生产井分层注水量智能预测方法研究

郭哲源，韩连福，，邓 刚，夏 薇，刘兴斌，，杨 林

1.东北石油大学，黑龙江大庆 163000

2.大庆油田有限责任公司，黑龙江大庆 163153

3.中国石油集团测井有限公司，陕西西安 710077

我国大部分油田的开采已进入中后期阶段，注水开采是油田主要的开采方式，能有效补充地层压力，提高原油采收率。在注水开采过程中，由于每个层段渗透率等参数各不相同，常采用分层注水，合理的分层注水可大大缓解层间矛盾，故每一层段注水量的预测就成为分层注水的一个关键问题[1-3]。

准确预测生产井每一层段的注水量，可大大提高油田开采效率。目前油田注水井各层段分层注水量的计算主要方法有：有效厚度法、吸水剖面系数法、静态地层系数法、动态综合多因素劈分系数法[4-6]。近年来，国内外很多学者也对注水量预测方法进行了深入研究。夏静[7]等运用一种改进的KH劈分方法，通过计算劈分参数，从而得到注水量，这种方法具有广泛性、简便快捷的特点，但由于考虑因素单一并不能准确地计算出分层注水量；马奎前等[8]利用迭代法对各层注水量进行重新分配，从而形成一种基于层间均衡驱替的注水量计算方法，由于层间均衡驱替没有广泛适用性，也很难应用到实际的注水当中；李俊键等[9]利用了一种基于粒子群优化的支持向量机的方法，建立了吸水剖面回归预测模型，但由于吸水剖面资料过少，并没有得到广泛应用；巫思国等[10]提出了连通厚度比例法，以与某一注水井连通的所有油井规划的地下产液体积之和为基础，以油井射开连通有效厚度之和与油井射开有效厚度之和的比值作为系数，来定量计算该注水井的配注量。

由于影响分层吸水量的因素很多，且各因素间相互影响存在非线性、不确定性和时变性等，造成现有计算方法和计算模型不能准确或高效预测分层段配水量[11-13]。本文将分层注水量预测与神经网络相结合，提出一种基于BP神经网络的分层注水量预测模型，以期更加准确地预测生产井分层注水量。

1 BP神经网络

BP神经网络是一种误差反向传播的多层前向型神经网络，目前人工神经网络实际应用最广泛的是前向型神经网络。其神经元的传递采用S型函数，输出量为0～1的连续量，可以实现从输入到输出的任意非线性映射[14-16]。

1.1 BP神经网络算法

BP神经网络的学习过程主要分两个阶段：第一个阶段是输入已知学习样本，通过设置的网络结构和前一次迭代的权值和阈值，从网络第一层向后计算各神经元的输出，第二个阶段是对权值和阈值进行修改，从最后一层向前计算各权值和阈值对总误差的影响，据此对各权值和阈值进行改进。以上两个过程反复交替，直到输出层的输出量与期望值的差值满足误差精度要求后，将所得的网络进行存储[17-19]。

BP神经网络可以利用三层向前具有Sigmoid神经元的非线性网络，以任意精度逼近任何连续函数，因此可以用于对分层注水量进行预测[20]。

注水量预测的BP神经网络流程如图1所示。

图1 BP神经网络流程

1.2 基于BP神经网络的分层注水量预测模型

根据分层注水量预测的需要，选择3层向前神经网络。其中输入层节点为7个，两个隐含层经过优化各选择5个节点，输出层1个节点。拓扑结构如图2所示。

图2 BP神经网络拓扑结构示意

2 实验

2.1 分层注水量预测模型网络训练

将大庆油田采油二厂的部分测井样本数据作为训练样本，取其中的100组数据。将其中80组数据进行网络训练，20组数据进行注水量预测。部分数据如表1所示。

表1 部分样本数据

以有效厚度、渗透率等7个影响因素作为输入层，分层注水量为输出层，经优化选择2个隐含层各5个节点，隐含层使用tansig传递函数，输出层使用purelin传递函数，建立基于BP神经网络的分层注水量预测模型。进行网络的训练和预测，同时也选取20组数据通过训练好的网络进行预测，并与实际注水量作对比。建立的神经网络如图3所示。

图3 注水量预测BP神经网络结构

2.2 分析

为验证本文建立的基于BP神经网络的分层注水量预测模型的正确性，网络训练对20组测试数据的仿真结果如图4所示。

图4 注水量验证数据预测值与实际值对比曲线

由图4可知，油井实际注水实测曲线与预测曲线基本吻合，且发展趋势也基本相同，但在个别样本点处稍有差别，为定量表征实测值与预测值的差异，将实测值与预测值误差呈现在图5中。

图5 注水量验证数据误差曲线

对比实际注水量可知，通过BP神经网络计算的注水量与实际注水量很接近，最大误差为8.7%，平均误差为2.1%，误差均在10%以内。而以往的资料显示，动态方程法计算注水量的误差在15%左右。

采用本文建立的基于BP神经网络的分层注水量预测模型，对15～45 m3/d的注水数据进行预测，预测结果如图6所示。

图6 注水量测试样本真实值与预测值散点拟合

由图6可知，预测值与真实值基本吻合，在28 m3/d处存在最大误差，最大误差值为3 m3/d，最大相对误差为8.7%。

综上所述，从定性角度分析，预测曲线与实际曲线基本吻合；从定量角度分析，最大误差为8.7%，平均误差为2.1%，误差均在10%以内，小于现有动态方程法计算注水量的误差15%。因此基于BP神经网络的分层注水量预测方法较其他大多数注水量预测方法误差低，此方法在分层注水量的预测中可以起到很好的效果。

3 结论

本文建立了一种基于BP神经网络的分层注水量预测模型，选取有效厚度、渗透率等七个影响因素作分层注水量的预测。以80组数据作训练，20组数据作测试，实验结果的平均误差在2%左右，最大误差不超过10%，明显低于目前的注水量预测方法。由此可以看出，基于BP神经网络的分层注水量智能预测方法可以降低注水量预测的误差，效果较为明显。此外还可以通过对神经网络进行在线学习，优化神经网络，以得到更小误差、更理想的神经网络模型，进行分层注水量的预测。因此基于BP神经网络的分层注水量智能预测方法可以准确地预测分层注水量，提高油田的采收率。