基于SVM技術(shù)調(diào)剖(驅(qū))潛力預(yù)測(cè)

楊建雷，張津紅

(1.承德石油高等?？茖W(xué)校 石油工程系，河北 承德 067000；2.大港油田公司 采油工藝研究院，天津 300280)

油田注水開(kāi)發(fā)中調(diào)剖(驅(qū))施工的效果預(yù)測(cè)，一直是行業(yè)內(nèi)亟待解決的難題，現(xiàn)階段缺乏系列行之有效的精確預(yù)測(cè)方法。目前常規(guī)的預(yù)測(cè)方法有專家經(jīng)驗(yàn)法、數(shù)值模擬預(yù)測(cè)及基于統(tǒng)計(jì)學(xué)習(xí)理論的潛力預(yù)測(cè)法等[1]。這些方法無(wú)不局限于資料的完整性及受過(guò)度依賴專家經(jīng)驗(yàn)等因素地制約?？紤]到影響調(diào)驅(qū)措施效果原因的復(fù)雜性，無(wú)法用常規(guī)的多元回歸解決各影響因素與措施效果之間的定量關(guān)系。尋求影響調(diào)剖效果的各種因素及其影響規(guī)律，進(jìn)而找到各種主要變量之間的關(guān)系，從而利用這種關(guān)系進(jìn)行調(diào)剖效果預(yù)測(cè)。SVM技術(shù)是20世紀(jì)90年代初Vapnik等人根據(jù)統(tǒng)計(jì)學(xué)習(xí)理論提出的一種新的機(jī)器學(xué)習(xí)方法[2,3]，它以結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則為理論基礎(chǔ)，通過(guò)適當(dāng)?shù)剡x擇函數(shù)子集及該子集中的判別函數(shù)，使學(xué)習(xí)機(jī)器的實(shí)際風(fēng)險(xiǎn)達(dá)到最小，保證了通過(guò)有限訓(xùn)練樣本得到的小誤差分類器，降低獨(dú)立測(cè)試集的測(cè)試誤差。

1 基于SVM技術(shù)調(diào)剖工藝效果預(yù)測(cè)模型

利用已調(diào)剖(驅(qū))井的資料評(píng)價(jià)出其相應(yīng)的效果，對(duì)這些井的動(dòng)靜態(tài)資料、工藝參數(shù)和相應(yīng)的調(diào)剖(驅(qū))效果，建立其水井調(diào)剖效果預(yù)測(cè)的樣本集，再利用這些樣本建立起措施效果的預(yù)測(cè)模型，即可利用該模型預(yù)測(cè)不同地質(zhì)特征、不同開(kāi)發(fā)狀況和工藝條件下的調(diào)剖效果。在模型建立前，首先要對(duì)影響調(diào)剖(驅(qū))效果的主要因素進(jìn)行評(píng)價(jià)分析，在評(píng)價(jià)分析的基礎(chǔ)上，選取合適的樣本集，訓(xùn)練SVM模型。

1.1 因素分析

影響調(diào)剖(驅(qū))效果的因素較多，模型根據(jù)指標(biāo)的重要性及獲取的難易程度，選取以下參數(shù)作為模型訓(xùn)練的評(píng)價(jià)指標(biāo)：

壓力指數(shù)(PI):根據(jù)注水井井口壓降曲線求得,單位MPa。調(diào)前注水井井口壓力指數(shù)越低，井組調(diào)剖效果越好。

調(diào)前注入壓力(P)：指調(diào)驅(qū)前注水井的平均注入壓力值,單位MPa。水流優(yōu)勢(shì)通道形成后，導(dǎo)致相同注入量下，注水壓力降低，一般調(diào)前注水壓力低的井調(diào)剖效果較好。

調(diào)前平均注入量(Qin)：調(diào)驅(qū)前注水井的平均日注水量,單位m3/d。一般調(diào)前注水量越大，井組調(diào)剖效果總體上越好。

調(diào)前含水率(fw)：調(diào)剖前油井平均含水率，單位%。調(diào)剖(驅(qū))使油水井之間水流優(yōu)勢(shì)通道的形成，往往伴隨著含水率的突升，一般含水率較高的井組，調(diào)驅(qū)必要性較大。

調(diào)劑注入量(Q)：指施工治理過(guò)程中調(diào)剖藥劑的注入量,單位m3，通常堵劑用量越大，對(duì)大孔道封堵越好，總體調(diào)剖效果越好。

無(wú)因次增油量：無(wú)因次量，是考慮到不同調(diào)剖井對(duì)應(yīng)油井?dāng)?shù)目不同、對(duì)應(yīng)油井產(chǎn)量基數(shù)不一樣而采用的一項(xiàng)評(píng)價(jià)指標(biāo)，是衡量調(diào)剖效果的主要指標(biāo)。

1.2 模型的建立

以調(diào)剖歷史數(shù)據(jù)作為訓(xùn)練集(xi，yi)(i=1，2，3，…，n)，xi∈Rn，yi∈R，通過(guò)一個(gè)非線性映射φ將樣本數(shù)據(jù)從樣本空間映射到高維特征空間進(jìn)行線性回歸，從而求解出一個(gè)包含多種因素影響的調(diào)剖調(diào)驅(qū)效果預(yù)測(cè)函數(shù)。

為了消除輸入變量之間由于量綱和數(shù)值大小的差異而造成的影響，避免模型計(jì)算時(shí)出現(xiàn)病態(tài)，將模擬數(shù)據(jù)標(biāo)準(zhǔn)化到[0,1]區(qū)間，然后將標(biāo)準(zhǔn)化后的數(shù)據(jù)作為模型的輸入值。其標(biāo)準(zhǔn)化公式為：

x′i=(xi-minxi)/(maxxi-minxi)

(1)

在最優(yōu)回歸函數(shù)中采用適當(dāng)?shù)暮撕瘮?shù)k(xi,yi)代替高維空間中的向量?jī)?nèi)積φ(xi)φ(x)就可以實(shí)現(xiàn)φ非線性變換后的線性擬合，得到最優(yōu)回歸函數(shù)為：

(2)

提供正則化的因子qk的Fourier展開(kāi)，在函數(shù)逼近問(wèn)題上，體現(xiàn)了隨著k值的增加，展開(kāi)項(xiàng)對(duì)擬合精度提高作用的衰退，其相應(yīng)的核函數(shù)為：

(3)

2 方法應(yīng)用與模型選取

2.1 基于BP神經(jīng)網(wǎng)絡(luò)輸入(出)因素的效果預(yù)測(cè)

參考人工神經(jīng)網(wǎng)絡(luò)注水井調(diào)剖效果預(yù)測(cè)方法[4]，對(duì)大港油田調(diào)剖調(diào)驅(qū)井歷史數(shù)據(jù)進(jìn)行了收集、篩選，得到了歷史數(shù)據(jù)樣本。由于歷史數(shù)據(jù)樣本集中的數(shù)據(jù)與模型中有所差異，在此根據(jù)數(shù)據(jù)樣本重新制定了BP神經(jīng)網(wǎng)絡(luò)的輸入因素和輸出因素。其中，輸入因素包括調(diào)驅(qū)輪次(T，次)、施工起始?jí)毫?Ps，MPa)、施工結(jié)束壓力(Pe，MPa)、實(shí)際排量(Q，m3/d)、調(diào)驅(qū)前日注入量(Q注，m3/d)、調(diào)驅(qū)前套壓(Pt，MPa)及對(duì)應(yīng)受益油井?dāng)?shù)。輸出因素則包括有效期(T有效，天)、有效期內(nèi)純?cè)鲇?ΔQo，m3)、有效期內(nèi)純降水(ΔQw，m3)。

選取2014～2016年作為樣本集，對(duì)2017年的調(diào)剖(驅(qū))井進(jìn)行效果預(yù)測(cè)，其中y實(shí)際效果，x預(yù)測(cè)效果，預(yù)測(cè)結(jié)果如圖1，圖2，圖3所示。

由預(yù)測(cè)結(jié)果來(lái)看，預(yù)測(cè)值與實(shí)際值的關(guān)系雖然分布于y=x兩側(cè)，但并不趨向于y=x，增油預(yù)測(cè)的吻合率僅為30%左右，降水的吻合率僅為20%左右，有效期的吻合率僅為20%左右，綜合吻合率僅為23%左右。

2.2 樣本數(shù)據(jù)篩選下交聯(lián)聚合物體系效果預(yù)測(cè)

對(duì)數(shù)據(jù)樣本進(jìn)行進(jìn)一步分析發(fā)現(xiàn)，不同類型的調(diào)驅(qū)體系，輸入量相似，輸出量卻差異很大，致使某些神經(jīng)元失效。通過(guò)對(duì)樣本數(shù)據(jù)進(jìn)行篩選，選取2014～2016年交聯(lián)聚合物體系為數(shù)據(jù)樣本集，對(duì)選取2017交聯(lián)聚合物體系調(diào)剖(驅(qū))井進(jìn)行預(yù)測(cè)，其預(yù)測(cè)結(jié)果如圖4，圖5，圖6所示。

從結(jié)果看來(lái)，增油的吻合率約為50%，降水的吻合率約為45%，有效期的吻合率約為25%，綜合吻合率在40%左右。雖然結(jié)果仍然很差，但進(jìn)行了分類后的樣本比歷史總樣本預(yù)測(cè)效果更趨近于y=x，說(shuō)明了神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)與設(shè)計(jì)者、數(shù)據(jù)樣本有很大的關(guān)系。

2.3 應(yīng)用Libsvm工具下的交聯(lián)聚合物體系效果預(yù)測(cè)

同樣選取2014～2016年作為樣本集，選用本文中1建立的模型，使用Libsvm工具箱對(duì)樣本集進(jìn)行擬合，結(jié)果如圖7，圖8，圖9所示。

通過(guò)結(jié)果可以看出，增油的吻合率在90%左右，降水的吻合率在94%左右，有效期的吻合率在90%左右，綜合吻合率在91%左右，預(yù)測(cè)結(jié)果與實(shí)際結(jié)果分布于y=x兩側(cè)，并且趨向于y=x，預(yù)測(cè)結(jié)果明顯優(yōu)于神經(jīng)網(wǎng)格。

4 結(jié)論

1)SVM是基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化(SRM)原則，可以保證學(xué)習(xí)機(jī)器具有良好的泛化能力。2)運(yùn)用SVM對(duì)數(shù)據(jù)分類同時(shí)進(jìn)行數(shù)據(jù)回歸，預(yù)測(cè)目標(biāo)采用的樣本均篩選自樣本集，且主要針對(duì)小樣本情況。3)運(yùn)用LibSvm技術(shù)可提高調(diào)剖(驅(qū))潛力預(yù)測(cè)的精確度，指導(dǎo)油田方案的制定與措施的實(shí)施，提高油田的經(jīng)濟(jì)效益。