人工神經(jīng)網(wǎng)絡(luò)技術(shù)在油氣田開(kāi)發(fā)中的應(yīng)用綜述

吳霄*, 楊若谷，余情，李靜嘉

?

人工神經(jīng)網(wǎng)絡(luò)技術(shù)在油氣田開(kāi)發(fā)中的應(yīng)用綜述

吳霄1*, 楊若谷2，余情2，李靜嘉2

（1.中國(guó)石油大學(xué)（北京），北京昌平，102249；2.北京雅丹石油技術(shù)開(kāi)發(fā)有限公司，北京昌平102249）

油氣田開(kāi)發(fā)過(guò)程中存在復(fù)雜的、多事件激勵(lì)的工況診斷和產(chǎn)量預(yù)測(cè)問(wèn)題，而傳統(tǒng)的解決方法存在一定的局限性。人工神經(jīng)網(wǎng)絡(luò)技術(shù)作為一種非線性方法，具有信息融合、綜合預(yù)測(cè)、分類(lèi)等功能，對(duì)于這些問(wèn)題有較好的適用性。因此，國(guó)內(nèi)許多學(xué)者將人工神經(jīng)網(wǎng)絡(luò)技術(shù)引入油氣田開(kāi)發(fā)中，利用其獨(dú)特的性質(zhì)，有效提高工況診斷及產(chǎn)量預(yù)測(cè)等的效率和準(zhǔn)確性。本文對(duì)人工神經(jīng)網(wǎng)絡(luò)技術(shù)在油氣田開(kāi)發(fā)中的應(yīng)用進(jìn)行了綜述，介紹了各項(xiàng)應(yīng)用的網(wǎng)絡(luò)結(jié)構(gòu)及學(xué)習(xí)算法，并且對(duì)BP神經(jīng)網(wǎng)絡(luò)存在的問(wèn)題及改進(jìn)進(jìn)行了綜述。

人工神經(jīng)網(wǎng)絡(luò)；綜述；工況診斷；預(yù)測(cè)

引言

隨著數(shù)字油田建設(shè)的不斷向前推進(jìn)，油氣水井的數(shù)據(jù)自動(dòng)采集、生產(chǎn)可視化等技術(shù)逐漸普及，極大的豐富了油氣田開(kāi)發(fā)過(guò)程中的評(píng)價(jià)、診斷、優(yōu)化、預(yù)測(cè)的數(shù)據(jù)來(lái)源。目前通常使用經(jīng)驗(yàn)法、物質(zhì)平衡法、數(shù)值模擬法等方法進(jìn)行油氣田產(chǎn)量等預(yù)測(cè)，但存在不能考慮儲(chǔ)層性質(zhì)的影響、無(wú)法考慮人為因素的影響、耗時(shí)長(zhǎng)等缺點(diǎn)，不能適應(yīng)油田開(kāi)發(fā)規(guī)劃方案編制的需要。而單井生產(chǎn)的工況診斷、評(píng)價(jià)，大部分是建立在經(jīng)驗(yàn)?zāi)Ｐ蜕系?，存在主觀性，難以高效利用大量采集到的參數(shù)。神經(jīng)網(wǎng)絡(luò)技術(shù)是一門(mén)非線性信息的智能處理技術(shù)，利用神經(jīng)網(wǎng)絡(luò)技術(shù)對(duì)油氣田開(kāi)發(fā)過(guò)程中產(chǎn)生的數(shù)據(jù)進(jìn)行建模分析，既能全面利用各項(xiàng)數(shù)值信息，又能綜合專家知識(shí)，快速、高效地進(jìn)行油氣田開(kāi)發(fā)過(guò)程中的診斷、優(yōu)化、預(yù)測(cè)。

1 神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介

神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的大規(guī)模并行、分布式處理、自組織、自學(xué)習(xí)、容錯(cuò)性等特點(diǎn)，因而可以將其用于解決知識(shí)表示、獲取、模式識(shí)別、信號(hào)處理和并行推理等問(wèn)題。近些年來(lái)，隨著人工神經(jīng)網(wǎng)絡(luò)理論的發(fā)展，給越來(lái)越多的油氣田開(kāi)發(fā)過(guò)程中的診斷、預(yù)測(cè)、優(yōu)化等問(wèn)題帶來(lái)了新的解決途徑。

人工神經(jīng)網(wǎng)絡(luò)模型有很多，具有代表性的網(wǎng)絡(luò)模型有感知器、線性神經(jīng)網(wǎng)絡(luò)、徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)、BP神經(jīng)網(wǎng)絡(luò)、自組織神經(jīng)網(wǎng)絡(luò)、反饋神經(jīng)網(wǎng)絡(luò)。

目前應(yīng)用最廣，其思路清晰、容易理解的是BP神經(jīng)網(wǎng)絡(luò)，BP網(wǎng)絡(luò)是一種具有三層或三層以上神經(jīng)元的多層前饋網(wǎng)絡(luò)。通過(guò)輸入和輸出樣本集，根據(jù)誤差的反向傳遞，對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。其學(xué)習(xí)過(guò)程包括信息的正向傳播和誤差的反向傳播，根據(jù)不斷調(diào)整和修改網(wǎng)絡(luò)中的連接權(quán)值和閾值使得誤差不斷減小，從而提高網(wǎng)絡(luò)對(duì)輸入響應(yīng)的正確率，直至達(dá)到預(yù)期的誤差范圍，訓(xùn)練即完成。

目前就神經(jīng)網(wǎng)絡(luò)在油氣田開(kāi)發(fā)中的應(yīng)用研究的成果主要體現(xiàn)為：工況診斷[1-4]，出砂預(yù)測(cè)[6]，油田產(chǎn)量預(yù)測(cè)[7-9]。

2 人工神經(jīng)網(wǎng)絡(luò)在油氣田開(kāi)發(fā)的應(yīng)用

鑒于神經(jīng)網(wǎng)絡(luò)自身強(qiáng)大的功能和優(yōu)點(diǎn)，在當(dāng)今的油田生產(chǎn)中，神經(jīng)網(wǎng)絡(luò)的應(yīng)用越來(lái)越廣泛，國(guó)內(nèi)許多學(xué)者運(yùn)用其不同方法對(duì)油田生產(chǎn)中的工況診斷、預(yù)測(cè)等應(yīng)用進(jìn)行了深入研究。

2.1 人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于油氣田開(kāi)發(fā)的工況診斷

工況診斷對(duì)后續(xù)的生產(chǎn)及工作具有重要意義，傳統(tǒng)的經(jīng)驗(yàn)法、閾值法存在主觀性，難以快速準(zhǔn)確進(jìn)行診斷，而神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)及處理非線性問(wèn)題等等優(yōu)點(diǎn)，使其在工況診斷方面有廣泛的應(yīng)用。在研究過(guò)程中，通常選取能全面反應(yīng)工作狀態(tài)的特征量作為輸入，以各種工況狀態(tài)作為輸出，將經(jīng)過(guò)歸一化處理的樣本集送入BP神經(jīng)網(wǎng)絡(luò)中訓(xùn)練。

2008年，朱君[1]等人采用增加了動(dòng)量因子和自適應(yīng)調(diào)整學(xué)習(xí)率相結(jié)合的算法取代傳統(tǒng)的BP算法，以產(chǎn)量、動(dòng)液面和功率這3個(gè)特征量為輸入層節(jié)點(diǎn)，以抽油桿斷、油管斷、泵漏等7種工況為輸出層節(jié)點(diǎn)，建立了基于BP神經(jīng)網(wǎng)絡(luò)的螺桿泵井故障診斷模型,利用VB與Matlab編制相應(yīng)軟件，并獲得了正確的診斷結(jié)果，豐富了螺桿泵井的診斷方法。2010年，蔣瓊[2]等人使用遺傳算法配合神經(jīng)網(wǎng)絡(luò),提出了基于遺傳算法的改進(jìn)BP算法，在油井故障診斷的應(yīng)用中能夠快速的跳出局部最優(yōu)點(diǎn)，大大降低迭代次數(shù)，并且保持良好的準(zhǔn)確率。2012年，袁文琪[3]等人以從示工圖中提取的示工圖面積、尖角、平滑度等14個(gè)特征值為輸入層節(jié)點(diǎn)，以供液不足、柱塞脫出工作筒等8種故障狀態(tài)為輸出層節(jié)點(diǎn)，建立了基于BP神經(jīng)網(wǎng)絡(luò)的油井故障診斷模型，有效的提高了有桿泵井故障診斷的準(zhǔn)確性和效率。2016年，彭科翔[4]根據(jù)電流卡片的特征值提取了電流波動(dòng)特征量、電流變化特征量、停機(jī)特征量、開(kāi)關(guān)機(jī)特征量，以這4類(lèi)19個(gè)特征量為輸入層節(jié)點(diǎn)，10種故障類(lèi)型為輸出節(jié)點(diǎn)，提出了應(yīng)用BP神經(jīng)網(wǎng)絡(luò)診斷電潛泵故障的模型，快速、準(zhǔn)確的進(jìn)行電潛泵診斷，有效減少了電潛泵在不正常工況下的工作時(shí)間。

2.2 人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于油氣田開(kāi)發(fā)的預(yù)測(cè)

與工況診斷類(lèi)似，神經(jīng)網(wǎng)絡(luò)的各種特點(diǎn)使得其對(duì)預(yù)測(cè)非常適用。利用神經(jīng)網(wǎng)絡(luò)可以對(duì)油氣田開(kāi)發(fā)的產(chǎn)量、作業(yè)的種類(lèi)等進(jìn)行預(yù)測(cè)，指導(dǎo)后續(xù)生產(chǎn)，輔助油田生產(chǎn)決策。

對(duì)于預(yù)測(cè)方面的研究，2008年，毛銳[5]以自然地質(zhì)條件、油井工藝水平、日常維護(hù)技術(shù)等28個(gè)影響因素為輸入層節(jié)點(diǎn)，換泵、檢泵、補(bǔ)孔等7種作業(yè)為輸出層節(jié)點(diǎn)，建立了基于BP神經(jīng)網(wǎng)絡(luò)的井下作業(yè)預(yù)測(cè)模型，實(shí)現(xiàn)了檢泵作業(yè)成本的預(yù)算，挖掘了成本管理的潛力。2008年，于會(huì)永[6]等人通過(guò)主成分分析選取對(duì)出砂貢獻(xiàn)最高的4個(gè)特征值作為輸入層節(jié)點(diǎn)，3種出砂程度為輸出層節(jié)點(diǎn)，建立了出砂預(yù)測(cè)模型，與未經(jīng)主成分分析處理直接構(gòu)造神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)測(cè)相比,提高了18.75%的準(zhǔn)確率，為影響因素多且機(jī)理較為復(fù)雜的出砂預(yù)測(cè)的神經(jīng)網(wǎng)絡(luò)建模提供了一個(gè)有效的方法。但是通過(guò)優(yōu)化主成分個(gè)數(shù)，可提高預(yù)測(cè)精度，并不能縮短訓(xùn)練時(shí)間。2011年，李春生[7]引入LM算法對(duì)BP算法進(jìn)行改進(jìn)，來(lái)調(diào)整優(yōu)化網(wǎng)絡(luò)權(quán)值，通過(guò)仿真式樣，對(duì)油井產(chǎn)量進(jìn)行預(yù)測(cè)，驗(yàn)證了算法的實(shí)用性和可信性，提高了預(yù)測(cè)精度并縮短了預(yù)測(cè)時(shí)間，彌補(bǔ)了傳統(tǒng)BP網(wǎng)絡(luò)的不足。2012年，陳東虎[8]提出一種廣義回歸神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)油井含水率，通過(guò)對(duì)2006-2010的某油田產(chǎn)量進(jìn)行試驗(yàn)，相對(duì)誤差在0.05%-1.62%之間，較其它模型更為準(zhǔn)確，并且在訓(xùn)練樣本不夠時(shí)，仍有較高的預(yù)測(cè)精度，并且樣本數(shù)量增加時(shí)，精度也會(huì)增加。2013年，段澤英[9]等人以12個(gè)時(shí)間間隔為節(jié)點(diǎn)的輸入層，產(chǎn)水量、產(chǎn)油量為節(jié)點(diǎn)的輸出層，建立了基于BP神經(jīng)網(wǎng)絡(luò)的油井生產(chǎn)趨勢(shì)預(yù)測(cè)模型，對(duì)于大中型和信息化程度較高的油田，較傳統(tǒng)的擬合公式法，具有處理速度快、效率高的優(yōu)點(diǎn)，且能保證一定的準(zhǔn)確性輔助油田生產(chǎn)決策。

2.3 存在的問(wèn)題與解決途徑

從研究中可以看出，當(dāng)前油氣田開(kāi)發(fā)應(yīng)用廣泛使用的BP神經(jīng)網(wǎng)絡(luò)通常選擇影響因素作為輸入層節(jié)點(diǎn)，根據(jù)經(jīng)驗(yàn)或?qū)嶒?yàn)效果選擇隱藏層的節(jié)點(diǎn)個(gè)數(shù)，以結(jié)果的狀態(tài)為輸出層的節(jié)點(diǎn)，以sigmoid或logistic函數(shù)為激活函數(shù)，進(jìn)行訓(xùn)練，都能取得一定的效果。輸入層節(jié)點(diǎn)的選擇對(duì)于整個(gè)方法來(lái)說(shuō)至關(guān)重要，對(duì)于影響因素較多的問(wèn)題，可使用主成分分析法[6]優(yōu)化輸入節(jié)點(diǎn)個(gè)數(shù)，提高精度。

但由于BP神經(jīng)網(wǎng)絡(luò)本身存在許多缺陷和不足，其優(yōu)化可從以下4個(gè)方面著手[10]：1.優(yōu)化網(wǎng)絡(luò)性能。加速網(wǎng)絡(luò)訓(xùn)練的收斂速度，可通過(guò)變化的學(xué)習(xí)速率加以改進(jìn)。2. 避免局部最優(yōu)解的出現(xiàn)。局部極小化會(huì)使權(quán)值收斂到局部極小點(diǎn)，導(dǎo)致訓(xùn)練失敗。3. 動(dòng)態(tài)調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)。網(wǎng)絡(luò)隱含層的層數(shù)和單元數(shù)的選擇尚無(wú)理論上的指導(dǎo)，僅有一些經(jīng)驗(yàn)公式來(lái)幫助選擇。因此，網(wǎng)絡(luò)往往存在很大的冗余性，在一定程度上也增加了網(wǎng)絡(luò)學(xué)習(xí)的負(fù)擔(dān)。4. 需提高泛化能力。網(wǎng)絡(luò)的學(xué)習(xí)和記憶具有不穩(wěn)定性，如果增加了學(xué)習(xí)樣本，訓(xùn)練好的網(wǎng)絡(luò)就需要從頭開(kāi)始訓(xùn)練。

目前通過(guò)將BP神經(jīng)網(wǎng)絡(luò)與其他算法相結(jié)合來(lái)彌補(bǔ)BP神經(jīng)網(wǎng)絡(luò)的不足，取得了一定的效果。如通過(guò)增加動(dòng)量因子和自適應(yīng)調(diào)整學(xué)習(xí)率相結(jié)合的算法，降低了網(wǎng)絡(luò)對(duì)于誤差曲面局部調(diào)節(jié)的敏感性,有效抑制網(wǎng)絡(luò)陷入局部極小值，并且增加穩(wěn)定性，提高訓(xùn)練的速度和精度[1]，采用基于遺傳算法改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于抽油機(jī)井故障診斷，較快地跳出局部最優(yōu)點(diǎn)，降低了迭代次數(shù)[2]。

3 結(jié)束語(yǔ)

神經(jīng)網(wǎng)絡(luò)技術(shù)在實(shí)現(xiàn)任意映射關(guān)系上具有獨(dú)特的優(yōu)勢(shì)，在不能確定問(wèn)題的確切表達(dá)式和關(guān)系的前提下，提供一種易于接受具有關(guān)聯(lián)性的結(jié)果，BP神經(jīng)網(wǎng)絡(luò)作為神經(jīng)網(wǎng)絡(luò)的典型代表，可廣泛應(yīng)用與油氣田開(kāi)發(fā)中的各項(xiàng)領(lǐng)域。在使用神經(jīng)網(wǎng)絡(luò)技術(shù)時(shí)，需特別注意輸入信息、網(wǎng)絡(luò)結(jié)構(gòu)、學(xué)習(xí)樣本的選擇，并根據(jù)實(shí)際需求和實(shí)驗(yàn)效果調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)及學(xué)習(xí)精度，訓(xùn)練樣本包含的信息往往影響結(jié)果的準(zhǔn)確性，因此，豐富樣本的質(zhì)量和數(shù)量應(yīng)成為準(zhǔn)備工作的一部分。優(yōu)化神經(jīng)網(wǎng)絡(luò)算法、與其他算法相結(jié)合是難點(diǎn)，也是研究發(fā)展的趨勢(shì)，相信在今后油氣田開(kāi)發(fā)中會(huì)應(yīng)用更多優(yōu)化的神經(jīng)網(wǎng)絡(luò)，更加針對(duì)的解決問(wèn)題。

[1] 朱君, 高宇, 葉鑫銳. 基于BP神經(jīng)網(wǎng)絡(luò)的螺桿泵井故障診斷方法[J]. 石油機(jī)械, 2008, 36(1):42-44.

[2] 蔣瓊, 李訓(xùn)銘. 優(yōu)化的BP網(wǎng)絡(luò)在抽油井故障診斷中的應(yīng)用研究[J]. 計(jì)算機(jī)與現(xiàn)代化, 2010(12): 182-185.

[3] 袁文琪, 李訓(xùn)銘. 基于神經(jīng)網(wǎng)絡(luò)的油井故障診斷系統(tǒng)研究與實(shí)現(xiàn)[J]. 電子設(shè)計(jì)工程, 2012, 20(8): 35-37.

[4] 彭科翔. 基于BP神經(jīng)網(wǎng)絡(luò)的潛油電泵故障診斷[J]. 石油化工高等學(xué)校學(xué)報(bào), 2016, 29(1): 76-79.

[5] 毛銳. BP神經(jīng)網(wǎng)絡(luò)在作業(yè)成本預(yù)算中的應(yīng)用[J]. 哈爾濱理工大學(xué)學(xué)報(bào), 2008, 13(3): 107-110.

[6] 于會(huì)永, 劉慧卿, 張紅玲, 等. 基于主成分分析和BP神經(jīng)網(wǎng)絡(luò)的出砂預(yù)測(cè)模型[J]. 中國(guó)石油大學(xué)勝利學(xué)院學(xué)報(bào), 2008, 22(3): 1-3.

[7] 李春生, 譚民浠, 張可佳. 基于改進(jìn)型BP神經(jīng)網(wǎng)絡(luò)的油井產(chǎn)量預(yù)測(cè)研究[J]. 科學(xué)技術(shù)與工程, 2011, 11(31): 7766-7769.

[8] 陳東虎, 朱維耀, 朱華銀,等. 應(yīng)用廣義回歸神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)油井含水率[J]. 重慶科技學(xué)院學(xué)報(bào):自然科學(xué)版, 2012, 14(6):97-101.

[9] 發(fā)段澤英, 肖春林, 游莉, 等. 基于油田生產(chǎn)數(shù)據(jù)的油井生產(chǎn)趨勢(shì)預(yù)測(cè)方法研究[C]// 2013數(shù)字與智能油氣田. 2013.

[10] Thomas A. Curran SAP R/3 reporting and ebussiness intelligence [M].Pearson Education, 2003.

The Application of Artificial Neural Network in the Development of the Oil and Gas

WU Xiao1*, YANG Ruogu2, YU Qing2, LI Jingjia2

（1.College of Petroleum Engineering, China University of Petroleum (Beijing), Beijing Changping 102249, China; 2. Beijing Yadan Petroleum Technology Co., Ltd., Beijing 102249, China）

Complex and multi event incentive problems such as working condition diagnosis and prediction of production exist in the development of the oil and gas, while there are some limitations in the traditional method. As a nonlinear method, the artificial neural network, with the function of information fusion, integrated forecasting and classification, is applicable for such problems. Therefore, domestic scholars introduce the technology of artificial neural network into the development of the oil and gas, and improve the efficiency and accuracy of working condition diagnosis and prediction of production by taking advantage of its unique properties. This paper reviews the application of artificial neural network technology in oil and gas field development, introduces the network structure and learning algorithm of the application, and summaries the problems and improvement in BP neural network.

artificial neural network; review; working condition diagnosis; prediction

10.19551/j.cnki.issn1672-9129.2017.01.05

TE3

A

1672-9129(2017)01-0018-03

2017-01-17；

2017-02-02。

吳霄(1990-)，男，湖北溪水，碩士，主要研究方向：石油工程數(shù)據(jù)挖掘；楊若谷（1980-），男，北京，高級(jí)工程師，主要研究方向：油氣生產(chǎn)物聯(lián)網(wǎng)、油氣生產(chǎn)大數(shù)據(jù)挖掘及采油技術(shù)。E-mail：819565848@qq.com