丁磊

【摘要】運用GRNN類神經網絡模型數學模型及計算，對新情況下的數據進行內插和外推以推斷其屬性，可以用于對油井推估、預測、決策、診斷及產能的預估。

【關鍵詞】測試 GRNN類神經網絡 應用 探討

1 類人工神經網絡特性

類人工神經網絡技術（Artificial Neural Networks）是近年發(fā)展起來的一個新的研究領域，反映了人腦功能的若干基本特性，從而使計算機能夠模仿人的大腦，具有較強的形象思維能力。

我們目前應用的神經網絡多是模糊神經網絡，即神經網絡與模糊系統(tǒng)的結合，此方法既改進了原有的測試系統(tǒng)的實時性能，又使神經網絡學習得到了指導，有利于收斂。但是，此方法單純地強調了無模型的冗余式學習和模擬，必然造成對計量對象以及計量目標本身的忽略。所以，我們開始嘗試使用多層反饋式神經網絡，即本文要探討的GRNN（Generlized Regnssion Neurl Network）神經網絡。通過上面的介紹我們可以總結出類人工神經網絡具有以下優(yōu)點非線性映射逼近能力；

（1）對信息的并行分布處理能力；

（2）高強的容錯能力；

（3）對學習結果的泛化和自適應能力；

（4）很強的信息綜合能力；

（5）信息的優(yōu)化計算能力；

（6） 便于集成實現和計算模擬

2 建議在石油領域應用類人工神經網絡于產量預測

由于上述類神經網絡的優(yōu)點，我們可以知道可以通過監(jiān)督學習的方法，將專家的故障分析經驗傳遞給神經網絡，或用神經網絡來建立參數觀測系統(tǒng)，從而避免了數學建模的困難，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神經網絡來訓練網絡，可以根據輸入到網絡的一些樣本提供一套權重來進行石油領域的一些預測，在網絡訓練之后，可以將任何新輸入的資料劃分為有效產能或無效產能。

雖然神經網絡作為一種分類工具似乎比其他方法較具吸引力，在石油領域解決實際問題的應用到目前為止還不多。神經網絡（ANN）人工智能方法能處理一系列的信息輸入如比率等，并能產生相應的輸出，而其運算分析能生成一個成功反映所有輸入輸出變量相應關系的模式。除此之外，神經網絡并不依賴于變量之間必須線性相關或是相互獨立的假設。變量之間存有微妙聯系，如同數據不連續(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果之外，神經網絡能夠在相似點和類似點方面給出有根據的結論，在很大程度上，神經網絡方法在油井的判別上有相似的

作用。

3 GRNN類神經網絡模型數學模型及計算

3.1 GRNN類神經網絡模型數學模型

GRNN（Generlized Regnssion Neurl

Network）是徑向基函數神經網絡的一種，主要用于函數逼近。GRNN 網絡為含1個輸入層、1個隱層和1個輸出層的3層結構神經網絡。隱層傳遞函數為徑向基函數Radbas，輸出層為線性函數Purelin：Radbs（x）=exp（-x2），Purelin（x）=x，GRNN網絡設置隱層的權重W1為：W1=P式中為P輸入向量P的轉置矩陣：隱層的偏差b1為：b1 =0.8326/ spread

式中spread為徑向基函數的展形。輸出層的權重W2=T，T為目標向量。

模型設計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。為防止部分神經元達到過飽和，提高網絡收斂程度和計算速度，對原始資料應做標準化處理。

3.2 GRNN類神經網絡模型數學計算

測試實驗目的是了解新的井身結構及管柱所允許的單井產能，并盡可能求取最大產量。設計采用6個油嘴進行回壓法測試?；貕簻y試結束后用21.57mm油嘴測試，日產油300.44×104m³，預測生產壓差6.056MPa。井下入四支高精度PPC型存儲式井下電子壓力溫度計同時測試。采用MCALLSTER型的直讀式電子井下壓力溫度計，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、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數據進行了校正，校正后的平均地層壓力上升了約1.2MPa，壓力恢復曲線也呈上升趨勢。從圖1中看出GRNN模擬效果極好，驗證結果也基本令人滿意。

4 結論和展望

4.1 結論

大慶油田由于多年開采，井下地質條件復雜，使用神經網絡模型（如GRNN和BP神經網絡）進行監(jiān)測效果分析，可獲得比較好的結果；

在儲層四性特征及其四特性關系研究的基礎上，以巖心分析數據為標定，測井為工具，GRNN神經網絡為方法，基本可以實現儲層物性參數的精確預測，且比常規(guī)數理方法具有較高的精度，顯示出BP神經網絡在儲層參數預測中具有較為廣闊的應用前景。

多層反饋式神經網絡具有特定的標準結構和非線性收斂特性。在求解具體問題時，只要把具體確定的能量函數與標準能量函數相對應，就能確定相應的神經網絡參數。在合適的能量函數指導下，根據計量目標設計基于反饋式神經網絡的系統(tǒng)結構和動態(tài)參數，并將基于此網絡的參數辯識和計量結合起來，使其具有更強的自適應性。

4.2 展望

（1）如何在矢量控制的框架下補償參數隨時間常數的變化對計量性能帶來的影響，是一個重要的研究課題，也是我們以往研究結果的基礎上進一步努力的方向；

（2）GRNN神經網絡的優(yōu)越特性必然能在其它的石油領域中得到更廣泛的應用，關于此項的研究任務是一項長期的任務。

參考文獻

[1] 周繼承.人工神經網絡-——第六代計算機的實現[M].北京；科學普及出版社，2000

[2] 史忠植.神經計算.北京：電子工業(yè)出版社，1999