剩余油分布預(yù)測(cè)中證據(jù)融合問題的研究.pdf

1、目前，世界石油開采儲(chǔ)量的增加，75％以上來自對(duì)已開發(fā)油藏的技術(shù)挖潛，僅有不到25％來自新油田的發(fā)現(xiàn)。在一般情況下，人們僅僅采出原油總儲(chǔ)量的30％左右，因此，剩余油開采對(duì)于增加可采儲(chǔ)量及提高采收率具有巨大的潛力，提高采收率無異于找到新的油田。我國(guó)多數(shù)油田都已進(jìn)入高含水、特高含水開發(fā)階段，綜合含水率均達(dá)到或超過90％，現(xiàn)階段油田開發(fā)與調(diào)整的主要任務(wù)即“認(rèn)識(shí)剩余油，開采剩余油”。然而，“油田剩余油分布預(yù)測(cè)”被國(guó)內(nèi)外石油領(lǐng)域?qū)＜夜J(rèn)為世界難題，

2、因?yàn)橛绊懯Ｓ嘤头植嫉牡叵乱蛩睾芏嗲沂謴?fù)雜，既涉及地質(zhì)專業(yè)領(lǐng)域，還涉及測(cè)井和鉆井等領(lǐng)域。目前，國(guó)內(nèi)外提出了多種預(yù)測(cè)剩余油分布的方法，但還沒有一種行之有效且準(zhǔn)確率較高的方法加以推廣。它們存在問題的根源在于或者只考慮部分客觀證據(jù)、或者只考慮部分主觀證據(jù)，導(dǎo)致對(duì)剩余油分布水淹類型等特征分類準(zhǔn)確率低、可靠性差。所以，如何對(duì)來自多專業(yè)領(lǐng)域不同層次的全部客觀證據(jù)及領(lǐng)域?qū)＜议L(zhǎng)期積累的主觀證據(jù)進(jìn)行融合，成為剩余油分布研究的核心問題。本文通過BP神經(jīng)網(wǎng)絡(luò)

3、聯(lián)合模型與兩級(jí)D-S證據(jù)推理模型的優(yōu)勢(shì)互補(bǔ)進(jìn)行主客觀證據(jù)融合，實(shí)現(xiàn)了剩余油分布多屬性特征的準(zhǔn)確分類。 2003年，東北大學(xué)與大慶油田合作，以大慶油田非均質(zhì)砂巖油藏為背景，利用大慶油田的廣域網(wǎng)平臺(tái)，成功地研制開發(fā)了“油田勘探開發(fā)信息融合輔助決策系統(tǒng)”?！笆Ｓ嘤头植碱A(yù)測(cè)”是其子系統(tǒng)之一。 剩余油分布研究的主要內(nèi)容：對(duì)體現(xiàn)其分布特征的水淹類型等多項(xiàng)屬性進(jìn)行準(zhǔn)確分類，根據(jù)分類結(jié)果經(jīng)多模型聯(lián)合求解，得到剩余油分布的多項(xiàng)定量指標(biāo)。本

4、文以具有典型特征的大慶油田作為研究背景，將本體計(jì)算的思想引入到剩余油分布的研究之中，把剩余油分布預(yù)測(cè)的復(fù)雜過程按照信息源所屬的不同專業(yè)領(lǐng)域，劃分成若干個(gè)較小的計(jì)算單元，以提高定量推理的效率。將這些計(jì)算單元針對(duì)同一區(qū)域油藏地質(zhì)體產(chǎn)生的分類結(jié)果，進(jìn)行多側(cè)面、多層次，多角度的融合，經(jīng)過聯(lián)想、相關(guān)和組合過程的自動(dòng)綜合處理，得到新的準(zhǔn)確率更高的分類結(jié)論。 在處理不確定信息的方法中，證據(jù)推理方法性能突出、應(yīng)用廣泛，因而成為信息融合領(lǐng)域處理不

5、確定信息的一種有效方法。然而，在實(shí)際應(yīng)用中，因?yàn)橄到y(tǒng)輸入為多源異類信息，僅僅依靠單一的D-S證據(jù)推理模型難以有效地解決問題。為此，本文提出了適合大規(guī)模融合系統(tǒng)的分布式層次化體系結(jié)構(gòu)，通過特征級(jí)BP神經(jīng)網(wǎng)絡(luò)聯(lián)合模型與決策級(jí)兩級(jí)證據(jù)推理模型的集成，建立了神經(jīng)證據(jù)集成模型。由于采用BP神經(jīng)網(wǎng)絡(luò)聯(lián)合的實(shí)現(xiàn)方法，各個(gè)獨(dú)自工作的神經(jīng)網(wǎng)絡(luò)運(yùn)行在各自的子系統(tǒng)中，與傳統(tǒng)的整個(gè)系統(tǒng)采用一個(gè)綜合的神經(jīng)網(wǎng)絡(luò)相比降低了單個(gè)神經(jīng)網(wǎng)絡(luò)的復(fù)雜性、縮短了學(xué)習(xí)和運(yùn)行的時(shí)間

6、。首先將每個(gè)子系統(tǒng)的各個(gè)神經(jīng)網(wǎng)絡(luò)分類輸出的可信度值作為客觀證據(jù)與來自該子系統(tǒng)的專家系統(tǒng)推理之后結(jié)論的可信度值作為主觀證據(jù)經(jīng)局部D-S證據(jù)推理模型進(jìn)行局部融合，之后將各個(gè)局部融合結(jié)果通過網(wǎng)絡(luò)傳輸?shù)饺秩诤现行?，?jīng)全局融合，得到更高準(zhǔn)確率的分類結(jié)果。 針對(duì)BP網(wǎng)絡(luò)存在的收斂速度慢、存在局部極小點(diǎn)、隱層節(jié)點(diǎn)個(gè)數(shù)選取尚無理論指導(dǎo)及推理過程的不可理解性等問題，在吸收國(guó)內(nèi)外研究成果的基礎(chǔ)上重點(diǎn)對(duì)提高BP網(wǎng)絡(luò)的訪問速度、增強(qiáng)網(wǎng)絡(luò)的可理解性算法

7、進(jìn)行了優(yōu)化。 D-S證據(jù)推理模型輸入證據(jù)的基本概率賦值獲取是實(shí)際應(yīng)用中最難的一步。針對(duì)這個(gè)問題，提出了將BP神經(jīng)網(wǎng)絡(luò)分類結(jié)果的可信度及專家系統(tǒng)推理結(jié)論的可信度作為D-S證據(jù)推理模型輸入證據(jù)基本概率賦值的有效方法。 運(yùn)用提出的主客觀證據(jù)融合方法及神經(jīng)證據(jù)集成模型對(duì)大慶油田的實(shí)際數(shù)據(jù)進(jìn)行了應(yīng)用。將本文方法與傳統(tǒng)的模糊綜合評(píng)判方法、單一神經(jīng)網(wǎng)絡(luò)方法進(jìn)行了性能及運(yùn)行結(jié)果對(duì)比，體現(xiàn)了本文方法的優(yōu)越性。預(yù)測(cè)系統(tǒng)的試運(yùn)行表明：該方法的