文摘
Sensitivity-based线性学习方法(SBLLM)最近被用来作为预测工具由于其独特的特点和性能,特别是其在预测高稳定性和一致性。然而,SBLLM有时是有限的概括能力取决于数据集的性质,特别是在是否存在于数据集的不确定性。因为它利用灵敏度分析与使用的数据集,这无疑是非常容易受到数据集的性质的影响。为了降低不确定性的影响SBLLM预测和改善其概括能力,提出了一种混合动力系统的独特组合二型模糊逻辑系统(type - 2 fls的)和SBLLM;此后,混合动力系统是用来模拟原油PVT属性系统。2型FLS的被选为了更好地处理不确定性存在的数据集1型模糊逻辑系统的能力。提出混合,2型水库FLS的用于处理不确定性数据,以便清洗2型FLS的数据然后传递到SBLLM培训然后最终预测使用测试数据集。比较研究进行了比较的性能提出的新T2-SBLLM混合系统的2型FLS的成分和SBLLM。实验仿真结果表明,该T2-SBLLM混合系统极大地改进SBLLM的性能,同时保持一个更好的性能高于2型FLS的。
1。介绍
混合计算智能是任何有效的智能技术,执行上级或简单的标准的智能技术在竞争方式。近年来日益流行的混合智能系统的成功在于广泛这些系统在许多实际复杂的问题(1]。此外,它是一个确定的事实,每个方法都有其优点和缺点;因此需要混合模型,能够结合个人的优势技术,补充一个方法的弱点与其他的力量。因此,这项工作旨在利用2型FLS的独特的能力,在造型的不确定性,提高基于灵敏度的线性学习方法的性能(SBLLM)为了进一步提高概括能力SBLLM即使面临不确定性。
二型模糊逻辑被公认为是更好的和理想的不确定性建模(2- - - - - -8]。最近,2型FLS的已经被提议作为一种新型的框架分类和预测为了处理所有形式的不确定性(8,9]。它能够处理不确定性,包括测量和数据用于校准参数。它被用在几个领域和承诺和结果非常令人鼓舞10- - - - - -12]。因此,有可能2型水库FLS的可以处理不确定性数据13]随着2型模糊逻辑专门发明了处理各种形式的不确定性(8]在我们每天自然固有的遭遇和推理模式。
基于灵敏度的线性学习方法(SBLLM)最近推出了一个学习技术基于灵敏度分析的两层前馈神经网络,使用一个线性训练算法的两层(14]。它介绍了为了缓解一些古典安的局限性。这个算法倾向于提供良好的泛化性能速度极快的学习,而此外,它给的敏感的平方误差的总和的输入和输出数据没有额外的计算成本。性能很稳定的学习曲线稳定均匀不仅一样很快,如果我们考虑的学习过程,而且在整个过程中,在这样一种非常相似的学习曲线所有迭代均获得不同的实验(14,15]。不幸的是,就像经典的安,SBLLM无法充分模型在现实生活中不确定性数据。由于SBLLM无法处理不确定性,这将是一个不错的贡献,寻求改善其性能通过使用2型FLS的前体,在混合安排,为处理不确定性,以充分利用其独特的功能。因此在本文中,我们提出一个混合的方法,就是将结合的独特属性type-FLS与基于灵敏度的线性学习方法(SBLLM)通过提高SBLLM性能以达到更好的概括能力在所有情况下包括面向不确定性的环境。
表征储层流体起着非常重要的作用在发展中战略如何生产和经营一个水库。Pressure-volume-temperature (PVT)属性是非常重要的地球物理和石油工程师,即利用的物料平衡计算,流入性能计算,测井分析,确定石油储量估计,和石油的数量,可以恢复,石油或天然气的流量,simulationson水库输出。石油储层流体阶段和体积的行为被称为PVT (16,17]。
PVT属性包括地层体积系数(FVF),解决气油比(工资)、溶解油气比(OGR)、液体比重,美国石油协会(API)比重,天然气比重,泡点压力,饱和压力等等的说明(18]。在这些PVT属性中,泡点压力()和石油形成因子()是最重要的,因为它们是最重要的因素在水库和生产计算(18]。严谨的评估这些属性越多,更好的参与油藏模拟计算,生产,和领域发展。泡点压力()是天然气的压力开始的解决方案在恒定温度下,而石油地层体积系数()被定义为储层油的体积将会占领一个浆槽桶油加任何溶解气体泡点压力和储层温度所(17,19- - - - - -21]。
理想情况下,这些属性确定从实验室研究样本来自底部的井筒或表面上。然而,这样的实验数据是非常昂贵的获得和结果的准确性是至关重要的,而不是经常提前知道。的一个解决方案是使用经验相关性,已开发利用状态方程(EOS),线性/非线性统计回归,或图形技术(17,21]。不幸的是,这些相关性是受到一些限制,即状态方程需要广泛的知识的详细的储层流体的成分和数量是昂贵和费时的决心;EOS的准确性在很大程度上依赖于流体的性质,在方程的类型选择,operator-dependent调优程序。该方法还包括几个数值计算。克服缺点与前面的相关方法,研究人员利用基于人工智能的方法最重要的是经典的人工神经网络(ANN)和它的变体。但是,发达的神经网络的相关性通常不执行与缺点,包括期望值和困扰,其中,不稳定,以其非均匀性质,得到了非常不同的学习曲线为不同的重复相同的实验,和低速运行的特征。
研究人员做了最好的应对和克服这些问题的安。结果,几个变种的安和其他方法,如支持向量机(SVM)和功能网络(FN)已经提出和使用21,22),但各有其局限性,还要求这种性质的进一步研究,特别是他们无法处理不确定性和预测需要确保稳定性和一致性。
这是一个既定事实,地球科学学科是不明确的,大多数时候,涉及的不确定性13),因此需要基于模糊逻辑的系统,特别是新引入的二型模糊逻辑系统(type - 2 FLS的)能够充分考虑各种形式的不确定性(8]。例如,从测井响应预测的核心参数是困难的,通常与不确定性有关。早期的方法尽量减少和忽视这些不确定性13),而2型模糊逻辑获取有用信息的不确定性和使用它作为一个很好的选择参数增加预测的准确性。SBLLM自己能够部署它的灵敏度分析,以确保稳定和一致的结果。因此这些独特的方法在一个混合的组合安排将大有改善预测精度同时确保稳定性和一致性,这是必要的良好的预测系统。这必然符合经常报道成功的混合动力系统由于独特的组合方法,利用每个组成成员,同时避免的缺点。
因此,本文研究的可行性使用2型FLS的msn提高概括能力SBLLM预测期间在面对不确定性时,混合框架设置;我们开发一种新的混合模型基于2型FLS的SBLLM然后用它来预测PVT属性,包括专门泡点压力()和石油地层体积系数()使用不同的标准数据库四个输入参数,即解决方案气油比、储层温度、重力,石油和天然气相对密度。然后我们研究个人组成方法比较与提出的混合模型的预测性能。实证结果从模拟表明,该混合方案产生更好的泛化性能,具有高稳定性和一致性,这是必要的良好的预测模型,而每一个组成部分,尤其是SBLLM。
本文的其余部分组织如下。部分2提供了一个审查的相关研究和部分3提出了混合模型和它的组成部分。部分4包含实证研究和实现过程。结果和讨论在section5呈现。结论和未来的工作提供了部分的建议6。
2。相关研究
在过去的几十年里,工程师们意识到发展的重要性和使用经验PVT属性的相关性。发展的相关性PVT计算被广泛研究的主题,导致大量的出版物。在本节中,我们简要回顾一下最常见的实证PVT相关性及相关预测方法与测量技术已经用于预测这些PVT属性。
2.1。常见的实证模型和评价研究
站(23]介绍了相关性对泡点压力和油地层体积系数。相关性是基于实验室的实验进行105年样本22个不同的原油在加州。Glaso [24]发达Glasoempirical相关地层体积系数使用45从北海石油样本碳氢化合物的混合物。Al-Marhoun [25)出版了他的第二次石油地层体积系数的相关性。相关开发与11728年实验获得的地层体积因素,以上,低于泡点压力。所代表的数据集样本超过700水库来自世界各地,主要来自中东和北美。更多实证correlation-related工作、讨论、应用程序和比较研究;有兴趣的读者可以看到[26- - - - - -42]。
2.2。基于人工神经网络的预测PVT属性
人工智能领域的计划已经越来越多地使用PVT属性和其他领域,在石油和天然气工业在过去的几十年里,最受欢迎的神经网络。人工神经网络是并行分布式信息处理模型,可以在可用数据识别高度复杂的模式。近年来,神经网络在石油的应用得到普及。许多作者讨论了神经网络在石油工程中的应用;参见[16,19,43- - - - - -47详情)。最近,它已被证明在机器学习和数据挖掘社区人工神经网络有能力学习复杂的线性/非线性输入和输出数据之间的关系。最常见的广泛使用在文学被称为前馈神经网络和反向传播神经网络训练算法(48]。这种类型的神经网络是一个很好的计算智能建模方案预测和分类任务。最近,前馈神经网络用于预测PVT相关性,(16,49- - - - - -51]。
作者在52)引入了一个新颖的方法预测储层油和天然气冷凝物的完成PVT行为使用noniterative方法。方法使用键可迅速进行测量,在实验室或在井场作为神经网络的输入,而在(51),两个神经网络训练分别估计泡点压力()和石油地层体积系数(),分别。输入数据是解决气油比、储层温度、油重力,和天然气相对密度,同时利用两个隐藏层(2 hl)神经网络:第一个神经网络(4-8-4-2)预测泡点压力和第二个神经网络(4-6-6-2)来预测石油地层体积系数。神经网络都使用一个数据集的大小从中东地区520年的观察。输入数据集分为训练集498年的观察和测试组22观测。
作者在19]与日志乙状结肠前馈学习计划使用传递函数来估算地层体积系数的泡点压力,使用数据发表在50),而作者在53)开发两个新模型预测泡点压力,和石油的地层体积系数对沙特原油的泡点压力。基于人工神经网络的模型,使用283年未公开的数据集收集来自不同沙特开发领域。最近,(46)利用神经网络来预测PVT属性。像往常一样,他们面对的通用问题标准神经网络局部最小值收敛问题,尝试和错误综合症、不稳定性和不一致性。
为进一步工作利用神经网络和它的变体,如径向基函数网络,支持向量机,并诱导的网络,预测PVT属性,有兴趣的读者可以参考(16,17,21,47,49,54- - - - - -57]。
我们注意到,大多数的报告病例中使用模糊逻辑建模储层属性是局限于经典的模糊逻辑(也称为1型模糊逻辑)。然而,最近发现不足1型模糊逻辑系统来处理各种形式的不确定性(5,8,9,58]。为了应对这一情况,介绍了二型模糊逻辑系统作为预测和更好的计算智能方法分类处理所有形式的不确定性(5]。二型模糊逻辑系统的特色和优势,基于灵敏度的线性学习方法(SBLLM)动机这个工作的想法。为了进一步提高预测的准确性,尤其是在这个领域有密切关系的油藏描述,需要准确预测是非常可取的,我们提出了一个更好的和更可靠的混合动力方案,能够充分在储层数据和模型不确定性做出准确的预测,同时保证稳定和一致的结果。
在这方面,这项工作旨在开发一种新的混合动力方案基于二型模糊逻辑系统和基于灵敏度的线性学习方法(SBLLM)。这些组合选择的事实:二型模糊逻辑系统能够模型所有形式的不确定性和基于灵敏度的线性学习方法(SBLLM)有一个独特的泛化能力加上更高的稳定性和一致性。与这些,该混合模型能够利用这些独特的组合有效处理不确定性同时确保健壮的、一致的、和准确的性能。
3所示。该混合模型和它的组成框架
该混合动力系统由2型模糊逻辑系统和基于灵敏度的线性学习方法(SBLLM)学习计划,独特的组合在一起,形成一个性能更好的混合方案。
3.1。二型模糊逻辑系统(type - 2 FLS的)
2型自适应模糊推理系统是一个自适应网络学习隶属度函数和模糊规则,从数据,在基于二型模糊集的模糊系统;参见[8,59详情)。“二型模糊集是模糊集的等级的会员本身就是模糊的。他们是直观的吸引力,因为等级的会员无法获得精确的实际情况”60]。二型模糊集可用于会员等级本身存在不确定性的情况下,例如,一个隶属函数的形状的不确定性或在它的一些参数。考虑从普通集过渡到模糊集;当我们不能确定元素的成员在一个设置为0或1,我们使用模糊集的1型。同样,当形势非常模糊,我们很难确定隶属度作为一个崭新的数字2型的,我们使用模糊集。因此,总的来说,“一个模糊集合的类型,如果它在类型的模糊集隶属函数的范围“(61年]。
一般来说,二型模糊逻辑系统包含五部分:fuzzifier,规则、推理引擎,减速器,defuzzifier如图互联1。
fuzzifier接受输入参数值作为输入。fuzzifier是fuzzified测量的输出将推理引擎的输入。合成2型模糊推理引擎的输出设置,可以减少到1型减速器模糊集合的类型。类型减少模糊集在这个模型是一个区间集,给出了预测外部属性测量作为一个可能值的范围。defuzzifier计算的平均时间间隔设置为测量产生预测的外部属性。
3.1.1。2型FLS的推论
模糊推理引擎结合了模糊规则和映射输入2型输出模糊集。通常2型FLS的模糊逻辑系统的至少一个中使用的模糊集和每个规则推理前提和/或结论部分输出是二型模糊集合。考虑2型Mamdani FLS的(8)有输入和一个输出。规则库包含2型模糊规则表达以下形式:
在哪里,和二型模糊集。
这条规则代表一个2型模糊输入空间之间的关系,输出空间的系统。我们表示这个2型的隶属函数关系为: 在哪里表示的笛卡尔积,和。
模糊规则的祖先连接使用满足操作,输入模糊集的发射强度结合使用扩展的sup-star输出模糊集组成,和多个规则结合使用连接操作[8]。然而,涉及的计算负载从一般2型FLS的模型推导系统输出是高的在实践中,和惯例是使用间隔2型FLS的模糊集和通过2型的计算区间模糊集FLS的可以大大简化。会员等级的区间模糊集可以完全表现为上下会员等级的足迹不确定性(傻人)分别8]。
没有普遍性的损失,让和为每个样本。的发射强度间隔2型FLS的是一个区间[8),也就是说,。提出了区间二型FLS的,满足产品使用t-norm下操作,因此发射强度一组间隔1型(8如下所示: 在哪里和可以改写如下*代表t-norm产品的操作:
3.1.2。减少类型
推理引擎的结果是二型模糊集。有那么需要减少2型模糊集1型模糊集来给房间去模糊化,这样可以生成最终的输出。Centre-of-sets (COS)减速器算法由孟德尔(8和尼克等。62年)被用于这项研究因为它提供了合理的计算复杂度相比其他昂贵的质心式减速机,虽然其他类型,需要的时候仍然可以调查研究进展。因为类型减速机使用两个步骤减少2型模糊集如下:(i)计算质心2型模糊规则的后果和(2)计算减少了模糊集。这些阶段是以下两部分中描述的。
计算质心2型模糊规则的后果
假设一个区间的输出2型FLS的由2型模糊集表示,在那里。是输出模糊集的数量。在这第一阶段,所有的重心计算输出模糊集,它们将用于计算减少集的下一个阶段。的重心th输出模糊集是一套1型区间可以表示在下列方程(8,62年]:
在哪里和最左边的和最右边的点是什么,分别。
算法1是由孟德尔(开发的迭代过程8尼克et al。(62年)来计算最右边的点每个2型输出模糊集,代表discretised点的数量为每个输出模糊集,,,,。图2演示了如何计算,,,所需的算法1。最左边的点用相同的方法可以计算出除了在步骤4的算法1在我们组当和当。这个迭代过程已经证明收敛迭代找到或(8]。
|
||||||||||
计算模糊集
计算type-reduced集,它足以计算上界和下界的减少和,可以表示如下:
在哪里和发射强度和的输出模糊集的重心我th规则()与,分别。同样的,和发射强度和的输出模糊集的重心th规则()与,分别。
与此同时,可以使用迭代算法计算2提出了(5,8]。同样的,可以以同样的方式计算通过设置为和为。迭代过程也被证明在不超过收敛迭代计算时要么或(5]。
3.1.3。去模糊化
我们defuzzify type-reduced集2型FLS的脆输出。种2型FLS的最终的输出的平均值和如下所示: 在哪里是最终的输出。
3.1.4。最速下降方法训练FLS的
训练算法的目的是最小化误差函数训练时期:
考虑一个FLS的高斯隶属度函数,总结减速器的中心,平均去模糊化,max-product成分,和产品的含义;它可以表达的方程 地点:的规则数量,是数量的先例,是数据点的数量;和平均值和标准偏差的隶属函数,分别。
给定一个输入输出训练对(:)也被称为数据点,我们希望设计一个模糊逻辑系统(FLS),这样误差函数最小化。最速下降方法(8)可以应用于获得以下递归更新所有的设计参数FLS的为了最小化误差函数: 现在,反向传播算法可以应用在算法3其次是RMSRE (13):
3.2。Sensitivity-Based线性学习方法(SBLLM)
在[14),作者提出了一个新的学习计划为了加快和避免局部最小值融合现有的反向传播学习技术,同时减轻其不稳定性和不一致性等其他常见的弱点。这种新的学习策略被称为基于灵敏度的线性学习方法(SBLLM)计划。这是一个两层前馈神经网络的学习技术灵敏度分析的基础上,使用一个线性训练算法的两层。首先,随机值被分配到第一层的输出;之后,这些初始值更新基于灵敏度公式,使用每个层中的权重,重复这个过程直到收敛。由于这些权重是学会解一个线性方程组,计算时间是一个重要的储蓄。方法也给当地的敏感性最小平方误差对输入和输出数据,而不需额外的计算成本,因为没有额外的计算必要的信息可用。这个新计划也可以用于提供一组初始的权值,大大提高了其他学习算法的行为。完整的理论依据SBLLM和已经证明了其性能14],它包含一些学习问题中的应用的例子与几种学习算法和众所周知的数据集。结果显示,学习速度通常比其他现有的方法。
敏感性分析是一种非常有用的技术,推导方式和多少给定问题的解决方案取决于数据;参见[15,63年,64年),引用其中的更多细节。然而,在(14)结果表明,灵敏度公式也可以用作小说监督两层前馈神经网络的学习算法,提出了一种高收敛速度。
一般来说,SBLLM过程是基于使用每一层的敏感性参数对其输入和输出,并使用独立的线性方程组为每一层获得最优的参数值。此外,它提供了敏感的平方误差的总和对输入和输出数据。
3.2.1之上。基于灵敏度的线性学习方法的学习过程
考虑到两层前馈神经网络图2,在那里输入的数量,是输出的数量,是隐藏的数量单位,,,数据样本的数量,标吗和是指第一次和第二次层,分别。
这个网络可以被认为是由两个单层神经网络图所示3。
根据(14),考虑到单层网络图4时,输入和输出是由相关的方程 在哪里输入的数量,是输出的数量,,神经元的权重吗,是数据点的数量。
学习的重量,下面的平方误差的总和之间的真实网络的期望输出值通常是最小化:
假设非线性激活函数,,是可逆的(这是大部分的情况普遍采用函数),否则,之前的一个可能的平方和最小化错误非线性激活函数(14),也就是说, 导致方程组: 也就是说, 或 在哪里
此外,对于单层神经网络图所示4根据(14,15,64年),新的成本函数的敏感性,关于输入和输出数据可以获得:
基于[14),以上提供的学习方法和灵敏度公式可以用于开发SBLLM学习方法两层前馈网络如图3。现在,考虑两层前馈神经网络在图3,在那里是输入的数量,包括四个PVT属性独立变量即解决气油比、储层温度、油重力,和天然气相对密度;是输出的数量,它包括两个目标PVT属性(因变量)即泡点压力()和石油地层体积系数();是隐藏的数量单位,,;数据样本的数量和标吗和是指第一次和第二次层,分别。
假设中间层输出众所周知,使用(16),一个新的代价函数的两层前馈神经网络在图3被定义为: 因此,使用输出我们可以学习,每一层独立的权重和通过求解相应的线性系统(19)。在这之后,灵敏度(见(21))对计算: 与,因为,尽管。在这之后,中间的值输出修改使用泰勒级数近似: 导致以下增量: 在哪里是一个放松的因素或步长。
3.2.2。SBLLM的优点和缺点
(A)已经证实SBLLM提供了一个有趣的的速度、可靠性和简单。此外,基于实际实验的结果使用SBLLM学习算法,有四个主要优势的SBLLM可以概括如下,(14]。(我)高速度达到最小误差:这是在(14),在所有情况下SBLLM获得最小均方误差()就在第一个四个迭代和也早于其他算法结合起来进行分析。SBLLM获得最小误差在一个时代的其他算法远离类似的均方误差值。(2)良好的性能:它不仅可以推导出SBLLM很快稳定下来,而且它达到的最小均方误差是不错的,而且与获得的二阶方法。其他方法相比,它从未成功地达到这个最小均方误差(在时代的最大数量。(3)均匀的行为:SBLLM学习曲线稳定轻松,在短时间内。SBLLM表现均匀不仅如果我们认为只是结束的学习过程,而且在整个过程中,在这样一种非常相似的学习曲线所有迭代均获得不同的实验。这是指示性的高稳定性和一致性处理预测能力所必要的良好的预测系统尤其是石油和天然气储层建模。
(B) SBLLM的弱点
这种技术的主要缺点之一是它无法模型的不确定性是一个非常重要的功能是寻求在今天的预测解决方案尤其在石油和天然气的建模不确定性是非常普遍的。SBLLM的预测精度通常是依赖于问题的性质,也就是说,数据集的性质,因此有需要赞美它的用法与其他更好的模型2型FLS的为了实现更好的性能,特别是在面对不确定性。
3.3。拟议中的T2-SBLLM混合框架
提出的混合系统,2型模糊逻辑系统是第一个使用它的程序组件用于建模和不确定性处理模糊性的推论,类型,减少和去模糊化过程生成一个干净的输出,而基于灵敏度的线性学习方法(SBLLM)然后使用清洁培训从2型FLS的输出,然后用来制作最终的预测。然后应用问题的PVT属性预测油藏工程领域的,但它是可扩展用于其他面向预测或分类的应用程序。
3.3.1。概念设计的提出T2-SBLLM混合模型
混合计算智能的定义是任何有效结合的智能技术,执行上级或简单的标准的智能技术在竞争方式。近年来日益流行的混合智能系统的成功在于广泛这些系统在许多实际复杂的问题(1]。此外,它是一个确定的事实,每个方法都有其优点和缺点;因此需要混合模型,能够结合个人的优势技术,补充一个方法的弱点与其他的力量。
在本节中,聪明的杂交2型FLS的和基于灵敏度的线性学习方法(SBLLM)调查,为了利用混合动力系统的每个组件在使用补充每个框架的其他,以优势特别是在可能的情况下,同时减轻的弱点组件成员为了实现有效、稳定、一致、准确预测解决方案。这项工作的方法是基于标准的计算智能方法的杂化离子不同的技术。混合动力汽车的设计为了极大限度地个人技术的力量而补充每个技术的缺点与别人的优点通过智能和优化组合的合作和竞争特点的个人技术。
在这种混合系统,二型模糊逻辑系统是第一个使用它的程序组件用于建模和处理不确定性的模糊化,推论,类型,减少和去模糊化过程生成一个干净的输出,而基于灵敏度的线性学习方法(SBLLM)然后使用清洁培训从2型FLS的输出,然后用来制作最终的预测。然后应用问题的PVT属性和渗透率预测油藏工程领域的,但它是可扩展用于其他面向预测或分类的应用程序。
在这种情况下,T2-SBLLM混合动力系统,包括两个构件组成的二型模糊逻辑系统(T2)和基于灵敏度的线性学习方法(SBLLM),已建成。有输入数据分为训练集和测试集使用分层抽样的方法,在训练集和测试集被传递到2型FLS的块,所有可能形式的不确定性得到足够的处理。这种能力的2型FLS的一直在等工作所示(10,62年,65年)这已被证实在这项工作。它能够充分处理不同形式的不确定性将其扩展到三维。模糊性的2型FLS的经历必要的过程,推测,type-reduction,最后去模糊化,生成最终的输出。最后输出从2型FLS的训练和测试集然后传递到SBLLM块进行训练和测试目的,分别。因此,2型培训过程的输出是用于训练SBLLM准备预测用看不见的测试数据集,恰好是2型的输出FLS的测试过程。必须指出目标价值观是从未被2型FLS的块以避免产生偏见的结果这样的过程。这意味着实际值(也称为目标值)只是为2型FLS的只读。最后,《看不见的测试数据,也就是2型FLS的测试输出,然后传递到训练SBLLM模型来执行最后的预测任务。
执行的角色2型FLS的块在这个模型是确保数据集包含的不确定性已经妥善处理,清洗生成输出后传递到SBLLM块进行培训,然后最终预测的目的。作为一个结果,它可以确保,在培训过程中,干净的和可信的数据是允许进入SBLLM块负责实施培训后的预测任务的过程,这反过来又促进了SBLLM模型产生更好的性能。图5展示了概念设计提出T2-SBLLM混合动力系统的框架。
框架设计如图52型的杂交FLS的和基于灵敏度的线性学习方法成为明确的制定和实施。同时每个指定的步骤图5简要解释如下。
步骤1。在这一步中,必要的实际工业数据集是在准备发送到混合模型。
步骤2。在这一步中,可用的数据传递给二型模糊逻辑系统的第一个组件混合动力方案。几个主要的子活动在这里举行。包括模糊化,2型FLS的规则提取,顺向匹配类型减少,和去模糊化过程。这些过程确保充足的不确定性处理和基于整个流程建模2型FLS的。必须指出数据集已经分成训练集和测试集和每个单独处理,一个接一个,在这个阶段。这意味着,在这一步中,两个生成不同的输出,一个训练集和测试集。这两种不同的其他输出(预计的目标变量)然后提出下一步的混合方案。
步骤3。在这一步中,训练和测试的两种不同的输出,来自2型FLS的,明显,分别保存在训练集和测试集的形式传递给下一个组件的混合模型,这是SBLLM。因此,这个步骤分别通过了新的训练数据集到下一步(步骤4)的培训和校准SBLLM发生,而测试集只保留被传递到一步5测试训练SBLLM发生的地方。
步骤4。在这个阶段,SBLLM被训练使用的培训输出2型FLS的,经历了足够的不确定性处理2型FLS的手续。因此,SBLLM被训练使用2型FLS的清洁和更好的输出。这确保SBLLM被训练以这样一种方式来防止不确定性对其性能的影响,从而促进更好的生成和改进模型的最终目标的识别率可以达到更好的性能。
第5步。在这一步中,前一步的训练SBLLM正在测试使用的测试数据集保留在一步3开始转移到这一步。因此,SBLLM测试使用的输出2型FLS的测试部分。这将确保清洁和更好的数据传递给SBLLM最终测试和最终的预测需要。测试在这一步是整个混合模型的最终测试。
步骤6。这是最后阶段预测混合模型的输出被收集并进行必要的性能测量分析和计算确定该混合模型的精度性能收益个人构成模型。最常见的统计质量度量,利用数据挖掘和石油工程期刊都在这个阶段,和他们的描述提出了部分4.2。
进一步的流数据在整个流程清晰,提出的数据流程图T2-SBLLM混合模型如图6。
这里必须说明该模型遵循严格的标准培训和测试程序测试集是保持了看不见的数据之前发送到模型进行测试。从数据流图中描述图6,这是明确表示数据集是如何首先划分为训练集和测试集。标准程序的顺序实现混合模型在这项工作之后,前面的方法(T2FLS)总是表现在美联储数据集生成一个输出,然后到下一个模型的混合设置(即。,SBLLM工作)。测井属性首先被发送到T2FLS进行训练。基于训练集,T2FLS生成一个输出代表其估计渗透率值。这些估算渗透率值产生的培训部分T2FLS然后传递到SBLLM作为输入用于培训。拥有训练有素的SBLLM模型的估算渗透率T2FLS系统开始测试过程如下。
如图6,测试集分为属性和目标(实际)渗透率。测试集的属性首先被派往T2FLS进行测试和T2FLS生成最终的估计目标输出(PVT属性)。估计PVT属性值的测试部分由T2FLS然后传递到训练SBLLM作为输入用于执行测试过程。最后SBLLM测试,最终预测值的PVT属性生成的混合方案作为最终输出。保存这些预测输出与目标(实际)PVT属性以确定最终的输出预测的准确性。
图中所示7是网络图展示的估计价值如何从T2FLS属性是由进入SBLLM网络作为系统的输入。
必须指出的是,网络图描绘在图7适用于训练和测试阶段。测试阶段,训练数据集送入T2FLS流仍在继续描绘图。在测试阶段的情况下,美联储T2FLS是测试数据集和估计T2FLS然后进入SBLLM渗透率输出作为输入数据所示。
然而必须指出的是,训练集与测试集的不同安排确定该模型的预测能力。同样,必须指出T2FLS首先用于训练和测试之前设置一个接一个的估计输出每个案例然后传递到SBLLM块进行训练和测试,分别详细数据6和7。
3.3.2。最优参数对SBLLM搜索过程
与SBLLM相关参数优化通过test-set-cross-validation在可用数据集。test-set-cross-validation的细节优化SBLLM参数是这样的:每次运行生成的训练和测试集,RMSE值和相关系数是一组参数的监测,包括一些隐藏的神经元()和激活函数(AF)。搜索所有可能的值的参数在给定的范围内将确定最佳的性能措施和相应的值的参数固定的一组功能。在我们的实验中,这个过程被重复每个SBLLM激活函数,每次用一个增量步的参数。参数的最优值和内核选项与最佳性能测量被确定。总结的过程如下。
步骤1。选择最初的“激活功能”选项从可用选项的列表。
步骤2。确定的最佳值通过test-set-cross-validation隐藏神经元数量和存储相应的性能的措施。
步骤3。如果没有激活函数的选择离开,然后去一步4。否则,添加下一个激活功能选项,去一步2。
步骤4。确定最佳的性能测量及其相关参数值。
第5步。使用优化的激活函数选项和参数值来训练最终SBLLM
步骤6。计算性能措施为训练集和测试集使用前面步骤中获得的系统5。
这是在数学形式如下。
让一组包含所有可能的选项,激活函数的元素的形状,在那里是激活函数的数字,所选号码是隐藏的神经元,激活函数的总数,是隐藏的神经元的最大数量。也代表性能测量,代表最佳活化指数函数,代表指数最佳层数。
算法则是这样的:
初始化;,,, , , }{性能测量目前参数组合, , ; , ,
。
4所示。实证研究的结果,讨论
为了进行实证研究,三个不同的数据库。评估每个造型方案的性能,整个数据库划分,使用分层抽样的方法,在训练集和测试集。训练集(整个数据集的70%)被用于培训和建设提出了实现模型(内部验证),而测试组(剩下的30%)被用于测试和验证模型。测试和评估新提出的混合框架和实施有效的比较研究,最常见的统计质量度量,利用数据挖掘和石油工程期刊都采用在这项研究中,和他们很快给出了简要的描述。
4.1。获得的数据集
在这项研究中,三个不同的数据集已经被收购了。完整的数据库用于不同的早些时候发表的研究文章。它们包括:(一)160 observations-database;(b) 283 observations-database;和(c) 782 observations-database。每个细节如下。(一)160 -数据集第一个数据库是来自这篇文章(66年包含公布相关性估计泡点压力和中东油石油地层体积系数。这个数据库包含160个观测数据来自中东的水库。(b)283 -数据集第二个数据库中包含的作品(19,53]。该数据库有283个数据收集来自不同沙特油田预测泡点压力和油的地层体积系数对沙特原油的泡点压力。(c)782 -数据集从作品获得第三个数据库(20.,50),该数据库包含782个观测后删除冗余21从803年实际观测数据点。这个数据集是来自马来西亚、中东、墨西哥湾和哥伦比亚。
三个数据库的独特属性之一是,他们都共享相同的输入属性(独立变量),其中包括气油比、API重力油,相对气体密度,储层温度。
以下4.4.1。不确定性和复杂性参与石油和天然气储层数据
所涉及的复杂油气藏勘探,这必然导致不同形式的不确定性,随机性,或不规则数据在此讨论,基于文献和油藏工程领域的专家的意见。它是一个既定事实,油藏描述涉及处理不确定性(13]。例如,没有因果,数学描述沉积岩的孔隙度和渗透率之间的关系。同时,至少在理论上,孔隙度与晶粒尺寸无关,渗透率是强烈依赖于它,通过特定的表面因素计算Kozeny-Carman方程(67年]。由于缺乏一个良好定义的porosity-permeability相关性,从测井渗透率预测其他利用岩石物理属性,如电气、放射性、和岩石声波特性,获得日志。这些截然不同的底层物理原理连接,一般间接测量量,和他们渗透率有关,不知道到目前为止,唯一的办法似乎是依靠概率技术以一种形式或其他和应用多变量回归分析,模糊算法、人工神经网络技术(伽伯Korvin教授个人通信,10月17日,2010)。
渗透率预测的问题尤其复杂碳酸盐岩的沉积和成岩历史可能非常复杂,因此,他们的渗透率不能有原因地高档从核心规模储层规模,甚至到几英尺范围内看到的日志。大于core-sized、多孔的或断裂的时间间隔在碳酸盐可以导致渗透率这几英尺的规模明显高于基质渗透率测量核心插头。成群的骨折,如果连接,产生非常大的流量,如果断开连接,非常低的利率流动这个反复无常的变化不是记录(或深深隐藏)的核心渗透率数据(伽伯Korvin教授个人通信,10月17日,2010)。
进一步匹配问题引起当核心数据和测井数据的深度值表示在测井是从来没有更精确的比一千年的一个部分,这是一个精确的深度核心和测井值之间的对应关系是不可能的13,68年]。
岩石属性,,否则称为渗透率可以由基于时间的记录只有一个变量,每个储层压力的变化。在数据采集实验误差传播通过数据还原过程导致实验结果的不确定性。此外,与稳态系统不同,pressure-time曲线压缩存储的影响的水库和维度和属性样本(69年]。因此,渗透率和PVT属性的不确定性可能出现测量错误的样品尺寸、流体压力、储层存储。自水库通常是小的致密岩石样本和不规则形状由于油管、配件、阀门、压力传感器,因此预计将更高的不确定性(伽柏教授Korvin,个人通信,8月23日,2009)。
4.2。绩效评估标准
可以使用不同的质量度量来判断模型的性能和精度。这是通过开展统计误差分析。评估和比较的性能和准确性提出SBLLM模型与前面提到的三种常见的经验相关性标准神经网络和文献,最常见的统计质量度量,利用石油工程和数据挖掘期刊,即平均绝对相对误差百分比(),标准偏差(SD)和相关系数()已被使用;参见[48,50关于他们的数学公式)详情。然而,他们下面给出了简要的描述。
(我)相关系数
相关系数的措施之间的统计相关性预测和实际值。这种方法的独特之处在于模型评估。数字越大,意味着一个更好的模型,用“1”意义完美的统计相关性和“0”的含义没有相关性,表明一个失败的表现。这个公式是
在哪里和实际值和预测值而吗和实际值和预测值的均值。
(2)平均绝对相对误差百分比()
相对误差是绝对误差除以精确值的大小。错误是相对误差百分比表示每100人。因此,平均绝对相对误差百分比()的平均绝对相对误差百分比的情况。数学把:
在哪里样品的总数量,是原来的(实际)值已知,预测的值
(3)标准偏差(SD)
标准差是衡量单个数据点之间的平均距离和他们的意思。它的稳定模型结果是重复几个运行时。它提供了一定程度的信心;更高的标准偏差(σ),预测的可靠性就越低。这是非常有用的对于理解数据外推的风险。模型将判定是一致的和稳定的,如果标准差是非常低的。
确定标准偏差的数学公式是:
一个等价的版本的这个公式是:
这可以解释为总和除以根号,在那里样品的总数量,是th样本,是一个意思。
改善的百分比
这是一种高质量的测量设计了明确和可以理解的,改进的一个特定的模型已经在另一个模型。它可以增加一个百分比的相关系数()或百分比减少对于标准偏差的情况下(SD)。例如,要判定一个模型比另一个的,它必须达到一个更高的但SD,达到一个较低的值。根据这两个可能的情况下,任何的质量措施必须属于两个但不是,增减百分比计算的公式,分别制定如下:
4.3。实验环境和设置
评估的性能提出T2-SBLLM混合建模方案,获得数据库划分,使用分层抽样方法,训练集和测试集80% - 20%,估算了模型上执行新的看不见的数据。新开发的测试和评估框架,并进行有效的比较研究viz-a-viz其他早期的方法,最常见的统计质量度量,利用石油工程和数据挖掘期刊都采用在这项研究中,他们已经在前一节中讨论。首先通过训练集2型FLS的块不确定性处理是否正确,然后输出来自2型FLS的用于训练SBLLM模型。此后,然后使用测试数据来评估训练SBLLM模型的预测能力。我们重复的foreach考虑内部和外部验证的过程模型。结果提出了在表。
训练集被用来构建模型在测试集用于评估模型的预测能力。的实现中,我们不使用任何现成的软件,整个编码已经完成使用MATLAB尽管一些MATLAB内置功能,尤其是对于SBLLM,和其他一些网上,被称为,在某些情况下使用。还2型模糊逻辑函数的一部分可用在8)也被利用。
对于2型FLS的基础模型,实现过程并通过提供可用的系统输入数据集,一个样本,规则和隶属度函数自动靠从可用的输入数据。高斯隶属函数使用基于两个不同的学习标准,包括最小二乘和反向传播。相同的组合是用于训练FLS的隶属函数参数。进一步的细节在初始化、培训和验证类型2型FLS的部分中给出3和其他细节可以发现,在8,70年,71年]。
至于基于灵敏度的线性学习方法(SBLLM)实现,隐藏的神经元的数量设置为1000,而激活函数使用s形(sig)激活函数。这都是到达使用前面描述的优化过程。
5。结果和讨论
比较的结果使用外部验证检查(测试看不见的数据)一直在总结表1,2,3。杂化的性能结果type-2-SBLLM模型表现的每一个构成个体模型,这是符合一般建立的事实,到目前为止,经常混合方案执行比单个组成部分。该混合模型显示,预测精度高PVT属性值与一个稳定和准确的性能和实现最低的标准偏差在所有情况下,绝对相对误差百分比最低和最高的相关系数在大多数情况下相比,个人组成模型。详细讨论的结果为每个模型遵循不久。
从结果中总结表1通过3,很明显,提出混合动力方案比单个方法更好,因为一个好的预测方案应该有相关系数最高(),最低的标准偏差(SD)和最低绝对相对误差百分比()。
从显示的表,它可以很容易地观察到,该混合动力系统执行比两个人组成的模型,包括2型FLS的和SBLLM。混合已经被证明是一个更好的方法来提高SBLLM的性能结果表明,它极大地改进SBLLM的性能,提高了96.9%的标准差(SD),提高8.6%的相关系数(),最后提高了95%的平均绝对相对误差百分比()。新提出的混合动力的性能大大优于标准SBLLM模型从而作为更好的改善SBLLM形式,虽然它也表现得比2型FLS的。这些结果符合既定的事实,混合模型通常比他们中的任何一个进行个体构成模型。进一步分析结果提出如下。
它可以很容易地观察到,例如,在估计泡点压力()基于782年的数据集,T2-SBLL Mhybrid系统改善了8.6%,基于灵敏度的线性学习方法(SBLLM)和0.33%改善2型FLS的的相关系数()。的标准差(SD), T2-SBLLM混合模型已经在2型FLS的SBLLM提高22.7%和56.1%,而在绝对相对误差百分比方面(),T2-SBLLM混合模型已经在2型FLS的SBLLM提高90.6%和90.5%。同样,案件涉及估计石油地层体积系数()使用783 -数据集,T2-SBLLM混合系统改善了1.5%,基于灵敏度的线性学习方法(SBLLM),而2型FLS的改善,0.2%的相关系数()。的标准差(SD), T2-SBLLM混合模型已经在2型FLS的SBLLM提高89.7%和74.1%,而在绝对相对误差百分比方面(),在SBLLM T2-SBLLM混合模型改进了27.6%。其他报告结果也遵循类似的趋势与T2-SBLLM混合模型总是走在最前列。
此外,案件涉及估计石油地层体积系数()基于283 -数据集,T2-SBLLM混合模型改进了78.1%,基于灵敏度的线性学习方法(SBLLM)和96.9%改善2型FLS的,标准偏差(SD)。的绝对相对误差百分比(),T2-SBLLM混合模型已经在2型FLS的SBLLM提高40.1%和52.3%,而在相关系数(),T2-SBLLM混合模型已经在2型FLS的SBLLM提高0.2%和0.3%。与此同时,案件涉及估计泡点压力()使用283 -数据集,T2-SBLLM混合系统改善了3.9%,基于灵敏度的线性学习方法(SBLLM)的相关系数(),33.9%的标准差(SD)和90%的绝对相对误差百分比()。
至于案件估计泡点压力()基于160 -数据集,T2-SBLLM混合模型改进了47.4%,基于灵敏度的线性学习方法(SBLLM)和13.3%的改善2型FLS的标准差(SD)。的绝对相对误差百分比(),T2-SBLLM混合模型已经在2型FLS的SBLLM提高50.3%和14.5%,而在相关系数(),T2-SBLLM混合模型已经在2型FLS的SBLLM提高2.6%和5.9%。与此同时,案件涉及估计石油地层体积系数()使用160 -数据集,T2-SBLLM混合系统改善了84.4%,基于灵敏度的线性学习方法(SBLLM)和84.43%的改善2型FLS的标准差(SD)。的绝对相对误差百分比(),T2-SBLLM混合模型已经在2型FLS的SBLLM提高15.6%和32.2%,而在相关系数(),在SBLLM T2-SBLLM混合模型提高了0.1%,0.2% 2型FLS的的相关系数()。
从整个实验结果报道,它可以很容易地指出T2-SBLLM混合模型在所有方面表现更好。这是明显的质量测量值总是比其他人在所有方面。虽然2型FLS的的性能和SBLLM可能近在很少的情况下,没有单一的情况下,他们更接近性能的标准偏差(SD),这是一个测量的稳定性预测系统。至于SBLLM模型,新提出的T2-SBLLM混合模型比它在整个实验结果报道。这是一个迹象表明该方法大大提高了能力的古典SBLLM通过合并2型FLS的预处理器实际SBLLM,普遍被视为是什么形式的混合动力系统。总体的结果还表明,新提出的T2-SBLLM混合模型能够持续处理储层性质的数据由于其能力满足所有形式的不确定性,利用其2型FLS的组件同时确保更好的泛化使用SBLLM分量和更高的稳定性和一致性。
6。结论和建议
一个新的混合模型结合二型模糊逻辑系统(T2)和基于灵敏度的线性学习方法(SBLLM)已经提出并实施。提出的混合作为古典SBLLM更好改进通过使用2型FLS的先驱SBLLM模型。拟议中的T2-SBLLM混合模型也被用于原油PVT属性系统使用三个不同的出版数据库。这是调查的性能和准确性提出T2-SBLLM混合系统,同时解决具有挑战性的石油和天然气行业的预测问题。进一步来自本研究结论和未来的工作提出了建议。
一个新的混合建模方案,通过适当的组合2型FLS的SBLLM,研究,开发,实现,作为预测解决方案,负责所有形式的不确定性,同时确保稳定和一致的预测。它已被证明,通过适当的仿真工作,新提出的混合动力系统能够提供更好的预测原油PVT属性系统。验证的框架进行了使用数据库出版。深入的比较研究一直在进行这个新的框架和每一个组分模型之间,包括2型FLS的和SBLLM。也该方法专门相比经典的基于灵敏度的线性学习机器为了显示提供的改进在SBLLM新的混合模型。实证结果证实了提出的优越性T2-SBLLM混合SBLLM在所有方面。同时也记录了类似的改进模式对2型FLS的虽然在较小程度的改进。因此,整个实证结果从实验和模拟表明,该模型比其他所有个体构成模型在所有方面。给定任何新的数据,提出T2-SBLLM能够处理可能存在的不确定性和执行所需的有效预测通过独特的组合与稳定和一致的结果的不确定性处理能力2型FLS的和独特的泛化能力,基于灵敏度的线性学习方法的一致性和稳定性。
拟议的系统也将用于其他分类问题,记住回归模型可以很容易地修改照顾与分类模型的分类问题,不容易进行回归。因此这项工作应该被看作是模式识别领域的一个前沿的解决方案,一般来说,作为一种工具回归和分类。
作为摄入的有前景的结果从这个工作,建议,作为未来工作的一种形式,这个新提议的系统应该被视为可行的工具等油藏工程问题的PVT性质、孔隙度、历史匹配,岩相,和其它油藏工程特性,同时考虑其实用性在其他有密切关系的时间序列预测等领域,生物信息学,入侵检测系统等。
确认
Zamalah /机构提供的博士奖学金UTM和马来西亚的高等教育部门特此承认。法赫德国王大学的石油和矿产,沙特阿拉伯(KFUPM)特此承认使用一些设施在这项研究工作。