一种基于AFSA-GBDT的油田产量研究

摘要：油井产液量测量对油田生产具有重要意义。然而，目前常用油田产量的方法多为计量站或计量装置方法，但这些方法存在成本高、流程复杂的问题。为了解决这一问题，提出一种基于梯度提升决策树（GBDT）的油田产液量测量方法，仿真表明，基于AFSA-GBDT的建模方案具有测量精度高的能力。

关键词：梯度提升决策树；鱼群优化算法；油井产量；组合模型

0 引言

精确预测油田产量对优化油田开发方案、降低生产成本，提升经济效益、保障生产安全与稳定运行具有重要意义。目前油田产量常见的计量装置有分离器计量系统、体积式流量计、科里奥利流量计等，但是这些计量方法普遍存在设备流程繁琐、成本维护费用较高，影响油田经济效益。因此，实现低成本、快速准确的测量油井产液量是非常重要的。

近年来，一些学者开始利用机器学习或神经网络建立油田产液量的非线性关系，取得了较好的结果。文献[1]采用深度学习预测油井产量，文献[2]采用长短期记忆神经网络预测油井产量，文献[3]采用BP神经网络预测油井产量。文献[1-3]验证了机器学习或神经网络在油田产液量预测具有较好的效果，而由于与神经网络相比，机器学习具有较好的拟合能力。因此，本文选择GBDT机器学习建立油井产液量测量模型，从而实现产液量的预测。

1 AFSA-GBDT产液量模型

1.1 GBDT原理

GBDT（Gradient Boosting Decision Tree）全称为梯度下降决策树，该方法经过多轮迭代，每轮迭代产生一个弱分类器，每个分类器在上一轮分类器的残差基础上进行训练，训练的实质是通过降低残差来不断提高最终分类器的输出精度[4]。GBDT可看做M颗决策树组成的加法模型，其计算公式（1）：

其中：是基函数（决策树），是学习率，是基函数的系数，M是基函数个数。

1.2 AFSA基本原理

鱼群优化算法[5]（AFSA）是一种群体智能优化算法，灵感来源于自然界中鱼群的集体行为。觅食行为即鱼向食物浓度更高的方向移动，聚群行为即鱼向鱼群密集处移动，追尾行为即鱼向最优鱼方向移动，随机行为即鱼向任意方向移动，鱼群算法利用上述行为进行全局寻优。

2 实验仿真

为了验证AFSA-GBDT产液量测量模型的有效性。采用油田某井的生产数据作实验，其中训练集共200组，测试集共40组，鱼群算法待优化的参数为树的数量M和学习率，其中M的范围是3-30、的范围是0-1、寻优结果为M=5，=0.5。使用交叉验证作对比实验，交叉验证的参数设置如下：M的范围是3-30，的范围是0-1，寻优结果为M=8，=0.7。采用交叉验证与鱼群优化算法的GBDT产液量测量值与真实值对比结果如图1所示。

不同算法的GBDT产液量测量的RMSE与MAE指标，结果如表1。

从表1可以看出，基于鱼群的GBDT的RMSE与MAE均低于基于交叉验证的GBDT模型，说明鱼群算法对于GBDT模型的树的数量M与学习率的寻优结果优于交叉验证的寻优结果，说明基于鱼群的GBDT对于油井产液量预测有较高的建模精度。

3 结论

本文针对使用计量设备测量油井产液量时存在精度低、流程复杂、成本高的问题，提出采用AFSA-GBDT组合模型测量油田产量建模方案，仿真结果表明，与交叉验证的GBDT相比，AFSA-GBDT组合模型在测量油井产液量时具有较高的测量精度。

参考文献

[1] 杨军征，冯刚，王青华，等. 深度学习的电泵井产液量动态预测模型[J]. 石油钻采工艺，2021，43（4）：489-496.

[2] 侯春华.基于长短期记忆神经网络的油田新井产油量预测方法[J].油气地质与采样率，2019，26（3）：105-110.

[3] 马林茂，李德富，郭海湘，等.基于遗传算法优化BP神经网络在原油产量预测中的应用：以大庆油田BED试验区为例[J].数学的实践与认识，2015，45（24）：117-128.

[4] 陈莹，张佳琪，田江涛，等.基于机器学习算法对院外心脏骤停心肺复苏患者自主循环恢复的预测[J].中国医药导报，2023，20（29）：60-64.

[5] 李晓磊，邵之江，钱积新. 一种基于动物自治体的寻优模式：鱼群算法[J]. 系统工程理论与实践，2002，11（11）：33-38.

作者简介：郭丰（1992—），男，汉，辽宁省辽阳市，中级工程师，硕士研究生，研究方向：电气运动控制