張 慧

(1. 中國(guó)石油化工股份有限公司石油勘探開(kāi)發(fā)研究院 北京 100083；2. 中國(guó)石油化工集團(tuán)公司海相油氣藏開(kāi)發(fā)重點(diǎn)實(shí)驗(yàn)室 北京 100083)

塔河油田是目前國(guó)內(nèi)發(fā)現(xiàn)的最大的碳酸鹽巖縫洞型油藏，具有埋藏深、溫度高、儲(chǔ)集空間復(fù)雜、油水分布不規(guī)律等特征,投產(chǎn)初期依靠彈性能量開(kāi)采，后期針對(duì)部分能量低、遞減速度快的井實(shí)施注水替油取得了較好的效果,目前大多數(shù)注水替油井經(jīng)過(guò)多輪次注水后周期含水已經(jīng)超過(guò)90%，注水替油已經(jīng)失效。針對(duì)該油田這一類失效井，研究發(fā)現(xiàn)在儲(chǔ)集體頂部還存在著部分剩余油，實(shí)施了注氣替油的礦場(chǎng)試驗(yàn)，并取得了較好的效果，目前已進(jìn)入工業(yè)化推廣階段。截至2017年7月，該油田已實(shí)施注氮?dú)饩?98口，累計(jì)動(dòng)用儲(chǔ)量5 817×104t，累產(chǎn)油110.6×104t，提高采出程度0.83%，但注氣效果差異較大，注氣后增油從幾噸到幾萬(wàn)噸不等。分析認(rèn)為，影響注氣效果的因素錯(cuò)綜復(fù)雜，主控因素不明，尚未建立注氣效果預(yù)測(cè)方法，因此亟需研究影響注氣效果的主控因素及注氣效果預(yù)測(cè)方法。

在多因素疊加影響塔河油田縫洞型油藏注氣效果的情況下，無(wú)法構(gòu)建常規(guī)預(yù)測(cè)模型獲得“解析解”。針對(duì)這種“黑箱”預(yù)測(cè)問(wèn)題，神經(jīng)網(wǎng)絡(luò)是一種有效的分析手段。其中，BP神經(jīng)網(wǎng)絡(luò)是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)之一，是采用誤差反向傳播算法的多層網(wǎng)絡(luò)學(xué)習(xí)方法，被廣泛用在分類、聚類、預(yù)測(cè)等領(lǐng)域[1-3]，可以將復(fù)雜的“黑箱”問(wèn)題或“模糊”問(wèn)題通過(guò)神經(jīng)網(wǎng)絡(luò)方法實(shí)現(xiàn)數(shù)學(xué)建模，在預(yù)測(cè)油田酸壓效果[4]、儲(chǔ)層產(chǎn)能[5]、地層孔隙度[6]、聚合物驅(qū)后增產(chǎn)效果[7]等方面有成功應(yīng)用的先例。但是，目前塔河油田的注氣井?dāng)?shù)量遠(yuǎn)遠(yuǎn)達(dá)不到傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)對(duì)訓(xùn)練樣本數(shù)量的需求。因此，本文提出一種K折雙循環(huán)神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法，能夠充分發(fā)揮樣本數(shù)據(jù)的訓(xùn)練潛能，完成小樣本情況下的高質(zhì)量擬合，進(jìn)而實(shí)現(xiàn)縫洞型油藏單井注氣效果的定量化預(yù)測(cè)。

1 K折雙循環(huán)神經(jīng)網(wǎng)絡(luò)方法的提出

為了充分發(fā)掘所有先驗(yàn)數(shù)據(jù)的作用，避免由于樣本數(shù)過(guò)少而使神經(jīng)網(wǎng)絡(luò)收斂到局部極值點(diǎn)，設(shè)計(jì)使用K折交叉驗(yàn)證法和加權(quán)平均方式迭代訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)的關(guān)鍵參數(shù)，其核心理念是通過(guò)迭代的方式將有限的數(shù)據(jù)全部作為訓(xùn)練數(shù)據(jù)和驗(yàn)證數(shù)據(jù)。在單次迭代過(guò)程中首先拿出大部分樣本進(jìn)行訓(xùn)練，留小部分樣本對(duì)剛建立的模型進(jìn)行驗(yàn)證，求出這小部分樣本的預(yù)測(cè)誤差，并記錄預(yù)測(cè)的標(biāo)準(zhǔn)差。這個(gè)過(guò)程一直進(jìn)行，直到所有的樣本都被預(yù)測(cè)了一次而且僅被預(yù)測(cè)一次。將得到的網(wǎng)絡(luò)參數(shù)進(jìn)行加權(quán)平均后再反饋到算法開(kāi)始的部分，逐一驗(yàn)證平均后的網(wǎng)絡(luò)參數(shù)，并根據(jù)分別驗(yàn)證的結(jié)果進(jìn)行迭代運(yùn)算，直到平均網(wǎng)絡(luò)參數(shù)能較為精確地預(yù)測(cè)所有數(shù)據(jù)(標(biāo)準(zhǔn)差最小)。

K的具體數(shù)值可以根據(jù)實(shí)際情況由技術(shù)人員動(dòng)態(tài)調(diào)配，例如存在40組數(shù)據(jù)時(shí)可以將所有數(shù)據(jù)平均分為4份，即K=4(圖1)。K折雙循環(huán)神經(jīng)網(wǎng)絡(luò)方法的具體步驟為：

1) 開(kāi)始K折雙循環(huán)訓(xùn)練，將有限的樣本數(shù)據(jù)平均分為K組。在本次迭代過(guò)程中首先拿出(K-1)組樣本進(jìn)行訓(xùn)練，留下第i組數(shù)據(jù)，i∈{1,2,…，K}，作為樣本對(duì)剛建立的神經(jīng)網(wǎng)絡(luò)進(jìn)行驗(yàn)證。因此，本次迭代有K次內(nèi)循環(huán)。

2) 通過(guò)內(nèi)循環(huán)可以訓(xùn)練生成階段性的神經(jīng)網(wǎng)絡(luò)，并通過(guò)該網(wǎng)絡(luò)預(yù)測(cè)第i組數(shù)據(jù)樣本，經(jīng)過(guò)與第i組數(shù)據(jù)的對(duì)比，求出階段性神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)誤差，并記錄預(yù)測(cè)的標(biāo)準(zhǔn)差。

圖1 基于K折雙循環(huán)神經(jīng)網(wǎng)絡(luò)的迭代訓(xùn)練實(shí)例(K=4)

3) 內(nèi)循環(huán)過(guò)程交替進(jìn)行，直到所有K組的樣本都作為驗(yàn)證組數(shù)據(jù)，被驗(yàn)證且僅被驗(yàn)證了一次。

4) 使用預(yù)測(cè)的標(biāo)準(zhǔn)差作為加權(quán)，對(duì)不同網(wǎng)絡(luò)參數(shù)進(jìn)行加權(quán)平均處理，并通過(guò)所有K組數(shù)據(jù)對(duì)加權(quán)平均后的網(wǎng)絡(luò)參數(shù)進(jìn)行驗(yàn)證。

5) 根據(jù)平均網(wǎng)絡(luò)的驗(yàn)證結(jié)果進(jìn)行評(píng)估，如果滿足標(biāo)準(zhǔn)差最低約束，直接輸出網(wǎng)絡(luò)參數(shù)，完成外循環(huán)；如果不滿足標(biāo)準(zhǔn)差最低約束，將平均網(wǎng)絡(luò)作為初值代入下一次K折訓(xùn)練外循環(huán)。

通過(guò)K折迭代交叉比對(duì)的方法和加權(quán)平均方法，內(nèi)循環(huán)和外循環(huán)雙重迭代訓(xùn)練預(yù)測(cè)最終神經(jīng)網(wǎng)絡(luò)的關(guān)鍵參數(shù)，其核心理念是雙重迭代(圖2)。

圖2 K折雙循環(huán)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)注氣效果流程圖

將神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法與K折交叉驗(yàn)證方法結(jié)合起來(lái)，能夠充分發(fā)掘所有先驗(yàn)數(shù)據(jù)的作用，避免由于訓(xùn)練樣本數(shù)少而使神經(jīng)網(wǎng)絡(luò)收斂到局部極值點(diǎn)，提高傳統(tǒng)神經(jīng)網(wǎng)絡(luò)非線性規(guī)律擬合的能力，從而實(shí)現(xiàn)提高預(yù)測(cè)準(zhǔn)確度的效果。具體優(yōu)勢(shì)如下：①樣本復(fù)用。能充分利用有限的樣本數(shù)據(jù)，在不同角度實(shí)現(xiàn)訓(xùn)練和估計(jì)。②避免多解。利用加權(quán)平均避免多解問(wèn)題，權(quán)重是網(wǎng)絡(luò)預(yù)測(cè)標(biāo)準(zhǔn)差的倒數(shù)。③增量記憶。將加權(quán)平均后的網(wǎng)絡(luò)參數(shù)反饋到新的計(jì)算流程中，作為下個(gè)循環(huán)的初值，實(shí)現(xiàn)網(wǎng)絡(luò)生成過(guò)程中的協(xié)同記憶。④進(jìn)化能力。能避免陷入局部次優(yōu)解，在不滿足外循環(huán)標(biāo)準(zhǔn)差門(mén)限時(shí)，恢復(fù)用隨機(jī)網(wǎng)絡(luò)值作為初值，實(shí)現(xiàn)進(jìn)化迭代。⑤并行計(jì)算能力。不同分組計(jì)算過(guò)程不存在依賴關(guān)系，可以容易的將算法進(jìn)行并行化，從而提高計(jì)算效率。

2 塔河油田單井注氣效果預(yù)測(cè)

2.1 預(yù)測(cè)指標(biāo)體系的構(gòu)建

根據(jù)現(xiàn)有認(rèn)識(shí)，影響塔河油田單井注氣效果的因素主要有以下9項(xiàng)：①地質(zhì)成因；②底水能量；③儲(chǔ)集體類型；④儲(chǔ)量規(guī)模；⑤井儲(chǔ)關(guān)系；⑥是否過(guò)通源大斷裂；⑦注氣前采出程度；⑧開(kāi)井初產(chǎn)液量；⑨注氣量。但是，縫洞型油藏單井注氣增油效果是各項(xiàng)影響因素的交織疊加，無(wú)法確定每種影響因素對(duì)單井注氣效果的影響程度，不能滿足預(yù)測(cè)單井注氣效果的需求，因此采用主成分分析法[8-10]篩選影響單井注氣效果的主控因素。

表1為各項(xiàng)影響因素綜合得分計(jì)算結(jié)果，可以看出各項(xiàng)影響因素對(duì)單井注氣效果的重要程度由大到小的排序?yàn)椋旱姿芰?、?chǔ)量規(guī)模、注氣量、儲(chǔ)集體類型、采出程度、井儲(chǔ)關(guān)系、開(kāi)井初產(chǎn)液、地質(zhì)成因、是否過(guò)通源大斷裂。

表1 塔河油田注氣效果各影響因素綜合得分計(jì)算結(jié)果

根據(jù)表1所示的排序結(jié)果，選取前5項(xiàng)影響因素即底水能量、儲(chǔ)量規(guī)模、注氣量、儲(chǔ)集體類型、采出程度作為影響單井注氣效果的主控因素，并將這5項(xiàng)主控因素作為輸入?yún)?shù)，將注氣增油量作為輸出參數(shù)，從而構(gòu)建了預(yù)測(cè)指標(biāo)體系(表2)。

表2 塔河油田單井注氣效果預(yù)測(cè)指標(biāo)體系

2.2 預(yù)測(cè)指標(biāo)體系的量化

5項(xiàng)輸入?yún)?shù)中只有底水能量、儲(chǔ)量規(guī)模、儲(chǔ)集體類型等3項(xiàng)是反映注氣井地質(zhì)背景的指標(biāo)，需要對(duì)這3個(gè)指標(biāo)進(jìn)行量化，具體量化方法如下。

1) 底水能量。

水油體積比可以較為準(zhǔn)確客觀地反映底水能量的大小。根據(jù)水驅(qū)油藏物質(zhì)平衡理論得到的水油體積比公式為[11]

(1)

因此，只要確定油藏的基本地質(zhì)參數(shù)、流體參數(shù)以及油藏開(kāi)采到某一地層壓力水平下的累計(jì)產(chǎn)量，就可以計(jì)算某一油藏或者單井的底水能量。

2) 儲(chǔ)量規(guī)模。

井控儲(chǔ)量可以較為準(zhǔn)確客觀地反映儲(chǔ)量規(guī)模。利用生產(chǎn)數(shù)據(jù)分析方法(PDA方法)，基于滲流理論及物質(zhì)平衡方程，針對(duì)不同儲(chǔ)集體類型的注氣井，分別建立單井概念模式及流動(dòng)模型，通過(guò)井底壓力折算、單井控制范圍的修正、擬穩(wěn)態(tài)下PVT值的估算等提高多條曲線擬合精度，建立縫洞型油藏單井控制儲(chǔ)量評(píng)價(jià)流程[12](圖3)。計(jì)算得到的井控儲(chǔ)量近似作為儲(chǔ)量規(guī)模的定量化表征。

圖3 PDA方法計(jì)算井控儲(chǔ)量流程圖[12]

3) 儲(chǔ)集體類型。

儲(chǔ)集體類型主要有溶洞型和裂縫-孔洞型，特征如下：①溶洞型儲(chǔ)集體。地震反射特征以串珠、弱串珠或雜亂反射為主，串珠內(nèi)部無(wú)響應(yīng)，周圍響應(yīng)明顯，縱向延伸較短。測(cè)井曲線特征表現(xiàn)為溶洞發(fā)育處的自然伽馬值較基巖大，雙測(cè)井曲線急劇降低，且有正差異，三孔隙度曲線一致增大。生產(chǎn)動(dòng)態(tài)特征表現(xiàn)為初產(chǎn)高，無(wú)水采油期和穩(wěn)產(chǎn)期均較長(zhǎng)，后期含水快速上升或暴性水淹，產(chǎn)量快速遞減。②裂縫-孔洞型儲(chǔ)集體。地震反射特征以弱串珠、雜亂、寬波谷反射為主，串珠邊緣異常響應(yīng)明顯，縱向延伸較大。測(cè)井曲線特征表現(xiàn)為自然伽馬值較基巖略大，雙測(cè)井曲線明顯減小，且有負(fù)差異；密度明顯減小。生產(chǎn)動(dòng)態(tài)特征表現(xiàn)為初產(chǎn)高、無(wú)水采油期短，產(chǎn)量逐漸遞減，含水逐漸上升或臺(tái)階狀上升。

將溶洞型儲(chǔ)集體賦值1，裂縫-孔洞型儲(chǔ)集體賦值0.5，即可在K折雙循環(huán)神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程中區(qū)分2種儲(chǔ)集體類型。

2.3 預(yù)測(cè)結(jié)果的驗(yàn)證

選取塔河油田完成了1個(gè)注氣周期的8口井，對(duì)其注氣后的增油量進(jìn)行預(yù)測(cè)，并將預(yù)測(cè)注氣增油量與實(shí)際注氣增油量進(jìn)行了對(duì)比，計(jì)算了相對(duì)誤差(圖4)。從圖4可以看出：預(yù)測(cè)注氣增油量與實(shí)際增油量的相對(duì)誤差最小為2.05%，最大為9.64%，符合工程上預(yù)測(cè)精度±10%的要求；并且預(yù)測(cè)誤差與注氣增油量無(wú)關(guān)，這說(shuō)明K折雙循環(huán)神經(jīng)網(wǎng)絡(luò)不會(huì)受到注氣效果劇烈波動(dòng)的影響，具有良好且穩(wěn)定的預(yù)測(cè)能力。

圖4 塔河油田注氣增油量本文方法預(yù)測(cè)值與實(shí)際值對(duì)比

3 結(jié)論

1) 提出了K折雙循環(huán)神經(jīng)網(wǎng)絡(luò)方法，該方法能夠充分發(fā)揮樣本數(shù)據(jù)的訓(xùn)練潛能，完成小樣本情況下的高質(zhì)量擬合。

2) 利用主成分分析法篩選出影響塔河油田單井注氣效果的主控因素為底水能量、儲(chǔ)量規(guī)模、注氣量、儲(chǔ)集體類型、采出程度。利用本文方法預(yù)測(cè)的塔河油田8口注氣井的增油量，與實(shí)際增油量相比，最大相對(duì)誤差為9.64%，符合工程上預(yù)測(cè)精度的要求。本文方法為塔河油田注氣選井提供了一種有效的定量分析工具。

[1] 江文榮,張科.徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)在孔隙度預(yù)測(cè)中的應(yīng)用[J].中國(guó)海上油氣,2008,20(5):305-307,325.

JIANG Wenrong,ZHANG Ke.An application of RBF neural network in reservoir porosity prediction[J].China Offshore Oil and Gas,2008,20(5):305-307,325.

[2] 鮑祥生,朱立華,張金淼，等.基于SOM的無(wú)井約束剩余油分布預(yù)測(cè)[J].中國(guó)海上油氣,2009,21(4):242-243.

BAO Xiangsheng,ZHU Lihua,ZHANG Jinmiao,et al.A SOM-based prediction of remaining oil distribution without drilled-well constraints[J].China Offshore Oil and Gas,2009,21(4):242-243.

[3] 姜瑞忠,王平,候玉培，等.基于BP神經(jīng)網(wǎng)絡(luò)的油藏流場(chǎng)評(píng)價(jià)體系研究[J].斷塊油氣田,2012,19(3):319-322.

JIANG Ruizhong,WANG Ping,HOU Yupei,et al.Study on reservoir flow field evaluation system based on BP neural network[J].Fault-Block Oil & Gas Field,2012,19(3):319-322.

[4] 房好青,吳亞紅,張燁，等.神經(jīng)網(wǎng)絡(luò)方法在縫洞型碳酸鹽巖儲(chǔ)層酸壓改造中的應(yīng)用[J].油氣井測(cè)試,2013,22(3):39-41.

FANG Haoqing,WU Yahong,ZHANG Ye,et al.Application of neural network method on acid fracturing of fracture-cavern carbonate reservoir[J].Well Testing,2013,22(3):39-41.

[5] 王黎,孫倩倩,張凌筱，等.BP人工神經(jīng)網(wǎng)絡(luò)在塔河油田產(chǎn)能預(yù)測(cè)中的應(yīng)用[J].中國(guó)石油和化工,2012(10):50-53.

WANG Li,SUN Qianqian,ZHANG Lingxiao,et al.Application of BP artificial neural network in productivity prediction of Tahe oilfield[J].China Petroleum and Chemical Industry,2012(10):50-53.

[6] 彭志方.BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)碳酸鹽巖地層孔隙度[J].石油天然氣學(xué)報(bào),2006,28(3):249-251.

PENG Zhifang.Prediction of porosity in carbonate rocks by BP neural network[J].Journal of Oil and Gas Technology,2006,28(3):249-251.

[7] 侯健,樂(lè)友喜,王才經(jīng)，等.基于統(tǒng)計(jì)學(xué)習(xí)理論的提高采收率潛力預(yù)測(cè)[J].石油大學(xué)學(xué)報(bào)(自然科學(xué)版),2004,28(4):67-70.

HOU Jian,LE Youxi,WANG Caijing,et al.Potential prediction of enhanced oil recovery based on statistical learning theory[J].Journal of the University of Petroleum,China,2004,28(4):67-70.

[8] 蘇鍵,陳軍,何潔.主成分分析法及其應(yīng)用[J].輕工科技,2012(9):12-13,16.

SU Jian,CHEN Jun,HE Jie.Principal component analysis and application.[J].Light Industry Science and Technology,2012(9):12-13,16.

[9] 王敏,陳民鋒,劉廣為,等.主成分分析法確定海上油田水驅(qū)效果評(píng)價(jià)關(guān)鍵指標(biāo)[J].油氣地質(zhì)與采收率,2015,22(2):112-116.

WANG Min,CHEN Minfeng,LIU Guangwei,et al.Application of principal component analysis on determining the key evaluation indicators of water flooding effects in offshore oilfield[J].Petroleum Geology and Recovery Efficiency,2015,22(2):112-116.

[10] 李新明.用人工神經(jīng)網(wǎng)絡(luò)方法分析油藏壓裂效果：以靖安油田塞A井區(qū)長(zhǎng)2油藏為例[J].地質(zhì)與資源,2009,18(3):217-221.

LI Xinming.Analysis of the fracturing result of reservoir by artificial neural network:a case study of the C2 reservoir in SA Wellblock,Jingan Oilfeld[J].Geology and Resources,2009,18(3):217-221.

[11] 李生.杏西油田南塊邊部天然水體能量評(píng)價(jià)方法[J].大慶石油地質(zhì)與開(kāi)發(fā),2006,25(6):67-68,90.

LI Sheng.Research on energy evaluation method of natural water body in south block edge of Xingxi oilfield[J].Petroleum Geology & Oilfield Development in Daqing,2006,25(6):67-68,90.

[12] 呂心瑞,劉中春,朱桂良.基于PDA方法的縫洞型油藏井控儲(chǔ)量評(píng)價(jià)[J].斷塊油氣田,2017,24(2):233-237.

LV Xinrui,LIU Zhongchun，ZHU Guiliang.Well-controlled reserves evaluation of fracture vuggy reservoirs based on PDA method[J].Fault-Block Oil & Gas Field,2017,24(2):233-237.