劉為民

(中國石化勝利油田分公司地面工程維修中心，山東 東營 257000)

隨著計算機技術和大數(shù)據(jù)技術的發(fā)展，神經(jīng)網(wǎng)絡在儲層性質預測、評價中的應用愈加廣泛和深入。神經(jīng)網(wǎng)絡在我國儲層研究中的應用始于上世紀90年代[1-4]，此后逐漸用于復雜巖性儲層參數(shù)評價[5-6]、孔隙度及滲透率計算[1,7-10]、儲層油氣產(chǎn)能預測[11-13]、儲層識別及儲層預測[2,14-18]等。神經(jīng)網(wǎng)絡具有計算省時、客觀、準確等特點，但其缺點在于神經(jīng)網(wǎng)絡的建模和預測是以已知的先驗知識為條件，具有一定的局限性[19]。

神經(jīng)網(wǎng)絡模型現(xiàn)多應用測井及地震等靜態(tài)參數(shù)進行勘探階段的儲層識別與預測，而對石油工程中最直接也是最廣泛獲取的動態(tài)參數(shù)涉及較少。某區(qū)內(nèi)大多數(shù)油井自然完井后需采取酸壓改造措施后才能獲得具有工業(yè)開采價值的油氣流，儲層酸壓裂縫能否與天然裂縫或溶洞系統(tǒng)溝通是儲層酸壓施工效果的主控因素之一。作者以某區(qū)奧陶系碳酸鹽巖儲層為研究對象，利用該區(qū)各井酸壓施工曲線的動態(tài)參數(shù)進行神經(jīng)網(wǎng)絡分析，判斷該區(qū)各井酸壓施工溝通儲集體的類型及是否為定容體，了解該區(qū)目的儲層地質特征，進而調(diào)整酸壓施工方案，完善酸壓施工設計，提高酸壓施工成功率，降低投資風險。

1 儲層基本特征

研究區(qū)奧陶系碳酸鹽巖儲層由于巖溶作用和成藏的多期性，造成油藏內(nèi)油氣水分布、流體性質、壓力、溫度等都存在較大的差異，儲層具有極強的非均質性，從而導致儲層內(nèi)具有多個縫洞單元，各縫洞單元之間無明確的地質邊界。單個縫洞儲集體是由不同尺寸的裂縫和溶蝕孔洞組成的高儲高滲帶，其內(nèi)部結構極其復雜。相比于主體區(qū)，研究區(qū)的儲集體規(guī)模較小，且較多為定容體類型[20]。

研究區(qū)奧陶系碳酸鹽巖儲層儲集空間主要分為3種類型[21]：(1)基質空隙，一般直徑僅幾微米至幾百微米，成因較復雜。(2)裂縫，是該區(qū)最發(fā)育、最常見的儲集空間之一，油氣顯示十分活躍；以構造縫、構造溶縫及壓溶縫為主，裂縫半充填或未充填，縫中充滿褐色原油。(3)溶洞及大型洞穴，孔洞直徑在5 mm以上，方解石或砂泥部分充填，保留有效空間為原油占據(jù)。

2 酸壓特性表征

2.1 酸壓特性表征參數(shù)優(yōu)選

人工判斷縫洞型儲層酸壓施工溝通儲集體的類型及是否為定容體主要綜合考量酸壓施工過程中的3種因素：目的層酸壓施工溝通儲集體規(guī)模、天然能量；酸壓施工目的層致密程度；酸壓施工凍膠階段造縫延伸狀態(tài)及酸蝕階段對前期施工所造裂縫改造情況[20,22]。

基于酸壓施工資料研究，本研究共篩選出9組參數(shù)共同表征縫洞型儲層酸壓特性：

(1)主破裂時井底壓力：其值可反映酸壓井近井地層致密程度，理論值為酸壓施工過程中目的層發(fā)生主破裂時泵壓、管柱壓力和摩阻壓力(負值)之和。

(2)主破裂時壓降：其值反映酸壓井近井地層壓開、解堵狀態(tài)，理論值為酸壓施工過程中目的層發(fā)生主破裂時泵壓下降值。

(3)主破裂時對應排量：其值反映目的層發(fā)生主破裂時對應施工排量的大小，理論值為主破裂時對應排量值。

(4)單次最大壓降：其值一定程度反映酸壓施工溝通儲集體規(guī)模，理論值為酸壓施工過程中目的層泵壓單次最大下降值。

(5)壓降速率：其值也可一定程度反映酸壓施工溝通儲集體規(guī)模，理論值為單次最大壓降值與單次最大壓降經(jīng)歷時間之比。

(6)酸蝕壓降：其值也可一定程度反映酸壓施工溝通儲集體的規(guī)模，理論值為酸壓施工酸蝕階段泵壓下降值。

(7)酸蝕壓降速率：其值反映酸壓酸蝕階段對前期施工所造裂縫改造情況及施工溝通儲集體天然規(guī)模，理論值為酸蝕壓降值與酸蝕壓降經(jīng)歷時間之比。

(8)套壓壓降：其值反映酸壓施工溝通儲集體的整體規(guī)模，理論值為酸壓施工停泵后套壓變化值。

(9)有效液量百分比：其值反映酸壓施工過程中工作液的有效性，理論值為有效液量與總液量之比。

2.2 儲集體類型分析實例

根據(jù)研究區(qū)T1井(圖1)、T2井(圖2)酸壓施工參數(shù)人工分析判斷其酸壓施工溝通儲集體類型及是否為定容體。

圖1 研究區(qū)T1井酸壓施工曲線Fig.1 Acid fracturing curves of well T1 in study area

圖2 研究區(qū)T2井酸壓施工曲線Fig.2 Acid fracturing curves of well T2 in study area

從圖1可以看出，T1井酸壓施工凍膠造縫階段，前期泵壓小幅起伏，可推斷酸壓凍膠造縫在近井裂縫系統(tǒng)內(nèi)延伸，裂縫延伸距離較短，造縫溝通儲集體規(guī)模較小，為裂縫型儲集體。停泵階段，套壓隨施工時間延長小幅上升，壓力在地層中擴散較慢。人工判定T1井酸壓施工溝通儲集體為定容體。

從圖2可以看出，T2井酸壓施工整體壓力較低，可判斷其酸壓施工溝通儲集體能量充足。酸蝕階段，壓力降幅明顯，可推斷地層明顯被壓開。人工判定T2井酸壓施工溝通儲集體類型為溶洞及非定容體。

據(jù)此方法，將研究區(qū)82口井進行儲集體類型、定容體判斷。

3 神經(jīng)網(wǎng)絡判別模型

3.1 建模算法選取

選取9組參數(shù)與酸壓施工溝通儲集體類型、溝通儲集體是否為定容體定性之間為多維非線性映射。選取RBF神經(jīng)網(wǎng)絡算法建立儲集體類型RBF神經(jīng)網(wǎng)絡模型、定容體判斷RBF神經(jīng)網(wǎng)絡模型。

3.2 模型建立及驗證

基于研究區(qū)82口井酸壓施工資料，人工分析判斷82口井酸壓施工溝通儲集體類型及是否為定容體。計算各井上述9組參數(shù)，選取其中41口井數(shù)據(jù)作為訓練樣本(表1)，建立儲集體類型RBF神經(jīng)網(wǎng)絡模型(圖3)、定容體判斷RBF神經(jīng)網(wǎng)絡模型(圖4)，選取其余41口井數(shù)據(jù)作為驗證樣本(表2)。

基于儲集體類型RBF神經(jīng)網(wǎng)絡模型、定容體判斷RBF神經(jīng)網(wǎng)絡模型評分驗證樣本(表3)，儲集體類型評分值與酸壓施工溝通儲集體類型人工分析值符合率為70.7%，定容體判斷評分值與酸壓施工溝通儲集體是否為定容體人工分析值符合率為73.2%。

表1 RBF神經(jīng)網(wǎng)絡模型訓練樣本(部分數(shù)據(jù))

表2 RBF神經(jīng)網(wǎng)絡模型驗證樣本(部分數(shù)據(jù))

3.3 模型誤差分析

基于儲集體類型RBF神經(jīng)網(wǎng)絡模型評分驗證樣本，評分值“裂縫”漏失誤補比5∶7?；诙ㄈ蒹w判斷RBF神經(jīng)網(wǎng)絡模型評分驗證樣本，評分值“是”漏失誤補比5∶6。

人工分析判斷酸壓施工溝通儲集體類型、儲集體是否為定容體，參數(shù)單次最大壓降、酸蝕壓降、壓降速率、酸蝕壓降速率所占權重較大，參數(shù)主破裂時壓降、主破裂時井底壓力所占權重次之，參數(shù)有效液量百分比、主破裂時對應排量、套壓壓降起輔助判斷作用。儲集體類型RBF神經(jīng)網(wǎng)絡模型、定容體判斷RBF神經(jīng)網(wǎng)絡模型各因子重要性排名(圖5)與人工判斷各井酸壓施工溝通儲集體類型及是否為定容體各因子權重排名不完全一致。

4 結論

(1)基于碳酸鹽巖縫洞型儲層酸壓井酸壓施工曲線篩選的9組動態(tài)參數(shù)能夠較好地表征縫洞型儲層酸壓施工特性。

(2)儲集體類型RBF神經(jīng)網(wǎng)絡模型、定容體判斷RBF神經(jīng)網(wǎng)絡模型能夠快速、較準確判斷該區(qū)各井酸壓施工溝通儲集體類型及是否為定容體。

圖3 儲集體類型RBF神經(jīng)網(wǎng)絡模型結構圖Fig.3 Structure diagram of RBF neural network model for reservoir type

表3 基于RBF神經(jīng)網(wǎng)絡模型評分驗證樣本(部分數(shù)據(jù))

圖4 定容體判斷RBF神經(jīng)網(wǎng)絡模型結構圖Fig.4 Structure diagram of RBF neural network model for constant volume judgment

(3)模型判斷準確率還有進一步提升空間，主要因為縫洞型儲層儲集空間較為復雜，可分為裂縫型、孔洞-裂縫型及裂縫-孔洞型、裂縫-孔隙型。后期可加強縫洞型儲層儲集空間精細分類研究。

(4)目前關于油氣藏壓裂酸化效果評價的方法很多，然而不同的評價方法得出的結果有時相差很大，可采取多種方法分析判斷縫洞型儲層酸壓施工溝通儲集體類型及是否為定容體。

圖5 儲集體類型RBF神經(jīng)網(wǎng)絡模型(a)、定容體判斷RBF神經(jīng)網(wǎng)絡模型(b)各因子重要性排名Fig.5 Importance ranking of each factor in RBF neural network model of reservoir type(a) and RBF neural network model for constant volume judgment(b)