经验法和人工神经网络方法预测页岩油产量比较
本研究的目的是通过对比和分析经验模型与我们数据集的拟合度和效果,来评估该模型在预测页岩油产量方面的效果.考虑了以下三种模型:常规递减曲线分析(CDC)、非常规产量递减(URD)方法和对数增长分析(LGA)方法.进行了对比研究以评估人工神经网络(ANN)在产量预测方面的应用,并强化了在数学模型中引入物理参数以进行准确预测的必要性思想.对本项目而言,我们使用非线性回归将经验模型与从北达科他州工业委员会(NDIC)获得的数据集相拟合.我们利用确定系数的帮助评估了模型的拟合度.选取孔隙度、饱和度、页岩体积等物理参数以及声波测井、自然伽马测井等测井数据作为人工神经网络(ANN)模型的输入,并通过方差分析(ANOVA)辅助分析.在页岩开发经验模型中,由于非常规产量递减(URD)方法适用于渗透率极低的裂缝性储层,因此应用最为广泛.URD模型虽然确实符合累计生产曲线,但是无法准确拟合月度生产曲线.URD方法未能成功地准确预测未来生产概况.而人工神经网络预测的值显示估计误差小于10%.事实证明,在没有足够历史资料进行统计拟合的油田,在预测产量时引入物理参数的方法前景广阔.通过对不同来源的物理性质的选择,我们建立了一个人工神经网络模型,适用于具有不同生产历史井的生产数据.我们的研究证明了在以前被视为时间序列回归问题的过程中引入物理参数的重要性.总的来说,我们基于人工神经网络的新方法结果最好.
2020-04-26(万方平台首次上网日期,不代表论文的发表时间)
共10页
38-47