基干过程神经网络对原油产量预测技术的探讨

孟雅蕾　王予

摘要：预测油田原油产量对分析油藏，制定油田合理的发展规划至关重要。该文基于神经网络，对原油产量预测技术进行了探讨，提出了一种基于过程神经网络的原油产量预测模型。该模型引入时间积累算子和神经元核函数，通过对输入集进行反复训练，得到合理的调整权重后得到输出变量。实验结果表明，该原油产量预测模型一致性较好，具有较高的精确度，对油田的原油产量预测有一定的应用前景。

关键词：过程神经网络；时间积累算子；神经元核函数；产量预测

中图分类号：TP301 文献标识码：A 文章编号：1009-3044（2017）13-0220-02

石油是一种不可替代的资源，它是现代工业的“血液”和现代经济的命脉。在石油开采过程中，产量预测是油田开发的一项重要内容，是分析油藏动态、制定油田发展规划的重要数据。目前，对石油产量的预测方法较多，常用的有回归分析法、灰色理论预测、指数平滑法等，但大多方法预测范围小，精度低，不适合大范围区块的产量预测。

本文对原油产量预测技术进行探讨，提出采用人工神经网络的方法对大范围区块的产量进行预测。本文设计了一种基于过程神经网络的原油产量预测模型，该预测模型一致性较好，具有较高的精确度。

1人工神经网络

人工神经网络是人工智能的一个分支，它是机器学习的一种模式识别方法，它模仿生物神经网络来接受信号，处理信息。人工神经网络作为受到生物启发的模型建立起来，目前广泛应用于金融、市场、制造、信息系统等领域。

人工神经网络按照神经元之间的连接方式分为前馈神经元网络和反馈神经元网络。每个神经网络都是人工神经元的集合，这些神经元又被分为三个层次：输入层、中间层（称为隐层）、输出层。

输入层由众多神经元构成，该层接受大量非线性输入信息。隐藏层接收前一层神经元传输的信号，并将输入信号转化为输出信号，之后再得到进一步的处理。信息在神经元链接中反复传输、分析、权衡，最后形成输出结果由输出层输出。

人工神经网络中的多层感知结构运用监督式学习方式，它的信息处理过程分为以下三个步骤：

1）计算临时输出；

2）将输出与所要结果作比较；

3）调整权重并重复上述过程。

2基于过程神经网络的原油产量预测模型

人工神经网络的输入是非线性的，本文提出一种过程神经网络模型，该模型的扑拓结构如图1所示。

设该模型有M个输入节点，N个隐含节点，P个输出节点。M个输入节点是影响油田石油产量的M个指标，其中X₁（t），X₂（t），X_s（I），…X_M（t）是M个指标在时间区间[0，T]上的输入函数，∫∫为时间积累算子，K为过程神经元核函数，ω_jω_j为调整权重。

公式（1）在反复的输出比较后得到合理的调整权重ωω_j，最终得到输出函数y，即为原油产量的预测值。

3原油产量预测

根据油田生产的实际情况，影响油田产量的主要因素有：总井数（口）、开井数（口）、新增井数（口）、含水率（%）、动用储量（万吨）、采油速度、采出程度、上年产量（万吨），选取这8个因素作为神经网络的输入变量，建立多输入单输出的三层前馈过程网络模型，输出变量则为预测年的原油产量。

选取某油田某区块从2004年到2011年的实际原油产量作为过程神经网络模型的输入样本集。选取2006年到2013年期间的原油产量作为过程神经网络模型的学习样本集，预测2008年到2015年的每年的原油产量。将该模型预测的原油产量与油田该区块的实际原油产量进行比较，实验结果如表1所示。

网络训练成功后，通过训练样本获得的仿真输出结果与实际结果一致性较好，误差率低。从2008年至2015年间，预测值与实际值的平均误差仅为0.22%，该过程神经网络模型训练结果良好，效果令人满意，可用此过程神经网络模型预测原油产量。

4結束语

本文针对石油行业原油产量的预测问题，结合人工神经网络建立过程神经网络产量预测模型。实验结果表明，该过程神经网络模型性能良好，预测精度高，可用于油田区块原油产量的预测。但该模型在实际应用过程中仍存在一些不足，如反馈的层数，神经元核函数训练等，可作为未来的研究方向。本模型不限于原油产量的预测，也可用于其他领域。