基于AOSVR的油田動液面軟測量方法的研究

摘 要：針對回聲探測法在測量動液面時存在精度低、可靠性差等問題，文章提出使用軟測量技術來取代回聲探測法完成對動液面的測量工作。通過計算以及實驗對測量方法進行測試，并加以改進。改進后的AOSVR對油田動液面測量精度較高，對數據波動的自適應能力較強，符合油田現場測試的要求，可以在油田動液面測量中加以應用。

關鍵詞：動液面；軟測量；AOSVR；自適應算法

Online SVR 算法是基于SVM的一種拓展應用。該算法采用在線方式進行模型的訓練，其模型可以適應樣本的不斷在線更新，具有良好的動態建模能力。2003年，J.Ma等人又在其基礎上將邊緣函數引入進來，提出了AOSVR，為了進一步提高普通AOSVR對數據波動的自適應能力和預測精度，本文通過分析探索對AOSVR算法進行了應用改進，并將其應用到對油田動液面的測量中，以代替回聲探測法。

1 改進后的AOSVR在油田動液面軟測量中的應用

本文擬采用改進后的AOSVR算法來進行對油田動液面的測量工作有效提高了整套動液面測量系統的實時性能，并且系統運行速度較快，耗時少，精度高。

在油田實際應用中，由于生產數據隨時間及生產措施波動較大，建模時的歷史數據不完備，而上述算法參數如果還是根據一段時間內的運行效果經驗選取，就不能完全適應油田的復雜動態生產過程。

本文為使軟測量效果達到最優，針對懲罰參數、不敏感函數參數以及核函數參數同時進行自適應賦值，由自適應函數自行選取合適的參數組來進行模型更新，使原固定參數或部分變參數，改為全參數自適應更新。

其中懲罰參數C、不敏感函數參數ε的自適應函數采用如下公式（1）和（2）：

（1）

（2）

其中，i=1，...，m；m是訓練樣本個數；mc是變化點；Cmin和εmin是所希望的懲罰參數和不敏感函數的下界；Cmax和εmax則為上界；g是控制函數曲率的常數。

支持向量機是建立在內核技術的基礎上來實現非線性的線性化改變的。因此，核函數的選取對高維映射效果有著直接的影響，而核函數參數的選擇更是關系到了整個訓練過程中所表現出來的預測性能的好壞。所以正確的選擇核函數并確定該核函數的參數是至關重要的。Vladimir Cherkassky在其論文中通過對SVR參數值的賦值進行了改進，并用高斯噪聲進行了驗證，通過驗證證明效果有所提高，對于數據波動劇烈的情況效果較好，適合應用于油田動液面測量中。

2 實驗研究

2.1 訓練樣本集的選擇

本文中所使用的實驗數據均由某采油站提供，并選用了該采油站某號游梁式抽油機采油平臺一年內實際檢測數據為實驗數據。

實驗具體過程是，60天數據建立初始模型，60天數據進行預測量檢查，7天數據更新模型，再用60天數據進行預測量檢查，7天數據更新模型，以此類推，共進行了四次模型更新，目的是驗證改進后的AOSVR是否提高了預測性能。

2.2 建立軟測量模型的程序流程

根據實驗數據，針對不同的參數自適應方法分別按照如下步驟進行仿真測試：

算法程序的具體步驟：

Step1：采集所需的油井數據，并進行必要處理；

Step2：通過式（1）和（2）確定懲罰參數C和不敏感函數參數ε值（后續訓練過程中所使用的懲罰參數C和不敏感函數參數ε值分別由公式（1）和（2）自動更新）；

Step3：進行核函數的選擇，并通過對核函數的參數值的確定，對自適應值進行確定，（后續訓練過程中所使用的？滓值由公式？滓d=（0.2～0.5）×rang（x）自動更新）；

Step4：建立模型；

Step5：開始訓練，作出預測；

Step6：用數據檢驗，進行模型的更新；

Step7：對數據進行歸類；

Step8：判斷需要在線檢驗與否，如果需要跳轉至Step2，如果不需要則輸出預測結果并停止訓練。

2.3 實驗研究

本文通過以下三組實驗，對上述參數進行了比較研究：

2.3.1 基本AOSVR（C=100，ε=0.1，？滓=1）

實驗1：通過經驗參數進行實驗，核函數RBF核，核函數參數O=1，不敏感函數參數ε=0.1，懲罰參數C=100。模擬過程為60天數據建立初始模型，60天數據檢測，7天數據更新模型，以此類推。

圖1 經驗參數的AOSVR預測效果圖

2.3.2 AOSVR-VD（C=100，ε=0.1，？滓自適應）

實驗2：在實驗1基礎上，在每次更新模型時按照公式對核函數參數進行自適應賦值，懲罰參數和不敏感函數參數仍為經驗參數值，用油田數據模擬Vladimir Cherkassky所提出的的方法。根據公式算得的O自適應參數值域為（18～4），其中13.5為最優值，嵌入維度6。

圖2 AOSVR-VD方法的預測效果圖

通過圖1和圖2的對比可以看出，Vladimir Cher-kassky所提出的方法在本實驗用數據下，預測效果較為明顯，說明該方法對于本實驗所使用的油田數據一定程度上有效果。

3 變參數AOSVR（C自適應，ε自適應，O自適應）

實驗3：針對三種參數，實現其自適應功能。其中Cmax=500，Cmin=50，εmax=0.1，εmin=0.0001，g=0.005，嵌入維度6。本實驗共同樣進行了四次模型更新，根據公式算得的自適應參數值分別為Ci={237， 231， 225，222}，εi={0.0376， 0.0321， 0.0308，0.0299}，？滓自適應參數值域為（18～4），13.5為其中的最優值，在？滓取13.5時，配合相應的懲罰參數和不敏感函數參數時預測誤差最小，平均預測誤差為1.8024（單位：米）。

總結：

實驗的結果表明，改進后的AOSVR算法所達到的預測誤差完全符合油田所要求的精度標準，并且運算速度較快，數據的實時性能夠得到保障，可以在油田動液面測量中進行應用。

3 結論

改進后的AOSVR算法具有模型結構易于確定、實時更新能力強、預測精度較高和針對數據波動的自適應能力強等優點。本文在動態測量過程中分別對懲罰參數、不敏感函數以及核函數參數進行實時修正，來代替固定的經驗參數值。上述實驗結果也同樣證明了改進后的AOSVR算法具有較高的預測精度，且能夠勝任于對油田動液面進行測量的工作。

參考文獻

[1]任健.油井井筒動液面測量系統設計與研究[D].青島：中國石油大學（華東），2008.

作者簡介：王通（1976-），男，遼寧沈陽人，東北大學博士研究生； 高憲文（1955-），男，遼寧沈陽人，東北大學教授，博士生導師；蔣子健（1988-），男，遼寧營口人，沈陽工業大學碩士研究生.