基于支持向量回歸機的油田生產(chǎn)預警模型研究

汪旭穎+閆沖

收稿日期：2014-02-28

作者簡介：汪旭穎(1990—），女，黑龍江大慶人，碩士研究生，研究方向：信息智能分析與處理。

文章編號：1003-6199(2014)02-0130-03

摘 要：傳統(tǒng)的油田開發(fā)動態(tài)生產(chǎn)預警采用獨立性指標閾值判別方法，從而帶來預警結果不準確、異常事件發(fā)生時報警而不是預警等問題。本課題提出一種油田生產(chǎn)預警模型，該方法將支持向量回歸機（Support Vector Regression，SVR）用于油田生產(chǎn)預警中，通過分析歷史生產(chǎn)動態(tài)數(shù)據(jù)，找到它們的變化規(guī)律，總結出生產(chǎn)異常警報形成模式，在油田異常事件的初期給出預警信號，提前分析處理潛在隱患，以便保證油田采收效率的穩(wěn)定性。實驗結果證明模型對于油田生產(chǎn)中發(fā)生的異常情況具有較高的預測準確性。



關鍵詞：油田；預警；支持向量回歸機

中圖分類號：TP311文獻標識碼：A



Research on Early Warning Model of Oilfield Production Based on Support Vector Regression



WANG Xuying,YAN Chong

(School of Computer and Information Technology Northeast Petroleum University , Daqing,Heilongjiang 163318 China)

Abstract:The discrimination method of independent index threshold is used in The traditional Oilfield development dynamic production warning,so it brings inaccurate warning results or it will alarm instead of early warning when an abnormal event occurs. This paper puts forward a early warning model of oilfield production,the method uses support vector Regression (SVR) for early warning of oilfield production. By analyzing dynamic data of historical production,finding their variation，summing up abnormal alarm formation mode, giving signal in the early warning，early analyzing and processing potential risks in order to ensure the stability of oil recovery efficiency is necessary. The experimental results show that the model for oilfield production abnormal condition has a high prediction accuracy.



Key words:oilfield;early warning;SVR



1 引 言

在油田生產(chǎn)開發(fā)過程中，積累的生產(chǎn)數(shù)據(jù)包含了反映其內(nèi)在變化規(guī)律的信息。通過對某種生產(chǎn)異常事件某時間區(qū)間的數(shù)據(jù)進行綜合分析，一定會發(fā)現(xiàn)產(chǎn)生這種石油生產(chǎn)異常事件的數(shù)據(jù)變化規(guī)律或經(jīng)驗，通過有效應用這些經(jīng)驗，用實時油田開發(fā)動態(tài)數(shù)據(jù)可預測未來可能出現(xiàn)的類似生產(chǎn)異常事件，并在異常事件的初期進行預警，以便提前采取預防措施，避免影響生產(chǎn)。因此為確保原油產(chǎn)量的穩(wěn)產(chǎn)和高產(chǎn)，需要建立生產(chǎn)預警體系。支持向量機(support vector machines，SVM)是 Vapnik 等人在1995年提出的一種建立在統(tǒng)計學習理論結構風險最小化原則之上的模式分類方法［1］。支持向量回歸機是SVM在回歸估計問題中的應用，與SVM相比，同樣具備數(shù)學理論完備、全局優(yōu)化性能好、泛化能力強、采用結構風險最小化原則等優(yōu)點，同時還考慮了訓練樣本的擬合性和復雜性，具有較好的推廣性能。因而本文提出一種基于支持向量回歸機的油田生產(chǎn)預警模型，可對將要出現(xiàn)的產(chǎn)量異常的情況進行報警，具有較高的可行性。

2 支持向量回歸機概述

回歸分析又稱函數(shù)估計，是多元統(tǒng)計分析的一個重要分支。它的基本思想是通過有限多個樣本數(shù)據(jù)，建立起反映輸出和輸入之間聯(lián)系的函數(shù)關系［2］。即給定數(shù)據(jù)樣本集合：

{(xi,yi)},i=1,2,…,l,xi∈Rn,yi∈R

其中yi可取任意實數(shù)，找到一個最優(yōu)函數(shù)關系y=f(x)來推斷輸入x所對應的輸出y。這里的最優(yōu)都是通過針對某一誤差函數(shù)而言的，Vapnik定義的ε-不敏感誤差函數(shù)［3］常用于SVM回歸分析中的誤差函數(shù)由于油田生產(chǎn)數(shù)據(jù)是非線性數(shù)據(jù)，因而下面簡要講解非線性支持向量回歸機的原理。

對于非線性支持向量回歸機，可通過非線性映射將樣本映射到高維特征空間上，將在高維空間中的線性回歸與低維空間中的非線性回歸相對應，其關鍵問題在于在最優(yōu)回歸函數(shù)中選擇合適的核函數(shù)K(x,y)。在高維空間中構造決策超平面，求解最大化目標函數(shù)：

計算技術與自動化2014年6月

第33卷第2期汪旭穎等：基于支持向量回歸機的油田生產(chǎn)預警模型研究

W(α,α*)=－12∑li,j=1(αi－α*i)(αj－α*j)K(xi?xj)－

ε∑li=1(αi+α*i)+∑li=1yi(αi－α*i) (1)

約束條件：

s.t.∑li=1(αi－α*i)=0

αi,α*i∈0,C,i=1,2,…,l (2)

對應的回歸函數(shù)為：

y=f(x)=∑li=1(αi－α*i)K(xi?x)+b (3)

3 基于支持向量回歸機的油田生產(chǎn)預警模型的建立

預警是指事物發(fā)展處在復雜系統(tǒng)之中，各種風險因素相互依存、相互作用，當預測到事物的發(fā)展趨勢可能偏離正常的軌道或產(chǎn)生損失時，如危險、危害、危機或災難等不正常的狀況，及時發(fā)出警報，提醒人們注意,并采取措施予以防范［4］。預警方法的優(yōu)劣直接影響預警系統(tǒng)的結果輸出。根據(jù)預警的機制，預警方法主要可以分為黑色 、白色、紅色、綠色、黃色預警方法。其中黃色預警方法可劃分為三類：指標預警、統(tǒng)計預警和模型預警。

3.1 產(chǎn)量預警主要方法

產(chǎn)量預警方法是油田中較為常用的預警方法，由于它只考慮到產(chǎn)量與時間這兩個影響因素，因而造成預警結果準確性較低。它主要包括：單指標波動預警分析方法、基于功圖量油的預警方法分析和油藏產(chǎn)量遞減規(guī)律方法。針對油藏產(chǎn)量遞減規(guī)律的預測預警方法有很多種，主要是按照油藏不同的遞減規(guī)律采用不同的函數(shù)進行預測預警，其主要方法如下所示［5］：

表1 遞減規(guī)律預警方法

油藏遞減

類型

時間與產(chǎn)量之間

的關系

時間與累計產(chǎn)量

的關系

雙曲線遞

減函數(shù)

q(t)=q′(1+nDt)1n

Q=q′［1－(1+nDt)(n－1)n］［(1－n)D］

指數(shù)遞減

函數(shù)

q(t)=q′eDt

Q=q′(1－eDt)D

調(diào)和遞減 

函數(shù)

q(t)=q′1+Dt

Q=q′ln (1+Dt)D

直線遞減 

函數(shù)

q=q'(1－Dt)

Q=q′［1－(1－Dt)2］2D



其中q′為起始產(chǎn)油量；Q為油藏或者油井的累計產(chǎn)量；D為起始遞減率；t為油藏開發(fā)時間；n為遞減指數(shù)。

3.2 基于SVR的油田生產(chǎn)預警模型的建立

SVR油田生產(chǎn)預警模型的建立過程主要分為三個階段：第一階段是數(shù)據(jù)預處理階段。將已有的油田生產(chǎn)歷史數(shù)據(jù)先進行去噪聲值處理，再將數(shù)據(jù)進行規(guī)范化處理，之后選擇適當?shù)囊唤M作為測試樣本數(shù)據(jù)；第二階段是選擇支持向量回歸機的參數(shù)，確定核函數(shù)和懲罰系數(shù)，保證測試樣本預測準確率達到最高；第三階段是將測試樣本數(shù)據(jù)作為輸入空間，利用SVR模型得到預警結果。具體步驟如下：

1) 數(shù)據(jù)預處理。在油田生產(chǎn)歷史數(shù)據(jù)中選擇適當?shù)囊唤M作為樣本數(shù)據(jù)，主要包括以下步驟：

(1) 缺失值的填充，“光滑”數(shù)據(jù)去掉噪聲值，將人為因素及地理環(huán)境因素引起的產(chǎn)量異常情況排除。

(2) 數(shù)據(jù)規(guī)范化處理，把屬性數(shù)據(jù)按比例縮放，是指落入一個特定的小區(qū)間內(nèi)。常用的規(guī)范化方法有最小-最大規(guī)范化、z分數(shù)規(guī)范化和按小樹定標規(guī)范化。本文采用最小-最大規(guī)范化： 

ν′i=νi－min Amax A－min A(max ′A－min ′A)+min ′A (4) 

其中max A和min A是屬性A的最大值和最小值，通過計算，把A的值νi映射到區(qū)間min ′A,max ′A中的ν′i。本文的新區(qū)間?。?1,1］。

2) 選擇核函數(shù)和懲罰系數(shù)c。在支持向量回歸機中關鍵問題在于核函數(shù)的選擇［6］，核函數(shù)將在高維空間中的線性回歸與低維空間中的非線性回歸相對應，在計算復雜度基本不變的情況下解決了非線性回歸問題。目前常用的核函數(shù)主要有：

(1）線性核函數(shù)：

K(xi,xj)=(xi,xj)；(5)

(2）多項式核函數(shù)：

K(xi,xj)=(xi,xj)+1nn=1,2,…；(6)

(3）徑向基核函數(shù)：

Kγ(xi,xj)=exp {－γxi－xj2}）(7)

該式中γ為參數(shù)；

(4）Sigmoid核函數(shù)：

K(xi,xj)=tanh (γ(xi?xj)+c)(8)

該式中γ＞0,c＞0。

本文參照臺灣林智仁教授于2001年開發(fā)設計LIBSVM軟件包［7］，并通過對樣本進行分組交叉驗證尋找支持向量回歸機的最優(yōu)參數(shù)。

3) 用測試樣本對支持向量回歸機模型進行測試，最后得到油田生產(chǎn)預警模型。

4 仿真結果分析

4.1 實驗結果及分析

以大慶油田某采油區(qū)塊的實際產(chǎn)油數(shù)據(jù)為例進行實驗分析。

表2 SVR模型驗證結果

標號

核函數(shù)

c

ε

準確率

1

多項式核函數(shù)

1

0.1

80.5%

0.01

83.2%

2

Sigmoid核函數(shù)

1

0.1

73.3%

0.01

76.1%

3

徑向基核函數(shù)

1

0.1

82.8%

0.01

85.5%

4

多項式核函數(shù)

2

0.1

83.6%

0.01

84.7%

5

Sigmoid核函數(shù)2

0.1

81.4%

0.01

82.5%

6

徑向基核函數(shù)

2

0.1

88.2%

0.01

92.6%

如表2所示當核函數(shù)為徑向基核函數(shù)，懲罰因子為2，誤差ε取0.01時模型對測試樣本預測的準確率最高，準確率達到92%。

4.2 與其他方法的性能比較

BP神經(jīng)網(wǎng)絡是一種按誤差逆?zhèn)鞑ニ惴ㄓ柧毜亩鄬忧梆伨W(wǎng)絡，是目前應用最廣泛的神經(jīng)網(wǎng)絡模型之一［8］。由于它具有實現(xiàn)任何復雜非線性映射的功能和具有自學習能力，也常用于預警研究。本文將相同油田數(shù)據(jù)樣本下的SVR方法與BP神經(jīng)網(wǎng)絡方法用于油田預警進行比較，結果如下表所示。

表3 SVR方法與BP神經(jīng)網(wǎng)絡方法性能比較

測試方法

測試樣本

預警正確數(shù)

正確識別率

BP神經(jīng)網(wǎng)絡

100

83

83%

SVR

100

94

94%

從上表可以看出，在相同樣本情況下，支持向量回歸機方法優(yōu)于BP神經(jīng)網(wǎng)絡方法，預警正確率較高，由此，本文提出了基于支持向量回歸機的油田生產(chǎn)預警模型，克服了神經(jīng)網(wǎng)絡方法的過學習、局部極小值等問題。

5 結束語

文中在對傳統(tǒng)預警方法的學習分析基礎之上，提出了基于支持向量回歸機的油田生產(chǎn)預警模型，通過實驗結果證明，本文提出的基于支持向量回歸機的方法能更好地對油田生產(chǎn)進行預警，提供了一種有效的預警方法，具有很好的應用價值。同時，文中僅僅對油田生產(chǎn)的單井預警進行了初步分析和研究，其中影響油田產(chǎn)量的因素、生產(chǎn)狀況預警區(qū)間的劃分還要進一步研究和深化。

參考文獻

［1］ 鄧乃揚，田英杰.數(shù)據(jù)挖掘中的新方法——支持向量機［M］.北京：科學出版社，2004：51-52.

［2］ 薛薇.SPSS統(tǒng)計分析方法及應用［M］.北京：電子工業(yè)出版社，2009:234-291.

［3］ VAPNIK VN.The nature of statistical 1earning theory［M］.New York:Springer,1995.

［4］ 羅有剛.油井生產(chǎn)動態(tài)預警研究［D］.北京：中國石油大學，2009.

［5］ 魏軍. 基于抽油機效率的油田開發(fā)預警模型研究［D］.大慶：東北石油大學，2013.

［6］ 李卓,劉斌,劉鐵男,等.基于支持向量機的抽油機故障診斷研究［J］.微計算機信息,2006,22(7):209-211.

［7］ CHIHWei hsu, CHIHChung chang,CHIHjen lin.A Practical Guide to Support Vector Classification［J］.Taiwan.National Taiwan University.2008.

［8］ 邢志偉,張輝.基于支持向量機的飛機地面結冰冰型分類預測［J］.計算機技術與發(fā)展,2012,22(6):247-250.

油藏遞減

類型

時間與產(chǎn)量之間

的關系

時間與累計產(chǎn)量

的關系

雙曲線遞

減函數(shù)

q(t)=q′(1+nDt)1n

Q=q′［1－(1+nDt)(n－1)n］［(1－n)D］

指數(shù)遞減

函數(shù)

q(t)=q′eDt

Q=q′(1－eDt)D

調(diào)和遞減 

函數(shù)

q(t)=q′1+Dt

Q=q′ln (1+Dt)D

直線遞減 

函數(shù)

q=q'(1－Dt)

Q=q′［1－(1－Dt)2］2D



其中q′為起始產(chǎn)油量；Q為油藏或者油井的累計產(chǎn)量；D為起始遞減率；t為油藏開發(fā)時間；n為遞減指數(shù)。

3.2 基于SVR的油田生產(chǎn)預警模型的建立

SVR油田生產(chǎn)預警模型的建立過程主要分為三個階段：第一階段是數(shù)據(jù)預處理階段。將已有的油田生產(chǎn)歷史數(shù)據(jù)先進行去噪聲值處理，再將數(shù)據(jù)進行規(guī)范化處理，之后選擇適當?shù)囊唤M作為測試樣本數(shù)據(jù)；第二階段是選擇支持向量回歸機的參數(shù)，確定核函數(shù)和懲罰系數(shù)，保證測試樣本預測準確率達到最高；第三階段是將測試樣本數(shù)據(jù)作為輸入空間，利用SVR模型得到預警結果。具體步驟如下：

1) 數(shù)據(jù)預處理。在油田生產(chǎn)歷史數(shù)據(jù)中選擇適當?shù)囊唤M作為樣本數(shù)據(jù)，主要包括以下步驟：

(1) 缺失值的填充，“光滑”數(shù)據(jù)去掉噪聲值，將人為因素及地理環(huán)境因素引起的產(chǎn)量異常情況排除。

(2) 數(shù)據(jù)規(guī)范化處理，把屬性數(shù)據(jù)按比例縮放，是指落入一個特定的小區(qū)間內(nèi)。常用的規(guī)范化方法有最小-最大規(guī)范化、z分數(shù)規(guī)范化和按小樹定標規(guī)范化。本文采用最小-最大規(guī)范化： 

ν′i=νi－min Amax A－min A(max ′A－min ′A)+min ′A (4) 

其中max A和min A是屬性A的最大值和最小值，通過計算，把A的值νi映射到區(qū)間min ′A,max ′A中的ν′i。本文的新區(qū)間?。?1,1］。

2) 選擇核函數(shù)和懲罰系數(shù)c。在支持向量回歸機中關鍵問題在于核函數(shù)的選擇［6］，核函數(shù)將在高維空間中的線性回歸與低維空間中的非線性回歸相對應，在計算復雜度基本不變的情況下解決了非線性回歸問題。目前常用的核函數(shù)主要有：

(1）線性核函數(shù)：

K(xi,xj)=(xi,xj)；(5)

(2）多項式核函數(shù)：

K(xi,xj)=(xi,xj)+1nn=1,2,…；(6)

(3）徑向基核函數(shù)：

Kγ(xi,xj)=exp {－γxi－xj2}）(7)

該式中γ為參數(shù)；

(4）Sigmoid核函數(shù)：

K(xi,xj)=tanh (γ(xi?xj)+c)(8)

該式中γ＞0,c＞0。

本文參照臺灣林智仁教授于2001年開發(fā)設計LIBSVM軟件包［7］，并通過對樣本進行分組交叉驗證尋找支持向量回歸機的最優(yōu)參數(shù)。

3) 用測試樣本對支持向量回歸機模型進行測試，最后得到油田生產(chǎn)預警模型。

4 仿真結果分析

4.1 實驗結果及分析

以大慶油田某采油區(qū)塊的實際產(chǎn)油數(shù)據(jù)為例進行實驗分析。

表2 SVR模型驗證結果

標號

核函數(shù)

c

ε

準確率

1

多項式核函數(shù)

1

0.1

80.5%

0.01

83.2%

2

Sigmoid核函數(shù)

1

0.1

73.3%

0.01

76.1%

3

徑向基核函數(shù)

1

0.1

82.8%

0.01

85.5%

4

多項式核函數(shù)

2

0.1

83.6%

0.01

84.7%

5

Sigmoid核函數(shù)2

0.1

81.4%

0.01

82.5%

6

徑向基核函數(shù)

2

0.1

88.2%

0.01

92.6%

如表2所示當核函數(shù)為徑向基核函數(shù)，懲罰因子為2，誤差ε取0.01時模型對測試樣本預測的準確率最高，準確率達到92%。

4.2 與其他方法的性能比較

BP神經(jīng)網(wǎng)絡是一種按誤差逆?zhèn)鞑ニ惴ㄓ柧毜亩鄬忧梆伨W(wǎng)絡，是目前應用最廣泛的神經(jīng)網(wǎng)絡模型之一［8］。由于它具有實現(xiàn)任何復雜非線性映射的功能和具有自學習能力，也常用于預警研究。本文將相同油田數(shù)據(jù)樣本下的SVR方法與BP神經(jīng)網(wǎng)絡方法用于油田預警進行比較，結果如下表所示。

表3 SVR方法與BP神經(jīng)網(wǎng)絡方法性能比較

測試方法

測試樣本

預警正確數(shù)

正確識別率

BP神經(jīng)網(wǎng)絡

100

83

83%

SVR

100

94

94%

從上表可以看出，在相同樣本情況下，支持向量回歸機方法優(yōu)于BP神經(jīng)網(wǎng)絡方法，預警正確率較高，由此，本文提出了基于支持向量回歸機的油田生產(chǎn)預警模型，克服了神經(jīng)網(wǎng)絡方法的過學習、局部極小值等問題。

5 結束語

文中在對傳統(tǒng)預警方法的學習分析基礎之上，提出了基于支持向量回歸機的油田生產(chǎn)預警模型，通過實驗結果證明，本文提出的基于支持向量回歸機的方法能更好地對油田生產(chǎn)進行預警，提供了一種有效的預警方法，具有很好的應用價值。同時，文中僅僅對油田生產(chǎn)的單井預警進行了初步分析和研究，其中影響油田產(chǎn)量的因素、生產(chǎn)狀況預警區(qū)間的劃分還要進一步研究和深化。

參考文獻

［1］ 鄧乃揚，田英杰.數(shù)據(jù)挖掘中的新方法——支持向量機［M］.北京：科學出版社，2004：51-52.

［2］ 薛薇.SPSS統(tǒng)計分析方法及應用［M］.北京：電子工業(yè)出版社，2009:234-291.

［3］ VAPNIK VN.The nature of statistical 1earning theory［M］.New York:Springer,1995.

［4］ 羅有剛.油井生產(chǎn)動態(tài)預警研究［D］.北京：中國石油大學，2009.

［5］ 魏軍. 基于抽油機效率的油田開發(fā)預警模型研究［D］.大慶：東北石油大學，2013.

［6］ 李卓,劉斌,劉鐵男,等.基于支持向量機的抽油機故障診斷研究［J］.微計算機信息,2006,22(7):209-211.

［7］ CHIHWei hsu, CHIHChung chang,CHIHjen lin.A Practical Guide to Support Vector Classification［J］.Taiwan.National Taiwan University.2008.

［8］ 邢志偉,張輝.基于支持向量機的飛機地面結冰冰型分類預測［J］.計算機技術與發(fā)展,2012,22(6):247-250.

油藏遞減

類型

時間與產(chǎn)量之間

的關系

時間與累計產(chǎn)量

的關系

雙曲線遞

減函數(shù)

q(t)=q′(1+nDt)1n

Q=q′［1－(1+nDt)(n－1)n］［(1－n)D］

指數(shù)遞減

函數(shù)

q(t)=q′eDt

Q=q′(1－eDt)D

調(diào)和遞減 

函數(shù)

q(t)=q′1+Dt

Q=q′ln (1+Dt)D

直線遞減 

函數(shù)

q=q'(1－Dt)

Q=q′［1－(1－Dt)2］2D



其中q′為起始產(chǎn)油量；Q為油藏或者油井的累計產(chǎn)量；D為起始遞減率；t為油藏開發(fā)時間；n為遞減指數(shù)。

3.2 基于SVR的油田生產(chǎn)預警模型的建立

SVR油田生產(chǎn)預警模型的建立過程主要分為三個階段：第一階段是數(shù)據(jù)預處理階段。將已有的油田生產(chǎn)歷史數(shù)據(jù)先進行去噪聲值處理，再將數(shù)據(jù)進行規(guī)范化處理，之后選擇適當?shù)囊唤M作為測試樣本數(shù)據(jù)；第二階段是選擇支持向量回歸機的參數(shù)，確定核函數(shù)和懲罰系數(shù)，保證測試樣本預測準確率達到最高；第三階段是將測試樣本數(shù)據(jù)作為輸入空間，利用SVR模型得到預警結果。具體步驟如下：

1) 數(shù)據(jù)預處理。在油田生產(chǎn)歷史數(shù)據(jù)中選擇適當?shù)囊唤M作為樣本數(shù)據(jù)，主要包括以下步驟：

(1) 缺失值的填充，“光滑”數(shù)據(jù)去掉噪聲值，將人為因素及地理環(huán)境因素引起的產(chǎn)量異常情況排除。

(2) 數(shù)據(jù)規(guī)范化處理，把屬性數(shù)據(jù)按比例縮放，是指落入一個特定的小區(qū)間內(nèi)。常用的規(guī)范化方法有最小-最大規(guī)范化、z分數(shù)規(guī)范化和按小樹定標規(guī)范化。本文采用最小-最大規(guī)范化： 

ν′i=νi－min Amax A－min A(max ′A－min ′A)+min ′A (4) 

其中max A和min A是屬性A的最大值和最小值，通過計算，把A的值νi映射到區(qū)間min ′A,max ′A中的ν′i。本文的新區(qū)間取［-1,1］。

2) 選擇核函數(shù)和懲罰系數(shù)c。在支持向量回歸機中關鍵問題在于核函數(shù)的選擇［6］，核函數(shù)將在高維空間中的線性回歸與低維空間中的非線性回歸相對應，在計算復雜度基本不變的情況下解決了非線性回歸問題。目前常用的核函數(shù)主要有：

(1）線性核函數(shù)：

K(xi,xj)=(xi,xj)；(5)

(2）多項式核函數(shù)：

K(xi,xj)=(xi,xj)+1nn=1,2,…；(6)

(3）徑向基核函數(shù)：

Kγ(xi,xj)=exp {－γxi－xj2}）(7)

該式中γ為參數(shù)；

(4）Sigmoid核函數(shù)：

K(xi,xj)=tanh (γ(xi?xj)+c)(8)

該式中γ＞0,c＞0。

本文參照臺灣林智仁教授于2001年開發(fā)設計LIBSVM軟件包［7］，并通過對樣本進行分組交叉驗證尋找支持向量回歸機的最優(yōu)參數(shù)。

3) 用測試樣本對支持向量回歸機模型進行測試，最后得到油田生產(chǎn)預警模型。

4 仿真結果分析

4.1 實驗結果及分析

以大慶油田某采油區(qū)塊的實際產(chǎn)油數(shù)據(jù)為例進行實驗分析。

表2 SVR模型驗證結果

標號

核函數(shù)

c

ε

準確率

1

多項式核函數(shù)

1

0.1

80.5%

0.01

83.2%

2

Sigmoid核函數(shù)

1

0.1

73.3%

0.01

76.1%

3

徑向基核函數(shù)

1

0.1

82.8%

0.01

85.5%

4

多項式核函數(shù)

2

0.1

83.6%

0.01

84.7%

5

Sigmoid核函數(shù)2

0.1

81.4%

0.01

82.5%

6

徑向基核函數(shù)

2

0.1

88.2%

0.01

92.6%

如表2所示當核函數(shù)為徑向基核函數(shù)，懲罰因子為2，誤差ε取0.01時模型對測試樣本預測的準確率最高，準確率達到92%。

4.2 與其他方法的性能比較

BP神經(jīng)網(wǎng)絡是一種按誤差逆?zhèn)鞑ニ惴ㄓ柧毜亩鄬忧梆伨W(wǎng)絡，是目前應用最廣泛的神經(jīng)網(wǎng)絡模型之一［8］。由于它具有實現(xiàn)任何復雜非線性映射的功能和具有自學習能力，也常用于預警研究。本文將相同油田數(shù)據(jù)樣本下的SVR方法與BP神經(jīng)網(wǎng)絡方法用于油田預警進行比較，結果如下表所示。

表3 SVR方法與BP神經(jīng)網(wǎng)絡方法性能比較

測試方法

測試樣本

預警正確數(shù)

正確識別率

BP神經(jīng)網(wǎng)絡

100

83

83%

SVR

100

94

94%

從上表可以看出，在相同樣本情況下，支持向量回歸機方法優(yōu)于BP神經(jīng)網(wǎng)絡方法，預警正確率較高，由此，本文提出了基于支持向量回歸機的油田生產(chǎn)預警模型，克服了神經(jīng)網(wǎng)絡方法的過學習、局部極小值等問題。

5 結束語

文中在對傳統(tǒng)預警方法的學習分析基礎之上，提出了基于支持向量回歸機的油田生產(chǎn)預警模型，通過實驗結果證明，本文提出的基于支持向量回歸機的方法能更好地對油田生產(chǎn)進行預警，提供了一種有效的預警方法，具有很好的應用價值。同時，文中僅僅對油田生產(chǎn)的單井預警進行了初步分析和研究，其中影響油田產(chǎn)量的因素、生產(chǎn)狀況預警區(qū)間的劃分還要進一步研究和深化。

參考文獻

［1］ 鄧乃揚，田英杰.數(shù)據(jù)挖掘中的新方法——支持向量機［M］.北京：科學出版社，2004：51-52.

［2］ 薛薇.SPSS統(tǒng)計分析方法及應用［M］.北京：電子工業(yè)出版社，2009:234-291.

［3］ VAPNIK VN.The nature of statistical 1earning theory［M］.New York:Springer,1995.

［4］ 羅有剛.油井生產(chǎn)動態(tài)預警研究［D］.北京：中國石油大學，2009.

［5］ 魏軍. 基于抽油機效率的油田開發(fā)預警模型研究［D］.大慶：東北石油大學，2013.

［6］ 李卓,劉斌,劉鐵男,等.基于支持向量機的抽油機故障診斷研究［J］.微計算機信息,2006,22(7):209-211.

［7］ CHIHWei hsu, CHIHChung chang,CHIHjen lin.A Practical Guide to Support Vector Classification［J］.Taiwan.National Taiwan University.2008.

［8］ 邢志偉,張輝.基于支持向量機的飛機地面結冰冰型分類預測［J］.計算機技術與發(fā)展,2012,22(6):247-250.