基于BP神经网络原油气油比预测模型研究

基于BP神经网络原油气油比预测模型研究

张青松

江苏工业学院江苏省油气储运技术重点实验室，常州(213016)

E-mail：Zhangqingsong10000@etang.com摘 要：针对国外原油气油体积比预测模型在国内一些油田并不适用，在分析前向BP神经网络基本原理的基础上，提出了原油气油体积比新的预测模型。该模型结构为4—10—1的三层BP网络模型，它考虑了压力，温度，地面原油重度和气体的相对密度对气油体积比的影响。利用该模型对大庆油田实测值进行训练与测试，结果表明：利用人工神经网络方法建立的气油体积比预测模型比国外模型精度高，基本合理可靠。 关键词：气油比；神经网络；预测模型；油田

1. 引言

地层原油的气油体积比、体积系数等物性参数是油藏工程计算和油田储量评价中不可缺少的重要参数。由于原油是成分极为复杂的多组分混合体系，不同地区的原油组成有较大的差别，尤其是陆相原油与海相原油的差别更大。因此国外原油样品数据拟合得到的气油体积比经验公式：如Standing建立的Standing图版及相关经验公式，Lasater建立的溶解气相关公式，等等，在国内是否适用，已经遭到了质疑[1]。根据薛海涛对大庆油田30口井的实验数据与国外的三种预测模型结果比较，发现误差较大[2]。

本文试图采用具有自学习功能的神经网络模型来研究原油气油体积比，它是一种全新的方法，相对于传统的回归拟合，是一次巨大的进步。它克服了传统的回归数学表达式形式很难选择，缺乏理论推导，经验和半经验性较强等缺点。只要有足够的正确的学习样本，合适的网络结构，那么神经网络效果就会很好。目前应用最广泛、效果最好的是误差反向传播神经网络(Back Propagation Neutral Networks)简称BP网络。与其它模型相比，它具有更好的持久性和适时预报性。在原油气油体积比计算中具有独特的优越性。因此,本文研究选用BP网络的方法来模拟气油体积比与其影响因素的映射关系。

2. BP网络理论

BP网络是一种单向传播的多层前向网络[3],分为输入层、隐含层和输出层，层与层之间多采用全连接方式，同一层单元之间不存在相互连接。其中隐含层可为多层。数学上已经证明3层网络即可模拟任何非线性问题[4]，其结构如图1所示。由图可见， BP学习算法的学习过程有正向传播和反向传播两部分组成[5]，在正向传播过程中，输入模式从输入层经过隐层神经元的处理后，传向输出层，每一层神经元的状态只影响下一层神经元状态。如果在输出层得不到期望的输出，则转入反向传播，此时误差信号从输出层向输入层传播并沿途调整各

层间连接权值和阈值，以使误差不断减小，直到达到精度要求。 隐含层：Yj=f(输出层：Yk=f(

l

∑w

i=1

kj

ji

Xi−θj)（1）

∑w

j=1

m

Yj−γk) （2）

式中：Xi表示网络的输入；Yj表示隐层单元第j个节点的输出；Yk表示输出层第k

- 1 -

http://www.paper.edu.cn

个节点的实际输出；f(x)表示激活函数；wji、wkj分别表示输入层到隐层和隐层到输出层之间的连接权向量；θj、γk分别表示隐层和输出层的阈值。 定义误差函数为：

Ep=

1

(Opk−Ypk)2 （3） ∑2k

式中：Opk为第p个输入模式k的期望输出；Ypk为网络的实际计算输出。 按梯度下降法求权值、节点阈值，调整值如下：

∆wij(t+1)=ηδjYi+a∆wij(t) （4） ∆θj(t+1)=ηδj+a∆θj(t) （5）

式中：Yi是神经元i 在t 时刻的实际输出；0<η<1为学习效率；a为动量因子；δj为节点j的误差，根据节点j的形式不同分别计算。当j为隐含层节点时：

δj=Yj(1−Yj)∑(δkwkj) （6）

k

当j为输出节点时：

δj=Yj(1−Yj)(Oj−Yj) （7）

式中：Yj是神经元j 在t 时刻的实际输出；k为神经元j的下一层神经元编号。 BP学习算法对网络进行训练，其学习步骤如下：

①权值和神经元阈值初始化；②输入样本模式，指定输出层各神经元的期望值；③按式(1)(2)依次计算每层神经元的实际输出；④计算输出误差；⑤若误差满足要求，运算结束；反之则反向逐层计算网络各节点的偏差，隐含层按式(6)计算，输出层按式(7)计算，按式(4)(5)修正网络权值和节点阈值；⑥转式(1)。

3. 气油体积比预测模型建立

根据Kolmogorov定理[6]，三层BP网络可以逼近任意连续的非线性映射，所以BP网络建模实质就是如何正确选定网络的各层节点数。根据现有的文献[2]和气油体积比实验结果，压力，温度，地面原油重度和气体的相对密度和原油气油体积比之间存在一个复杂的非线性关系，所以选择压力，温度，地面原油重度和气体的相对密度这四个变量作为网络输入节点，即输入节点数取4，输出层节点数取1，即气油体积比。隐含层节点表达了网络输入与输出之间的非线性程度，但至今没有统一的选择标准，隐含层节点数的选择影响着预测值和实际值的非线性拟合程度。隐含层节点个数增加，可使非线性优化问题的可调参数增加，使网络记忆能力加强，可得到精确的解。但大大降低了网络的学习速度。隐含层节点个数过少会造成网络收敛到局部极小点，最佳隐含层节点个数由试验和经验得出，经过反复测试，选1个隐含层，隐含层节点个数选10个，使网络有较好的预报效果。在网络学习中，为加快收敛速度并使系统误差较小，采用带动量项的网络修正法，与此响应的学习速率取0.01,动量系a=0.9,迭代次数epochs=4000,输入层与隐含层之间节点传递函数采用单级S型函数longsig.隐含层与输出层之间的节点传递函数采用线性purelin函数。为避免神经元节点的饱和失效和溢出,需要将输入、输出样本集进行归一化处理,使其变换到(0-1)之间。如输入样本已经满足要求，故无需处理。输入，输出样本归一化处理为：

- 2 -

http://www.paper.edu.cn

Yj=(Yj−Yj,min)/(Yj,nax−Yj,min)。（Yj,man表示最大值，Yj,min表示最小值）。

4. 计算实例

选用薛海涛大庆油田30口井的实验数据[2]为基础，以其中的24组数据构成训练集，以不同于训练集中的6组数据构成测试集（见表1）。利用上述BP网络法对训练集数据进行网络学习。网络通过对样本的学习，对网络的权值和阈值进行调整，不断获取压力，温度，地面原油重度和气体的相对密度与原油气油体积比之间的非线性关系，并将其分布储存在网络的连接权上，最终将影响因素与气油体积比用目标函数之间的复杂的非线形关系知识以连接权数字矩阵的形式记录下来，从而实现由输入模式到输出模式的任意非线形下的映射，实现各种因素非线形影响下的原油气油体积比预测。网络学习，其结果见表2、表3。

表1 原油气油体积比测试数据

样品 t/ p/

0

γ ρg

C 105Pa 地面原油重度 气体相对密度

54.0 31.8 0.8127 56.9 38.4 0.6928 44.7 32.8 0.7723 52.4 30.9 0.8414 45.0 33.3 0.7856 37.7 32.8 0.5965

表2 输入层和隐层间的权值和阈值

25 59.4 26 79.0 27 64.4 28 86.7 29 66.6 30 86.0

权值 阈值 7.2492 -1.3389 -9.6226 -8.7920 10.7517 -5.2477 4.4112 -5.2269 6.9153 3.3130 2.7371 4.9412 10.1959 -1.3535 -16.0465 -0.5621 0.8985 -14.0178 9.2180 5.0947 5.5198 -5.0945 -11.3691 -1.8615 9.0842

7.4508 -3.9329 -14.9522 -3.4089 11.8758 2.3039 2.4657 -8.8777 8.6695 -0.9406 -6.6537 4.8847 3.6847 2.7347 -2.4074 4.9124 -0.6934 -9.1719 -9.7749 12.7737 -3.0846 2.8952 -11.3780 7.1160 5.0882

表3 隐层和输出层间的权值和阈值

权值 阈值 1.2325 -0.5175 1.0795 0.3541 1.0089 -0.9968 0.3140 0.9670 -0.5399 -0.5162 1.7353

利用训练好的BP网络模型对测试数据气油体积比进行预测,并同Standing模型， Lasater模型和Vasquez —Beggs模型一起与实测值进行误差比较。

- 3 -

http://www.paper.edu.cn

表4 气油体积比测量值与预测值比较

预测值 相对偏差/%

样品 测量值

模型Ⅰ 模型Ⅱ 模型Ⅲ 模型Ⅳ 模型Ⅰ 模型Ⅱ 模型Ⅲ 模型Ⅳ 25 18.20 28.81 22.61 24.98 18.95 58.3 24.2 37.3 4.1 26 12.74 30.13 21.53 27.13 12.94 136.5 69.0 113.0 1.6 27 15.59 22.07 15.63 19.36 14.47 41.6 0.3 24.2 7.2 28 18.56 24.64 19.81 21.92 18.34 32.8 6.7 18.1 1.2 29 15.20 22.79 16.30 20.06 15.98 49.9 7.2 32.0 5.1 30 16.19 12.58 5.15 11.30 16.36 22.3 68.2 30.2 1.0

注：模型Ⅰ—Standing模型； 模型Ⅱ—Lasater模型；模型Ⅲ—Vasquez —Beggs模型；模型Ⅳ—BP神经网络预测模型。

从表4中可以发现，国外的三种气油体积比预测模型在大庆油田适用性较差，有的数据误差甚至达到100%以上，而用人工神经网络预测模型，误差在7.5%以内，比国外预测模型具有更高的精度。可见人工神经网络完全可以预测气油体积比。如加大网络训练数据样本，预测精度还可以达到进一步提高。但网络需重新进行训练，训练好的网络再进行测试。

5. 结论

国外三种预测原油气油比模型，在大庆油田预测误差较大，因此在国内并不完全适用。本文针对大庆油田实验测定数据。利用人工神经网络的方法模拟了压力，温度，地面原油重度和气体的相对密度与原油气油体积比之间的映射关系，建立了原油气油体积比预测模型，预测结果表明，利用该方法建立的原油气油体积比误差在7.5%以内,比国外预测模型精度高。如加大训练数据的样本，网络还可以达到更精确的预测。因此，本文提出的神经网络预测模型能为油藏工程计算和油田储量评价提供相对精确重要的气油体积比参数。

- 4 -

http://www.paper.edu.cn

参考文献

[1] 薛海涛, 卢双舫,付晓泰.甲烷、二氧化碳和氧气在油相中溶解度的预测模型[J]. 石油天然气地质, 2005, 26（4）:443～448.

[2] 薛海涛, 卢双舫,付晓泰等.预测原油中气油体积比的模型精度[J]. 大庆石油学院学报 2004, 28（1）:1～3.

[3] 陈佩佩，刘鸿泉，朱在兴等.基于人工神经网络技术的综放导水断裂带高度预计[J]. 煤炭学报, 2005,30（4）:438～442.

[4]赵利安.垂直管道中浆体摩阻损失的神经网络研究[J].管道技术与设备,2005,1:17～19. [5] 朱大奇，史慧.人工神经网络原理及应用[M].科学出版社（北京），2006,33～43.

[6] 周诗岽，张文信，吴明.基于人工神经网络的含水原油视粘度计算[M].油气储运，2004，23（3）:15～18.

Research on Forecasting Model of Gas-oil Ratio Based on

the BP Neural Network

Zhang Qingsong

Department of Mechanical Engineeri ng in Jiangsu Polytechnic University, Changzhou（213016） Abstract

The forecasting models abroad are not well applied in oil field in our country, the new forecasting model of gas-oil ratio has been proposed based on analysis of the basic principle of forward back propagation (BP) neural network. The structure of model is 4—10—1 three-layer BP network. The effect of pressure, temperature, gravitation degree of crude oil in ground and relative density of gas to gas-oil ration are considered. The three BP neural networks are trained and tested by using practical measuring data of Daqing oil field. The result indicates that the new forecasting model is much higher accuracy than abroad and it is practical and reliable.

Keywords: Gas-oil Ration; Neural Network; Forecasting Model; Oil Field

- 5 -