Resumen

Para identificar de manera más precisa los parámetros de pozos horizontales de fracturamiento multietapa (MFHW) y abordar la heterogeneidad de los yacimientos y la aleatoriedad de los datos de producción de pozos, se propone un nuevo método basado en el modelo de red neuronal PSO-RBF. En primer lugar, se utiliza un programa paralelo de GPU para calcular la presión en el fondo de un pozo horizontal de fracturamiento multietapa. En segundo lugar, la mayoría de los datos de presión anteriores se importan al modelo de red neuronal RBF para su entrenamiento. En el proceso de entrenamiento, se emplea la función de optimización de la solución óptima global del algoritmo PSO para optimizar los parámetros de la red neuronal RBF y, finalmente, se establece el modelo de red neuronal PSO-RBF requerido. En tercer lugar, la red neuronal resultante se prueba utilizando los datos restantes. Finalmente, se estudia un caso de campo de un pozo horizontal de fracturamiento multietapa utilizando el modelo de red neuronal PSO-RBF presentado. Los resultados muestr

• Materias:Big Data Segmentación de líneas Tráfico de red Reconocimiento de entidad Esquema de programación
• Subjects:Big Data Line segmentation Network traffic Entity recognition Programming scheme
• Palabras claves:Identificar; Pozo horizontal de fracturamiento multietapa; Modelo de red neuronal PSO-RBF; Yacimientos; Función de optimización; Parámetros;
• Keywords:Identify; Multistage fracturing horizontal well; PSO-RBF neural network model; Reservoirs; Optimization function; Parameters;