單井生產(chǎn)與操作成本數(shù)據(jù)是衡量油田生產(chǎn)效益的決定性因素,準確的分析預測可以輔助管理者調(diào)整油田單井的開發(fā)方案,提高油田企業(yè)動態(tài)運轉(zhuǎn)的經(jīng)濟性和安全性。目前,油田企業(yè)在生產(chǎn)過程中存在諸多問題,例如數(shù)據(jù)集中管理難度大、影響因素復雜繁多、數(shù)據(jù)利用率低等,預測模型和方法的選擇對預測結(jié)果的可信度有很大的影響。隨著技術的創(chuàng)新和算法的深入研究,神經(jīng)網(wǎng)絡以及智能算法的結(jié)合在實際應用中取得了很好效果,其高效的自學習和尋優(yōu)能力促使其成為了重要的研究方向。本課題基于神經(jīng)網(wǎng)絡,結(jié)合智能算法分別對單井生產(chǎn)和操作成本的數(shù)據(jù)進行了分析預測,具有一定的實際意義和研究價值。本文主要完成了以下工作:（1）對構(gòu)成單井生產(chǎn)與操作成本的主要影響因素進行了分析。收集整理了影響單井產(chǎn)量和操作成本的眾多因素,并對其進行指標量化,結(jié)合實際生產(chǎn)情況采用數(shù)據(jù)分析方法從而確定了單井生產(chǎn)與操作成本的主要構(gòu)成因素。（2）建立了 PCA-GRU網(wǎng)絡的單井產(chǎn)量預測模型。根據(jù)影響因素的數(shù)據(jù)維數(shù)大、特征之間的隱藏相關性及時間序列等特征,通過PCA降維,進一步優(yōu)化并提升GRU網(wǎng)絡預測準確度,實現(xiàn)了基于PCA-GRU單井產(chǎn)量預測的實際應用。（3）建立了 PSO-... 

【文章頁數(shù)】：68 頁

【學位級別】：碩士

【文章目錄】：
中文摘要
abstract
第一章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 單井生產(chǎn)與操作成本數(shù)據(jù)分析方法研究現(xiàn)狀
        1.2.2 神經(jīng)網(wǎng)絡的研究現(xiàn)狀
    1.3 論文研究內(nèi)容
    1.4 論文組織結(jié)構(gòu)
第二章 基于PCA-GRU的單井產(chǎn)量預測方法研究
    2.1 影響單井產(chǎn)量因素分析
        2.1.1 生產(chǎn)類指標對單井產(chǎn)量的影響
        2.1.2 經(jīng)濟驅(qū)動類指標對單井產(chǎn)量的影響
    2.2 基礎分析方法和網(wǎng)絡模型
        2.2.1 PCA算法
        2.2.2 LSTM網(wǎng)絡模型
        2.2.3 GRU網(wǎng)絡模型
    2.3 PCA-GRU優(yōu)化網(wǎng)絡模型的建立
    2.4 PCA-GRU在單井產(chǎn)量的預測實例
        2.4.1 實驗環(huán)境和數(shù)據(jù)說明
        2.4.2 實驗數(shù)據(jù)處理
        2.4.3 網(wǎng)絡參數(shù)選取
        2.4.4 實驗結(jié)果與分析
    2.5 本章小結(jié)
第三章 基于PSO-RBF的單井操作成本預測方法研究
    3.1 影響單井操作成本因素分析
        3.1.1 顯性影響因素分析
        3.1.2 隱性影響因素分析
    3.2 RBF神經(jīng)網(wǎng)絡模型分析
        3.2.1 RBF基本思想
        3.2.2 網(wǎng)絡中心選取方法
        3.2.3 網(wǎng)絡傳遞參數(shù)形式
        3.2.4 網(wǎng)絡學習算法需要的參數(shù)
    3.3 改進的PSO算法
    3.4 PSO-RBF優(yōu)化網(wǎng)絡模型的建立
    3.5 PSO-RBF優(yōu)化網(wǎng)絡模型在單井操作成本的預測實例
        3.5.1 實驗環(huán)境和數(shù)據(jù)說明
        3.5.2 實驗數(shù)據(jù)處理
        3.5.3 網(wǎng)絡參數(shù)選取
        3.5.4 實驗結(jié)果分析
    3.6 本章小結(jié)
第四章 系統(tǒng)的需求分析
    4.1 需求獲取
    4.2 系統(tǒng)目標
    4.3 系統(tǒng)功能分析
    4.4 本章小結(jié)
第五章 系統(tǒng)的設計與實現(xiàn)
    5.1 系統(tǒng)架構(gòu)設計
    5.2 系統(tǒng)流程設計
    5.3 數(shù)據(jù)庫設計
        5.3.1 概念設計
        5.3.2 邏輯設計
        5.3.3 數(shù)據(jù)庫表設計
    5.4 系統(tǒng)開發(fā)環(huán)境
    5.5 系統(tǒng)模塊實現(xiàn)
        5.5.1 主界面實現(xiàn)
        5.5.2 用戶管理模塊
        5.5.3 單井基礎數(shù)據(jù)管理模塊
        5.5.4 單井產(chǎn)量預測模塊
        5.5.5 單井操作成本預測模塊
        5.5.6 單井效益分析報告模塊
    5.6 本章小結(jié)
第六章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
致謝
參考文獻
攻讀學位期間參加科研情況及獲得的學術成果


【參考文獻】：
期刊論文
[1]基于門控循環(huán)單元神經(jīng)網(wǎng)絡的金融時間序列預測[J]. 張金磊,羅玉玲,付強.  廣西師范大學學報(自然科學版). 2019(02)
[2]基于深度學習LSTM神經(jīng)網(wǎng)絡的全球股票指數(shù)預測研究[J]. 楊青,王晨蔚.  統(tǒng)計研究. 2019(03)
[3]分析數(shù)理統(tǒng)計方法在油田單井效益評價中的應用[J]. 王春艷.  經(jīng)濟研究導刊. 2019(08)
[4]基于深度門控循環(huán)單元神經(jīng)網(wǎng)絡的短期風功率預測模型[J]. 牛哲文,余澤遠,李波,唐文虎.  電力自動化設備. 2018(05)
[5]混合PSO優(yōu)化卷積神經(jīng)網(wǎng)絡結(jié)構(gòu)和參數(shù)[J]. 唐賢倫,劉慶,張娜,周家林.  電子科技大學學報. 2018(02)
[6]粒子群優(yōu)化RBF神經(jīng)網(wǎng)絡的光伏陣列故障診斷[J]. 王福忠,裴玉龍.  河南理工大學學報(自然科學版). 2018(02)
[7]人工智能的發(fā)展及應用現(xiàn)狀綜述[J]. 蘇若祺.  電子世界. 2018(03)
[8]變壓器絕緣故障類型的改進型RBF神經(jīng)網(wǎng)絡識別算法[J]. 李浩,王福忠,王銳.  電源學報. 2018(05)
[9]逐個剔除法在單位操作成本預測中的應用[J]. 李萍,張偉,王曉蕓,楊凱,王新穎.  化工管理. 2016(02)
[10]中國石油峰值預測及其應對策略研究[J]. 王婷婷,黃誠,張琪琛.  中國礦業(yè). 2015(12)

博士論文
[1]基于灰色系統(tǒng)與核方法的油藏動態(tài)預測方法研究[D]. 馬新.西南石油大學 2016
[2]油田區(qū)塊監(jiān)測指標與開發(fā)指標預測建模及應用研究[D]. 魯柳利.西南石油大學 2013

碩士論文
[1]面向短時交通流分析與預測的循環(huán)神經(jīng)網(wǎng)絡算法研究[D]. 趙慶.西安理工大學 2019
[2]基于深度學習的短時公交客流預測研究[D]. 李梅.北京交通大學 2019
[3]基于時間序列分析方法的油田產(chǎn)量預測與應用[D]. 李達.蘭州理工大學 2018
[4]基于GRU神經(jīng)網(wǎng)絡的時間序列預測研究[D]. 劉洋.成都理工大學 2017
[5]油田效益開發(fā)規(guī)劃方法和決策系統(tǒng)研究[D]. 趙嬌.西南石油大學 2016
[6]油田企業(yè)單井效益評價研究[D]. 劉萌萌.中國石油大學(華東) 2016
[7]XJ油田開發(fā)項目操作成本分析與應用研究[D]. 賀芳.西南石油大學 2015
[8]基于人工神經(jīng)網(wǎng)絡的油田開發(fā)指標預測模型及算法研究[D]. 楊婷婷.東北石油大學 2013
[9]油田區(qū)塊操作成本預測方法研究[D]. 陳明.中國石油大學（華東） 2013



本文編號：3731857