基于改进BP神经网络的油井流入动态研究.pdf

复杂油气藏 第4卷第3期 ComplexHydrocarbonReservoirs 2011年9月 基于改进 BP神经网络的油井流入动态研究 李 虎 (中国石油大学 (华东)石油工程学院，山东 东营 257061) 摘要：针对传统流入动态研究方法误差较大等问题，提 出利用改进的BP神经网络进行油井流入动态研究。通过采用LM 算法和贝叶斯aY-．~4化算法，改进 了常规 BP神经网络收敛速度慢、泛化能力差等缺点，并探讨了通过优化网络结构来提高网络 泛化能力的方法。实例计算结果表明，采用LM算法和贝叶斯正则化算法的改进BP神经网络用于油井流入动态研究是可行 的，且优于传统的流入动态研究方法，具有精度高、收敛速度快、泛化能力强等特点。 关键词：油井流入动态 BP神经网络 LM算法 贝叶斯oY-．~1化算法 Vogel方程 中图分类号：TE33 文献标识码：A Studyontheinflow performanceofoilwells basedonimprovedBPneuralnetwork LiHU (CollegeofPetroleumEngineering，ChinaUniversityofPetroleum (EastChina)，Dongying，Shandong257061) Abstract：Toreducetheerrorsintraditionalresearchmethodsforinflowperformancerelationship (IPR)，anewap— proachwasproposedtopredictIPRofoilwellsbyusingtheimprovedBPneuralnetwork．Inthisnewmethod，theLM algo— rithm andtheBayesianregularizationalgorithm wereadoptedtosolvesomeproblemsingeneralBPalgorithm ，suchasslow convergencespeedandpoorgeneralization performance．Andthegeneralizationperformancewasimproved byoptimizing network structure．TheExamplecomputedresultshowedthatthenew methodhashighprecision，fastconvergencespeed andstronggeneralizationperformance．Itissuperiortotraditionalmethods． Keywords：oilwellinflow performance；BP neuralnetwork；LM algorithm ；Bayesian regularization algorithm ； Vogelmodel 油气井流入动态 (IPR)是指在一定的油气层压 BP神经网络收敛速度慢、容易陷入局部极小值等 力下，流体产量与相应井底流动压力的关系，是油气 缺点，采用基于数值最优化理论的LM算法，同时 层工作特性的综合反映，因此它既是确定油气井合 为防止在训练过程 中，出现所谓的 “过适配 ”问 理工作方式的主要依据，又是油气井动态分析和产 题，采用了贝叶斯正则化算法，以提高网络的泛化 能预测的基础 ¨J。 目前常用 的 IPR关系式主要分 能力。实例计算结果表明，人工神经网络用于油井 为经验关系式和解析关系式两种 J。前者如 Vogel 流人动态研究是可行的，且优于传统的流入动态研 方法等，后者如 wiggins方法等 。现场实践表明， 究方法。 经验关系式仅通过一次生产测试数据来决定油井流 1 改进的BP神经网络算法原理