基于BP神经网络的油田注水采油配注方案预测
开篇：润墨网以专业的文秘视角，为您筛选了一篇基于BP神经网络的油田注水采油配注方案预测范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！
摘要： 油田注水采油过程中经常需要调整配注方案的综合注水管理，合理有效的配注方案可以使油田获得很多的经济效益。笔者研究应用BP神经网络模型预测配水方案，通过建立模型，数据模拟，误差比对，效果比较理想。此模型对提高采收率、避免资源浪费、提高决策者宏观掌控等方面有很大推广价值。
Abstract： Water injection and oil production often need to adjust the water injection project management. The reasonable and effective injection allocation scheme can make the oilfield get a lot of economic benefit. The author studies the application of BP neural network prediction model of water allocation scheme. Through the establishment of model， data simulation， error comparison， the effect is ideal. This model has great promotion value in improving the recovery rate， avoiding the waste of resources， improving the macro control of policy makers and so on.
关键词： 神经网络；注水采油；配注方案
Key words： neural network；water injection and oil production；the water distribution plan
中图分类号：TE357 文献标识码：A 文章编号：1006-4311（2016）12-0078-03
1 问题背景及研究现状
目前，国内大部分油田采用人工注水方式进行采油作业。注水采油的特点是成本低，能够明显提高采收率，但注水工艺有待完善，科研人员对注水开发技术的研究从未间断[1-3]。对大部分已进入高含水、高采出程度阶段的油田，面临着如何进行综合注水管理，使得油田能在注水开发阶段获得最大经济效益的问题。
油田注水开发过程中，注采动态分析和分层配水问题是油藏工程研究的重要内容，根据实际需要，经常会调整配注方案。本文以吉林油田某区块为例，探索研究一种BP（Back Propagation）神经网络算法数学模型用于预测出合理的配水方案。
2 BP神经网络算法基本原理
BP神经网络是一种多层前馈神经网络，特点是信号前向传递，误差反向传播。即计算实际输出时按从输入到输出的方向进行，而权值和阈值的修正从输出到输入的方向进行。在向前传递中，输入信号从从输入层经隐含层逐层处理，直至输出层。每一层的神经元状态只影响下一层神经元状态。如果输出层得不到期望输出，则转入反向传播，根据预测误差调整网络权值和阈值，从而使BP神经网络预测输出不断逼近期望输出。
2.1 BP神经网络算法网络拓扑结构图（图1）
X1，X2，……Xn 是BP神经网络的输入值；Y1，……Ym是BP神经网络的预测值；？棕ij和？棕jk是BP神经网络的权值。从拓扑图可以将BP神经网络看作一个函数（非线性），网络输入值和预测值分别为该函数的自变量和因变量。
2.2 BP神经网络算法程序流程图（图2）
2.3 BP神经网络算法优点
BP神经网络算法特别适合自变量和因变量存在隐含对应关系的案例。传统的函数映射基本都存在完全显示或者明显对应的关系，但实际生产中，有些函数存在是明显的，但具体的对应关系由于无法准确测量或者关系不稳定等客观因素无法找到，所以很难对事物关系有客观公正的判断，影响了生产决策。神经网络模拟人的神经系统，通过大量有效数据进行自学习，找到满足一定误差的对应函数关系，从而大大提高了生产效率。
吉林油田大部分区块都已经进入高含水期，油井的产液量和含水率主要受注水状况控制，其他因素也有影响，但都是次要的。在实际的注水开发中，同一个注水井对不同的油井可能起到完全不同的影响效果。那么在一个区块内很难去定量地测量出水井与油井之间的注采关系，更加难测量出每口水井不同层段的注水量与油井出液量之间的关系。BP神经网络模型就特别适合处理了这种内部关系模糊的问题，模型本身可以通过自学习的方式训练出内部的关系，从而确定针对不可测量地质结构和不稳定的客观因素。
3.1 模型假设
①油田几乎每天都在进行注水作业，注水数据每天都在更新，但每月都有因客观原因暂停注水的现象，故选取每天的注水数据不如选取一个月的月注水总量和月采液总量作为基础数据比较合适。
②注水产出的效果并不是立即显现的，一般会有一定的滞后期，根据经验，本区块的滞后期大概为一个月。故在数据选取时，应当考虑这个因素，把采液数据滞后一个月。
3.2 数据选取
现以吉林油田某区块某一注采单元为例，本单元有8口注水井，17口生产井，现生产油层共有6个。选取本区块2013年8月至2014年3月的注水量数据和2013年9月至2014年4月的产液量数据进行训练，选取本区块2014年4月的注水量数据和2014年5月的产液量数据进行预测比较。
3.3 模型建立
我们把分层注水数据作为输入层（自变量），把油井产液量、产水量、产油量作为输出层（因变量），把注水井和油井的连通节点作为隐含层（类似于黑匣子），建立BP神经网络模型，通过选取一个注采周期的样本进行自学习，从而构建水井分层注水量和油井产液量之间相对稳定的函数关系（非线性），由此来预测今后最近一段时间配水方案的合理性。
输入层有48个节点，输出层有17个节点，隐含层有102个节点，共有8组样本。
4 MATLAB程序实现及仿真
4.1 训练数据预测数据提取及归一化
首先将整理好的注水量和产液量的数据分别存储在input和output中，input中有（8*6*8）个数据，output中有（17*8）个数据。BP神经网络算法在训练过程中，对8组样本数据随机选取6组进行训练，选取2组进行检验和预测。程序部分代码如下[4]：
%读取输入输出数据
load data input output yuce
%从1到8间随机排序
k=rand（1，8）；
[m，n]=sort（k）；
%找出训练数据和预测数据
input_train=input（n（1：6），：）'；
output_train=output（n（1：6），：）'；
input_test=input（n（7：8），：）'；
output_test=output（n（7：8），：）'；
%样本输入输出数据归一化
[inputn，inputps]=mapminmax（input_train）；
[outputn，outputps]=mapminmax（output_train）；
4.2 BP神经网络训练
根据注水井和生产井的实际关系确定BP神经网络的结构为48―102―17，随机初始化BP神经网络权值和阈值。程序部分代码如下[4]：
%初始化网络结构
net=newff（inputn，outputn，[102]）；
%函数newff用于构建一个BP神经网络
net.trainParam.epochs=100；
net.trainParam.lr=0.1；
net.trainParam.goal=0.04；
%网络训练
net=train（net，inputn，outputn）；
%函数train用于训练BP神经网络
4.3 BP神经网络预测
程序部分代码如下[4]：
%预测数据归一化
inputn_test=mapminmax（'apply'，input_test，inputps）；
%网络预测输出
an=sim（net，inputn_test）；
%函数sim用于BP神经网络预测函数输出
%网络输出反归一化
BPoutput=mapminmax（'reverse'，an，outputps）；
%预测误差
error=BPoutput-output_test；
relativeerror=（output_test-BPoutput）./BPoutput；
%误差百分比
errorsum=sum（abs（error））；
%预测误差平方
error=BPoutput-output_test；
errorsum=diag（error'*error）；
%errorsum=sqrt（diag（error'*error））；
%预测结果
x=yuce（1）'；
input_tt=mapminmax（'apply'，x，inputps）；
an_tt=sim（net，input_tt）；
output_tt=mapminmax（'reverse'，an_tt，outputps）；
output_tt
4.4 仿真实验及结果分析
预测结果见表1。
通过预测结果和实际数据的比较，能够看出此模型预测结果误差小，可信度高，可以应用此模型进行配水方案的预测。
5 小结
本文将BP神经网络算法应用于油田注采的配注方案的预测，解决了目前油田生产过程中注采配水方案无法准确预测的难题，为生产提供了排产决策理论依据。模型在指导如何排产生产能使效益最大化方面还有待优化。
参考文献：
[1]加内什 C.萨克尔，等著.王寿平，等译.油田注水开发综合管理[M].石油工业出版社，2001.
[2]于洪文，等.通过注水井分层注水量计算采油井分层产液（油）量的方法探讨[J].石油勘探与开发，1990（2）：47-54.
[3]王永春，等编.大庆油田注水开发技术与管理[M].石油工业出版社，2010.
[4]王小川，等编.MATLAB神经网络43个案例分析[M].北京航空航天工业出版社，2013.