基于人工神經網絡研究多層合采井單層產量貢獻的預測方法

胡泊（長江大學，石油工程學院，湖北 武漢 430100）

基于人工神經網絡研究多層合采井單層產量貢獻的預測方法

胡泊（長江大學，石油工程學院，湖北 武漢 430100）

致密油氣藏目前多采用多層合采的方法高效開發，但由于小層的物性差異及各層流體流動規律不同，對各層產量貢獻度的精確評價難度大。本文采用非線性映射能力極強的BP神經網絡技術，通過設置裂縫半長、孔隙度、滲透率、有效厚度、含氣飽和度輸入層，對其中任意20組模擬結果進行訓練，最后對選取的其他5組模擬結果預測取得較好的結果。

合采井；產能貢獻率；BP人工神經網絡

低滲致密氣藏一般氣井單層產量低且厚度小，往往達不到工業產能，采用多層合采不僅可以提高單井產能，而且可以改善整個氣田的開發效益。因此合采井產量貢獻的確定對于油氣田開發具有重要的意義[1～2]。目前應用比較廣泛的確定合采單井產量貢獻的方法主要有試油、生產測井、地質分析法和地球化學法。但這些方法都有其各自的缺陷。本文將用到BP神經網絡[3]，利用其非線性映射能力找出儲層物性與各層產量貢獻之間的關系，從而達到預測作用。

1 輸入值的分析與神經網絡的應用研究

根據儲層物性敏感性分析得知，流體的流量Q與流過的斷面A、壓力梯度、滲透率、粘度等有關。保留各層的共性找出每層不同的參數作為各個油層的特性。視每層油的粘度、橫截面的寬度和壓力梯度都相同，可以確定出5個不同的參數，孔隙度?、厚度h、含氣飽和度sg、滲透率k和裂縫長度l。

得知每層的?、h、sg、k和l這五個參數和產量之間有一定的關系后，還需確定如何輸入這些參數，且輸入后還能具有較高的精度，以便簡化輸入。用數值模擬軟件模擬出25組數據進行訓練和預測。具體輸入參數信息可用一個3x4的矩陣和一個裂縫長度l表示，通過轉換使其變為一個4x1的列向量。具體變換如下：

Pi=

pi稱為該層的儲容系數百分比，這樣就可以得到3層的輸入參數p1，p2，p3和另一個輸入參數l組成的一個4x1的矩陣，其中p1，p2，p3分別代表組內每層的特征信息，l代表組間不同裂縫長度，這樣組內和組間的不同信息都可用該4x1矩陣表示，即作為輸入信息。同理t1，t2，t3表示各層的產量百分比，代表每層的產量信息，作為輸出值。經過訓練后我們帶入輸入值得到的誤差率如下圖所示：

圖1 絡預測后的誤差率

圖1表示了每組差距最大的真實值和預測值。預測值中最大誤差率不超過14%，且較大值來源于最小產層。

2 結語

實例研究表明所提出的方法可正確預測各層產量貢獻，并且具有較高的精度，這為計算多層合采氣藏單層產能貢獻增添了一種新思路。

[1]CHAI Rui,LI Zhenduo1Commingled gas production technology of Changqing gas field with composite gas reservoir[J]1Natural Gas Industry,2002,22(2):104-1061.

[2]XU Xianzhi,KUANG Guohua,CHEN Fenglei,et al1A method of pressure analyzing for multi layered commingled reservoir[J]1Acta Petrolei Sinica,1999,20(5):43-471.

[3]WU Yan，WANG Shou-jue.A new algorithm of improving the learning performance of neural network by feedback[J].Journal of Computer Research and Development，2004，41

胡泊（1990-），男，在校碩士，從事油氣田開發方向研究；