神经网络预测储层粒度在防砂方案设计中的应用

魏裕森，韦红术，张俊斌 （中海石油 （中国）有限公司深圳分公司，广东 深圳 518067）

神经网络预测储层粒度在防砂方案设计中的应用

魏裕森，韦红术，张俊斌 （中海石油 （中国）有限公司深圳分公司，广东 深圳 518067）

利用反向传播神经网络 （BPNN），以测井数据和粒度 （筛析）数据为输入，首先建立地层粒度的数据样本，利用神经网络技术对开发井的开发层段进行粒度分布预测，这在一定程度上为防砂方案设计提供了更充分的依据。利用神经网络预测储层粒度在南海A油田开发防砂方案设计中得到了应用，使防砂方式和参数选择进一步优化。

神经网络；粒度；防砂方案；疏松砂岩

在疏松砂岩的开发过程中，常伴随油井出砂问题，为了有效地进行防砂方案的完井设计，最重要的一个关键问题就是摸清地层的粒度分布规律。但取心费用的昂贵和岩心的稀少，给摸清整个储层段的粒度分布带来了很大的困难，同时油藏在纵横向上的各向异性和非均质性也给利用邻井或探井进行防砂方案设计带来了更大的风险。为此，笔者利用反向传播神经网络 （BPNN），将测井数据和粒度 （筛析）数据作为输入训练集以训练网络，然后进行粒度分布预测。这在一定程度上为防砂方案设计提供了更充分的依据，使防砂方式和参数选择进一步全面化。

1 神经网络预测粒度

人工神经网络 （ANN）是以计算机网络系统模拟生物神经网络的智能计算系统。网络上的每个节点相当于一个神经元，可以记忆 （存储）、处理一定的信息，并与其他节点并行工作。Rider等在1990年最早应用自然伽马测井曲线确定粒度分布趋势，但存在一定的局限性［1］。Oyeneyin等在1999年首先引入神经网络模拟粒度分布的概念［2，3］，认为利用电缆测井神经网络技术预测粒度是可行的，随后又应用神经网络对砾石充填防砂完井的砾石尺寸进行了优化设计，利用测井数据实现了成岩作用对砂岩粒度不均匀性的粒度预测［4］。国外已对这方面做了一定的研究，但国内这方面的研究还相当的少，刘斌等只在神经网络应用中简单提到粒度中值的解释模型［5］。

反向传播神经网络 （BPNN）［6］采用教师学习 （监督学习）的学习方式，这种学习方式，“教师”给出了与所有输入模式对应的输出模式的 “正确答案”，即期望输出 （目标），用于学习过程的输入输出模式的集合称为训练样本集；神经网络学习系统根据一定的学习规则进行学习，每一次学习过程完成后，“教师”都要考察学习的结果，即实际输出与期望输出的差别 （误差），以此决定网络是否需要再次学习，并根据误差信号调整学习的过程，使网络实际输出和期望输出的误差随着学习的反复进行而逐渐减小，直至达到要求的性能指标为止。

利用神经网络技术，以实测筛析数据为训练样本，利用测井数据对网络进行训练，对没有粒度数据的井进行粒度预测，然后进行防砂方案的设计，从而优化防砂方案。

由于南海A油田缺乏岩心数据，对周边B、C、D等油田进行粒度数据的收集，发现只有B油田A1井储层M组二段的粒度数据比较多和全面，特选取该井的粒度数据和测井数据作为训练样本库。图1为预测和实测值的仿真结果，图2为B油田A1井样本库训练误差分析结果。

图1 B油田A1井样本库预测粒度与实测粒度对比

图2 B油田A1井样本库训练误差分析

由图2可知，预测误差控制在±15%之内，大部分集中在±5%左右，说明选用该井的粒度实测数据来进行样本训练，其训练结果能够完全收敛，并满足工程预测的要求。可以用来对邻近区块A油田相同的层位 （M组）进行粒度分布的预测。

2 粒度预测在A油田的应用

2.1 利用训练网络进行粒度预测

利用该样本库进行训练后的神经网络对A油田1＃探井和A油田2＃探井的M组二段进行粒度预测，其结果如图3、4所示。

图3 A油田1＃探井M组二段神经网络预测与实测粒度中值D50

图4 A油田2＃探井M组二段神经网络预测粒度中值D50

利用神经网络预测了A油田2口探井的粒度中值，并与实测粒度数据进行对比分析，主力储层M组二段的粒度变化范围：低阻层的粒度中值 （D50）为50～200μm，高阻层的为150～400μm。结果表明，预测粒度和实测值具有很好的一致性，在一定程度上弥补了实测粒度数据不足和分析费用高等缺点，为防砂完井设计提供了依据。

同时利用神经网络对防砂方案设计需要的该井粒度中值D50、非均匀系数Cu、小于44μm细粉砂含量等进行预测，并与实测值对比分析，绘制成如图5所示的纵向变化剖面图。

从图5可以看出，该区块M组二段高低阻层储层特性区别比较明显，下面对两个储层的分布特点进行统计分析，结果见表1，以作为防砂设计的基础。

图5 A油田储层特征值纵向分布图

表1 A油田M组二段储层特性参数表

2.2 A油田防砂方案设计

根据A油田开发方案，A1h水平井开发层段属于M组二段低阻层，A2h与A3h水平井开发层段属于M组二段高阻层，运用Tiffen方法［7］进行设计时，当地层砂极不均匀并且存在大量的细粉砂颗粒（D10／D95＞20，D40／D90＞10，44μm以下颗粒体积分数＞10%）时，均需要采用砾石充填防砂。因此，综合运用Tiffen方法和Johnson方法分别对A油田M组二段高低阻层进行设计，设计结果均推荐该段水平井采用砾石充填完井防砂 （图6、7）。

图6 M组二段低阻层Johnson方法设计结果

图7 M组二段高阻层Johnson方法设计结果

由于整个储层砂粒的粒径大小、分布及均匀性都有很大的不同，而砾石充填主要阻挡地层产出的细砂颗粒，根据A油田M组二段2个小层粒度分布特性，取粒度中值最小包络线为设计基准，根据绍西尔建议砾石粒度中值为5～6倍地层砂样粒度中值，设计结果如图8所示。在砾石充填完井中，筛管体主要用来支撑砾石层，筛缝提供流体入井的通道。通常使用的筛管主要有绕丝筛管、割缝衬管和金属网（或者金属棉）滤砂管，一旦选定了砾石尺寸，便可确定机械筛管的缝宽或挡砂精度。筛管缝隙的选择应能保证砾石充填层的完整性，因此，筛管缝隙应小于砾石充填层中最小的砾石尺寸。根据1／2～2／3架桥原理，通常绕丝筛管缝隙为最小砾石尺寸的1／2～2／3，推荐采用2／3计算；对于割缝衬管，按科伯利 （Coberly）准则，缝宽取2倍D10；对于金属网 （或者金属棉）滤砂管，缝宽为最小砾石尺寸的1／3～1／2，推荐采用1／2计算。根据计算结果选择较接近的标准系列尺寸的筛管。

根据上面设计结果，对该区块3口水平井进行防砂设计，结果如表2所示。在现场的实际防砂作业中按照笔者的研究成果，进行防砂，效果良好。

图8 A油田M组砾石尺寸设计

3 结论

1）储层粒度分布特征的影响因素很多，测井曲线反映了地层的特性，测井曲线和储层粒度之间存在着非线性关系，利用神经网络技术，在一定程度上可以预测出储层粒度的分布规律，防砂设计提供依据。

2）利用邻近油田B油田的同储层M组二段的测井和粒度数据作为训练样本库，预测出了A油田的粒度分布规律，并与实测进行对比分析，具有很好的一致性。

3）神经网络预测粒度存在一定的局限性，样本库的准确和具有代表性是该技术的关键，笔者利用预测粒度分布特征对A油田拟开发井进行了防砂方案设计，该设计方法在油田现场得到了广泛 。

表2 A油田开发井防砂方案设计

［1］Hurst A.Natural gamma－ray spectrometry in hydrocarbon－bearing sandstones from the Norwegian Continental Shelf.In Geological application of wire-line logs［J］.Geological Society Special Publications，1990，48：211～222.

［2］Oyeneyin B M，Faga A T.Formation－grain－size prediction whilst drilling：A key factor in intelligent sand control completions［J］.SPE 56626，1999.

［3］Faga A T，Oyeneyin B M.Application of neural networks for improved gravel pack design［J］.SPE58722，2000.

［4］Faga A T，Oyeneyin B M.Effects of diagenesis on neural network grain-size prediction［J］.SPE60305，2000.

［5］杨斌，匡立春.神经网络及其在石油测井中的应用 ［M］.北京：石油工业出版社，2005.

［6］葛哲学，孙志强 .神经网络理论与MATLAB R2007实现 ［M］.北京：电子工业出版社，2007.

［7］Tiffin C L，King G E，Larese R E，etal.New criteria for gravel and screen selection for sand control［J］.SPE39437，1998.

［编辑］ 黄鹂

App lication of Predicting Formation G rain Size Using Neural Network in Sand Control Design

WEIYusen，WEIHongshu，ZHANG Junbin (First Author's Address:Shenzhen Branch Company，CNOOC，Shenzhen 518067，Guangdong，China)

In this paper，by using back propagation neural network(BPNN)，logging data and grain size(sieve analysis)data were used as input training set for training the network，a data sample of formation grain size was first established，the neural network was used to predict grain distribution in the intervals of developmentwells.It provided amore sufficient evidence for setting a sand control scheme.It is used for setting the sand control scheme in A Oilfield of South China Sea，by which the methods of sand control and parameter selection are further optimized.

neural network;grain size;sand control scheme;unconsolidated sandston

TE358.1

A

1000-9752（2014）05-0145-04

2013-10-24

魏裕森 （1981-），男，2005年长江大学毕业，工程师，工程硕士生，现主要从事钻完井监督工作。