基于机器学习的高含水期油井产量预测方法

摘要：

高含水期油井产量预测存在井况资料复杂,数据信息不完整等问题,故提出了结合三种机器学习算法的油井产量预测方法.通过梳理油井特征数据样本,构建数据清洗流程,建立形成高含水油井特征样本库,基于随机森林算法和XGBoost算法确定油田高含水期影响油井产量的主控因素.利用随机森林、XGBoost和BP神经网络算法进行单一模型的拟合和预测,通过选取适当的权值系数结合三种方法得到新的组合预测模型.研究表明:基于随机森林和XGBoost的算法模型提高了特征选择的稳定性和鲁棒性,并且组合预测模型方法比单一模型更精确预测了高含水X区块油井的月产量,与实际产量符合较好.该方法为高含水期油田油井的特征数据集的构建、特征提取及初期产量预测提供了新的思路.

关键词：随机森林、XGBoost、产量预测、神经网络、组合预测模型

所属期刊栏目：40

分类号：TE343(油气田开发与开采)

资助基金：国家科技重大专项;黑龙江省自然科学基金项目

在线出版日期：2022-12-08（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：1569-1575