神經網絡法在油藏埋存CO2效果預測中的應用

張延旭，姜 晶，王 濤，王 凱

1.中海石油(中國)有限公司蓬勃作業公司，天津 300459；2.中海石油(中國)有限公司天津分公司，天津 300459；3. 中海油田服務股份有限公司，天津 300450；4. 中海油能源發展股份有限公司工程技術分公司，天津 300452

國內外已有的研究和應用成果表明，油氣藏是封閉條件良好的地下儲氣庫，可實現CO2的長期埋存[1]。影響油藏CO2埋存效果的因素很多，且各影響因素與埋存效果之間是一種非線性、不確定的復雜關系，致使常規的數模、實驗方法費時費力，且多維回歸方法也存在模型建立困難、計算量大、精度較低的缺點[2-3]。而神經網絡法具有較強的自學習、自適應、自調整能力，其強大的非線性逼近能力使其很好的逼近被測對象的實際值[4-5]。因此，在綜合考慮各影響因素的基礎上，筆者引入反映油藏埋存CO2效果的5個無因次變量，嘗試采用BP神經網絡對油藏埋存CO2效果進行評價預測，發現人工神經網絡法預測精度較高，具有一定的應用價值。

1 神經網絡預測方法的基本原理

神經網絡技術實際上是“人工神經網絡”或“模擬神經網絡”的簡稱，是將人腦功能加以模擬化的一種計算機信息處理系統。到目前為止，已研制出了多種人工神經網絡模型和相應的學習算法[6]。

通過人工神經網絡法求出的公式是如下“隱含”表達式：

y=ANN(x1,x2,…,xm)

式中，ANN是一個非線性函數。這個函數不能用通常的數學公式表示，稱為“知識庫”。筆者采用目前應用最廣泛的誤差反向傳播神經網絡，簡稱BP網絡。這種神經網絡具有1個由相互獨立的許多神經元構成的輸入層，用于輸入相關數據信息；1個或多個隱層，用于分析、模擬過程中復雜的中間計算；1個輸出層，輸出運算、模擬結果。

輸入層N個節點分別對應N個輸入分量構成的輸入向量X=(x1,x2,…,xN)，輸出層L個節點對應L個輸出分量構成的輸出向量Y=(y1,y2,…,yL)。隱含節點Zj與輸出節點Yk分別為：

BP算法的學習過程由正向傳播和反向傳播過程組成。在正向傳播過程中，輸入信息從輸入層經隱含層處理，并傳向輸出層，每一層神經元的狀態只影響下一層神經元的。如輸出層得不到期望的輸出，則轉入反向傳播，將誤差信號沿原連接通道返回，通過修改各層神經元的權值，使得誤差信號最小。

2 油藏埋存CO2影響參數的無因次化及評價指標的建立

為對油藏埋存CO2的效果進行評價和預測，引入CO2的埋存系數St的概念。CO2的埋存量為累積注入量減去累積采出量：

QsCO2=NiCO2-NpCO2

埋存系數，其數學表達式為埋存量與累積注入量的比值：

式中：QsCO2為CO2氣體的埋存量，104m3；NiCO2為CO2的累積注入量，104m3；NpCO2為CO2的累積采出量，104m3；St為CO2埋存系數。

3 CO2埋存系數神經網絡預測模型的建立

3.1 BP神經網絡模型的設計

3.2 學習訓練樣本的建立

用訓練樣本集訓練網絡，即讓網絡自動尋找該函數的內部表達形式，從而實現映射。由于學習樣本的離散性，學習樣本的選擇將直接影響埋存系數預測的結果。本文將提出的5個無因次變量賦值后進行組合數值模擬，結果見表1。將數值模擬結果作為BP神經網絡的學習樣本集，結果見表2。用誤差反向傳播算法自動找出5個無因次變量和埋存系數之間的內部表達形式，據此可以預測油藏埋存CO2的效果。

表1 試驗因素及取值水平

表2 神經網絡學習訓練樣本數據

續表2

3.3 神經網絡學習及預測效果評價

訓練誤差曲線見圖1。

圖1 訓練誤差曲線

從圖1看出，由訓練將學習樣本輸入后，經過數10 000次誤差反向傳導迭代運算，達到了很好的訓練效果，誤差控制在0.001內。

通過網絡訓練得到網絡權值和閾值后，再輸入預測樣本進行網絡預測，可檢驗本文所建模型的正確性。預測樣本的選取為5個無因次變量重新組合后數模計算的不同于學習樣本的15組數據，結果見表3。總體上來看，多數實際輸出值與期望輸出值的誤差率在8%的范圍內，數值模擬計算埋存系數與神經網絡預測埋存系數的相關系數為0.94，這對于油藏埋存CO2的效果預測是可允許且較精確的誤差范圍。因此，文中建立神經網絡預測模型在預測油藏埋存CO2埋存系數時是切實可行的。

表3 神經網絡預測樣本數據

4 結論

1)油藏埋存CO2效果影響因素與埋存系數之間是一種非線性、不確定的復雜關系， 采用常規的實驗及多元線性回歸方法不能滿足實際預測的需要。

2)BP網絡預測結果表明，預測值與實際值較為吻合，誤差相對較小，預測模型可靠，訓練好的網絡具有良好的簡單性和通用性。該神經網絡提高了油藏埋存CO2埋存效果預測的準確性和效率，提供了一種新的方法。

[1] 沈平平,楊永智.溫室氣體在石油開采中資源化利用的科學問題[J].中國基礎科學,2006,8(3):23-31.

[2] 何俊,陳小凡,樂平,等.線性回歸方法在油氣產量遞減分析中的應用[J].巖性油氣藏,2009,21(2):103-105.

[3] 李先鵬.膠結指數的控制因素及評價方法[J].巖性油氣藏,2008,20(4):105-108.

[4] 孫勤華,劉曉梅,劉建新,等.利用波形分析技術半定量預測塔中碳酸鹽巖儲層[J].巖性油氣藏,2010,22(1):101-103.

[5] 李虎,蒲春生,吳飛鵬.基于廣義回歸神經網絡的CO2驅最小混相壓力預測[J].巖性油氣藏,2012,24(1):108-111.

[6] 楊建,楊程博,張巖,等.基于改進神經網絡的滲透率預測方法[J].巖性油氣藏,2011,23(1):98-102.

[7] 王濤,姚約東,朱黎明,等.油藏埋存二氧化碳影響因素Box-Behnken法優化研究[J].中國石油大學勝利學院學報,2009,23(4):5-8.

[8] 戴文戰.基于三層BP網絡的多指標綜合評估方法及應用[J].系統工程理論與實踐,1999,19(53):29-34.