殖民地权力值大于该殖民地所属帝国中强势国家权力值，则将该殖民地与强势国家互换；
e.设定改革概率β控制改革的殖民地数量Nmn，如公式(8)～(9)所示；将满足②中c所述的随机权值和阈值构成的实数码串与改革殖民地的实数码串进行交换，再次更新改革殖民地的权值和阈值，改革殖民地的权力值即再次更新，若出现某个殖民地权力值大于该殖民地所属帝国中强势国家权力值，则将该殖民地与强势国家互换；
Ncn＝round{Pn·Nl} (8)
Nmn＝Ncn×β (9)
式(8)～(9)中，Ncn为n个强势国家所分配到的殖民地的数量；Nmn为某帝国中进行改革的殖民地数量；β为改革概率；
f.计算帝国总权力值，其计算公式为帝国中强势国家权力值和平均殖民地权力值之和，如公式(10)所示；根据各帝国总权力值的大小，将总权力值最小帝国的殖民地向其他帝国分配，分配概率计算公式如公式(11)所示；
式(10)中，Tn为第n个帝国总权力值，η为影响因子，0<η<1；
式(11)中，Ptn为第n个帝国分配最弱帝国殖民地的概率；
所有帝国的占领概率形成一个向量P，构造一个和向量P同维的随机向量R，R满足0～1上均匀分布，向量P与向量R相减得到向量D，计算公式如公式(12)～(14)所示；向量D中元素数值最大的帝国将分配最弱殖民地，使得选择时间节点下BP神经网络模型的权值和阈值接近最优解；
P＝[P1,P2,L,Pn] (12)
R＝[r1,r2,L,rn]ri～U(0,1) (13)
D＝P-R (14)
g.消灭失去殖民地的帝国，即抛弃使选择时间节点下BP神经网络模型预测误差较大的权值和阈值；
h.重复③中d～g，只剩一个帝国即只剩最优权值和阈值，或达到最大迭代次数，则终止算法，将最优权值和阈值代入至选择时间节点下BP神经网络模型中，构建选择时间节点下帝国竞争算法优化BP神经网络累计产油量预测模型；
④设定平均绝对百分比误差MAPE，相关系数R2作为评价指标，用于评价选择时间节点下帝国竞争算法优化BP神经网络累计产油量预测模型的可靠性，计算公式如公式(15)～(16)所示；
式(15)～(16)中，Ri y为选择时间节点下测试集中累计产油量数据，Pi y为训练后模型预测测试 集累计产油量数据，N为样本数量；
⑤将选择时间节点下测试集中投产顺序决策参数作为输入层，通过选择时间节点下的帝国竞争算法优化BP神经网络累计产油量预测模型预测该时间节点下的累计产油量，计算MAPE和R2；优选出的帝国竞争算法优化BP神经网络累计产油量预测模型可靠的标准为MAPE小于10％，R2大于0.9；
⑥选择其他时间节点下的复杂分散断块油田群投产顺序决策参数与累计产油量数据样本，重复①～⑤，建立各类典型油藏开发年限内每个时间节点下的帝国竞争算法优化BP神经网络累计产油量预测模型；
(4)运用插值方法，根据步骤(3)所得预测结果，计算不同典型油藏各时间节点与累计产油量预测结果形成的对应关系曲线，形成开发年限内每年累计产油量的预测模型并验证精度；
(5)考虑复杂分散断块油田群投资因素，计算投资成本；结合经济参数，建立NPV经济计算模型；基于开发年限内每年累计产油量计算NPV；
(6)利用所建开发年限内每年累计产油量的预测模型预测实际复杂分散断块油田群中各断块油田开发年限内每年的累计产油量，并依据所建NPV经济计算模型计算NPV；根据NPV大小，完成复杂分散断块油田群投产顺序的决策。
2.根据权利要求1所述复杂分散断块油田群投产顺序的决策方法，其特征在于，所述步骤(1)中复杂分散断块油田群中的断块油田数量大于30；所选择的典型断块油田数量为3～6个；复杂分散断块油田群的地质参数包括含油面积、油层厚度、平均渗透率、平均孔隙度、平均含油饱和度、油藏原始压力、水体倍数、原油粘度、原油密度、饱和压力、地层温度和原始气油比；典型油藏数值模拟模型中相关地质参数值的改变次数至少200次。
3.根据权利要求1所述复杂分散断块油田群投产顺序的决策方法，其特征在于，所述步骤(2)中相关性分析方法为相关系数法、信息熵和灰色关联法；其中相关系数法中包括皮尔森系数、斯皮尔曼系数以及肯德尔相关性系数；插值方法为分段三次赫米特插值法；从开发年限中所选择的各个时间节点之间的间隔小于等于6年；最终复杂分散断块油田群投产顺序决策参数与开发年限内每个时间节点下的累计产油量数据样本数量至少10000组。
4.根据权利要求1所述复杂分散断块油田群投产顺序的决策方法，其特征在于，所述步骤(4)中插值方法为分段三次赫米特插值法。
5.根据权利要求1所述复杂分散断块油田群投产顺序的决策方法，其特征在于，所述步骤(4)中验证精度的具体操作如下：采用测试集中不同典型断块油藏数值模拟计算结果作为验证样本，选择所述帝国竞争算法优化BP神经网络累计产油量预测模型建立的步骤④中平均绝对百分比误差MAPEH，相关系数RH 2作为评价指标，计算公式如公式(17)～(18)所示；定义MAPEH小于10％，RH 2大于0.9即验证模型精度在有效范围内；
式(17)～(18)中，Ri H为插值计算形成的累计产油量数据，Pi H为验证样本中累计产油量数据，NH为验证样本容量。
6.根据权利要求1所述复杂分散断块油田群投产顺序的决策方法，其特征在于，所述步骤(5)中复杂分散断块油田群投资因素包括总井数、累计产油量、边际成本以及与原油中心处理站的地面距离权重；通过多元线性回归方法计算投资成本，计算公式如公式(19)所示：
CAPEXCPF＝e+aωCPF+bn+cOilproduct+dωborder (19)
式(19)中，CAPEXCPF为地面总投资，ωCPF为断块油田与CPF的地面距离权重，n为总井数，Oilproduct为累计产油量，ωborder为边际成本即计算的断块与大断块的距离，e、a、b、c、d为多元回归系数。
7.根据权利要求1所述复杂分散断块油田群投产顺序的决策方法，其特征在于，所述步骤(5)中NPV计算公式如公式(20)～(24)所示：
式(20)中，t为时间步长，单位为年；T表示总生产时间，单位为年；i为年折现率，单位为％；CPFt为时间t的运营现金流；CEX为投资金额；
运营现金流CPFt计算公式如下：
CPFt＝INCOME-OPEX (21)
式(21)中，INCOME为收入，OPEX为操作总投资；
其中收入INCOME计算公式如下：
式(22)中，Rit为国内企业收入比例；λ为原油的商品率；
表示t年的累计产油量；Poil表示石油销售价格；
操作总投资OPEX计算公式如下：
式(23)中，Re为国内企业投资比例，n表示总井数，μs表示固定操作费，μv表示可变操作费，a表示操作费上涨率；
投资金额CEX计算公式为：
CEX＝Re[n(CEXO+CEXD)(1+θt)+CEXCPF] (24)
式(24)中，n表示总井数；CEXO表示单井采油投资；CEXD表示单井钻井投资；θt为弃置率，表示当年产油量达到了总体的75％以上时， θt为5％，反之θt为零；CEXCPF为地面总投资。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111146988.9A CN113610446B (zh) | 2021-09-29 | 2021-09-29 | 一种复杂分散断块油田群投产顺序的决策方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111146988.9A CN113610446B (zh) | 2021-09-29 | 2021-09-29 | 一种复杂分散断块油田群投产顺序的决策方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113610446A CN113610446A (zh) | 2021-11-05 |
| CN113610446B true CN113610446B (zh) | 2021-12-21 |
Family
ID=78343268
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111146988.9A Active CN113610446B (zh) | 2021-09-29 | 2021-09-29 | 一种复杂分散断块油田群投产顺序的决策方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113610446B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023212016A1 (en) * | 2022-04-28 | 2023-11-02 | Conocophillips Company | Integrated development optimization platform for well sequencing and unconventional reservoir management |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107609328A (zh) * | 2017-08-30 | 2018-01-19 | 武汉理工大学 | 一种催化裂化装置模型的多目标优化方法 |
| CN109165767A (zh) * | 2018-06-29 | 2019-01-08 | 东华大学 | 基于帝国竞争算法优化支持向量机的短期风速预测方法 |
| CN109523072A (zh) * | 2018-11-02 | 2019-03-26 | 中国石油化工股份有限公司 | 基于lstm的油田产油量预测方法 |
| WO2019132733A1 (ru) * | 2017-12-29 | 2019-07-04 | Публичное акционерное общество "Газпром нефть" | Система интегрированного концептуального проектирования месторождения углеводородов |
| 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 |
| CN112539054A (zh) * | 2020-11-25 | 2021-03-23 | 中国石油大学(华东) | 地面管网与地下油藏复杂系统生产优化方法 |
| CN113240161A (zh) * | 2021-04-27 | 2021-08-10 | 中国石油天然气股份有限公司 | 净现值预测模型建立方法、装置、存储介质及电子设备 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
-
2021
- 2021-09-29 CN CN202111146988.9A patent/CN113610446B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107609328A (zh) * | 2017-08-30 | 2018-01-19 | 武汉理工大学 | 一种催化裂化装置模型的多目标优化方法 |
| WO2019132733A1 (ru) * | 2017-12-29 | 2019-07-04 | Публичное акционерное общество "Газпром нефть" | Система интегрированного концептуального проектирования месторождения углеводородов |
| CN109165767A (zh) * | 2018-06-29 | 2019-01-08 | 东华大学 | 基于帝国竞争算法优化支持向量机的短期风速预测方法 |
| CN109523072A (zh) * | 2018-11-02 | 2019-03-26 | 中国石油化工股份有限公司 | 基于lstm的油田产油量预测方法 |
| 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 |
| CN112539054A (zh) * | 2020-11-25 | 2021-03-23 | 中国石油大学(华东) | 地面管网与地下油藏复杂系统生产优化方法 |
| CN113240161A (zh) * | 2021-04-27 | 2021-08-10 | 中国石油天然气股份有限公司 | 净现值预测模型建立方法、装置、存储介质及电子设备 |
Non-Patent Citations (4)
| Title |
|---|
| Evolving artificial neural network and imperialist competitive algorithm for prediction oil flow rate of the reservoir;Mohammad Ali Ahmadia et. al.;《Applied Soft Computing》;20121022;第13卷;第1085-1098页 * |
| Prediction of asphaltene precipitation using artificial neural network optimized by imperialist competitive algorithm;Mohammad Ali Ahmadi;《Journal of Petroleum Exploration and Production Technology》;20111101;第1卷;第99-106页 * |
| 基于遗传算法的BP神经网络油田产量预测模型研究;任燕龙 等;《第六届数字油田国际学术会议论文集》;20191130;第45-51页 * |
| 竞争算法优化BP神经网络性能研究;卢滢宇;《计算机系统应用》;20190531;第28卷(第5期);第173-177页 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023212016A1 (en) * | 2022-04-28 | 2023-11-02 | Conocophillips Company | Integrated development optimization platform for well sequencing and unconventional reservoir management |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113610446A (zh) | 2021-11-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yin et al. | Multifidelity genetic transfer: an efficient framework for production optimization | |
| Zhao et al. | A surrogate-assisted multi-objective evolutionary algorithm with dimension-reduction for production optimization | |
| Kalam et al. | An ANN model to predict oil recovery from a 5-spot waterflood of a heterogeneous reservoir | |
| 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 | |
| Karkevandi-Talkhooncheh et al. | Application of hybrid adaptive neuro-fuzzy inference system in well placement optimization | |
| RU2715593C1 (ru) | Способ оперативного управления заводнением пластов | |
| CN108595803A (zh) | 基于递归神经网络的页岩气井生产压力预测方法 | |
| WO2017011469A1 (en) | Ensemble based decision making | |
| CN112418491A (zh) | 一种水库剩余拦沙库容动态配置方法 | |
| CN114595608A (zh) | 一种压裂施工参数和工作制度参数优化方法及系统 | |
| CN109583588A (zh) | 一种短期风速预测方法及系统 | |
| CN113610446B (zh) | 一种复杂分散断块油田群投产顺序的决策方法 | |
| CN114781951A (zh) | 一种页岩油藏二氧化碳吞吐开发选井决策方法及系统 | |
| CN114777192B (zh) | 基于数据关联和深度学习的二级网供热自主优化调控方法 | |
| CN113627639A (zh) | 用于碳酸盐岩缝洞型储层的试井产能预测方法及系统 | |
| Sambo et al. | Application of adaptive neuro-fuzzy inference system and optimization algorithms for predicting methane gas viscosity at high pressures and high temperatures conditions | |
| Badru | Well-placement optimization using the quality map approach | |
| Chen et al. | Optimization of production performance in a CO2 flooding reservoir under uncertainty | |
| Xiao et al. | Surrogate-assisted hydraulic fracture optimization workflow with applications for shale gas reservoir development: A comparative study of machine learning models | |
| Ariadji et al. | A novel tool for designing well placements by combination of modified genetic algorithm and artificial neural network | |
| CN112539054A (zh) | 地面管网与地下油藏复杂系统生产优化方法 | |
| CN114429023A (zh) | 基于平面流动单元划定的分段注采参数优化方法 | |
| Yi et al. | Spatial correlation-based machine learning framework for evaluating shale gas production potential: A case study in southern Sichuan Basin, China | |
| Taherdangkoo et al. | Modified stem cells algorithm-based neural network applied to bottom hole circulating pressure in underbalanced drilling | |
| US11501043B2 (en) | Graph network fluid flow modeling |
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 |