神经网络预测法在沙溪庙气藏压前评估中的应用

尹 琅 任 山 颜晋川 傅 玉

（1.中国石化西南油气分公司工程技术研究院 四川 德阳 618000；2.中国石化西南油气分公司工程监督中心 四川 德阳 618000）

0 引言

新场沙溪庙气藏属于受构造—岩性圈闭控制的致密孔隙型异常高压定容封闭的弹性气驱干气气藏，储层最大孔隙度为17.61%，最小孔隙度为2.94%，平均孔隙度为11.38%，单井平均孔隙度介于8.14%-14.96%之间；最大渗透率为2.89 mD，最小为0.005 mD，平均为0.32 mD。气藏不进行水力加砂压裂难以获得产量，但影响气井压裂后产能大小的因素很多，想要准确预测气井压后产能大小，其难度较大。采用神经网络的压前评估方法主要是根据地层测试成果与钻井、测井等资料，综合考虑多个试气层的物性、厚度、含油气性、地层产水、污染程度、地层压力和钻井以及录井显示级别等资料，通过相关分析，寻找出影响压裂效果的几个或几十个重要指标［1-3］。

1 参数的选取

影响气井压后产能的因素很多，通过相关分析优选出地层有效厚度、电阻率、孔隙度、渗透率、声波时差、泥质含量、砂量、平均砂比、前置液量等9个特征参数。

根据优选的特征参数，需要对不同的储层建立特征参数的取值范围。本次研究是针对压后产量的预测，压裂施工砂量和压后产气量是研究的主要对象，对收集的样本数据（JS22层46口，JS24层59口）进行筛选，保证加砂量与压后气井产能之间有一定的相关性。对于新场沙溪庙气藏JS22层气井，最后筛选出了23个压裂样本数据；对于新场沙溪庙JS24层气井，最后筛选出了35个。

在确定了样本数据后需要进行数据处理的准备工作。数据处理包括数据单位和标准的统一及数据的归一化处理。由于压裂生产数据记录标准和背景不同，因此很多数据不能作为神经网络的数据样本直接使用，必须进行单位和标准的统一。同时，为了防止“大数吃小数”的现象发生，在进行神经网络训练之前,需对参与神经网络训练和预测的各个影响因素进行归一化处理,把所有数据都归一化到［0，1］区间［4］。

2 神经网络模型的建立

神经网络是由输入层、隐含层和输出层组成的，其中隐含层可以是一层或多层。网络结构中各层内神经元相互独立，相邻层之间的神经元完全连接。对于神经网络而言，前一层的输出是后一层的输入，各层之间没有本质的差别，只是先后顺序的不同［5-6］。由多个神经元组成的信息处理网络具有并行分布结构，每个神经元单一输出，并能通过连接权系数与其他神经元连接。一般来说，每个神经元的结构形式都是一样的，即：

①对于每个节点i存在一个状态变量（Xi），它所对应的输出变量为T；

②在节点i，j之间存在一个连接权系数（Wij）；

③每个神经元都存在一个阀值（θi）；

④ 输出是输入的加权经非线性函数（f）作用后得到的,关系如下：

人工神经网络与传统数学方法不同之处在于它的非线性，其非线性能力主要来自于它的非线性作用函数，常用的函数有:sigmod、arctan、sin、Gauss⁃ian和Cauchy，其中最常用的为sigmod函数，它具有一定的阀值特性并连续可微。

sigmod函数为：

在建立了神经网络模型后将归一化的样本数据带入进行网络训练。通过调整隐含层的层数、学习率、训练方法和训练次数,经过多次的反复训练,最后使误差达到预测的要求。

在针对新场沙溪庙JS22层和JS24层的神经网络计算中，神经网络模型经过10 000次的网络训练,网络的系统误差下降到了0.001以下，达到了误差精度要求,可以进行网络预测。

3 实例计算

3.1 JS22层气井神经网络应用实例

网络评估系统训练完成后，利用3组未参与训练的样本对该系统进行检验。表1为参与网络训练的部分压裂井数据，表2为压裂潜能评估系统的预测结果与实际结果的对比。从表2可以看出， L101井预测结果较好，误差小于1%；CX159井预测结果较差，误差达到36%。这说明不同的井对网络模型的适应情况不同。在实际应用中，建议考虑增加有效样本数，网络训练时可调整隐含层数以及增加训练次数以求达到更高的精度。

表1 JS22层部分井压裂样本数据表

表2 JS22层压裂效果预测表

3.2 JS24层气井神经网络应用实例

同样，JS24层网络评估系统训练完成后，利用了5组未参与训练的样本对该系统进行检验。表3为参与网络训练的部分压裂井数据，表4为压裂潜能评估系统的预测结果与实际结果的对比。从表4可以看出，CX470-2、CX169-3、CX380等井预测结果较好，误差小于7%；CX470-1和CX378-1井预测结果较差，误差达到48%和43.1%。这说明不同的井对网络模型的适应情况不同。在实际应用中，建议考虑增加有效样本数，网络训练时可调整隐含层数以及增加训练次数以求达到更高的精度。

表3 JS24层部分井压裂样本数据表

表4 JS24层压裂效果预测表

综上所述，人工神经网络方法是比较成熟的非线性数学方法，本次研究建立了一个良好的正交性和完备性的数据集，使模型的可靠性大幅增加，为压裂设计的优化和优选井位提供了可靠的依据。

4 结束语

1）通过优选特征参数建立了适应于新场沙溪庙气藏的BP神经网络算法模型，可进行气井压裂前产能预测。经过已压裂井数据检验，模型可靠性较大，具有实际应用价值。

2）神经网络预测法在水力压裂中有广阔的应用前景，如进行压裂设计方案的优化处理，可进一步深入研究。

［1］孙来喜，李允.测井资料在洛带气田气井产能预测中的应用［J］. 天然气工业，2005，25（2）：15-16.

［2］吕传炳，郭建春，赵金洲，等.模糊识别方法在乌里亚斯太凹陷油藏压裂中的应用［J］.石油钻采工艺，2006，28（3）：7-8.

［3］刘长印，孔令飞，朱风阁，等.探井压前评估技术应用现状［J］. 油气井测试，2003，12（1）：35-36.

［4］刘洪，赵金洲，胡永全，等.用T—S模型模糊神经网络进行压裂效果预测［J］.断块油气田，2002,9（3）：35-38.

［5］位云生，胡永全，赵金洲，等.人工神经网络方法在水力压裂选井评层中的应用［J］. 断块油气田，2005，12（4）：42-44.

［6］范学平，徐向荣，李西林.用神经网络专家系统设计压裂施工参数［J］. 钻采工艺，1999，22（6）：26-28.