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）

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。

1 输入值的分析与神经网络的应用研究

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。

2 结语

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；