人工智能在地球科学中的应用：用ANN计算井口采油速率的新关联式

¼ ¼¼¼¼ ¼¼地球科学中的人工智能3（2022）1用人工神经网络计算井口采油速率的新关联式Reda Abdel Azim伊拉克库尔德斯坦美国大学石油工程A B S T R A C T分离器和多相流量计被认为是用于测量地面油流量的最精确的工具然而，这些工具昂贵且耗时。因此，本研究的目的是开发一个相关的准确和快速的评价井的地面采油率，从而在采油动态关系的井为了实现上述目标，本研究使用人工神经网络（ANN）进行油井产量预测，特别是在人工举升井中，尤其是在没有井口压力数据的情况人工神经网络模型的开发和验证，利用350个数据点收集的众多油田位于尼罗河三角洲和埃及西部沙漠的输入包括：井口温度，气液比，含水率，地面和井底温度，含水率，地面生产率，油管横截面积和井深。本研究的结果表明，收集的数据分布如下; 60%用于训练，30%用于测试，10%用于验证过程，R2为0.96，均方误差（MSE）为0.02。新的人工神经网络相关性和其他公布的相关性（吉尔伯特，罗斯和阿冲相关性）之间的比较研究，以显示发达国家的相关性的鲁棒性结果表明，所建立的关联式能较准确地预测原油流动速率，且均方误差最小1. 介绍用于井口流量估算的最广泛使用的相关性由Gilbert（1954）、Ros（1960）、Achong（1961）以及Al-Attar和Abdul-Majeed（1988）提出，用于井口节流器上的多相溢流和临界溢流。只有当上游压力大于下游压力至少70%时，Gilbert的关联式才有效相关性由下式给出：伊拉克大约有210口油井 这些数据包括气液比、上游/下游压力、节流器尺寸、产量和API原油比重。作者进行了敏感性分析，以选择最佳的相关率估计。 结果表明，Gilbert关联式对井口产量的预测相对准确，而Achong关联式低估了产量。Economides等人（2011）提到，多相流体通过扼流圈的理论没有被清楚地描述。Ghareeb和Shedid（2007年）提出了一项研究，为人工举升井开发新的相关性，以预测地面Pwh¼CRm Q（1）Sn使用最小二乘法技术计算利率。 而Rasoul（2012）提出了用于计算井筒流量的数学相关性在哪里;Pwh是井口压力（psia），S是节流口尺寸（1/64英寸），R是C、m及Cn为根据特定储层的充足可用数据计算的系数。A 0.1，B1.89和C0.546。在Ros [2]和Achong [3]之后，Gilbert的相关系数修改如下：温度Khorzoughi（2013）提出了一种使用非线性优化技术和MontoCarlo模拟的多相湍流阻塞相关性。Seidi和Sayahi（2015年）将遗传算法与非线性回归分析相结合，以预测通过井口节流器的亚临界流量虽然在几种节流相关性中，井口测得的压力被认为是用于预测井口流量的主要参数之一，但是，对于人工举升井，该参数消失这是由于没有临界的湍流条件和阻塞，Pwh¼CRm Q（2）Sn在举油过程中断开或完全打开。因此，本研究的主要目的是开发一种主要基于井口温度（Th）的关联式，以消除其中C 0.05，m 1.88和n 0.65。Al-Attar和Abdul-Majeed（1988年）收集的井口数据来自井口压力数据不可用在这方面提出的相关性研究了气油比（GOR）、地面温度（Ts）、含水量电子邮件地址：reda. auk.edu.krd。https://doi.org/10.1016/j.aiig.2022.04.001接收日期：2022年1月23日;接收日期：2022年4月24日;接受日期：2022年4月24日2022年5月4日网上发售2666-5441/©2022作者。出版社：Elsevier B.V.代表科爱通信有限公司公司这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表地球科学中的人工智能杂志主页：www.keaipublishing.com/en/journals/artificial-intelligence-in-geosciencesR.A. Azim地球科学中的人工智能3（2022）12nn22þE¼X。x-y轴（6）切削量（WC）、地面产量（Q）、井底温度（T）、油管横截面积（A）和井深（H）如下;bh），S¼Xxi wi（五）Ql¼ fTh;Q;WC;GOR;Tbh;A;H（3）大约350个数据点是从埃及钻探的众多油井中收集的使用气举或有杆泵对油井进行人工举升人工神经网络技术（ANN）在这项研究中被用来实现这一目标。2. 人工神经网络人工神经网络广泛用于石油工程应用中，包括钻头的诊断（Aidarart1989）、试井解释（Al-Kaabi等人， 1993）、空间属性映射（Veez-hinathan等人， 1992）、电缆测井分析（Rogers等人， 1992），以及井生产率的识别（Garcia等人，1992年）。神经网络可以通过有监督和无监督的训练算法进行训练。作为反向传播的监督学习算法（Rumelhart等人，1986和Lippmann 1987）需要训练数据，每个输入模式都有期望的结果。无监督学习算法（Hopfield 1992）适用于分类问题。一个简单的流程图来描述监督学习算法是如何工作的（见图1）。①的人。神经网络由三层组成，包括输入层、隐层和输出层。隐藏层的数量应该是包括零的正数 如果网络中没有使用隐藏层，则网络调用适合于线性模式分类的简单感知器（Morgan et al.， 1989年）。 如果网络包含一个或多个隐藏层，则调用多感知器，可用于非线性可分离模式。神经网络中的每一层都包含称为神经元的处理元素。输入层中的每个神经元将一个独立变量的值传输到网络中，并且不执行数学运算。神经元通过一个简单的加权链接与隐层连接在一起。每个链接都有一个正或负的权重。每个输出层神经元接收来自隐藏神经元的信号，并提供类似的加权响应（见图2）。2）。tan sigmoid函数是神经网络中最常用的函数。网络将输出值限制在0和1的范围内（Mahmoodi等人，2016年）。该函数表示为：1/4其中n是输入向量X（X 0，X 1，...，xn）的维度，W（w0，w1，...，wn）是对应的权重向量。注意，w0是偏置输入x 0的权重（等于1）。在神经网络中有两个过程，前向和反向传播步骤。 在前向步骤中，通过神经元发送信号以计算输出目标，而后向步骤用于计算实际值与目标值之间的误差向量。训练模式的输出神经元的误差值可以由二次成本函数定义12p p p1其中E是训练模式p的误差向量在这项研究中，反向传播算法被使用。 这是由于该算法在学习和推广嵌入在训练数据集中的各种关系方面所表现出的优势。 该算法不需要将输入模式映射到输出模式的先验数学知识。此外，反向传播算法在隐层数、互连数、神经元数、学习和动量常数的选择上具有很大的灵活性。3. 人工神经网络在地面产量预测中的应用关于人工神经网络在预测井口地面流量中的应用的先前研究如表1所示。结论是文献没有提供一个单一的物理方程，可用于预测地面油率的特定领域使用人工神经网络。因此，这项研究的目的是澄清黑盒的人工神经网络的概念，并提出了一个新的相关性，结合井筒和流体参数，以预测地面油率位于埃及的油井。Zhong-bao等人，（2011）提出了一种基于反向传播学习算法的神经网络模型来预测地面含油率。神经网络由一个隐藏层和10个神经元组成神经元的输入包括井数、井的坐标、累积产量、累积产量的导数、关井时间、到周围井的平均距离、平均累积产量、平均累积产量、平均产量、11000万美元-s其中S表示为：Fig. 1. ANN模型的结构。（四）周边井的极限产量和累计生产天数。 输出层包含一个神经元，代表时间t1的累积产量。 结果表明，该模型可以对短期内的原油采收率进行预测。Elmabrouk等人（2010）建立了不关井预测储层平均压力的神经网络模型。 ElshaFiei等人（2011）提出了一种神经网络模型来预测来自多级油分离器的原油生产率。 该模型基于输入数据，包括各阶段的初始温度、最终温度及油成分。4. 数据处理从埃及的许多油田收集了大约350个测量点，包括：Bakr，Meliha，Lotus，Aman和Wadi El Sahl油田这些数据包括：气油比（GOR）、含水率（WC）、地面产量（Q）、井底温度（Tbh）、油管横截面积（A）和井深（H）。事先对数据进行预处理，并对其质量进行测试，以避免出现特殊的答案。为了提高神经网络模型的性能，将数据集随机细分为60%用于训练，30%用于测试，而验证数据集占总收集数据的10%表2显示了输入数据的统计分析执行许多场景来测试每个输入参数对输出的影响。因此，输入参数被逐个移除，而其他参数保持不变。表面fsR.A. Azim地球科学中的人工智能3（2022）13图二. 神经网络的示意图。表1机器学习在预测地面采油速度中的一些应用作者和年份字段机器学习方法输入变量R2报告错误Gorjaei等人2015年的一项调查[20]油田最小二乘支持向量机油嘴尺寸（D）、井口压力（Pwh）、气液比（GLR）0.976 ARE< $0.80&AARE ¼7.99AlAjmi等人2015年世界杯足球赛[编辑]油田模糊逻辑油嘴尺寸（D）、井口压力（Pwh）、气液比（GLR）0.94 RMSE <$1392Hasanvand和Berneti（2015年）[22]油田人工神经网络节流器尺寸（D）、井口压力（Pwh）、气液比（GLR）、W/4含水率（WC）0.96 RMSE¼ 1254Choubineh等人[23]第23话凝析气人工神经网络场（ANN）节流器尺寸（D）、井口压力（Pwh）、油比重、气体比重、气液比（GLR）、温度（T）0.947 RMSE¼ 1227&AARE14.85Ghorbani等人2019年第24期[编辑]Khamis等人（2019年）[25]油田遗传算法&EX cel求解器优化器油田人工神经网络（ANN）模糊逻辑（FL）液体流速（QL）井口压力。(Pwh)气液比（GLR）节流阀大小（丁）水cu上游新闻. （Pup）气液比（GLR）节流口尺寸（D）温度（T）0.997 RMSE¼ 562.52&AAPD ¼7.330.84Azim（2020）[26，27]油田人工神经网络（ANN）泵上游/下游压力、泵吸入/排出压力、吸入/排出温度、井口压力、节流器尺寸、WC、GOR0.99 RMSE¼ 0.023表2对输入数据进行统计分析参数地面生产率表面温度，Th，停水，气液比井底温度，形成深度油管尺寸(Qo)oF（W.C）%SCF/STBTbh，oF(H)，ft(A)，在Max12031568071721066022.375Min80760.013213024003.5S.Deviation225.2319.3217.6997.1458.87436.670.460偏度均值0.425422.5-0.0641172.02123.23552.655-4.71197-5.1055932.80.3302.875温度是第一位的，然后是含水率、气液比、井底温度，然后是深度和油管尺寸。表3总结用均方误差（MSE）和R2值进行灵敏度试验，以评估每次试验的准确度结果表明，表面测量的TEM-表3MSE和R2作为神经网络输入数据参数的函数参数R2 MSE温度对预测的表面流速有显著影响神经网络的最佳结构是通过试错法得到的，其中隐层的最佳数目是10个神经元。隐藏层和输出层中的神经元用逻辑函数和LevenbergMarquardt（More，1978）算法激活，该算法提供具有最低均方误差（MSE）的反向误差传播。Ts、WC、GLR、Tbh、H、A0.9630.02WC、GLR、Tbh、H、A0.810.097Ts、GLR、Tbh、H、A0.940.065Ts、WC、Tbh、H、A0.9350.097Ts、WC、GLR、H、A0.8340.072Ts、WC、GLR、Tbh、A0.7250.095Ts、WC、GLR、Tbh、H0.7941.23R.A. Azim地球科学中的人工智能3（2022）14“X.X¼¼¼5. 结果和讨论所提取的相关性给出为：在神经网络中总共使用了350个数据点，其中60%用于训练，30%用于测试，而验证数据集是10%。本研究的结果表明，预测和测量数据之间的合理匹配，如图所示。 3. 这种基于反向传播的特殊匹配学习算法，用于人工神经网络模型。反向传播Qon¼N1/1JW2ITanSIGJ¼1w1 i;jxjb1 j！#中文（简体）本文选用了一种带S型函数的BP学习算法基于对缩放共轭梯度进行的比较“XN。1！#1 exp-ΔTs×w1j 1ΔWC×w1j 2ΔGLR×w1j 3ΔTbh×w1j 4ΔH×w1j 5ΔA×w1j 6 ΔGLR1(SCG)和一步正割（OSS）算法。500 epches（迭代）是用于获得最小误差，从而确认ANN模型使用的收敛技术本节将测试第2章1/1;;;;;;（八）所设计的神经网络的鲁棒性 图图3示出了在训练和测试过程期间网络表面油率与在井口处测量的油率之间的比较。 结果表明，该网络的R2为0.963，均方误差为0.02. 从图中可以看出， 3、计算结果与实际的实际汇率基本一致。此外，同样的程序进行测试过程中，结果表明，最佳的R2为0.94，发现使用10个神经元与MSE 0.0325。从这些令人鼓舞的结果可以看出，在这项研究中，可以提取数学相关性来计算井口处的地面产油率作为之前提到的井筒参数的函数相关性基于权重和偏差，其值见表4。图3. 使用测试数据（a）和训练数据（b）的实际Qo与目标。其中Qon是归一化的表面油流速，（w2，i）是连接隐藏层与输出层的权重向量（w1，j）是连接输入层和隐层的权向量，j是神经元数，b1是输入层的偏差向量，b2是输出层的偏差向量，地层深度（H），含水率（WC），表面温度（Ts），井底温度（Tbh），油管横截面积（A）和气液比（GLR）。所提取的Qo方程可以通过如下对Qo进行去归一化来获得Qo¼1203×Qon80（ 9）5.1. ANN模型为了验证所设计的人工神经网络，从埃及西巴克尔水库收集了一个新的数据集在ANN模型的训练和测试过程中从未使用过该数据集本研究中生成的相关性（参见等式（8）和（9））用于预测井口处的油率，然后将结果与已公布的相关性（包括Gilbert、Ros和Achonhg相关性）进行比较。 图图4显示了测试井记录的井口头温度和GLR与井深的关系。 从图中可以看出。 4.油井在测量温度和GLR方面表现出严重的突变。现有的波动方案使使用传统相关性预测地面产油率变得复杂，特别是随着记录的每日井事件的消失。结果表明，该研究建立了一个新的关联式，可以预测原油的流动速率，其R2为0.93，如图所示。 五、此外图图6显示了验证操作中使用的数据集的实际和预测流速之间的比较。 在不同的深度实现良好的匹配。从统计学上看，本研究中提出的人工神经网络模型是可靠的基础上计算的MSE之间的实际和预测的油率。基于结果，ANN相关性给出了最低的MSE，0.02，与Gilbert、Ros和Achonhg相关性相比，如图所示。第七章6. 结论1. 本研究的结果表明，与众所周知的相关性（Gilbert、Ros和Achong相关性，MSE 0.02）相比，在没有井口压力的情况下，基于记录的表面温度预测人工举升井的油流率的ANN模型具有稳健性，准确度超过96%2. 根据这项研究的结果，一个新的相关性提取的基础上提出的人工神经网络，可用于位于尼罗河三角洲和埃及西部沙漠地区的油井3. 本研究中的ANN模型使用反向传播学习算法，该算法提供了最低MSE和最高R2值方面的最佳结果。4. 通过对比发现，目前常用的关联式在预测井口产油量时存在一定的不足，而目前应用最广泛的是关联式。因此，这项研究为埃及的公司提供了一个解决方案，Qon¼w2iR.A. Azim地球科学中的人工智能3（2022）15表4生成的相关性的权重和偏差Eq.（八）、神经元输入和隐藏层权重（w1）隐藏和输出层隐层偏置输出层偏置NumberTs WC GLR Tbh H A权重（w2）（b1）（第二款）电话：+86-10-8888888传真：+86-10 - 88888888电话：+86-10 - 8888888传真：+86-10 - 88888880.532179 1.119816-0.16281-9.19E-02电话：+86-021 - 8888888传真：+86-021 - 88888888电话：+86-0551 - 8888888传真 ：+86-0551 - 8888888020.152225-0.10144 1.860875 0.561211 0.4716682019 - 06 - 21 10：00：00电话：+86-021 - 8888888传真：+86-021 - 88888888电话：+86-021 - 8888888传真：+86-021 - 8888888电话：021 - 8888888传真：021 - 88888882019 - 06 - 22 0.699907 0.694372 0.358665 0.300006-0.16534 0.134132 6.60E-02-2.4879210-4.89 E-02-1.15E-02电话：+86-021- 8888888传真：+86-021 - 88888888见图4。 记录验证过程中使用的井的井口温度和GLR。图五、实 际 值 和 目 标 值 之 间 验 证 过 程 的R2为0.93低利率。见图7。ANN相关性、Gilbert、Ros和Aching相关性的MSE。见图6。 验证过程的实际和目标流速之间的比较。R.A. Azim地球科学中的人工智能3（2022）16.XP-ni¼1.Xexp xbar2-准确预测原油流速，从而构造出精确的原油流速-流量关系曲线。作者声明他们没有任何利益冲突1. 本文提出了一个可靠的人工神经网络模型来预测地面径流使用测量的井口温度2. 从神经网络模型中提取出一个数学方程附录统计误差分析用标准差（SD）和相关系数（r2）等统计指标检验了所建立的神经网络模型的准确性和与实验数据的相关性标准差（SD）标准偏差是表示散射程度的重要因素较低的SD值平均值表示高的相关精度和小的数据分散程度。标准差定义为：SD2¼1Nn-1i¼1Ei2相关系数它表示通过回归分析降低标准差的程度，定义为：nr2¼1 -Pi¼1.Xexp xest2012其中，X条表示实验数据点的平均值，相关系数介于0和1之间附录A. 补充数据本文的补充数据可在https://doi.org/10.1016/j.aiig.2022.04.001上找到。引用阿冲岛1961.修订的马拉开波湖井豆性能公式，内部报告。壳牌石油公司，德克萨斯州休斯顿。Al-Attar，H.H.，Abdul-Majeed，G.H.，1988.东巴格达油井的修正豆性能方程。 SPE生产工程3（01），127- 131。Al-Kaabi，A.U.，Lee，W.J.，1993.使用人工神经网络识别试井解释模型（包括相关论文28151和28165）。SPE表。Eval. 8（3），233- 240。AlAjmi，医学博士，Alarifi，S.A.，Mahsoon，A.H.，2015年3月使用人工智能改进多相节流器性能预测和油井生产测试验证：一个新的里程碑。在：SPE数字能源会议和EX ESTA。OnePetro。Abergart，R.A.，一九八九年利用神经网络进行钻头诊断在：年度技术会议和E X，pp. 401- 408Azim，R.A.，2020.用严格人工神经网络技术预测人工增注井多相渗流速度流量测量仪器76，101835。Choubineh，A.，Ghorbani，H.，伍德检察官Moosavi，S.R.，卡拉菲，E.，Sadatshojaei，E.，2017年。井口节流液体临界流速的改进预测：基于混合神经网络训练学习优化的建模。燃料207，547- 560。Elmabrouk，S.，Shirif，E.，马约尔加河2010.预测平均地层压力的神经网络方法载于：《第五届石油和天然气技术论坛论文集》，的黎波里，利比亚，第100页。 15比17Elshafei，M.，Khoukhi，A.，Abdulraheem，A.，2010年5月。神经网络辅助采油装置设计。第十届信息科学、信号处理及其应用国际会议（ISSPA 2010）IEEE，第 638- 641加西亚，G.，惠特曼，W. W.，1992年7月利用神经网络进行侧向测井在：石油计算机会议。 OnePetro。Ghareeb，M.，Elgaghah，S.，2007年12月考虑温度、气油比和含水率影响的人工举升井井口产量计算新关联式国际石油技术会议。 OnePetro。Ghorbani，H.，伍德检察官Moghadasi，J.，Choubineh，A.，Abdizadeh，P.，Mohamadian，N.，2019年。用遗传和求解器优化器通过井口节流器预测液体流速性能：油田案例研究。J. Pet. EXplor. Prod. Technol.9（2），1355- 1373.吉尔伯特，W.E.，1954年1月自喷和气举井动态。在：钻井和生产实践。美国石油学会。Gorjaei，R.G.，Songolzadeh河，Torkaman，M.，Safari，M.，Zargar，G.，2015.一种新的PSO-LSSVM模型用于预测井口节流器两相流的液量.天然气科学杂志Eng.24，228- 237.Hasanvand，M.，Berneti，S.M.，2015.用人工神经网络预测多相流量计的油流量能源，A部分回收，利用。Environ. Eff. 37（8），840- 845。霍普菲尔德，J.J.，1982.神经网络和物理系统与新兴集体计算能力。Proc. Natl. Acad. Sci.单位美国79（8），2554- 2558。卡波斯湖Economides，M.J.，布斯卡利亚河2011年10月。井产量回分配的整体方法。在：SPE储层表征和模拟会议和E X。 OnePetro。Khamis，M.，Elhaj，M.，Abdulraheem，A.，2020年。两相流扼流圈尺寸的优化如何使用人工智能。J. 彼前EX plor. Prod. Technol. 10（2），487- 500.Khorzoughi，M.B.，Beiranvand，M.S.，Rasaei，M.R.，2013.用线性和非线性最优化方法和蒙特卡罗抽样法研究一种新的多相直流扼流圈相关性。J. 彼前EX plor. Prod.Technol. 3（4），279- 285。李普曼，R.，1987.神经网络计算导论。IEEE ASSP Mag.4（2），4- 22。Mahmoodi，O.，史密斯，R.S.，D.K.廷卡姆2016.使用神经网络对井下物理性质测量进行监督分类，以预测岩性。J. Appl. 地球物理学家。12 4 ，17- 26。莫尔，杰杰，一九七八年 Levenberg-Marquardt算法：实现和理论。在：数值分析。Springer，Berlin，Heidelberg，pp.第105- 116页。摩根，N.，Bourlard，H.，1989.前馈网络中的泛化和参数估计：一些实验。Adv. 神经信息过程系统2，630- 637。Rasoul，A.，拉比河，2012年1月。分布式温度测量在估算海上气井中的层间流速和压力方面的新应用。在：SPER.A. Azim地球科学中的人工智能3（2022）17国际生产和运营会议&E X 2010。石油工程师协会。罗杰斯，S.J.，方俊华，卡尔，C.L.，地方检察官斯坦利，1992.利用神经网络从测井曲线确定岩性。AAPG公牛。 76（5），731- 739。罗斯，新泽西州，1960年 临界气液两相同时流动的分析及其在流量计量中的应用。应用科学Res. 9（1），374.Rumelhart，D.E.，辛顿，通用电气，威廉姆斯，R.J.，1986.通过反向传播错误来学习表示。Nature 323（6088），533- 536.Seidi，S.，Sayahi，T.，2015.预测大型井口节流器亚临界两相流低压降的新关联式。J. Nat.气体科学Eng. 26，264- 278.Veezhinathan，J.，钱伯斯河，陈凯，1992.空间映射的神经网络建模。在：石油勘探和生产的人工智能会议。塔尔萨大学。忠宝，Z.H.A.N.G.，丁照，C.H.E.N.，志平，T.A.N.G.，施强，胡，2011. 高气液比气井井下节流携液能力分析新疆石油地质32（5），495.