基于主成分的bp神经网络煤层气产能预测方法研究

基于主成分的bp神经网络煤层气产能预测方法研究

原油气分配过程中的产量预测是一个重要的方面。准确的产量预测可以使采油厂的各项计划有效有序得以实施,是整个企业制定开发规划、编制开发调整法案的依据。因此,准确的油田产量预测对油田开发和生产具有重要的指导作用。目前煤层气井产能预测方法主要包括数理统计方法、简化解析模型方法、物质平衡法、数值模拟方法和无因次产能图版法5种方法。由于煤层气开采过程复杂,人们获得的数据资料往往不准确;此外5种方法难以包含影响煤层气产能的众多因素导致其运用具有局限性且预测精度不高。基于主成分分析的BP神经网络煤层气产能预测方法充分考虑煤层气实际生产中的动液面、套压、井底压力、产水量、累计产水量、累计产气量等排采参数对煤层气井产能的影响,能够有效地将众多影响因素处理成对产气量贡献最大的主成分因素,进而建立产能预测模型。为此,笔者以沁水煤层气田某区块煤层气井为例,通过上述方法对煤层气井的产能预测进行研究。1主要成分-b神经网络预测的基本原则1.1在主成分分析的数学模型中构造出“三、四、四、三、三主成分”并进行其数学模型的研究主成分分析是数学上对数据降维的一种方法。其基本思想是设法将原来众多的具有一定相关性的指标,重新组合成一组新的互不相关的综合指标来代替原来指标。通常数学上处理就是将原来众多指标作线性组合,作为新的综合指标。在所有的线性组合中所选取的第一主成分F1应该是方差最大的。如果第一主成分不足以代表原来指标的信息,再考虑选取第二个线性组合即第二主成分F2。为了有效地反映原有信息,F1已有的信息就不需要再出现在F2中。依此类推可以构造出第三、第四、…、第p个主成分。实际应用时,指标的量纲往往不同,所以在主成分计算之前应先消除量纲的影响。消除数据的量纲有很多方法,常用方法是将原始数据按一定方式标准化,常见的标准化方式。采用主成分分析的数学模型如下。设有n个样品(多元观测值),每个样品观测p项指标(变量):X1,X2,…,Xp,数据标准化后得到原始数据资料阵:简写成:为了加以限制,对组合系数ai′=(a1i,a2i,…,api)作如下要求:即ai为单位向量:ai′ai=1,且由下列原则决定:2)F1是X1,X2,…,Xp的一切线性组合(系数满足上述要求)中方差最大的,即其中c=(c1,c2,…,cp)′F2是与F1不相关的X1,X2,…,Xp一切线性组合中方差最大的,…;Fp是与F1,F2,…,Fp-1都不相关的X1,X2,…,Xp的一切线性组合中方差最大的。满足上述要求的综合指标向量F1,F2,…,Fp就是主成分,这p个主成分从原始指标所提供的信息总量中所提取的信息量依次递减,每一个主成分所提取的信息量用方差来度量,主成分方差的贡献就等于原指标相关系数矩阵相应的特征值λi,每一个主成分的组合系数ai′=(a1i,a2i,…,api)就是相应特征值λi所对应的单位特征向量ti。方差的贡献率为i越大,说明相应的主成分反映综合信息的能力越强。1.2bp神经网络模型人工神经网络理论本质是非线性动力学理论,它是由大量神经元按照一定的方式组合而成的网络。如果把该网络看成一个输人到输出的映射,则该映射是一个高度非线性映射。BP(BackPropagation)神经网络网络是1986年由Rumelhart和McCelland为首的科学家小组提出,是一种按误差逆传播算法训练的多层前馈网络,是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入输出模式映射关系,而无需事前揭示描述这种映射关系的数学方程。它的学习规则是通过反向传播来不断调整网络的权值和阈值,使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层(input)、隐层(hidelayer)和输出层(outputlayer)。对于影响产能的多个排采变量,利用主成分分析能够降维的同时包含了所选因素群的大部分信息,同时可以有效提高BP神经网络的运行效率。设原回归变量为X1,X2,…,Xp,主成分分析求出其主成分为Y1,Y2,…Ym(m<p),且Yi(i=1,2,…,m)是Xi(i=1,2,…,p)的线性组合。将m个主成分作为BP神经网络的输入,并按BP网络算法进行学习训练,求出预测结果。2分析与应用以沁水煤层气田某区块生产井为例,结合该区块生产动态数据和排采参数,使用基于主成分分析的BP神经网络方法进行煤层气井产能预测。2.1产量模型的构建2.1.1标准曲线及数据分析根据区块内具有不同产能状况的32口煤层气井的排采参数及动态生产资料,选择与产气量相关程度较大的套压、井底流压、日产水量、累积产水量、累积产气量以及动液面等排采动态参数作为回归变量,分别记为x1、x2、x3、x4、x5、x6,因变量产气量用y表示。1)回归变量相关系数矩阵。对于已经消除量纲影响的标准化数据利用SAS软件得到六个回归变量的相关系数矩阵如表1。2)主成分分析。根据主成分的贡献率以及累计贡献率可以确定本例中主成分为3个。主成分特征值、贡献率、累计贡献率如表2。观察表2不难发现,前三个主成分的累计贡献率为96.36%,表明前3个主成分涵盖了所有回归变量96.36%的信息量,于是选取这三个主成分来进行分析,并定义为y1、y2、y3。3)主成分得分。主成分得分情况如表3。由表3可得:观察以上线性关系式回归变量系数可以发现,主成分y3主要与井底流压x2和动液面x6有关;主成分y2主要与套压x1有关;而主成分y1则主要涵盖了产水量x3、累积产水量x4以及累积产气量x5的信息。2.1.2bp神经网络预测由于该生产井只提供了2012.07-2013.07间的生产数据,以年、月为单位讨论数据点过少,以日为单位讨论数据点过多;综合考虑笔者采取旬为单位对排采以及生产数据进行算数平均处理以降低数据测量误差对预测结果的消极影响。BP神经网络预测煤层气产量即利用主成分得分情况计算主成分数值,并将产气量进行标准化处理;最后建立y1、y2、y3到产气量y之间的BP神经网络映射关系。利用matlabR2010b神经网络工具箱建立3层BP神经网络,隐含层和输出层转移函数分别采用logsig和purelin,训练函数采用trainlm;精度设置为0.0001,训练步数设定为800;选取2012年7月下旬到2013年5月上旬共29个数据点作为训练数据,2013年5月下旬到7月下旬共7个数据点作为测试数据。训练阶段误差变化曲线如图1。从图1可以看出,当训练步为20时,误差已经收敛于0.0001。训练数据拟合情况如图2。2.2测试点预测最利用训练好的BP神经网络对测试数据的预测结果如图3。由表3可以看出测试点预测最大3.33%,最小0.22%;计算得相对误差得平均值是1.67%,可见构造的BP神经网络具有较好的仿真预测功能。3bp神经网络方法1)煤层气产能BP神经网络预测方法利用其自组织自学习动力机制可实现输入输出变量间非线性映射,引入主成分分析可以有效提高网络运行效率。2)基于主成分的B