生產(chǎn)井分層注水量智能預(yù)測方法研究

郭哲源，韓連福，，鄧 剛，夏 薇，劉興斌，，楊 林

1.東北石油大學(xué)，黑龍江大慶 163000

2.大慶油田有限責(zé)任公司，黑龍江大慶 163153

3.中國石油集團測井有限公司，陜西西安 710077

我國大部分油田的開采已進入中后期階段，注水開采是油田主要的開采方式，能有效補充地層壓力，提高原油采收率。在注水開采過程中，由于每個層段滲透率等參數(shù)各不相同，常采用分層注水，合理的分層注水可大大緩解層間矛盾，故每一層段注水量的預(yù)測就成為分層注水的一個關(guān)鍵問題[1-3]。

準(zhǔn)確預(yù)測生產(chǎn)井每一層段的注水量，可大大提高油田開采效率。目前油田注水井各層段分層注水量的計算主要方法有：有效厚度法、吸水剖面系數(shù)法、靜態(tài)地層系數(shù)法、動態(tài)綜合多因素劈分系數(shù)法[4-6]。近年來，國內(nèi)外很多學(xué)者也對注水量預(yù)測方法進行了深入研究。夏靜[7]等運用一種改進的KH劈分方法，通過計算劈分參數(shù)，從而得到注水量，這種方法具有廣泛性、簡便快捷的特點，但由于考慮因素單一并不能準(zhǔn)確地計算出分層注水量；馬奎前等[8]利用迭代法對各層注水量進行重新分配，從而形成一種基于層間均衡驅(qū)替的注水量計算方法，由于層間均衡驅(qū)替沒有廣泛適用性，也很難應(yīng)用到實際的注水當(dāng)中；李俊鍵等[9]利用了一種基于粒子群優(yōu)化的支持向量機的方法，建立了吸水剖面回歸預(yù)測模型，但由于吸水剖面資料過少，并沒有得到廣泛應(yīng)用；巫思國等[10]提出了連通厚度比例法，以與某一注水井連通的所有油井規(guī)劃的地下產(chǎn)液體積之和為基礎(chǔ)，以油井射開連通有效厚度之和與油井射開有效厚度之和的比值作為系數(shù)，來定量計算該注水井的配注量。

由于影響分層吸水量的因素很多，且各因素間相互影響存在非線性、不確定性和時變性等，造成現(xiàn)有計算方法和計算模型不能準(zhǔn)確或高效預(yù)測分層段配水量[11-13]。本文將分層注水量預(yù)測與神經(jīng)網(wǎng)絡(luò)相結(jié)合，提出一種基于BP神經(jīng)網(wǎng)絡(luò)的分層注水量預(yù)測模型，以期更加準(zhǔn)確地預(yù)測生產(chǎn)井分層注水量。

1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是一種誤差反向傳播的多層前向型神經(jīng)網(wǎng)絡(luò)，目前人工神經(jīng)網(wǎng)絡(luò)實際應(yīng)用最廣泛的是前向型神經(jīng)網(wǎng)絡(luò)。其神經(jīng)元的傳遞采用S型函數(shù)，輸出量為0～1的連續(xù)量，可以實現(xiàn)從輸入到輸出的任意非線性映射[14-16]。

1.1 BP神經(jīng)網(wǎng)絡(luò)算法

BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程主要分兩個階段：第一個階段是輸入已知學(xué)習(xí)樣本，通過設(shè)置的網(wǎng)絡(luò)結(jié)構(gòu)和前一次迭代的權(quán)值和閾值，從網(wǎng)絡(luò)第一層向后計算各神經(jīng)元的輸出，第二個階段是對權(quán)值和閾值進行修改，從最后一層向前計算各權(quán)值和閾值對總誤差的影響，據(jù)此對各權(quán)值和閾值進行改進。以上兩個過程反復(fù)交替，直到輸出層的輸出量與期望值的差值滿足誤差精度要求后，將所得的網(wǎng)絡(luò)進行存儲[17-19]。

BP神經(jīng)網(wǎng)絡(luò)可以利用三層向前具有Sigmoid神經(jīng)元的非線性網(wǎng)絡(luò)，以任意精度逼近任何連續(xù)函數(shù)，因此可以用于對分層注水量進行預(yù)測[20]。

注水量預(yù)測的BP神經(jīng)網(wǎng)絡(luò)流程如圖1所示。

圖1 BP神經(jīng)網(wǎng)絡(luò)流程

1.2 基于BP神經(jīng)網(wǎng)絡(luò)的分層注水量預(yù)測模型

根據(jù)分層注水量預(yù)測的需要，選擇3層向前神經(jīng)網(wǎng)絡(luò)。其中輸入層節(jié)點為7個，兩個隱含層經(jīng)過優(yōu)化各選擇5個節(jié)點，輸出層1個節(jié)點。拓撲結(jié)構(gòu)如圖2所示。

圖2 BP神經(jīng)網(wǎng)絡(luò)拓撲結(jié)構(gòu)示意

2 實驗

2.1 分層注水量預(yù)測模型網(wǎng)絡(luò)訓(xùn)練

將大慶油田采油二廠的部分測井樣本數(shù)據(jù)作為訓(xùn)練樣本，取其中的100組數(shù)據(jù)。將其中80組數(shù)據(jù)進行網(wǎng)絡(luò)訓(xùn)練，20組數(shù)據(jù)進行注水量預(yù)測。部分數(shù)據(jù)如表1所示。

表1 部分樣本數(shù)據(jù)

以有效厚度、滲透率等7個影響因素作為輸入層，分層注水量為輸出層，經(jīng)優(yōu)化選擇2個隱含層各5個節(jié)點，隱含層使用tansig傳遞函數(shù)，輸出層使用purelin傳遞函數(shù)，建立基于BP神經(jīng)網(wǎng)絡(luò)的分層注水量預(yù)測模型。進行網(wǎng)絡(luò)的訓(xùn)練和預(yù)測，同時也選取20組數(shù)據(jù)通過訓(xùn)練好的網(wǎng)絡(luò)進行預(yù)測，并與實際注水量作對比。建立的神經(jīng)網(wǎng)絡(luò)如圖3所示。

圖3 注水量預(yù)測BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

2.2 分析

為驗證本文建立的基于BP神經(jīng)網(wǎng)絡(luò)的分層注水量預(yù)測模型的正確性，網(wǎng)絡(luò)訓(xùn)練對20組測試數(shù)據(jù)的仿真結(jié)果如圖4所示。

圖4 注水量驗證數(shù)據(jù)預(yù)測值與實際值對比曲線

由圖4可知，油井實際注水實測曲線與預(yù)測曲線基本吻合，且發(fā)展趨勢也基本相同，但在個別樣本點處稍有差別，為定量表征實測值與預(yù)測值的差異，將實測值與預(yù)測值誤差呈現(xiàn)在圖5中。

圖5 注水量驗證數(shù)據(jù)誤差曲線

對比實際注水量可知，通過BP神經(jīng)網(wǎng)絡(luò)計算的注水量與實際注水量很接近，最大誤差為8.7%，平均誤差為2.1%，誤差均在10%以內(nèi)。而以往的資料顯示，動態(tài)方程法計算注水量的誤差在15%左右。

采用本文建立的基于BP神經(jīng)網(wǎng)絡(luò)的分層注水量預(yù)測模型，對15～45 m3/d的注水?dāng)?shù)據(jù)進行預(yù)測，預(yù)測結(jié)果如圖6所示。

圖6 注水量測試樣本真實值與預(yù)測值散點擬合

由圖6可知，預(yù)測值與真實值基本吻合，在28 m3/d處存在最大誤差，最大誤差值為3 m3/d，最大相對誤差為8.7%。

綜上所述，從定性角度分析，預(yù)測曲線與實際曲線基本吻合；從定量角度分析，最大誤差為8.7%，平均誤差為2.1%，誤差均在10%以內(nèi)，小于現(xiàn)有動態(tài)方程法計算注水量的誤差15%。因此基于BP神經(jīng)網(wǎng)絡(luò)的分層注水量預(yù)測方法較其他大多數(shù)注水量預(yù)測方法誤差低，此方法在分層注水量的預(yù)測中可以起到很好的效果。

3 結(jié)論

本文建立了一種基于BP神經(jīng)網(wǎng)絡(luò)的分層注水量預(yù)測模型，選取有效厚度、滲透率等七個影響因素作分層注水量的預(yù)測。以80組數(shù)據(jù)作訓(xùn)練，20組數(shù)據(jù)作測試，實驗結(jié)果的平均誤差在2%左右，最大誤差不超過10%，明顯低于目前的注水量預(yù)測方法。由此可以看出，基于BP神經(jīng)網(wǎng)絡(luò)的分層注水量智能預(yù)測方法可以降低注水量預(yù)測的誤差，效果較為明顯。此外還可以通過對神經(jīng)網(wǎng)絡(luò)進行在線學(xué)習(xí)，優(yōu)化神經(jīng)網(wǎng)絡(luò)，以得到更小誤差、更理想的神經(jīng)網(wǎng)絡(luò)模型，進行分層注水量的預(yù)測。因此基于BP神經(jīng)網(wǎng)絡(luò)的分層注水量智能預(yù)測方法可以準(zhǔn)確地預(yù)測分層注水量，提高油田的采收率。