生產井分層注水量智能預測方法研究

郭哲源，韓連福，，鄧 剛，夏 薇，劉興斌，，楊 林

1.東北石油大學，黑龍江大慶 163000

2.大慶油田有限責任公司，黑龍江大慶 163153

3.中國石油集團測井有限公司，陜西西安 710077

我國大部分油田的開采已進入中后期階段，注水開采是油田主要的開采方式，能有效補充地層壓力，提高原油采收率。在注水開采過程中，由于每個層段滲透率等參數各不相同，常采用分層注水，合理的分層注水可大大緩解層間矛盾，故每一層段注水量的預測就成為分層注水的一個關鍵問題[1-3]。

準確預測生產井每一層段的注水量，可大大提高油田開采效率。目前油田注水井各層段分層注水量的計算主要方法有：有效厚度法、吸水剖面系數法、靜態地層系數法、動態綜合多因素劈分系數法[4-6]。近年來，國內外很多學者也對注水量預測方法進行了深入研究。夏靜[7]等運用一種改進的KH劈分方法，通過計算劈分參數，從而得到注水量，這種方法具有廣泛性、簡便快捷的特點，但由于考慮因素單一并不能準確地計算出分層注水量；馬奎前等[8]利用迭代法對各層注水量進行重新分配，從而形成一種基于層間均衡驅替的注水量計算方法，由于層間均衡驅替沒有廣泛適用性，也很難應用到實際的注水當中；李俊鍵等[9]利用了一種基于粒子群優化的支持向量機的方法，建立了吸水剖面回歸預測模型，但由于吸水剖面資料過少，并沒有得到廣泛應用；巫思國等[10]提出了連通厚度比例法，以與某一注水井連通的所有油井規劃的地下產液體積之和為基礎，以油井射開連通有效厚度之和與油井射開有效厚度之和的比值作為系數，來定量計算該注水井的配注量。

由于影響分層吸水量的因素很多，且各因素間相互影響存在非線性、不確定性和時變性等，造成現有計算方法和計算模型不能準確或高效預測分層段配水量[11-13]。本文將分層注水量預測與神經網絡相結合，提出一種基于BP神經網絡的分層注水量預測模型，以期更加準確地預測生產井分層注水量。

1 BP神經網絡

BP神經網絡是一種誤差反向傳播的多層前向型神經網絡，目前人工神經網絡實際應用最廣泛的是前向型神經網絡。其神經元的傳遞采用S型函數，輸出量為0～1的連續量，可以實現從輸入到輸出的任意非線性映射[14-16]。

1.1 BP神經網絡算法

BP神經網絡的學習過程主要分兩個階段：第一個階段是輸入已知學習樣本，通過設置的網絡結構和前一次迭代的權值和閾值，從網絡第一層向后計算各神經元的輸出，第二個階段是對權值和閾值進行修改，從最后一層向前計算各權值和閾值對總誤差的影響，據此對各權值和閾值進行改進。以上兩個過程反復交替，直到輸出層的輸出量與期望值的差值滿足誤差精度要求后，將所得的網絡進行存儲[17-19]。

BP神經網絡可以利用三層向前具有Sigmoid神經元的非線性網絡，以任意精度逼近任何連續函數，因此可以用于對分層注水量進行預測[20]。

注水量預測的BP神經網絡流程如圖1所示。

圖1 BP神經網絡流程

1.2 基于BP神經網絡的分層注水量預測模型

根據分層注水量預測的需要，選擇3層向前神經網絡。其中輸入層節點為7個，兩個隱含層經過優化各選擇5個節點，輸出層1個節點。拓撲結構如圖2所示。

圖2 BP神經網絡拓撲結構示意

2 實驗

2.1 分層注水量預測模型網絡訓練

將大慶油田采油二廠的部分測井樣本數據作為訓練樣本，取其中的100組數據。將其中80組數據進行網絡訓練，20組數據進行注水量預測。部分數據如表1所示。

表1 部分樣本數據

以有效厚度、滲透率等7個影響因素作為輸入層，分層注水量為輸出層，經優化選擇2個隱含層各5個節點，隱含層使用tansig傳遞函數，輸出層使用purelin傳遞函數，建立基于BP神經網絡的分層注水量預測模型。進行網絡的訓練和預測，同時也選取20組數據通過訓練好的網絡進行預測，并與實際注水量作對比。建立的神經網絡如圖3所示。

圖3 注水量預測BP神經網絡結構

2.2 分析

為驗證本文建立的基于BP神經網絡的分層注水量預測模型的正確性，網絡訓練對20組測試數據的仿真結果如圖4所示。

圖4 注水量驗證數據預測值與實際值對比曲線

由圖4可知，油井實際注水實測曲線與預測曲線基本吻合，且發展趨勢也基本相同，但在個別樣本點處稍有差別，為定量表征實測值與預測值的差異，將實測值與預測值誤差呈現在圖5中。

圖5 注水量驗證數據誤差曲線

對比實際注水量可知，通過BP神經網絡計算的注水量與實際注水量很接近，最大誤差為8.7%，平均誤差為2.1%，誤差均在10%以內。而以往的資料顯示，動態方程法計算注水量的誤差在15%左右。

采用本文建立的基于BP神經網絡的分層注水量預測模型，對15～45 m3/d的注水數據進行預測，預測結果如圖6所示。

圖6 注水量測試樣本真實值與預測值散點擬合

由圖6可知，預測值與真實值基本吻合，在28 m3/d處存在最大誤差，最大誤差值為3 m3/d，最大相對誤差為8.7%。

綜上所述，從定性角度分析，預測曲線與實際曲線基本吻合；從定量角度分析，最大誤差為8.7%，平均誤差為2.1%，誤差均在10%以內，小于現有動態方程法計算注水量的誤差15%。因此基于BP神經網絡的分層注水量預測方法較其他大多數注水量預測方法誤差低，此方法在分層注水量的預測中可以起到很好的效果。

3 結論

本文建立了一種基于BP神經網絡的分層注水量預測模型，選取有效厚度、滲透率等七個影響因素作分層注水量的預測。以80組數據作訓練，20組數據作測試，實驗結果的平均誤差在2%左右，最大誤差不超過10%，明顯低于目前的注水量預測方法。由此可以看出，基于BP神經網絡的分層注水量智能預測方法可以降低注水量預測的誤差，效果較為明顯。此外還可以通過對神經網絡進行在線學習，優化神經網絡，以得到更小誤差、更理想的神經網絡模型，進行分層注水量的預測。因此基于BP神經網絡的分層注水量智能預測方法可以準確地預測分層注水量，提高油田的采收率。