一种新型调剖参数优化设计方法研究

何 旭 浦万芬

（西南石油大学，成都 610500）

一种新型调剖参数优化设计方法研究

何 旭 浦万芬

（西南石油大学，成都 610500）

研究一种新型调剖参数优化设计方法。以某油田调剖施工井为例，根据油田调剖工艺施工特点将施工参数分为人为可控参数和目的参数，结合灰色关联分析和BP神经网络两种技术实现人为可控参数的优化，预测此人为可控参数对应的调剖结果。

调剖；施工参数优化；灰色关联度；BP神经网络

油田注水开发后期，由于储层垂向和平面的非均质性加剧，导致油田大面积水淹水窜，产液量递减较大，含水率高。此时需要进行调剖施工以减小层间渗透率级差，改善层间矛盾，减缓油井含水上升率，达到稳油控水的目的。近年来，灰色关联度理论和BP神经网络理论分别在石油地质工程学中取得了广泛的应用。E M EI-M利用神经网络筛选评估EOR方案［1］；RezaianA利用神经网络预测EOR过程中 PVA(聚乙烯醇)对油水流变性质的影响［2］；H Jian利用BP神经网络预测EOR潜力［3］；Y Feng利用灰色关联度理论分析大庆油田聚合物驱的效果［4］。然而尚未有人将两者结合起来进行调剖施工参数优化。本文首次将上述两种方法结合起来，并以新疆某油田某调剖施工井为例进行分析。

在调剖施工期间和施工后的增产效果分析中，我们可以将遇到的参数分为两类，即人为可控参数和目的参数。前者如注入压力、日注入量、注入聚合物浓度等，后者则包括增产液量和含水率等。无论在调剖施工中注入的是何聚合物，人为可控参数都将影响调剖施工效果，并将这种影响反映到目的参数上。本论文的目的就是联合应用灰色关联分析和BP（Back-propagation）神经网络优化人为可控参数，并预测出在该人为可控参数下的目的参数，进而将该人为可控参数用于实际现场施工以得到最佳施工效果。

首先，利用灰色关联分析算法对每一个目的参数找到其所对应的人为可控参数关联度序列，通过比较关联度大小，找出针对该目的参数的关键人为可控参数。其次，分别调整各个关键人为可控参数，并通过BP神经网络预测此时的目的参数，以找到最佳的人为可控参数组合。此外，本文充分利用MATLAB强大的计算功能，设计上述两个步骤的程序。

1 基础知识和相关数据

1.1 灰色关联分析

灰色关联分析是灰理论的分支之一。灰理论是由邓聚龙教授于1982年提出，该理论可用于研究信息部分清楚且带有不确定性的灰色系统。假定某灰色系统数据有输入B、C、D和输出A。我们将输入和输出之间的关联程度记为 r,如果rAB＞rAC＞rAD，则称输入B对输出A的影响最大。由于储层的复杂性，可将某油井所在储层看成一个灰色系统，将人为可控参数注入压力、日注入量、注入聚合物浓度看成输入，并将目的参数增产液量和含水率看成输出。利用MATLAB编程得到灰色关联度序列，分别找到对增产液量和含水率各自影响最大的人为可控参数。

1.2 BP神经网络

BP神经网络（Back Propagation）是目前应用最广泛的神经网络模型之一。BP神经网络能学习和存贮大量的输入—输出模式映射关系，而无须事前揭示描述这种映射关系的数学方程，因此它特别适合处理需要同时考虑许多因素和条件，且不精确和模糊的信息。BP神经网络的工作信号向前传播，误差信号向后传播，通过反向传播误差来不断调整网络的权值和阈值，使网络的误差平方和最小，此过程称为训练。

利用BP神经网络的这种性质，我们将已有的施工参数和生产数据分别作为训练期的输入输出数据。当训练完毕且BP神经网络的误差足够小时，将用于预测的设计人为可控参数输入神经网络，此时的输出视为预测目的参数。根据预测目的参数的表现来找到最佳的人为可控参数组合。

1.3 相关数据

本论文的施工参数和生产数据来源于新疆某油田的某口生产井，该井所在储层的基本情况见表1，施工参数和生产数据见表2。

表1 储层的基本参数

表2 调剖施工参数和生产数据

2 优化过程

2.1 运行程序I

明确了灰色关联度的运算步骤，利用表2中的数据和MATLAB的编程计算功能，设计程序Ⅰ进行灰色关联度计算。运行程序Ⅰ，得到一个3行2列矩阵R：

矩阵R的第一列为增产液量的灰色关联度序列，序列中的数字依次表示注入压力、日注入量和聚合物浓度分别与增产液量的关联度。如注入压力和增产液量的关联度为0.992 0，日注入量和增产液量的关联度为0.428 3，聚合物浓度和增产液量的关联度为0.913 7。因为0.992 0为最大值，所以注入压力对增产液量的影响最大。因此调节注入压力，可得到理想的增产液量。同理，分析矩阵R的第二列可知，日注入量对含水率的影响最大，调节注入压力，可得到理想的含水率。

2.2 运行程序II

了解了BP神经网络的基本原理，利用表2中的数据和MATLAB的编程计算功能，设计程序Ⅱ。本论文利用程序Ⅱ建立、训练了一个BP神经网络，训练完毕后，该BP神经网络可以反映储层的输入输出关系。由于我们已经找到了影响目的参数的两个关键人为可控参数，所以设计两组施工参数矩阵输入神经网络以得到预测的目的参数矩阵。设计的施工参数矩阵C如下：

请确认矩阵中的数值和文中所表示的数值不一致？比如12、12.5、13？后面矩阵同样如此。

矩阵C的第二行常数0.60代表固定日注入量为60m3；第三行常数0.2代表固定聚合物浓度为20%；第一行表示注入压力分别为12、12.5、13MPa。设计矩阵C的目的是预测在固定日注入量和聚合物浓度的情况下，预测不同施工压力下增产液量的情况。运行程序得到针对矩阵C的预测矩阵B1和图1所示曲线。

图1 训练误差

图1 中的曲线表示BP神经网络的输出误差随训练次数的增加而减小，直至下降到期望误差以下，表示该BP神经网络能够正确反映地层的输入输出关系。

矩阵B1的第一行为不同注入压力下的增产液量。分析该行数据可知，当注入压力为13MPa时，会大幅度提高增产液量。设计施工参数矩阵d：

矩阵d的第一行常数代表固定施工压力为优化后的施工压力13MPa，第二行常数0.60代表固定日注入量为60m3；第三行代表聚合物浓度分别为20%、25%、30%。设计矩阵d的目的是预测在固定注入压力和日注入量的情况下，预测不同聚合物浓度下含水率的情况。运行程序二得到针对矩阵d的预测矩阵B2和图2。

图2 训练误差

矩阵B2的第二行表示不同聚合物浓度下的含水率。分析该行数据可知，含水率随注入聚合物浓度的增加而下降，但下降的幅度很小，并且考虑到施工成本，认为优化后的聚合物浓度为20%。

综上所述，优化的注入压力为13 MPa，聚合物浓度为20%，日注入量为60m3，并且从矩阵B2可知，此时的增产液量为10.77t，含水率为36.05%。

3 结 论

（1）程序I可知，注入压力为增产液量的关键人为可控参数，日注入量为含水率的关键人为可控参数。

（2）程序II的基础上，以日注入量为60m3为例，程序II分两步优化上述两个关键人为可控参数，得到最佳人为可控参数组合。

（3）利用灰色关联度理论和BP神经网络理论相结合实现施工参数优化的方法，避免了使用专业软件建立地质模型的繁琐，并且不必建立渗流微分方程组及其初始条件和边界条件。

（4）本论文编写的两个程序的扩展性和可替换性较好。扩展性较好的表现为只需通过增加程序的循环层数来增加人为可控参数的个数；可替换性较好的表现为可直接将本论文中列举的人为可控参数替换为其他参数而不需要更改程序，如使用的调剖剂属于颗粒类时，可将聚合物浓度改为颗粒直径。

[1]EI-M Shokir E M,Goda H M,Sayyouh M H,Fattah Kh A.Selection and Evalution EOR Method Using Artificial Intelligence[G].SPE 79163,2002.

[2]Rezaian A,Kordestany A,Haghighat Sefat M.Experimental and Artificial Neural Network Approaches to Predict the Effect of PVA (poly vinyl acetate)on the Rheological Properties of Water and Crude Oil in EOR Processes[G].SPE 140680,2010.

[3]Jian H,Wanfen H.Novel Approach To Predict Potentiality of Enhanced Oil Recovery[G].SPE 99261-MS,2006.

[4]Feng Y,Ji B,Gao P,Li Ye.An Improved Grey Relation Analysis Method and Its Application in Dynamic Description for a Polymer Flooding Pilot of Xingshugang Field,Daqing[G].SPE 128510,2010.

[5]刘思峰，谢乃明.灰色系统理论及其应用[M].北京：科学出版社，2004.

[6]罗华飞.MATLAB GUI设计学习手记[M].北京：北京航空航天大学出版社，2009.

Abstract：The significance of this paper lies in utilizing and uniting mathematic theories.It uses grey Relation Analysis Method and Back-propagation(BP)Artificial Neural Network,to optimize the artificial controllable parameters with the purpose of obtaining the ideal objective parameters.In addition,this paper also describes how to use MATLAB,powerful mathematic calculation software,to program the two algorithms.

Key words：profile modification；parameters optimization；grey relation analysis；BP neural network

A New Research on the Optimization of Profile Modification Parameters

HE Xu PU Wan-fen
(Southwest Petroleum University,Chengdu 610500)

TE319

A

1673-1980（2011）06-0111-03

2011-06-08

何旭（1988-），女，西南石油大学油气田开发工程在读硕士研究生，研究方向为油田开发。