油井壓裂措施智能分析系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)

高新成，徐 璐

(1.東北石油大學(xué) 現(xiàn)代教育技術(shù)中心，黑龍江 大慶 163318；2.東北石油大學(xué) 計(jì)算機(jī)與信息技術(shù)學(xué)院，黑龍江 大慶 163318)

油井壓裂措施智能分析系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)

高新成1，徐 璐2

(1.東北石油大學(xué) 現(xiàn)代教育技術(shù)中心，黑龍江 大慶 163318；2.東北石油大學(xué) 計(jì)算機(jī)與信息技術(shù)學(xué)院，黑龍江 大慶 163318)

隨著油田二次開發(fā)中壓裂措施井?dāng)?shù)量不斷增多，會(huì)導(dǎo)致壓裂分析難度增大。結(jié)合油田壓裂措施選井選層業(yè)務(wù)的實(shí)際需求，采用專家推理機(jī)制和BP神經(jīng)網(wǎng)絡(luò)算法等技術(shù)，設(shè)計(jì)開發(fā)了一套油井壓裂措施智能分析系統(tǒng)。系統(tǒng)實(shí)現(xiàn)了對(duì)壓裂措施的合理分析和措施選井選層的效果評(píng)價(jià)，降低了措施井優(yōu)選的復(fù)雜度，提高了壓裂措施后增油量預(yù)測(cè)的準(zhǔn)確性，為油田二次開發(fā)生產(chǎn)提供輔助決策支持。

壓裂措施； 選井選層； 專家系統(tǒng)； BP神經(jīng)網(wǎng)絡(luò)

壓裂技術(shù)是目前油田二次開采提高產(chǎn)油量的重要手段，壓裂措施業(yè)務(wù)具有流程復(fù)雜、數(shù)據(jù)分析因素多等特點(diǎn)，隨著措施井的數(shù)量逐漸增多，導(dǎo)致對(duì)壓裂措施數(shù)據(jù)處理效率低，分析不準(zhǔn)確[1]。具體表現(xiàn)在：①潛力井篩選需要綜合考慮生產(chǎn)動(dòng)態(tài)數(shù)據(jù)和靜態(tài)資料等，分析內(nèi)容多，數(shù)據(jù)量大；②對(duì)措施增產(chǎn)分析準(zhǔn)確率不高，預(yù)測(cè)效果不理想；③現(xiàn)有較多措施分析相關(guān)軟件沒(méi)有集成到統(tǒng)一平臺(tái)上，數(shù)據(jù)共享率低，平臺(tái)聯(lián)動(dòng)性不強(qiáng)[2]。

針對(duì)上述問(wèn)題，本文以油井動(dòng)態(tài)和靜態(tài)數(shù)據(jù)為基礎(chǔ)，研究措施井優(yōu)選與效果預(yù)測(cè)等技術(shù)，實(shí)現(xiàn)油田壓裂措施井智能優(yōu)選與預(yù)測(cè)分析，提高壓裂措施業(yè)務(wù)數(shù)據(jù)分析效率，提升油井壓裂后產(chǎn)量預(yù)測(cè)效果的準(zhǔn)確性。

1 油井壓裂智能分析相關(guān)技術(shù)

1.1 專家知識(shí)系統(tǒng)

專家知識(shí)系統(tǒng)(Expert Knowledge System，EKS)通常被認(rèn)為是一種具有專家評(píng)判能力的分析系統(tǒng)，其思想是運(yùn)用大量專業(yè)知識(shí)與經(jīng)驗(yàn)智能推理，求解最佳方法[3-4]。通常設(shè)計(jì)專家系統(tǒng)包括知識(shí)庫(kù)、推理機(jī)、知識(shí)獲取、解釋系統(tǒng)、中間數(shù)據(jù)庫(kù)和人機(jī)接口6部分內(nèi)容[5]。體系結(jié)構(gòu)如圖1所示。

圖1 專家系統(tǒng)體系結(jié)構(gòu)

知識(shí)庫(kù)用于存放知識(shí)與經(jīng)驗(yàn)等內(nèi)容，形成專業(yè)知識(shí)庫(kù)；推理機(jī)是從知識(shí)庫(kù)中獲取有用信息后，選擇解決問(wèn)題的推理方式[6]；知識(shí)獲取是知識(shí)、經(jīng)驗(yàn)的收集與表達(dá)的過(guò)程；中間數(shù)據(jù)庫(kù)用于臨時(shí)存放推理過(guò)程中需要處理的數(shù)據(jù)信息；解釋系統(tǒng)通過(guò)解釋和執(zhí)行等方式將推理的結(jié)果及遇到的問(wèn)題反饋給用戶；人機(jī)接口提供系統(tǒng)與用戶間交互接口及用戶友好訪問(wèn)界面[7]。

1.2 BP神經(jīng)網(wǎng)絡(luò)技術(shù)

人工神經(jīng)網(wǎng)絡(luò)技術(shù)是一種學(xué)習(xí)和模仿人腦信息處理的數(shù)學(xué)模型。BP神經(jīng)網(wǎng)絡(luò)是一種按誤差反向傳播算法訓(xùn)練的多層前饋網(wǎng)絡(luò)，目前應(yīng)用廣泛。它能夠以任意精度逼近任何非線型連續(xù)函數(shù)，無(wú)需事前揭示輸入和輸出之間的映射關(guān)系，適合求解復(fù)雜問(wèn)題。BP神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)包括輸入層(input layer)、隱含層(hide layer)和輸出層(output layer)，各層的節(jié)點(diǎn)數(shù)可根據(jù)實(shí)際情況進(jìn)行設(shè)定[8]。BP神經(jīng)網(wǎng)絡(luò)的模型結(jié)構(gòu)如圖2所示。

圖2 三層BP網(wǎng)絡(luò)模型

該模型為三層BP神經(jīng)網(wǎng)絡(luò)，其中，輸入節(jié)點(diǎn)n個(gè)，輸出節(jié)點(diǎn)m個(gè)，隱含節(jié)點(diǎn)h個(gè)。

隱含層神經(jīng)單元的計(jì)算可以表示為：

其中，xi表示輸入信號(hào)，pj表示隱含節(jié)點(diǎn)，ωij表示輸入節(jié)點(diǎn)與隱含節(jié)點(diǎn)間網(wǎng)絡(luò)權(quán)值，θj為隱含層閾值，f(·)為激勵(lì)函數(shù)。

輸出層神經(jīng)單元的計(jì)算可以表示為：

其中，pj表示隱含節(jié)點(diǎn)，yk表示輸出節(jié)點(diǎn)，ωjk表示隱含節(jié)點(diǎn)與輸出節(jié)點(diǎn)間網(wǎng)絡(luò)權(quán)值，θk為輸出層閾值[9]。

通過(guò)信息正向傳遞和誤差反向傳播，反復(fù)修正權(quán)值和閥值，使得誤差函數(shù)值達(dá)到最小，完成學(xué)習(xí)功能[10]。

2 油井壓裂措施智能分析系統(tǒng)設(shè)計(jì)

2.1 系統(tǒng)架構(gòu)模型設(shè)計(jì)

針對(duì)油井壓裂措施智能分析系統(tǒng)實(shí)際需求，設(shè)計(jì)油井壓裂措施智能分析系統(tǒng)架構(gòu)模型。模型主要包括應(yīng)用層、業(yè)務(wù)邏輯層和數(shù)據(jù)層3部分，系統(tǒng)架構(gòu)如圖3所示。

圖3 油井壓裂措施智能分析系統(tǒng)架構(gòu)模型

數(shù)據(jù)層負(fù)責(zé)數(shù)據(jù)管理與維護(hù)等功能。數(shù)據(jù)管理主要包括集成油田已有的靜態(tài)數(shù)據(jù)和生產(chǎn)數(shù)據(jù)庫(kù)等，實(shí)現(xiàn)樣本數(shù)據(jù)、小隊(duì)數(shù)據(jù)、中間數(shù)據(jù)和生產(chǎn)數(shù)據(jù)庫(kù)等數(shù)據(jù)的有效處理。數(shù)據(jù)維護(hù)主要包括樣本數(shù)據(jù)和元數(shù)據(jù)維護(hù)，以及對(duì)管理機(jī)制的維護(hù)。

業(yè)務(wù)邏輯層負(fù)責(zé)智能優(yōu)選和預(yù)測(cè)分析等功能。利用專家選井知識(shí)庫(kù)生成元數(shù)據(jù)集、邏輯規(guī)則和產(chǎn)生式規(guī)則，形成全面的知識(shí)體系結(jié)構(gòu)，并通過(guò)知識(shí)合理獲取實(shí)現(xiàn)智能推理機(jī)制。同時(shí)，依據(jù)優(yōu)選結(jié)果篩選預(yù)測(cè)樣本，設(shè)定預(yù)測(cè)算法，建立預(yù)測(cè)模型，實(shí)現(xiàn)產(chǎn)能預(yù)測(cè)效果分析。

應(yīng)用層包括篩選出潛力井、跟蹤預(yù)測(cè)效果和生成措施方案等多種應(yīng)用。

2.2 系統(tǒng)功能模塊設(shè)計(jì)

結(jié)合油田實(shí)際壓裂措施業(yè)務(wù)，設(shè)計(jì)油井壓裂措施智能分析系統(tǒng)主要包括潛力井優(yōu)選、效果預(yù)測(cè)分析、生成措施方案和系統(tǒng)平臺(tái)管理等功能模塊，如圖4所示。

圖4 系統(tǒng)功能模塊圖

潛力井優(yōu)選：依據(jù)壓裂措施選井選層標(biāo)準(zhǔn)，設(shè)計(jì)篩選規(guī)則和優(yōu)選算法，形成措施潛力井知識(shí)庫(kù)，實(shí)現(xiàn)壓裂措施潛力井自動(dòng)篩選任務(wù)，同時(shí)能夠?qū)σ?guī)則進(jìn)行維護(hù)。

效果預(yù)測(cè)分析：依據(jù)措施井歷史數(shù)據(jù)，選取樣本數(shù)據(jù)，生成預(yù)測(cè)樣本庫(kù)，設(shè)定預(yù)測(cè)算法，建立具體預(yù)測(cè)效果模型，分析出預(yù)測(cè)措施結(jié)果。

生成措施方案：根據(jù)需要壓裂的潛力井，確定具體措施方案，利用歷史數(shù)據(jù)和措施方式生成工程與地質(zhì)方案，并對(duì)方案有效管理。

系統(tǒng)平臺(tái)管理：包括用戶管理、權(quán)限分配和數(shù)據(jù)備份等內(nèi)容，實(shí)現(xiàn)根據(jù)業(yè)務(wù)需求分配相應(yīng)管理權(quán)限等靈活設(shè)置，數(shù)據(jù)備份為系統(tǒng)數(shù)據(jù)管理提供更好的安全性。

3 系統(tǒng)主要功能實(shí)現(xiàn)

系統(tǒng)結(jié)合C/S與B/S混合模式[11]，基于.NET平臺(tái)開發(fā)，利用Oracle數(shù)據(jù)庫(kù)實(shí)現(xiàn)后臺(tái)數(shù)據(jù)管理。采用專家推理機(jī)制實(shí)現(xiàn)措施井的智能優(yōu)選，采用BP神經(jīng)網(wǎng)絡(luò)算法等技術(shù)實(shí)現(xiàn)措施效果預(yù)測(cè)分析，采用SOA技術(shù)實(shí)現(xiàn)系統(tǒng)的應(yīng)用集成[12]，實(shí)現(xiàn)對(duì)油井壓裂措施效果的智能分析。

3.1 措施井智能優(yōu)選

圖5 措施井智能優(yōu)選界面

圖6 效果預(yù)測(cè)分析

措施井智能優(yōu)選模型的設(shè)計(jì)包含：措施井專家知識(shí)體系的建立、專家知識(shí)庫(kù)的管理和專家知識(shí)推理。利用地質(zhì)人員多年的措施井選井經(jīng)驗(yàn)建立壓裂措施選井知識(shí)庫(kù)以及知識(shí)庫(kù)表示形式，對(duì)專家知識(shí)庫(kù)進(jìn)行實(shí)時(shí)更新，采用專家知識(shí)推理機(jī)制根據(jù)措施井的基礎(chǔ)信息得到專家優(yōu)選結(jié)果。專家知識(shí)推理的原理是將產(chǎn)生式規(guī)則和框架相結(jié)合，將專家知識(shí)庫(kù)和知識(shí)推理過(guò)程相聯(lián)系，最后運(yùn)用綜合評(píng)估的方法得出專家優(yōu)選的結(jié)果。智能優(yōu)選界面如圖5所示。

3.2 措施效果預(yù)測(cè)分析

措施效果預(yù)測(cè)分析是根據(jù)壓裂井的基礎(chǔ)數(shù)據(jù)對(duì)壓裂效果進(jìn)行預(yù)測(cè)。根據(jù)壓裂井的歷史數(shù)據(jù)建立樣本，為了提高預(yù)測(cè)準(zhǔn)確率，分別建立每個(gè)區(qū)域的數(shù)據(jù)樣本；設(shè)計(jì)措施效果預(yù)測(cè)模型，本文采用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)；將區(qū)域樣本輸入BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，直到誤差在設(shè)定范圍之內(nèi)，保存相應(yīng)的權(quán)值和閾值，建立每個(gè)區(qū)域的預(yù)測(cè)模型；模型訓(xùn)練完成后，將模型的計(jì)算結(jié)果與壓裂措施實(shí)際數(shù)據(jù)進(jìn)行對(duì)比，并顯示誤差曲線，如圖6所示。

4 結(jié)束語(yǔ)

本文首先分析油井壓裂措施業(yè)務(wù)實(shí)際需求，通過(guò)研究智能優(yōu)選與預(yù)測(cè)分析等相關(guān)技術(shù)與方法，設(shè)計(jì)了油井壓裂措施智能分析系統(tǒng)架構(gòu)模型，模型中引入專家系統(tǒng)思想，建立措施選井選層的專家推理機(jī)制，降低了措施井優(yōu)選的復(fù)雜度；同時(shí)，采用BP神經(jīng)網(wǎng)絡(luò)方法建立壓裂井的產(chǎn)能預(yù)測(cè)模型，提高預(yù)測(cè)壓后增油量的準(zhǔn)確性；最后開發(fā)一套油井壓裂措施智能分析系統(tǒng)，實(shí)現(xiàn)了壓裂措施智能分析與輔助決策，提高了工作效率。

[1] 陳利琴.對(duì)油井壓裂技術(shù)的研究與探討[J].中國(guó)新技術(shù)新產(chǎn)品，2015(7):80-81.

[2] 關(guān)潔,馬春芳.油井壓裂效果分析[J].黑龍江科技信息，2011(5):20-21.

[3] 張煜東,吳樂(lè)南,王水花.專家系統(tǒng)發(fā)展綜述[J].計(jì)算機(jī)工程與應(yīng)用，2010(19):43-47.

[4] 李春生,張可佳.基于工程決策的專家系統(tǒng)模型設(shè)計(jì)與研究[J].計(jì)算機(jī)技術(shù)與發(fā)展，2012,22(3):89-90.

[5] 徐璐.油井壓裂措施分析輔助平臺(tái)的設(shè)計(jì)研究[D].大慶：東北石油大學(xué)，2016.

[6] BEAM C.Artificial intelligence applications in research of traditional Chinese medicine[J].Scientific consulting (management)，2010(5):83-86.

[7] CAO Han-qing.Engine room simulator based on expert system to automatically score system[J].Marine electric technology,2013(2):37-39.

[8] 李如平,朱煉,吳房勝,等.BP神經(jīng)網(wǎng)絡(luò)算法改進(jìn)及應(yīng)用研究[J].菏澤學(xué)院學(xué)報(bào),2016(2):13-17.

[9] GAO Xue-jun,HUANG Ting-wen,WANG Zhen-you.Exploiting a Modified Gray Model in Back Propagation Neural Networks for Enhanced Forecasting[J].Cognitive Computation,2014,6(3):331-337.

[10] YE L,LIU T,WU Z.Sequence-based protein domain boundary prediction using BP neural network with various property profiles[J]. STRUCTURE,FUNCTION AND GENETICS,2008,71(1):300-307.

[11] 姚寧廣.基于B/S模式的評(píng)審專家信息管理和選取系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J].電腦知識(shí)與技術(shù),2016(27):77-79.

[12] 高新成,王莉利,劉玉華.基于SOA的數(shù)字化校園應(yīng)用模式的研究[J].齊齊哈爾大學(xué)學(xué)報(bào)(自然科學(xué)版),2011,27(5):39-42.

[責(zé)任編輯：李 莉]

Design and realization of oil well fracturing measure intelligent analysis system

GAO Xin-cheng1,XU Lu2

(1.Modern Education Technique Center,Northeast Petroleum University,Daqing 163318,China；2.School of Computer & Information Technology,Northeast Petroleum University,Daqing 163318,China)

With the increment of the number of fracturing measure wells,fracturing analysis becomes more difficulty. This article combines with the actual demand of selecting wells and layer of oilfield fracturing measures,uses the expert reasoning mechanism and BP neural network algorithm,designs and develops an set of oil well fracturing intelligent analysis system. The system accomplishes the rational analysis for fracturing measure and the effect evaluation for selecting the well and layer,reduces the optimized complexity of measure well,and improves the predictive accuracy of the oil increment after fracturing. It provides a significant support for tapping production potential and improving oilfield management level,and provides auxiliary decision support for secondary development for oilfield.

fracturing measure; oil well and layer selection; expert system; BP neural network

2096-3998(2017)03-0031-04

2016-11-29

2017-03-30

黑龍江省教育科學(xué)規(guī)劃重點(diǎn)課題(GJB1215013)；黑龍江省高教學(xué)會(huì)教育科研課題(16G154,16G160)

高新成(1979—)，男，黑龍江省木蘭縣人，東北石油大學(xué)副教授，博士，主要研究方向?yàn)閿?shù)據(jù)處理與智能計(jì)算。

TP399

A