丁磊

【摘要】運(yùn)用GRNN類神經(jīng)網(wǎng)絡(luò)模型數(shù)學(xué)模型及計(jì)算，對新情況下的數(shù)據(jù)進(jìn)行內(nèi)插和外推以推斷其屬性，可以用于對油井推估、預(yù)測、決策、診斷及產(chǎn)能的預(yù)估。

【關(guān)鍵詞】測試 GRNN類神經(jīng)網(wǎng)絡(luò) 應(yīng)用 探討

1 類人工神經(jīng)網(wǎng)絡(luò)特性

類人工神經(jīng)網(wǎng)絡(luò)技術(shù)（Artificial Neural Networks）是近年發(fā)展起來的一個新的研究領(lǐng)域，反映了人腦功能的若干基本特性，從而使計(jì)算機(jī)能夠模仿人的大腦，具有較強(qiáng)的形象思維能力。

我們目前應(yīng)用的神經(jīng)網(wǎng)絡(luò)多是模糊神經(jīng)網(wǎng)絡(luò)，即神經(jīng)網(wǎng)絡(luò)與模糊系統(tǒng)的結(jié)合，此方法既改進(jìn)了原有的測試系統(tǒng)的實(shí)時性能，又使神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)得到了指導(dǎo)，有利于收斂。但是，此方法單純地強(qiáng)調(diào)了無模型的冗余式學(xué)習(xí)和模擬，必然造成對計(jì)量對象以及計(jì)量目標(biāo)本身的忽略。所以，我們開始嘗試使用多層反饋式神經(jīng)網(wǎng)絡(luò)，即本文要探討的GRNN（Generlized Regnssion Neurl Network）神經(jīng)網(wǎng)絡(luò)。通過上面的介紹我們可以總結(jié)出類人工神經(jīng)網(wǎng)絡(luò)具有以下優(yōu)點(diǎn)非線性映射逼近能力；

（1）對信息的并行分布處理能力；

（2）高強(qiáng)的容錯能力；

（3）對學(xué)習(xí)結(jié)果的泛化和自適應(yīng)能力；

（4）很強(qiáng)的信息綜合能力；

（5）信息的優(yōu)化計(jì)算能力；

（6） 便于集成實(shí)現(xiàn)和計(jì)算模擬

2 建議在石油領(lǐng)域應(yīng)用類人工神經(jīng)網(wǎng)絡(luò)于產(chǎn)量預(yù)測

由于上述類神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)，我們可以知道可以通過監(jiān)督學(xué)習(xí)的方法，將專家的故障分析經(jīng)驗(yàn)傳遞給神經(jīng)網(wǎng)絡(luò)，或用神經(jīng)網(wǎng)絡(luò)來建立參數(shù)觀測系統(tǒng)，從而避免了數(shù)學(xué)建模的困難，同時，診斷信息還能被用于系統(tǒng)的容錯控制。我們利用三層GRNN神經(jīng)網(wǎng)絡(luò)來訓(xùn)練網(wǎng)絡(luò)，可以根據(jù)輸入到網(wǎng)絡(luò)的一些樣本提供一套權(quán)重來進(jìn)行石油領(lǐng)域的一些預(yù)測，在網(wǎng)絡(luò)訓(xùn)練之后，可以將任何新輸入的資料劃分為有效產(chǎn)能或無效產(chǎn)能。

雖然神經(jīng)網(wǎng)絡(luò)作為一種分類工具似乎比其他方法較具吸引力，在石油領(lǐng)域解決實(shí)際問題的應(yīng)用到目前為止還不多。神經(jīng)網(wǎng)絡(luò)（ANN）人工智能方法能處理一系列的信息輸入如比率等，并能產(chǎn)生相應(yīng)的輸出，而其運(yùn)算分析能生成一個成功反映所有輸入輸出變量相應(yīng)關(guān)系的模式。除此之外，神經(jīng)網(wǎng)絡(luò)并不依賴于變量之間必須線性相關(guān)或是相互獨(dú)立的假設(shè)。變量之間存有微妙聯(lián)系，如同數(shù)據(jù)不連續(xù)或不完全一樣，均可被系統(tǒng)辨識并生成定性評估。簡而言之，除了部分不明確的結(jié)果之外，神經(jīng)網(wǎng)絡(luò)能夠在相似點(diǎn)和類似點(diǎn)方面給出有根據(jù)的結(jié)論，在很大程度上，神經(jīng)網(wǎng)絡(luò)方法在油井的判別上有相似的

作用。

3 GRNN類神經(jīng)網(wǎng)絡(luò)模型數(shù)學(xué)模型及計(jì)算

3.1 GRNN類神經(jīng)網(wǎng)絡(luò)模型數(shù)學(xué)模型

GRNN（Generlized Regnssion Neurl

Network）是徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的一種，主要用于函數(shù)逼近。GRNN 網(wǎng)絡(luò)為含1個輸入層、1個隱層和1個輸出層的3層結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)。隱層傳遞函數(shù)為徑向基函數(shù)Radbas，輸出層為線性函數(shù)Purelin：Radbs（x）=exp（-x2），Purelin（x）=x，GRNN網(wǎng)絡(luò)設(shè)置隱層的權(quán)重W1為：W1=P式中為P輸入向量P的轉(zhuǎn)置矩陣：隱層的偏差b1為：b1 =0.8326/ spread

式中spread為徑向基函數(shù)的展形。輸出層的權(quán)重W2=T，T為目標(biāo)向量。

模型設(shè)計(jì)輸入變量為油井的平均壓力和平均氣溫，輸出變量為油井的月平均流量。為防止部分神經(jīng)元達(dá)到過飽和，提高網(wǎng)絡(luò)收斂程度和計(jì)算速度，對原始資料應(yīng)做標(biāo)準(zhǔn)化處理。

3.2 GRNN類神經(jīng)網(wǎng)絡(luò)模型數(shù)學(xué)計(jì)算

測試實(shí)驗(yàn)?zāi)康氖橇私庑碌木斫Y(jié)構(gòu)及管柱所允許的單井產(chǎn)能，并盡可能求取最大產(chǎn)量。設(shè)計(jì)采用6個油嘴進(jìn)行回壓法測試?；貕簻y試結(jié)束后用21.57mm油嘴測試，日產(chǎn)油300.44×104m³，預(yù)測生產(chǎn)壓差6.056MPa。井下入四支高精度PPC型存儲式井下電子壓力溫度計(jì)同時測試。采用MCALLSTER型的直讀式電子井下壓力溫度計(jì)，取得了較好效果。

井筒中的動力異常是造成壓力異常的主要原因。分隔器密封不嚴(yán)、節(jié)流影響、井筒積液、溫度變化都會造成井筒中的動力異常。采用變井筒溫度模型井的試井?dāng)?shù)據(jù)進(jìn)行了校正，校正后的平均地層壓力上升了約1.2MPa，壓力恢復(fù)曲線也呈上升趨勢。從圖1中看出GRNN模擬效果極好，驗(yàn)證結(jié)果也基本令人滿意。

4 結(jié)論和展望

4.1 結(jié)論

大慶油田由于多年開采，井下地質(zhì)條件復(fù)雜，使用神經(jīng)網(wǎng)絡(luò)模型（如GRNN和BP神經(jīng)網(wǎng)絡(luò)）進(jìn)行監(jiān)測效果分析，可獲得比較好的結(jié)果；

在儲層四性特征及其四特性關(guān)系研究的基礎(chǔ)上，以巖心分析數(shù)據(jù)為標(biāo)定，測井為工具，GRNN神經(jīng)網(wǎng)絡(luò)為方法，基本可以實(shí)現(xiàn)儲層物性參數(shù)的精確預(yù)測，且比常規(guī)數(shù)理方法具有較高的精度，顯示出BP神經(jīng)網(wǎng)絡(luò)在儲層參數(shù)預(yù)測中具有較為廣闊的應(yīng)用前景。

多層反饋式神經(jīng)網(wǎng)絡(luò)具有特定的標(biāo)準(zhǔn)結(jié)構(gòu)和非線性收斂特性。在求解具體問題時，只要把具體確定的能量函數(shù)與標(biāo)準(zhǔn)能量函數(shù)相對應(yīng)，就能確定相應(yīng)的神經(jīng)網(wǎng)絡(luò)參數(shù)。在合適的能量函數(shù)指導(dǎo)下，根據(jù)計(jì)量目標(biāo)設(shè)計(jì)基于反饋式神經(jīng)網(wǎng)絡(luò)的系統(tǒng)結(jié)構(gòu)和動態(tài)參數(shù)，并將基于此網(wǎng)絡(luò)的參數(shù)辯識和計(jì)量結(jié)合起來，使其具有更強(qiáng)的自適應(yīng)性。

4.2 展望

（1）如何在矢量控制的框架下補(bǔ)償參數(shù)隨時間常數(shù)的變化對計(jì)量性能帶來的影響，是一個重要的研究課題，也是我們以往研究結(jié)果的基礎(chǔ)上進(jìn)一步努力的方向；

（2）GRNN神經(jīng)網(wǎng)絡(luò)的優(yōu)越特性必然能在其它的石油領(lǐng)域中得到更廣泛的應(yīng)用，關(guān)于此項(xiàng)的研究任務(wù)是一項(xiàng)長期的任務(wù)。

參考文獻(xiàn)

[1] 周繼承.人工神經(jīng)網(wǎng)絡(luò)-——第六代計(jì)算機(jī)的實(shí)現(xiàn)[M].北京；科學(xué)普及出版社，2000

[2] 史忠植.神經(jīng)計(jì)算.北京：電子工業(yè)出版社，1999