席天德，韓小琴 （陜西延長石油 （集團(tuán)）有限責(zé)任公司研究院，陜西 西安 710065）

程妮，薛金泉 （延長油田股份有限公司勘探開發(fā)研究中心，陜西 延安 716500）

曹淑慧 （北京華油明信能源技術(shù)有限責(zé)任公司，北京 102200）

高萍 （延長油田股份有限公司測井解釋中心，陜西 延安 716000）

神經(jīng)網(wǎng)絡(luò)技術(shù)在旬邑－黃陵地區(qū)油層壓裂井產(chǎn)能預(yù)測中的應(yīng)用

席天德，韓小琴 （陜西延長石油 （集團(tuán)）有限責(zé)任公司研究院，陜西 西安 710065）

程妮，薛金泉 （延長油田股份有限公司勘探開發(fā)研究中心，陜西 延安 716500）

曹淑慧 （北京華油明信能源技術(shù)有限責(zé)任公司，北京 102200）

高萍 （延長油田股份有限公司測井解釋中心，陜西 延安 716000）

影響壓裂井的產(chǎn)能因素較多，采用常規(guī)的線性方法進(jìn)行的產(chǎn)能預(yù)測效果不佳。由于研究區(qū)無壓裂參數(shù)，鑒于神經(jīng)網(wǎng)絡(luò)技術(shù)高度復(fù)雜的非線性動力學(xué)系統(tǒng)功能，因此采用神經(jīng)網(wǎng)絡(luò)技術(shù)進(jìn)行產(chǎn)能預(yù)測。優(yōu)選有效孔隙度、有效滲透率、可動油飽和度、有效厚度、原油黏度、產(chǎn)水率以及初期日產(chǎn)油7個參數(shù)作為模型的訓(xùn)練樣本，利用該模型進(jìn)行預(yù)測。實(shí)踐結(jié)果表明，該方法預(yù)測產(chǎn)能與試油日產(chǎn)油量符合率達(dá)到90%，很好地實(shí)現(xiàn)了在無壓裂參數(shù)條件下，對低孔低滲砂巖儲層壓裂井產(chǎn)能的預(yù)測。

低孔低滲；砂巖儲層；壓裂井產(chǎn)能；BP神經(jīng)網(wǎng)絡(luò)；旬邑-黃陵地區(qū)

常規(guī)的產(chǎn)能預(yù)測方法針對孔滲條件好的油藏，采用米采油指數(shù)進(jìn)行產(chǎn)能預(yù)測及評價(jià)，產(chǎn)能預(yù)測精度較高。對于經(jīng)壓裂改造后的低孔低滲致密砂巖儲層，儲集微觀空間類型多樣性及孔隙結(jié)構(gòu)復(fù)雜，傳統(tǒng)的儲層參數(shù)評價(jià)模型和方法在應(yīng)用范圍和精度上已不能滿足精細(xì)儲層測井評價(jià)的需求［1，2］。

國外對于壓裂井產(chǎn)能的研究始于20世紀(jì)50年代，大多圍繞壓裂產(chǎn)量與裂縫參數(shù)及地層物性之間的關(guān)系，給出計(jì)算方法和模型［3］，并沒有最適合的壓裂井產(chǎn)能預(yù)測方法。國內(nèi)起步較晚，壓裂井產(chǎn)能預(yù)測這方面的研究工作，主要包括經(jīng)驗(yàn)性方法和采用不同算法建立壓裂井產(chǎn)能預(yù)測模型［4～11］。

旬邑-黃陵地區(qū)為低孔～特低滲儲層，孔隙度主要分布在4.2%～11.2%，滲透率主要分布在0.09～0.55mD，提高單井產(chǎn)量均采用壓裂方式。研究穩(wěn)定狀態(tài)和擬穩(wěn)定狀態(tài)下的產(chǎn)能預(yù)測，按照Raymond和Binder提出的穩(wěn)態(tài)模型，進(jìn)一步考慮射孔和表皮因數(shù)的影響，根據(jù)平面徑向流原理得到產(chǎn)能預(yù)測模型，即無限導(dǎo)流能力垂直裂縫井穩(wěn)態(tài)滲流產(chǎn)能公式：

式中：q為儲層產(chǎn)量，m3／d；K為儲層內(nèi)流體的有效滲透率，mD；h為有效厚度，m；pavg為泄流區(qū)的平均壓力，MPa；pw為流壓，MPa；μ為流體黏度，mPa·s；B為體積因數(shù)，1；re為有效供油半徑，m；ωs為裂縫污染部分的寬度，m；Ks為裂縫污染部分的滲透率，mD；xi為水力垂直裂縫半長，m；Si為表皮因數(shù)，1。

鑒于產(chǎn)能與地質(zhì)和工程因素之間的非線性關(guān)系，以及研究區(qū)無壓裂參數(shù)的實(shí)際資料情況，考慮到神經(jīng)網(wǎng)絡(luò)技術(shù)高度復(fù)雜的非線性動力學(xué)系統(tǒng)這一功能，采用該方法進(jìn)行產(chǎn)能預(yù)測。

1 壓裂井產(chǎn)能預(yù)測影響因素及各參數(shù)的確定

影響壓裂井產(chǎn)能的主要因素包含幾何因素、油藏類型、鉆井液與完井、增產(chǎn)措施等4個方面。其中幾何因素包含儲層厚度、滲透率各向異性、井眼尺寸等；油藏類型包含井在油藏中的位置、井網(wǎng)等；鉆井液與完井包含表皮效應(yīng)對產(chǎn)能的影響、完井方式等；增產(chǎn)措施包含酸化、壓裂等。

對壓裂后產(chǎn)能影響較大的參數(shù)有地層的有效滲透率、有效厚度、井底流壓、壓裂施工參數(shù)中的總砂量、平均混砂比及原油的黏度，其次有效孔隙度、可動油飽和度及產(chǎn)水率對產(chǎn)能也有一定的影響。

有效孔隙度、有效厚度、可動油飽和度、有效滲透率、原油黏度及產(chǎn)水率等參數(shù)主要通過測井精細(xì)解釋得到，原油黏度及壓力主要根據(jù)現(xiàn)場實(shí)測資料經(jīng)過轉(zhuǎn)換得到地層條件下的原油黏度及壓力。

2 利用神經(jīng)網(wǎng)絡(luò)技術(shù)進(jìn)行壓裂井產(chǎn)能預(yù)測

2.1 BP神經(jīng)網(wǎng)絡(luò)模型的基本原理

BP網(wǎng)絡(luò)模型目前在油氣勘探開發(fā)領(lǐng)域的應(yīng)用比較成功，該模型具有較強(qiáng)的糾錯能力和非線性表達(dá)能力，以及聯(lián)想推理和自適應(yīng)識別能力。網(wǎng)絡(luò)通過訓(xùn)練，可以實(shí)現(xiàn)網(wǎng)絡(luò)輸入因素與網(wǎng)絡(luò)輸出目標(biāo)間的高度非線性映射。BP神經(jīng)網(wǎng)絡(luò)是典型的多層前饋型網(wǎng)絡(luò)，由輸入層、隱含層和輸出層組成，層與層之間多采用全部連接方式，同一層單元之間不存在相互連接。BP神經(jīng)網(wǎng)絡(luò)算法的基本思想是通過網(wǎng)絡(luò)輸出誤差的反向傳播，不斷調(diào)整和修改網(wǎng)絡(luò)的連接權(quán)值，從而使網(wǎng)絡(luò)誤差達(dá)到最小。

2.2 BP神經(jīng)網(wǎng)絡(luò)模型的構(gòu)成

訓(xùn)練樣本主要包括以下參數(shù)：有效孔隙度、有效厚度、可動油飽和度、有效滲透率、原油黏度、產(chǎn)水率以及初期日產(chǎn)油7個參數(shù)。該網(wǎng)絡(luò)模型為6×12×1，即包含6個輸入?yún)?shù)的輸入層、12個神經(jīng)元的隱含層和1個輸出參數(shù)層，見圖1。

圖1 初期日產(chǎn)油預(yù)測BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

2.3 訓(xùn)練井及交叉檢驗(yàn)井的選擇

在建立產(chǎn)能預(yù)測的網(wǎng)絡(luò)模型時(shí)，共選取18口已測試井作為訓(xùn)練井，16口已測試井作為交叉檢驗(yàn)井，主要用于控制和檢查訓(xùn)練的有效性，使訓(xùn)練既達(dá)到精度要求，又不過度訓(xùn)練，所有井（包括測試和非測試井）作為應(yīng)用井。

2.4 模型的質(zhì)量控制

通過2000次的迭代學(xué)習(xí)，樣本的學(xué)習(xí)誤差在0.25%以內(nèi)，大多數(shù)井學(xué)習(xí)誤差在0.1%以內(nèi)（圖2），說明模型精度較高。

圖2 不同訓(xùn)練井收斂誤差分布柱狀圖

3 模型應(yīng)用效果及誤差分析

3.1 模型應(yīng)用效果分析

利用BP神經(jīng)網(wǎng)絡(luò)模型對研究區(qū)198口井進(jìn)行了初期日產(chǎn)油產(chǎn)能的預(yù)測計(jì)算，預(yù)測結(jié)果與測試結(jié)果符合程度較高。如上xx井在1211～1215m測試初期日產(chǎn)油0.7m3，模型預(yù)測日產(chǎn)油為0.71m3，而在1248～1256m井段測試及預(yù)測日產(chǎn)油都為0m3（圖3）。

圖3 上xx井計(jì)算初期日產(chǎn)油分布圖

從預(yù)測初期日產(chǎn)油與實(shí)際測試產(chǎn)能對比看出，預(yù)測結(jié)果與實(shí)際初期日產(chǎn)油變化趨勢基本一致 （圖4），絕對誤差主要集中在0～0.5m3之間 （圖5）。

3.2 誤差分析

對模型預(yù)測結(jié)果與實(shí)際產(chǎn)能誤差產(chǎn)生的原因進(jìn)行分析，主要有以下幾方面：

1）盡管該算法不需要已有的數(shù)學(xué)模型或物理模型，但由于只利用已有的測井綜合資料，無壓裂參數(shù)，難免出現(xiàn)一定的誤差；

2）在訓(xùn)練模型中，訓(xùn)練樣品井大多是產(chǎn)能較低的井，導(dǎo)致預(yù)測結(jié)果較實(shí)際產(chǎn)能結(jié)果偏?。?）在壓裂過程中，部分井壓裂層段較統(tǒng)計(jì)射孔層段厚，導(dǎo)致預(yù)測結(jié)果較測試結(jié)果偏小。

圖4 計(jì)算初期日產(chǎn)油與測試日產(chǎn)油對比圖

4 結(jié)論

鑒于產(chǎn)能與地質(zhì)和工程因素之間的非線性關(guān)系，以及研究區(qū)的實(shí)際資料情況，為了預(yù)測儲層壓裂后的初期產(chǎn)能，從測井綜合參數(shù)出發(fā)，優(yōu)選有效孔隙度、有效厚度、可動油飽和度、有效滲透率、原油黏度、產(chǎn)水率和初期日產(chǎn)油等7個參數(shù)，依據(jù)BP神經(jīng)網(wǎng)絡(luò)的原理，建立了壓裂井產(chǎn)能預(yù)測模型。在對旬邑－黃陵地區(qū)壓裂井的產(chǎn)能預(yù)測應(yīng)用中，該模型預(yù)測值與已知的試油井產(chǎn)能符合度達(dá)90%，取得了較好的結(jié)果，并為優(yōu)化射孔提供了地質(zhì)依據(jù)，證明了該模型的有效性和實(shí)用性。

圖5 計(jì)算初期日產(chǎn)油絕對誤差分布直方圖

［1］張姮妤.低孔滲油田致密砂泥巖儲層產(chǎn)能預(yù)測 ［D］.哈爾濱：黑龍江大學(xué)，2008.

［2］程洪亮，胡華偉 .川西低孔低滲儲層參數(shù)評價(jià) ［J］.世界地質(zhì)，2010，29（3）：459～465.

［3］魏汝嶺.深層砂礫巖儲層測井產(chǎn)能評價(jià)技術(shù)研究 ［D］.青島：中國石油大學(xué)，2010.

［4］鞠江慧，王建功，高瑞琴，等 .二連油田低孔隙度滲透率儲層壓裂后產(chǎn)能預(yù)測 ［J］.測井技術(shù)，2005，29（4）：379～381.

［5］莊華，潘保芝，張麗華.BP神經(jīng)網(wǎng)絡(luò)模型在朝長地區(qū)扶楊油層壓裂產(chǎn)能預(yù)測中的應(yīng)用 ［J］.世界地質(zhì)，2012，31（4）：785～790.

［6］阮光輝，肖義越 .二次多項(xiàng)式逐步回歸在油田壓裂產(chǎn)能預(yù)測中的應(yīng)用 ［J］.地質(zhì)科學(xué)，1981，1（1）：87～93.

［7］封立香，孫建孟，趙文杰，等 .多參數(shù)綜合分析指導(dǎo)基山地區(qū)低滲透儲層壓裂改造 ［J］.測井技術(shù)，2007，31（5）：474～478.

［8］詹澤東，郭科，胥德平，等 .嵌套BP神經(jīng)網(wǎng)絡(luò)及其在油氣產(chǎn)能預(yù)測中的應(yīng)用 ［J］.成都理工大學(xué)學(xué)報(bào)，2011，38（4）：408～412.

［9］劉之的，趙靖舟，高秋濤 .利用MDT資料預(yù)測油氣產(chǎn)能 ［J］.地質(zhì)科技情報(bào)，2013，32（1）：163～166.

［10］張沖，毛志強(qiáng)，李光軍，等 .安棚深層系低滲透儲層產(chǎn)能預(yù)測方法及應(yīng)用 ［J］.測井技術(shù)，2008，32（6）：562～565.

［11］畢妍斌，石紅萍 .油井壓裂效果分析方法 ［J］.石油勘探與開發(fā)，1998，25（4）：72～75.

［編輯］ 帥群

Application of Neural Network Technology in Productivity Forecast of Fractured Wells in Xunyi-Huangling Region

XI Tiande，HAN Xiaoqin，CHENG Ni，XUE Jinquan，CAO Shuhui，GAO Ping （First Author' s Address：Research Institute of Yanchang Petroleum（Group）Co，Ltd，Yan' an 710065，Shaanxi，China）

There were many factors affecting the productivity of fractured wells，and the effect of productivity forecast using the conventional linear methodology was no good.For there was lacking of fracturing parameters in the studied area and the highly complex functions of non-linear system in the neural network technology，therefore the neural network technology was used to forecast productivity in the studied area.Seven parameters as effective porosity，effective permeability，movable oil saturation，effective thickness，crude oil viscosity，water production rate and tested productivity of single layer were selected as training samples for the model and it was applied for productivity forecast.Practical results show that the forecasted productivity using the method is consistent with the daily oil output of production testing with the coincidence rate of 90%.The neural network technology is successfully applied for productivity forecasting without fracturing parameters.

low porosity and low permeability；sandstone reservoir；productivity forecast；BP Neural Network；Xunyi-Huangling

TE328；TE319

A

1000-9752（2014）04-0107-04

2013-01-12

席天德 （1965-），男，1988年大學(xué)畢業(yè)，高級工程師，現(xiàn)從事油藏開發(fā)地質(zhì)方面的相關(guān)研究工作。