楊建雷,張津紅
(1.承德石油高等專科學(xué)校 石油工程系,河北 承德 067000;2.大港油田公司 采油工藝研究院,天津 300280)
油田注水開發(fā)中調(diào)剖(驅(qū))施工的效果預(yù)測,一直是行業(yè)內(nèi)亟待解決的難題,現(xiàn)階段缺乏系列行之有效的精確預(yù)測方法。目前常規(guī)的預(yù)測方法有專家經(jīng)驗法、數(shù)值模擬預(yù)測及基于統(tǒng)計學(xué)習(xí)理論的潛力預(yù)測法等[1]。這些方法無不局限于資料的完整性及受過度依賴專家經(jīng)驗等因素地制約??紤]到影響調(diào)驅(qū)措施效果原因的復(fù)雜性,無法用常規(guī)的多元回歸解決各影響因素與措施效果之間的定量關(guān)系。尋求影響調(diào)剖效果的各種因素及其影響規(guī)律,進而找到各種主要變量之間的關(guān)系,從而利用這種關(guān)系進行調(diào)剖效果預(yù)測。SVM技術(shù)是20世紀(jì)90年代初Vapnik等人根據(jù)統(tǒng)計學(xué)習(xí)理論提出的一種新的機器學(xué)習(xí)方法[2,3],它以結(jié)構(gòu)風(fēng)險最小化原則為理論基礎(chǔ),通過適當(dāng)?shù)剡x擇函數(shù)子集及該子集中的判別函數(shù),使學(xué)習(xí)機器的實際風(fēng)險達到最小,保證了通過有限訓(xùn)練樣本得到的小誤差分類器,降低獨立測試集的測試誤差。
利用已調(diào)剖(驅(qū))井的資料評價出其相應(yīng)的效果,對這些井的動靜態(tài)資料、工藝參數(shù)和相應(yīng)的調(diào)剖(驅(qū))效果,建立其水井調(diào)剖效果預(yù)測的樣本集,再利用這些樣本建立起措施效果的預(yù)測模型,即可利用該模型預(yù)測不同地質(zhì)特征、不同開發(fā)狀況和工藝條件下的調(diào)剖效果。在模型建立前,首先要對影響調(diào)剖(驅(qū))效果的主要因素進行評價分析,在評價分析的基礎(chǔ)上,選取合適的樣本集,訓(xùn)練SVM模型。
影響調(diào)剖(驅(qū))效果的因素較多,模型根據(jù)指標(biāo)的重要性及獲取的難易程度,選取以下參數(shù)作為模型訓(xùn)練的評價指標(biāo):
壓力指數(shù)(PI):根據(jù)注水井井口壓降曲線求得,單位MPa。調(diào)前注水井井口壓力指數(shù)越低,井組調(diào)剖效果越好。
調(diào)前注入壓力(P):指調(diào)驅(qū)前注水井的平均注入壓力值,單位MPa。水流優(yōu)勢通道形成后,導(dǎo)致相同注入量下,注水壓力降低,一般調(diào)前注水壓力低的井調(diào)剖效果較好。
調(diào)前平均注入量(Qin):調(diào)驅(qū)前注水井的平均日注水量,單位m3/d。一般調(diào)前注水量越大,井組調(diào)剖效果總體上越好。
調(diào)前含水率(fw):調(diào)剖前油井平均含水率,單位%。調(diào)剖(驅(qū))使油水井之間水流優(yōu)勢通道的形成,往往伴隨著含水率的突升,一般含水率較高的井組,調(diào)驅(qū)必要性較大。
調(diào)劑注入量(Q):指施工治理過程中調(diào)剖藥劑的注入量,單位m3,通常堵劑用量越大,對大孔道封堵越好,總體調(diào)剖效果越好。
無因次增油量:無因次量,是考慮到不同調(diào)剖井對應(yīng)油井?dāng)?shù)目不同、對應(yīng)油井產(chǎn)量基數(shù)不一樣而采用的一項評價指標(biāo),是衡量調(diào)剖效果的主要指標(biāo)。
以調(diào)剖歷史數(shù)據(jù)作為訓(xùn)練集(xi,yi)(i=1,2,3,…,n),xi∈Rn,yi∈R,通過一個非線性映射φ將樣本數(shù)據(jù)從樣本空間映射到高維特征空間進行線性回歸,從而求解出一個包含多種因素影響的調(diào)剖調(diào)驅(qū)效果預(yù)測函數(shù)。
為了消除輸入變量之間由于量綱和數(shù)值大小的差異而造成的影響,避免模型計算時出現(xiàn)病態(tài),將模擬數(shù)據(jù)標(biāo)準(zhǔn)化到[0,1]區(qū)間,然后將標(biāo)準(zhǔn)化后的數(shù)據(jù)作為模型的輸入值。其標(biāo)準(zhǔn)化公式為:
x′i=(xi-minxi)/(maxxi-minxi)
(1)
在最優(yōu)回歸函數(shù)中采用適當(dāng)?shù)暮撕瘮?shù)k(xi,yi)代替高維空間中的向量內(nèi)積φ(xi)φ(x)就可以實現(xiàn)φ非線性變換后的線性擬合,得到最優(yōu)回歸函數(shù)為:
(2)
提供正則化的因子qk的Fourier展開,在函數(shù)逼近問題上,體現(xiàn)了隨著k值的增加,展開項對擬合精度提高作用的衰退,其相應(yīng)的核函數(shù)為:
(3)
參考人工神經(jīng)網(wǎng)絡(luò)注水井調(diào)剖效果預(yù)測方法[4],對大港油田調(diào)剖調(diào)驅(qū)井歷史數(shù)據(jù)進行了收集、篩選,得到了歷史數(shù)據(jù)樣本。由于歷史數(shù)據(jù)樣本集中的數(shù)據(jù)與模型中有所差異,在此根據(jù)數(shù)據(jù)樣本重新制定了BP神經(jīng)網(wǎng)絡(luò)的輸入因素和輸出因素。其中,輸入因素包括調(diào)驅(qū)輪次(T,次)、施工起始壓力(Ps,MPa)、施工結(jié)束壓力(Pe,MPa)、實際排量(Q,m3/d)、調(diào)驅(qū)前日注入量(Q注,m3/d)、調(diào)驅(qū)前套壓(Pt,MPa)及對應(yīng)受益油井?dāng)?shù)。輸出因素則包括有效期(T有效,天)、有效期內(nèi)純增油(ΔQo,m3)、有效期內(nèi)純降水(ΔQw,m3)。
選取2014~2016年作為樣本集,對2017年的調(diào)剖(驅(qū))井進行效果預(yù)測,其中y實際效果,x預(yù)測效果,預(yù)測結(jié)果如圖1,圖2,圖3所示。
由預(yù)測結(jié)果來看,預(yù)測值與實際值的關(guān)系雖然分布于y=x兩側(cè),但并不趨向于y=x,增油預(yù)測的吻合率僅為30%左右,降水的吻合率僅為20%左右,有效期的吻合率僅為20%左右,綜合吻合率僅為23%左右。
對數(shù)據(jù)樣本進行進一步分析發(fā)現(xiàn),不同類型的調(diào)驅(qū)體系,輸入量相似,輸出量卻差異很大,致使某些神經(jīng)元失效。通過對樣本數(shù)據(jù)進行篩選,選取2014~2016年交聯(lián)聚合物體系為數(shù)據(jù)樣本集,對選取2017交聯(lián)聚合物體系調(diào)剖(驅(qū))井進行預(yù)測,其預(yù)測結(jié)果如圖4,圖5,圖6所示。
從結(jié)果看來,增油的吻合率約為50%,降水的吻合率約為45%,有效期的吻合率約為25%,綜合吻合率在40%左右。雖然結(jié)果仍然很差,但進行了分類后的樣本比歷史總樣本預(yù)測效果更趨近于y=x,說明了神經(jīng)網(wǎng)絡(luò)的設(shè)計與設(shè)計者、數(shù)據(jù)樣本有很大的關(guān)系。
同樣選取2014~2016年作為樣本集,選用本文中1建立的模型,使用Libsvm工具箱對樣本集進行擬合,結(jié)果如圖7,圖8,圖9所示。
通過結(jié)果可以看出,增油的吻合率在90%左右,降水的吻合率在94%左右,有效期的吻合率在90%左右,綜合吻合率在91%左右,預(yù)測結(jié)果與實際結(jié)果分布于y=x兩側(cè),并且趨向于y=x,預(yù)測結(jié)果明顯優(yōu)于神經(jīng)網(wǎng)格。
1)SVM是基于結(jié)構(gòu)風(fēng)險最小化(SRM)原則,可以保證學(xué)習(xí)機器具有良好的泛化能力。2)運用SVM對數(shù)據(jù)分類同時進行數(shù)據(jù)回歸,預(yù)測目標(biāo)采用的樣本均篩選自樣本集,且主要針對小樣本情況。3)運用LibSvm技術(shù)可提高調(diào)剖(驅(qū))潛力預(yù)測的精確度,指導(dǎo)油田方案的制定與措施的實施,提高油田的經(jīng)濟效益。