BP神经网络用于某油田的生产动态分析

唐惠康 李翔宇

1河南职业技术学院2北华大学木质材料科学工程省重点实验室

BP神经网络用于某油田的生产动态分析

唐惠康1李翔宇2

1河南职业技术学院2北华大学木质材料科学工程省重点实验室

将BP神经网络用于油田生产动态分析，是指收集现有油田生产、测井、试油试采数据并将其用于建立生产动态分析预测模型，使其为生产实践服务。该方法对原始数据要求不高，弥补了传统分析方法计算量大、耗时费力的缺陷，而且此方法不受油田开发阶段和生产方式的影响，适用性强，应用范围广。BP神经网络结构由输入层、隐层、输出层三部分组成。以某油田区块3号井为例，验证BP神经网络在生产动态分析方面的应用效果。对比该井12个月内实际产油速度与分析预测产油速度的差异，结果表明两者数值差异不大，分析预测误差被限制在6%以下。

BP神经网络；动态分析；数据集；网格训练；模型

目前，国内外油田生产动态分析方法按照对油田生产数据的使用情况分为两类：无需油田生产数据的方法和需要油田生产数据的方法。无需油田生产数据的方法主要包括类比法、实验法、经验公式和图版法、水动力学概算法等；需要油田生产数据的方法主要包括油田数值模拟法、特征曲线法、产量递减法、物质平衡法等[1]。虽然以上方法在油田生产中得到了较为广泛的应用，但是各种方法的局限性较为突出，使得其难以很好地满足油田开发人员的要求。

将BP（Back Propagation）神经网络用于油田生产动态分析，是指收集现有油田生产、测井、试油试采数据并将其用于建立生产动态分析预测模型，使其为生产实践服务。该方法对原始数据要求不高，弥补了传统分析方法计算量大、耗时费力的缺陷，而且此方法不受油田开发阶段和生产方式的影响，适用性强，应用范围广。

1BP神经网络模型的建立

BP神经网络作为人工神经网络的种类之一，它是一种向后传播的网络模式，可完成各种非线性连续映射的任意近似，对于识别作业模式、诊断施工方式方法有较好的应用效果。BP神经网络基于改良的Delta规则，运用最小误差学习法，使其适应多层次网络结构。BP神经网络结构一般由输入层、隐层、输出层三部分组成。输入层单元一般与隐层单元分别连接，而输入层单元之间相互不需连接；隐层单元与输出层单元连接，隐层单元之间也不需连接[2]，如图1所示。

图1BP神经网络模型

BP神经网络多采用S型函数作为各层处理单元之间的传递桥梁，使其易于收敛。BP神经网络是一种学习型网络，在使用其进行实际预测之前，必须向其输入多组成对的输入层和输出层数据，使其在已有数据中得到训练，从而建立模型，运用到系统的后续计算中。BP神经网络具有以下优点：①收敛性强；②学习能力强，可适应多种工作需求；③并行处理能力强，速度快，稳定性好；④容错改错能力强，处理结果可靠性强。

2 油田生产动态分析

将BP神经网络用于油田生产动态分析需要进行一系列的系统工作。首先，分析处理现有测井、生产数据等油田资料，划分网格并取得泄油面积，将其再与测井、生产数据结合，形成数据集；其次，建立基于BP神经网络的函数逼近器，作为网络模型，并使用数据集现有资料训练这一系列的网络模型；第三，融合网络使之有机结合在一起，建立油田范围内的处理模型；最后，运用已建立的模型进行生产动态分析预测。

2.1 建立数据集

数据集主要是指油田处理目的井与其相邻井的各种数据集合，主要包括油田静态生产数据、动态生产数据以及两者之间的时间、空间内的相关性。油田静态数据是指与生产无关的油田固有参数，生产动态数据是指生产井投入生产时获得的油田动态数据参数，二者均包含丰富的油田数据信息，将二者有机结合起来，即可获得较完整的油田数据。油田静态和动态数据之间有明显的时间、空间相关性。时间相关性是指目标井及其邻井当前与过去各项参数的相互关系，利用数据集录入新老井的生产参数可获得其相关关系；空间相关性是指目标井与邻井的数据差异以及油井参数的非均质性，利用数据集录入井距和泄油面积等参数可获得此项相关关系。

数据集生产信息以月为时间单位进行记录，每口井每月均按时录入一条相关数据信息至数据集中，当数据集中累计数据条目达到神经网格训练的基本数量要求时，即可开始后续网格训练作业。

2.2 训练网格

运用Voronoi网格划分方法，根据数据集内井参数和每口井的泄油面积划分处理网格。通过反向传播算法进行神经网格训练，将数据样本划分为三类[3]：

（1）基础样本。基础样本是三类样本中比例最大的部分，是神经网格训练的数据基础。

（2）校正样本。校正样本是选取的所有样本中分析预测数据误差最小的样本集合，通过校正样本可对网格训练中的样本进行校正，规避训练中出现样本计算量过大的问题。

（3）验证样本。验证样本用来对神经网格训练结果进行验证，检验训练结果。

2.3 建立模型

以生产速度为输出参数建立分析预测模型。分析影响油井生产速度（产油速度、产水速度、产气速度）的因素，对目标井及其邻井各种影响因素进行评价，确定输入参数。新井生产速度分析预测也可通过此模型获得，将第一个月新井的各项生产数据录入数据集，第二个月即可获得生产情况分析预测数据，由此建立相应模型，多井模型结合后即可获得整个油田的生产动态分析预测模型。

3 应用实例

以某油田区块3号井为例，验证BP神经网络在生产动态分析方面的应用效果。该区块共有15口井，生产时长12个月，共收集数据样本15×12= 180条。将数据样本分为三类：基础样本140例、校正样本20例、验证样本20例。以目前油田区块产油速度为输出参数，以生产压差、孔渗饱和率等参数为输入参数建立生产动态分析预测模型。网格训练误差不超过0.5%，误差均值在0.37%左右。

运用该模型进行产油速度分析预测，以区块3号井为例，对比该井12个月内实际产油速度与分析预测产油速度的差异，结果表明两者数值差异不大，分析预测误差被限制在6%以下，如图2所示。

图2 分析预测产油速度与实际产油速度对比

除了分析预测油田产油速度外，还可运用此方法分析预测油田生产动态中的各项参数，如产水和产气速度、溶解气含量、井底流压等。

4 结语

（1）将BP神经网络用于油田生产动态分析预测，预测模型的方法适用范围广、稳定性强、误差小，节约时间和人力成本。

（2）神经网络训练前将数据划分为基础、校正、验证三大类型是保障神经网格高效记忆、学习的重要基础。

（3）应用实践证明，BP神经网络在油田生产动态分析中表现优良，除分析预测产油速度等参数外，还可延伸其分析预测范围。

[1]王天宇．BP神经网络用于石油工程的项目管理[J]．油气田地面工程，2014，33（2）：3-4．

[2]董长虹．Matlab神经网络与应用[M]．北京：国防工业出版社，2007．

[3]刘林，杨宇，杨彦军．基于R/S分析的BP网络方法预测气井产量[J]．断块油气田，2006，13（4）：24-26．

（栏目主持杨军）

10.3969/j.issn.1006-6896.2015.4.010