徐磊 ，侯磊 *，朱振宇 ，徐震，雷婷 ，李雨 ，李强，陈秀芹，王九玲，陈星燃

1 中国石油大学(北京)机械与储运工程学院，北京 102249

2 中国石油大学(北京)石油工程教育部重点实验室，北京 102249

3 中国石化胜利油田有限公司桩西采油厂，东营 257237

4 北京交通大学(威海校区)土建学院，威海 264200

0 引言

随着国内油田的持续开发，部分油田开采后期采出液含水率达到90%以上[1]。随着国家对环境保护越来越重视，采出水排放标准也越来越严格。因此，油田采出水处理达标已成为国内油田开发过程中的重要任务。油田采出水水质预判主要是凭借专家经验，但该方法具有强烈的个人主观性，难以做到水质的准确预测。也存在一部分研究通过对现场采出水水质展开化验来测算水质是否达标，但该方法耗时较长，不利于现场工作高效开展。

近年来，随着软计算技术的快速发展，各类机器学习方法在水质预测领域已被广泛应用。相比传统方法，机器学习能够替代从事一些枯燥机械化的工作，客观精确做出一些智能决策，提高工作效率[2]。图1为主流机器学习方法在水质预测领域应用的热力图，统计了2000年——2020年6大类机器学习方法在水质领域的实践案例，数据来源于Web of Science数据库。通过统计分析可得，机器学习方法在水产养殖、江河湖泊、化工厂、长江、海水、水厂等多个领域运用最为普遍，在油田采出水处理领域处于起步阶段。

图1 机器学习方法在水质预测领域的热力图Fig.1 Heat map of machine learning methods in the field of water quality prediction

近5年来，众多机器学习方法中神经网络[3]和支持向量机[4]在水质领域运用最为广泛，二者对数据的非线性处理能力通常要优于其它机器学习方法。……