基于色谱指纹的合采井分层产能贡献计算研究

四川大学硕 士 学 位 论 文题 目 基于色谱指纹的合采井分层产能贡献计算研究 作 者 何友松 完成日期 2011 年 5 月 培 养 单 位 四川大学 指 导 教 师 罗代升 专 业 电路与系统 研 究 方 向 智能系统与设计 授予学位日期 2011 年 月 日 基于色谱指纹的合采井分层产能贡献计算研究电路与系统 专业研究生：何友松 指导教师：罗代升摘要：在油田生产过程中，生产油井多为几个油层混合开采，为了有效的监控油田生产状况，需要对合采井各个产油层的产能贡献进行动态监控。原油色谱指纹技术作为一种经济、方便的产能监测技术，现已成功解决两层产能预测问题，但对三层及以上的预测问题仍待进一步研究。因而，如何利用色谱指纹技术建立有效的多层产能预测模型，是目前产能预测领域的研究重点。本文通过对原油混合开采过程进行详细的研究，建立了原油开采产能预测的物理和数学模型。着重研究了两方面的内容：原油色谱指纹的提取方法以及回归预测模型的建立。通过对色谱指纹特征提取方法进行研究，发现采用线性相关度和变量重要性理论进行特征提取具有较好的可行性，同时提出了结合变量重要性理论和线性相关性进行特征提取。针对原油产能预测问题的非线性性，研究利用几种回归预测方法来进行数学建模，包括偏最小二乘，神经网络，支持向量回归等。首次将非参数回归方法广义可加模型应用于原油产能预测领域，通过研究发现该回归方法比目前得到广泛应用的其他回归方法有更好的预测效果。同时，对集成学习方法进行了深入的研究，包括神经网络集成，广义可加模型集成，随机森林等，发现集成学习方法能有效提高回归预测效果。通过对南海某油田的三层合采井配比实验数据进行实验测试，实验结果表明，本文提出的特征提取方法及建立的回归预测模型能大幅度提高产能预测效果，具有很好的实用价值。关键词：产能预测 色谱指纹 非参数回归 广义可加模型 变量重要性The Analysis of Productivity Contribution Calculation in the Commingled Oil Wells Based on Chromatography FingerprintPresented for MSc DegreeSubject: Circuits and SystemsPostgraduate: Yousong He Supervisor: Professor Daisheng LuoAbstract In the course of oil exploitation, the oil from several different layers are always mixed. In order to monitor the production status of oil effectively, dynamic monitor on various oil layers is always needed. Crude oil chromatography fingerprint technology, which is an economic and convenient technology, has been successfully applied to the two-layer productivity forecast. However, the solution of muti-layer productivity forecast more than three layers still needs further research. Therefore how to use chromatography fingerprint technology to build mathematical model for multi-layer production forecast becomes a focus of current research.Through a detailed research of the crude oil mining process, a physical-mathematical model has been established. The two aspects: methods to select chromatography fingerprint and establishment of regression model are researched in this thesis. Through a research of the methods to select chromatography fingerprint, using linear correlation and variable importance theory to select fingerprint features is feasible. Meanwhile, combining variable importance theory with linear correlation to select fingerprint features has been proposed. For the nonlinearity of crude oil production forecast, several regression models have been researched and established, such as partial least squares method, neural network, and support vector regression. The nonparametric regression method generalize additive models has been applied to the filed of oil production forecast for the first time, and the method achieved better results than any other widely used regression methods. Meanwhile, through a deep research of ensemble learning, such as neural network ensemble, generalize additive models ensemble and random forest; found that ensemble learning can effectively improve the regression results.Through an experiment in three-layer commingled oil well of South china Sea oil field, the results show that the chromatography fingerprint selection method proposed and production forecast models established in this thesis can greatly improve the production forecast results, have a very good application value.Key words Productivity forecast, Chromatography fingerprint, Nonparametric regression, Generalize additive models, Variable importance 目 录第一章 绪论 .11.1 原油产能预测理论基础 .11.2 国内外研究现状 .21.3 存在的问题 .31.4 研究内容及论文结构 .5第二章 原油分层产能预测原理 .72.1 原油混采过程 .72.2 原油色谱指纹技术 .82.2.1 气相色谱技术 .82.2.2 原油色谱指纹特征 .102.3 原油分层产能预测方法 .122.4 本章小结 .13第三章 回归预测方法研究 .143.1 最小二乘回归 .143.2 偏最小二乘 .153.2.1 偏最小二乘方法的特点 .163.2.2 偏最小二乘回归建模 .163.3 BP 神经网络 .193.3.1 BP 神经网络基本概念 .193.3.2 BP 反向传播算法 .203.4 支持向量回归 .223.4.1 线性支持向量回归 .243.4.2 非线性支持向量回归 .243.5 集成回归 .253.5.1 集成回归思想 .253.5.2 集成回归有效性分析 .263.5.3 常用的集成学习方法 .263.5.4 随机森林 .283.6 广义可加模型 .313.6.1 广义可加模型的数学形式 .323.6.2 广义可加模型拟合的基本方法 .333.6.3 广义可加模型的具体过程及计算方法 .343.7 本章小结 .37第四章 色谱特征指纹的选择 .384.1 色谱指纹选择常用方法 .384.2 色谱特征指纹选择新方法 .394.2.1 主成分分析 .394.2.2 典型相关分析 .414.2.3 根据线性相关度进行特征选择 .434.2.4 变量重要性理论 .434.2.5 变量重要性结合线性相关度 .444.3 实验结果 .454.3.1 未进行特征提取 .454.3.2 PCA.454.3.3 CCA.454.3.4 线性相关度提取特征 .464.3.5 变量重要性进行特征提取 .464.3.6 线性相关结合变量重要性 .484.3.7 各种特征提取效果对比 .484.4 本章小结 .49第五章 预测模型实验结果 .505.1 实验数据及实验设置 .505.2 实验结果 .515.2.1 最小二乘 .515.2.2 偏最小二乘 .515.2.3 BP 神经网络 .525.2.4 支持向量回归 .535.2.5 集成回归 .545.2.6 广义可加模型 .555.2.7 实验结果对比分析 .555.3 本章小结 .58总结与展望 .59参考文献 .61攻读硕士学位期间发表的论文 .65声 明 .66学位论文版权使用授权书 .67致 谢 .68第一章 绪论1.1 原油产能预测理论基础在原油开采过程中，由于各种因素的影响(如节约成本，提高生产效率等)，油井多为多层混合开采 1。由于受渗透率，空隙度，油层储油厚度等因素的影响，各个分油层的产油量是不同的。随着油田的不断开发，尤其是到了油田的开发后期，由于油井开发难度不断提高，合采油井的数量大量增加，此时有必要对油井的生产状况进行时刻监控。动态监测油井分油层产能为掌握油井的生产状况，从而采取必要的调节措施，使油井始终处于合理的生产状态提供了必要的保证，有很重要的实际意义。目前常用的合采井产能预测方法包括生产测井，加入示踪剂进行跟踪 2等方法，见表 1.1。这些方法都对产能预测有一定的意义，但都存在着或这或那的缺点，如费用昂贵，监测周期长，容易伤害油层，对一些低速油井(稠油井)和发生窜层的油井并不适合，有时甚至需要在关闭油井后才能进行。与上述方法相比，近年来得到广泛研究的利用气相色谱指纹技术 3,4进行产能预测的方法有着很好的应用前景。该技术是利用单层原油和混合原油的色谱指纹含量的差异来确定各分层产能贡献。其只需在井口采集原油样本，然后在实验室进行分析计算就可以得到产能预测结果。表 1.1 几种产能监测方法的比较方法 特点 优点 缺点找水流量计法 流量计和含水计 混合使用 适用于自喷井和油水 两相 对油、气、水三相需要换 密度计管柱测试法 分层测试 测试仪下入合采井管 柱内 周期长、停产环空测试法 安置偏心井口 不影响正常生产 流量受偏心位置、方向影 响，不适合3500 井深气举法 起出油泵、下入 气举管柱 低渗透油藏测试结果不能代表油井正常生产时的分层出油见水情况放射性跟踪法 加入放射性元素 得到连续纵剖面 污染环境原油色谱指纹指原油全烃气相色谱图中代表各种不同化合物的各个色谱峰1，峰高或峰面积反映了不同化合物的含量。成因不相同的原油，或者油藏中处于不同油层的原油或者是同一个油层不同位置的原油，它们的全烃色谱图也会各不相同。这种色谱差异源于不同原油的化合物组成与含量存在可检测的差异。正是由于这种差异的存在，为多层原油产能预测提供了基本理论依据。通过对单层原油和混合原油分别进行色谱指纹分析，进而建立原油色谱指纹特征数据库。利用原油色谱指纹建立数学计算模型，便可以进行合采井单层产能预测了。1.2 国内外研究现状1987 年 Kaufman 首次将原油色谱指纹技术应用到了原油分层产能预测领域 5，计算了北海某油田两层混采井分层产能贡献，取得了很好的效果，实现了油藏动态监测技术的新突破。同年，England 等人在对 fortiers 油田的地球化学性质研究基础上首次将油藏流体的非均质性成藏机理联系起来 6,7。随着研究的进一步深入，到上世纪 80 年代末，一门新兴的学科诞生了，那就是油藏地球化学 8，它标志着传统的有机和无机地球化学与油藏工程紧密结合，成为地球化学领域一个新的研究热点。作为油藏工程与有机、无机地球化学紧密结合的产物，油藏地球化学研究油藏流体的形成机理及非均质性方面的分布规律；位于油藏中的流体和矿物的作用；探索油气充注、聚集历史；以及定位油藏的形成机制。油藏地球化学研究的主要内容包括：以油藏流体的非均质性为基础，利用地球化学分析技术解决如下问题：断层开启性，油层连通性以及封闭性评价；合采井分层产能贡献预测问题；识别油气水层；生产过程中油管破裂造成的油气泄露的检测问题。这一新兴学科融合了很多学科知识和方法，从产生到现在得到了很快的发展。在国外，油藏地球化学在理论与实际应用上都取得了极大的进展。自Kaufman 首次应用原油色谱指纹的峰高比参数计算了北海某油田两层混采原油各单层的产油贡献率开始，目前这种技术已经成功应用于很多油田的生产管理中。如在扎伊尔 Motoba 油田，美国加利福尼亚 Midwaysanset 油田，犹他Wosits 油田，印度尼西亚、苏丹及中东等油田都取得了良好的应用及巨大的经济效益 9。在国内，我国江汉石油学院，大庆石油大学以及石油大学等单位都对原油色谱指纹技术应用于产能预测领域进行了大量的研究工作，并在一些油田取得了不错的效果。从上世纪 90 年代开始，王铁冠、林壬子、王培荣 4,10,11等人率先在中原油田，辽河油田等针对此技术进行了探索性的工作。王培荣等 12于1996 年研究用气相色谱法预测中原油田某断块合采井产能，取得了一定的效果。卢延恩 13等于 1999 年运用高分辨率气相色谱技术对 LN 油田合采井单层产能进行了预测，结果证明了高分辨气相色谱的可行性以及其他多方面的优点。张居和等 1(2004)对大庆油田主力产油区萨尔图实验区混采油井进行了试验，成功实现了四层合采井产能预测，并提出了多层混采原油分层产能贡献色谱烃指纹浓度的非线性理论。2006 年，薛磊，杨晓敏等利用支持向量回归计算三层原油产能，取得了很好的效果。2007 年，王民，卢双舫等 14将神经网络应用到产能预测领域，计算结果具有很高的精度。1.3 存在的问题对混采井单层产能贡献的定量预测有着极其重要的价值。我国的陆相油田单层厚度薄，层数多，因此大多数均为多层混合开采。随着开采时间的推进，目前很多油田(例如大庆以及华东很多油田)都进入高含水开发阶段，开采出的原油含水率大大增加，产能严重下降。因此必须采取措施进行“稳油控水” 5，首先就必须弄清楚合采井每个产油层的产能贡献，为油田开采方案的调整提供依据。但是目前运用气相色谱进行产能预测和动态监测仍存在着很多问题，影响了该技术的推广。首先是色谱指纹特征的选择问题。特征的选取对产能的计算起着决定性的作用。原油含有上千种化合物，因而其全烃气相色谱图上也会有上千条色谱，专业技术人员可以根据其专业知识，从中选择一些能够表征该原油特性的色谱指纹建立该原油的色谱指纹数据库，然后依据原油指纹数据库进行产能建模计算。目前常用的指纹特征选取原则多是定性的，例如：选择气相色谱图上分布稳定、特征明显、易于鉴定的指纹峰作为特征；在用一油层中有很强的重现性，变化微小；在不同的油层中，特征应具有很明显的差别。这些特征提取办法取得了一定的效果，不过由于都是人为选取特征，因此效果还有待提高。本文将主要研究如何用数学的方法从色谱指纹数据库中进行特征选取。另外，用色谱指纹技术进行产能预测的另一个关键步骤是数学计算模型的建立。目前，很多数学建模方法已经成功应用于两层产能预测问题，但对三层及以上的预测问题还缺乏有效的数学建模方法。最早应用于该领域的回归方法是最小二乘法(LS)，作为一种很经典的线性回归预测方法，其在两层产能预测问题中取得了不错的效果 15。但在三层及以上的预测问题上效果很差，这是因为当层数比较多时，原油混合过程已经是一个比较复杂的非线性过程，因此用线性方法效果很差。为了解决三层以上的非线性预测问题，更多的回归预测方法被引入了进来。其中人工神经网络 16,17作为一种广泛应用的非线性预测方法，已经解决了某些油田的产能预测问题。深入的研究表明神经网络虽然具有较强的模式预测能力，但由于数学上缺乏严格的理论基础，确定网络结构及参数都具有很大的主观性，而且收敛速度较慢易陷入局部极小，故大大的影响了其在产能预测领域的推广性。还有人将支持向量回归方法 18-21应用在产能预测中 22，SVR(Support Vector Regression)基于统计学习理论，能有效克服训练中出现的小样本情况，确保解是全局最优解，并能解决高维数模式预测问题。作为核方法的一种，可以将非线性数据映射到高维线性特征空间，在解决预测问题中表现出许多特有的优势 ，显示了其强大的非线性处理能力，但也存在着模型参数优化困难的问题。近年来，随着研究的进一步深入，一些新的回归方法(如模拟退火等) 被引入到原油产能预测领域，并取得了一定的效果，但对多层原油预测问题的效果仍有待进一步提高。由于多层产能预测的复杂性和非线性，回归方法如何更好的应用于产能预测，还需要深入的研究，并且用大量的实验数据进行验证。1.4 研究内容及论文结构利用原油色谱指纹技术进行原油开采产能监测是一种经济和操作方便的方法，尽管目前已经对其进行了大量的研究，也取得了一定的成果，但仍然存在着大量问题。目前两层预测问题已经基本得到解决，但对于三层及以上的产能预测问题，分层原油与混采原油色谱指纹浓度间呈现出一种很复杂的非线性关系，因此需要建立合理的回归预测模型来计算各分层产能贡献。目前，虽然有些方法(如神经网络，支持向量回归等)取得了一定的效果，但都缺乏推广性，因此有必要深入研究多层产能预测问题。主要研究内容包括指纹特征提取方法以及回归模型建立方法。采用较好的指纹特征建模才能使得产能预测问题更好的通过数学方法建模计算，为油井的产能监测提供更为准确、简便、经济的方法。基于以上背景，本论文的主要工作有两个方面：一、指纹特征的提取。由于以往的特征提取方法多是一些定性的准则，缺乏定量的，具有严格数学意义的办法，且都是在实验室直接从原油气相色谱图上进行提取。本文将着重研究通过各种数学方法从建立好的色谱指纹数据库中提取特征。包括采用主成分分析，典型相关分析，线性相关度进行特征提取，同时还提出了利用变量重要性分析理论，以及结合线性相关和变量重要性理论进行特征提取。实验结果表明我们提出的方法有很好的效果。 二、预测模型的建立。由于目前已经应用于原油产能预测领域的各种回归预测方法效果有限，缺乏稳定性，因此本文将重点研究采用新的数学方法来建立回归预测模型。本文的研究包括目前已经在原油产能预测领域得到应用各种线性及非线性回归方法，包括最小二乘，偏最小二乘，神经网络等。同时，首次将将在统计学上得到广泛应用的非参数回归方法广义可加模型(Generalize additive models，GAM)引入到原油产能预测领域，为原油产能预测问题提供了新的解决思路。同时提出应用集成学习方法提升回归模型的精度，并进行了大量的研究。实验结果表明新引入的各种回归建模方法取得了很好的效果，有很好的实用价值。 本文具体组织形式如下：第一章：介绍了原油产能预测的概念，国内外研究现状，目前尚待解决的问题。同时给出了本文的研究思路。第二章：对原油产能预测的原理和各种问题进行了详细的阐述，并介绍了气相色谱指纹技术。第三章：详细介绍了各种回归预测数学方法，最小二乘，偏最小二乘，神经网络以及非参数方法 GAM 等。第四章：研究了色谱指纹提取的各种方法，包括主成分分析，典型相关分析，线性相关分析，变量重要性理论等方法。第五章：建立起了各种回归预测模型，通过几组配比数据对模型进行了测试，并对结果进行了分析。第二章 原油分层产能预测原理2.1 原油混采过程油田的实际开采过程如图 2.1 所示，其显示了一个三层混采油井的开采过程。三个油层分别记为 I、II、III ，来自这三个油层的原油经过油层移动到到生产井底部，在井筒、井底中混合后经井口流入集输设备 31。图 2.1 多层原油混采过程示意图( 据 Kaufman ,1990)我们用图 2.2 所示的物理模型来表示图 2.1 所示的油井开采过程。图中 1号、2 号、3 号容器中分别盛放来自图 2.1 中 I、II、III 层的单层纯油。从 3 个容器中按照 、 、 的比例分别取出一定的原油进行混合装入 4 号容器中。图 2.2 模拟了混采油井的分层原油混合过程， 、 、 即各个油层的产能贡献，4 号容器中的混合油即代表油井所开采出来的原油。由于不同的原油化合物组成及含量存在一定的差异，因此我们可以在 3 个单层原油中找到一些化合物(A,B,C)，这些化合物在每个油层中的含量为。则混合原油中这些化合物( )的含量取决于各个分层原,1,23iiabc4,abc油的产能贡献。根据这一原理我们可以通过模拟混采井的生产过程，建立相应的数学模型，从而实现对油井分层产能贡献的动态监测。 1号2号3号4号a 1 b 1 c 1 a 2 b 2 c 2 a 3 b 3 c 3 a 4 b 4 c 4 图 2.2 多层混采油井物理模型2.2 原油色谱指纹技术气相色谱指纹技术最早由 Kaufman 于 1990 年引入原油产能预测领域，近几年来成为国内监测评价油田开发的重点研究方向。原油色谱指纹指原油经过气相色谱(GC) 分析得到的气相色谱图上的一些可分辨的小峰，每个小峰代表某一种化合物或者某几种化合物的混合。不同成因的原油，或者油田不同单层的原油，同一单层不同地区的的原油，其化合物的组成都存在可分辨的差异，从而其气相色谱图存在一定的差异，这种差异就为应用色谱指纹技术进行产能计算提高了保证 2。实际应用时，首先对每个单层原油进行全烃气相色谱分析，关注色谱图中的每一小峰，尤其是那些代表非正构烷烃化合物的小峰，然后从色谱图中选择一些相对稳定、有代表性的峰作为特征指纹峰。然后通过实验室不同比例的配方实验得到不同的混合原油,分别作这些混合原油的气相色谱图，从色谱图中提取出与单层原油对应的色谱峰。再根据单层原油及混合原油中特征指纹间的差异变化建立计算模型, 研究混采油和各单层油之间的相关关系, 进而确定多层混采油井的各单层的产能贡献 32。2.2.1 气相色谱技术色谱法 33,34是目前应用十分广泛的一种分离、分析方法。和物理分离技术(比如蒸馏和类似的技术) 不同，色谱是基于时间的分离技术。色谱这一概念最早是由俄国科学家 Michael Tswett 研究植物色素分离时提出，它是根据待测组分与固定相与流动相之间作用力(分配、吸附、离子交换)不同而达到分离。固定相在色谱分离中对样品产生保留，固定不动；流动相与固定相处于平衡状态，带动待测样品不断向前移动。色谱分离中首先将待测样品置于固定相上，然后用流动相去洗脱固定相上的待测样品。在洗脱过程中，由于待测组分与固定相及流动相之间作用力不同，待测样品中的不同组分随着时间不断从固定相中被洗脱，从而得到分离。记录这一洗脱与分离过程的图谱就是色谱图。气相色谱过程是，将气化后的待测样品通过含有固定相的管道，基于管道中固定相对不同化合物的保留性能不同而分离待测样品。这样，就是基于时间对化合物进行分离。样品经过检测器以后，被记录的就是色谱图。一个典型的色谱图如图 2.3 所示，横轴为出峰时间，纵轴为指纹峰含量。峰出现的时间称为保留时间，不同的化合物出峰时间不同，从而其可以用来对每个组分进行定性，而峰的大小(峰高或峰面积)则是组分含量大小的度量，峰的大小与物质的浓度成正比。图 2.3 典型色谱图(据安捷伦气相色谱仪说明)一个气相色谱系统包括以下几个部分：I、可控而纯净的载气源，它能将样品带入 GC 系统II、进样口，它同时还作为液体样品的气化室III、色谱柱，实现随时间的分离IV、检测器，当组分通过时，检测器电信号的输出值改变，从而对组分做出响应V、某种数据处理装置流程图如图 2.4 所示：载气源 进样口 色谱柱 检测器 数据处理进样口图 2.4 色谱系统2.2.2 原油色谱指纹特征原油气相色谱技术具有较高的分离精度，可以实现原油各个组分的分离。图 2.5 所示为原油全烃气相色谱图。图 2.5 原油全烃色谱图(南海某油田)原油色谱指纹技术用于油井分层产能预测基于以下两个原则：一、原油色谱指纹具有非均质性 35。原油的指纹特征易受若干因素的影响。具体的说原油的属性在成藏的前期、成藏期和成藏后(开发期间)都有可能发生。在不同的时期影响原油属性的因素各不相同。油藏成藏前期，主要是源岩有机相和成熟度致使原油的化学组成各不相同，因此不同原油的色谱成因指纹各不相同；在成藏期间烃类流体容易与底层岩石相互作用、且受储层物性、生物降解、水洗作用等化学变化的影响，使得烃类尤其是芳香烃等极性化合物色谱指纹会发生明显的变化；在开发期间，受油层温度、热对流、压力、含水率等热力学条件的影响，原油的某些化学组成也会发生一定的变化。原油色谱指纹的非均质性表现在：对于同一口油井，不同油层由于受到隔离，原油成分有所不同，其全烃气相色谱指纹存在着较大差异；对于同一个连通油层的原油，在一定的距离范围内，其全烃气相色谱指纹基本一致。一个岩性连续的油层，不同井区的原油可能由于相变而形成的非渗透层封隔作用导致气相色谱图存在较大的差别。我们对来自南海某油田一个三层混采油井的 3 个不同油层油样(编号no.1，no.2，no.3)进行气相色谱分析，从各单层原油色谱图中选择出一些相对稳定、有代表性的相关指纹峰作为特征指纹峰，结果如图 2.6 所示。从图中可以看出，3 个油层的指纹特征相差明显，说明来自同一油井不同油层原油相差明显。图 2.6 不同油层的原油烃指纹含量差异图二、原油色谱指纹特征具有可配比性 36。可配比性指混合原油中某一指纹特征所代表的化合物含量与其相应的各单层原油中该化合物的含量成某一种固定关系。实际上并不是所有的化合物均具有可配比性，化合物本身的化学性质及在气相色谱分析中的分离度，化合物的浓度，原油地质背景等因素都有可能对其可配比性产生影响。气相色谱图上位于正构烷烃之间的环烷烃、支链烷烃、芳香烃的萘系列以及双环倍半萜类等具有较高的浓度及良好的分离度，且不易05001000150020002500300035001# 7# 13# 19# 25# 31# 37# 43#烃 指 纹 峰 号含量ugg no.3no.2no.1扩散挥发，在一定的时期内具有很好的稳定性，色谱指纹定量计算误差较小，具有较好的可配比性。各单层原油在混合过程中不发生化学反应，是一个物理混合过程。通过大量实验表明，当进行两层原油混合时，混合原油中特征化合物的含量和单层原油中特征化合物的含量成线性关系；当层数为三层及以上时，线性程度已经变得很差，甚至具有很强的非线性关系。这是因为原油是由各种烃类以及沥青质等组成的，当不同的原油发生混合时，对烃类物质来说即多溶质在多溶剂中的非理想多元混合。当混合油层数量比较多时(三层以上)，原油各组分化合物自身特性及化合物之间的相互影响增多，致使分层原油与混合油中同一指纹化合物之间的关系具有很强的非线性性。因此为了有效解决三层及以上的原油产能预测问题，必须重点研究指纹特征的提取及数学模型的建立。2.3 原油分层产能预测方法在实验室用分层原油配比实验来模拟真实的原油生产过程，然后建立建立数学模型，实现分层产能预测。如图 2.7 所示。主要思路如下： 获取每个油层的纯油。可以在完井后被封隔器隔离的单一油层中采集。获取单层纯油十分重要，否则会使后面的产能预测失败。 提取每一个单层油样的色谱指纹特征。对每个单层油样进行气相色谱分析比较，选择色谱图上分布稳定，特征明显，易于鉴定的指纹峰作为特征。 实验室配比实验。在测得单层原油的色谱指纹的基础上，通过人工配比油样，得出不同比例的混合原油的色谱指纹特征。 建立相应的数学模型，进行产能贡献计算。对两层产能预测，建立简单的线性模型(如最小二乘，岭回归)就可以解决问题。对于三层及以上的产能预测问题来说，需要建立更复杂的模型来解决问题，目前常用的数学模型包括神经网络，支持向量机，以及各种集成学习方法(randomforest，adaboost)等。本文将研究采用各种回归预测方法来建模。 用得到的油田原油对数学模型进行测试，将预测结果与生产数据进行比较，检测数学模型的可靠性及准确性，并对模型进行修正改进。混采原油油样提取色谱指纹特征分层原油油样实验室配比提取色谱指纹特征回归预测模型产能贡献输出输入建立图 2.7 原油色谱指纹技术应用流程2.4 本章小结本章首先介绍了原油混合开采过程，及原油分层产能预测的基本原