一种基于动态径向基函数神经网络的油田产量预测方法

摘要

一种基于动态径向基函数神经网络的油田产量预测方法，包括以下步骤：A.根据油田情况确定影响产量因素，获取历史数据并将其划分为训练数据集和检测数据集；B.利用离差标准化方法将数据集进行归一化处理；C.利用敏感度法动态调整RBF神经网络结构，建立临时RBF神经网络预测模型；D.利用状态转移概率矩阵对模型误差进行修正，得到稳定的RBF神经网络油田产量预测模型；E.利用步骤A得到检测数据集对模型进行验证，判断是否符合期望；F.利用步骤E所得到的符合期望的产量预测模型进行石油产量预测。该方法避免了RBF隐含层神经元过多或过小的问题，得到的模型有自适应调节的功能；对预测误差进行二次修正，使预测结果更加准确、合理。

主权项

一种基于动态径向基函数神经网络的油田产量预测方法其特征在于，主要包括以下步骤：A.获取数据根据油田实际情况，确定影响油田产量因素指标，获取历史数据集并将其划分为训练数据集和检测数据集；B.归一化处理对历史数据集进行归一化处理，归一化方法可以采用离差标准化方法，使不同量纲的数据转化为统一的处理格式，转换函数如下：$x^{*}=\frac{x-x_{\min }}{x_{\max }-x_{\min }}$   (公式1)其中x_max为样本数据的最大值，x_min为样本数据的最小值；C.预测模型的建立及训练RBF神经网络中，设K是隐含层神经元数,x(x₁,…,x_m)是输入向量,α_k是第k个隐含层神经元与输出层神经元的联结权值,φ_k是第k个隐含层神经元的输出，因此RBF神经网络的输出可描述为：$y=\underset{k=1}{\overset{K}{\Sigma }}{\alpha }_k{\phi }_k\left(x\right)$   (公式2)(1)给定一个隐含层神经元为任意自然数的RBF神经网络进行训练，设定训练的次数；(2)计算每一个隐含层神经元输出值，由公式(1)可得到第k个隐含层神经元的输出为：${\phi }_k\left(x\right)=e^{\frac{-\left|\right|x-{\mu }_k\left|\right|}{{\sigma }_k^2}}$   (公式3)(3)对每一个神经元输出进行敏感度分析,计算其对输出的贡献值，隐含层神经元的输出加权值作为敏感度法的输入量,利用下式计算隐含层神经元输出对神经网络对输出所做的贡献：$S_h=\frac{{\mathrm{var}}_h\left[E\left(y\right|Z_h={\alpha }_h{\phi }_h\left(x\right))\right]}{\mathrm{var}\left(y\right)}$   (公式4)其中，Z＝[Z₁,Z₂,...,Z_k]是敏感度法的输入向量，y是神经网络输出量，y与Z的关系可表示为y＝f(Z₁,Z₂,...,Z_k)，var_h[E(y|Z_h＝α_hφ_h(x))]是Z_h等于α_hφ_h(x)时对y方差的影响，var(y)是y的方差，S_h是α_hφ_h对输出y的一阶灵敏度表示,对S_h进行归一化处理：${\mathrm{ST}}_h=\frac{S_h}{\underset{i=1}{\overset{K}{\Sigma }}{S}_i}$   (公式5)(4)选取ε值并根据隐含层神经元输出贡献值调整神经网络结构，ε的值一般小于目标误差值，对于贡献值最大且大于ε₁的隐含层神经元进行分裂,对于贡献值小于ε₂的隐含层神经元进行删除，这里ε₁>ε₂，最终实现调整神经网络结构,定义误差目标函数为(N为训练样本数)：$E=\frac{1}{2N}\underset{j=1}{\overset{N}{\Sigma }}{e}_j^2$   (公式6)(5)根据目标误差函数，利用梯度下降算法来调整神经网络的隐含层神经元的输出权值、中心值和函数宽度：$a_i(t+1)=a_i\left(t\right)-{\eta }_1{\mathrm{ST}}_i\frac{\partial E}{{\partial a}_i\left(t\right)}$   (公式7)${\mu }_i(t+1)={\mu }_i\left(t\right)-{\eta }_2{\mathrm{ST}}_i\frac{\partial E}{{\partial \mu }_i\left(t\right)}$   (公式8)${\sigma }_i(t+1)={\sigma }_i\left(t\right)-{\eta }_3{\mathrm{ST}}_i\frac{\partial E}{{\partial \sigma }_i\left(t\right)}$   (公式9)其中，η₁,η₂,η₃为参数学习步长；(6)达到期望误差或计算步骤时停止计算；D.残差修正在建立的神经网络模型的基础上，对训练样本的预测值与实际产量值对比，计算出误差序列，将误差序列作为一个马尔可夫过程，进行状态划分，以频率代替概率，计算误差状态的转移概率矩阵；E.模型验证运用检测数据集对模型进行检验，如果输出的预测值与实际对比值的误差达到了预期的期望，神经网络模型训练成功，可以利用模型对石油产量进行预测；反之，模型训练不成熟，需要重新进行训练；F.石油产量预测获取真实的预测基础数据，输入训练好的优化后的RBF神经网络中，RBF神经网络的输出即为油田产量的预测值。