董玉安,趙 蕊,葉 歡,廖 晶,高立建,張紅坡

(1.中國(guó)石化河南油田分公司石油勘探開(kāi)發(fā)研究院,河南南陽(yáng)473132;2.中國(guó)石化河南油田分公司第二采油廠;3.中國(guó)石化河南油田分公司第一采油廠)

遺傳算法與神經(jīng)網(wǎng)絡(luò)結(jié)合預(yù)測(cè)低滲透油藏產(chǎn)油量
——以寶浪油田為例

董玉安1,趙 蕊2,葉 歡1,廖 晶1,高立建3,張紅坡3

(1.中國(guó)石化河南油田分公司石油勘探開(kāi)發(fā)研究院,河南南陽(yáng)473132;2.中國(guó)石化河南油田分公司第二采油廠;3.中國(guó)石化河南油田分公司第一采油廠)

基于遺傳算法的全局搜索能力和神經(jīng)網(wǎng)絡(luò)算法的局部精確搜索特性,將遺傳算法和神經(jīng)網(wǎng)絡(luò)算法有機(jī)結(jié)合,在提高油氣產(chǎn)量預(yù)測(cè)精度的研究中得到了很好的應(yīng)用。對(duì)寶浪油田某區(qū)塊產(chǎn)油量的預(yù)測(cè),驗(yàn)證了這種方法的正確性,結(jié)果表明該方法預(yù)測(cè)精度明顯優(yōu)于單純的BP算法,證明了這種方法的有效性和可靠性。

神經(jīng)網(wǎng)絡(luò);遺傳算法;寶浪油田;產(chǎn)量預(yù)測(cè)

新疆寶浪油田屬于典型低滲透砂礫巖儲(chǔ)層,油藏厚度大、Ⅲ級(jí)斷層較發(fā)育。寶浪油田自1997年注水開(kāi)發(fā)以來(lái),油田已進(jìn)入中含水期,目前地下油水分布關(guān)系復(fù)雜,水驅(qū)效果差,產(chǎn)量遞減較快,剩余油識(shí)別難度大,導(dǎo)致生產(chǎn)效果變差。至2009年底,年自然遞減達(dá)20%左右,而且自然遞減還有加大的趨勢(shì)。按水驅(qū)開(kāi)發(fā)趨勢(shì)推算,最終采收率只能達(dá)到20%左右,比標(biāo)定采收率低5個(gè)百分點(diǎn)。因此,如何正確預(yù)測(cè)該區(qū)塊產(chǎn)油量,正確標(biāo)定區(qū)塊采收率是油田亟待解決的問(wèn)題。

在油藏工程領(lǐng)域,對(duì)于油田產(chǎn)量的預(yù)測(cè)方法較多,如產(chǎn)量遞減法、水驅(qū)特征曲線法、圖版分析法、廣義翁氏法、衰減曲線法、油藏?cái)?shù)值模擬法、物質(zhì)平衡法、遞減曲線法等等。由于各個(gè)油田物性、開(kāi)發(fā)方式、地質(zhì)特征等方面的差異,上述幾種預(yù)測(cè)方法都有一定的局限性[1-2]。因此,有必要從數(shù)學(xué)的角度出發(fā),找出一種不拘泥于油藏性質(zhì)的預(yù)測(cè)方法,并能成功應(yīng)用于寶浪油田。

1 遺傳算法與BP算法簡(jiǎn)介

人工神經(jīng)網(wǎng)絡(luò)(ANN,A rtificial Neural Network)預(yù)測(cè)方法是對(duì)人類(lèi)大腦的一種物理結(jié)構(gòu)上的模擬,即利用計(jì)算機(jī)仿真的方法,從物理結(jié)構(gòu)上模擬人腦,以使系統(tǒng)具有人腦的某些智能。在眾多的人工神經(jīng)網(wǎng)絡(luò)模型中,多層前饋神經(jīng)網(wǎng)絡(luò)模型是目前應(yīng)用最為廣泛的模型。用逆向傳播網(wǎng)絡(luò)算法(BP算法,Back Propagation Nets)可以實(shí)現(xiàn)多層前饋神經(jīng)網(wǎng)絡(luò)的訓(xùn)練,BP算法具有簡(jiǎn)單和可塑性的優(yōu)點(diǎn),能進(jìn)行局部精確搜索,然而B(niǎo)P算法是基于梯度的方法,這種方法的收斂速度慢,而且受到局部極小點(diǎn)的困擾,而采用遺傳算法則可以克服BP算法的缺陷[3]。

遺傳算法 GA(Genetic A lgo rithm s)是20世紀(jì)60年代后期由美國(guó)M ichigan大學(xué)J.H.Holland教授首先提出的,它是模擬自然界生物的遺傳與長(zhǎng)期進(jìn)化過(guò)程發(fā)展起來(lái)的一種搜索和優(yōu)化算法。它模擬了生物界“優(yōu)勝劣汰,適者生存”的機(jī)制,用逐次迭代法搜索尋優(yōu)。目前,遺傳算法已成為繼專(zhuān)家系統(tǒng)、人工神經(jīng)網(wǎng)絡(luò)之后的又一個(gè)受人青睞的新學(xué)科[4-6]。

在對(duì)低滲油田產(chǎn)量的預(yù)測(cè)過(guò)程中,將BP算法的局部精確搜索能力和遺傳算法的全局搜索能力有機(jī)結(jié)合起來(lái),能做到優(yōu)勢(shì)互補(bǔ),提高了預(yù)測(cè)的精度。

2 遺傳算法與BP算法結(jié)合的方法與步驟

人工神經(jīng)網(wǎng)絡(luò)具有非常強(qiáng)的非線性映射能力,它不需要任何先驗(yàn)公式就可以通過(guò)學(xué)習(xí)(或訓(xùn)練)自動(dòng)總結(jié)出生產(chǎn)歷史數(shù)據(jù)間的函數(shù)關(guān)系,在油氣產(chǎn)量預(yù)測(cè)中的應(yīng)用非常有效。現(xiàn)有神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法(BP算法)存在一定缺陷,往往會(huì)降低預(yù)測(cè)結(jié)果的準(zhǔn)確性,將遺傳算法與神經(jīng)網(wǎng)絡(luò)有機(jī)結(jié)合,能較好克服BP算法的缺陷。

利用以下算法步驟來(lái)實(shí)現(xiàn)遺傳算法對(duì)神經(jīng)網(wǎng)絡(luò)的連接權(quán)值的優(yōu)化[7-8]:①確定初始輸入與輸出樣本集;②確定網(wǎng)絡(luò)權(quán)值的編碼形式(本文采用實(shí)數(shù)編碼),個(gè)體的位串長(zhǎng)度;③選定遺傳算法操作,設(shè)置操作參數(shù)以及參數(shù)的調(diào)整算法;④設(shè)定種群規(guī)模為N,隨機(jī)產(chǎn)生初始種群;⑤譯碼種群中每一個(gè)體位串,求得N組網(wǎng)絡(luò)權(quán)值,得到具有相同結(jié)構(gòu)的N個(gè)網(wǎng)絡(luò);⑥由輸入樣本集經(jīng)前向傳播算法,求得N組網(wǎng)絡(luò)權(quán)值對(duì)應(yīng)的N個(gè)網(wǎng)絡(luò)輸出;⑦設(shè)定網(wǎng)絡(luò)的目標(biāo)函數(shù),將其轉(zhuǎn)換為適應(yīng)度,對(duì)N個(gè)網(wǎng)絡(luò)進(jìn)行評(píng)價(jià);⑧依據(jù)適應(yīng)度在遺傳空間進(jìn)行選擇操作;⑨依據(jù)選定的交叉、變異及有關(guān)算法、參數(shù),進(jìn)行相應(yīng)的操作,得到新一代種群;⑩返回步驟⑤,直到滿足性能要求,得到一組優(yōu)化的權(quán)值。

3 應(yīng)用實(shí)例

本文以新疆寶浪油田某區(qū)塊為例,區(qū)塊1997年至2009年生產(chǎn)指標(biāo)見(jiàn)表1,這些歷史動(dòng)態(tài)生產(chǎn)數(shù)據(jù),在一定程度上本身就反映了某區(qū)塊實(shí)際的開(kāi)發(fā)動(dòng)態(tài)變化規(guī)律。

首先利用一般的三層(輸入層、隱含層和輸出層)BP網(wǎng)絡(luò),結(jié)合遺傳算法建立了預(yù)測(cè)模型,對(duì)2010年寶浪油田某區(qū)塊產(chǎn)油量進(jìn)行了預(yù)測(cè)。

表1 寶浪油田某區(qū)塊歷年生產(chǎn)指標(biāo)

3.1 設(shè)計(jì)BP網(wǎng)絡(luò)

設(shè)定輸入向量為:

在油田開(kāi)發(fā)指標(biāo)預(yù)測(cè)過(guò)程中,x1可表示為當(dāng)年的年產(chǎn)油量;x2可表示為當(dāng)年的年產(chǎn)水量;x3可表示為當(dāng)年的年注水量;x4可表示為油田當(dāng)年的采出程度;x5可表示為油田當(dāng)年的綜合含水率;x6可表示為油田的剩余地質(zhì)儲(chǔ)量等。

隱含層輸出向量為:

輸出層輸出向量為:

期望輸出向量為:D=(d),表示預(yù)測(cè)年份的產(chǎn)油量。輸入層到隱含層之間的權(quán)值矩陣用V來(lái)表示:

隱層到輸出層之間的權(quán)值矩陣用W來(lái)表示:

其中Wj為輸出層第j個(gè)神經(jīng)元對(duì)應(yīng)的權(quán)向量,BP網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)如圖1所示。接著分析分層信號(hào)之間的數(shù)學(xué)關(guān)系。

圖1 BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)圖

上面兩個(gè)式子中,轉(zhuǎn)移函數(shù)f(x)均為單極性Sigmoid函數(shù),表達(dá)式如下:

上述公式所建立的BP神經(jīng)網(wǎng)絡(luò)通過(guò)遺傳算法學(xué)習(xí),并按照離散時(shí)間方式運(yùn)行。當(dāng)網(wǎng)絡(luò)輸出層輸出向量與期望輸出向量不相等時(shí),存在輸出誤差E,其定義表達(dá)式如下:

將上述誤差定義表達(dá)式展開(kāi)到隱含層,則有:

將誤差定義進(jìn)一步展開(kāi)至輸入層,則有:

遺傳算法的目標(biāo)函數(shù)可以定義為:在所有進(jìn)化代中搜索網(wǎng)絡(luò)誤差最小的權(quán)重,相應(yīng)的表達(dá)公式如下:

遺傳算法是以適應(yīng)度函數(shù)作為進(jìn)化目標(biāo)的,且是朝著適應(yīng)度函數(shù)值增大的方向進(jìn)化,所以,適應(yīng)度函數(shù)與目標(biāo)函數(shù)之間要進(jìn)行適當(dāng)?shù)霓D(zhuǎn)換。由于進(jìn)化中的網(wǎng)絡(luò)誤差是非零的正數(shù),因此可以將目標(biāo)函數(shù)的倒數(shù)作為適應(yīng)度函數(shù)。為了保證適應(yīng)度函數(shù)值不至于太小,引入一個(gè)較大的系數(shù)M,遺傳算法的適應(yīng)度函數(shù)最終形式如下:

運(yùn)用網(wǎng)絡(luò)誤差的倒數(shù)形式來(lái)表達(dá)適應(yīng)度函數(shù),這就表明遺傳算法是按照網(wǎng)絡(luò)誤差的隨機(jī)下降的趨勢(shì)來(lái)進(jìn)化的,從而保證了遺傳算法是朝著適應(yīng)度函數(shù)增大的方向進(jìn)化的。

3.2 仿真步驟

本次對(duì)區(qū)塊產(chǎn)油量的預(yù)測(cè)過(guò)程中,應(yīng)用了遺傳算法與神經(jīng)網(wǎng)絡(luò)結(jié)合的仿真步驟,采用MA TLAB的神經(jīng)網(wǎng)絡(luò)工具箱進(jìn)行編程計(jì)算,具體步驟可分為如下10步(見(jiàn)圖2)。

3.3 仿真預(yù)測(cè)結(jié)果

應(yīng)用上述仿真步驟和其他兩種方法(單純的BP算法和油藏工程方法),對(duì)寶浪油田某區(qū)塊產(chǎn)油量進(jìn)行了預(yù)測(cè)(圖3),結(jié)果表明:BP與 GA結(jié)合的仿真模型效果要好于其他方法。

圖3 區(qū)塊年產(chǎn)油量預(yù)測(cè)曲線對(duì)比

4 討論

(1)利用人工神經(jīng)網(wǎng)絡(luò)較強(qiáng)的非線性映射能力,建立了油氣產(chǎn)量預(yù)測(cè)模型,結(jié)合遺傳算法對(duì)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過(guò)程中的網(wǎng)絡(luò)連接值進(jìn)行優(yōu)化,取得了很好的效果,提高了油氣產(chǎn)量的預(yù)測(cè)精度。

(2)文中提出的方法,不但可以應(yīng)用于油氣產(chǎn)量的預(yù)測(cè),同時(shí)也可在油氣田開(kāi)發(fā)中對(duì)其他動(dòng)態(tài)指標(biāo)進(jìn)行預(yù)測(cè),得到的預(yù)測(cè)值精度較高。

(3)遺傳算法作為一種新型的全局優(yōu)化搜索算法,不存在求導(dǎo)和函數(shù)連續(xù)性的限定,在人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用上展現(xiàn)了其獨(dú)特的優(yōu)勢(shì)。隨著理論研究的深入以及計(jì)算機(jī)模擬工具的發(fā)展,遺傳算法與神經(jīng)網(wǎng)絡(luò)結(jié)合模型將會(huì)在許多實(shí)際問(wèn)題中的得到廣泛應(yīng)用。

[1] 李銘,李璗.三種預(yù)測(cè)油氣田產(chǎn)量數(shù)學(xué)模型的比較[J].西安石油大學(xué)學(xué)報(bào)(自然科學(xué)版),2004,19(3):26-28.

[2] 吳新根,葛家理.應(yīng)用人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)油田產(chǎn)量[J].石油勘探與開(kāi)發(fā),1994,21(3):75-78.

[3] Maniezzo V.Genetic evolution of the topology and weight distribution of neural netwo rks[J].IEEE Trans On Neural Netwo rks,1994,5(1):39-53.

[4] 董明,席裕庚.基于遺傳算法的干擾試井解釋方法[J].石油大學(xué)學(xué)報(bào)(自然科學(xué)版),1997,21(4):33-36.

[5] 王光蘭,賈永祿,柯益化,等.遺傳算法在油田產(chǎn)量預(yù)報(bào)中的應(yīng)用[J].西南石油學(xué)院學(xué)報(bào),2000,22(2):34-35.

[6] 欒國(guó)華,何順利,舒紹屹,等.應(yīng)用人工神經(jīng)網(wǎng)絡(luò)方法預(yù)測(cè)氣井積液[J].斷塊油氣田,2010,17(5):575-578.

[7] 段永剛,陳偉,黃誠(chéng),等.有限導(dǎo)流垂直壓裂井混合遺傳自動(dòng)試井分析[J].西南石油學(xué)院學(xué)報(bào),2000,22(4):41-43.

[8] 劉鐵男,陳廣義,劉延力,等.模擬生物種族形成的進(jìn)化算化與多峰函數(shù)優(yōu)化[J].控制與決策,1999,14(2):185-188.

TE319

A

1673-8217(2011)05-0060-03

2011-05-19;改回日期:2011-06-19

董玉安,油藏工程師,1960年生,主要從事低滲透油氣藏開(kāi)發(fā)方案編制、動(dòng)態(tài)分析等研究工作。

編輯:吳官生