人工神经网络技术在油气田开发中的应用综述

吴霄*, 杨若谷，余情，李静嘉



人工神经网络技术在油气田开发中的应用综述

吴霄1*, 杨若谷2，余情2，李静嘉2

（1.中国石油大学（北京），北京昌平，102249；2.北京雅丹石油技术开发有限公司，北京昌平102249）

油气田开发过程中存在复杂的、多事件激励的工况诊断和产量预测问题，而传统的解决方法存在一定的局限性。人工神经网络技术作为一种非线性方法，具有信息融合、综合预测、分类等功能，对于这些问题有较好的适用性。因此，国内许多学者将人工神经网络技术引入油气田开发中，利用其独特的性质，有效提高工况诊断及产量预测等的效率和准确性。本文对人工神经网络技术在油气田开发中的应用进行了综述，介绍了各项应用的网络结构及学习算法，并且对BP神经网络存在的问题及改进进行了综述。

人工神经网络；综述；工况诊断；预测

引言

随着数字油田建设的不断向前推进，油气水井的数据自动采集、生产可视化等技术逐渐普及，极大的丰富了油气田开发过程中的评价、诊断、优化、预测的数据来源。目前通常使用经验法、物质平衡法、数值模拟法等方法进行油气田产量等预测，但存在不能考虑储层性质的影响、无法考虑人为因素的影响、耗时长等缺点，不能适应油田开发规划方案编制的需要。而单井生产的工况诊断、评价，大部分是建立在经验模型上的，存在主观性，难以高效利用大量采集到的参数。神经网络技术是一门非线性信息的智能处理技术，利用神经网络技术对油气田开发过程中产生的数据进行建模分析，既能全面利用各项数值信息，又能综合专家知识，快速、高效地进行油气田开发过程中的诊断、优化、预测。

1 神经网络简介

神经网络具有较强的大规模并行、分布式处理、自组织、自学习、容错性等特点，因而可以将其用于解决知识表示、获取、模式识别、信号处理和并行推理等问题。近些年来，随着人工神经网络理论的发展，给越来越多的油气田开发过程中的诊断、预测、优化等问题带来了新的解决途径。

人工神经网络模型有很多，具有代表性的网络模型有感知器、线性神经网络、径向基函数神经网络、BP神经网络、自组织神经网络、反馈神经网络。

目前应用最广，其思路清晰、容易理解的是BP神经网络，BP网络是一种具有三层或三层以上神经元的多层前馈网络。通过输入和输出样本集，根据误差的反向传递，对网络进行训练。其学习过程包括信息的正向传播和误差的反向传播，根据不断调整和修改网络中的连接权值和阈值使得误差不断减小，从而提高网络对输入响应的正确率，直至达到预期的误差范围，训练即完成。

目前就神经网络在油气田开发中的应用研究的成果主要体现为：工况诊断[1-4]，出砂预测[6]，油田产量预测[7-9]。

2 人工神经网络在油气田开发的应用

鉴于神经网络自身强大的功能和优点，在当今的油田生产中，神经网络的应用越来越广泛，国内许多学者运用其不同方法对油田生产中的工况诊断、预测等应用进行了深入研究。

2.1 人工神经网络应用于油气田开发的工况诊断

工况诊断对后续的生产及工作具有重要意义，传统的经验法、阈值法存在主观性，难以快速准确进行诊断，而神经网络的自学习及处理非线性问题等等优点，使其在工况诊断方面有广泛的应用。在研究过程中，通常选取能全面反应工作状态的特征量作为输入，以各种工况状态作为输出，将经过归一化处理的样本集送入BP神经网络中训练。

2008年，朱君[1]等人采用增加了动量因子和自适应调整学习率相结合的算法取代传统的BP算法，以产量、动液面和功率这3个特征量为输入层节点，以抽油杆断、油管断、泵漏等7种工况为输出层节点，建立了基于BP神经网络的螺杆泵井故障诊断模型,利用VB与Matlab编制相应软件，并获得了正确的诊断结果，丰富了螺杆泵井的诊断方法。2010年，蒋琼[2]等人使用遗传算法配合神经网络,提出了基于遗传算法的改进BP算法，在油井故障诊断的应用中能够快速的跳出局部最优点，大大降低迭代次数，并且保持良好的准确率。2012年，袁文琪[3]等人以从示工图中提取的示工图面积、尖角、平滑度等14个特征值为输入层节点，以供液不足、柱塞脱出工作筒等8种故障状态为输出层节点，建立了基于BP神经网络的油井故障诊断模型，有效的提高了有杆泵井故障诊断的准确性和效率。2016年，彭科翔[4]根据电流卡片的特征值提取了电流波动特征量、电流变化特征量、停机特征量、开关机特征量，以这4类19个特征量为输入层节点，10种故障类型为输出节点，提出了应用BP神经网络诊断电潜泵故障的模型，快速、准确的进行电潜泵诊断，有效减少了电潜泵在不正常工况下的工作时间。

2.2 人工神经网络应用于油气田开发的预测

与工况诊断类似，神经网络的各种特点使得其对预测非常适用。利用神经网络可以对油气田开发的产量、作业的种类等进行预测，指导后续生产，辅助油田生产决策。

对于预测方面的研究，2008年，毛锐[5]以自然地质条件、油井工艺水平、日常维护技术等28个影响因素为输入层节点，换泵、检泵、补孔等7种作业为输出层节点，建立了基于BP神经网络的井下作业预测模型，实现了检泵作业成本的预算，挖掘了成本管理的潜力。2008年，于会永[6]等人通过主成分分析选取对出砂贡献最高的4个特征值作为输入层节点，3种出砂程度为输出层节点，建立了出砂预测模型，与未经主成分分析处理直接构造神经网络模型进行预测相比,提高了18.75%的准确率，为影响因素多且机理较为复杂的出砂预测的神经网络建模提供了一个有效的方法。但是通过优化主成分个数，可提高预测精度，并不能缩短训练时间。2011年，李春生[7]引入LM算法对BP算法进行改进，来调整优化网络权值，通过仿真式样，对油井产量进行预测，验证了算法的实用性和可信性，提高了预测精度并缩短了预测时间，弥补了传统BP网络的不足。2012年，陈东虎[8]提出一种广义回归神经网络模型预测油井含水率，通过对2006-2010的某油田产量进行试验，相对误差在0.05%-1.62%之间，较其它模型更为准确，并且在训练样本不够时，仍有较高的预测精度，并且样本数量增加时，精度也会增加。2013年，段泽英[9]等人以12个时间间隔为节点的输入层，产水量、产油量为节点的输出层，建立了基于BP神经网络的油井生产趋势预测模型，对于大中型和信息化程度较高的油田，较传统的拟合公式法，具有处理速度快、效率高的优点，且能保证一定的准确性辅助油田生产决策。

2.3 存在的问题与解决途径

从研究中可以看出，当前油气田开发应用广泛使用的BP神经网络通常选择影响因素作为输入层节点，根据经验或实验效果选择隐藏层的节点个数，以结果的状态为输出层的节点，以sigmoid或logistic函数为激活函数，进行训练，都能取得一定的效果。输入层节点的选择对于整个方法来说至关重要，对于影响因素较多的问题，可使用主成分分析法[6]优化输入节点个数，提高精度。

但由于BP神经网络本身存在许多缺陷和不足，其优化可从以下4个方面着手[10]：1.优化网络性能。加速网络训练的收敛速度，可通过变化的学习速率加以改进。2. 避免局部最优解的出现。局部极小化会使权值收敛到局部极小点，导致训练失败。3. 动态调整网络结构。网络隐含层的层数和单元数的选择尚无理论上的指导，仅有一些经验公式来帮助选择。因此，网络往往存在很大的冗余性，在一定程度上也增加了网络学习的负担。4. 需提高泛化能力。网络的学习和记忆具有不稳定性，如果增加了学习样本，训练好的网络就需要从头开始训练。

目前通过将BP神经网络与其他算法相结合来弥补BP神经网络的不足，取得了一定的效果。如通过增加动量因子和自适应调整学习率相结合的算法，降低了网络对于误差曲面局部调节的敏感性,有效抑制网络陷入局部极小值，并且增加稳定性，提高训练的速度和精度[1]，采用基于遗传算法改进的BP神经网络应用于抽油机井故障诊断，较快地跳出局部最优点，降低了迭代次数[2]。

3 结束语

神经网络技术在实现任意映射关系上具有独特的优势，在不能确定问题的确切表达式和关系的前提下，提供一种易于接受具有关联性的结果，BP神经网络作为神经网络的典型代表，可广泛应用与油气田开发中的各项领域。在使用神经网络技术时，需特别注意输入信息、网络结构、学习样本的选择，并根据实际需求和实验效果调整网络结构及学习精度，训练样本包含的信息往往影响结果的准确性，因此，丰富样本的质量和数量应成为准备工作的一部分。优化神经网络算法、与其他算法相结合是难点，也是研究发展的趋势，相信在今后油气田开发中会应用更多优化的神经网络，更加针对的解决问题。

[1] 朱君, 高宇, 叶鑫锐. 基于BP神经网络的螺杆泵井故障诊断方法[J]. 石油机械, 2008, 36(1):42-44.

[2] 蒋琼, 李训铭. 优化的BP网络在抽油井故障诊断中的应用研究[J]. 计算机与现代化, 2010(12): 182-185.

[3] 袁文琪, 李训铭. 基于神经网络的油井故障诊断系统研究与实现[J]. 电子设计工程, 2012, 20(8): 35-37.

[4] 彭科翔. 基于BP神经网络的潜油电泵故障诊断[J]. 石油化工高等学校学报, 2016, 29(1): 76-79.

[5] 毛锐. BP神经网络在作业成本预算中的应用[J]. 哈尔滨理工大学学报, 2008, 13(3): 107-110.

[6] 于会永, 刘慧卿, 张红玲, 等. 基于主成分分析和BP神经网络的出砂预测模型[J]. 中国石油大学胜利学院学报, 2008, 22(3): 1-3.

[7] 李春生, 谭民浠, 张可佳. 基于改进型BP神经网络的油井产量预测研究[J]. 科学技术与工程, 2011, 11(31): 7766-7769.

[8] 陈东虎, 朱维耀, 朱华银,等. 应用广义回归神经网络预测油井含水率[J]. 重庆科技学院学报:自然科学版, 2012, 14(6):97-101.

[9] 发段泽英, 肖春林, 游莉, 等. 基于油田生产数据的油井生产趋势预测方法研究[C]// 2013数字与智能油气田. 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。

吴霄(1990-)，男，湖北溪水，硕士，主要研究方向：石油工程数据挖掘；杨若谷（1980-），男，北京，高级工程师，主要研究方向：油气生产物联网、油气生产大数据挖掘及采油技术。E-mail：819565848@qq.com