目前我国大部分油田采用注水采油方式,杜绝了含油污水外排给油田环境所造成的污染。但回注水水质对油田的开发具有重要影响,如何保证回注水水质是本文的重点研究内容。余氯浓度是衡量油田回注系统中水质整体状况的重要指标,它与回注水水质的各主要细菌学特征紧密相关,也是控制回注水水中细菌滋生最有效评估指标。由于余氯为一种非稳定性物质,在传输过程中其浓度会随时间而衰减,杀菌能力逐渐降低,引起水质恶化。因此,对注水管网余氯进行预测,探寻防止注水管网水质污染的有效方法显得尤为重要。水体中余氯浓度变化是一个非线性时变过程,且注水管网水文环境复杂多变,机理性模型的建立与求解存在一定困难。BP神经网络具有很强的非线性逼近能力、自学习和自适应等特性,因而非常适用于解决余氯预测领域中的一些问题。但是由于其训练机制的局限性,不可避免的存在容易陷入局部极小值、训练时间长、预测效果不理想等不足。针对以上缺陷,本文分别建立基于遗传算法和遗传模拟退火算法的BP神经网络的改进模型,并且对长庆油田回注水余氯进行预测仿真实验,并将预测结果与实际数据进行比对,以确定BP神经网络改进模型对回注水余氯预测的有效性。实验表明,相比于未改进的BP预测模型,基于遗传算法改进的BP神经网络预测模型(GA-BP预测模型)和基于遗传模拟退火算法改进的BP神经网络预测模型(GASA-BP预测模型)表现出了更高的拟合性能和更好的预测精度,并且GASA-BP预测模型较GA-BP预测模型的预测性能更好。