应用人工神经网络预测油田产量

前言第1页共61页应用人工神经网络预测油田产量1前言在石油工业中，为了确保油田开发生产处于高产稳产状态，可靠预测油田原油产量是油田开发的一项关键研究工作。影响油田产量的因素主要分为地质因素和人为因素，预测油田油产量主要考虑这两个方面。当前，在我国的一些老油田大多是非自喷井，需要进行注水或蒸汽驱油，因此油的含水率也是主要的影响因素之一。地下原油的储量基本上是不变的，因此油田的动用储量也是影响因素。这些参数和未来产量之间的关系是非线性的，并且具有随机性和不确定性，用传统的线性方法很难处理。目前，预测油田产量的单变量建模方法主要有递减曲线法、增长曲线法和水驱曲线法等，但油田开发是一个复杂的多变量非线性动力学系统，单变量模型一般不能充分体现影响油田产量的动态因素，所以其预测精度有限。传统多变量模型的建立，通常由实际工作经验来选择一些与油田产量有关的因素作为建模变量，然后利用多元线性回归等方法建立预测模型。这些方法的不足之处在于过分依赖输出变量与输入变量的线性关系，当部分变量的显著性不足时会在一定程度上影响预测精度。为此，国内外许多学者采用过基于指数函数形式的灰色模型GM、Logistic模型、Weng旋回模型以及简单的一元回归模型等来研究油气田生产开发系统行为的变化规律。遗憾的是,这些方法虽具有一定的优越性,但因条件的限制常使得效果不够理想。例如灰色建模及外推预测模型在实际应用中,对某些形似规则的单调或波动数列模拟精度较低，甚至有时出现反常现象，如预测值超过临界饱和值,变化趋势就不合理。由此,论文研究了基于MATLAB的BP神经网络技术来解决油田开发过程中产量动态变化的预测问题。应用人工神经网络预测油田产量第2页共61页2选题背景2.1课题来源生产/社会实际2.2研究课题的目的和意义在本论文中，结合众多具体油田产量预测理论和神经网络理论知识，对基于BP神经网络的预测方法进行分析及对其在油田产量预测中的应用研究，建立BP神经网络的预测模型。在神经网络的实际应用中，百分之八九十的神经网络模型都是采用BP网络及其变化形式。BP网络采用误差反向传播算法，是神经网络中最有效、最活跃的一种方法。由实践证明，对于任意闭合区间连续函数都可以用含有一个隐含层的BP网络来逼近。因而采用三层BP网络对油田产量进行预测可以有效的刻画其具有的不确定、多输入、复杂的非线性特征。MATLAB神经网络工具箱就是以人工神经网络为理论基础，用MATLAB构造出神经网络所涉及的公式计算、矩阵操作等大部分子程序，用于设计和训练，使用户从繁杂的程序设计工作中解脱出来。因此，研究本论文在理论上可以对预测方法的设计和优化起到借鉴作用；在实践方面，由于本文将具体以油田产量预测为实例来研究基于BP神经网络的预测方法及应用。所以本论文的研究实际上也为指导油田产量预测提供了一种应用价值高、可行性好的新方法，对实用预测技术的发展能起到一定的推进作用。2.3论文应完成的内容和要求主要内容为：理解并分析预测油田产量的原理和方法；应用BP神经网络的工作原理；分析和设计BP神经网络预测油田产量的模型；利用MATLAB进行仿真并分析结果；撰写毕业设计论文。具体要求为：选题背景第3页共61页分析油田产量的预测原理，理解BP神经网络的工作原理，应用人工神经网提出油田产量的预测模型。利用MATLAB的NNET进行仿真并分析结果。2.4神经网络研究现状2.4.1人工神经网络研究随着人工神经网络20世纪80年代在世界范围内的复苏，国内也逐步掀起了研究热潮。1989年10月和11月，分别在北京和广州召开了神经网络及其应用讨论会和第一届全国信号处理——神经网络学术会议1990年2月由国内八个学会（中国电子学会、人工智能学会、自动化学会、通信学会、物理学会、生物物理学会和心理学会）联合在北京召开“中国神经网络首届学术会议”。这次大会以“八学会联盟，探智能奥秘”为主题，收到了300多篇学术论文，开创了中国人工神经网络及神经计算机方面科学研究的新纪元。经过十几年的发展，中国学术界和工程界在人工神经网络的理论研究和应用方面取得了丰硕成果，学术论文!应用成果和研究人员逐年增加。在国际上，1987年，在美国加洲召开了第一届国际神经网络学会。此后每年召开两次国际联合神经网络大会（IJCNN）。不久，该学会创办了刊物JournalNeuralNetworks，另有十几种国际著名的神经网络学术刊物相继问世。至此，神经网络理论研究在国际学术领域获得了其应有的地位。2.4.2BP神经网络BP神经网络的误差逆传播算法因有中间隐含层和相应的学习规则，使得它具有很强的非线性映射能力，而且网络的中间层数、各层神经元个数及网络的学习系数等参数可以根据实际情况设定，有很大的灵活性，且能够识别含有噪声的样本，经过学习能够把样本隐含的特征和规则分布在神经网络的连接权上。总的说来，BP网络的优点主要有：(1)算法推导清楚，学习精度较高；(2)经过训练后的BP网络，运行速度很快，有的可用于实时处理；(3)多层(至少三层)BP网络具有理论上逼近任意非线性连续函数的能力。应用人工神经网络预测油田产量第4页共61页也就是说，可以使多层前馈神经网络学会任何可学习的东西，而信息处理的大部分问题都能归纳为数学映射，通过选择一定的非线性和连接强度调节规律，BP网络就可解决任何一个信息处理的问题。目前，在手写字体的识别、语音识别、文本语言转换、图像识别以及生物医学信号处理方面已有实际的应用。同时BP算法与其它算法一样，也存在自身的缺陷：(1)由于该算法采用误差导数指导学习过程，在存在较多局部极小点的情况下容易陷入局部极小点，不能保证收敛到全局最小点；(2)存在学习速度与精度之间的矛盾，当学习速度较快时，学习过程容易产生振荡，难以得到精确结果，而当学习速度较慢时，虽然结果的精度较高，但学习周期太长；(3)算法学习收敛速度慢；(4)网络学习记忆具有不稳定性，即当给一个训练好的网络提供新的学习记忆模式时，将使已有的连接权值打乱，导致已记忆的学习模式的信息消失；(5)网络中间层(隐含层)的层数及它的单元数的选取无理论上的指导，而是根据经验确定。因此网络的设计有时不一定是最佳的方案。2.4.3人工神经网络的发展目前，神经网络正处于由简单的并行处理模型机制的研究到对其变换能力、变化机制进行深入的和严格意义数学理论分析的研究，许多学者正在对神经网络结构的整体能力和限制进行深入的理论分析。以神经网络为代表的链接主义模式，从大规模并行分布式信息处理和非线性系统的认知机理上来反映人脑信息处理和思维的本质，其发展的推动力来源于它特有的非线性适应性信息处理能力。人工神经网络进一步认识智能与机器的关系。神经网络是在现代神经科学研究成果的基础上提出的，试图模拟神经网络加工、记忆信息的方法，是由大量处理单元组成的非线性、自适应、自组织系统，设计一种新的机器，使之具有人脑风格的信息处理能力。可以预测，在21世纪初，智能的机器实现问题的研究将有新的进展和突破。虽然当前神经网络已经取得不错的发展，大规模并行处理也带来了计算上的改进，但是依然存在诸多需要解决的问题。例如，学习新样本模式会对旧的已有选题背景第5页共61页知识造成破坏、大多数学习算法还都是局部算法、等等。因此，探索更有效的学习新算法是神经网络当前研究的一个热点，而且也取得了很多成果。首先是神经网络自身的改进，主要是产生新型网络或者引进新的算法。如Amari运用微分流形理论创建的信息几何，首次将非欧氏空间的研究带入了神经网络模型的研究。同时，将神经网络和其他的算法结合起来也取得了不错的成果。如神经网络与遗传算法、混沌理论等产生了遗传神经网络、混沌神经网络等。或者将神经网络与各种控制方法有机结合，其建模算法和控制系统的稳定性等研究也是当前的热点问题。在数学理论上研究方面，用数理方法探索智能水平更高的神经网络模型，深入研究网络的算法和性能，如神经计算、进化计算、稳定性、收敛性、计算复杂性、容错性、鲁棒性等，开发新的网络数理理论。现有的一些神经网络模型并没有攻克组合爆炸问题，只是把计算量转交给了学习算法来完成，具体来说，增加处理机数目一般不能明显增加近似求解的规模。可以说，有些神经网络模型的计算(学习)时间与神经元有多少事实上关系不太大，却与学习的样本有明显的依赖关系。值得注意的是，尽管采用大规模并行处理机是神经网络计算的重要特征，但我们还应寻找其它有效方法，建立具有计算复杂性、网络容错性和坚韧性的计算理论。由于神经网络的非线性，因此非线性问题的研究是神经网络理论发展的一个最大动力。特别是人们发现，脑中存在着混沌现象以来，用混沌动力学启发神经网络的研究或用神经网络产生混沌成为摆在人们面前的一个新课题，因为从生理本质角度出发是研究神经网络的根本手段。神经网络软件模拟，硬件实现的研究以及神经网络在各个科学技术领域应用的研究神经网络结构的研究是神经网络的实现以及成功地实现应用的前提，又是优越的物理前提。它体现了算法和结构的统一，是硬件和软件的混合体，这种硬软混合结构模型可以为意识的作用和基本机制提供解释。未来的研究主要是针对信息处理功能体，将系统、结构、电路、器件和材料等方面的知识有机结合起来，建构有关的新概念和新技术，如结晶功能体、最高效应功能体、高分子功能体等。目前有些学者正在研究从硬件技术到应用之间的映射理论，将会出现一些新的方法。由于神经网络可以用传统计算机模拟，也可以用集成电路芯片组成神经计算机，甚至还可以用光学的、生物芯片的方式实现，因此研制纯软件模拟，虚拟模拟和全硬件实现的电子神经网络计算机潜力巨大。如何使神经网络计算机与传统的计算机和人工智能技术相结合也是前沿课题，如何使神经网络计算机的功应用人工神经网络预测油田产量第6页共61页能向智能化发展，研制与人脑功能相似的智能计算机，如光学神经计算机和分子神经计算机等等，将具有十分诱人的前景。2.5研究课题的思路和步骤本论文主要研究应用人工神经网络预测油田产量的方法，并通过MATLAB仿真实现直观结果；对预测效果进行分析，用以证明基于BP神经网络的预测方法的可行性和高效性，以及准确性。研究步骤为：第一步：理解油田预测方法和神经网络工作原理；第二步：掌握BP神经网络预测算法；第三步：MATLAB神经网络工具箱的建模方法；第四步：在MATLABR2010a的环境，进行BP神经网络的设计；第五步：使用具体数据进行仿真实验，检验模型的效果预测油田产量概述第7页共61页3预测油田产量概述3.1预测的概念预测是指在掌握现有信息的基础上，依照一定的方法与规律对未来的事情进行测算，以预先了解事情发展的结果，也就是人们对客观事物发展变化的一种认识和估计。作为一种数据分析形式，预测是在现有数据分析的基础上预测未来的数据趋势，其实质是利用历史数据找出变化规律，建立连续值函数模型，并由此模型对未来数据的种类及特征进行预测。3.1.1预测的原理进行正确恰当的预测也需要好多理论基础，其中延续性原理、类推性原理和相关性原理，从不同角度为人们认识和分析事物的发展规律提供了理论依据，也是各种预测方法成立的基础，只有承认这些原理的有效性，才会运用这些技术方法去进行预测。我们都知道世界上任何事物的发展都与其过去的行为相关联，过去的行为不仅影响到现在，还会影响到未来。这表明任何事物的发展都有时间上的延续性。这种延续性为预测的可行性提供了理论依据。延续性往往表现在两个方面：一是事物发展趋势的特征(如发展方向、速度、变化周期等)在一段时间内呈现延续性，对此可建立趋势外推预测模型进行预测。二是在一定的时期内，某些环境因素的结构和相互关系按照一定的格局延续下去，也就是系统的结构模式在这段时间内基本不变，因此也可建立结构外推预测模型进行预测。这就是预测的延续性原理。同时，世界上许多事物在发展变化时常有类似的地方，利用事物之间表现形式上存在的某些相似的特点，当两事物间的发展变化确有类似性时，就可以把先发展事物的表现过程类推到后发展事物上去，从而对后发展事物的未来做出预测。在预测技术中常用到三种类推：一是依据历史上曾发生过的事件推测当