0 引 言

油藏产能预测是石油天然气开采过程中的重要环节。 水平井钻井及水平井分段压裂是非常规油气(如页岩气，致密油气等)开发的关键技术。水平井越长，压裂的段数越多，相应的月产量也就越高，但开发费用也急剧上升。

国内外学者们在研究多段压裂水平井时考虑的物理因素比较理想，和实际的多段压裂水平井物理情况相差较大。主要是因为其模型求解方法不能有效求解综合考虑任意倾角裂缝、非等间距裂缝、储层厚度部分射开、非等裂缝半长水平井不在储层中部等诸多实际因素影响的多段压裂水平井模型。同时，这些计算主要用于试井分析，对产能的研究较少。因此，基于单井产能预测技术的水平井分段压裂优化有着重要意义。

单井产能预测是根据渗流力学偏微分方程，通过求解井底压力或产量来实现的。目前，常用的求解方法是基于叠加原理的解析求解方法。根据地层渗透性不同，单井产能计算可分为基于稳态渗流方程的产能预测和基于瞬态渗流方程的产能预测两类。

绿林认证在制定溯源环节和溯源系统时，充分借鉴了区块链技术，改变传统的产品溯源模式只关注产品生产的某个或者某几个生产环节，实现了无醛人造板及制品从无醛胶黏剂到无醛人造板生产，再到无醛人造板深加工和人造板制品生产的全过程追溯。各环节均可独立上传产品的追溯信息，各环节的追溯信息都对外公示，消费者通过扫描产品上贴附的标签即可看到对应的制品、人造板和胶黏剂三级溯源信息(溯源流程详见上图)。

稳态产能计算偏微分方程不含时间项。因方程求解简单而在油田现场计算中被广泛使用，但对低渗透率油气藏，尤其是致密油气藏以及页岩气藏，得到的结果跟实际产能误差较大。[1-5]随着计算技术的发展，可直接求解含时间项的偏微分方程，建立的模型考虑了油气藏的基本物理特性，以及页岩储层基质和流体在不同储层介质间交换的一些特殊特性，并提出了页岩气井生产中的压力瞬态特性的见解。[6-8]

(5)优化得到的参数对回归模型重新进行训练；

1 算法原理

1.1 SVR原理

SVR是20世纪90年代中期发展的结合结构风险值最低原理和统计学习中VC维理论的新一代机器学习算法，其优点主要表现在引用核函数处理线性分类问题，解决多数维的内部积计算。通过它来增加泛化能力，实现经验风险最低和置信范围的最小化，从而达成即使有很少的统计样本，也可得到最佳的统计规律的目的。[9]

对于给定的训练样本数据{(xi.yi)|xi∈Rn,yi∈R,i=1,2…,m} ，m是样本数量，SVR预测方程为：

f(x)=wTK(xi,x)+b

(1)

其中，w为权重矢量，b为阀值。K(xi,x)为核函数。本研究中，取核函数为高斯径向基核函数，K(xi,x)=其中φ(x)为非线性映射，σ是高斯径向基核函数的宽度。根据结构风险最小化原理可得

PSO 优化SVR 的主要步骤如下：

奥地利心理分析学家弗洛伊德根据古希腊神话中俄狄浦斯杀父娶母故事的分析以及他对于精神病患者的观察，提出“恋父情结”：女孩早期的性追求对象是其父亲，她总想占据母亲的位置，与自己的母亲争夺父亲的爱情。也就是恋父情结。弗洛伊德认为恋父情结是个人人格发展的一个重要因素，并用来解释文化与社会的起源。

 

(2)

党的十九大作出了“中国特色社会主义进入新时代”的重大判断。在这样一个充满生机与活力的新时代，成人与继续教育必将大有作为。这就需要成人与继续教育研究的主力军，不忘初心，牢记使命，在新时代征程上有新担当和突破。为了探讨新时代我国成人与继续教育研究发展趋势，11月10日，由中国成人教育协会成人高等教育理论研究会和江西科技师范大学联合主办，江西科技师范大学继续教育学院承办的“第一届全国成人教育博士论坛”在南昌召开，来自全国各地50多家研究单位的120余位代表参加了会议，共同研讨成人教育研究新趋向。通过梳理会议代表的学术观点，可以管窥新时期成人与继续研究的部分发展取向。

 

(3)

根据Karush-Kuhn-Tucker条件(KKT条件), 消去ε,ξ,ξ*以及w后，可以得到如下的支持向量回归机模型：

 

(4)

1.2 PSO原理

群体中的粒子组成了一个覆盖整个搜索空间的云，并在迭代过程中逐渐缩小，进行探索。因此，在算法的初始阶段，算法会搜索合理的区域，在最后的迭代中，会得到最好的解决方法。在文中， 对PSO参数进行了一些改进，被设置为以下值

在PSD算法中，每个优化问题的解为粒子，所有的粒子都具有一个位置向量和速度向量。粒子维数是参数的数量。粒子位置Xi和它的速度Vi随机选择。然后计算每个粒子的适应度函数的值，并考虑这些值更新速度和位置。该算法按照以下等式更新粒子的位置和速度[11]

 

(5)

 

(6)

(2)初始化粒子位置、速度、迭代次数、样本规模以及速度范围；

(1)前一步速度项，受恒定惯性重量ω的影响；

(2)粒子到目前为止找到的最好位置和粒子当前位置；

(3)整个群体中发现的全局最佳位置与粒子的当前位置之间的差异。

粒子群优化算法是一种基于群体智能的生物启发式算法中的一种进化优化算法，主要根据随机解来进行工作，它在运算过程中，主要通过迭代去寻找最佳解，每次迭代中移位前一个的位置。在运动中，每个人都受到邻居和自己的轨迹的影响。相较于遗传算法等其他进化算法，PSO算法更简单，仅仅是利用追索到的最优值来寻求全局的最优化，具有操作容易，精准度高，收敛迅速等特点。

 

(7)

1.3 PSO- SVR原理

在支持向量回归机中，核函数的选取非常重要。当核函数选定以后，对于支持向量回归机的确定主要就是对几个参数的确定。参数主要包括核函数参数σ和误差项惩罚参数c。目前，用于支持向量回归机参数选择的方法主要有四种：利用经验对参数进行选择、网格搜索法、遗传算法和粒子群优化算法。文中采用粒子群算法对这三个参数进行优化。

（三）吃足初乳 在正常情况下，仔猪生后靠触觉寻找乳头吮乳，并具有固定奶头吮乳习性，自行固定需时较长，弱小仔猪常被健壮仔猪挤掉，母猪的乳房没有乳池，不能随时排乳，且放乳时间很短，仔猪因争斗而影响哺乳，宜于仔猪出生后自选并加以人工辅助，尽快固定奶头吃奶。

(1)对训练样本数据进行预处理；

其中，c≥0为惩罚系数，值越大代表拟合效果越好，ε为不敏感损失函数，ξ和ξ*是松弛因子。 通过对偶原理并引入拉格朗日乘子上式可以转化为拉格朗日函数：

在第k次迭代中，每个粒子的速度取决于三个分量：

(3)计算样本均方差，将均方差作为适应度函数；

(4)根据粒子群优化算法对支持向量回归模型的参数进行优化；

利用改进的粒子群优化算法优化支持向量回归机，建立油井单井产能预测模型。通过对比遗传算法和BP神经网络，改进的粒子群优化算法优化支持向量回归机建立的模型具有更高的预测精度。

(6)输出SVR模型。

PSO 优化SVR 的流程图如图1 所示。

依据逻辑行动主义方法论，任何客观行动、心智行动都离不开广义言语行动。特别地，任何行动主体间的互动和行动共同体的形成，都离不开主体之间的语言交流行动。因此，面对相关困境的分析，需要诉诸以客观行动为根基的三种行动的相互作用机制。心智行动与客观行动直接相关，作为心智行动之产品的思想也对客观行动有引导作用。对于客观行动而言，行动理性意味着主体在最佳数量的正确信息基础上形成一种最优信念，而主体的这一行动是呈现其内心信念的最佳方式。信念既驱动主体行动，又可以在行动中得以修正。而作为言语行动之产品的语句则可以表达信念。因而，对信念和信念修正的把握，在对三类行动的相互作用机制的把握中具有关键地位。

2 实验与分析

使用中国西部某油田多段压裂水平井的实测数据对单井产能进行分析和预测，其模型的示意图如图2所示。以2011年至2015间的月均产油量数据作为训练样本，2016年的数据作为测试样本，建立油井产能预测模型并检验模型的实际效果，结果如图3所示。PSO-SVR模型中的参数设置为：种群规模为50，最大迭代次数为230，惩罚系数介于0.01与8之间，核函数参数介于0.1与1之间，通过优化算法的计算，最终得到σ=0.27,c=5.31。从图3可知，预测值能很好的跟实测值能很好的拟合，误差在可接受的范围之内，这也说明了模型的正确性。

（3）酸沉。用硝酸中和钼酸铵结晶母液，钼酸根离子水解成四钼酸铵沉淀，而其他金属杂质则进入残液。其反应式如下：

  

图1 SVR模型建立流程图

为了进一步说明基于PSO-SVR模型的可靠性和优越性，将文中的模型和传统遗传算法模型、BP神经网络模型进行对比。分别用以上的三种模型来预测2011至2015年油井日平均产量，结果如图4所示。三种算法的预测结果及误差如表1所示。从表1可以看出，PSO-SVR模型整体预测拟合精度比遗传算法和BP神经网络要高。这表明采用文中提出的模型能得到更好的预测结果。使用训练好的PSO-SVR模型，对2016年产量进行预测，得到的结果如表2所示。进一步验证了PSO-SVR模型的优势。

经初步分析：渡船迎水面一侧装有升降立柱，拉扯时渡工也站在这一边，重量增加，而渡船只有1.8米宽，从一开始渡船已向迎水面倾斜；另外渡船长9米，渡船向迎水面倾斜吃水增加，渡船迎水面面积增大，渡船底板与船侧板延长线成直角，过渡的舭板弧线较短，湍急的河水冲击力直接压在船侧板上。在双重压力下渡船迎水面干舷急剧减小，安全隐患严重，这次改造试验以失败告终，之后我将试验设施全部拆除运走。

截至调研日期，除淮安尾水导流工程外，其他各地如徐州、新沂、睢宁、宿迁、江都段尾水导流工程实际导流量均低于工程设计导流量，具体排放情况如表1所示。

  

图2 水平井渗流模型示意图

 

图3 实测值与预测值的比较图

图4 实测值与三种算法预测值比较图

表1 三种模型对油井日平均产量预测及误差

  

年份日均产量PSO-SVR预测值相对误差遗传算法预测值相对误差BP神经网络预测值相对误差201119.8919.930.20%20.724.17%19.27-3.12%201218.8718.920.26%19.362.60%19.312.33%201318.6518.710.32%18.15-2.68%18.08-3.06%201417.8317.8-0.17%17.27-3.14%17.41-2.36%201518.7318.69-0.21%19.835.87%18.01-3.84%

 

表2 三种模型对2016年产量预测及误差

  

年份日均产量PSO-SVR预测值相对误差遗传算法预测值相对误差BP神经网络预测值相对误差201618.6418.720.40%18.33-1.66%19.213.06%

3 结 论

本文在对油藏产能预测分析概括的基础上，详细介绍了支持向量回归机、粒子群算法以及它们在油藏产能预测中的应用。回归模型中，核函数的选择以及相关参数的取值对预测结果有很大的影响。采用PSO对SVR的参数进行优化，能得到高质量的预测模型。通过对测试样本从预测值、预测值与实测值的相对误差等几个方面的实验比较分析，PSO-SVR模型具有更好的预测结果。

参考文献:

[1] Babu D K, Odeh A S. Productivity of a Horizontal Well[J]. SPE (Society of Petroleum Engineers) Reservoir Engineering(USA), 1989, 4(4):417-421.

[2] Goode P A, Kuchuk F J. Inflow Performance of Horizontal Wells[J]. Spe Reservoir Engineering, 1991, 6(3):319-323.

[3] Yildiz T. Inflow Prformance Relationship for Perforated Horizontal wells[C]//SPE Production and Operations Symposium. Society of Petroleum Engineers, 2001.

[4] Hamza A A, Alnuaim S A. Inflow Prformance Relationship for Multilateral Wells.US20160328497[P]. 2016.

[5] Bagherian B, Ghalambor A, Sarmadivaleh M, et al. Optimization of Multiple-fractured Horizontal Tight Gas Well[C]//SPE International Symposium and Exhibiton on Formation Damage Control. Society of Petroleum Engineers, 2010.

[6] Henrion C. A Coupled Reservoir/Wellbore Model to Simulate the Steam Injection Performance of Horizontal Wells[J]. Energy Technology, 2015, 3(5):535-542.

[7] Chen X, Feng Q, Wang Q. Performance Prediction of Gel Water Shutoff in Horizontal Wells Using a Newly Coupled Reservoir-Wellbore Model[J]. Journal of Energy Resources Technology, 2014, 136(2):022903.

[8] Denney D. Practical Slutions for Pessure-transient Responses of Fractured Horizontal Wells in Unconventional Reservoirs[J]. Journal of Petroleum Technology, 2010, 62(02): 63-64.

[9] Luts J, Ojeda F, Vand P R, et al. A Tutorial on Support Vector Machine-based Methods for Classification Problems in chemometrics[J]. Analytica Chimica Acta, 2010, 665(2):129-145.

[10] Hong D H, Hwang C. Support Vector Fuzzy Regression Machines[J]. Fuzzy sets and systems, 2003, 138(2): 271-281.

[11] Ennedy J. Particle Swarm Optimization[M]//Encyclopedia of Machine Learning. Springer US, 2011: 760-766.