简介：在为特定的油藏管理问题寻求最佳解决方法的过程中，正规的优化策略一般都要评价数百种乃至数千种方案。如果用地下的数值模拟模型来预测这些方案的效果，那么这一过程就会耗费大量时间。为了在某些优化技术[例如遗传算法(GA)或模拟退火(SA)]所主导的搜寻求解的过程中取代此类模拟模型，可以采用训练人工神经网络(ANN)的做法。可以从一个有代表性的模拟样本出发来训练神经网络，而这一样本则构成了解决许多不同管理问题所需的可反复使用的知识库。这些概念已被应用于BP公司彭帕那(Pompano)油田的一个注水项目。这里的管理问题是确定1—4口注水井的组合位置，它将使彭帕那油田今后七年的简单纯利获得最大化。利用石油行业的一个标准油藏模型，为取样于25个潜在注水井井位不同组合的550次模拟创建了一个知识库。首先要查询这个知识库，以回答三年和七年内使简单纯利最大化的最优方案问题。有关的答案表明，如能将仅依靠改变现有生产井的注水扩大为新钻三至四口注水井，就可能实现利润的可观增加，但资本费用也会增加。当这一知识库用作人工神经网络训练和测试的样本来源时，可以获得更好的答案。训练人工神经网络是为了预测最高注水量以及开始注水后三年和七年的油、气产量。人工神经网络对这些数量的快速估算可以用于纯利润计算中，而遗传算法又可以利用这一计算来评估不同注水井组合方案的效果。遗传算法的探索扩展了求解的空间，它含有的新方案在纯利润上超过了仅查询上述知识库所找到的最佳方案。为了评估预测误差对求解质量的影响，可以将人工神经网络预测油、气产量时所得出的最佳方案，与油藏模拟模型本身预测油、气产量时找到的最佳方案加以对比。虽然完成基于模拟模型的方案�