基于AOSVR的油田动液面软测量方法的研究.docVIP

基于AOSVR的油田动液面软测量方法的研究 　　摘 要：针对回声探测法在测量动液面时存在精度低、可靠性差等问题，文章提出使用软测量技术来取代回声探测法完成对动液面的测量工作。通过计算以及实验对测量方法进行测试，并加以改进。改进后的AOSVR对油田动液面测量精度较高，对数据波动的自适应能力较强，符合油田现场测试的要求，可以在油田动液面测量中加以应用。 　　关键词：动液面；软测量；AOSVR；自适应算法 　　Online SVR 算法是基于SVM的一种拓展应用。该算法采用在线方式进行模型的训练，其模型可以适应样本的不断在线更新，具有良好的动态建模能力。2003年，J.Ma等人又在其基础上将边缘函数引入进来，提出了AOSVR，为了进一步提高普通AOSVR对数据波动的自适应能力和预测精度，本文通过分析探索对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，以代替回声探测法。 　　1 改进后的AOSVR在油田动液面软测量中的应用 　　本文拟采用改进后的AOSVR算法来进行对油田动液面的测量工作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。 　　在油田实际应用中，由于生产数据随时间及生产措施波动较大，建模时的历史数据不完备，而上述算法参数如果还是根据一段时间内的运行效果经验选取，就不能完全适应油田的复杂动态生产过程。 　　本文为使软测量效果达到最优，针对惩罚参数、不敏感函数参数以及核函数参数同时进行自适应赋值，由自适应函数自行选取合适的参数组来进行模型更新，使原固定参数或部分变参数，改为全参数自适应更新。 　　其中惩罚参数C、不敏感函数参数ε的自适应函数采用如下公式（1）和（2）： 　　（1） 　　（2） 　　其中，i=1，...，m；m是训练样本个数；mc是变化点；Cmin和εmin是所希望的惩罚参数和不敏感函数的下界；Cmax和εmax则为上界；g是控制函数曲率的常数。 　　支持向量机是建立在内核技术的基础上来实现非线性的线性化改变的。因此，核函数的选取对高维映射效果有着直接的影响，而核函数参数的选择更是关系到了整个训练过程中所表现出来的预测性能的好坏。所以正确的选择核函数并确定该核函数的参数是至关重要的。Vladimir Cherkassky在其论文中通过对SVR参数值的赋值进行了改进，并用高斯噪声进行了验证，通过验证证明效果有所提高，对于数据波动剧烈的情况效果较好，适合应用于油田动液面测量中。 　　2 实验研究 　　2.1 训练样本集的选择 　　本文中所使用的实验数据均由某采油站提供，并选用了该采油站某号游梁式抽油机采油平台一年内实际检测数据为实验数据。 　　实验具体过程是，60天数据建立初始模型，60天数据进行预测量检查，7天数据更新模型，再用60天数据进行预测量检查，7天数据更新模型，以此类推，共进行了四次模型更新，目的是验证改进后的AOSVR是否提高了预测性能。 　　2.2 建立软测量模型的程序流程 　　根据实验数据，针对不同的参数自适应方法分别按照如下步骤进行仿真测试： 　　算法程序的具体步骤： 　　Step1：采集所需的油井数据，并进行必要处理； 　　Step2：通过式（1）和（2）确定惩罚参数C和不敏感函数参数ε值（后续训练过程中所使用的惩罚参数C和不敏感函数参数ε值分别由公式（1）和（2）自动更新）； 　　Step3：进行核函数的选择，并通过对核函数的参数值的确定，对自适应值进行确定，（后续训练过程中所使用的？滓值由公式？滓d=（0.2～0.5）×rang（x）自动更新）； 　　Step4：建立模型； 　　Step5：开始训练，作出预测； 　　Step6：用数据检验，进行模型的更新； 　　Step7：对数据进行归类； 　　Step8：判断需要在线检验与否，如果需要跳转至Step2，如果不需要则输出预测结果并停止训练。 　　2.3 实验研究 　　本文通过以下三组实验，对上述参数进行了比较研究： 　　2.3.1 基本AOSVR（C=100，ε=0.1，？滓=1） 　　实验1：通过经验参数进行实验，核函数RBF核，核函数参数O=1，不敏感函数参数ε=0.1，惩罚参数C=100。模拟过程为60天数据建立初始模型，60天数据检测，7天数据更新模型，以此类推。 　　图1 经验参数的AOSVR预测效果图 　　2.3.2 AOSVR-VD（C=100，ε=0.1，？滓自适应） 　　实验2：在实验1基础上，在每次更新模型时按照公式对核函数参数进行自适应赋值，惩罚参数和不敏感函数参数仍为经验参数值，用油田数据模拟Vladimir Cherkassky所提出的的方法。根据公式算得的O自适应参数值域为（18～4），其中1