[发明专利]一种基于动态径向基函数神经网络的油田产量预测方法

说明书

技术领域

本发明涉及一种基于动态径向基函数神经网络的油田产量预测方法，尤其涉及一种通过敏感度法来动态优化径向基函数神经网络的结构，结合状态转移概率方法修正残差，实现对油田产量预测方法。

背景技术

石油作为国民经济的命脉，其产量的高低直接影响到国家的经济发展。对于油田生产来说，要保证一个好的经济效益，就必须要有一个高的稳定的油产量。确保油田高产稳产是油田开发生产的中心任务。因此，对油田油产量的准确预测一直是油田开发工作者的重要研究任务之一。

影响油田油产量的因素大体分为地质因素和人为因素两大类。地质因素，从某种程度上说是不可改变的或者说改变是微小的。而人为因素的变化范围却要宽得多，从开采方式、井网、井距、注采强度、打调整井、老井的关停报废或转注转采等，到各项人工措施(包括压裂、酸化、补孔调层、改电泵、水力泵、大修等)，每一项人为因素的改变都会影响到油田油产量的变化。因此，预测油田油产量的方法也都是基于地质因素、人为因素或者是二者的结合，主要分为两类方法：一类是从系统论的观点出发，从整体上研究预测油田的油产量；另一类是研究单项措施的增产增注效果。第一类方法主要包括统计公式法(经验法)、水驱特征曲线法、物质平衡方程法，和油气藏数值模拟法。但是统计公式法(经验法)、水驱特征曲线法和物质平衡方程法存在一定的缺陷：一是不能直接考虑储层的非均质性对油田油产量的影响；二是无法考虑各项人为因素的改变对油田产量的影响。从理论上说，油气藏数值模拟法能够全面直接地考虑储层的地质因素和各项人为因素的改变对油田产量的影响。但是，其对地质资料的依赖性过大，往往造成因对储层地质情况的认识存在误差，使得油气藏数值模拟的预测结果无使用价值。虽然，通过对油田开发历史的精细拟合可修正对储层地质的认识，但其拟合结果存在多解性.对油田开发历史的精确拟合往往要求研究人员同时具有扎实的地质知识、油藏知识、采油工艺知识、数学计算知识和计算机知识，而且工作量大。第二类方法是孤立地研究各项人为因素对油田油产量的影响，这违背油田开发是一个大系统的事实。油田的开发是一个复杂的非线性动力系统.油田油产量的预测是一个多因素非线性预测问题。因此，为了保证油田产量预测的科学性与准确性，迫切的需要一种新的油田产量预测方法，从而使产量预测结果更加准确、客观、合理。

发明内容

本发明从人工智能的角度出发，利用敏感度法对径向基函数(RBF)神经网络结构优化调整，利用油田产量影响因素数据样本对RBF神经网络进行训练，利用状态转移概率方法进行修正，实现产量预测结果更加准确、客观、合理。

为达到上述目的，提供一种基于动态径向基函数神经网络的油田产量预测方法，主要包括以下步骤：

A.获取数据

根据油田实际情况，确定影响油田产量因素指标，获取历史数据集并将其划分为训练数据集和检测数据集；

B.归一化处理

对历史数据集进行归一化处理，归一化方法可以采用离差标准化方法，使不同量纲的数据转化为统一的处理格式，转换函数如下：

x*=x-xminxmax-xmin]]>  (公式1)

其中x_max为样本数据的最大值，x_min为样本数据的最小值；

C.预测模型的建立及训练

RBF神经网络中，设K是隐含层神经元数,x(x₁,…,x_m)是输入向量,α_k是第k个隐含层神经元与输出层神经元的联结权值,φ_k是第k个隐含层神经元的输出，因此RBF神经网络的输出可描述为：