BP神經網絡法預測順北超深碳酸鹽巖儲層應力敏感程度

張鵬 吳通 李中 李澤 王劍杰 姬磊

1. 中國石油大學(北京)石油工程學院；2. 中海石油(中國)有限公司湛江分公司；3. 中國石油遼河油田分公司高升采油廠

順北油田儲層平均埋藏深度超過7 300 m，屬于奧陶系超深碳酸鹽巖裂縫-洞穴型油藏。儲層縫洞是主要的油氣儲存空間和滲流通道，為典型的巖石力學和滲流強非均質破碎性儲層［1］。應力敏感傷害是縫洞型油藏主要傷害類型之一，油井前期產量高但產量降低快，有可能是儲層敏感性傷害所致。采油過程中，生產壓差或采出速度不合適，或能引發應力敏感，造成儲層傷害。預測產能和建立工作制度時考慮儲層應力敏感傷害，更有利于油田穩產高產。應力敏感傷害主要由內因和外因所致。內因是儲層自身特性在外界因素作用下引發的因素，如巖性、巖石組成、膠結程度、孔隙結構、接觸方式等；外因是鉆完井、酸壓等施工過程引起儲層滲透率下降的因素，如流體性質、固相侵入、酸蝕等。預測引起應力敏感的外因是優化施工參數的基礎。

常規儲層應力敏感評價是依據現有的儲層敏感性流動實驗評價方法測試儲層巖心柱塞，通過實驗數據計算儲層應力敏感程度與圍壓的關系［2］，實驗周期長，儲層巖心的非均質特征可重復性差［3］。深層碳酸鹽巖儲層，往往在鉆井流體井漏失返后立即完井，使得巖心獲取困難甚至沒有巖心，導致室內測試過程困難重重。早有學者運用計算機模擬技術識別、診斷儲層傷害程度［4］，以解決實驗方法與實際地層符合率不高的難題［5］。實驗測試僅在某些必須的場合使用，如確定儲量、開發方案等。越來越多的學者認識到，數學方法快速預測儲層的應力敏感，即利用各類資料以及以前積累的應力敏感傷害數據，找到儲層應力敏感傷害與各類參數之間的關系，是一種可行的方案。楊賢友等利用儲層組成與結構資料采用置信概率的多組判別方法預測儲層五敏傷害類型和程度［6］，彭春耀等采用梯度最快下降法預測儲層敏感性［7］，張玄奇用灰色關聯法預測儲層敏感程度［8］，蔣官澄等用模式識別法［9］、XIONG Hongjie等用模糊數學法［10］、魏凱等用神經網絡和Monte-Carlo模擬法［11］預測儲層敏感程度，肖昌等用單相關分析和多元回歸預測儲層敏感［12］，羅向榮等用遺傳算法和回歸參數最小二乘估計法改進BP神經網絡預測儲層敏感［13］，但以人工神經網絡或者改進的人工神經網絡如徑向基神經網絡［14］、量子神經網絡［15］等數學方法預測儲層應力敏感的研究居多。

數學方法適用數據特征是預測的關鍵。文獻表明，神經網絡法用于預測儲層敏感性符合率最高，對于影響因素較多、相互關系復雜的敏感性預測，自適用性和學習能力較好。但是，神經網絡方法是否能與之在淺層油氣的應用一樣也適用于深層油氣藏，目前還未見相關報道。以順北油田典型的深層應力敏感性油田為例，用神經網絡方法預測儲層應力敏感程度，針對深層碳酸鹽巖開發乃至其他深層無巖心、無足夠巖心支撐實驗的情況進行研究。

1 預測過程

根據BP神經網絡方法的原理［16］，首先進行數據收集、處理，再根據數據結果確定層數、各層神經元個數，選擇作用函數，確定初始權值，選取學習速率和誤差限，進而代入數據訓練學習，獲得需要的結果。在具體實踐中，對數據處理、分析數據特征，不僅是用好BP神經網絡方法的基礎，更是選擇最佳模型的關鍵，如層數、作用函數等。

1.1 數據收集及預處理

以順北油田鷹山組碳酸鹽巖儲層為研究對象，收集整理4類資料：(1)已知應力敏感傷害程度的7口井的測井、試井、巖屑、薄片、電鏡掃描、X射線衍射等6種測試資料；(2)反映儲滲空間的孔隙度、滲透率、裂縫寬度、裂縫充填程度、充填物含量、孔洞平均直徑、顆粒膠結類型等7種參數；(3)反映巖石組分的各組分含量資料；(4)反映儲層環境的儲層中部深度以及對應位置的壓力、溫度等參數。另外，需對收集的定性數據預處理，轉換為定量數據。定性數據包括裂縫充填程度和充填類型，二者均是有序型多態定性數據，故采用非等差式賦值方法將定性數據轉換為定量數據。最后對數據進行歸一化，確保數據分布在0～1之間且無量綱。

1.2 變量與目標的相關性分析

根據初步確定的應力敏感傷害潛在因素，統計了應力敏感傷害影響因素的各類數據，但并不了解各因素的影響程度，可能有不必要參數的存在。為此，采用可很好解決影響關系不確定性問題的單相關法和灰色關聯法，分析并篩選了碳酸鹽巖應力敏感傷害與影響因素的相關度。單相關分析中一般用相關系數表示變量之間的線性相關程度，相關系數取值一般在?1～1之間。

根據整理得到的順北油田鷹山組7口井的數據資料，利用公式計算應力敏感傷害率、臨界應力與影響因素的單相關系數可知，對于應力敏感傷害率，等效縫寬、儲層壓力、儲層溫度、儲層中深、試井滲透率、孔洞平均直徑的相關度最高；縫洞充填物含量、裂縫主要充填類型、主要膠結類型、非碳酸鹽礦物含量、孔隙度為顯著相關；方解石含量、白云石含量相關度最低。對于臨界應力，儲層壓力、等效縫寬、儲層溫度、孔洞平均直徑、充填物含量相關度最高；儲層中深、裂縫主要充填類型、滲透率、孔隙度、非碳酸鹽礦物含量為顯著相關；主要膠結類型為低相關度；方解石含量、白云石含量為弱相關。

根據灰色關聯分析法6個步驟［17］，對計算出的關聯度進行排列，關聯度越大，則影響因素與研究對象相關程度越大。利用灰色關聯分析法原理，求應力敏感性傷害與其影響因素間的關聯系數矩陣，得到各影響因素對應的關聯系數。再根據相關度計算公式，計算應力敏感傷害率與各影響因素的關聯度。利用相同方法計算臨界應力與各影響因素的關聯度。

結果表明，等效縫寬、孔洞平均直徑、縫洞充填物含量、方解石含量、白云石含量、儲層中深、裂縫主要充填類型、孔隙度、主要膠結類型、滲透率、非碳酸鹽礦物含量與應力敏感性傷害率的相關度為顯著相關，儲層壓力、儲層溫度為低度相關。儲層溫度與臨界應力的相關程度為高度相關，縫洞充填物含量、儲層中深、儲層壓力、非碳酸鹽礦物含量、主要膠結類型、白云石含量、方解石含量、滲透率、孔洞平均直徑、孔隙度、裂縫主要充填類型、等效縫寬與臨界應力相關程度為顯著相關。

1.3 BP神經網絡模型的建立

BP神經網絡模型建立的主要內容包括神經網絡層數的確定、各層神經元個數的確定、作用函數的選擇、初始權值的確定、學習速率的選取和誤差限的選擇等。利用MATLAB中的神經網絡工具箱建立模型，作用函數、初始權值、學習速率等參數選擇神經網絡工具箱中默認值。隱含層作用函數為sigmoid函數，輸出層作用函數為線性函數。將神經網絡的層數確定為3層，輸入層神經元11個、輸出層神經元2個，誤差限設置為1.0×10?8，隱含層神經元設計為8個，網絡的訓練函數選擇trainlm函數。BP神經網絡模型相應參數確定后，對網絡進行訓練。

1.4 應力敏感預測結果

將相關性分析獲得的等效縫寬、儲層壓力、溫度、儲層中深、滲透率、孔洞平均直徑、縫洞充填物含量、裂縫主要充填類型、主要膠結類型、非碳酸鹽礦物含量、孔隙度，共11個應力敏感性傷害主控因素代入所建模型進行訓練計算。對模型訓練后，利用返回檢驗法對訓練好的神經網絡模型進行檢驗，用傷害程度預測符合率和預測誤差作為分析評價指標。從預測結果可知，7組樣品數據的應力敏感傷害程度預測結果均為強，實測結果同樣均為強，因而傷害程度預測符合率為100%；應力敏感傷害率的預測誤差最高8.97%，最低3.64%，平均7.15%，臨界應力的預測誤差最高9.31%，最低1.95%，平均5.21%。該預測結果滿足現場誤差要求。

2 預測結果準確性分析

利用BP神經網絡方法自身的返回檢驗法對訓練好的模型進行檢驗，盡管結果符合預期，滿足現場要求，但為了驗證其結果的穩定性和通用性，再與實驗評價結果、其他數學方法預測結果進行對比分析。

2.1 與實驗評價結果對比分析

按照景岷雪的碳酸鹽巖巖心應力敏感實驗［18］并參考SY/T 5358—2010《儲層敏感性評價實驗方法》中應力敏感評價內容，以儲層巖樣進行應力敏感評價。所研究的碳酸鹽巖應力敏感預測模型是利用順北油田鷹山組儲層數據及應力敏感傷害情況建立的，為驗證該模型是否適用于其他碳酸鹽巖儲層，收集順北油田一間房組碳酸鹽巖儲層掃描電鏡、X射線衍射、薄片分析、測井、試井等測試數據，利用所建模型對該一間房組儲層應力敏感進行預測。同時，優選了2枚具有明顯裂縫特征的柱塞，按照上述實驗方法進行應力敏感傷害評價。取2枚柱塞實驗結果的平均值作為該一間房組儲層應力敏感傷害值對預測結果進行分析驗證，結果見表1。

表1 網絡模型預測與實驗結果對比Table 1 Comparison between the prediction results of network model and the experimental results

將預測結果和實驗結果對比可知，基于BP神經網絡建立的模型對應力敏感傷害程度預測結果與實驗結果相符，都為強。應力敏感滲透率傷害率預測結果、臨界應力預測結果與實驗結果相比，誤差都小于10%，說明利用鷹山組儲層數據建立的BP神經網絡預測模型同樣適用于一間房組儲層的應力敏感傷害評價。

2.2 與其他數學方法預測結果對比分析

通過文獻資料可知，僅采用單相關分析法和灰色關聯分析法所建模型得不到具體數據；由收集到的順北油田鷹山組碳酸鹽巖儲層數據可知，碳酸鹽巖影響因素個數(11個)大于樣本數據組數(7組)，對于多元線性回歸分析法，無法進行多元線性回歸分析。在常用的數學算法中，按照李卓的支持向量機法［19］和劉為付的模糊數學綜合評價法［20］建立順北油田鷹山組碳酸鹽巖應力敏感預測模型，利用返回檢驗法檢驗模型準確性，并與BP神經網絡模型進行對比，檢驗BP神經網絡方法用于碳酸鹽巖儲層應力敏感傷害后是否為最優方法。結果顯示，綜合考慮應力敏感傷害程度預測符合率和預測結果平均誤差，基于BP神經網絡建立的順北油田鷹山組碳酸鹽巖儲層快速預測模型的預測結果最佳，與文獻調研統計對比得到的最優數學方法結果相符。

3 結論與建議

(1)收集、分析并選取了與順北油田鷹山組碳酸鹽巖應力敏感最為相關的11個主控因素，通過建立BP神經網絡模型并訓練計算，獲得的預測結果準確率較高；將該模型應用到順北油田一間房組，同樣獲得了滿意效果。由此表明該方法通用性良好，對深層碳酸鹽巖均具有良好的適用性。

(2)所建的BP神經網絡模型雖然預測效果較好，但由于收集到的超深井碳酸鹽巖儲層數據組數較少，仍存在一定誤差；不同學者收集數據的方法和途徑不同，所得數據不同，所建模型可能存在差異；神經網絡模型建立過程中存在多個參數值選取，如網絡層數、神經元個數等，對參數值選取原則不同，同樣可能存在差異。