徑向基函數神經網絡法預測海上油田儲層敏感性

王巧智 蘇延輝 江安 高波

(中海油能源發展股份有限公司工程技術分公司，天津 300452)

0 引言

儲層敏感性評價可以為鉆完井、壓裂、酸化等作業提供工作液設計理論支持，常規的敏感性評價包括速敏、水敏、鹽敏、堿敏、酸敏等內容[1]。目前，室內實驗仍為海上油田預測儲層敏感性的主要方式，但實驗需要消耗大量的人力物力，不利于快速、準確地預測儲層敏感性。基于徑向基函數神經網絡法的預測技術克服了實驗評價的劣勢，已在大港、冀東等油田應用，且應用效果良好[2,3]。本文在分析徑向基神經網絡原理的基礎上，建立了適應于海上油田的儲層敏感性的新方法，驗證了其在海上應用的可行性、可靠性。

1 徑向基神經網絡原理

徑向基函數神經網絡是一種局部逼近神經網絡，可分為3層。第1 層的作用為傳遞數據信息，稱為輸入層；第2 層的作用為對第1 層數據進行空間映射變換，并確定節點數，稱為隱含層；第3 層的作用為對第2 層神經元輸出的信息進行線性加權后輸出，稱為輸出層，輸出層是對輸入數據源的響應結果[4,5]。

2 儲層敏感性定量預測方法

2.1 儲層敏感性因素的確定

儲層的物性特征是影響儲層敏感性的潛在因素，對敏感性結果影響較大的物性特征為必要因素，對敏感性結果影響相對較小的物性特征為次必要因素。基于海上油田儲層敏感性物性特征及敏感性評價結果，分析了速敏、水敏、堿敏、酸敏的必要與次必要因素。以速敏為例，其必要因素主要有10 個，分別為滲透率、孔隙度、膠結類型及伊利石等7 種黏土礦物含量；次必要因素有6 個，分別為地層水礦化度、石英含量、長石含量、碳酸鹽含量、泥質含量、顆粒分選性。

2.2 儲層物性原始資料收集與歸一化處理

儲層敏感性影響因素中既包括孔隙度、滲透率等定量數據，還包括膠結類型、顆粒分選性等定性數據，在建立模型前先對數據進行預處理。處理時，首先將定性數據定量化，然后將定量數據標準化，目的在于將影響儲層敏感性的影響各個因素控制在一定范圍，使分析對象不受與它相關的參數的單位的影響。

(1)膠結類型。海上油田最常見的膠結類型是基底式、孔隙式、接觸式，通過采用非等差式賦值方法并進行歸一化變換，得到這三者的歸一化值分別為0.8378、0.5405、0.2703。

(2)巖石顆粒分選性。Folk and Ward 公式常用來表示巖石顆粒分布的集中趨勢，即分選性。其歸一化方式可表示為：

式中：Xi為對應的歸一化值；δi為福克沃德分選標準差。

(3)泥質、石英、膠結物、粘土礦物含量、孔隙度等直接取實際值，以小數表示。

(4)滲透率、地層水礦化度按最大值最小值法進行標準歸一化處理。

2.3 確定徑向基神經網絡各層神經元個數

(1)確定輸入與輸出層。輸入層數為影響儲層敏感性的必要因素的個數，輸出層數為常規實驗評價輸出參數的個數。以速敏為例，其網絡的輸入單元為10 個，而輸出端為2 個(速敏指數與臨界流速)。

(2)確定隱層維數。如果隱層結點數過少，可能訓練不出來或網絡不強壯，容錯性、處理能力有限。反之，若過多，整個神經網絡就會愈加錯綜復雜，導致學習速度緩慢。經調研，張立明法確定隱層單元數的學習次數相對較少，是一種最優化的方法[6]。最終應用張立明法確定了3 層網絡的神經元個數(見表1)。

表1 各類敏感性預測神經網絡的神經元個數

2.4 訓練集訓練

訓練集的構成直接關系到網絡學習的結果，不科學、不適當的數據會影響訓練集訓練的效率以及準確性，最終引起網絡對輸入信號的錯誤執行。本文收集海上不同油田各類敏感性數據55 組，作為徑向基函數神經網路的內部訓練集。結果表明(表2)，55 組數據構成的訓練集經訓練預測準確率在93.87%～98.12%之間，預測值與實際值之間的相關系數在0.937～0.995 之間。說明徑向基函數神經網絡法對于海上油田訓練集的訓練效果良好，可靠性較高，可以應用。

3 應用實例

利用海上油田訓練集訓練結果作為樣板，對海上油田某油田A12 井明下段的敏感性進行預測，將預測結果與實驗結果對比。由表3 可以看出，對于各敏感性指數的預測準確率均在90.4%以上，水敏的預測準確率最高；對于各敏感性臨界值的預測準確率均在88.0%以上，水敏的預測準確率最高。結果表明：該儲層敏感性新方法具備定量預測能力，且準確率較高，可以實現對海上油田儲層敏感性的預測。

表2 神經網絡法對儲層敏感性的訓練結果

表3 海上某油田A12井明下段敏感性預測法與實驗法結果對比

4 結語

徑向基函數神經網絡具有訓練簡潔、收斂及學習速度快、網絡結構簡單等優點，可以作為預測海上油田儲層敏感性的新方法，實現了對海上油田儲層速敏、水敏、酸敏、堿敏損害的定量診斷，且精度高，可操作性強，可推廣應用。