CN117474139A - 一种基于功率法分析与bp网络建模的电泵井排量预测方法 - Google Patents
一种基于功率法分析与bp网络建模的电泵井排量预测方法 Download PDFInfo
- Publication number
- CN117474139A CN117474139A CN202210844994.XA CN202210844994A CN117474139A CN 117474139 A CN117474139 A CN 117474139A CN 202210844994 A CN202210844994 A CN 202210844994A CN 117474139 A CN117474139 A CN 117474139A
- Authority
- CN
- China
- Prior art keywords
- data
- electric pump
- pump well
- network
- displacement
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000006073 displacement reaction Methods 0.000 title claims abstract description 44
- 238000004458 analytical method Methods 0.000 title claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000004519 manufacturing process Methods 0.000 claims abstract description 12
- 238000004134 energy conservation Methods 0.000 claims abstract description 9
- 238000013528 artificial neural network Methods 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 239000003921 oil Substances 0.000 claims description 33
- 230000006870 function Effects 0.000 claims description 24
- 239000007788 liquid Substances 0.000 claims description 22
- 210000002569 neuron Anatomy 0.000 claims description 21
- 238000003556 assay Methods 0.000 claims description 10
- 239000012530 fluid Substances 0.000 claims description 10
- 239000010779 crude oil Substances 0.000 claims description 7
- 239000003129 oil well Substances 0.000 claims description 6
- 238000005381 potential energy Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 2
- 238000013461 design Methods 0.000 abstract description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 235000003642 hunger Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000037351 starvation Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Animal Husbandry (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Agronomy & Crop Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Control Of Positive-Displacement Pumps (AREA)
Abstract
本发明涉及智能油田电潜泵技术领域,特别涉及一种基于功率法分析与BP网络建模的电泵井排量预测方法,包括如下步骤:S1,采用功率法,利用***能量守恒定理,分析潜油电泵井产量相关的***参数;S2,记录S1中分析的电泵井的数据参数,并采集对应的潜油电泵井的体积排量;S3,对电泵井的数据参数以及体积排量数据进行预处理;S4,采用神经元净输入,设计对应的多元函数模型;S5,基于多元函数模型建立BP神经网络,通过迭代训练获得BP网络模型;S6,利用训练好的BP网络模型对潜油电泵井产量进行预测。本发明根据潜油电泵井排量预测模型能够实现井口排量实时计算,与人工计量结果对比误差率小于10%,能够满足现场应用的需求。
Description
技术领域
本发明涉及智能油田电潜泵技术领域,特别涉及一种基于功率法分析与BP网络建模的电泵井排量预测方法。
背景技术
电泵井又称潜油电泵,其具有结构紧凑、效率高等优势,广泛应用于斜井、定向井和高产井。潜油电泵井产液量是分析其工作状态的一个关键依据。受海上采油平台条件限制,潜油电泵井排量是通过分离器玻璃管量油设备进行人工定期计量。当天气状况恶劣时,计量人员无法出海,潜油电泵井产量经常会存在半月甚至更长时间无法计量,潜油电泵井是海上平台管理中海油主要生产方式,全厂95%的油井均使用潜油电泵井。未能对井口产液量进行及时计量会严重滞后海上平台的生产管理工作。研究潜油电泵井计量方式,降低海上油田生产成本已经成为海油开采的一个重要研究方向。
近年来胜利油田持续开展“四化”建设,为各管理区积累了大量数据资产。海上油田潜油电泵井运行参数数据实现了自动采集与低延迟回传;井口油压、套压、井口回压、井口温度、三相电流与三相电压等参数自动采集;部分井通过毛细钢管压力实现井底流压数据实时监测;运行参数数据采集的间隔为5分钟左右。从2000年开始的电泵井运行参数历史数据超过35亿条,数据资源丰富、更新速度快,亟待发掘利用。随着数据挖掘、人工智能等技术的快速发展,各种神经网络模型层出不穷,如何对即有的数据建模,选定合适深层神经网络进行训练,生成潜油电泵产量自动预测模型是亟待解决的难题。
发明内容
本发明的目的是针对现有技术中的不足,提供一种基于功率法分析与BP网络建模的电泵井排量预测方法。
其技术方案如下:
一种基于功率法分析与BP网络建模的电泵井排量预测方法,包括如下步骤:
S1,采用功率法,利用***能量守恒定理,分析潜油电泵井产量相关的***参数;
S2,记录S1中分析的电泵井的数据参数,并采集对应的潜油电泵井的体积排量;
S3,对电泵井的数据参数以及体积排量数据进行预处理;
S4,采用Netin神经元净输入,设计对应的多元函数模型;
S5,基于多元函数模型建立BP神经网络,通过迭代训练获得BP网络模型;
S6,利用训练好的BP网络模型对潜油电泵井产量进行预测。
进一步的,其特征在于,对于步骤S1,将潜油电泵井看作一个封闭***,则此***符合能量守恒定理,从而存在以下关系恒等式:
输入电能+地层流能=举升液体势能+摩擦损失能量 (1)
举升液体势能=输入电能+地层流能-摩擦损失能量 (2)
因此,井口排量Q的函数可以表示为如下公式:
Q=f(U,I,ρ产出液,H泵,P油,T井口) (3)
式(3)中,U表示三相电压;I表示三相电流;ρ产出液表示油井产出液的密度,其计算公式如下:
ρ产出液=ρw×fw+ρ0×(1-fw) (4)
式(4)中,ρw表示井底产生水的密度,可由化验分析得到;ρ0表示地面原油密度,可由分析化验数据得到;fw表示产出液含水比例;H泵表示泵挂垂深;P油表示井口油压;T井口表示井口温度。
进一步的,其特征在于,对于步骤S2,U、I、P油、T井口已经实现智能自动化采集,每分钟收集一次数据,将数据存入数据库;ρ产出液可由化验分析地面原油得到;H泵可由以往作业数据检索获得,潜油电泵井排量Q可近似认为人工计量的数据。
进一步的,其特征在于,对于步骤S3,由于潜油电潜泵的工作环境参数受现场仪表和网络传输影响,大体上是不完整、不一致脏数据,无法直接使用,需要做以下处理:
a.异常数据剔除
潜油电潜泵存在合理运行参数区间,根据数据区间筛选数据,删除不符合区间的参数;
b.数据插值补全
针对数据缺项采用线性插值法进行补全。
进一步的,其特征在于,对于步骤S4,输入为以上步骤获取的模型关键影响变量;将信号结合输入到神经元有多种方式,通过Netin神经元净输入建立多元函数模型:
进一步的,其特征在于,对于步骤S5,包括以下经验公式:
式(6)中,n为输入层神经元个数,m为输出层神经元个数,a为[2,12]之间的常数。
初始权值在(-1,1)之间选取,学习率介于(-0.01,0.8);
将数据输入到BP网络之前对数据进行归一化处理,采用线性函数转化方法,表达式如下:
式(7)中,x、y分别为归一化处理前后的值,Max、Min分别为参数的最大值和最小值。
进一步的,其特征在于,采用S型传递函数来表达网络的非线性,其表达式如下:
通过反传误差函数不断调节网络权值和阈值来使误差函数E达到极小,其表达式如下:
式(9)中,ti表示期望输出,Oi表示网络的计算输出;
网络训练完成后,将各项参数输入训练好的BP网络模型即可得到电泵井排量预测数据。
本发明有益效果如下:
根据潜油电泵井排量预测模型能够实现井口排量实时计算,与人工计量结果对比误差率小于10%,能够满足现场应用的需求。
附图说明
图1为本发明中基于功率法分析与BP网络建模的电泵井排量预测方法的流程图。
图2为本发明BP网络结构。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了,下面结合具体实施方式并参照附图,对本发明进一步详细说明。应该理解,这些描述只是示例性的,而并非要限制本发明的范围。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本发明的概念。
实施例一:
一种基于功率法分析与BP网络建模的电泵井排量预测方法,具体步骤如下:
S1,采用功率法,利用***能量守恒定理,分析潜油电泵井产量相关的***参数;
S2,记录S1中分析的电泵井的数据参数,并采集对应的潜油电泵井的体积排量;
S3,对电泵井的数据参数以及体积排量数据进行预处理;
S4,采用Netin神经元净输入,设计对应的多元函数模型;
S5,基于多元函数模型建立BP神经网络,通过迭代训练获得BP网络模型;
S6,利用训练好的BP网络模型对潜油电泵井产量进行预测;
本发明的技术方案特征和改进为:
对于步骤S1,将潜油电泵井看作一个封闭***,则此***符合能量守恒定理,从而存在以下关系恒等式:
输入电能+地层流能=举升液体势能+摩擦损失能量 (1)
举升液体势能=输入电能+地层流能-摩擦损失能量 (2)
输入电能可以使用电机输入三相电压、三相电流计算得到;摩擦损失能量包括电机、摩擦损失全部损失之和;油压、温度两个工作参数与“地层流能-摩擦损失能量”存在函数关系。由此可以推导出潜油电泵井排量Q与井口电压、井口电流、产出液密度、井底流压、油压、温度有关。因此井口排量Q的函数可以表示为如下公式:
Q=f(U,I,ρ产出液,H泵,P油,T井口) (3)
式(3)中,U表示三相电压;I表示三相电流;ρ产出液表示油井产出液的密度,其计算公式如下:
ρ产出液=ρw×fw+ρ0×(1-fw) (4)
式(4)中,ρw表示井底产生水的密度,可由化验分析得到;ρ0表示地面原油密度,可由分析化验数据得到;fw表示产出液含水比例;H泵表示泵挂垂深;P油表示井口油压;T井口表示井口温度。
对于步骤S2,U、I、P油、T井口已经实现智能自动化采集,每分钟收集一次数据,将数据存入数据库;ρ产出液可由化验分析地面原油得到;H泵可由以往作业数据检索获得。潜油电泵井排量Q可近似认为人工计量的数据。
对于步骤S3,由于潜油电潜泵的工作环境参数受现场仪表和网络传输影响,大体上是不完整、不一致脏数据,无法直接使用。需要做以下处理:
a.异常数据剔除
潜油电潜泵存在合理运行参数区间,可以根据数据区间筛选数据,删除不符合区间的参数。如三相电压小于796V、三相电流低于0A、温度大于100℃、油压低于回压等,将这些合理区间之外的数值进行筛选,利用数据清洗程序进行删除。
b.数据插值补全
理想状况下,电泵井的运行参数是每五分钟采集一次,但是存在导致数据缺项的两项因素。一是由前端仪表采集或者传输失败导致的数据缺项;二是异常数据清洗程序到这的数据缺项。为了后续步骤的实施,需要对缺失数据项进行补全,本发明采用了线性插值法。
对于步骤S4,输入为以上步骤获取的模型关键影响变量;将信号结合输入到神经元有多种方式,本发明选用了Netin神经元净输入建立多元函数模型。
对于步骤S5,本发明设计存在一个隐层的三层多输入单输出的BP网络预测模型。在BP网络设计过程中,隐藏层的神经元个数对模型质量起着至关重要的作用。若隐层神经元个数过多,将会增加BP网络计算量,而且模型将会产生过拟合问题;若神经元个数过少,则会使网络拟合效果变差,模型达不到预测精度要求。目前,如何选定隐层神经元的个数并没有明确的定义,只有一些经验公式,本发明在初始阶段参照了以下经验公式:
式(6)中,n为输入层神经元个数,m为输出层神经元个数,a为[2,12]之间的常数。
初始权值通常在(-1,1)之间选取。学习率一般介于(-0.01,0.8),学习率过大可能导致训练过程不稳定,学习率过小可能导致模型训练时间变长。为了减少模型训练时间,本发明采用了变化的自适应学习速率,使网络在不同阶段设置不同大小学习率。期望误差的选取需要通过多次对比训练后确定一个恰当的值,这个恰当的值是相对于隐层节点数来确定的。本发明同时对两个不同期望误差值网络进行训练,最后通过表现性能来确定期望误差。
将数据输入到BP网络之前需要对数据进行归一化处理,本发明采用线性函数转化方法,表达式如下:
式(7)中,x、y分别为归一化处理前后的值,Max、Min分别为参数的最大值和最小值。
本发明选用S型传递函数来表达网络的非线性,其表达式如下:
通过反传误差函数不断调节网络权值和阈值来使误差函数E达到极小,其表达式如下:
式(9)中,ti表示期望输出,Oi表示网络的计算输出。
将网络迭代次数epochs设为5000次,期望误差设为10-8,开始训练网络,经过多次重复学习达到期望误差后则完成训练。
网络训练完成后,将各项参数输入训练好的BP网络模型即可得到电泵井排量预测数据。
实施例二:
一种基于功率法分析与BP网络建模的电泵井排量预测方法,如图1所示,为本发明的基于功率法分析与BP网络建模的电泵井排量预测方法流程图,该方法包含:
S1,参数相关性分析,通过功率法将潜油电泵井看作一个封闭***,则***内部能量守恒,通过能量守恒定律分析电泵井的排量主要与三相电压、三相电流、油井产出液密度、泵挂垂深与井口油压参数有关,便于后面步骤分析。
S2,采集样本集,三相电压、三相电流、井口油压、井口温度已经实现自动化采集,每分钟采集一次;油井产出液的密度通过化验分析地面原油得到;泵挂垂深通过以往井下作业数据检索得到。井口排量可以近似看作人工计量的数据。
S3,由于电潜泵的工作环境参数受现场仪表和网络传输影响,大体上是不完整、不一致脏数据,无法直接使用。需要对采集到的原始数据进行异常数据剔除与数据插值补全。除此之外,需要对处理好的数据进行归一化处理,对数据进行标准化。
S4,输入为以上步骤获取的模型关键影响变量;将信号结合输入到神经元有多种方式,本发明选用了Netin神经元净输入建立多元函数模型。
S5,初始权值在(-1,1)之间选取一个随机数。学习速率介于(-0.01,0.8)之间,学习率过大可能导致训练过程不稳定,学习率过小可能导致模型训练时间变长。为了减少模型训练时间,本发明采用了变化的自适应学习速率,使网络在不同阶段设置不同大小学习率。选用S型传递函数来表达网络的非线性;通过反传误差函数不断调节网络权值和阈值来使误差函数E达到极小。由此来建立BP网络结构,如图2所示。
S6,通过建立的BP网络预测模型可以进行预测,实现当前状态下的潜油电泵井的排量预测。
综上所述,本发明的基于功率法分析与BP网络建模的电泵井排量预测方法为电泵井产量计量提供了新的思路,解决了单井计量周期长、计产效率低等人工计产的固有问题。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权力要求限定。
Claims (7)
1.一种基于功率法分析与BP网络建模的电泵井排量预测方法,其特征在于,包括如下步骤:
S1,采用功率法,利用***能量守恒定理,分析潜油电泵井产量相关的***参数;
S2,记录S1中分析的电泵井的数据参数,并采集对应的潜油电泵井的体积排量;
S3,对电泵井的数据参数以及体积排量数据进行预处理;
S4,采用Netin神经元净输入,设计对应的多元函数模型;
S5,基于多元函数模型建立BP神经网络,通过迭代训练获得BP网络模型;
S6,利用训练好的BP网络模型对潜油电泵井产量进行预测。
2.根据权利要求1所述的一种基于功率法分析与BP网络建模的电泵井排量预测方法,其特征在于,对于步骤S1,将潜油电泵井看作一个封闭***,则此***符合能量守恒定理,从而存在以下关系恒等式:
输入电能+地层流能=举升液体势能+摩擦损失能量 (1)
举升液体势能=输入电能+地层流能-摩擦损失能量 (2)
因此,井口排量Q的函数可以表示为如下公式:
Q=f(U,I,ρ产出液,H泵,P油,T井口) (3)
式(3)中,U表示三相电压;I表示三相电流;ρ产出液表示油井产出液的密度,其计算公式如下:
ρ产出液=ρw×fw+ρ0×(1-fw) (4)
式(4)中,ρw表示井底产生水的密度,可由化验分析得到;ρ0表示地面原油密度,可由分析化验数据得到;fw表示产出液含水比例;H泵表示泵挂垂深;P油表示井口油压;T井口表示井口温度。
3.根据权利要求2所述的一种基于功率法分析与BP网络建模的电泵井排量预测方法,其特征在于,对于步骤S2,U、I、P油、T井口已经实现智能自动化采集,每分钟收集一次数据,将数据存入数据库;ρ产出液可由化验分析地面原油得到;H泵可由以往作业数据检索获得,潜油电泵井排量Q可近似认为人工计量的数据。
4.根据权利要求3所述的一种基于功率法分析与BP网络建模的电泵井排量预测方法,其特征在于,对于步骤S3,由于潜油电潜泵的工作环境参数受现场仪表和网络传输影响,大体上是不完整、不一致脏数据,无法直接使用,需要做以下处理:
a.异常数据剔除
潜油电潜泵存在合理运行参数区间,根据数据区间筛选数据,删除不符合区间的参数;
b.数据插值补全
针对数据缺项采用线性插值法进行补全。
5.根据权利要求4所述的一种基于功率法分析与BP网络建模的电泵井排量预测方法,其特征在于,对于步骤S4,输入为以上步骤获取的模型关键影响变量;将信号结合输入到神经元有多种方式,通过Netin神经元净输入建立多元函数模型:
6.根据权利要求5所述的一种基于功率法分析与BP网络建模的电泵井排量预测方法,其特征在于,对于步骤S5,包括以下经验公式:
式(6)中,n为输入层神经元个数,m为输出层神经元个数,a为[2,12]之间的常数。
初始权值在(-1,1)之间选取,学习率介于(-0.01,0.8);
将数据输入到BP网络之前对数据进行归一化处理,采用线性函数转化方法,表达式如下:
式(7)中,x、y分别为归一化处理前后的值,Max、Min分别为参数的最大值和最小值。
7.根据权利要求6所述的一种基于功率法分析与BP网络建模的电泵井排量预测方法,其特征在于,采用S型传递函数来表达网络的非线性,其表达式如下:
通过反传误差函数不断调节网络权值和阈值来使误差函数E达到极小,其表达式如下:
式(9)中,ti表示期望输出,Oi表示网络的计算输出;
网络训练完成后,将各项参数输入训练好的BP网络模型即可得到电泵井排量预测数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210844994.XA CN117474139A (zh) | 2022-07-19 | 2022-07-19 | 一种基于功率法分析与bp网络建模的电泵井排量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210844994.XA CN117474139A (zh) | 2022-07-19 | 2022-07-19 | 一种基于功率法分析与bp网络建模的电泵井排量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117474139A true CN117474139A (zh) | 2024-01-30 |
Family
ID=89627943
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210844994.XA Pending CN117474139A (zh) | 2022-07-19 | 2022-07-19 | 一种基于功率法分析与bp网络建模的电泵井排量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117474139A (zh) |
-
2022
- 2022-07-19 CN CN202210844994.XA patent/CN117474139A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mohanty et al. | Artificial neural network modeling for groundwater level forecasting in a river island of eastern India | |
Du et al. | A systematic data-driven approach for production forecasting of coalbed methane incorporating deep learning and ensemble learning adapted to complex production patterns | |
CN112861423B (zh) | 数据驱动的注水油藏优化方法和*** | |
CN112418491B (zh) | 一种水库剩余拦沙库容动态配置方法 | |
CN115099500B (zh) | 基于权重修正和drsn-lstm模型的水位预测方法 | |
CN108595803A (zh) | 基于递归神经网络的页岩气井生产压力预测方法 | |
CN111364953B (zh) | 一种基于图神经网络的井间动态连通性识别方法及*** | |
CN111985610A (zh) | 一种基于时序数据的抽油机井泵效预测***和方法 | |
CN115906675B (zh) | 基于时序多目标预测模型的井位及注采参数联合优化方法 | |
CN116384554A (zh) | 机械钻速预测方法、装置、电子设备及计算机存储介质 | |
CN112733440A (zh) | 海上油气水井智能故障诊断方法、***、存储介质、设备 | |
CN113627068A (zh) | 一种用于预测缝洞型油气藏试井产能的方法及*** | |
CN115860197A (zh) | 一种基于数据驱动的煤层气产量预测方法及*** | |
CN112307410A (zh) | 基于船载ctd测量数据的海水温盐信息时序预测方法 | |
CN112539054A (zh) | 地面管网与地下油藏复杂***生产优化方法 | |
CN115438823A (zh) | 一种井壁失稳机制分析与预测方法及*** | |
CN115755219A (zh) | 基于stgcn的洪水预报误差实时校正方法及*** | |
CN116485029A (zh) | 油田开发动态数据准确性检测方法、装置、设备及介质 | |
CN115059448A (zh) | 一种基于深度学习算法的地层压力监测方法 | |
CN115618987A (zh) | 生产井生产数据预测方法、装置、设备和存储介质 | |
CN112767692A (zh) | 基于SARIMA-GA-Elman组合模型的短时交通流量预测*** | |
CN117474139A (zh) | 一种基于功率法分析与bp网络建模的电泵井排量预测方法 | |
CN114971070B (zh) | 一种预测矿区地下水位的方法 | |
CN116663745A (zh) | 一种基于pca_ dwt的lstm流域水流量预测方法 | |
CN115099406A (zh) | 基于多元时间序列的地层压力反演方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |