基于概率建模的分层产液劈分方法

摘要

传统产液劈分方法无法考虑层间干扰及注水井和邻井的影响，难以准确判断井下实际状况。同时，海上油田产液剖面测试成本高，常规的机器学习方法面临样本数量少的问题。基于此，提出一种基于贝叶斯神经网络和极限梯度提升算法的多层合采产液劈分混合学习模型。概率方法可以识别预测中的不确定性，通过将神经网络与概率建模结合，进行分层产液数据分布特征挖掘，结合主控因素分析，混合学习算法可以实现小层产液量的准确预测，可以依据较少的数据获得更为稳健的模型。为验证所提方法的有效性，将其应用于实际油田某区块进行产液剖面预测。结果表明：相比KH劈分方法在计算中劈分系数固定，不会随着生产过程波动，所提出的方法可从历史数据中学习，预测精度达到87.9%,预测结果更加逼近真实单层产液量。

关键词

多层合采 / 产液剖面预测 / 贝叶斯神经网络 / 极限梯度提升算法 / 小样本