神經網絡預測法在沙溪廟氣藏壓前評估中的應用

尹 瑯 任 山 顏晉川 傅 玉

（1.中國石化西南油氣分公司工程技術研究院 四川 德陽 618000；2.中國石化西南油氣分公司工程監督中心 四川 德陽 618000）

0 引言

新場沙溪廟氣藏屬于受構造—巖性圈閉控制的致密孔隙型異常高壓定容封閉的彈性氣驅干氣氣藏，儲層最大孔隙度為17.61%，最小孔隙度為2.94%，平均孔隙度為11.38%，單井平均孔隙度介于8.14%-14.96%之間；最大滲透率為2.89 mD，最小為0.005 mD，平均為0.32 mD。氣藏不進行水力加砂壓裂難以獲得產量，但影響氣井壓裂后產能大小的因素很多，想要準確預測氣井壓后產能大小，其難度較大。采用神經網絡的壓前評估方法主要是根據地層測試成果與鉆井、測井等資料，綜合考慮多個試氣層的物性、厚度、含油氣性、地層產水、污染程度、地層壓力和鉆井以及錄井顯示級別等資料，通過相關分析，尋找出影響壓裂效果的幾個或幾十個重要指標［1-3］。

1 參數的選取

影響氣井壓后產能的因素很多，通過相關分析優選出地層有效厚度、電阻率、孔隙度、滲透率、聲波時差、泥質含量、砂量、平均砂比、前置液量等9個特征參數。

根據優選的特征參數，需要對不同的儲層建立特征參數的取值范圍。本次研究是針對壓后產量的預測，壓裂施工砂量和壓后產氣量是研究的主要對象，對收集的樣本數據（JS22層46口，JS24層59口）進行篩選，保證加砂量與壓后氣井產能之間有一定的相關性。對于新場沙溪廟氣藏JS22層氣井，最后篩選出了23個壓裂樣本數據；對于新場沙溪廟JS24層氣井，最后篩選出了35個。

在確定了樣本數據后需要進行數據處理的準備工作。數據處理包括數據單位和標準的統一及數據的歸一化處理。由于壓裂生產數據記錄標準和背景不同，因此很多數據不能作為神經網絡的數據樣本直接使用，必須進行單位和標準的統一。同時，為了防止“大數吃小數”的現象發生，在進行神經網絡訓練之前,需對參與神經網絡訓練和預測的各個影響因素進行歸一化處理,把所有數據都歸一化到［0，1］區間［4］。

2 神經網絡模型的建立

神經網絡是由輸入層、隱含層和輸出層組成的，其中隱含層可以是一層或多層。網絡結構中各層內神經元相互獨立，相鄰層之間的神經元完全連接。對于神經網絡而言，前一層的輸出是后一層的輸入，各層之間沒有本質的差別，只是先后順序的不同［5-6］。由多個神經元組成的信息處理網絡具有并行分布結構，每個神經元單一輸出，并能通過連接權系數與其他神經元連接。一般來說，每個神經元的結構形式都是一樣的，即：

①對于每個節點i存在一個狀態變量（Xi），它所對應的輸出變量為T；

②在節點i，j之間存在一個連接權系數（Wij）；

③每個神經元都存在一個閥值（θi）；

④ 輸出是輸入的加權經非線性函數（f）作用后得到的,關系如下：

人工神經網絡與傳統數學方法不同之處在于它的非線性，其非線性能力主要來自于它的非線性作用函數，常用的函數有:sigmod、arctan、sin、Gauss?ian和Cauchy，其中最常用的為sigmod函數，它具有一定的閥值特性并連續可微。

sigmod函數為：

在建立了神經網絡模型后將歸一化的樣本數據帶入進行網絡訓練。通過調整隱含層的層數、學習率、訓練方法和訓練次數,經過多次的反復訓練,最后使誤差達到預測的要求。

在針對新場沙溪廟JS22層和JS24層的神經網絡計算中，神經網絡模型經過10 000次的網絡訓練,網絡的系統誤差下降到了0.001以下，達到了誤差精度要求,可以進行網絡預測。

3 實例計算

3.1 JS22層氣井神經網絡應用實例

網絡評估系統訓練完成后，利用3組未參與訓練的樣本對該系統進行檢驗。表1為參與網絡訓練的部分壓裂井數據，表2為壓裂潛能評估系統的預測結果與實際結果的對比。從表2可以看出， L101井預測結果較好，誤差小于1%；CX159井預測結果較差，誤差達到36%。這說明不同的井對網絡模型的適應情況不同。在實際應用中，建議考慮增加有效樣本數，網絡訓練時可調整隱含層數以及增加訓練次數以求達到更高的精度。

表1 JS22層部分井壓裂樣本數據表

表2 JS22層壓裂效果預測表

3.2 JS24層氣井神經網絡應用實例

同樣，JS24層網絡評估系統訓練完成后，利用了5組未參與訓練的樣本對該系統進行檢驗。表3為參與網絡訓練的部分壓裂井數據，表4為壓裂潛能評估系統的預測結果與實際結果的對比。從表4可以看出，CX470-2、CX169-3、CX380等井預測結果較好，誤差小于7%；CX470-1和CX378-1井預測結果較差，誤差達到48%和43.1%。這說明不同的井對網絡模型的適應情況不同。在實際應用中，建議考慮增加有效樣本數，網絡訓練時可調整隱含層數以及增加訓練次數以求達到更高的精度。

表3 JS24層部分井壓裂樣本數據表

表4 JS24層壓裂效果預測表

綜上所述，人工神經網絡方法是比較成熟的非線性數學方法，本次研究建立了一個良好的正交性和完備性的數據集，使模型的可靠性大幅增加，為壓裂設計的優化和優選井位提供了可靠的依據。

4 結束語

1）通過優選特征參數建立了適應于新場沙溪廟氣藏的BP神經網絡算法模型，可進行氣井壓裂前產能預測。經過已壓裂井數據檢驗，模型可靠性較大，具有實際應用價值。

2）神經網絡預測法在水力壓裂中有廣闊的應用前景，如進行壓裂設計方案的優化處理，可進一步深入研究。

［1］孫來喜，李允.測井資料在洛帶氣田氣井產能預測中的應用［J］. 天然氣工業，2005，25（2）：15-16.

［2］呂傳炳，郭建春，趙金洲，等.模糊識別方法在烏里亞斯太凹陷油藏壓裂中的應用［J］.石油鉆采工藝，2006，28（3）：7-8.

［3］劉長印，孔令飛，朱風閣，等.探井壓前評估技術應用現狀［J］. 油氣井測試，2003，12（1）：35-36.

［4］劉洪，趙金洲，胡永全，等.用T—S模型模糊神經網絡進行壓裂效果預測［J］.斷塊油氣田，2002,9（3）：35-38.

［5］位云生，胡永全，趙金洲，等.人工神經網絡方法在水力壓裂選井評層中的應用［J］. 斷塊油氣田，2005，12（4）：42-44.

［6］范學平，徐向榮，李西林.用神經網絡專家系統設計壓裂施工參數［J］. 鉆采工藝，1999，22（6）：26-28.