何 旭 浦萬芬

（西南石油大學，成都 610500）

一種新型調剖參數(shù)優(yōu)化設計方法研究

何 旭 浦萬芬

（西南石油大學，成都 610500）

研究一種新型調剖參數(shù)優(yōu)化設計方法。以某油田調剖施工井為例，根據(jù)油田調剖工藝施工特點將施工參數(shù)分為人為可控參數(shù)和目的參數(shù)，結合灰色關聯(lián)分析和BP神經(jīng)網(wǎng)絡兩種技術實現(xiàn)人為可控參數(shù)的優(yōu)化，預測此人為可控參數(shù)對應的調剖結果。

調剖；施工參數(shù)優(yōu)化；灰色關聯(lián)度；BP神經(jīng)網(wǎng)絡

油田注水開發(fā)后期，由于儲層垂向和平面的非均質性加劇，導致油田大面積水淹水竄，產(chǎn)液量遞減較大，含水率高。此時需要進行調剖施工以減小層間滲透率級差，改善層間矛盾，減緩油井含水上升率，達到穩(wěn)油控水的目的。近年來，灰色關聯(lián)度理論和BP神經(jīng)網(wǎng)絡理論分別在石油地質工程學中取得了廣泛的應用。E M EI-M利用神經(jīng)網(wǎng)絡篩選評估EOR方案［1］；RezaianA利用神經(jīng)網(wǎng)絡預測EOR過程中 PVA(聚乙烯醇)對油水流變性質的影響［2］；H Jian利用BP神經(jīng)網(wǎng)絡預測EOR潛力［3］；Y Feng利用灰色關聯(lián)度理論分析大慶油田聚合物驅的效果［4］。然而尚未有人將兩者結合起來進行調剖施工參數(shù)優(yōu)化。本文首次將上述兩種方法結合起來，并以新疆某油田某調剖施工井為例進行分析。

在調剖施工期間和施工后的增產(chǎn)效果分析中，我們可以將遇到的參數(shù)分為兩類，即人為可控參數(shù)和目的參數(shù)。前者如注入壓力、日注入量、注入聚合物濃度等，后者則包括增產(chǎn)液量和含水率等。無論在調剖施工中注入的是何聚合物，人為可控參數(shù)都將影響調剖施工效果，并將這種影響反映到目的參數(shù)上。本論文的目的就是聯(lián)合應用灰色關聯(lián)分析和BP（Back-propagation）神經(jīng)網(wǎng)絡優(yōu)化人為可控參數(shù)，并預測出在該人為可控參數(shù)下的目的參數(shù)，進而將該人為可控參數(shù)用于實際現(xiàn)場施工以得到最佳施工效果。

首先，利用灰色關聯(lián)分析算法對每一個目的參數(shù)找到其所對應的人為可控參數(shù)關聯(lián)度序列，通過比較關聯(lián)度大小，找出針對該目的參數(shù)的關鍵人為可控參數(shù)。其次，分別調整各個關鍵人為可控參數(shù)，并通過BP神經(jīng)網(wǎng)絡預測此時的目的參數(shù)，以找到最佳的人為可控參數(shù)組合。此外，本文充分利用MATLAB強大的計算功能，設計上述兩個步驟的程序。

1 基礎知識和相關數(shù)據(jù)

1.1 灰色關聯(lián)分析

灰色關聯(lián)分析是灰理論的分支之一?；依碚撌怯舌嚲埤埥淌谟?982年提出，該理論可用于研究信息部分清楚且?guī)в胁淮_定性的灰色系統(tǒng)。假定某灰色系統(tǒng)數(shù)據(jù)有輸入B、C、D和輸出A。我們將輸入和輸出之間的關聯(lián)程度記為 r,如果rAB＞rAC＞rAD，則稱輸入B對輸出A的影響最大。由于儲層的復雜性，可將某油井所在儲層看成一個灰色系統(tǒng)，將人為可控參數(shù)注入壓力、日注入量、注入聚合物濃度看成輸入，并將目的參數(shù)增產(chǎn)液量和含水率看成輸出。利用MATLAB編程得到灰色關聯(lián)度序列，分別找到對增產(chǎn)液量和含水率各自影響最大的人為可控參數(shù)。

1.2 BP神經(jīng)網(wǎng)絡

BP神經(jīng)網(wǎng)絡（Back Propagation）是目前應用最廣泛的神經(jīng)網(wǎng)絡模型之一。BP神經(jīng)網(wǎng)絡能學習和存貯大量的輸入—輸出模式映射關系，而無須事前揭示描述這種映射關系的數(shù)學方程，因此它特別適合處理需要同時考慮許多因素和條件，且不精確和模糊的信息。BP神經(jīng)網(wǎng)絡的工作信號向前傳播，誤差信號向后傳播，通過反向傳播誤差來不斷調整網(wǎng)絡的權值和閾值，使網(wǎng)絡的誤差平方和最小，此過程稱為訓練。

利用BP神經(jīng)網(wǎng)絡的這種性質，我們將已有的施工參數(shù)和生產(chǎn)數(shù)據(jù)分別作為訓練期的輸入輸出數(shù)據(jù)。當訓練完畢且BP神經(jīng)網(wǎng)絡的誤差足夠小時，將用于預測的設計人為可控參數(shù)輸入神經(jīng)網(wǎng)絡，此時的輸出視為預測目的參數(shù)。根據(jù)預測目的參數(shù)的表現(xiàn)來找到最佳的人為可控參數(shù)組合。

1.3 相關數(shù)據(jù)

本論文的施工參數(shù)和生產(chǎn)數(shù)據(jù)來源于新疆某油田的某口生產(chǎn)井，該井所在儲層的基本情況見表1，施工參數(shù)和生產(chǎn)數(shù)據(jù)見表2。

表1 儲層的基本參數(shù)

表2 調剖施工參數(shù)和生產(chǎn)數(shù)據(jù)

2 優(yōu)化過程

2.1 運行程序I

明確了灰色關聯(lián)度的運算步驟，利用表2中的數(shù)據(jù)和MATLAB的編程計算功能，設計程序Ⅰ進行灰色關聯(lián)度計算。運行程序Ⅰ，得到一個3行2列矩陣R：

矩陣R的第一列為增產(chǎn)液量的灰色關聯(lián)度序列，序列中的數(shù)字依次表示注入壓力、日注入量和聚合物濃度分別與增產(chǎn)液量的關聯(lián)度。如注入壓力和增產(chǎn)液量的關聯(lián)度為0.992 0，日注入量和增產(chǎn)液量的關聯(lián)度為0.428 3，聚合物濃度和增產(chǎn)液量的關聯(lián)度為0.913 7。因為0.992 0為最大值，所以注入壓力對增產(chǎn)液量的影響最大。因此調節(jié)注入壓力，可得到理想的增產(chǎn)液量。同理，分析矩陣R的第二列可知，日注入量對含水率的影響最大，調節(jié)注入壓力，可得到理想的含水率。

2.2 運行程序II

了解了BP神經(jīng)網(wǎng)絡的基本原理，利用表2中的數(shù)據(jù)和MATLAB的編程計算功能，設計程序Ⅱ。本論文利用程序Ⅱ建立、訓練了一個BP神經(jīng)網(wǎng)絡，訓練完畢后，該BP神經(jīng)網(wǎng)絡可以反映儲層的輸入輸出關系。由于我們已經(jīng)找到了影響目的參數(shù)的兩個關鍵人為可控參數(shù)，所以設計兩組施工參數(shù)矩陣輸入神經(jīng)網(wǎng)絡以得到預測的目的參數(shù)矩陣。設計的施工參數(shù)矩陣C如下：

請確認矩陣中的數(shù)值和文中所表示的數(shù)值不一致？比如12、12.5、13？后面矩陣同樣如此。

矩陣C的第二行常數(shù)0.60代表固定日注入量為60m3；第三行常數(shù)0.2代表固定聚合物濃度為20%；第一行表示注入壓力分別為12、12.5、13MPa。設計矩陣C的目的是預測在固定日注入量和聚合物濃度的情況下，預測不同施工壓力下增產(chǎn)液量的情況。運行程序得到針對矩陣C的預測矩陣B1和圖1所示曲線。

圖1 訓練誤差

圖1 中的曲線表示BP神經(jīng)網(wǎng)絡的輸出誤差隨訓練次數(shù)的增加而減小，直至下降到期望誤差以下，表示該BP神經(jīng)網(wǎng)絡能夠正確反映地層的輸入輸出關系。

矩陣B1的第一行為不同注入壓力下的增產(chǎn)液量。分析該行數(shù)據(jù)可知，當注入壓力為13MPa時，會大幅度提高增產(chǎn)液量。設計施工參數(shù)矩陣d：

矩陣d的第一行常數(shù)代表固定施工壓力為優(yōu)化后的施工壓力13MPa，第二行常數(shù)0.60代表固定日注入量為60m3；第三行代表聚合物濃度分別為20%、25%、30%。設計矩陣d的目的是預測在固定注入壓力和日注入量的情況下，預測不同聚合物濃度下含水率的情況。運行程序二得到針對矩陣d的預測矩陣B2和圖2。

圖2 訓練誤差

矩陣B2的第二行表示不同聚合物濃度下的含水率。分析該行數(shù)據(jù)可知，含水率隨注入聚合物濃度的增加而下降，但下降的幅度很小，并且考慮到施工成本，認為優(yōu)化后的聚合物濃度為20%。

綜上所述，優(yōu)化的注入壓力為13 MPa，聚合物濃度為20%，日注入量為60m3，并且從矩陣B2可知，此時的增產(chǎn)液量為10.77t，含水率為36.05%。

3 結 論

（1）程序I可知，注入壓力為增產(chǎn)液量的關鍵人為可控參數(shù)，日注入量為含水率的關鍵人為可控參數(shù)。

（2）程序II的基礎上，以日注入量為60m3為例，程序II分兩步優(yōu)化上述兩個關鍵人為可控參數(shù)，得到最佳人為可控參數(shù)組合。

（3）利用灰色關聯(lián)度理論和BP神經(jīng)網(wǎng)絡理論相結合實現(xiàn)施工參數(shù)優(yōu)化的方法，避免了使用專業(yè)軟件建立地質模型的繁瑣，并且不必建立滲流微分方程組及其初始條件和邊界條件。

（4）本論文編寫的兩個程序的擴展性和可替換性較好。擴展性較好的表現(xiàn)為只需通過增加程序的循環(huán)層數(shù)來增加人為可控參數(shù)的個數(shù)；可替換性較好的表現(xiàn)為可直接將本論文中列舉的人為可控參數(shù)替換為其他參數(shù)而不需要更改程序，如使用的調剖劑屬于顆粒類時，可將聚合物濃度改為顆粒直徑。

[1]EI-M Shokir E M,Goda H M,Sayyouh M H,Fattah Kh A.Selection and Evalution EOR Method Using Artificial Intelligence[G].SPE 79163,2002.

[2]Rezaian A,Kordestany A,Haghighat Sefat M.Experimental and Artificial Neural Network Approaches to Predict the Effect of PVA (poly vinyl acetate)on the Rheological Properties of Water and Crude Oil in EOR Processes[G].SPE 140680,2010.

[3]Jian H,Wanfen H.Novel Approach To Predict Potentiality of Enhanced Oil Recovery[G].SPE 99261-MS,2006.

[4]Feng Y,Ji B,Gao P,Li Ye.An Improved Grey Relation Analysis Method and Its Application in Dynamic Description for a Polymer Flooding Pilot of Xingshugang Field,Daqing[G].SPE 128510,2010.

[5]劉思峰，謝乃明.灰色系統(tǒng)理論及其應用[M].北京：科學出版社，2004.

[6]羅華飛.MATLAB GUI設計學習手記[M].北京：北京航空航天大學出版社，2009.

Abstract：The significance of this paper lies in utilizing and uniting mathematic theories.It uses grey Relation Analysis Method and Back-propagation(BP)Artificial Neural Network,to optimize the artificial controllable parameters with the purpose of obtaining the ideal objective parameters.In addition,this paper also describes how to use MATLAB,powerful mathematic calculation software,to program the two algorithms.

Key words：profile modification；parameters optimization；grey relation analysis；BP neural network

A New Research on the Optimization of Profile Modification Parameters

HE Xu PU Wan-fen
(Southwest Petroleum University,Chengdu 610500)

TE319

A

1673-1980（2011）06-0111-03

2011-06-08

何旭（1988-），女，西南石油大學油氣田開發(fā)工程在讀碩士研究生，研究方向為油田開發(fā)。