随着油田勘探开发的不断深入,我国许多油田的主力开发区块已逐渐进入高含水期,地下油藏分布形式日趋复杂,含水量逐步上升,可采储量及产油量下降。因此,提高对现阶段油田开发生产规律和开采状况的准确认识,适时研究当前油田生产动态的变化规律,对调整相应的油田开发方案具有重要意义。油田开发指标预测与状态评估是研究油田动态的重要内容,其准确程度可直接影响油田开发过程中规划方案的制订与实施调整,而选用何种模型与算法对于预测与评估的结果有直接关系。本课题基于油藏建模和数值模拟成果数据,建立符合油田实际开发动态规律的指标预测和状态评估智能模型与算法,为油田生产开发指标预测和评估问题提供一种研究方法,具有一定的实际意义。本课题通过分析油田开发指标数据所呈现的规律,以及传统预测评估方法存在的局限性,选用智能分析模型与算法进行油田开发指标预测与状态评估方法研究。传统开发指标预测大多基于区块或井,而本文的研究主要是在油藏地质建摸和数模的基础上细化到层,对层位指标数据的研究能够使实际问题更精细,更具针对性。对于油井小层开发指标预测问题,采用基于沃尔什变换的离散过程神经网络建立开发指标预测模型,并利用改进粒子群算法对预测模型参数进行优化求解,以提高模型的自适应性和预测能力。针对油田开发中油井异常情况诊断问题,提出了改进高斯核函数的过程支持向量机分类模型,使用油田开发实际历史数据和预测数据构建训练样本集,采用遗传模拟退火算法对模型核参数进行优化,提高全局寻优能力和学习效率。诊断模型在处理实际资料问题中取得了良好的应用效果。本课题在油田开发指标预测和状态评估模型及算法研究的基础上,针对油田实际数据的处理进行软件原型系统的设计开发,并得到较好的实验分析结果。课题的研究在一定程度上丰富了指标预测和状态评估的方法,对指导油田开发过程中方案的设计与调整具有一定的理论意义与参考价值。