油井压裂措施智能分析系统设计与实现

高新成，徐 璐

(1.东北石油大学 现代教育技术中心，黑龙江 大庆 163318；2.东北石油大学 计算机与信息技术学院，黑龙江 大庆 163318)

油井压裂措施智能分析系统设计与实现

高新成1，徐 璐2

(1.东北石油大学 现代教育技术中心，黑龙江 大庆 163318；2.东北石油大学 计算机与信息技术学院，黑龙江 大庆 163318)

随着油田二次开发中压裂措施井数量不断增多，会导致压裂分析难度增大。结合油田压裂措施选井选层业务的实际需求，采用专家推理机制和BP神经网络算法等技术，设计开发了一套油井压裂措施智能分析系统。系统实现了对压裂措施的合理分析和措施选井选层的效果评价，降低了措施井优选的复杂度，提高了压裂措施后增油量预测的准确性，为油田二次开发生产提供辅助决策支持。

压裂措施； 选井选层； 专家系统； BP神经网络

压裂技术是目前油田二次开采提高产油量的重要手段，压裂措施业务具有流程复杂、数据分析因素多等特点，随着措施井的数量逐渐增多，导致对压裂措施数据处理效率低，分析不准确[1]。具体表现在：①潜力井筛选需要综合考虑生产动态数据和静态资料等，分析内容多，数据量大；②对措施增产分析准确率不高，预测效果不理想；③现有较多措施分析相关软件没有集成到统一平台上，数据共享率低，平台联动性不强[2]。

针对上述问题，本文以油井动态和静态数据为基础，研究措施井优选与效果预测等技术，实现油田压裂措施井智能优选与预测分析，提高压裂措施业务数据分析效率，提升油井压裂后产量预测效果的准确性。

1 油井压裂智能分析相关技术

1.1 专家知识系统

专家知识系统(Expert Knowledge System，EKS)通常被认为是一种具有专家评判能力的分析系统，其思想是运用大量专业知识与经验智能推理，求解最佳方法[3-4]。通常设计专家系统包括知识库、推理机、知识获取、解释系统、中间数据库和人机接口6部分内容[5]。体系结构如图1所示。

图1 专家系统体系结构

知识库用于存放知识与经验等内容，形成专业知识库；推理机是从知识库中获取有用信息后，选择解决问题的推理方式[6]；知识获取是知识、经验的收集与表达的过程；中间数据库用于临时存放推理过程中需要处理的数据信息；解释系统通过解释和执行等方式将推理的结果及遇到的问题反馈给用户；人机接口提供系统与用户间交互接口及用户友好访问界面[7]。

1.2 BP神经网络技术

人工神经网络技术是一种学习和模仿人脑信息处理的数学模型。BP神经网络是一种按误差反向传播算法训练的多层前馈网络，目前应用广泛。它能够以任意精度逼近任何非线型连续函数，无需事前揭示输入和输出之间的映射关系，适合求解复杂问题。BP神经网络模型拓扑结构包括输入层(input layer)、隐含层(hide layer)和输出层(output layer)，各层的节点数可根据实际情况进行设定[8]。BP神经网络的模型结构如图2所示。

图2 三层BP网络模型

该模型为三层BP神经网络，其中，输入节点n个，输出节点m个，隐含节点h个。

隐含层神经单元的计算可以表示为：

其中，xi表示输入信号，pj表示隐含节点，ωij表示输入节点与隐含节点间网络权值，θj为隐含层阈值，f(·)为激励函数。

输出层神经单元的计算可以表示为：

其中，pj表示隐含节点，yk表示输出节点，ωjk表示隐含节点与输出节点间网络权值，θk为输出层阈值[9]。

通过信息正向传递和误差反向传播，反复修正权值和阀值，使得误差函数值达到最小，完成学习功能[10]。

2 油井压裂措施智能分析系统设计

2.1 系统架构模型设计

针对油井压裂措施智能分析系统实际需求，设计油井压裂措施智能分析系统架构模型。模型主要包括应用层、业务逻辑层和数据层3部分，系统架构如图3所示。

图3 油井压裂措施智能分析系统架构模型

数据层负责数据管理与维护等功能。数据管理主要包括集成油田已有的静态数据和生产数据库等，实现样本数据、小队数据、中间数据和生产数据库等数据的有效处理。数据维护主要包括样本数据和元数据维护，以及对管理机制的维护。

业务逻辑层负责智能优选和预测分析等功能。利用专家选井知识库生成元数据集、逻辑规则和产生式规则，形成全面的知识体系结构，并通过知识合理获取实现智能推理机制。同时，依据优选结果筛选预测样本，设定预测算法，建立预测模型，实现产能预测效果分析。

应用层包括筛选出潜力井、跟踪预测效果和生成措施方案等多种应用。

2.2 系统功能模块设计

结合油田实际压裂措施业务，设计油井压裂措施智能分析系统主要包括潜力井优选、效果预测分析、生成措施方案和系统平台管理等功能模块，如图4所示。

图4 系统功能模块图

潜力井优选：依据压裂措施选井选层标准，设计筛选规则和优选算法，形成措施潜力井知识库，实现压裂措施潜力井自动筛选任务，同时能够对规则进行维护。

效果预测分析：依据措施井历史数据，选取样本数据，生成预测样本库，设定预测算法，建立具体预测效果模型，分析出预测措施结果。

生成措施方案：根据需要压裂的潜力井，确定具体措施方案，利用历史数据和措施方式生成工程与地质方案，并对方案有效管理。

系统平台管理：包括用户管理、权限分配和数据备份等内容，实现根据业务需求分配相应管理权限等灵活设置，数据备份为系统数据管理提供更好的安全性。

3 系统主要功能实现

系统结合C/S与B/S混合模式[11]，基于.NET平台开发，利用Oracle数据库实现后台数据管理。采用专家推理机制实现措施井的智能优选，采用BP神经网络算法等技术实现措施效果预测分析，采用SOA技术实现系统的应用集成[12]，实现对油井压裂措施效果的智能分析。

3.1 措施井智能优选

图5 措施井智能优选界面

图6 效果预测分析

措施井智能优选模型的设计包含：措施井专家知识体系的建立、专家知识库的管理和专家知识推理。利用地质人员多年的措施井选井经验建立压裂措施选井知识库以及知识库表示形式，对专家知识库进行实时更新，采用专家知识推理机制根据措施井的基础信息得到专家优选结果。专家知识推理的原理是将产生式规则和框架相结合，将专家知识库和知识推理过程相联系，最后运用综合评估的方法得出专家优选的结果。智能优选界面如图5所示。

3.2 措施效果预测分析

措施效果预测分析是根据压裂井的基础数据对压裂效果进行预测。根据压裂井的历史数据建立样本，为了提高预测准确率，分别建立每个区域的数据样本；设计措施效果预测模型，本文采用BP神经网络进行预测；将区域样本输入BP神经网络模型进行训练，直到误差在设定范围之内，保存相应的权值和阈值，建立每个区域的预测模型；模型训练完成后，将模型的计算结果与压裂措施实际数据进行对比，并显示误差曲线，如图6所示。

4 结束语

本文首先分析油井压裂措施业务实际需求，通过研究智能优选与预测分析等相关技术与方法，设计了油井压裂措施智能分析系统架构模型，模型中引入专家系统思想，建立措施选井选层的专家推理机制，降低了措施井优选的复杂度；同时，采用BP神经网络方法建立压裂井的产能预测模型，提高预测压后增油量的准确性；最后开发一套油井压裂措施智能分析系统，实现了压裂措施智能分析与辅助决策，提高了工作效率。

[1] 陈利琴.对油井压裂技术的研究与探讨[J].中国新技术新产品，2015(7):80-81.

[2] 关洁,马春芳.油井压裂效果分析[J].黑龙江科技信息，2011(5):20-21.

[3] 张煜东,吴乐南,王水花.专家系统发展综述[J].计算机工程与应用，2010(19):43-47.

[4] 李春生,张可佳.基于工程决策的专家系统模型设计与研究[J].计算机技术与发展，2012,22(3):89-90.

[5] 徐璐.油井压裂措施分析辅助平台的设计研究[D].大庆：东北石油大学，2016.

[6] BEAM C.Artificial intelligence applications in research of traditional Chinese medicine[J].Scientific consulting (management)，2010(5):83-86.

[7] CAO Han-qing.Engine room simulator based on expert system to automatically score system[J].Marine electric technology,2013(2):37-39.

[8] 李如平,朱炼,吴房胜,等.BP神经网络算法改进及应用研究[J].菏泽学院学报,2016(2):13-17.

[9] GAO Xue-jun,HUANG Ting-wen,WANG Zhen-you.Exploiting a Modified Gray Model in Back Propagation Neural Networks for Enhanced Forecasting[J].Cognitive Computation,2014,6(3):331-337.

[10] YE L,LIU T,WU Z.Sequence-based protein domain boundary prediction using BP neural network with various property profiles[J]. STRUCTURE,FUNCTION AND GENETICS,2008,71(1):300-307.

[11] 姚宁广.基于B/S模式的评审专家信息管理和选取系统的设计与实现[J].电脑知识与技术,2016(27):77-79.

[12] 高新成,王莉利,刘玉华.基于SOA的数字化校园应用模式的研究[J].齐齐哈尔大学学报(自然科学版),2011,27(5):39-42.

[责任编辑：李 莉]

Design and realization of oil well fracturing measure intelligent analysis system

GAO Xin-cheng1,XU Lu2

(1.Modern Education Technique Center,Northeast Petroleum University,Daqing 163318,China；2.School of Computer & Information Technology,Northeast Petroleum University,Daqing 163318,China)

With the increment of the number of fracturing measure wells,fracturing analysis becomes more difficulty. This article combines with the actual demand of selecting wells and layer of oilfield fracturing measures,uses the expert reasoning mechanism and BP neural network algorithm,designs and develops an set of oil well fracturing intelligent analysis system. The system accomplishes the rational analysis for fracturing measure and the effect evaluation for selecting the well and layer,reduces the optimized complexity of measure well,and improves the predictive accuracy of the oil increment after fracturing. It provides a significant support for tapping production potential and improving oilfield management level,and provides auxiliary decision support for secondary development for oilfield.

fracturing measure; oil well and layer selection; expert system; BP neural network

2096-3998(2017)03-0031-04

2016-11-29

2017-03-30

黑龙江省教育科学规划重点课题(GJB1215013)；黑龙江省高教学会教育科研课题(16G154,16G160)

高新成(1979—)，男，黑龙江省木兰县人，东北石油大学副教授，博士，主要研究方向为数据处理与智能计算。

TP399

A