基于SVM技术调剖(驱)潜力预测

杨建雷，张津红

(1.承德石油高等专科学校 石油工程系，河北 承德 067000；2.大港油田公司 采油工艺研究院，天津 300280)

油田注水开发中调剖(驱)施工的效果预测，一直是行业内亟待解决的难题，现阶段缺乏系列行之有效的精确预测方法。目前常规的预测方法有专家经验法、数值模拟预测及基于统计学习理论的潜力预测法等[1]。这些方法无不局限于资料的完整性及受过度依赖专家经验等因素地制约。考虑到影响调驱措施效果原因的复杂性，无法用常规的多元回归解决各影响因素与措施效果之间的定量关系。寻求影响调剖效果的各种因素及其影响规律，进而找到各种主要变量之间的关系，从而利用这种关系进行调剖效果预测。SVM技术是20世纪90年代初Vapnik等人根据统计学习理论提出的一种新的机器学习方法[2,3]，它以结构风险最小化原则为理论基础，通过适当地选择函数子集及该子集中的判别函数，使学习机器的实际风险达到最小，保证了通过有限训练样本得到的小误差分类器，降低独立测试集的测试误差。

1 基于SVM技术调剖工艺效果预测模型

利用已调剖(驱)井的资料评价出其相应的效果，对这些井的动静态资料、工艺参数和相应的调剖(驱)效果，建立其水井调剖效果预测的样本集，再利用这些样本建立起措施效果的预测模型，即可利用该模型预测不同地质特征、不同开发状况和工艺条件下的调剖效果。在模型建立前，首先要对影响调剖(驱)效果的主要因素进行评价分析，在评价分析的基础上，选取合适的样本集，训练SVM模型。

1.1 因素分析

影响调剖(驱)效果的因素较多，模型根据指标的重要性及获取的难易程度，选取以下参数作为模型训练的评价指标：

压力指数(PI):根据注水井井口压降曲线求得,单位MPa。调前注水井井口压力指数越低，井组调剖效果越好。

调前注入压力(P)：指调驱前注水井的平均注入压力值,单位MPa。水流优势通道形成后，导致相同注入量下，注水压力降低，一般调前注水压力低的井调剖效果较好。

调前平均注入量(Qin)：调驱前注水井的平均日注水量,单位m3/d。一般调前注水量越大，井组调剖效果总体上越好。

调前含水率(fw)：调剖前油井平均含水率，单位%。调剖(驱)使油水井之间水流优势通道的形成，往往伴随着含水率的突升，一般含水率较高的井组，调驱必要性较大。

调剂注入量(Q)：指施工治理过程中调剖药剂的注入量,单位m3，通常堵剂用量越大，对大孔道封堵越好，总体调剖效果越好。

无因次增油量：无因次量，是考虑到不同调剖井对应油井数目不同、对应油井产量基数不一样而采用的一项评价指标，是衡量调剖效果的主要指标。

1.2 模型的建立

以调剖历史数据作为训练集(xi，yi)(i=1，2，3，…，n)，xi∈Rn，yi∈R，通过一个非线性映射φ将样本数据从样本空间映射到高维特征空间进行线性回归，从而求解出一个包含多种因素影响的调剖调驱效果预测函数。

为了消除输入变量之间由于量纲和数值大小的差异而造成的影响，避免模型计算时出现病态，将模拟数据标准化到[0,1]区间，然后将标准化后的数据作为模型的输入值。其标准化公式为：

x′i=(xi-minxi)/(maxxi-minxi)

(1)

在最优回归函数中采用适当的核函数k(xi,yi)代替高维空间中的向量内积φ(xi)φ(x)就可以实现φ非线性变换后的线性拟合，得到最优回归函数为：

(2)

提供正则化的因子qk的Fourier展开，在函数逼近问题上，体现了随着k值的增加，展开项对拟合精度提高作用的衰退，其相应的核函数为：

(3)

2 方法应用与模型选取

2.1 基于BP神经网络输入(出)因素的效果预测

参考人工神经网络注水井调剖效果预测方法[4]，对大港油田调剖调驱井历史数据进行了收集、筛选，得到了历史数据样本。由于历史数据样本集中的数据与模型中有所差异，在此根据数据样本重新制定了BP神经网络的输入因素和输出因素。其中，输入因素包括调驱轮次(T，次)、施工起始压力(Ps，MPa)、施工结束压力(Pe，MPa)、实际排量(Q，m3/d)、调驱前日注入量(Q注，m3/d)、调驱前套压(Pt，MPa)及对应受益油井数。输出因素则包括有效期(T有效，天)、有效期内纯增油(ΔQo，m3)、有效期内纯降水(ΔQw，m3)。

选取2014～2016年作为样本集，对2017年的调剖(驱)井进行效果预测，其中y实际效果，x预测效果，预测结果如图1，图2，图3所示。

由预测结果来看，预测值与实际值的关系虽然分布于y=x两侧，但并不趋向于y=x，增油预测的吻合率仅为30%左右，降水的吻合率仅为20%左右，有效期的吻合率仅为20%左右，综合吻合率仅为23%左右。

2.2 样本数据筛选下交联聚合物体系效果预测

对数据样本进行进一步分析发现，不同类型的调驱体系，输入量相似，输出量却差异很大，致使某些神经元失效。通过对样本数据进行筛选，选取2014～2016年交联聚合物体系为数据样本集，对选取2017交联聚合物体系调剖(驱)井进行预测，其预测结果如图4，图5，图6所示。

从结果看来，增油的吻合率约为50%，降水的吻合率约为45%，有效期的吻合率约为25%，综合吻合率在40%左右。虽然结果仍然很差，但进行了分类后的样本比历史总样本预测效果更趋近于y=x，说明了神经网络的设计与设计者、数据样本有很大的关系。

2.3 应用Libsvm工具下的交联聚合物体系效果预测

同样选取2014～2016年作为样本集，选用本文中1建立的模型，使用Libsvm工具箱对样本集进行拟合，结果如图7，图8，图9所示。

通过结果可以看出，增油的吻合率在90%左右，降水的吻合率在94%左右，有效期的吻合率在90%左右，综合吻合率在91%左右，预测结果与实际结果分布于y=x两侧，并且趋向于y=x，预测结果明显优于神经网格。

4 结论

1)SVM是基于结构风险最小化(SRM)原则，可以保证学习机器具有良好的泛化能力。2)运用SVM对数据分类同时进行数据回归，预测目标采用的样本均筛选自样本集，且主要针对小样本情况。3)运用LibSvm技术可提高调剖(驱)潜力预测的精确度，指导油田方案的制定与措施的实施，提高油田的经济效益。