基于BP网络分析大牛地气田山西组气井压裂效果影响因素

战永平 付春丽 段晓飞，温庆志，李松岩

(中国石油大学(华东)石油工程学院，山东 青岛 266555) (中国石油集团海洋工程有限公司，山东 青岛 266555) (中国石油大学(华东)石油工程学院，山东 青岛 266555)

基于BP网络分析大牛地气田山西组气井压裂效果影响因素

战永平 付春丽 段晓飞，温庆志，李松岩

(中国石油大学(华东)石油工程学院，山东 青岛 266555) (中国石油集团海洋工程有限公司，山东 青岛 266555) (中国石油大学(华东)石油工程学院，山东 青岛 266555)

影响大牛地气田山西组气井压裂效果的因素繁多，且之间的关系十分复杂。利用高精度拟合的BP网络预测模型，获得了压裂效果影响因素的影响程度如下：泥质体积分数(13.30%)、加砂强度(9.47%)、含气饱和度(8.12%)、砂体厚度(8.12%)。运用BP网络分析结果优选2口井进行压裂增产，增产效果分别为61.09%、59.75%，表明BP网络分析计算结果可为压裂井层的优选、压裂施工设计与优化提供了可靠的依据。

气井压裂；泥质体积分数；加砂强度；含气饱和度；砂体厚度；BP网络

大牛地气田为上古生界砂岩气藏，埋深2400～2900m，具有石盒子组、山西组、太原组3套气层，平均孔隙度8.46%，平均渗透率0.78mD，属于致密砂岩气藏，自然产能低甚至无自然产能，需压裂投产。其山西组气藏有18口井无阻流量大于5×104m3/d，占比10.52%；48口井无阻流量不到1×104m3/d，占比28.07%；105口井无阻流量为1×104～5×104m3/d，占比61.41%；无阻流量相对较低的井占比较大，合计占比89.48%。为改善气井的压裂改造效果以提高山西组整体产气量，探讨压裂效果的影响因素具有重要的现实意义。

在压裂增产过程中，油气井的压裂效果受地质和工程两大类因素共同影响[1～3]，各因素与压裂效果之间存在着一种复杂的非线性函数关系[4～6]。人工神经网络是近几年发展起来的人工智能新技术，具有无限逼近任意非线性的能力以及解决问题时的灵活性和自适应性[7～10]，特别适合解决复杂非线性问题，在石油行业得到广泛应用[11，12]。笔者以大牛地气田山西组气层的测井、气藏、工程参数以及压后无阻流量等资料为样本进行BP网络的训练，建立高精度拟合BP网络预测模型，仿真计算各因素同幅度调整后的无阻流量变化率，计算出各因素对压裂效果的影响程度，为后续压裂井层的优选、压裂施工设计与优化提供依据和指导。

1 压裂效果影响因素统计分析

影响山西组气藏压裂效果的因素有很多：自然伽马、储层电阻率、声波时差、补偿中子孔隙度、补偿密度、泥质体积分数、有效厚度、砂体厚度、孔隙度、渗透率、含气饱和度、排量、注液强度(单位厚度的液量)、加砂强度(单位厚度的加砂量)、砂比、注氮强度(单位厚度的液氮量)等。为研究无阻流量与各因素之间的依存关系，将山西组气井按产量高低分成高产井、中产井、低产井、无效井4类，以每类井各因素的平均指标来分析其与压裂效果相关程度。由于各因素相互关联，笼统的统计分析效果不理想。因此，根据各因素本身的特点，将上述16个参数分为测井参数、气藏参数、工程参数3大类。

1.1测井参数的影响统计分析

由表1统计分析，大牛地气田山西组气藏的压裂效果与储层电阻率、补偿中子孔隙度、泥质体积分数相关程度高，储层电阻率越大，补偿中子孔隙度越小，泥质体积分数越低，压后产量相对较高。因此，压裂选井选层时，应把储层电阻率、泥质体积分数、补偿中子孔隙度作为重要测井参数来考虑。

表1 测井参数与压裂效果的关系

1.2气藏参数的影响统计分析

由表2统计分析可知，大牛地气田山西组气藏的压裂效果与含气饱和度相关程度高，含气饱和度越高，压后产量相对较高。无效井的有效厚度、砂体厚度、孔隙度、渗透率明显低。因此，压裂选井选层时，应把含气饱和度作为首要气藏参数，有效厚度、砂体厚度、渗透率、孔隙度作为辅助参数。

表2 气藏参数与压裂效果的关系

1.3工程参数的影响统计分析

由表3统计分析，大牛地气田山西组气藏的压裂效果与排量、注氮强度相关程度高，施工排量越高，注氮强度越低，压后产量相对较高。排量大，因缝内砂的堤峰后移增大有效支撑缝长，而获得较好的压裂效果，注氮强度与压裂效果的关系却与理论相悖，说明工程参数不是影响压裂效果的主要因素。因此，压裂选井选层应以测井参数、气藏参数作为主要因素，而施工参数可根据实际情况进行优化。

表3 工程参数与压裂效果的关系

2 BP网络分析

通过以上统计分析，发现影响山西组气藏压裂效果的因素有很多，且其间关系极其复杂，甚至出现与理论相悖的现象。这些单一因素的统计分析容易混淆和掩盖事物的本质，造成对山西组气田压裂效果分析与评价的局限性。在优选压裂井层、优化压裂施工设计时分不清主次顺序，无法形成明确的概念。

山西组气田开发过程中积累了丰富的压裂生产数据，且压裂效果与各影响因素之间存在着复杂的非线性函数关系。为此，利用具有无限逼近任意非线性能力，特别适合解决非线性问题的BP人工神经网络技术分析它们之间的依存关系，为后续压裂井层的优选、压裂施工设计与优化提供依据和指导。

2.1BP神经网络建立

BP(Back Propagation)网络是误差逆传播网络简称[13]，以归一化的20口井的压后无阻流量为硬数据，以归一化的测井参数、气藏参数、工程参数等16个影响因素为输入量，以“tansig”作为隐含层传递函数，以“logsig”作为输出层传递函数，以“trainlm”作为训练函数，以“mse”作为性能函数，训练BP网络。BP网络的精度很大程度上取决于隐含层神经元的数目是否合适，而目前没有通用的理论确定其数目。因此，采用试凑法确定其数目，训练时，迭代次数设置为800，目标精度设置为1×10-7，通过大量的重复训练确定误差最小时的隐含层数目为11，建立16×11×1的BP神经网络模型。利用反归一化的仿真无阻流量的误差Ei、均方根误差函数(公式(1))检验网络模型的精度。通过计算，最大误差为3.15%，均方根误差为1.51%，说明建立的16×11×1的BP神经网络模型精度高，可靠。

(1)

式中：Ei为BP网络仿真计算的任意井的无阻流量与真实无阻流量之差除以真实无阻流量所得的值，%；n为样本井数；σ为标准偏差，%。

2.2各因素影响程度分析

运用训练后的BP网络模型仿真计算各因素下调15%幅度时的反归一化后无阻流量的变化率，运用公式(2)计算出各因素影响程度E，结果见表4。

(2)

表4 各因素对压裂效果影响程度计算及排序

图1 压裂效果影响因素整体分析

从整体情况(图1)来分析，山西组气井压裂效果影响因素按影响程度大小依次是：测井参数(49.49%)、工程参数(25.47%)、气藏参数(25.03%)。这是因为测井资料表征储层岩性、物性、含气性的综合特性，而工程参数只是压裂施工状况的反映，气藏参数主要表征储层砂岩的储气和渗流特性。测井参数的变化会引起储层发生多方面的变化，故其影响程度较明显。因此，压裂选井选层时，应首要分析储层的测井参数，选择测井综合解释较好的储层进行压裂，再根据气藏参数优化压裂施工参数，提高山西组气藏的压裂改造效果。

为给后续选井选层提供切实可行的理论依据，对表4中各类因素的单一因素进行排序，找出其主要影响因素。分析发现，测井参数中泥质体积分数为其主要影响因素，其无阻流量变化率为17.7%，影响程度为13.3%。气藏参数中的含气饱和度、砂体厚度为其主要影响因素，其无阻流量变化率分别为10.77%，10.76%，影响程度均为8.12%；工程参数中的加砂强度为其主要影响因素，其无阻流量变化率为12.64%，影响程度为9.47%。泥质体积分数从2个方面影响压裂效果：一是影响储层的岩石性质，泥质体积分数越高，其储层中砂岩含量相对较低，从而降低储层砂岩的储气能力和渗透能力；二是压裂过程中易引起压裂液的二次伤害。含气饱和度、砂体厚度是表征储层储气能力参数，含气饱和度越大、砂体有效厚度越厚，人工裂缝可连通的气量就越充足，产量也就相对越高。加砂强度可表征填砂裂缝的几何参数，反映人工裂缝的导流能力，其强度越强，则允许气体通过的能力就越强，流动阻力就越小，产量也就相对越高。

因此，在对山西组气井进行压裂改造开发时，在充分考虑测井参数的基础上，应选择泥质体积分数少、含气饱和度高、砂体厚度大的层位充分开发，同时施工过程中在不发生砂堵的前提下尽可能提高压裂目的层的加砂强度，增大油气的渗流能力，提高压裂开发效果。

3 现场应用效果

大牛地气田山西组泥质体积分数平均为13.31%，生产层的平均砂体厚度为16.09m，含气饱和度平均为54.74%；加砂强度平均为8.08t/m；平均无阻流量为1.5772×104m3/d。根据BP网络分析结果，影响山西组气井压裂效果的主要因素为泥质体积分数、含气饱和度、砂体厚度、加砂强度。因此，根据山西组的测井资料、物性分析资料，选取2口泥质体积分数小于13.31%、含气饱和度高于54.74%、砂体厚度大于16.09m的典型井层位进行压裂，以不发生砂堵的砂比使加砂强度达到8.08t/m以上，典型井的主要选取参数及压后无阻产量的对比数据如表5所示。

表5 典型井主要选取参数及压后无阻流量对比数据

注：标准差1是X-1井的数据与平均值之差；标准差2是X-2井的数据与平均值之差。

由表5可知，根据BP网络分析计算各因素影响程度的结果，选取的山西组2口典型井的无阻流量均高于平均无阻流量，增产效果达到约60%左右，增产效果明显。现场应用效果表明，BP网络分析计算各因素影响程度的结果可为压裂井层的优选、压裂施工设计与优化提供可靠的依据。

4 结论

1)依据大牛地气田山西组测井、气藏及工程参数资料，统计分析表明，测井参数、气藏参数、工程参数对压裂效果均有不同程度的影响。

2)构建的BP人工神经网络模型误差小，精度高，且可靠。应用该网络模型对各类因素的每一个因素的分析表明，影响山西组气井压裂效果主要因素为泥质体积分数、含气饱和度、砂体厚度、加砂强度。

3)基于BP网络分析计算结果，山西组气井压裂改造开发时，应尽可能选择泥质体积分数少、含气饱和度高、砂体厚度大的井层位进行压裂，同时压裂施工时在不发生砂堵的条件下尽可能提高压裂目的层的加砂强度。现场应用效果表明，BP网络分析计算结果可对压裂井层的优选、压裂施工设计与优化提供了可靠的依据。

[1]李文学，马新仿，王研. 水力压裂效果影响因素的多元线性回归分析[J]. 科学技术与工程，2011，11(29)：7245～7247.

[2]李春月，张士诚，马新仿．多元回归与模糊识别相结合优选重复压裂井[J]. 内蒙古石油化工，2010， 10(3)：132～133.

[3]谢润成，周文，李良. 鄂尔多斯盆地大牛地上古生界气藏压裂效果分析[J].天然气工业，2004，24(12)：71～73.

[4]曲占庆，黄德胜，毛登周，等. 基于灰色关联法的低渗气藏压裂效果影响因素分析[J].西北大学学报(自然科学版)，2014，44(4)：603～609.

[5]杨德兴，杨焦生，张震涛．压裂气井产能影响因素研究[J].钻采工艺，2010，33( 4) : 32～35．

[6] 孙东生，王红才，侯默，等. 影响水力压裂效果的因素及人工神经网络评价[J]. 地质力学学报，2006，12(4)：485～491.

[7]冯立，冯其红，张雷，等. 油井压裂效果预测方法研究[J]. 石油钻采工艺，2008，30(1)：76～79.

[8]傅荟璇，赵红. Matlab 神经网络应用设计[M] . 北京: 机械工业出版社，2010: 94～95.

[9]纪天亮，卢双舫，唐明明，等. 致密油藏水平井压裂后产能预测方法[J]. 大庆石油地质与开发，2016，35(2)：165～169.

[10]刘鹏飞，文开丰，高君微，等. BP神经网络技术在神木气田水平井产能预测中的应用[J]. 石油化工应用，2016，35(5)：64～68.

[11]连承波，李汉林，渠芳，等. 基于测井资料的BP 神经网络模型在孔隙度定量预测中的应用[J].天然气地球科学，2006，17 (3)：382～384.

[12]周金应，桂碧雯，李茂，等. 基于岩控的人工神经网络在渗透率预测中的应用[J]. 石油学报，2010，31 (6)：311～318.

[13] 韩立群. 人工神经网络教程[M]. 北京：北京邮电大学出版社，2006：58～80.

[编辑] 黄鹂

TE375

A

1673-1409(2017)19-0085-05

2016-06-10

国家自然科学基金项目(51304229)；中国石油大学(华东)精品实验建设项目(JS201402)。

战永平(1982-)，男，硕士，实验师，从事低渗透油气藏增产机理方面的教学和科研工作，zhanyongping@upc.edu.cn。

[引著格式]战永平,付春丽,段晓飞，等.基于BP网络分析大牛地气田山西组气井压裂效果影响因素[J].长江大学学报(自科版), 2017,14(19):85～89.