构建基于数据挖掘技术的水平井产能预测模型

摘要

水平井产能预测在水平井开采过程中起到至关重要的作用，目前对水平井产能的预测大部分是由公式预测，准确度不高。同时长期积累下来的水平井数据没有得到充分利用。数据挖掘技术为从大量的水平井数据中获得信息提供了有效途径。 在已有的数据挖掘技术基础上，对聚类分析方法和遗传算法做了进一步研究，提出一种基于中心定位算子的遗传算法(GCOGA)。该方法在保持遗传算法全局寻优特点的同时解决了遗传算法运行后期在最优解附近左右摆动，收敛速度较慢的问题。针对聚类算法易陷入局部优化的缺点，我们将GCOGA与层次聚类方法相结合，通过遗传算法的全局寻优特点弥补聚类算法的不足。在面对多属性样本参与聚类时，本文提出了结合样本属性的GCOGA-FCM算法，充分的考虑到样本的属性值对聚类效果的影响。 通过对数据挖掘的方法进行研究与改进，将其应用于水平井产能预测。针对水平井产能预测的特点，建立水平井产能预测模型，将本文提出的算法应用于此模型中。实验结果表明，模型完成水平井细化分类，提高了水平井产能预测的准确度，应用效果比较理想。

目录

文摘

英文文摘

声明

第1章绪言

1.1课题的提出、目的及意义

1.2国内外研究现状

1.2.1聚类分析研究现状

1.2.2遗传算法研究现状

1.3研究内容与思路

1.4论文的组织结构

第2章数据挖掘技术中聚类分析与模糊聚类

2.1数据挖掘概论

2.1.1数据挖掘特点

2.1.2数据挖掘任务

2.1.3数据挖掘主要方法和技术

2.2聚类理论

2.3聚类方法分类

2.3.1划分方法(Partitioning method)

2.3.2层次方法(Hierarchical method)

2.3.3基于密度的方法(Density-based method)

2.3.4基于网格的方法(Grid-based method)

2.3.5基于模型的方法(Model-based method)

2.4模糊聚类理论

2.5模糊聚类分类及算法

2.5.1 HCM算法

2.5.2 FCM算法

2.6聚类算法评价

2.6.1聚类的准确度

2.6.2聚类的同构度与异构度

2.7小结

第3章基于中心定位算子的遗传算法

3.1遗传算法描述

3.1.1编码

3.1.2初始种群生成

3.1.3适应度

3.1.4遗传操作

3.1.5控制参数选择

3.1.6约束条件处理

3.2遗传算法基本框架

3.3基于中心定位算子的遗传算法(GCOGA)

3.3.1主动进化思想

3.3.2中心定位算子

3.3.3组合优化全局与局部搜索

3.3.4基于中心定位算子的遗传算法(GCOGA)

3.3.5算法收敛性分析

3.3.6实验验证

3.4小结

第4章基于中心定位算子遗传算法的聚类分析方法

4.1遗传算法与聚类分析的结合

4.2基于GCOGA的动态层次聚类分析方法

4.2.1算法思想

4.2.2数据结构

4.2.3 GCOGA算法操作

4.2.4基于GCOGA的动态层次聚类算法

4.2.5实验分析

4.3结合样本属性的GCOGA-FCM算法

4.3.1改进策略

4.3.2结合样本属性的GCOGA-FCM算法描述

4.3.3实验分析

4.4小结

第5章基于数据挖掘技术的水平井产能预测模型

5.1水平井产能常规预测方法

5.2水平井产能预测模型

5.3基于灰度关联方法的水平井参数优选

5.3.1灰度关联方法

5.3.2实验结果

5.4水平井聚类模型

5.4.1多维样本基于GCOGA-FCM聚类

5.4.2实验结果

5.5基于逐步回归的水平井产能预测

5.5.1逐步回归方法

5.5.2实验结果

5.6小结

第6章总结和展望

6.1本文研究总结

6.2进一步的工作

参考文献

致谢

个人简历及在学期间研究成果