递减规律和水驱曲线对预测产量和采收率的结合应用

递减规律和水驱曲线常常在在预测油气田开发动态中结合应用。研究表明:在油田渗流条件保持基本不变的条件下,符合某一递减方程的油相渗流特征,若能与水相渗流特征一起构成某一种水驱特征曲线的油水相渗比值关系式,那么产量递减方程与水驱特征曲线之间存在必然的联系。八1区克下组为一断层遮挡的砾岩油藏,目前已进入高含水开发阶段,整个区块构造稳定,比较适合做为分析对象。

黑龙江省作物生长动态模式预测产量的方法及应用

在分析作物干物质累积曲线的基础上,分析温度、降水等气候因子与作物干物质累积量的关系,而干物质累积量又与气候产量有着直接的关系。因此,在干物质累积模型的基础上,建立作物生长动态模式,该模式主要用于四大主栽作物玉米、大豆、水稻及小麦的产量预测。利用模式预测了2001～2002年黑龙江省四大作物的单产,其精确度在94%左右。

澳大利亚：剪羊毛预测产量下滑

据澳大利亚羊毛产量预测委员会预测，2009／2010羊毛季节，澳大利亚剪羊毛产量将下降至3．35亿kg，降幅约6％。同时，该委员会也将本季节剪羊毛的产量预测调整到3．55亿kg，比2008年12月的预测下降1500万kg，比2007／2008羊毛季节的预测下降10．5％。

产能到位率概念深化及在大庆油田产量预测中的应用

大庆油田经过多年深度开发,产能建设对象的地质条件和地面条件持续变差,计划产能与实际建成产能因计划下达时间、地质认识、方案调整等因素存在较大差异,传统产能到位率指标变化幅度大,历史规律失去参考价值,难以满足复杂多变形势下的产量预测需求。通过分析近年来分类产能指标变化规律,结合原油开发规划编制工作的实际需求,在规划编制的不同阶段,分别采用计划产能和实际建成产能作为分母,深化了产能到位率的内涵,创新性地提出了计划产能到位率、实建产能到位率的概念。结果表明:在年初规划阶段和年底配产阶段分别应用计划产能到位率、实建产能到位率指标预测新建产能的第2年产油量,预测符合率可达到95%以上,较好地指导了新建产能在第2年产油量的预测。研究成果可为年度产能建设规划优化提供重要参考,为年度及中长期产量的精准测算提供重要依据。

基于时间序列相似性与机器学习方法的页岩气井产量预测

页岩气井单变量产量预测存在较强的不确定性,而现场生产动态数据同时包括多个相关指标,针对如何选取合理的多变量数据对页岩气井产量进行预测,在保证计算效率的情况下提高预测精度。页岩气井的生产动态数据集包括日产气量、日产水量、套压、油压、油嘴直径、开井时间和温度等,采用欧式距离和动态时间弯曲距离对生产动态数据时间序列进行相似性度量,依据与日产气量的相关度,把数据分为强相关时间序列和弱相关时间序列;其次,基于卷积神经网络、循环神经网络、长短期记忆网络和门控神经网络分别对全时间序列、强相关序列、弱相关序列和单变量序列进行页岩气井产量预测;最后,以平均绝对误差、均方根误差和决定系数作为评价指标,得到不同序列的误差由小到大排序为强相关序列、全时间序列、弱相关序列、单变量序列,优选的机器学习方法为门控神经网络和长短期记忆网络。结果表明,采用机器学习方法结合页岩气井强相关性序列(日产气量、套压、油压、日产水量)能有效降低预测误差,提高页岩气井产量预测效果。

咸水灌溉下设施番茄水盐生产函数构建及产量预测

以新疆南部地区设施番茄品种“秦岭蔬越”为研究对象开展咸水灌溉试验,设置4个咸水矿化度,分别为T1(2 g·L^(-1))、T2(4 g·L^(-1))、T3(6 g·L^(-1))和T4(8 g·L^(-1)),以淡水灌溉为对照(CK),采用修正后的Jensen模型构建咸水灌溉条件下设施番茄水盐生产函数,估算不同矿化度咸水灌溉番茄产量。结果表明,连续灌溉高矿化度咸水导致番茄减产,初始灌溉矿化度为2~4 g·L^(-1)咸水可确保番茄产量和IWUE。大于4g·L^(-1)咸水灌溉抑制作物生长且减产严重。土壤含水率和盐分随土层深度逐渐降低,40 cm深处达到含水率峰值,盐分主要聚集在浅层且盐分含量随咸水矿化度增高;番茄耐盐能力早期较弱而后期增强,番茄不同生育期盐分敏感指数σ为苗期>开花结果期>结果盛期>结果末期。开花结果期对水分敏感性最强,水分敏感指数λ依次为开花结果期>结果盛期>苗期>结果末期;基于Jensen模型构建设施番茄水盐生产函数对产量估算精度较高,R2>0.96,可用于指导新疆南部地区设施番茄咸水灌溉管理。综合考虑咸水灌溉对番茄产量及土壤水盐变化,建议新疆南部地区设施番茄微咸水滴灌最优方案为:在非连续咸水灌溉条件下,苗期、开花结果期采用淡水充分灌溉,结果盛期、结果末期采用亏缺灌溉和咸水矿化度为2~4g·L^(-1)的微咸水灌溉组合。通过构建咸水灌溉条件下设施番茄水盐生产函数,为作物水盐精准管理及咸水资源安全利用提供理论依据。

基于WOA-BP神经网络下马铃薯产量预测分析模型

马铃薯是我国重要的粮食作物之一,营养丰富,用途广泛,是一种谷物、蔬菜和水果功能兼具的食物,其蛋白质含量远高于其他块茎类食物,且富含优质的氨基酸。马铃薯生育期短,在湖北平原、丘陵地区冬种春收适宜发展早熟品种,对于填补全国南北方鲜薯市场供应空档期具有重要意义。因此,马铃薯产量的高效预测对于制定生长期间的种植管理措施及相关决策具有重要意义。为此,针对传统BP神经网络在产量预测中存在精度低、鲁棒性差等问题,利用鲸鱼算法(Whale optimization algorithm,WOA)对BP神经网络模型进行优化。同时,基于湖北地区2009-2021年间田间物联网获取的气象因子(大气湿度、大气温度、降雨量)、田间水热因子及马铃薯产量,采用BP神经网络模型、GA-BP神经网络模型(遗传算法优化)及WOA-BP神经网络模型对所选地区马铃薯产量进行预测。研究结果表明:WOA-BP神经网络模型精度明显高于GA-BP神经网络模型及BP神经网络模型,R2达到0.9764,预测值与试验值之间拟合程度较高,表明基于WOA-BP神经网络模型可以更加科学、合理、准确地进行马铃薯产量预测。

基于遗传算法优化下棉花的产量预测模型研究

棉花是我国重要的经济作物与棉纺织业发展的主要原材料之一,是我国经济发展的支柱产业。在棉花种植过程中,农田措施、气象环境等都会对棉花生产产生影响。对棉花生长因子进行分析,建立棉花预测模型,预测我国棉花产量,对于指导棉花生产和促进我国经济发展具有重要意义。为此,针对传统BP神经网络在预测中存在测试精度低、鲁棒性差等问题,利用遗传算法(Genetic Algorithm, GA)对BP神经网络模型进行优化,构建GA-BP神经网络模型;同时,基于湖北省2011-2021年棉花播种面积、气象因子、自然灾害和棉花产量,构建BP神经网络、GA-BP神经网络模型,对湖北地区棉花产量进行预测。研究结果表明:GA-BP神经网络模型精度明显高于BP神经网络模型,R2达到0.991。因此,通过GA-BP预测能够更加科学、合理地进行棉花产量预测,对棉花生产及管理措施的调整具有重要的指导意义。

水稻作物产量预测模型的研究——基于多源数据回归模型

水稻是我国重要的粮食作物之一,在我国不同农业生产区域都有种植,实现水稻产量的精准预测对于稳定我国粮食安全具有重要意义。为了改良传统产量预测方法,实现水稻产量高效预测,基于主成分分析法提取主成分,再将主成分作为BP神经网络模型的输入,对水稻种植面积较大的黑龙江省、江苏省、湖南省和湖北省2011-2020年的数据进行预测分析。研究结果表明:水稻产量与月最高土壤温度、月最低土壤温度、月土壤平均温度、月大气最高温度、月大气平均温度、月平均大气湿度为极显著相关,与月降雨量显著相关,与月大气最低温度相关性较弱。主成分分析与BP神经网络组合模型下,水稻产量的预测精度明显高于传统BP神经网络模型,R^(2)达到0.86,MAPE仅为0.97%,RMSE为0.93,预测值与试验值之间拟合程度较高,模型验证结果表明模型预测结果准确稳定。研究结果对于更加科学、合理地预测水稻产量具有重要的指导意义。

基于机器学习算法和ARIMA模型的旱地春小麦产量预测

为探究机器学习算法与时间序列结合预测春小麦产量的可行性,使用HP滤波算法,将1971-2021年甘肃省定西市安定区和2014-2021年定西市渭源县的产量数据分离为气象产量和趋势产量,利用研究区的气象数据,分别基于随机森林(random forest,RF)、循环神经网络(recurrent neural network,RNN)、支持向量机(support vector machine,SVM)、反向传播神经网络(back propagation neural network,BPNN)和长短期记忆网络(long short-term memory,LSTM)5种机器学习算法实现春小麦气象产量的预测对比;构建了ARIMA时间序列模型,探究旱地春小麦趋势产量的最佳预测模型。结果表明,旱地春小麦产量中气象产量占比大,趋势产量占比小,且气象产量的变化趋势基本与总产量一致。LSTM模型对研究区内气象产量的模拟效果最佳。通过参数率定,获得最优的趋势产量预测模型为ARIMA(4,1,2)模型,其残差基本为白噪声,符合正态分布。利用LSTM和ARIMA(4,1,2)模型组合,对2014-2021年渭源县的春小麦产量进行预测,并与研究区的实际产量数据比较,预测结果与实际值接近,模型精度较高,其R^(2)为0.96,MAPE为1.22%,MAE为32.12 kg·hm^(-2),RMSE为35.32 kg·hm^(-2)。在本研究条件下,LSTM和ARIMA(4,1,2)组合模型具有良好的预测精度,可实现旱地春小麦产量的预测。

Boruta-Optuna-XGBoost融合模型的聚驱油田产量智能预测方法研究

在聚驱油田开采时,存在向油层中加注水溶性高分子聚合物的过程,此过程包含大量参数,对油田产量具有较大影响。针对传统油田产量预测方法存在的人工计算量大、准确率低的问题。提出一种Boruta-Optuna-XGBoost融合模型对聚驱油田产量进行预测,解决传统方法存在的问题。通过Boruta特征筛选方法进行聚驱油田特征筛选,降低特征冗余,提高特征相关性,避免模型过拟合;使用Optuna超参数优化算法对XGBoost进行自适应超参数评价,提高模型精度;使用最优超参的XGBoost算法对聚驱油田产量进行回归预测,通过算法建立油田注入参数和油田月产量之间的逻辑关系模型,对聚驱油田的月产量进行预测。所提方法应用在大庆油田的实际有效数据的准确率达95%,证明了方法的有效性,能够对油田的生产效益、资源配置和可持续发展产生影响,也为数字化聚驱油田智能产量预测发展提供了新思路。

物理—数据协同驱动的页岩气井产量预测方法

由于页岩气渗流机理复杂,赋存方式多样,压裂后对裂缝网络的精确识别和表征存在较大困难,现有方法难以准确预测页岩气井产量。为此,提出了机理—数据融合建模的思路,结合连续拟稳态假设、物质平衡方程、产量递减分析方法和递推原理,建立了物理—数据协同驱动的产量预测方法,进而以中国某区块页岩气井现场生产数据为例,对该方法的准确性、可靠性进行了测试,并与经验产量递减分析和时间序列分析方法进行了对比分析。研究结果表明:(1)建立的产能模型采用拟压力代替压力,采用物质平衡拟时间代替时间,弱化了产量、流压和甲烷物性变化带来的影响;(2)以累计产量误差最小为目标开展历史拟合,弱化了生产制度变化带来的影响,使得建立的产能模型能够自动适应流压—产量变化;(3)应用该方法的关键在于采气指数—物质平衡拟时间双对数图中的特征直线,若图中出现特征直线,则可以开展产量预测,反之,则不能预测。结论认为:(1)建立的产量预测方法将不稳定流动问题转化为拟稳态流动问题求解,简化了对储层非均质性的描述,避开了裂缝网络精确识别和定量表征的难题,计算效率高,可解释性强;(2)生产数据测试结果表明该产量预测方法精度高,长期预测结果稳定,并优于Logistic Growth Model、Duong和StretchedExponential Production Decline经验产量递减分析方法,也优于非线性自回归神经网络、长短记忆神经网络时间序列分析方法。

基于CNN-GRU-LightGBM模型的单井产量预测方法

单井日产量趋势预测研究在油田生产中具有重要意义。由于油井生产工况复杂,难以准确预测日产量,建立了基于多变量时序数据的产量模型。基于卷积门控循环单元(convolutional neural network-gate recurrent unit,CNN-GRU)提取深层特征进行时序预测,基于梯度提升框架的集成模型(light gradient boosting machine,LightGBM)从回归预测角度进行预测,两者结果相互融合,进一步提高产量预测精度。同时,提出了一种可以实现多变量时序预测或回归预测模型在未知输入特征情况下准确预测产量的方法—超前参数递归预测策略。采用该方法对影响产量的重要特征进行超前预测,并将预测到的重要特征应用于预测产量的仿真测试中。仿真结果表明:本文模型与超前参数递归策略配合最好,在测试集上的预测准确度最高。相比单变量时序预测和回归预测模型,可显著提高预测精度。

应用NSGA-Ⅱ-AdaBoost方法结合土壤物理性质对大豆产量预测模型的构建

为准确评估黑土区大豆产量,以大豆不同生长时期(出苗期、结荚期、成熟期)土壤物理性质(土壤坚实度、土壤容重、土壤含水率)为特征变量,使用自适应增强模型评价特征重要性,通过皮尔逊相关系数作进一步筛选,均选择与产量显著相关的特征构建数据集。采用非支配排序遗传算法Ⅱ优化模型的超参数,建立非支配排序遗传算法Ⅱ优化的自适应增强(NSGA-Ⅱ-AdaBoost)方法作为大豆产量预测模型,与11种主流机器学习算法进行对比。结果表明:成熟期土壤物理性质与大豆产量具有更高的相关性,表层和亚表层土壤物理性质对大豆产量影响较大;11种机器学习算法中AdaBoost表现最佳,四种优化算法中NSGA-Ⅱ表现最佳,经NSGA-Ⅱ对AdaBoost的超参数寻优,在五折交叉验证下决定系数为0.809 2、均方根误差为148.061 kg·hm^(-2)、平均绝对值误差为94.868 8 kg·hm^(-2)、平均绝对百分比误差为0.058 3。研究结果可为黑土区大豆产量预测提供理论和方法参考。

多源异构数据和注意力门控机制的小麦产量预测

针对传统的单模态数据预测小麦产量存在精度不高的问题,提出一种结合多源异构数据和注意力门控机制的小麦产量预测方法。首先引入了特征级的门控策略,来捕获每个模态内部特征的信息变化;然后利用神经网络评估每个模态内的置信度分数,并构建模态间的有效信息获取模块;最后设计了基于Transformer的空间和通道注意力门控机制模块,将不同模态之间的有效信息进行充分的融合,从而获得最佳的预测特征表示。实验结果表明,所提方法与传统方法相比具有更高的预测精准度,RMSE和MAE分别仅为809kg/hm^(2)和522kg/hm^(2),R^(2)则达到了0.806,通过对河南省近10年的小麦产量进行预测,得到的三项评价指标均相对稳定,且展现出了较强的鲁棒性。消融实验也验证了该方法中的不同组件均能有效提高小麦产量的预测精度,可为相关部门制定保障粮食安全管理决策提供有力的数据支持。

煤层气产量预测分析决策支持系统在上下游一体化项目生产管理中的应用

通过海量生产数据开展煤层气产量预测是上下游一体化大型项目管理中面临的挑战之一,针对该难题,中国石化集团国际石油勘探开发有限公司海外技术团队研发了煤层气产量预测分析决策支持系统。该系统以SQL、Spotfire、OFM及Enersight等主要应用软件为底层平台,通过二次开发及整合,搭建了数据整合、数据分析、预测转化及成果应用4个主要模块,以煤层气产量预测复杂性及经常出现的问题为切入点,开展煤层气产量预测综合分析、类比分析及递减分析,实现对产量预测的高效管理。该系统具有方便快捷、固定流程、分工明确、团队协作的特点。通过应用实例,展示了该系统针对海量生产数据,自上而下、由面到点、聚焦关键领域,高效筛查出产量预测的关键问题,并提出可行的修正方案,有效提升了煤层气产量预测精准度,为项目投资决策提供有力支持和保障。

试井数据监督式机器学习方法预测变质岩潜山储层产量

(目的意义)建立储层产量预测模型,实现产量定量评价,解决现有技术定性预测无法数字量化产量难题,提高产量预测精度。(方法过程)将初步试井解释渗透率与求产第一油嘴产量两个数据作为研究对象,通过机器学习、数据建模,对初步试井解释渗透率与求产第一油嘴产量之间的客观规律进行数学表达,建立函数关系,形成产量定量评价公式。依托变质岩潜山储层5口井有效测试数据进行自助法验证,同时在2口井测试作业现场进行验证,评价数据模型预测产量的准确度。(结果现象)应用自助法分两次抽取(3,3)个数据输入数据模型公式,通过公式预测的单口井产量与实际单井测试第一油嘴求产产量的相对误差为1%~10%,证明了该数据模型的有效性和稳定性。同时,在现场两口井的产量预测中使用该公式,相对误差分别为8%与16%,再次证明了产量评价模型对新数据具有适应性,数据模型可靠有效。(结论建议)为变质岩潜山储层产量定量预测提供了一种可选择的方法。

基于GRU神经网络的城市建筑垃圾产量预测

针对具有时间序列特征的城市建筑垃圾产量预测精度低的问题,提出了一种基于门控循环单元(GRU)神经网络的预测模型。首先,根据《河南统计年鉴》收集了2002-2022年郑州市建筑垃圾产量和相关影响因素数据并进行相关性分析。然后,构建GRU神经网络预测模型,划分训练集与验证集,确定隐藏层神经元个数,同时采用自适应矩估计(Adam)算法更新梯度。最后,引入循环神经网络(RNN)和长短期记忆网络(LSTM)模型进行比较,选择绝对误差(MAE)、百分比误差(MAPE)以及相关系数(R^(2))验证模型性能。结果表明,GRU模型的预测结果更接近真实值,且具有更强的线性相关性。此外,利用该模型对2023-2027年郑州市建筑垃圾产量进行预测,结果显示到2027年建筑垃圾将达到8675.84万t。

顺北油气田断溶体油藏产量预测模型研究及应用

Arps递减曲线方程是油气田开发初期产量预测中应用较为普遍的方法,基本是参考类似油藏拟合参数以定压差生产为开发政策指导进行产量预测,对于顺北断溶体油藏地层压力下降明显,且储集层在地饱压差内的非线性流动特征明显,存在唯一的非线性惯性阻力,无法通过描述线性流动特征的采油指数来表征,存在误差较大、产量预测结果单一的缺点。通过分析顺北油气田产量递减特征,基于物质平衡原理,构建动态储量模型,结合顺北油气田通用产能方程和产能评价指标成果,形成了新的断溶体油藏弹性驱产量预测方法,用于指导断溶体油藏弹性驱开发阶段的生产管理,有更高的适应性和准确率,也为断溶体油藏开展产能建设方案经济评价优化、指导油井开发政策奠定了基础、提供多开发政策方案决策支撑。

融合时频分解的深-宽度产量预测模型

各行业规模化产量分析对产能建设和生产计划调度有着重要的指导意义。各行业生产产量数据为时间序列,针对现有的时间序列预测模型存在滞后性、模态混叠等缺点,提出一种基于EEMD-LSTM-BLS产量预测组合模型。模型首先利用集合经验模态分解(Ensemble Empirical Modal Decomposition,EEMD)将原始产量分解成更加平滑的子序列,可以减小噪声的影响提高预测准确性;再将分解后的子序列分别输入到长短时记忆-宽度学习系统(Long Short Term Memory-Broad Learning System,LSTM-BLS)中训练,利用BLS来解决LSTM预测中的滞后性。为了验证模型有效性,以某卷烟厂产量进行实例分析。通过与基线模型以及现有模型比较,验证提出的模型能更有效、准确的预测产量,为车间生产计划调度提供了便捷有效的方法。