《基于BP神经网络的检泵周期预测模型》-工学论文，工业技术论文-论文范文参考-科学狗论文网

标题

基于BP神经网络的检泵周期预测模型

范文

周浩

摘要：检泵周期是衡量油田工艺开发和管理水平的重要指标，随着某区注聚的全面见效，产聚浓度的逐渐增大，抽油杆断脱、卡泵、泵的漏失主要发生在某采油区。近年来，某采油厂的平均检泵周期为680天，而注聚区2014年平均检泵周期为345天，2015年为235天，2016年为324天，2017年为368天，明显短于全厂的平均水平。本文通过现场的数据分析，以井底方位角、井底位移、含水率、见聚浓度、泵径、冲程、冲次七个因素为输入层，检泵周期为输出层建立BP神经网络，来预测检泵周期，预测效果较好。此外，通过正交试验分析了4个影响因素对检泵周期的敏感性，其敏感性排序为井底方位角>含水率>见聚浓度>井底位移。

关键词：检泵周期;影响因素;BP神经网络;正交试验分析

DOI：10.16640/j.cnki.37-1222/t.2019.18.062

近年来，随着三次采油重大试验的开发，注聚井越来越多，注聚面积越来越大，检泵周期明显短于注水开发区块。延长检泵周期不仅有利于减少油田维护成本，更有利于减少对产量的影响。所以，有必要对抽油井的检泵周期进行研究。本文拟通过利用BP神经网络，对检泵周期进行预测，并对影响因素进行敏感性分析。

1 检泵周期的主要影响因素

2011年，肖小红通过对井斜、工作载荷、工作参数、高含水引起的杆管偏磨，得到了井斜、工作参数、高含水使得杆管与油管频繁摩擦，检泵周期缩短得到结论。2006年，郭晓忠的研究表明抽油杆与油管之间的摩擦系数随着原油含水量增加而增加，磨损率也随之增加。2010年，赵修太等通过对孤岛采油厂抽油井管杆腐蚀情况的分析，认为聚合物驱采出液矿化度高、水温高、细菌含量高是造成杆柱腐蚀的主要原因。丁建国经过研究发现，抽油机井的检泵周期与抽油机井的抽汲参数有直接关系，随着抽汲参数和泵径的增大，管柱承受载荷增大，造成检泵率的升高。2000年，赵子刚等发现采出液含聚合物溶液的粘弹性以及聚合物的参与改变了采出液的成分，并导致采出液系统受力状态发生变化，造成抽油杆柱与油管柱发生偏磨。综上所述，影响检泵周期的因素主要有井斜、含水率、见聚浓度以及生产参数。

2 BP神经网络预测检泵周期

2.1 数据选取和处理

在本文中选取影响检泵周期的7个主要影响因素：井底方位角、井底位移、含水率、见聚浓度、泵径、冲程、冲次。其中井底方位角和井底位移代表井斜的影响，泵径、冲程、冲次代表生产参数的影响。数据来源于2014-2018年某区块检泵纪录。

原始数据由于各项指标的数量级差别较大且量纲不同，所以采用matlab的归一化函数premnmx，把数据变换到[-1，1]的范围之间。假设原始数据的输入样本为i，输出样本为o，用premnmx函数分别求出输入输出样本的最大值maxi和maxo，最小值mini和mino，利用如下公式求出归一化处理后的输入样本Pn和输出样本Tn：

在BP网络训练结束后，对于得到的归一化数据，需要postmnmx函数对其反归一化处理，还原成正常值。

2.2 BP神经网络的构建

根据选取的影响因素和输出结果，输入、输出层的神经元个数分别设置为7和1。为了不让网络训练速度过慢，选取简单的单隐含层结构。通过文献调研，通过经验公式来确定节点数：

式中：l为隐含层节点数，m、n分别为输入节点数和输出节点数，a为1～10间的参数。经过多次试验，当隐含层节点数为7时，平均误差最小。

2.3 神经网络的训练

BP神经网络的传递函数有多种。log型函数的输入值可取任意值，输出值在0和1之间;tan型函数的输入值可取任意值，输出值在-1到+1之间;线性传递函数在purelin的输入与输出值可取任意值。BP神经网络通常有一个或者多个隐含层，该层中的神经元均采用sigmoid型传递函数，输出层的神经元均采用线传递函数，整个网络的输出值可以取任意值。

选取归一化处理后的数据作为样本，将2014～2018年的数据作为训练样本，选取单井T894和T872为测试样本。本文确定动量因子mc=0.8，最大训练步数1000次，误差设定值0.001，建立了预测模型。

2.4 预测结果分析

以2014-2018年某区的检泵记录为数据来源，训练网络，并选取T894井和T872井为例，进行检泵周期的预测。预测结果的相对误差最小为0.8%，最大预误差为52.05%，预测误差百分比分布在8.48～24.70%。其中，最大误差分布的点在检泵周期为73天时，从检泵周期的分布可以看出，检泵周期为30-80天的检泵周期分布较少，使得BP神经网络未能充分训练，导致训练误差较大。

3 检泵周期敏感性因素分析

为了探究井斜、含水率、聚合物浓度、冲程、冲次、泵径对检泵周期的影响，引入了正交试验，设计正交试验表，利用极差分析和方差分析确定上述因素对检泵周期的影响大小。

本文中以某区块的地质和流体参数为例，因为本区块的生产参数，即冲程、冲次、泵径基本相同，冲程1.8m，冲次为3，泵径为57mm，所以不将其列为影响因素。将方位角、井底位移、含水率、见聚浓度四项因素列为影响因素。取四个因素的三个水平值，计算出9种实验方案，并用BP神经网络预测出9种试验情况下的检泵周期。

3.1 正交试验的极差分析与方差分析

通过极差分析，得到了关于影响检泵周期的因素的主次关系，即方位角>含水率>见聚浓度>井底位移。但是，直观分析的结果只能说明影响检泵周期的主次关系，并不能说明方位角、井底位移、含水率与见聚浓度对检泵周期的影响大小，所以，必须求取上述因素的计算偏差，进行显著性排序。

通过方差分析，得到四个因素的显著性排序为方位角>含水率>见聚浓度>井底位移。这与方差分析的结果一致，所以，检泵周期受方位角影响最大，受含水率和见聚浓度影响次之，受井底位移影响最弱。

4 结论

（1）利用BP神经网络，选取井底方位角、井底位移、含水率、见聚浓度、生产参数为输入层，检泵周期为输出层，发现预测效果较好。

（2）通过对影响檢泵周期的四个因素进行分析发现，影响因素的显著性排序为方位角>含水率>见聚浓度>井底位移，即方位角对检泵周期影响最大，井底位移影响最小。

随便看

科学优质学术资源、百科知识分享平台，免费提供知识科普、生活经验分享、中外学术论文、各类范文、学术文献、教学资料、学术期刊、会议、报纸、杂志、工具书等各类资源检索、在线阅读和软件app下载服务。