随着我国主力油田逐步进入开发中后期,地下储层油气水分布状态和注采生产情况非常复杂。本课题利用油田区块积累的地质开发数据,采用数据挖掘技术,针对油田开发评价中的诊断性挖掘和预测性挖掘等典型问题,研究基于智能模型的数据挖掘方法与应用技术。论文在分析目前数据挖掘前沿技术和油藏开发评价典型问题的基础上,建立了用于典型数据挖掘问题的油田地质开发数据源。针对油田开发指标预测问题,构建了基于离散Walsh变换的径向基过程神经网络挖掘模型,并采用超线性收敛算法用于对模型的优化训练,改善了挖掘模型的学习性能,提高了收敛速度和预测精度。针对油田开发中的低效井诊断问题,提出一种基于过程支持向量机的分类挖掘模型,模型可将油田地质参数和开发时间数据直接作为模型的输入;同时,将遗传算法用于模型参数优化,提高了挖掘模型的性能,具有良好的实际应用适用性。在应用技术研究方面,将课题所建立的挖掘模型与油田开发评价中的典型问题相结合,建立了数据组织模型、评价指标体系和与挖掘模型等功能模块弱耦合的系统框架,可依据实际地质开发数据,实现对油田开发评价中诊断性挖掘和预测性挖掘等典型问题的处理。课题在面向油田开发评价建立的挖掘模型和算法基础上,研制开发了软件原型系统,并以油田开发指标预测和低效井诊断两个典型问题进行实际资料处理,取得了较好的应用结果。课题成果对于油田开发诊断性、预测性评价问题和数据挖掘建模方法具有一定的理论和实际应用价值。