殷荣网 周睿

摘要：针对支持向量回归机（Support Vector Regression，SVR）用于油井产能预测中模型参数具有不确定的问题，采用粒子群算法（Particle Swarm Optimization，PSO）对支持向量回归机参数进行优化，减少模型参数的不确定性，产能数据测试表明，PSO能快速，准确地优化SVR参数，二者的结合有效地进行产能预测，并取得较为理想的效果。

关键词：PSO优化；SVR；参数优化；产能预测

中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2018）16-0189-02

Application of PSO - SVR Model in Oil Well Productivity Prediction

YIN Rong-wang， ZHOU Rui

（Department of Basic Teaching and Experiment， HeFei University， Hefei 230601， China）

Abstract： In order to solve the uncertainties of model parameters in support vector regression （SVR） for oil well productivity prediction， Particle Swarm Optimization （PSO） is used to optimize support vector regression parameters to reduce the uncertainty of model parameters. The test of production data shows that the PSO can quickly and accurately optimize the SVR parameters. The combination of the two can effectively predict the production capacity and achieve a satisfactory result.

Keywords：PSO optimization；SVR；parametersoptimization；productivity prediction

1 引言

油井產能预测是石油工业领域中的重要一环，进一步，我国已经进入油气开采的中后期，更需要通过先进的技术手段准确把握地下储层的实际情况，使经济效益最大化[1]。传统的产能预测大多基于经验风险最小化原则，实际预测效果不是很理想，特别是当样本的维数较高时，情况就更是严重。支持向量回归机（SVR）是统计学习理论的机器学习算法，它是基于结构风险最小化原则，对高维数、非线性，小样本类问题具有较好的预测能力，但SVR的参数选择阻碍其获得进一步的应用[2-3]。粒子群算法（PSO）是群智能算法，具有算法简单、收敛快、能获得全局最优的特点[4]。

本文针对油井产能预测的实际问题，分析PSO算法和SVR算法各自的优缺点，将它们进行有机的融合，形成PSO优化SVR的油井产能预测模型[5-7]。

2 SVR及PSO相关知识

SVR是20世纪发展起来的结合结构风险值最低原理和统计学习中VC维理论的机器学习算法，分为线性的和非线性的。大多数情况下，工程领域需要用到非线性的SVR。非线性支持向量回归机是通过事先确定的非线性映射将输入向量映射到一个高维特征空间（Hilbert空间）中，然后在此高维空间中再进行线性回归，从而取得在原空间非线性回归的效果[8]。……