浅谈油田动液面软测量.docVIP

浅谈油田动液面软测量 　　摘 要：本文将两种自适应算法与传统AOSVR相结合，提出了一种改进的AOSVR，该方法能够在线更新SVR模型，同时还能对惩罚参数、不敏感函数参数以及核函数参数进行实时调整，从而提高算法的自适应能力及预测量精度。通过实验表明基于AOSVR的油田动液面软测量方法可以在油田动液面测量中加以应用。 　　关键词：AOSVR；油田；动液面；软测量 　　中图分类号：TP273 文献标识码：A 　　支持向量机由于其优越的学习能力，在国内外广受关注，并在模式识别和函数估计等方面得到了应用，是众多软测量技术中的一个较年轻的方法。本文分析了着重对2003年，J.Ma等人提出的AOSVR技术进行了研究，对AOSVR算法中原固定参数的几种自适应算法，对AOSVR算法进行了应用改进，并将其应用到对油田动液面的测量中。 　　1 AOSVR算法原理 　　首先设存在一个在线训练样本集T，构建SVR方程： 　　（1） 　　在特定空间F中，是x对于空间F的一个非线性映射，是回归函数系数。 　　（2） 　　目标函数（2）的作用是解决最大化间隔和的最小化问题。C是惩罚参数，和分别是松弛变量的上限与下限，控制着那些超出ε值的样本的惩罚程度。 　　此时引入拉格朗日乘子，推导得KKT条件： 　　（3） 　　AOSVR的根本目的是在分析原有数据性质的基础上，实现对其未来观测值的预测工作，所以通过假设观测值，其空间映射表示为： 　　（4） 　　其中m为维数，为延迟时间。由Takens定理得一步预测： 　　（5） 　　最后，通过边缘函数法（边缘函数是J.Ma等人在Mario Martin基础上为避免有用的向量丢失问题而被引入到Online SVR算法中的。）对差值系数进行定义： 　　（6） 　　如此就可以建立起一个边缘函数样本，再通过对上述3式以及7式的联立即可以完成训练集的划分。通过对错误支持向量集、支持向量集以及保留样本向量集的划分完成对AOSVR的算法原理分析。 　　2应用 　　油田生产中多数油田生产现场都采用回声探测法来对其进行测量，工作量、测量误差大，危险性高，而AOSVR可以在线实时更新数据模型，有效提高了整套动液面测量系统的实时性能，并且系统运行速度较快，耗时少，精度高。由AOSVR基本原理可知，AOSVR方法应用效果的好坏很大程度上取决于惩罚参数、不敏感函数参数，以及核函数参数的合理选取，基本AOSVR方法中上述参数基本通过经验选取，交叉验证。以往这方面的研究过程中多是针对部分参数的实时更新，而且上述的三组参数值的选取是互相依赖，互相制约的。部分参数的自适应能够在一定程度上解决一些问题，由数据波动大而引起的预测性能差的问题屡见不鲜。本文在训练过程中所选用的是改进的指数径向基核函数： 　　（7） 　　其中，；m是训练样本个数；mc是变化点，对核函数参数赋值的自适应方法采用VladimirCherkassky提出的方法，如式所示：（8）其中，d是的维数，是各分量的值域。 　　3 AOSVR在油田动液面软测量中的实验研究 　　3.1样本选择 　　本文中实验数据选用了某采油站某号采油平台自2011年7月1日起至2012年6月30日止的一年内实际检测数据为实验数据。正如本文第一部分所述，测量动液面的最直接原因是为了获得井底流压的大小，而恰巧井底流压与含水率、套压和动液面等参数存在一定经验关系，因此本文在实验过程中选定了五项油田测量参量作为软测量建模的输入变量。用此数据进行生产过程模拟实验。 　　3.2建立流程 　　（1）采集所需的油井数据，并进行必要处理；（2）通过确定惩罚参数C和不敏感函数参数ε值；（3）进行核函数的选择，并通过确定核函数的参数值，此参数值为自适应值；（4）用建模数据集建立预测模型；（5）开始进行训练，并作出预测；（6）用60天数据进行检验，7天数据进行模型更新；（7）通过边缘函数将数据进行归类；（8）判断是否需要继续在线检验，如果需要跳转至2，反之则停止。 　　3.3实验研究 　　通过实验仿真对改进后的AOSVR算法进行验证，本实验针对以上三种参数进行了以下两组实验： 　　（1）基本AOSVR（C=100，ε=0.1，=1） 　　实验1：通过所提供的经验参实验，核函数RBF核，核函数参数=1，不敏感函数参数ε=0.1，惩罚参数C=100。建立初始模型，模型的建立数据利用的是模拟过程60天的数据。 　　（2）AOSVR-VP（C自适应，ε自适应，=1） 　　实验2：在实验1基础上，每次更新模型时按照公式对惩罚参数和不敏感函数参数进行自适应赋值，核函数参数仍选用经验参数值，用油田数据模拟OlufemiOmitaomu等人所提出的的方法。其中Cmax=500，