胡泊(长江大学,石油工程学院,湖北 武汉 430100)
基于人工神经网络研究多层合采井单层产量贡献的预测方法
胡泊(长江大学,石油工程学院,湖北 武汉 430100)
致密油气藏目前多采用多层合采的方法高效开发,但由于小层的物性差异及各层流体流动规律不同,对各层产量贡献度的精确评价难度大。本文采用非线性映射能力极强的BP神经网络技术,通过设置裂缝半长、孔隙度、渗透率、有效厚度、含气饱和度输入层,对其中任意20组模拟结果进行训练,最后对选取的其他5组模拟结果预测取得较好的结果。
合采井;产能贡献率;BP人工神经网络
低渗致密气藏一般气井单层产量低且厚度小,往往达不到工业产能,采用多层合采不仅可以提高单井产能,而且可以改善整个气田的开发效益。因此合采井产量贡献的确定对于油气田开发具有重要的意义[1~2]。目前应用比较广泛的确定合采单井产量贡献的方法主要有试油、生产测井、地质分析法和地球化学法。但这些方法都有其各自的缺陷。本文将用到BP神经网络[3],利用其非线性映射能力找出储层物性与各层产量贡献之间的关系,从而达到预测作用。
根据储层物性敏感性分析得知,流体的流量Q与流过的断面A、压力梯度、渗透率、粘度等有关。保留各层的共性找出每层不同的参数作为各个油层的特性。视每层油的粘度、横截面的宽度和压力梯度都相同,可以确定出5个不同的参数,孔隙度ϕ、厚度h、含气饱和度sg、渗透率k和裂缝长度l。
得知每层的ϕ、h、sg、k和l这五个参数和产量之间有一定的关系后,还需确定如何输入这些参数,且输入后还能具有较高的精度,以便简化输入。用数值模拟软件模拟出25组数据进行训练和预测。具体输入参数信息可用一个3x4的矩阵和一个裂缝长度l表示,通过转换使其变为一个4x1的列向量。具体变换如下:
Pi=
pi称为该层的储容系数百分比,这样就可以得到3层的输入参数p1,p2,p3和另一个输入参数l组成的一个4x1的矩阵,其中p1,p2,p3分别代表组内每层的特征信息,l代表组间不同裂缝长度,这样组内和组间的不同信息都可用该4x1矩阵表示,即作为输入信息。同理t1,t2,t3表示各层的产量百分比,代表每层的产量信息,作为输出值。经过训练后我们带入输入值得到的误差率如下图所示:
图1 络预测后的误差率
图1表示了每组差距最大的真实值和预测值。预测值中最大误差率不超过14%,且较大值来源于最小产层。
实例研究表明所提出的方法可正确预测各层产量贡献,并且具有较高的精度,这为计算多层合采气藏单层产能贡献增添了一种新思路。
[1]CHAI Rui,LI Zhenduo1Commingled gas production technology of Changqing gas field with composite gas reservoir[J]1Natural Gas Industry,2002,22(2):104-1061.
[2]XU Xianzhi,KUANG Guohua,CHEN Fenglei,et al1A method of pressure analyzing for multi layered commingled reservoir[J]1Acta Petrolei Sinica,1999,20(5):43-471.
[3]WU Yan,WANG Shou-jue.A new algorithm of improving the learning performance of neural network by feedback[J].Journal of Computer Research and Development,2004,41
胡泊(1990-),男,在校硕士,从事油气田开发方向研究;