神经网络法在油藏埋存CO2效果预测中的应用

张延旭，姜 晶，王 涛，王 凯

1.中海石油(中国)有限公司蓬勃作业公司，天津 300459；2.中海石油(中国)有限公司天津分公司，天津 300459；3. 中海油田服务股份有限公司，天津 300450；4. 中海油能源发展股份有限公司工程技术分公司，天津 300452

国内外已有的研究和应用成果表明，油气藏是封闭条件良好的地下储气库，可实现CO2的长期埋存[1]。影响油藏CO2埋存效果的因素很多，且各影响因素与埋存效果之间是一种非线性、不确定的复杂关系，致使常规的数模、实验方法费时费力，且多维回归方法也存在模型建立困难、计算量大、精度较低的缺点[2-3]。而神经网络法具有较强的自学习、自适应、自调整能力，其强大的非线性逼近能力使其很好的逼近被测对象的实际值[4-5]。因此，在综合考虑各影响因素的基础上，笔者引入反映油藏埋存CO2效果的5个无因次变量，尝试采用BP神经网络对油藏埋存CO2效果进行评价预测，发现人工神经网络法预测精度较高，具有一定的应用价值。

1 神经网络预测方法的基本原理

神经网络技术实际上是“人工神经网络”或“模拟神经网络”的简称，是将人脑功能加以模拟化的一种计算机信息处理系统。到目前为止，已研制出了多种人工神经网络模型和相应的学习算法[6]。

通过人工神经网络法求出的公式是如下“隐含”表达式：

y=ANN(x1,x2,…,xm)

式中，ANN是一个非线性函数。这个函数不能用通常的数学公式表示，称为“知识库”。笔者采用目前应用最广泛的误差反向传播神经网络，简称BP网络。这种神经网络具有1个由相互独立的许多神经元构成的输入层，用于输入相关数据信息；1个或多个隐层，用于分析、模拟过程中复杂的中间计算；1个输出层，输出运算、模拟结果。

输入层N个节点分别对应N个输入分量构成的输入向量X=(x1,x2,…,xN)，输出层L个节点对应L个输出分量构成的输出向量Y=(y1,y2,…,yL)。隐含节点Zj与输出节点Yk分别为：

BP算法的学习过程由正向传播和反向传播过程组成。在正向传播过程中，输入信息从输入层经隐含层处理，并传向输出层，每一层神经元的状态只影响下一层神经元的。如输出层得不到期望的输出，则转入反向传播，将误差信号沿原连接通道返回，通过修改各层神经元的权值，使得误差信号最小。

2 油藏埋存CO2影响参数的无因次化及评价指标的建立

为对油藏埋存CO2的效果进行评价和预测，引入CO2的埋存系数St的概念。CO2的埋存量为累积注入量减去累积采出量：

QsCO2=NiCO2-NpCO2

埋存系数，其数学表达式为埋存量与累积注入量的比值：

式中：QsCO2为CO2气体的埋存量，104m3；NiCO2为CO2的累积注入量，104m3；NpCO2为CO2的累积采出量，104m3；St为CO2埋存系数。

3 CO2埋存系数神经网络预测模型的建立

3.1 BP神经网络模型的设计

3.2 学习训练样本的建立

用训练样本集训练网络，即让网络自动寻找该函数的内部表达形式，从而实现映射。由于学习样本的离散性，学习样本的选择将直接影响埋存系数预测的结果。本文将提出的5个无因次变量赋值后进行组合数值模拟，结果见表1。将数值模拟结果作为BP神经网络的学习样本集，结果见表2。用误差反向传播算法自动找出5个无因次变量和埋存系数之间的内部表达形式，据此可以预测油藏埋存CO2的效果。

表1 试验因素及取值水平

表2 神经网络学习训练样本数据

续表2

3.3 神经网络学习及预测效果评价

训练误差曲线见图1。

图1 训练误差曲线

从图1看出，由训练将学习样本输入后，经过数10 000次误差反向传导迭代运算，达到了很好的训练效果，误差控制在0.001内。

通过网络训练得到网络权值和阈值后，再输入预测样本进行网络预测，可检验本文所建模型的正确性。预测样本的选取为5个无因次变量重新组合后数模计算的不同于学习样本的15组数据，结果见表3。总体上来看，多数实际输出值与期望输出值的误差率在8%的范围内，数值模拟计算埋存系数与神经网络预测埋存系数的相关系数为0.94，这对于油藏埋存CO2的效果预测是可允许且较精确的误差范围。因此，文中建立神经网络预测模型在预测油藏埋存CO2埋存系数时是切实可行的。

表3 神经网络预测样本数据

4 结论

1)油藏埋存CO2效果影响因素与埋存系数之间是一种非线性、不确定的复杂关系， 采用常规的实验及多元线性回归方法不能满足实际预测的需要。

2)BP网络预测结果表明，预测值与实际值较为吻合，误差相对较小，预测模型可靠，训练好的网络具有良好的简单性和通用性。该神经网络提高了油藏埋存CO2埋存效果预测的准确性和效率，提供了一种新的方法。

[1] 沈平平,杨永智.温室气体在石油开采中资源化利用的科学问题[J].中国基础科学,2006,8(3):23-31.

[2] 何俊,陈小凡,乐平,等.线性回归方法在油气产量递减分析中的应用[J].岩性油气藏,2009,21(2):103-105.

[3] 李先鹏.胶结指数的控制因素及评价方法[J].岩性油气藏,2008,20(4):105-108.

[4] 孙勤华,刘晓梅,刘建新,等.利用波形分析技术半定量预测塔中碳酸盐岩储层[J].岩性油气藏,2010,22(1):101-103.

[5] 李虎,蒲春生,吴飞鹏.基于广义回归神经网络的CO2驱最小混相压力预测[J].岩性油气藏,2012,24(1):108-111.

[6] 杨建,杨程博,张岩,等.基于改进神经网络的渗透率预测方法[J].岩性油气藏,2011,23(1):98-102.

[7] 王涛,姚约东,朱黎明,等.油藏埋存二氧化碳影响因素Box-Behnken法优化研究[J].中国石油大学胜利学院学报,2009,23(4):5-8.

[8] 戴文战.基于三层BP网络的多指标综合评估方法及应用[J].系统工程理论与实践,1999,19(53):29-34.