基于K折雙循環(huán)神經(jīng)網(wǎng)絡的縫洞型油藏單井注氣效果預測方法*

張 慧

(1. 中國石油化工股份有限公司石油勘探開發(fā)研究院 北京 100083；2. 中國石油化工集團公司海相油氣藏開發(fā)重點實驗室 北京 100083)

塔河油田是目前國內(nèi)發(fā)現(xiàn)的最大的碳酸鹽巖縫洞型油藏，具有埋藏深、溫度高、儲集空間復雜、油水分布不規(guī)律等特征,投產(chǎn)初期依靠彈性能量開采，后期針對部分能量低、遞減速度快的井實施注水替油取得了較好的效果,目前大多數(shù)注水替油井經(jīng)過多輪次注水后周期含水已經(jīng)超過90%，注水替油已經(jīng)失效。針對該油田這一類失效井，研究發(fā)現(xiàn)在儲集體頂部還存在著部分剩余油，實施了注氣替油的礦場試驗，并取得了較好的效果，目前已進入工業(yè)化推廣階段。截至2017年7月，該油田已實施注氮氣井398口，累計動用儲量5 817×104t，累產(chǎn)油110.6×104t，提高采出程度0.83%，但注氣效果差異較大，注氣后增油從幾噸到幾萬噸不等。分析認為，影響注氣效果的因素錯綜復雜，主控因素不明，尚未建立注氣效果預測方法，因此亟需研究影響注氣效果的主控因素及注氣效果預測方法。

在多因素疊加影響塔河油田縫洞型油藏注氣效果的情況下，無法構(gòu)建常規(guī)預測模型獲得“解析解”。針對這種“黑箱”預測問題，神經(jīng)網(wǎng)絡是一種有效的分析手段。其中，BP神經(jīng)網(wǎng)絡是目前應用最廣泛的神經(jīng)網(wǎng)絡之一，是采用誤差反向傳播算法的多層網(wǎng)絡學習方法，被廣泛用在分類、聚類、預測等領域[1-3]，可以將復雜的“黑箱”問題或“模糊”問題通過神經(jīng)網(wǎng)絡方法實現(xiàn)數(shù)學建模，在預測油田酸壓效果[4]、儲層產(chǎn)能[5]、地層孔隙度[6]、聚合物驅(qū)后增產(chǎn)效果[7]等方面有成功應用的先例。但是，目前塔河油田的注氣井數(shù)量遠遠達不到傳統(tǒng)BP神經(jīng)網(wǎng)絡對訓練樣本數(shù)量的需求。因此，本文提出一種K折雙循環(huán)神經(jīng)網(wǎng)絡訓練方法，能夠充分發(fā)揮樣本數(shù)據(jù)的訓練潛能，完成小樣本情況下的高質(zhì)量擬合，進而實現(xiàn)縫洞型油藏單井注氣效果的定量化預測。

1 K折雙循環(huán)神經(jīng)網(wǎng)絡方法的提出

為了充分發(fā)掘所有先驗數(shù)據(jù)的作用，避免由于樣本數(shù)過少而使神經(jīng)網(wǎng)絡收斂到局部極值點，設計使用K折交叉驗證法和加權(quán)平均方式迭代訓練人工神經(jīng)網(wǎng)絡的關鍵參數(shù)，其核心理念是通過迭代的方式將有限的數(shù)據(jù)全部作為訓練數(shù)據(jù)和驗證數(shù)據(jù)。在單次迭代過程中首先拿出大部分樣本進行訓練，留小部分樣本對剛建立的模型進行驗證，求出這小部分樣本的預測誤差，并記錄預測的標準差。這個過程一直進行，直到所有的樣本都被預測了一次而且僅被預測一次。將得到的網(wǎng)絡參數(shù)進行加權(quán)平均后再反饋到算法開始的部分，逐一驗證平均后的網(wǎng)絡參數(shù)，并根據(jù)分別驗證的結(jié)果進行迭代運算，直到平均網(wǎng)絡參數(shù)能較為精確地預測所有數(shù)據(jù)(標準差最小)。

K的具體數(shù)值可以根據(jù)實際情況由技術(shù)人員動態(tài)調(diào)配，例如存在40組數(shù)據(jù)時可以將所有數(shù)據(jù)平均分為4份，即K=4(圖1)。K折雙循環(huán)神經(jīng)網(wǎng)絡方法的具體步驟為：

1) 開始K折雙循環(huán)訓練，將有限的樣本數(shù)據(jù)平均分為K組。在本次迭代過程中首先拿出(K-1)組樣本進行訓練，留下第i組數(shù)據(jù)，i∈{1,2,…，K}，作為樣本對剛建立的神經(jīng)網(wǎng)絡進行驗證。因此，本次迭代有K次內(nèi)循環(huán)。

2) 通過內(nèi)循環(huán)可以訓練生成階段性的神經(jīng)網(wǎng)絡，并通過該網(wǎng)絡預測第i組數(shù)據(jù)樣本，經(jīng)過與第i組數(shù)據(jù)的對比，求出階段性神經(jīng)網(wǎng)絡的預測誤差，并記錄預測的標準差。

圖1 基于K折雙循環(huán)神經(jīng)網(wǎng)絡的迭代訓練實例(K=4)

3) 內(nèi)循環(huán)過程交替進行，直到所有K組的樣本都作為驗證組數(shù)據(jù)，被驗證且僅被驗證了一次。

4) 使用預測的標準差作為加權(quán)，對不同網(wǎng)絡參數(shù)進行加權(quán)平均處理，并通過所有K組數(shù)據(jù)對加權(quán)平均后的網(wǎng)絡參數(shù)進行驗證。

5) 根據(jù)平均網(wǎng)絡的驗證結(jié)果進行評估，如果滿足標準差最低約束，直接輸出網(wǎng)絡參數(shù)，完成外循環(huán)；如果不滿足標準差最低約束，將平均網(wǎng)絡作為初值代入下一次K折訓練外循環(huán)。

通過K折迭代交叉比對的方法和加權(quán)平均方法，內(nèi)循環(huán)和外循環(huán)雙重迭代訓練預測最終神經(jīng)網(wǎng)絡的關鍵參數(shù)，其核心理念是雙重迭代(圖2)。

圖2 K折雙循環(huán)神經(jīng)網(wǎng)絡預測注氣效果流程圖

將神經(jīng)網(wǎng)絡訓練方法與K折交叉驗證方法結(jié)合起來，能夠充分發(fā)掘所有先驗數(shù)據(jù)的作用，避免由于訓練樣本數(shù)少而使神經(jīng)網(wǎng)絡收斂到局部極值點，提高傳統(tǒng)神經(jīng)網(wǎng)絡非線性規(guī)律擬合的能力，從而實現(xiàn)提高預測準確度的效果。具體優(yōu)勢如下：①樣本復用。能充分利用有限的樣本數(shù)據(jù)，在不同角度實現(xiàn)訓練和估計。②避免多解。利用加權(quán)平均避免多解問題，權(quán)重是網(wǎng)絡預測標準差的倒數(shù)。③增量記憶。將加權(quán)平均后的網(wǎng)絡參數(shù)反饋到新的計算流程中，作為下個循環(huán)的初值，實現(xiàn)網(wǎng)絡生成過程中的協(xié)同記憶。④進化能力。能避免陷入局部次優(yōu)解，在不滿足外循環(huán)標準差門限時，恢復用隨機網(wǎng)絡值作為初值，實現(xiàn)進化迭代。⑤并行計算能力。不同分組計算過程不存在依賴關系，可以容易的將算法進行并行化，從而提高計算效率。

2 塔河油田單井注氣效果預測

2.1 預測指標體系的構(gòu)建

根據(jù)現(xiàn)有認識，影響塔河油田單井注氣效果的因素主要有以下9項：①地質(zhì)成因；②底水能量；③儲集體類型；④儲量規(guī)模；⑤井儲關系；⑥是否過通源大斷裂；⑦注氣前采出程度；⑧開井初產(chǎn)液量；⑨注氣量。但是，縫洞型油藏單井注氣增油效果是各項影響因素的交織疊加，無法確定每種影響因素對單井注氣效果的影響程度，不能滿足預測單井注氣效果的需求，因此采用主成分分析法[8-10]篩選影響單井注氣效果的主控因素。

表1為各項影響因素綜合得分計算結(jié)果，可以看出各項影響因素對單井注氣效果的重要程度由大到小的排序為：底水能量、儲量規(guī)模、注氣量、儲集體類型、采出程度、井儲關系、開井初產(chǎn)液、地質(zhì)成因、是否過通源大斷裂。

表1 塔河油田注氣效果各影響因素綜合得分計算結(jié)果

根據(jù)表1所示的排序結(jié)果，選取前5項影響因素即底水能量、儲量規(guī)模、注氣量、儲集體類型、采出程度作為影響單井注氣效果的主控因素，并將這5項主控因素作為輸入?yún)?shù)，將注氣增油量作為輸出參數(shù)，從而構(gòu)建了預測指標體系(表2)。

表2 塔河油田單井注氣效果預測指標體系

2.2 預測指標體系的量化

5項輸入?yún)?shù)中只有底水能量、儲量規(guī)模、儲集體類型等3項是反映注氣井地質(zhì)背景的指標，需要對這3個指標進行量化，具體量化方法如下。

1) 底水能量。

水油體積比可以較為準確客觀地反映底水能量的大小。根據(jù)水驅(qū)油藏物質(zhì)平衡理論得到的水油體積比公式為[11]

(1)

因此，只要確定油藏的基本地質(zhì)參數(shù)、流體參數(shù)以及油藏開采到某一地層壓力水平下的累計產(chǎn)量，就可以計算某一油藏或者單井的底水能量。

2) 儲量規(guī)模。

井控儲量可以較為準確客觀地反映儲量規(guī)模。利用生產(chǎn)數(shù)據(jù)分析方法(PDA方法)，基于滲流理論及物質(zhì)平衡方程，針對不同儲集體類型的注氣井，分別建立單井概念模式及流動模型，通過井底壓力折算、單井控制范圍的修正、擬穩(wěn)態(tài)下PVT值的估算等提高多條曲線擬合精度，建立縫洞型油藏單井控制儲量評價流程[12](圖3)。計算得到的井控儲量近似作為儲量規(guī)模的定量化表征。

圖3 PDA方法計算井控儲量流程圖[12]

3) 儲集體類型。

儲集體類型主要有溶洞型和裂縫-孔洞型，特征如下：①溶洞型儲集體。地震反射特征以串珠、弱串珠或雜亂反射為主，串珠內(nèi)部無響應，周圍響應明顯，縱向延伸較短。測井曲線特征表現(xiàn)為溶洞發(fā)育處的自然伽馬值較基巖大，雙測井曲線急劇降低，且有正差異，三孔隙度曲線一致增大。生產(chǎn)動態(tài)特征表現(xiàn)為初產(chǎn)高，無水采油期和穩(wěn)產(chǎn)期均較長，后期含水快速上升或暴性水淹，產(chǎn)量快速遞減。②裂縫-孔洞型儲集體。地震反射特征以弱串珠、雜亂、寬波谷反射為主，串珠邊緣異常響應明顯，縱向延伸較大。測井曲線特征表現(xiàn)為自然伽馬值較基巖略大，雙測井曲線明顯減小，且有負差異；密度明顯減小。生產(chǎn)動態(tài)特征表現(xiàn)為初產(chǎn)高、無水采油期短，產(chǎn)量逐漸遞減，含水逐漸上升或臺階狀上升。

將溶洞型儲集體賦值1，裂縫-孔洞型儲集體賦值0.5，即可在K折雙循環(huán)神經(jīng)網(wǎng)絡訓練過程中區(qū)分2種儲集體類型。

2.3 預測結(jié)果的驗證

選取塔河油田完成了1個注氣周期的8口井，對其注氣后的增油量進行預測，并將預測注氣增油量與實際注氣增油量進行了對比，計算了相對誤差(圖4)。從圖4可以看出：預測注氣增油量與實際增油量的相對誤差最小為2.05%，最大為9.64%，符合工程上預測精度±10%的要求；并且預測誤差與注氣增油量無關，這說明K折雙循環(huán)神經(jīng)網(wǎng)絡不會受到注氣效果劇烈波動的影響，具有良好且穩(wěn)定的預測能力。

圖4 塔河油田注氣增油量本文方法預測值與實際值對比

3 結(jié)論

1) 提出了K折雙循環(huán)神經(jīng)網(wǎng)絡方法，該方法能夠充分發(fā)揮樣本數(shù)據(jù)的訓練潛能，完成小樣本情況下的高質(zhì)量擬合。

2) 利用主成分分析法篩選出影響塔河油田單井注氣效果的主控因素為底水能量、儲量規(guī)模、注氣量、儲集體類型、采出程度。利用本文方法預測的塔河油田8口注氣井的增油量，與實際增油量相比，最大相對誤差為9.64%，符合工程上預測精度的要求。本文方法為塔河油田注氣選井提供了一種有效的定量分析工具。

[1] 江文榮,張科.徑向基函數(shù)神經(jīng)網(wǎng)絡在孔隙度預測中的應用[J].中國海上油氣,2008,20(5):305-307,325.

JIANG Wenrong,ZHANG Ke.An application of RBF neural network in reservoir porosity prediction[J].China Offshore Oil and Gas,2008,20(5):305-307,325.

[2] 鮑祥生,朱立華,張金淼，等.基于SOM的無井約束剩余油分布預測[J].中國海上油氣,2009,21(4):242-243.

BAO Xiangsheng,ZHU Lihua,ZHANG Jinmiao,et al.A SOM-based prediction of remaining oil distribution without drilled-well constraints[J].China Offshore Oil and Gas,2009,21(4):242-243.

[3] 姜瑞忠,王平,候玉培，等.基于BP神經(jīng)網(wǎng)絡的油藏流場評價體系研究[J].斷塊油氣田,2012,19(3):319-322.

JIANG Ruizhong,WANG Ping,HOU Yupei,et al.Study on reservoir flow field evaluation system based on BP neural network[J].Fault-Block Oil & Gas Field,2012,19(3):319-322.

[4] 房好青,吳亞紅,張燁，等.神經(jīng)網(wǎng)絡方法在縫洞型碳酸鹽巖儲層酸壓改造中的應用[J].油氣井測試,2013,22(3):39-41.

FANG Haoqing,WU Yahong,ZHANG Ye,et al.Application of neural network method on acid fracturing of fracture-cavern carbonate reservoir[J].Well Testing,2013,22(3):39-41.

[5] 王黎,孫倩倩,張凌筱，等.BP人工神經(jīng)網(wǎng)絡在塔河油田產(chǎn)能預測中的應用[J].中國石油和化工,2012(10):50-53.

WANG Li,SUN Qianqian,ZHANG Lingxiao,et al.Application of BP artificial neural network in productivity prediction of Tahe oilfield[J].China Petroleum and Chemical Industry,2012(10):50-53.

[6] 彭志方.BP神經(jīng)網(wǎng)絡預測碳酸鹽巖地層孔隙度[J].石油天然氣學報,2006,28(3):249-251.

PENG Zhifang.Prediction of porosity in carbonate rocks by BP neural network[J].Journal of Oil and Gas Technology,2006,28(3):249-251.

[7] 侯健,樂友喜,王才經(jīng)，等.基于統(tǒng)計學習理論的提高采收率潛力預測[J].石油大學學報(自然科學版),2004,28(4):67-70.

HOU Jian,LE Youxi,WANG Caijing,et al.Potential prediction of enhanced oil recovery based on statistical learning theory[J].Journal of the University of Petroleum,China,2004,28(4):67-70.

[8] 蘇鍵,陳軍,何潔.主成分分析法及其應用[J].輕工科技,2012(9):12-13,16.

SU Jian,CHEN Jun,HE Jie.Principal component analysis and application.[J].Light Industry Science and Technology,2012(9):12-13,16.

[9] 王敏,陳民鋒,劉廣為,等.主成分分析法確定海上油田水驅(qū)效果評價關鍵指標[J].油氣地質(zhì)與采收率,2015,22(2):112-116.

WANG Min,CHEN Minfeng,LIU Guangwei,et al.Application of principal component analysis on determining the key evaluation indicators of water flooding effects in offshore oilfield[J].Petroleum Geology and Recovery Efficiency,2015,22(2):112-116.

[10] 李新明.用人工神經(jīng)網(wǎng)絡方法分析油藏壓裂效果：以靖安油田塞A井區(qū)長2油藏為例[J].地質(zhì)與資源,2009,18(3):217-221.

LI Xinming.Analysis of the fracturing result of reservoir by artificial neural network:a case study of the C2 reservoir in SA Wellblock,Jingan Oilfeld[J].Geology and Resources,2009,18(3):217-221.

[11] 李生.杏西油田南塊邊部天然水體能量評價方法[J].大慶石油地質(zhì)與開發(fā),2006,25(6):67-68,90.

LI Sheng.Research on energy evaluation method of natural water body in south block edge of Xingxi oilfield[J].Petroleum Geology & Oilfield Development in Daqing,2006,25(6):67-68,90.

[12] 呂心瑞,劉中春,朱桂良.基于PDA方法的縫洞型油藏井控儲量評價[J].斷塊油氣田,2017,24(2):233-237.

LV Xinrui,LIU Zhongchun，ZHU Guiliang.Well-controlled reserves evaluation of fracture vuggy reservoirs based on PDA method[J].Fault-Block Oil & Gas Field,2017,24(2):233-237.