人工神經網絡在氣井管理及動態預測中的應用

劉占良 石萬里 孫振 成育紅 唐婧

中國石油長慶油田公司第五采氣廠

氣井動態預測［1］最常見的方法是氣藏工程方法［2］以及數值模擬方法。近年來，基于人工神經網絡的預測技術也得到了初步應用。人工神經網絡［3］是廣泛應用于預測預報方面的一種技術。在油氣田的地質和產能評價研究中也可以發揮其特長，即把專家對于該油氣田地質和產能的經驗知識和數學模型結合起來，進行有效的預測。

鄂爾多斯盆地蘇里格氣田東區氣井控制儲量小、砂體大小差異大、儲層物性非均質性強，難以建立比較可靠的地質模型［4－9］，經驗型的預測方法也不能完全使用，導致常規氣藏工程方法難以準確預測。對于這類氣藏，基于人工神經網絡的人工智能預測往往能夠取得更好的效果。筆者討論的預測方法完全依賴于氣井生產動態數據，不需要地質參數，所以不受不確定參數的影響。

人工神經網絡仍然是通過數值計算求解的。計算是在接受輸入數據后，分為多個層次接力完成。如圖1所示，多個計算層由數據輸入輸出相連接，就構成了網絡。從輸入層接收輸入向量X后，計算得到向量H，送入中間隱藏層，隱藏層可以有多層。隱藏層計算得到向量Z，送到輸出層。最后輸出層給出解向量Y。由于這里的數據是從輸入層單方向前進到輸出層的，中間沒有后向反饋，所以這種網絡就是前饋式人工神經網絡。屬于比較簡單有效的一種［1－3］。筆者利用前饋式人工神經網絡完成了預測的算法設計和軟件。

圖1 前饋式人工神經網絡示意圖

1 氣井動態特征識別指標

1.1 氣井生產日報

蘇里格氣田東區單井生產日報數據如表1所示。在數據列方面，顯然井號和日期沒有識別意義，由于井底節流，油壓也沒有識別意義。其余4列有識別意義。在數據行方面，自氣井投產后，按照日歷天數，每天就有一行數據。氣井投產時間越長，數據量越大。如何用幾個特征數據簡單地識別單井生產日報龐大的數據所反映的氣井生產能力，迅速準確地把待識別的單井生產日報數據和知識庫樣本中的單井做出類比，找到最相似的氣井，這是動態特征識別和人工神經網絡預測［10］首先要解決的問題。

表1 單井生產日報示例表

1.2 動態特征識別指標

這里提出4個生產動態特征指標［11］，用來識別不同井的單井生產日報。

首先設定一個常數t，表示氣井自開井投產以來到要達到的累計開井小時數（等于報表前n行的生產時間列的累加值）。如果1口井的累計開井小時數達不到t，表明該井生產時間太短不足以識別預測。n就是自開井以來的投產天數，t不大于24×n。

1.2.1 套壓加權平均值

套壓加權平均值是n天期間內每天的套壓和每天產氣量的加權平均值。即

1.2.2 開井時率

開井時率指n天期間內的開井時率。即

1.2.3 折算日產氣量［12］

折算日產氣量是指n天期間內累計日產氣量除以用t折算的生產天數。即

1.2.4 平均日產水量

折算日產水量的含義和算法與折算日產氣量類似。

從氣藏產能角度看，折算日產氣量反映了儲層的物性特別是滲透率大小，折算產水量反映了儲層含水的多少，套壓加權平均值反映了儲量的大小，開井時率反映了投產以來開井的強度和關井恢復程度。這4個指標綜合起來，可以全面反映了單井控制砂體的儲滲能力（彈性能量）。實際使用中，可以把指標1和指標2相乘，當作一個指標來用。

問題是常數t該取多大，才能把不同類型的氣井明顯地區分開來。根據對蘇里格氣田東區多口長期投產井數據的對比分析，總結出在該氣田大多數井的t值取24×200h就可以達到目的（t的取值約為氣井穩產期的1／4）。

2 氣井動態預測的人工神經網絡模型

2.1 ARPS曲線參數的預測模型

設計的氣井動態人工神經網絡預測模型如表2所示。把ARPS遞減［13－15］曲線參數（初始產量、初始遞減率［2］）和2個開發指標（初始壓力、動儲量）作為預測目標，并與動態特征識別指標一起組合成向量，形成ARPS遞減預測人工神經網絡的預測模型。預測樣本目標值所列出的ARPS遞減參數及2個開發指標，再由此計算氣井每個月的動態數據。

表2 氣井動態ARPS遞減參數人工神經網絡預測模型表

2.2 蘇里格氣田東區氣井人工神經網絡訓練知識庫

在蘇里格氣田東區投產時間較長的一批井中，通過動態分析以及氣藏數值模擬，仿照表2，得到了143口井的氣井動態ARPS遞減參數人工神經網絡預測模型，組成人工神經網絡的訓練樣本（知識庫）。

2.3 人工神經網絡預測軟件的結構

所設計的氣井ARPS遞減參數人工神經網絡預測軟件結構如圖2所示。

圖2 氣井ARPS遞減參數人工神經網絡預測結構圖

表3列出了其中1口井的ARPS遞減預測結果。

表3 1口井的ARPS遞減預測結果示例表

3 結束語

“氣井ARPS遞減參數人工神經網絡預測軟件”用Java編程實現，用C＋＋編程和氣田數據庫實現接口，可以在網絡客戶端順利運行。可以把氣井的主要開發指標預測值和ARPS遞減曲線數據輸出到Excel文件，方便地完成后續數據處理。知識庫樣本數據可以任意編輯，方便地實現知識庫的完善和更新。

軟件已經通過測試和使用，只要能總結出不同氣田氣井ARPS遞減參數的知識庫，該方法和軟件都可以推廣應用。

［1］邊肇祺.統計模式識別中的非參數方法［J］.國外自動化，1984（5）：27.BIAN Zhaoqi.The non parametric method of statistical pattern recognition［J］.Foreign Automation，1984，5：27.

［2］王怒濤，黃炳光，梁尚斌，等.氣井產能分析方法研究［J］.大慶石油地質與開發，2004，23（1）：33－34.WANG Nutao，HUANG Bingguang，LIANG Shangbin，et al.Study on analysis method of gas well productivity［J］.Petroleum Geology ＆ Oilfield Development in Daqing，2004，23（1）：33－34.

［3］韓力群.人工神經網絡在控制中的應用及發展前景［J］.北京輕工業學院學報，1996，3（1）：32－36.HAN Liqun.Journal of artificial neural network application and development prospects in control［J］.Beijing Institute of Light Industry，1996，3（1）：32－36.

［4］劉琦，羅平亞，孫雷，等.蘇里格氣田蘇五區塊天然氣動態儲量的計算［J］.天然氣工業，2012，32（6）：46－49.LIU Qi，LUO Pingya，SUN Lei，et al.Calculation of dynamic gas reserves in Block Su－5of the Sulige Gas Field［J］.Natural Gas Industry，2012，32（6）：46－49.

［5］李明波.蘇里格氣田蘇53區塊南部地區有效砂體預測［J］.天然氣工業，2013，33（8）：20－24.LI Mingbo.Mapping of the effective sandstone reservoirs in southern Block Su－53，Sulige Gas Field，Ordos Basin［J］.Natural Gas Industry，2013，33（8）：20－24.

［6］黃海平，包強，劉榮和.“虛擬井”技術在復雜氣藏建模中的應用［J］.天然氣工業，2012，32（4）：39－41.HUANG Haiping，BAO Qiang，LIU Ronghe，et al."Application of virtual wells"technology in complex reservoir modeling［J］.Natural Gas Industry 2012，32（4）：39－41.

［7］佚名.蘇里格氣田230×108m3／a開發規劃調整方案（地質與氣藏工程）［R］.西安：中國石油長慶油田公司，2012.Anon.A development planning adjustment scheme of Sulige Gas Field with annual productivity of 23billion m3：Geology and reservoir engineering［R］.Xi＇an：PetroChina Changqing Oilfield Company，2012.

［8］盧海嬌，趙紅格，李文厚.蘇里格氣田盒8氣層組厚層辮狀河道砂體構型分析［J］.東北石油大學學報，2014，38（1）：46－52.LU Haijiao，ZHAO Hongge，LI Wenhou.Architectural analysis of braided channel thick sandbody in the eighth member of Shihezi Formation，Sulige Gas Field［J］.Journal of Northeast Petroleum，2014，38（1）：46－52.

［9］費世祥，馮強漢，安志偉，等.蘇里格氣田中區下石盒子組盒8段沉積相研究［J］.天然氣勘探與開發，2013，36（2）：31－35.FEI Shixiang，FENG Qianghan，AN Zhiwei，et al.Sedimentary facies of Shihezi 8member in middle area，Sulige Gas Field［J］.Natural Gas Exploration and Development，2013，36（2）：31－35.

［10］侯大力，孫雷，潘毅，等.人工神經網絡預測高含CO2天然氣的含水量［J］.西南石油大學學報：自然科學版，2013，35（4）：121－125.HOU Dali，SUN Lei，PAN Yi，et al.Predicting water content of high CO2content natural gas by artificial neural network［J］.Journal of Southwest Petroleum University：Science ＆ Technology Edition，2013，35（4）：121－125.

［11］潘偉.修正衰減曲線法在低滲氣藏動態分析中的應用［J］.西南石油大學學報：自然科學版，2012，34（3）：116－120.PAN Wei.Correction for attenuation curve method in low permeability gas reservoir dynamic analysis application［J］.Journal of Southwest Petroleum University：Science＆ Technology Edition，2012，34（3）：116－120.

［12］秦學成，段永剛，謝學恒，等.煤層氣井產氣量控制因素分析［J］.西南石油大學學報：自然科學版，2012，34（2）：99－104.QIN Xuecheng，DUAN Yonggang，XIE Xueheng，et al.Controlling factor analysis of gas production rate in coal bed gas well［J］.Journal of Southwest Petroleum University：Science ＆ Technology Edition，2012，34（2）：99－104.

［13］周慧敏，賈彬，汪毅，等.Arps遞減分析法在大牛地氣田的應用［J］.中國石油和化工標準與質量，2013（5）：175.ZHOU Huimin，JIA Bin，WANG Yi，et al.Application of Arps in Daniudi gas field［J］.China Petroleum and Chemical Standard and Quality，2013（5）：175.

［14］徐鳳蘭，李蘇蓉，劉其芬，等.蘇里格氣田產量遞減規律的綜合研究與應用［J］.油氣井測試，2014，23（1）：42－45.XU Fenglan，LI Surong，LIU Qifen，et al.Research and application of comprehensive law of diminishing yield in Surig gas field［J］.Oil and Gas Well Testing，2014，23（1）：42－45.

［15］郝明強，胡永樂，李凡華，等.特低滲透油藏壓裂水平井產量遞減規律［J］.石油學報，2012，33（2）：269－273.HAO Mingqiang，HU Yongle，LI Fanhua，et al.Production decline laws of fractured horizontal wells in ultra－low permeability reservoirs［J］.Acta Petrolei Sinica，2012，33（2）：269－273.