油田产量预测范文

油田产量预测范文（精选8篇）

油田产量预测 第1篇

参考文献

[1]张宗达.油田产量递减率方法及应用[M].北京:石油工业出版社, 2003:12-30

[2]李斌, 等编.油气技术经济配产方法[M].北京:石油工业出版社, 2002:13-16

山西省玉米产量预测研究 第2篇

关键词：玉米产量;指数平滑法;预测

中图分类号：S513         文献标识码：A        DOI 编码：10.3969/j.issn.1006-6500.2015.11.018

Forecasting of Corn Production in Shanxi Province——Based on the Exponential Smoothing Model

WEI Jie1， NING Jing1， LI Fu-zhong2

（1.School of Economic Management， Shanxi Agricultural University， Taigu， Shanxi 030801， China; 2.School of Software， Shanxi Agricultural University， Taigu， Shanxi 030801， China）

Abstract： The forecast of corn production in Shanxi Province is the basis of decision-making for government departments to provide decision-making basis for the future government regulation and control of agricultural production， and provide reliable help for farmers to arrange the production of corn， which is important for ensuring food security in Shanxi Province. Based on the statistical data of 2004—2013 in Shanxi Province， this paper makes use of the exponential smoothing method to predict the corn yield in Shanxi Province in the coming years. Through the analysis of forecast results， the corn production of Shanxi Province is increasing year by year.

Key words： corn yield; exponential smoothing model; forecasting

玉米是最主要的粮食作物之一，在保障我国粮食安全方面有着至关重要的作用。粮食不仅是我们赖以生存的最基本生活资料，而且也是关系着国家经济安全的重要战略物资[1]。2015年的中央一号文件中明确提出，要实施粮食丰产科技工程，深入推进粮食高产创建和绿色增产模式攻关。山西省是中国玉米主产省份之一，玉米生产具有得天独厚的优势，尤其是山西中南部的气候温和、土壤肥沃、日照充足，是中国玉米生长的适宜区[2]。笔者利用指数平滑法对未来几年山西省玉米产量进行预测，为玉米生产提供了有效的指导，同时为保障山西省粮食安全有着重要的意义。

1 指数平滑法原理

指数平滑法是指对过去不同时期的数据分别赋予不同的权重，进而对其进行加总求和，最后得到结果就是预测值[3]。该方法较重视近期的数据，离预测时期越近的数据则其权数越大，离预测时期越远的数据则其权数越小[4]。该方法因为需要的数据较少、计算时间较短，所以该方法使用较为简单，但是其预测的精度较高，其参数具有较直观的意义，易于使用者理解和计算[5]。用指数平滑法计算的平滑平均值的公式为：

Ft=αYt+（1-α）Ft-1

式中，Ft表示第t期的平滑平均值;Yt表示第t期的数值;Ft-1表示t-1期的平滑平均值;α为平滑常数，其取值范围为（0、1）[6]。

如果时间序列所展示的事物过去发展变化的趋势呈斜坡型线性上升趋势[7]，则应用二次指数平滑法对其进行预测，公式即Yt+T=αt+btT。式中待定参数αt、bt的计算公式为：

<D：＼12月＼天津农业科学201511＼农科2015-11＼15-448魏杰（11）改-2.eps>

<D：＼12月＼天津农业科学201511＼农科2015-11＼15-448魏杰（11）改-3.eps>

其中，Ft[1]、Ft[2]分别为一、二次指数平滑的结果。

2 建立玉米产量的指数平滑模型

笔者选取玉米产量为指标，运用指数平滑法对山西省玉米产量进行分析和预测。笔者根据预测平方和误差和均方差最小的原则来确定指数平滑系数[8]。在进行二次指数平滑时，当α为0.9时符合此原则，所以α为0.9时是最优平滑系数。以2004—2013年山西省玉米产量数据[9]为例来说明测算过程（表1）。

当t=10时，α=0.9，将第10期的一次、二次平滑值带入公式，得α10=961.170 7，b10=63.223 0，得到了本期的线性预测模型为：F10+T=961.170 7+63.223 0*T

取t=1时是2014年，取t=2时是2015年，取t=3时是2016年，依此类推。利用此模型拟合山西省2004—2013年玉米产量，具体结果见表2。

其中：相应误差=实际值-预测值

相对误差=相应误差/实际值

平均相应误差=16.845 3

平均相对误差=0.023 4

3 需求量的预测

利用上述模型对未来几年山西省玉米产量进行预测，预测结果见表3。

4 结  语

从以上二次指数平滑模型的预测结果可以看出，在未来几年里山西省玉米产量是呈逐年上升的趋势[10]。这在一定程度上反映了山西省玉米产量的变化规律。由于玉米生产过程中受天气因素、播种面积、灌溉条件等因素的影响，可能预测结果会与未来实际的玉米产量之间有一定的偏差，但是可以根据二次指数平滑模型预测的结果反映的玉米产量的变化规律，为今后政府部门调控农业生产提供决策依据，为农户安排玉米生产提供可靠的帮助，为保障山西省粮食安全有着重要的意义。

参考文献：

[1] 刘红霞，刘恩魁，刘环，等.夏谷种植密度与产量预测模型的研究[J].天津农业科学，2013，19（2）：78-82.

[2] 刘环，刘恩魁，周新建，等.夏谷播期与籽粒产量的回归分析[J].天津农业科学，2013，19（3）：77-82.

[3] 曾丽.基于指数平滑法的黑龙江粮食货运量需求预测[J].国土与自然资源研究，2015（1）：17-22.

[4] 孟勤宪，黄涛.二次指数平滑法的成都市餐厨垃圾产量预测[J].四川环境，2010（4）：29-30，53.

[5] 白瑶瑶.基于二次指数平滑预测法的客车市场预测[J].客车技术与研究，2013（3）：54-56.

[6] 谢晓燕，韦学婷，王霖.基于指数平滑法的呼、包、鄂三角区物流需求量预测[J].干旱区资源与环境，2013（1）：58-62.

[7] 山西省统计局.山西省农村统计年鉴[M].北京：中国统计出版社，2014.

[8] 周永娟，侯彦林，李红英.吉林省玉米产量预测统计模型研究（英文）[J].现代农业科学，2009（3）：232-234，239.

[9] 姚作芳，刘兴土，杨飞，等.组合预测模型在东北地区粮食产量预测中的应用[J].华北农学报，2009（S2）：215-219.

小洼油田洼38块产量递减规律预测 第3篇

进行油藏递减规律研究对建立油田递减模式、产量预测、确定开采年限等开发指标意义重大。如何有效地分析小洼油田洼38块的递减规律, 预测未来产量的变化, 是编制年度计划和中长远规划的核心问题。本文在研究油田开发历程的基础上, 明确了油田所处的开发阶段。为更好地了解油田产量随时间的变化规律, 对采用不同开发方式的区块进行区别对待, 根据油田实际开发生产数据, 采用多种方法综合分析了油田产量与时间的递减规律, 并对下一年的产量进行了定量预测。

一、油田概况

小洼油田洼38块构造上位于辽河断陷中央凸起南部倾没带的北端, 是辽河断陷盆地典型的深层普通—特稠油油藏。该块开发目的层自下而上分别为下第三系沙三段、东三段和东二段, 油藏埋深1150~1460m, 1990年投入开发, 动用含油面积8.9km2, 动用石油地质储量3224×104t。20℃平均密度0.984g/cm3、50℃地面原油粘度5757~70000mpa.s, 采用蒸汽吞吐为主、汽驱为辅的方式进行开发, 经历过快速递减后, 目前处于低速递减阶段。

二、油田开发历程

蒸汽吞吐开发为主的小洼油田于1990年洼38井蒸汽吞吐试采成功后分东二、东三、沙三三套层系开发, 初期采用141×200m井距正方形井网投产。从1998年开始油田结束整体加密, 油井平均吞吐8周期, 进入高轮次吞吐阶段, 产量开始大幅下降, 进入快速递减阶段[2], 2000年底日产油降到480t。从2003年8月开始油田开始采用老井吞吐及局部汽驱方式进行开发, 连续5a产量稳定在500t/d。

三、不同递减率模型的基本原理

为了能对小洼油田洼38块原油产量形势有一个比较准确的预测, 主要应用了几种油藏工程方法, 结合油田开发实际采用矿场资料统计的产量构成法、产量组成法对油田的递减规律进行分析研究。

四、不同递减模型在小洼油田的应用

应用产量组成法从1995年对小洼油田的年产进行批分, 对每年的产量分别预测, 预测后在对预测的数值相加, 得到小洼油田的老井产油量的预测值为17.2×104t (见图2) 。Arps递减模型、HC模型、广义翁式模型、HCZ模型、Weibll模型、Gamma模型) 、T模型法这7种模型可将小洼油田开发中的各类数据准备齐全后, 应用已有的模型预测程序进行数据计算, 求出对应的各项参数值, 得到今后的产量指标。

五、几点认识

(1) 在进行递减规律分析及产量预测时, 应充分考虑到油田的油品性质、开发方式、开发阶段。

(2) 对今后几年的产量进行预测, 要充分考虑到新井的能力, 以及重大措施的调整、变化。

参考文献

[1]张宗达.油田产量递减率方法及应用[M].北京:石油工业出版社, 2003:12~30.

[2]胡建国, 等.预测油气田产量的Weibll模型[J].新疆石油地质, 1995:3.

[3]胡建国, 等.T模型的应用及讨论[J].天然气工业, 1995:4.

油田产量预测 第4篇

根据2010年新疆油田设计的智能油田建设规划蓝图,201年正式启动智能新疆油田建设。 单井生产趋势预测作为智能油田建设的一项子课题备受油田生产业务专家、技术人员的关注如何有效地预测单井生产变化趋势,及时采取有效措施,避免事故的发生,并能持续优化单井生产方案,提高单井生产时率,成为单井生产趋势预测的重要目标, 因此研究单井生产趋势预测相关方法凸显重要。

数据是油田宝贵的资源。 新疆油田经过几十年的开发历史蕴藏着大量的、完整的油水井生产数据资源,构建了丰富的数据类型,建立了一体化的数据模型,实现了数据应用的多样性,涵盖油田生产、科研、管理、决策的各个领域,形成了完整的数据应用体系,具备单井生产趋势预测条件。 我们可以通过对数据的整理和挖掘,结合现代油水井趋势预测方法,辅助我们预测油田生产变化趋势,对油田后期生产开发、提高油田精细化管理水平具有深远的意义。 下面我们以油井生产为例,探索和研究油井生产趋势预测方法。

2油井生产趋势预测的需求

目前, 国内油田油井生产趋势预测也处在探索和研究阶段。 传统的油井生产趋势预测方法主要由油田生产业务专家、技术人员根据多年的油田生产经验,摸索出的一套油井生产规律,预测油井未来一段时间内的生产水平, 工作量大且受人为经验影响, 预测符合率低。 后续油田地质专家借助国外地质分析软件、油田递减率等预测油井产量变化趋势,预测能力有限,不能系统地、持续地、有效地对油井生产进行评估、预测,且预测标准不统一,因此需要我们开展油井生产趋势预测方法的研究。

油井生产趋势预测需要借助大量的生产动态数据和业务模型进行综合分析,同时也可以借鉴专家系统进行辅助分析,从而提高油井生产趋势预测的符合率。通过对新疆油田公司采油二厂油井生产业务需求调研,梳理油井生产趋势预测需求(如表1所示),并构建新疆油田单井生产趋势预测系统流程框架图(如图1所示)。

3油井生产趋势预测技术和方法探讨

目前,油井生产趋势预测方法主要有功图叠加法、拟合公式法、灰度关联法、神经网络法、IPR曲线等多种方法。 通过功图叠加分析预测泵况变化趋势;通过拟合公式法、灰度关联法预测油井产量和采液指数;通过油水复合法、Petrobras法预测油井产能。 这些技术方法都较为先进, 普遍被油田业务专家或专业技术公司所采纳,通过适当的引用、加工、变换后,构建出适合本油田的预测方法。 下面结合油田生产实际需求探讨适合新疆油田油井生产趋势预测的方法。

3.1油井产量趋势预测技术和方法研究

产液量的预测方法有很多种: 经验公式法、 人工神经网络法、拟合公式法、灰色系统理论法都能较为准确地对油井未来产液量进行预测,针对具体油田及相应的地质条件下,从较多的预测方法中选取一种符合油田自身情况的模型, 并输入相关的参数就可以完成相关的产液量的预测, 根据新疆油田已有的历史数据,并考虑数据的完整性,我们可以采用拟合公式法和人工神经网络法分别对油井产量进行预测, 并选取一种误差较小的模型作为新疆油田产量预测模型。

由于油井产量预测的相关参数来自不同的数据源, 我们通过数据引用的方式获取这些数据, 保证了数据源点的唯一性和数据更新的实时性。

3.1.1运用递减模型(拟合公式法)预测油井产量

油井生产到一定阶段后,产能逐渐降低,有效地预测每口油井的产量, 有利于制订油田生产计划, 实现油田生产精细化管理。 根据油井历史的生产数据预测油井的产量可作为一种有效手段。

油井递减阶段产量预测公式:

累计产量公式:

式中,Q0为递减前初始产量,t / d;D0为初始递减率,a-1或mon-1;Q— 递减阶段产量,t / d;n— 递减指数, 无因次, 变化区间为(-∞,0)或(0,+∞);t-预测时间,d;NP—累计产量,t;

新疆油田稀油井主要采用注水开发, 水驱特征曲线是开发中后期累积产油量、累积产水量、累积产液量和含水等指标经过处理后形成线性关系,利用回归分析方法确定出直线方程,并依此预测产油、含水之间相对变化规律,进而预测油田可采储量或其他开发指标变化。

目前水驱曲线已有数十种类型, 但最为常用的有3种形式的产量递减规律符合Arps产量递减, 分别是指数递减、 双曲递减、调和递减,如表3所示。

生产实际表明,在不考虑重大措施情况下,产量递减方程仅适用产量变化的历史数据,是一种预测产油量有效方法。 双曲递减模型求解有多种方法,如迭代法、二元回归法、试凑法、时差法等。 这些方法中主要采用了产量与时间、产量与累积产量之间的关系,下面我们采用二元回归法和试凑法分别对双曲递减模型进行求解。

(1)二元回归的最小二乘法:将双曲递减中的产量公式变换后代入累积产量公式(2)中得:

利用产量与累积产量进行二元回归, 取得a0、a1、a2数据后, 确定出Qi、Di和n的数据即可。

式中,Qi—油井初期产油量,t / d;Di—初始递减率,常数;

(2)试凑法:由双曲递减产量公式得:

利用实际产量与累积产量数据对上式进行二元回归,求得参数b0、b1后反求出Qi、Di的值即可。

以新疆油田某油井为例,结合该井真历史生产数据,运用公式拟合法分别对该井的产量进行线性递减拟合、 指数递减拟合、 调和递减拟合、双曲递减拟合,通过分析相关系数我们可以得出指数递减拟合更符合该井产量的预测,如图3所示。

3.1.2运用人工神经网络法预测油井产量

人工神经网络是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型,它所具有的非线性变换机制和自适应学习能力为油井生产趋势预测解决提供了一种有效的方法和工具。

采用神经网络预测油井产量可以分两步:

(1)学习训练过程。 用过去的实际日平均产油量进行训练学习,通过不断调节各结点之间的权值,把时间序列与产油量之间的非线性关系分布到连接权上,直到网络训练好为止,这由逆向传播算法来实现,这就是训练学习的过程。

(2)油井产量预测过程。 是将待预测的月份输入到这个已训练好的网络中, 网络运算后的输出值就是该月份的日平均产油量。

通常的BP神经网络结构有3层:输入层、隐层和输出层,输入层只有一个输入结点,它代表时间间隔(月份)t=x-x0,隐层的结点数由经验确定,一般是输入结点的2~3倍,输出层有两个结点, 分别输出相应时间的产油量,如图4所示。

在实践中,我们发现这样的网络结构不易收敛,主要原因是: 输入模式空间是一维的,没有提供足够的信息供网络学习,因此, 必须扩展输入模式空间,改进型的BP神经网络(如图5所示)可以大大提高预测结果的符合率。

通常的方法是采用正交完备集, 如:sin (πx),cos(πx),si (2πx),cos(2πx),… 和x,x1,x2,x3,… ,x12的形式,经实践检验,采用x,x2,x3,… ,x12的形式扩展函数,预测效果更好一些(如图6) 在一般情况下,网络的隐层和输入层均采用如下(公式6)的变换函数:

而相应于预测问题, 这个函数极易使网络落入局部极小值点因此,我们将上述函数进行变换,采用下面的变换函数(公式7) 收敛效果明显提高。

本模型实际采用的预测网络结构(如图7所示),输入层12个结点,隐层24个结点,输出层2个结点。

因此,改进型的BP神经网络训练过程如下:

(1)将输入结点的时间t,t2,… ,t12,归一化到0~1之间,输出结点的期望值产油量和产水量好归一化到0~1之间;

(2)对网络各层权值赋随机值;

(3)对于第P个样本,求隐层和输入层的输入值;

(4)计算结点输出层的值与期望输出值之间的差值;

(5)修正权值以减少网络实际输出与期望输出的误差;

(6) 全部样本修正之后, 计算全局误差, 如果误差不满足精度,则重复3~5步,直到误差减小到允许范围内为止。

在实际预测油井产量的过程中,将待预测油井的各时间间隔送到人工神经网络中,通过网络分析运算,输出各时间段油井的产量。

通过改进型的BP神经网络法预测新疆油田某一区块的油井产量结果数据如表4。

研究结论:运用神经网络法预测油井产量,对于大中型和信息化程度较高的油田,具有处理速度快、效率高,且能保证一定的准确性。 拟合公式法作为经典的油藏工程中提到的产量预测方法,相对准确性高,但是运算量大,系统响应速度稍慢。

4结束语

油田产量预测 第5篇

油田产量受许多因素影响,如剩余地质储量、油压、液压、 注水量和油井开井数量等。如果预测模型的输入变量过多,则会加重训练负担和影响学习速度;如果采用主观筛选则很有可能导致重要影响因素的丢失,继而降低预测的精确度,因而如何合理选择预测模型的输入变量决定着预测效果。主成分分析是将多个变量通过线性变换以选出较少个数重要变量的一种多元统计分析方法,该方法将原变量重新组合成一组新的互相无关的几个综合变量,同时根据实际需要从中可以取出几个较少的综合变量尽可能多地反映原来变量的信息。因此,这里将主成分分析和最小二乘支持向量机结合起来,可以很好地解决计算复杂、求解速度慢和预测精度不高等缺点。

1主成分分析法

主成分分析(Principal Component Analysis,PCA)是由Ho-telling提出的一种多元统计分析方法。该方法通过变换将原变量重新组合成一组新的无关综合变量,使这些新变量尽可能多地反映原变量的信息。原变量的信息主要通过变量的方差来反映,方差越大,变量所包含的信息就越多,通常用累计方差贡献率来衡量多个主成分包的含原始变量的信息。具体的计算分为4个步骤:

(1) 数据标准化。为了消除数量级和量纲不同带来的影响,对原始数据作标准化处理,即

式中,N为样本个数,m为变量个数。

(2)建立相关系数矩阵R,计算其特征根和特征向量。

式中,X*为标准化后的数据矩阵。求得相关矩阵R的特征根 λ1≥ λ2≥ ∙∙∙ ≥ λm及其对应的满足正则条件的特征向量 μ1,μ2,∙∙∙�μm。

(3)确定主成分个数。计算每个主成分的方差贡献率和累计方差贡献率分别为:

当p个主成分的累计方差贡献率大于85%时,便包含了m个原始变量所能提供的绝大部分信息,则主成分个数为p个。

(4)计算主成分矩阵。

式中,Um × p为p个主成分对应的特征向量。

2支持向量机模型

2.1最小二乘支持向量机

支持向量机(Support Vector Machine,SVM)是建立在统计学习理论中的VC维理论和结构风险最小原理基础上的一种新的机器学习方法。根据有限的样本信息在模型的复杂性(即对特定训练样本的学习精度)和学习能力(即无错误地识别任意样本的能力)之间寻求最佳折中,从而能很好地解决小样本、高维数的非线性回归问题。最小二乘支持向量机从机器学习损失函数着手,在其优化问题的目标函数中使用二范数,并利用等式约束条件代替SVM标准算法中的不等式约束条件,在减少了待定参数的同时又降低了求解的复杂度。

对于给定的训练集W ={(xi,yi)|i = 1,2,∙∙∙,n} ,线性回归函数可表示为:

式中,ω 为权重向量,b为偏差量。

将上述线性回归问题转化为具有约束的二次优化问题,即

约束条件

式中,ei是拟合误差,C是惩罚因子。

根据式(2),拉格朗日函数定义如下:

式中,αi为拉格朗日乘子。

根据最优化理论中的KKT(Karush-Kuhn-Tucker)条件,得到:

消除变量 ω 和e ,得到矩阵方程

式中,k为核矩阵,,E为单位矩阵。

求解公式(5),可以得到LS-SVM的预测模型:

式中,k(x,xi) 为核函数,采用径向基核函数,即,σ 为核函数的参数宽度。

2.2自适应粒子群优化参数

粒子群算法(Particle Swarm Optimization,PSO) 是近年来发展起来的一种新的进化算法,从随机解出发,通过迭代寻找最优解值。和其他演化算法相比,PSO算法演化群体小、实现简单、易于收敛,系统具有很强的鲁棒性。

在可调整参数中,惯性权重是粒子群算法最重要的参数, 用于平衡全局和局部搜索能力,较大的权重有利于全局搜索, 而较小的权重适于局部搜索。本文采用一种基于自适应惯性权重的粒子群算法对LS-SVM模型的核参数 σ 和惩罚系数C进行优化,使得预测模型收敛速度加快且不易陷入局部最优, 同时也具有较高的预测精度。

设D维空间中有m个粒子,第i个粒子的位置和速度表示为Xi=(xi1,xi2,∙∙∙,xi D) ,Vi=(vi1,vi2,∙∙∙,vi D) ,粒子经历过的最好位置记为Pi=(pi1,pi2,∙∙∙,pi D) ,所有粒子经历过的最好位置记为Pg=(pg1,pg2,∙∙∙,pg D) 。每个粒子位置和速度按如式(7)—(9)进行调整:

式中,ω 为惯性权重,c1和c2为学习因子,r1,r2∈[0,1] 为随机数,vi∈[-vmax,vmax] 。

惯性权重根据每个粒子在每次迭代完的目标函数值进行更新,其自适应调整的具体公式为

式中,λ,θ ∈(0,1) 为约束因子, f为适应度函数,yi和yi分别为SVM训练输出值和期望输出值,N为样本数量。

APSO优化的计算步骤如下:

(1)算法初始化。设定粒子群规模为m的初始种群x(t) ,每个粒子初始速度v1,v2,∙∙∙,vm,学习因子c1和c2,约束因子 λ , θ ,粒子最大速度vmax,种群最大迭代次数Tmax。

(2)计算种群x(t) 的适应度。粒子的适应度与粒子位置正相关。

(3)对每个粒子,将它的适应值和它经历过的最好位置Pi作比较,如果较好,则将其作为当前的最好位置Pi;对种群中最好粒子,将其目前的适应值和Pg作比较,如果较好,则用其位置替换Pg。

(4)根据式(7)-(9)更新x(t) ,v(t) 和 ω(t) 。

(5)检查结束条件,若t<Tmax,转至(2),否则转至(6)。

(6)结束寻优,输出全局最优解(C,σ)。

3实验结果与分析

3.1数据预处理

产油量是油田开发指标中最重要衡量标准之一,本文为验证预测模型的准确性与有效性故采用文献[4]中的开发数据。 采集的数据样本为国内某油田区块连续15个月的开发数据, 开发指标为产油量(I),影响因素包括剩余地质储量(B)、开井数(C)、注采比(D)、含水率(E)、注水井开井数(F)、投产新井开井数(G)和老井措施有效井次(H)。其中,前13组数据选为训练数据进行预测,最后两组数据作为测试数据用于检验,原始数据见表1。

对影响因素B,C,D,E,F,G,H和开发指标I进行标准化处理,并计算各影响因素相关系数矩阵的特征值、主成分贡献率和累计贡献率,结果见表2。

由表2可见,主成分Y1,Y2,Y3的累积贡献率为0.9515(大于0.85),包含了原始数据95%以上的信息,所以将这3个主成分作为新的输入,归一化后的产油量作为输出,新的样本集见表3。

3.2建立预测模型

根据自适应粒子群算法和最小二乘支持向量机建立预测模型,在MATLAB 8.0环境下编写预测程序,参数设置如下: m = 20 ,c1= c2= 2 ,λ = 0.8 ,θ = 0.5 ,vmax= 100 ,Tmax= 100 。经过数据样本的训练,得到两组检验样本的均方误差分别为0.0016和0.1485。对比文献[4]中的实验结果,本文的预测模型在运行效率和预测精度上都有一定的提高,具体结果见表4。

4结论

本文提出了一种基于主成分分析和自适应粒子群优化的最小二乘支持向量机油田产量预测模型。首先利用主成分分析方法对油田产量的影响因素进行降维处理,将提取的主成分作为LS-SVM的输入进行训练和预测,然后利用APSO算法优化内核参数 σ 和惩罚因子C 。通过对实际数据计算分析,证明了该方法可有效地去除冗余信息,减少输入变量,提高收敛速度且不会陷入局部最优,具有较高的预测效率和预测精度。因此,可将该模型用于油田产量的预测,为相关决策部门提供一定有益的预测与决策方法。

摘要：油田产量预测是油田开发生产中的重要工作,也是油田开发决策的基础。为了准确且快速地进行油田产量预测,本文首先采用主成分分析方法对预测模型的输入变量进行降维优化处理;其次,利用自适应粒子群算法对支持向量机的核参数σ和惩罚因子C进行优化;最后,建立基于最小二乘支持向量机预测模型。实验结果表明,该预测模型有效地去除了冗余信息,降低了输入变量的结构复杂度,提高了模型寻优的收敛速度且避免陷入局部最优,有效地提高了油田产量的预测效率和预测精度。

关键词：油田产量预测,主成分分析,最小二乘支持向量机,自适应粒子群优化

参考文献

[1]Vapnik V N.The Nature of Statistical Learning Theory[M]New York:Springer,2000.

[2]方瑞明.支持向量机理论及其应用分析[M].北京:中国电力出版社,2007.

[3]李莹.基于主成分分析的油田油水层预测[J].内江科技,200(2):62-63.

[4]钟仪华.特高含水期油田产量预测新方法[J].断块油气田2011,18(5):641-644.

青平川油田产量递减规律研究 第6篇

1 递减类型简介

由国内外大量的分析与实践经验知, 现阶段油田开发过程中常使用的递减模型是Arps递减模型, 主要有三类:

1.1 指数递减

指数递减就是指产量与时间成指数关系式, 其公式为:

由于递减率是常数, 所以也称百分比递减, 又因为产量和时间呈半对数直线关系, 也叫半对数递减。递减阶段的累积产油量为:

递减期 (Q=0时) 最大累积产油量:

1.2 调和递减

调和递减的函数为调和函数, 所以称调和递减, 其表达式是:

递减期累积产量为:

递减期最大累积产量:

1.3 双曲递减

表达式:

递减阶段累积产油量为:

当n<1时, 递减期最大累积产量 (Q=0) 为:

2 递减类型的确定方法

2.1 图解法

图解法即指由原始的数据资料, 以表1中所使用的基本关系式为基础, 分析变量之间的线性关系, 进而判断整个研究区的递减类型。

2.1.1 指数递减

满足下列条件之一, 则可判断为指数递减:

第一:实际资料在lg Q—t坐标中呈较好的线性关系。

第二:实际资料在Np—Q坐标中呈较好的线性关系。

2.1.2 调和递减

如果实际资料在Np—lg Q坐标中呈较好的线性关系, 则属调和递减。

2.1.3 既不符合指数递减, 也不符合调和递减的, 应属于双曲递减

双曲递减中除了n=-1时的直线递减与n=0.5时的双曲递减比较容易判断外, 其它情况下很难判断。通常规律如下:

第一:产量Q与时间t成直线关系, 则为直线递减。

第二:累积产油量Np与成一过原点的直线, 则为n=0.5的双曲递减。

2.2 试凑法

试凑法又叫试差法, 它是处理现场数据的一种比较常见的方法, 由式 (式7) 得到:

取不同的n值, 由式 (式10) 求出, 用这些数据和相应的t值在直角坐标系上作图。当n的值较合理时, 为一直线, 由斜率可求出初始递减率D0;若n取值偏大, 为一向上弯曲的曲线;如果n取值偏小, 则此曲线向下弯曲。

2.3 典型曲线拟合法

由式 (式1) 、 (式3) 、 (式10) 可以在双对数坐标纸上作出不同n值下的Qo/Q和D0t的典型曲线图。拟合时, 可以作出与典型曲线有同样效果的实际曲线与之对比, 进一步确定出合理递减的指标。

当研究递减规律时, 主要考虑到直观性, 使用第一种方法 (图解法) 。

3 研究区产量总体递减规律分析

以开发中不同时间段年产油量的变化特征得出研究区产油量开始递减应为2006年, 统计2006年累积产量, 用图解法绘制其曲线, 如图1至图4所示。

由图解法, 我们先排除直线递减和n=0.5的双曲递减的可能性, 对其它两种形式进行线性回归, 得到两直线方程式:

相关系数分别为R12=0.9 3 4 1, R22=0.7573。对比相关系数, 指数递减模式更接近, 线性关系较好。因此, 认为研究区年产量为呈指数递减。

比较上式得:

递减期最大累积采油量:

4 结论及建议

(1) 经过对青平川长2油藏产量递减规律研究得出, 区块年产量呈指数递减。

(2) 区块递减率为0.078, 递减期最大累积采油量为44.62×104 m3。

参考文献

[1]蒋远征, 等.低渗透油田产量递减规律研究及应用[J].西部大开发, 2012, 9

[2]李道品, 低渗透油田高效开发决策论.北京:石油工业出版社, 2003, 6

[3]钟显彪.对低渗透油藏提高单井产能与渗透率表征等技术的新思维[J].大庆石油地质与开发, 2004, 23 (6) :86286

灰色预测模型粮食产量预测比较研究 第7篇

粮食安全不仅关系到我国国民经济的健康发展和全面建设小康社会的重大问题,也关系到我国的军事安全、政治安全。因此,研究我国粮食生产系统的变动规律,做好粮食产量科学预测对于保证我国的粮食安全和有关部门制定规划、做出决策等具有重要的意义。

粮食产量预测是复杂的农学和统计学问题,受政策、自然环境、资源投入等多因素的影响,可以说粮食产量预测系统是个既含有已知信息又含有未知信息的灰色动态系统,因此可以应用灰色理论及其预测模型来研究粮食产量的预测问题。

目前国际上流行的粮食预测方法有气象产量预测法、遥感技术预测法、统计动力学生长模拟法、多元回归分析法和神经网络预测法等。本文粮食预测模型采用的是灰色预测模型,传统的灰色预测模型如灰色GM(1,1)模型,所需数据较少,计算简便,被广泛应用到各种预测领域,在很多方面也取得较好的预测效果;但其预测的几何图形是一条平滑的曲线,而粮食产量受到多种因素的影响,并不是稳定攀升或下降的,而是根据相关因素的变动而经常异常变动。所以,本文采用的是基于灰色关联分析的灰色GM(1,N)预测模型,该模型能把影响粮食产量的相关因子融入预测模型。

1 灰色

GM(1,1)模型灰色GM(1,1)模型是根据过去及现在已知的或非确知的信息,建立一个从过去引申到将来的GREY MODEL模型,它所需建模信息少、运算方便、建模的精度较高,因而在各种预测领域有着广泛的应用。由传统GM(1,1)模型[1]的求解过程知传统的GM(1,1)预测模型预测值为

$\widehat{{\displaystyle x{}^{(1)}}}\left(k+1\right)=[x{}^{\left(0\right)}\left(1\right)-\frac{b}{a}]e{}^{-}{}^{ak}+\frac{b}{a},k=1,2‚\cdots ‚n$

其中,a和b可用最小二乘法求出。

2 基于灰色关联分析的GM(1,N)模型

粮食产量受到多种因素的影响,根据能够计量及具有农学意义的原则,结合农业专家的意见,选取了1996-2005年的粮食总产量(Y)为输出因子,初步选取粮食作物播种面积(x1)、化肥施用量(x2)、粮食作物有效灌溉面积(x3)、受灾面积(x4)、农业基本建设投资(x5)、农业机械总动力(x6)作为输入因子。原始数据来源于《中国统计年鉴》(2007)[2]。初步选取的这些输入因子对粮食总产量的影响是不一样的,如果将某些对输出变量影响不大的因子当作重要因子引进了,这必将影响到输出结果的准确性,所以需要用灰色关联分析再做进一步的筛选,选出真正有利于预测精度的和粮食产量关联度大的相关因子。

灰色关联分析方法是灰色系统分析、预测、决策的基础,可以为因素判别、优势分析和预测精度检验等提供依据。灰色关联分析的基本思想是根据序列曲线几何形状的相似程度来判断其联系是否紧密,曲线越接近,相应序列之间的关联度就越大,反之就越小。由灰色关联度导出灰色关联序,以进行优势分析,从而知道在众多的影响因素中,哪些是主要因素,哪些是次要因素。

2.1 灰色关联分析

设Y0为系统特征行为序列, Xi和Xj为相关因素行为序列,设c为灰色关联度,若c0i≥c0j,则称因素Xi优于因素Xj,记为Xi ≻

。称 “≻” 为由灰色关联度导出的灰色关联序[1,3]。

2.2 灰色GM(1,N)预测模型

设1996-2007年我国粮食产量原始数据序列$X{}_1^{(0)}=\left\{x{}_1^{(0)}\left(k\right)\right\}$,影响我国粮食产量的N-1个相关因素的原始数据序列$X{}_i^{(0)}=\left\{x{}_i^{(0)}\left(k\right)\right\}(i=2,3,\cdots ,{\rm N}$),对所有原始序列的x${}_i^{(0)}$作一次累加生成$x{}_i^{(1)}\left(k\right)={\displaystyle \sum _{j=1}^{k}x}{}_i^{(0)}\left(j\right)$,得到序列$X{}_i^{(1)}=\left\{x{}_i^{(1)}\left(k\right)\right\}$。其中,i=1,2,…,N,则建立GM(1,N)模型的白化形式的微分方程:$\frac{\text{d}x{}_{{}_1}^{(1)}}{\text{d}t}+ax{}_1{}^{\left(1\right)}={\displaystyle \sum _{i=2}^{{\rm N}}b}{}_{i}x{}_i^{(1)}$,其中参数a,b2,…,bN由最小二乘估计求得到,方法如下: 记

$\begin{array}{l}\widehat{a}=[a,b{}_2,\cdots ,b{}_{{\rm N}}]{}^{{\rm T}}\\ Y=[x{}_1{}^{\left(0\right)}\left(2\right),x{}_1^{(0)}\left(3\right),\cdots ,x{}_1^{(0)}\left(n\right)]{}^{{\rm T}}\end{array}$

$\begin{array}{l}B=\\ \left[\begin{array}{cccc}-\frac{1}{2}\left(x{}_1^{(1)}\left(1\right)+x{}_1^{(1)}\left(2\right)\right)& x{}_2^{(1)}\left(2\right)& \cdots & x{}_2^{(1)}\left(2\right)\\ -\frac{1}{2}\left(x{}_1^{(1)}\left(2\right)+x{}_1^{(1)}\left(3\right)\right)& x{}_2^{(1)}\left(3\right)& \cdots & x{}_{{\rm N}}^{(1)}\left(3\right)\\ ⋮& ⋮& \cdots & ⋮\\ -\frac{1}{2}\left(x{}_1^{(1)}\left(n-1\right)+x{}_1^{(1)}\left(n\right)\right)& x{}_2^{(1)}\left(n\right)& \cdots & x{}_{{\rm N}}^{(1)}\left(n\right)\end{array}\right]\end{array}$

利用最小二乘估计$\widehat{a}=\left(B{}^{{\rm T}}B\right){}^{-1}B{}^{{\rm T}}Y$,求得参数a,b2,…,bN。

解该微分方程,得灰色GM(1,N)预测模型为:

$\widehat{{\displaystyle x{}_1^{(1)}}}($$t+1)=[x{}_1^{(0)}(1)-\frac{1}{a}{\displaystyle \sum _{i=2}^{{\rm N}}b}{}_{i}x{}_1^{(1)}\left(t+1\right)]e{}^{\left(-at\right)}+$

$\frac{1}{a}{\displaystyle \sum _{i=2}^{{\rm N}}b}{}_{i}x{}_1^{(1)}\left(t+1\right)$

的预测值为$\widehat{{\displaystyle x{}_1^{(0)}}}(t+1)=\widehat{{\displaystyle x{}_1^{(1)}}}(t+1)-\widehat{{\displaystyle x{}_1^{(1)}}}(t)$。

3 灰色预测模型实例比较

选取1996-2007年的我国粮食产量及相关因子为原始数据进行预测比较,以1996-2005年的原始数据为样本,对2006-2007年的粮食产量进行预测。原始数据来源于《中国统计年鉴》(2007)[2] 。数据处理与模型预测均通过MATLAB编程获得[4]。

3.1 灰色GM(1,1)预测数据

根据GM(1,1)建模步骤,得到GM(1,1)的预测值[5,6],该模型可以对1996-2007年粮食产量进行拟合预测。其预测的相对误差如图1所示,预测值和粮食产量真值的拟合曲线如图2所示。灰色GM(1,1)预测模型得到2006年的粮食产量是46437万t,预测的相对误差是-6.76%,2007年的粮食产量是46165万t,预测的相对误差是-7.96%。

3.2 灰色GM(1,N)预测数据

由初步选取的粮食产量的6大相关因子和粮食产量进行灰色关联分析[7],得到它们的关联序:X3≻X4≻X1≻X6≻X5≻X2 。所以,本文选取粮食作物播种面积(x1)、粮食作物有效灌溉面积(x3)、受灾面积(x4)作为关键输入因子融入GM(1,N)预测模型,进行2006-2007年我国粮食产量预测。期间还把农业机械总动力用试凑的方法融入预测模型,预测效果更差,所以本文最终确定了上述3大关联因子作为输入建立GM(1,N)预测模型,其模型为

$\widehat{{\displaystyle x{}_1^{(1)}}}\left(t+1\right)=\{50453.5-0.55[-0.21x{}_2^{(1)}(t+1)+$

$\begin{array}{l}1.16x{}_3^{(1)}(t+1)-0.54x{}_4^{(1)}(t+1)]\}\cdot \\ e{}^{-1.83t}+0.55[-0.21x{}_2^{(1)}(t+1)+\\ 1.16x{}_3^{(1)}(t+1)-0.54x{}_4^{(1)}(t+1)]\end{array}$

则灰色GM(1,N)预测模型的$x{}_1^{(0)}\left(t\right)$的预测值为$\widehat{{\displaystyle x{}_1^{(0)}}}(t+1)=\widehat{{\displaystyle x{}_1^{(1)}}}(t+1)-\widehat{{\displaystyle x{}_1^{(1)}}}(t)$。

灰色GM(1,N)预测模型得到2006年的粮食产量是49004万t,预测的相对误差是-1.61%,2007年的粮食产量是47760万t,预测的相对误差是-4.81%。

从两种灰色预测模型GM(1,1)和 GM(1,N)的拟合预测效果来看,GM(1,1)预测模型预测精度在90%以上,基本能找出我国粮食产量的大致走向;但是预测效果不如GM(1,N)预测模型。从图1两种灰色预测模型的相对误差曲线来看,GM(1,N)预测模型在2000年以后的最近几年的预测精度均在95%以上,而灰色GM(1,1)预测模型在2000年以后的最近几年的预测精度有1/2低于95%,尤其是对2006年和2007年的预测值远不如GM(1,N)预测模型预测的精确。从图2两种灰色模型的拟合预测曲线来看,我国粮食产量真值曲线是个波动较大的曲线,用GM(1,1)预测模型来拟合预测,其拟合预测曲线是个近似按指数规律变化的曲线。从图2中可以看出它和真值曲线相差较远,能反映出我国粮食产量的大致走向,却不能密切配合。GM(1,N)预测模型把影响我国粮食产量的3大关键相关因子融入模型,能够反映出粮食产量的变动的因素,拟合预测曲线能够较好地跟随我国粮食产量真值曲线,对2006年和2007年预测精度分别是98.39%和95.19%。

4 结论

粮食预测系统是个多变的灰色系统,本文分别将GM(1,1)和GM(1,N)灰色预测模型应用于国家粮食产量预测。通过对比分析,证明了GM(1,N)预测方法无论拟合还是预测性能均优于在传统上应用广泛的GM(1,1)预测模型。本文建立的基于灰色关联分析的GM(1,N)预测模型,利用了灰色关联分析确定出影响粮食产量的主要因子,比较全面地反映了系统的变化特征,并对系统的未来状态特征具有较高的预测精度,可以作为我国粮食产量预测的有效工具。

参考文献

[1]刘思峰,谢乃明.灰色系统理论及其应用[M].北京:科学出版社,2008:35-48.

[2]国家统计局.中国统计年鉴2007[M].北京:中国统计出版社,2007.

[3]王福建,俞传正.灰色关联分析在道路交通事故中的应用[J].中国安全科学学报,2006,16(2):63-64.

[4]飞思科技产品研发中心.神经网络理论与MATLAB7实现[M].北京:电子工业出版社,2005:30-70.

[5]谢恒星,张振华,谭春英.灰色预测方法在山东省粮食总产量预测中的应用[J].水土保持研究,2006,13(2):46-49.

[6]丁萃华.山东省四种主要农作物的产量预测分析及增产对策[J].山东农业科学,2009,9:115-117.

油砂山油田提高单井产量开发思路 第8篇

油砂山油田含油面积8.6km2, 地质储量2366×104t, 可采储量439.2×104t, 2012年全油藏共有油井440口, 开井313口, 油井平均核实日产油289t;水井142口, 开井141口, 分注井127口, 日均注水1282方。截止到2012年10月底油藏核实年产油8.5381万吨, 采油速度0.47%, 地质储量采出程度6.97%, 可采储量采出程度2.51%, 累积注采比1.23, 油藏累计亏空-74.5408万方。目前油藏综合含水45.94%, 相对去年年均含水上升率-2.26%, 老井自然递减率8.7%, 老井综合递减率8.5%, 油藏平均地层压力1.75MPa, 保压率89%, 水驱控制程度43%, 水驱动用程度39.6%。

2 油田单井低产低效原因分析

(1) 边部老井地层能量低、供液不足, 是油砂山油田提高单井产量面临的主要问题;在2011-2012年对于这一类井从地质基础资料做起, 认真分析区域储层分布和微相分布的前提下, 结合经济效益的预测, 对低压区域进行老井转注工作, 目的是提高边部区域的地层能量及一线油井地层供液能力。

(2) 主力区域绝对产水量高、产油量低;2012年从地质基础分析和井组动态分析结合入手, 对因水井单层突进导致一线油井含水高井, 通过精细注水、投捞调配、层系调整等措施调整水井的纵向吸水结构, 控制油井含水上升。

(3) 油田水驱控制、动用程度低, 严重影响油田老井稳产、新井上产;油田属于超低压油田, 一线油井注水受效性差, 递减加快, 下步要通过水井层系细分结合精细注水工作提高水驱控制、动用程度, 提高油田水驱波及系数。

3 提高油砂山油田产量下步工作思路

3.1 控制合理注采比

要保持一定的压力水平, 需要的注采比和要保持的压力水平及油田的含水率有关系。根据物质平衡公式:

I P R—注采比;B o—地层原油的体积系数;

B w—地层水的体系系数;f w—油田含水, %。

从油砂山油田的高压物性资料得到, 地层原油的体积系数Bo为1.036, 地层水的体积系数Bw为地上水的密度与地层中水的密度之比, 即1/1.17=0.853。将含水47%代入得出油田的理论合理注采比。

3.2 保质保量开展精细注水工作

2012年精细注水井实施59井, 其中换封作业40井次, 老井换封后投捞合格井数18井次, 通过对18井组生产情况对比, 日产油量由年初的56吨上升至目前64吨左右, 日增油8吨左右, 综合含水较年初46.37%下降至目前35.27%, 含水下降11个百分点。通过精细注水井组生产情况对比, 井组实施精细注水水后, 在投捞调配合格且与吸水资料一致情况下, 一线油井注水受效。下步应保质保量继续开展精细注水工作。

3.3 培育地层能量先期注水

油砂山油田Ⅴ、Ⅵ断块因水井注水效果差, 导致地层能量恢复较差, 油井低产低效 (油井平均单井日产0.4吨) 。故在Ⅴ、Ⅵ断块优选中215井组开展先期注水试验, 摸索大排量注水下井组见效时间、剖面变化、一线油井产量变化等资料, 为后期Ⅴ、Ⅵ断块开发积累经验。该井试验结束已正常注水, 目前正在中628井开展先期注水试验。

3.4 油井酸化

油砂山油田2005-2009年油井酸化为正规泡沫酸化, 酸化效果明显 (见图1) 。油井增油有效期长、单井年增油量大。下步建议对2011-2012年新投井, 压力较高, 油层厚度较厚区域油井开展泡沫酸化作业, 解除近井带污染提高单井产量。

3.5 在主力区域开展Ⅱ、Ⅲ层系细分工作

油砂山油田共有油层211个, 目前主力区块分为Ⅰ上、Ⅰ下、Ⅱ层系、Ⅲ层系四套层系开发, 为了提高水驱效果、提高水驱波及系数。由于目前油田分四个层系开发, 单井射开厚度较大, 从Ⅰ、Ⅱ、Ⅲ油井射开厚度与采油强度关系图来看, 油砂山油田油井单井射开厚度应控制在14至22米。建议在Ⅱ、Ⅲ层系开展层系细分工作。

3.6 优化机采制度 (虹吸采油)

油砂山油田中251井虹吸采油取得较好效果, 下步在油田注水未受效区域, 挑选具有一定生产潜力且井况较好油井结合检泵开展虹吸采油方式生产。

结束语:油砂山开发工作主要方向是提高水驱控制、动用程度, 以提高一线油井地层供液能力。下一步油田通过控制合理注采比、继续开展精细注水、先期注水、油井酸化、在Ⅱ、Ⅲ主力区域开展层系细分、优化机采制度 (虹吸采油) 等工作, 油水井并举来提高一线油井的单井产量, 努力实现油砂山油田稳产上产的新局面。

摘要：2012年油砂山油田平均单井日产油仅为0.92t, 油田油井低产低效成为制约油田发展的瓶颈。由于近两年新井均产低于油田平均水平, 油田稳产必须依靠控制老井递减, 促进新井上产。因此注水工作是油田稳产、上产的重中之重。油田油井提高单井产量下步工作必须解决油田水驱控制、动用程度低, 提高油田注水受效性等问题。

关键词：精细注水,细分层,虹吸采油

参考文献

[1]方凌云, 万新德主编.1997.砂岩油藏注水开发动态分析.石油工业出版社