基于GMDH-SVR致密气开发过程参数优化

doi:10.12005/orms.2018.0250

运筹与管理 ›› 2018, Vol. 27 ›› Issue (11): 10-16.DOI: 10.12005/orms.2018.0250

基于GMDH-SVR致密气开发过程参数优化

郭菊娥¹,张剑如¹,薛鹏^1,2,孙梦飞¹

1.西安交通大学管理学院,陕西西安 710049;
2.中国石油长庆钻井总公司,陕西西安 710018

收稿日期:2017-06-24 出版日期:2018-11-25
作者简介:郭菊娥(1962-),女,陕西临潼人,教授,博士,研究方向:能源经济与投融资决策。
基金资助:
国家自然科学基金资助项目(71473193)

Development Process Parameter Optimization of Tight Gas

Based on GMDH-SVR GUO Ju-e¹, ZHANG Jian-ru¹, XUE Peng^1,2, SUN Meng-fei¹

1.School of Management, Xi’an Jiaotong University, Xi’an 710049, China;
2.Changqing Drilling Engineering Company, CNPC, Xi’an 710018, China

Received:2017-06-24 Online:2018-11-25

摘要/Abstract

摘要： 本文基于非常规油气的致密气开发流程图,利用K-means将4291口气井根据单位压降产气量聚为三类。通过改进GMDH算法对训练集和测试集样本规模比例的完备性和样本次序的随机性进行研究以增强算法鲁棒性。以单位压降产气量作为评价参数对三类气井开发效能主要相关的11个参数进行特征提取并统计各参数作为主成分的概率,选择累计概率80%及以上最少参数作为SVR模型的输入变量,单位压降产气量作为输出变量,选择RBF 作为核函数。分别使三类井各一个样本井的压裂参数上下浮动20%,应用SVR模型统计相应单位压降产气量变化范围是[-18.08%,13.42%]、[-2.34%,5.39%]、[-16.10%,15.21%],分析不同压裂参数组合对单位压降产气量的影响趋势,确定工程实践最优压裂参数,提高气井效能。

关键词: GMDH, SVR, 网格搜索法, 致密气, 参数优化

Abstract: Based on development flow chart of tight gas which is one type of unconventional gas, the paper uses K-means to cluster 4291 gas wells into three types. We improve GMDH method in two ways: 1.we complete sample's quantitative proportion of train set and test set. 2.we decrease the impacts of sample sequence on method's results. The paper sets gas production per unit pressure drop as evaluation parameter, analyzes eleven parameters which are related to the production efficiency of gas wells and counts the probabilities of parameters that are selected as principle components. We select the fewest parameters whose probabilities are added up to more than 80% as input variables and evaluation parameter as output variable for SVR method, whose kernel function is RBF. We apply one sample well for each type of wells to SVR method, count relevant range of gas production of unit pressure drop[-18.08%,13.42%]、[-2.34%,5.39%]、[-16.10%,15.21%] by changing volumes of construction parameters at the range of ±20% and analyze production efficiency of gas wells under different volumes and combinations of construction parameters.

Key words: GMDH, SVR, grid-search, tight gas, parameter optimization

中图分类号:

郭菊娥,张剑如,薛鹏,孙梦飞. 基于GMDH-SVR致密气开发过程参数优化[J]. 运筹与管理, 2018, 27(11): 10-16.

Based on GMDH-SVR GUO Ju-e, ZHANG Jian-ru, XUE Peng, SUN Meng-fei. Development Process Parameter Optimization of Tight Gas[J]. Operations Research and Management Science, 2018, 27(11): 10-16.

参考文献

[1] 马新仿, 樊凤玲, 张守良. 低渗气藏水平井压裂裂缝参数优化[J]. 天然气工业, 2005, 25(9): 61-63.
[2] 郭建春, 邹一锋, 邓燕, 傅春梅. 利用支持向量机优化压裂加砂规模研究[J]. 西南石油大学学报(自然科学版), 2009, 31(5): 79-82.
[3] 李慧琼, 赵晓瑞, 马占国, 陈冠旭. 苏里格低渗气藏水平井压参数优化分析[J]. 长江大学学报(自然科学版)理工, 2012, 9(12): 92-95.
[4] 安永生, 鲁玲, 刘姝. 压裂水平井增产因素分析与裂缝参数优化[J]. 大庆石油地质与开发, 2012, 31(6): 109-113.
[5] Xu WY, Thiercelin M, Walton I. Characterization of hydraulically-induced shale fracture network using an analytical/semianalytical model[J]. SPE,2009, 124697.
[6] 王怡, 马新仿, 张勇年, 何举涛. 长8储层直井体积压裂施工参数优化研究[J]. 科学技术与工程, 2014, 14(29): 189-193.
[7] Malhi A, Gao R X. PCA-based feature selection scheme for machine defect classification[J]. IEEE Transactions on Instrumentation and Measurement, 2004, 53(6): 1517-1525.
[8] Kim Y S, Street W N, Russell G J, et al. Customer targeting: a neural network approach guided by genetic algorithms[J]. Management Science, 2005, 51(2): 264-276.
[9] Ivakhnenko A G. The group method of data handling in prediction problems[J]. Soviet Automatic Control, 1976, 9(6): 21-30.
[10] 肖进, 唐静, 刘敦虎, 谢玲, 汪寿阳. 基于改进GMDH的目标客户选择模型研究[J]. 中国管理科学, 2015, 23(10): 162-169.
[11] 田盼, 何跃. 基于SOM-GMDH的微博热点话题变化趋势研究[J]. 软科学, 2013, 27(8): 75--79.
[12] 王晶, 李增光. 基于GA的GMDH选择性集成及在煤炭价格系统模型中的应用[J]. 系统工程理论与实践, 2014, 34(5): 1243-1248.
[13] Srinivasan D. Energy demand prediction using GMDH networks[J]. Neurocomputing, 2008, 72(1-3): 625-629.
[14] 潘保芝, 石玉江, 蒋必辞, 刘丹, 张海涛, 郭宇航, 杨小明. 致密砂岩气层压裂产能及等级预测方法[J]. 吉林大学学报(地球科学版), 2015, 45(2): 649-654.
[15] Vapnik V N. The Nature of Statistical Learning Theory[M]. New York: Springer Verlag, 1995, 52-123.
[16] Gunn S R. Support vector machines for classification and regression[J]. ISIS technical report, 1998, 14(1): 5-16.
[17] 赛英, 张凤廷, 张涛. 基于支持向量机的中国股指期货回归预测研究[J]. 中国管理科学, 2013, 21(3): 35-39.
[18] Tay F E H, Cao L. Application of support vector machines in financial time series forecasting[J]. Omega, 2001, 29(4): 309-317.
[19] Rahman M M, Rahman M K. A review of hydraulic fracture models and development of an improved pseudo-3D model for stimulating tight oil/gas sand[J]. Energy Sources, Part A: Recovery, Utilization, and Environmental Effects, 2010, 32(15): 1416-1436.

基于GMDH-SVR致密气开发过程参数优化

Development Process Parameter Optimization of Tight Gas

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 7

编辑推荐

Metrics

[1]	刘小龙, 许岩, 徐维军. 基于统计引导和多项式差分学习的樽海鞘优化算法[J]. 运筹与管理, 2021, 30(1): 43-49.
[2]	李杰, 赵旭东, 王玉霞, CHU Chao-hsien. 面向电商终端物流配送的电动车配置与路径集成优化[J]. 运筹与管理, 2018, 27(10): 23-30.
[3]	黄学文, 张晓彤, 孙榕, 李冠雄. 基于遗传算法的工艺路径柔性调度算法[J]. 运筹与管理, 2018, 27(6): 184-193.
[4]	陶维成, 党耀国. 基于灰色关联聚类的协同过滤推荐算法[J]. 运筹与管理, 2018, 27(1): 84-88.
[5]	王家桢, 马良, 张惠珍. 三维欧氏Steiner最小树的Delaunay四面体网格混合智能算法[J]. 运筹与管理, 2015, 24(2): 64-70.
[6]	胡忠义, 鲍玉昆, 熊涛. 基于PSO-MAs算法的产品组合问题研究[J]. 运筹与管理, 2014, 23(1): 116-122.
[7]	张大斌, 杨添柔, 潘玉辰, 周茜, 张文生. 基于精英协同的混洗差分进化算法及其应用[J]. 运筹与管理, 2013, 22(5): 17-23.