人工神經網絡技術在油氣田開發中的應用綜述

吳霄*, 楊若谷，余情，李靜嘉

?

人工神經網絡技術在油氣田開發中的應用綜述

吳霄1*, 楊若谷2，余情2，李靜嘉2

（1.中國石油大學（北京），北京昌平，102249；2.北京雅丹石油技術開發有限公司，北京昌平102249）

油氣田開發過程中存在復雜的、多事件激勵的工況診斷和產量預測問題，而傳統的解決方法存在一定的局限性。人工神經網絡技術作為一種非線性方法，具有信息融合、綜合預測、分類等功能，對于這些問題有較好的適用性。因此，國內許多學者將人工神經網絡技術引入油氣田開發中，利用其獨特的性質，有效提高工況診斷及產量預測等的效率和準確性。本文對人工神經網絡技術在油氣田開發中的應用進行了綜述，介紹了各項應用的網絡結構及學習算法，并且對BP神經網絡存在的問題及改進進行了綜述。

人工神經網絡；綜述；工況診斷；預測

引言

隨著數字油田建設的不斷向前推進，油氣水井的數據自動采集、生產可視化等技術逐漸普及，極大的豐富了油氣田開發過程中的評價、診斷、優化、預測的數據來源。目前通常使用經驗法、物質平衡法、數值模擬法等方法進行油氣田產量等預測，但存在不能考慮儲層性質的影響、無法考慮人為因素的影響、耗時長等缺點，不能適應油田開發規劃方案編制的需要。而單井生產的工況診斷、評價，大部分是建立在經驗模型上的，存在主觀性，難以高效利用大量采集到的參數。神經網絡技術是一門非線性信息的智能處理技術，利用神經網絡技術對油氣田開發過程中產生的數據進行建模分析，既能全面利用各項數值信息，又能綜合專家知識，快速、高效地進行油氣田開發過程中的診斷、優化、預測。

1 神經網絡簡介

神經網絡具有較強的大規模并行、分布式處理、自組織、自學習、容錯性等特點，因而可以將其用于解決知識表示、獲取、模式識別、信號處理和并行推理等問題。近些年來，隨著人工神經網絡理論的發展，給越來越多的油氣田開發過程中的診斷、預測、優化等問題帶來了新的解決途徑。

人工神經網絡模型有很多，具有代表性的網絡模型有感知器、線性神經網絡、徑向基函數神經網絡、BP神經網絡、自組織神經網絡、反饋神經網絡。

目前應用最廣，其思路清晰、容易理解的是BP神經網絡，BP網絡是一種具有三層或三層以上神經元的多層前饋網絡。通過輸入和輸出樣本集，根據誤差的反向傳遞，對網絡進行訓練。其學習過程包括信息的正向傳播和誤差的反向傳播，根據不斷調整和修改網絡中的連接權值和閾值使得誤差不斷減小，從而提高網絡對輸入響應的正確率，直至達到預期的誤差范圍，訓練即完成。

目前就神經網絡在油氣田開發中的應用研究的成果主要體現為：工況診斷[1-4]，出砂預測[6]，油田產量預測[7-9]。

2 人工神經網絡在油氣田開發的應用

鑒于神經網絡自身強大的功能和優點，在當今的油田生產中，神經網絡的應用越來越廣泛，國內許多學者運用其不同方法對油田生產中的工況診斷、預測等應用進行了深入研究。

2.1 人工神經網絡應用于油氣田開發的工況診斷

工況診斷對后續的生產及工作具有重要意義，傳統的經驗法、閾值法存在主觀性，難以快速準確進行診斷，而神經網絡的自學習及處理非線性問題等等優點，使其在工況診斷方面有廣泛的應用。在研究過程中，通常選取能全面反應工作狀態的特征量作為輸入，以各種工況狀態作為輸出，將經過歸一化處理的樣本集送入BP神經網絡中訓練。

2008年，朱君[1]等人采用增加了動量因子和自適應調整學習率相結合的算法取代傳統的BP算法，以產量、動液面和功率這3個特征量為輸入層節點，以抽油桿斷、油管斷、泵漏等7種工況為輸出層節點，建立了基于BP神經網絡的螺桿泵井故障診斷模型,利用VB與Matlab編制相應軟件，并獲得了正確的診斷結果，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網絡,提出了基于遺傳算法的改進BP算法，在油井故障診斷的應用中能夠快速的跳出局部最優點，大大降低迭代次數，并且保持良好的準確率。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個特征值為輸入層節點，以供液不足、柱塞脫出工作筒等8種故障狀態為輸出層節點，建立了基于BP神經網絡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確性和效率。2016年，彭科翔[4]根據電流卡片的特征值提取了電流波動特征量、電流變化特征量、停機特征量、開關機特征量，以這4類19個特征量為輸入層節點，10種故障類型為輸出節點，提出了應用BP神經網絡診斷電潛泵故障的模型，快速、準確的進行電潛泵診斷，有效減少了電潛泵在不正常工況下的工作時間。

2.2 人工神經網絡應用于油氣田開發的預測

與工況診斷類似，神經網絡的各種特點使得其對預測非常適用。利用神經網絡可以對油氣田開發的產量、作業的種類等進行預測，指導后續生產，輔助油田生產決策。

對于預測方面的研究，2008年，毛銳[5]以自然地質條件、油井工藝水平、日常維護技術等28個影響因素為輸入層節點，換泵、檢泵、補孔等7種作業為輸出層節點，建立了基于BP神經網絡的井下作業預測模型，實現了檢泵作業成本的預算，挖掘了成本管理的潛力。2008年，于會永[6]等人通過主成分分析選取對出砂貢獻最高的4個特征值作為輸入層節點，3種出砂程度為輸出層節點，建立了出砂預測模型，與未經主成分分析處理直接構造神經網絡模型進行預測相比,提高了18.75%的準確率，為影響因素多且機理較為復雜的出砂預測的神經網絡建模提供了一個有效的方法。但是通過優化主成分個數，可提高預測精度，并不能縮短訓練時間。2011年，李春生[7]引入LM算法對BP算法進行改進，來調整優化網絡權值，通過仿真式樣，對油井產量進行預測，驗證了算法的實用性和可信性，提高了預測精度并縮短了預測時間，彌補了傳統BP網絡的不足。2012年，陳東虎[8]提出一種廣義回歸神經網絡模型預測油井含水率，通過對2006-2010的某油田產量進行試驗，相對誤差在0.05%-1.62%之間，較其它模型更為準確，并且在訓練樣本不夠時，仍有較高的預測精度，并且樣本數量增加時，精度也會增加。2013年，段澤英[9]等人以12個時間間隔為節點的輸入層，產水量、產油量為節點的輸出層，建立了基于BP神經網絡的油井生產趨勢預測模型，對于大中型和信息化程度較高的油田，較傳統的擬合公式法，具有處理速度快、效率高的優點，且能保證一定的準確性輔助油田生產決策。

2.3 存在的問題與解決途徑

從研究中可以看出，當前油氣田開發應用廣泛使用的BP神經網絡通常選擇影響因素作為輸入層節點，根據經驗或實驗效果選擇隱藏層的節點個數，以結果的狀態為輸出層的節點，以sigmoid或logistic函數為激活函數，進行訓練，都能取得一定的效果。輸入層節點的選擇對于整個方法來說至關重要，對于影響因素較多的問題，可使用主成分分析法[6]優化輸入節點個數，提高精度。

但由于BP神經網絡本身存在許多缺陷和不足，其優化可從以下4個方面著手[10]：1.優化網絡性能。加速網絡訓練的收斂速度，可通過變化的學習速率加以改進。2. 避免局部最優解的出現。局部極小化會使權值收斂到局部極小點，導致訓練失敗。3. 動態調整網絡結構。網絡隱含層的層數和單元數的選擇尚無理論上的指導，僅有一些經驗公式來幫助選擇。因此，網絡往往存在很大的冗余性，在一定程度上也增加了網絡學習的負擔。4. 需提高泛化能力。網絡的學習和記憶具有不穩定性，如果增加了學習樣本，訓練好的網絡就需要從頭開始訓練。

目前通過將BP神經網絡與其他算法相結合來彌補BP神經網絡的不足，取得了一定的效果。如通過增加動量因子和自適應調整學習率相結合的算法，降低了網絡對于誤差曲面局部調節的敏感性,有效抑制網絡陷入局部極小值，并且增加穩定性，提高訓練的速度和精度[1]，采用基于遺傳算法改進的BP神經網絡應用于抽油機井故障診斷，較快地跳出局部最優點，降低了迭代次數[2]。

3 結束語

神經網絡技術在實現任意映射關系上具有獨特的優勢，在不能確定問題的確切表達式和關系的前提下，提供一種易于接受具有關聯性的結果，BP神經網絡作為神經網絡的典型代表，可廣泛應用與油氣田開發中的各項領域。在使用神經網絡技術時，需特別注意輸入信息、網絡結構、學習樣本的選擇，并根據實際需求和實驗效果調整網絡結構及學習精度，訓練樣本包含的信息往往影響結果的準確性，因此，豐富樣本的質量和數量應成為準備工作的一部分。優化神經網絡算法、與其他算法相結合是難點，也是研究發展的趨勢，相信在今后油氣田開發中會應用更多優化的神經網絡，更加針對的解決問題。

[1] 朱君, 高宇, 葉鑫銳. 基于BP神經網絡的螺桿泵井故障診斷方法[J]. 石油機械, 2008, 36(1):42-44.

[2] 蔣瓊, 李訓銘. 優化的BP網絡在抽油井故障診斷中的應用研究[J]. 計算機與現代化, 2010(12): 182-185.

[3] 袁文琪, 李訓銘. 基于神經網絡的油井故障診斷系統研究與實現[J]. 電子設計工程, 2012, 20(8): 35-37.

[4] 彭科翔. 基于BP神經網絡的潛油電泵故障診斷[J]. 石油化工高等學校學報, 2016, 29(1): 76-79.

[5] 毛銳. BP神經網絡在作業成本預算中的應用[J]. 哈爾濱理工大學學報, 2008, 13(3): 107-110.

[6] 于會永, 劉慧卿, 張紅玲, 等. 基于主成分分析和BP神經網絡的出砂預測模型[J]. 中國石油大學勝利學院學報, 2008, 22(3): 1-3.

[7] 李春生, 譚民浠, 張可佳. 基于改進型BP神經網絡的油井產量預測研究[J]. 科學技術與工程, 2011, 11(31): 7766-7769.

[8] 陳東虎, 朱維耀, 朱華銀,等. 應用廣義回歸神經網絡預測油井含水率[J]. 重慶科技學院學報:自然科學版, 2012, 14(6):97-101.

[9] 發段澤英, 肖春林, 游莉, 等. 基于油田生產數據的油井生產趨勢預測方法研究[C]// 2013數字與智能油氣田. 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：石油工程數據挖掘；楊若谷（1980-），男，北京，高級工程師，主要研究方向：油氣生產物聯網、油氣生產大數據挖掘及采油技術。E-mail：819565848@qq.com