[1]陈科贵,毛晨飞,董军,等.基于BP神经网络的井筒连续流量计启动速度预测[J].测井技术,2018,42(04):444-448.[doi:10.16489/j.issn.1004-1338.2018.04.014]
 CHEN Kegui,MAO Chenfei,DONG Jun,et al.Prediction of Starting Speed of Continuous Flowmeter Based on BP Neural Network[J].WELL LOGGING TECHNOLOGY,2018,42(04):444-448.[doi:10.16489/j.issn.1004-1338.2018.04.014]
点击复制

基于BP神经网络的井筒连续流量计启动速度预测()
分享到:

《测井技术》[ISSN:1004-1338/CN:61-1223/TE]

卷:
第42卷
期数:
2018年04期
页码:
444-448
栏目:
综合应用
出版日期:
2018-09-05

文章信息/Info

Title:
Prediction of Starting Speed of Continuous Flowmeter Based on BP Neural Network
文章编号:
1004-1338(2018)04-0444-05
作者:
陈科贵1 毛晨飞1 董军2 陈愿愿3 黄长兵4 王小准5
1.西南石油大学地球科学与技术学院, 四川 成都 610500; 2.中国石油集团测井有限公司华北分公司, 河北 任丘 062550; 3.中国石油集团川庆钻探工程有限公司地球物理勘探公司, 四川 成都 610213; 4.中原油田勘探开发研究院, 河南 郑州 450000; 5.中国石油集团测井有限公司长庆分公司, 陕西 西安 710100
Author(s):
CHEN Kegui1 MAO Chenfei1 DONG Jun2 CHEN Yuanyuan3 HUANG Changbing4 WANG Xiaozhun5
1. School of Geoscience and Technology, Southwest Petroleum University, Chengdu, Sichuan 610500, China; 2. Huabei Branch, China Petroleum Logging CO. LTD., Renqin, Hebei 062550, China; 3. Geophysical Exploration Company, Chuanqing Drilling Engineering Company Limited, Chengdu, Sichuan 610213, China;
关键词:
生产测井 BP神经网络 连续流量计 启动速度 井筒
Keywords:
Keywords: production logging BP neural network continuous flowmeter starting speed wellbore
分类号:
P631.84
DOI:
10.16489/j.issn.1004-1338.2018.04.014
文献标志码:
A
摘要:
分析井筒流量、密度、黏度等主要因素对连续流量计启动速度影响的基础上,将BP神经网络应用于连续流量计启动速度的预测。在BP神经网络预测模型中,将井筒实测流量、流体黏度和混合流体密度作为输入参数,根据不同流量、流体黏度和流体密度条件下的连续流量计启动速度等参数,建立连续流量计启动速度的BP神经网络预测模型。该BP神经网络预测模型训练后总拟合优度0.917,所得预测结果的最大相对误差为2.0%。结果表明模型的预测值与实测值吻合较好,对于连续流量计启动速度的预测具有较高的准确性和较强的实用性。
Abstract:
Abstract: Based on the analysis of the influence of main factorson the starting speed of continuous flowmeter, such as flow rate, fluid density and viscosity, BP neural network is applied to the prediction of the starting speed of continuous flowmeter. In the BP neural network prediction model, the measured wellbore flow rate, fluid viscosity and mixed fluid density are taken as input parameters.Based on the continuous flowmeter starting speeds under different flow rate, fluid viscosity and fluid density, BP neural network prediction modelis established. After training,the BP neural network prediction model has a total goodness of fit of 0.917, and has the maximum relative error of the predicted results of 2.0%. The study results show that the predicted values of the model are in good consistency with the measured values, presenting higher accuracy and strong practicability of the prediction of the continuous flowmeter starting speed.

参考文献/References:

[1] 郭海敏, 戴家才, 陈科贵. 生产测井原理与资料解释 [M]. 北京: 石油工业出版社, 2007. [2] 陈健, 洪楚侨, 张风波, 等. 流量剖面测试解释结果影响因素分析及应用 [J]. 山东化工, 2015, 44(9): 124-126. [3] 姜志强, 范川, 李疾翎, 等. 产出剖面解释中涡轮交会斜率计算方法分析 [J]. 长江大学学报(自然科学版), 2013, 10(32): 77-79. [4] 关松, 戴惠芬, 柳辉. 井下涡轮流量计测量精度影响因素分析 [J]. 内蒙古石油化工, 2010, 36(6): 49-50. [5] 李鹏举, 孙永涛, 王念庆, 等. 连续涡轮流量计资料定量解释方法 [J]. 大庆石油学院学报, 2005(4): 112-114, 146. [6] 郭海敏. 生产测井导论 [M]. 北京: 石油工业出版社, 2003. [7] 伍玉平. 丘陵油田低压产层产出剖面解释方法研究 [D]. 成都: 西南石油大学, 2007. [8] 吴锡令. 生产测井原理 [M]. 北京: 石油工业出版社, 1997. [9] 赵薇娜. 多相流测量中涡轮流量计的影响因素分析 [J]. 内蒙古石油化工, 2011, 37(7): 253-254. [10] 王进旗, 白林海. 多相流测量中涡轮流量计的影响因子分析 [J]. 石油仪器, 2005, 19(2): 71-72, 92. [11] 大庆生产测井研究所. 生产测井资料解释方法 [M]. 北京: 石油工业出版社, 1995. [12] 屈梁生. 人工神经网络与机械工程中的智能化问题 [J]. 中国机械工程, 1997, 19(2): 1-4, 121. [13] 朱红青, 常文杰, 张彬. 回采工作面瓦斯涌出BP神经网络分源预测模型及应用 [J]. 煤炭学报, 2007(5): 504-508. [14] 陈海军, 郦能惠, 聂德新, 等. 岩爆预测的人工神经网络模型 [J]. 岩土工程学报, 2002, 24(2): 229-232. [15] 任尚华. 大庆外围油田产出剖面测井流量测量精度分析 [J]. 石油仪器, 2009, 23(2): 54-56, 59, 75. [16] 赵延文, 吴锡令, 聂在平. 涡轮流量计的原理、应用及其测井曲线的解释 [J]. 西南石油学院学报, 1995(3): 44-52. [17] 丛爽. 面向matlab工具箱的神经网络理论与应用 [M]. 合肥: 中国科学技术大学出版社, 1998. [18] 徐黎明, 王清, 陈剑平, 等. 基于BP神经网络的泥石流平均流速预测 [J]. 吉林大学学报(地球科学版), 2013, 43(1): 186-191. [19] DONG Xiucheng, WANG Shouchun, SUN Renjin, et al. Design of artificial neural networks using a genetic algorithm to predict saturates of vacuum gas oil [J]. Petroleum Science, 2010, 7(1): 118-122. [20] ZHANG W J, BARRION A. Unction approximation and documentation of sampling data using artificial neural network [J]. Environmental Monitoring and Assessment, 2006, 122(1): 185-201. [21] 尹光志, 李铭辉, 李文璞, 等. 基于改进BP神经网络的煤体瓦斯渗透率预测模型 [J]. 煤炭学报, 2013, 38(7): 1179-1184. [22] 张敏, 徐启华, 丁博. 非线性函数逼近的几类神经网络方法比较研究 [J]. 淮海工学院学报(自然科学版), 2015, 24(2): 27-31. [23] ZAINUDDIN Z, PAULINE O. Modified wavelet neural network in function approximation and its application in prediction of time-series pollution data [J]. Applied Solt Computing, 2011, 1(8): 4866-4876. [24] 严晓明, 郑之. BP与RBF网络在一些非线性曲线拟合上性能的比较 [J]. 福建农林大学学报(自然科学版), 2011, 40(6): 653-656. [25] 史磊. 多层复合非织造材料吸声性能及其神经网络预测模型研究 [D]. 苏州: 苏州大学, 2013.

相似文献/References:

[1]刘传平.大庆长垣特高含水期聚合物驱岩石物理实验研究[J].测井技术,2012,36(05):451.
 LIU Chuanping.On Petrophysical Experiments for Polymer Flooded Reservoir in Extra High Water Cut Stage of Daqing Placanticline[J].WELL LOGGING TECHNOLOGY,2012,36(04):451.
[2]孙晓霞.准噶尔盆地永进油田特低孔隙度超低渗透率储层分类评价[J].测井技术,2012,36(05):479.
 SUN Xiaoxia.On Classification and Evaluation of Extralow Porosity and Permeability Reservoir in Yongjin Oilfield, Dzungaria Basin[J].WELL LOGGING TECHNOLOGY,2012,36(04):479.
[3]戴月祥,程芳,袁瑛,等.双层套管SGDT固井质量解释方法[J].测井技术,2012,36(03):314.
 DAI Yuexiang,CHENG Fang,YUAN Ying,et al.Interpretation Method of SGDT Cementing Quality in the Double Casing[J].WELL LOGGING TECHNOLOGY,2012,36(04):314.
[4]郑希科,朴玉琴,孟凡宇,等.水平井油水两相流含水率解释预测[J].测井技术,2012,36(03):318.
 ZHENG Xike,PIAO Yuqin,MENG Fanyu,et al.Water Cut Prediction of Oilwater Twophase Flow in Horizontal Well[J].WELL LOGGING TECHNOLOGY,2012,36(04):318.
[5]王鲁海,李军,关松,等.低流量条件下涡轮流量计的黏度响应特性[J].测井技术,2012,36(04):336.
 WANG Luhai,LI Jun,GUAN Song,et al.The Performance of Turbine Flowmeter with Viscosity Changes Under Low Flow Condition[J].WELL LOGGING TECHNOLOGY,2012,36(04):336.
[6]余厚全,魏勇,汤天知,等.基于同轴传输线电磁波检测油水介质介电常数的理论分析[J].测井技术,2012,36(04):361.
 YU Houquan,WEI Yong,TANG Tianzhi,et al.Theoretical Analysis of Measuring Dielectric Constant of OilWater Mixture Based on Electromagnetic Wave on Coaxial Line[J].WELL LOGGING TECHNOLOGY,2012,36(04):361.
[7]于宝,孔垂广,于靖民.一种用于低流量测量的浮子流量传感器[J].测井技术,2012,36(04):401.
 YU Bao,KONG Chuiguang,YU Jingmin.A Float Flow Sensor for Low Flow Measurement[J].WELL LOGGING TECHNOLOGY,2012,36(04):401.
[8]司马立强,肖华,袁龙,等.基于BP神经网络技术的储层流动单元研究[J].测井技术,2012,36(04):421.
 MA Liqiang,XIAO Hua,YUAN Long,et al.Research on Reservoir Flow Unit Based on BP Neural Network Technology[J].WELL LOGGING TECHNOLOGY,2012,36(04):421.
[9]张正玉.泵出式测井系统在四川地区复杂井中的应用[J].测井技术,2012,36(04):426.
 ZHANG Zhengyu.Application of Pumpout Logging System to Complex Wells in Sichuan Oilfield[J].WELL LOGGING TECHNOLOGY,2012,36(04):426.
[10]黄旭,翟路生,金宁德.测量水平油水层状流相含率的平行线电容传感器[J].测井技术,2012,36(02):188.
 HUANG Xu,ZHAI Lusheng,JIN Ningde.A Parallelwire Capacitance Probe for Measuring Phase Volume Fraction in Horizontal Oilwater Stratified Flow[J].WELL LOGGING TECHNOLOGY,2012,36(04):188.

备注/Memo

备注/Memo:
基金项目: 国家自然科学基金项目四川盆地油钾兼探的地球物理评价方法研究(编号:41372103)资助 第一作者: 陈科贵,男,1959年生,教授,从事测井方法理论、测井储层评价技术、测井地质与工程测井应用研究工作。E-mail:chenkegui@21cn.com
更新日期/Last Update: 2018-09-05