控制儲(chǔ)層傷害程度是高油氣井產(chǎn)量的關(guān)鍵。但是,儲(chǔ)層傷害貫穿整個(gè)油氣田開(kāi)發(fā)始終,影響因素多,機(jī)理復(fù)雜,常用的儲(chǔ)層敏感性評(píng)價(jià)方法、預(yù)測(cè)模型等與礦場(chǎng)實(shí)際差距較大,難以定量指導(dǎo)生產(chǎn)和作業(yè)。為此,從大數(shù)據(jù)角度,出利用數(shù)據(jù)挖掘技術(shù)剝開(kāi)儲(chǔ)層傷害或產(chǎn)能損害控制參數(shù)與油氣井產(chǎn)量之間的數(shù)學(xué)關(guān)系,以實(shí)現(xiàn)無(wú)人為干預(yù)條件下產(chǎn)量預(yù)測(cè)、主控傷害因素診斷和定量?jī)?yōu)化,稱之為“儲(chǔ)層傷害控制參數(shù)剝繭方法”或“產(chǎn)能損害控制參數(shù)剝繭方法”。儲(chǔ)層傷害控制參數(shù)為表征內(nèi)、外傷害源的參數(shù),具有局部不完整、含有異常值、量級(jí)和量綱差異大、特征多樣、緯度高等特征。為此,優(yōu)選了缺失值和異常值處理、數(shù)據(jù)規(guī)范化、聚類和降維等數(shù)據(jù)處理方法。然后,介紹了如何基于多元回歸、人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī),構(gòu)建相應(yīng)的剝繭數(shù)學(xué)模型。最后,以N油田壓裂數(shù)據(jù)為例,建立了壓后產(chǎn)油增量與其控制參數(shù)間的BP網(wǎng)絡(luò)、支持向量機(jī)等模型17個(gè),發(fā)現(xiàn)BP網(wǎng)絡(luò)模型的殘差平方和81.83,預(yù)測(cè)的平均準(zhǔn)確度96.86%,模型最佳;診斷N油田壓裂效果發(fā)現(xiàn),返排率是損害壓裂效果的主控因素;優(yōu)化31#井壓裂參數(shù)發(fā)現(xiàn),當(dāng)返排率50%、壓裂液260方、前置液103方、砂量37方,壓后產(chǎn)量可以從1.7...

【文章頁(yè)數(shù)】：113 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 研究背景
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 研究目的
    1.4 技術(shù)路線
    1.5 研究?jī)?nèi)容
第2章 儲(chǔ)層傷害控制參數(shù)剝繭方法的提出
    2.1 儲(chǔ)層傷害控制參數(shù)的定義
        2.1.1 內(nèi)傷害源參數(shù)
        2.1.2 外傷害源參數(shù)
    2.2 儲(chǔ)層傷害控制參數(shù)剝繭方法的定義
    2.3 本章小結(jié)
第3章 儲(chǔ)層傷害控制參數(shù)剝繭方法的實(shí)施步驟
    3.1 儲(chǔ)層傷害控制參數(shù)預(yù)處理
        3.1.1 缺失值處理
        3.1.2 異常值處理
        3.1.3 數(shù)據(jù)規(guī)范化
        3.1.4 差異特征聚類
        3.1.5 多維參數(shù)降維
    3.2 儲(chǔ)層傷害控制參數(shù)剝繭數(shù)學(xué)模型建立
        3.2.1 利用多元回歸構(gòu)建剝繭數(shù)學(xué)模型
        3.2.2 利用人工神經(jīng)網(wǎng)絡(luò)構(gòu)建剝繭數(shù)學(xué)模型
        3.2.3 利用支持向量機(jī)構(gòu)建剝繭數(shù)學(xué)模型
    3.3 儲(chǔ)層傷害控制參數(shù)剝繭數(shù)學(xué)模型應(yīng)用
        3.3.1 產(chǎn)量主控因素診斷
        3.3.2 產(chǎn)量預(yù)測(cè)及評(píng)價(jià)
        3.3.3 可控工程參數(shù)定量?jī)?yōu)化
    3.4 本章小結(jié)
第4章 儲(chǔ)層傷害控制參數(shù)剝繭方法初步實(shí)踐
    4.1 結(jié)合相關(guān)性分析的多元回歸模型
        4.1.1 參數(shù)相關(guān)性分析
        4.1.2 多元回歸模型建立及優(yōu)選
        4.1.3 多元回歸模型診斷
        4.1.4 多元回歸模型應(yīng)用
    4.2 結(jié)合聚類分析的多元回歸模型
        4.2.1 K-均值聚類算法基礎(chǔ)上的多元回歸模型
        4.2.2 K-中心點(diǎn)聚類算法基礎(chǔ)上的多元回歸模型
    4.3 人工神經(jīng)網(wǎng)絡(luò)模型
        4.3.1 單隱層BP神經(jīng)網(wǎng)絡(luò)模型
        4.3.2 雙隱層BP神經(jīng)網(wǎng)絡(luò)模型
        4.3.3 Elman神經(jīng)網(wǎng)絡(luò)模型
        4.3.4 Rbf神經(jīng)網(wǎng)絡(luò)模型
    4.4 支持向量機(jī)模型
    4.5 模型對(duì)比優(yōu)選與評(píng)價(jià)
        4.5.1 模型擬合效果對(duì)比評(píng)價(jià)
        4.5.2 模型預(yù)測(cè)效果對(duì)比評(píng)價(jià)
        4.5.3 壓裂參數(shù)優(yōu)化對(duì)比評(píng)價(jià)
    4.6 本章小結(jié)
第5章 結(jié)論
    5.1 主要工作量
    5.2 取得的結(jié)論或成果
    5.3 存在的問(wèn)題及建議
參考文獻(xiàn)
附錄A R語(yǔ)言建模源程序
攻讀碩士學(xué)位期間取得的學(xué)術(shù)成果
致謝



本文編號(hào)：3885262