神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)儲(chǔ)層砂巖粒度縱向剖面.docx

1、斷塊油IHIFAULTBLOCKOIL&CASFIELDdoi:10.6056/elievethatthecharacteristicvalues(心,UC)ofreservoirgrainsizeisthedesignbasis(hrsandcontrolcompletion.Basedonllirrelevanceofgammalogging,densityloggingtothegrainsizecharacterislicvalues,weestablishedIhesamplelibraryofwellsgamma,densitylogandgrainsizevalues.Using

2、neuralnetworktechnology,theleuniingnetworkprojectwastrained,thencombinedwithloggingdatadevelopmentblM-k,theverticalprofilesofenlirrreservoirgrainsizewasestablish(*(l.IhisteThnologyisveryimportanttosandcontrolcompletionforthereservoirlackofgrainsizedata,itprovidesanaccuratebasisforprojectdesignandhas

3、agiwxlapplicutioneffectinthefield.Keywords:grainsizecharacteristicvalut%loggingdate;neuralnetwork;samplelibrary;verticalprofile引用格式:李律,藏水灣.劉常紅.等.神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)儲(chǔ)層砂巖秘度縱向剖而J.斷塊油nm,2014.21(4):449-452.IPing.FanYongtao.UuChanghung,ctal.UsingneuralnetworktopredictverticalprofileofgrainsizeofreservoirsandstoneJ.Fau

4、lt-Block(hl&GanField,2014.21(4)：449-452.0引言我國(guó)海I.疏松弱固結(jié)砂巖的分布很廣，在開(kāi)采過(guò)程中常伴隨油井出砂，給油氣生產(chǎn)造成巨大危害。近兒卜年來(lái)，來(lái)清儲(chǔ)層砂巖粒度特性，是選擇更為有效的防砂萬(wàn)案的難題之二儲(chǔ)層砂巖粒度特性，是在漫長(zhǎng)的地質(zhì)年代過(guò)程中形成的，成因復(fù)雜。在鉆井過(guò)程中，通常通過(guò)不同的測(cè)井萬(wàn)法來(lái)判斷砂巖的特性，但還沒(méi)有很好的方法來(lái)通過(guò)測(cè)井接判斷砂巖的粒度特性。鉆井中儲(chǔ)層的取心成本相當(dāng)高，且取心井段有限,這就需要尋求一種新的方法12,利用豐富的測(cè)井資料及有限的取心資料來(lái)認(rèn)清儲(chǔ)層砂巖的粒度特性.為防砂方式的選擇提供理論依據(jù)，常用測(cè)井方法主要:為聲波、自然

5、伽馬、密度、補(bǔ)償中子、自然電位等。聲波在巖層中的傳播速度、巖石密度、伽馬等測(cè)井項(xiàng)在一定程度上和地層巖石粒度存在相關(guān)性，但這種相關(guān)關(guān)系岌雜，其有非線性、不明確性的特點(diǎn).利用神經(jīng)網(wǎng)絡(luò)對(duì)此進(jìn)行研究具右特有的優(yōu)勢(shì)，并已在孔隙度、滲透率等儲(chǔ)層物性方面得到了-定程度的應(yīng)用%在粒度預(yù)測(cè)方面也已進(jìn)行了部分研究。最早在1990年.Rider和Hurst就單獨(dú)應(yīng)用伽馬測(cè)井收稿日期：2014-01-03；改回日期：201404-26作者簡(jiǎn)介：乍停.女.1982年生.博1:.2012年畢業(yè)F中N石油大學(xué)（北京）油氣井1程此，主要從出油氣井防砂完井及勘油熱采方面的研究I.作E-mail:叩pk、_lpI計(jì)算了粒度的分布

6、趨勢(shì).但誤差較大，存在一定的局限性1999年.Oyeneyin和Faga首先利用神經(jīng)網(wǎng)絡(luò)方法對(duì)粒度分布進(jìn)行預(yù)測(cè).認(rèn)為利用電纜測(cè)井?dāng)?shù)據(jù).采用神經(jīng)網(wǎng)絡(luò)技術(shù)預(yù)測(cè)粒度是可行的，并應(yīng)用這種方法對(duì)礫石充填防砂完井的礫石尺寸進(jìn)行了優(yōu)化設(shè)計(jì)：叟。國(guó)內(nèi)這方面的研究還相當(dāng)少.楊斌、匡立春等9只在神經(jīng)網(wǎng)絡(luò)應(yīng)用中簡(jiǎn)單提到粒度中值的解釋模型。我國(guó)海上常用的防砂依據(jù)主要為粒度中值以您）、均質(zhì)系數(shù)（UC）、細(xì)顆粒（45頭m）質(zhì)員分?jǐn)?shù)等粒度特征值,其中最取要的為dm.其次為C。在前人研究的基礎(chǔ)上，針對(duì)實(shí)測(cè)粒度數(shù)據(jù)少和無(wú)實(shí)測(cè)粒度數(shù)據(jù)生產(chǎn)井的防砂.提出利用神經(jīng)網(wǎng)絡(luò)進(jìn)行整個(gè)儲(chǔ)層段的粒度分布預(yù)測(cè)技術(shù)，從而為防砂設(shè)計(jì)提供依據(jù)。1BP網(wǎng)

7、絡(luò)的建立BP網(wǎng)絡(luò)是一個(gè)利用誤差反向傳播算法對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練的前向多層網(wǎng)絡(luò).結(jié)構(gòu)簡(jiǎn)單，可塑性強(qiáng).在多個(gè)領(lǐng)域得到了廣泛應(yīng)用。應(yīng)用神經(jīng)網(wǎng)絡(luò)技術(shù)址，以實(shí)測(cè)激光粒度數(shù)據(jù)為訓(xùn)練樣本.利用測(cè)井?dāng)?shù)據(jù)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，對(duì)沒(méi)有粒度數(shù)據(jù)的井進(jìn)行粒度預(yù)測(cè)是可行的。國(guó)外對(duì)d您分布進(jìn)行了預(yù)測(cè)，利用MATLAB軟件中強(qiáng)大的Simulink仿真f從測(cè)井項(xiàng)與粒度數(shù)據(jù)存在的非線性關(guān)系入手，分析.建立數(shù)據(jù)庫(kù)的樣本，利用3層BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練學(xué)習(xí).應(yīng)用測(cè)井資料及訓(xùn)練好的網(wǎng)絡(luò)實(shí)現(xiàn)粒度特征值的縱向剖面預(yù)測(cè).具體步驟見(jiàn)圖1。神經(jīng)網(wǎng)絡(luò)饋濯粒度特征值測(cè)井瓷科與W度特征（ft相關(guān)性分析建立訓(xùn)煉樣本庫(kù)（GR.DEN.dK.VC）利用訓(xùn)練好的網(wǎng)堵.同

8、時(shí)W實(shí)現(xiàn)相近沉積持征鄰近區(qū)塊的檢度分布剖面預(yù)測(cè)圖1神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)I儲(chǔ)層粒度分布割面步驟握取WI層段科井資料儲(chǔ)房段粒度測(cè)試.分析粒度參數(shù)確定樣本庫(kù)的測(cè)井項(xiàng)（GR.DEN）和粒度特征值gUC）利用訓(xùn)煉好的網(wǎng)絡(luò).輸入需要預(yù)測(cè)W!層段的測(cè)井?dāng)?shù)據(jù)項(xiàng)（GR.DEN）可債測(cè)整個(gè)儲(chǔ)層段粒度特征值gUC）的縱向分布舸而確定3層BP1*經(jīng)網(wǎng)培算法.采用2x”x2的網(wǎng)絡(luò)結(jié)構(gòu)確定隱單元個(gè)數(shù)及層之間的傳遞函數(shù)、網(wǎng)絡(luò)訓(xùn)練函數(shù)、權(quán)值圈值學(xué)習(xí)函數(shù)、目桁兩散利用株本庫(kù)進(jìn)行網(wǎng)?當(dāng)誤是滿足要求告學(xué)習(xí)和誤差分析.,完成網(wǎng)絡(luò)學(xué)習(xí)2訓(xùn)練樣本的建立分析測(cè)井資料與粒度實(shí)測(cè)數(shù)據(jù)的相關(guān)性，確定該方法需要的測(cè)井項(xiàng)，建立測(cè)井?dāng)?shù)據(jù)項(xiàng)與粒度實(shí)測(cè)特征值的樣

9、本庫(kù)為神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的樣本。Faga丁的研究認(rèn)為，應(yīng)用較多的測(cè)井項(xiàng)會(huì)增加神經(jīng)網(wǎng)絡(luò)的“噪音”，必須選擇與儲(chǔ)層粒度相關(guān)性最好的兒項(xiàng)測(cè)井?dāng)?shù)據(jù)，、伽馬測(cè)井項(xiàng)與粒度具有很好的反向相關(guān)性.伽馬測(cè)井值越高的地方，粒度值越低；密度測(cè)井項(xiàng)與粒度也具有很好的反向相關(guān)性，地層密度越高、壓實(shí)程度越好，孔隙度相對(duì)較小，儲(chǔ)層的顆粒越??；聲波測(cè)井項(xiàng)與粒度具有較好的正向相關(guān)性.聲波時(shí)差越小，聲波速度越快.地層壓實(shí)程度越好，儲(chǔ)層的顆粒越小。儲(chǔ)層巖石顆粒的大小訶以很好地反映在聲波、密度、伽馬測(cè)井曲線上，而中子、門然電位等測(cè)井項(xiàng)和粒度沒(méi)有較高的相關(guān)性，如果引入會(huì)導(dǎo)致神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)函數(shù)收斂性差；聲波測(cè)井?dāng)?shù)據(jù)變化幅度較大，在一定程度上增加

10、了噪音：因此,不建議將者引入輸人向量。下面選取伽馬、密度和粒度的特征數(shù)據(jù)作為網(wǎng)絡(luò)訓(xùn)練的輸入樣本。以南海某油田A為例，整體埋深1000m左右.儲(chǔ)層位于新近系角尾組二段地層，油藏類型為構(gòu)造油藏分析認(rèn)為.探井A-1井鉆遇油層位于角尾組二段頂部一套連續(xù)油層LI,細(xì)分為低阻層和高阻層。A油田巖心數(shù)據(jù)缺乏，巖性福弱固結(jié)砂巖，給防砂和生產(chǎn)提出r更大的挑戰(zhàn)由于周邊另一油田B同屆于該油山群，沉積模式相似，粒度預(yù)測(cè)可加以借鑒，但直接利用B油田L(fēng)I油組粒度數(shù)據(jù)，明顯誤差很大；故利用周邊B-1井（儲(chǔ)層J2I的粒度數(shù)據(jù)比較多而全面）的粒度數(shù)據(jù)和測(cè)井?dāng)?shù)據(jù)作為訓(xùn)練樣本庫(kù)（見(jiàn)表1）,從而預(yù)測(cè)A油田的粒度分布情況，以提高預(yù)測(cè)該

11、油田儲(chǔ)層砂巖粒度特征值的精度。1B-1井訓(xùn)練樣本井深/m密度/Cft/APIdjJyjnUC細(xì)顆粒質(zhì)量分散/務(wù)962.62.15175.038136.7533.9126.73963.02.08867.027135.2523.0322.51963.22.07366.937132.7323.2823.75963.42.06969.312)55.148.2512.08963.72.07474.395141.8420.2526.02980.02.17662.027154.782.045.50980.22.18562.187148.014.0910.49980.42.19562.763154.351.9

12、65.11980.62.19763.711155.921.995.65980.82.19664.068147.202.648.801000.12.15446.514207.153.848.371000.32.16844.219202.173.647.011000.52.15943.964254.714.298.651000.72.14544.672280.214.497.451000.92.14745.053257.816.6910.36:1007.32.48654.752138.7424.1924.663網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)網(wǎng)絡(luò)結(jié)構(gòu)為1個(gè)隱層的3層前向BP網(wǎng)絡(luò)結(jié)構(gòu)，輸人神經(jīng)元為2個(gè)（密度、伽馬測(cè)井值

13、），輸出神經(jīng)元為2個(gè)（d%UC）,選擇隱簞元的參考公式為y/n+m+a（1）式中：小為隱單元數(shù)述為輸入單元數(shù)次為輸出神經(jīng)元數(shù);aw1,10Jo根據(jù)式（I）,隱單元個(gè)數(shù)為312。通過(guò)網(wǎng)絡(luò)的訓(xùn)練，最終選取12個(gè)隱單元，形成1個(gè)2x12x2的3層網(wǎng)絡(luò)。層之間的傳遞函數(shù)，采用中間層“tansig”（雙曲正切S型傳遞函數(shù)）、輸出層Togsig”（S型的對(duì)數(shù)傳遞函數(shù)），網(wǎng)絡(luò)訓(xùn)練函數(shù)采用“trainlm”，速度下降快。權(quán)值和閾值的BP學(xué)習(xí)算法采用梯度下降動(dòng)量學(xué)習(xí)函數(shù)“l(fā)earngdm”，目標(biāo)函數(shù)選取網(wǎng)絡(luò)誤差平方和的均值，訓(xùn)練均方誤差（MSE）選為0.001,可滿足工程需要。4網(wǎng)絡(luò)學(xué)習(xí)及誤差分析利用MATLA

14、B神經(jīng)網(wǎng)絡(luò)工具箱，實(shí)現(xiàn)對(duì)粒度特征值神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)和編程。設(shè)計(jì)的BP網(wǎng)絡(luò)收斂速度較快，能很快達(dá)到目標(biāo)誤差0.001,樣本訓(xùn)練后的網(wǎng)絡(luò)輸出值和實(shí)測(cè)值的對(duì)比曲線及絕對(duì)誤差如圖2、圖3所示。10001010970980990井深/ma粒度中值井深A(yù)nb均質(zhì)系數(shù)圖2訓(xùn)練后網(wǎng)絡(luò)樣本輸出與實(shí)測(cè)值對(duì)比I000井深/m井深/ma裁度中值b均質(zhì)系數(shù)圖3BP網(wǎng)絡(luò)的絕對(duì)誤差分析由圖2可知，該網(wǎng)絡(luò)的性能完全達(dá)到需要，&，和實(shí)測(cè)數(shù)據(jù)具有很好的吻合性，UC和實(shí)測(cè)數(shù)據(jù)預(yù)測(cè)結(jié)果稍差。這是因?yàn)閁C的變化范圍較大，在歸一化上很難把握，且現(xiàn)有的粒度測(cè)試手段本身對(duì)t/C的影響也比較大。由圖3可知，dso的絕對(duì)誤差基本控制在20am以內(nèi)

15、，C的絕對(duì)誤差基本控制在5以內(nèi)，可滿足工程的需要。5應(yīng)用利用訓(xùn)練后的網(wǎng)絡(luò)對(duì)鄰近區(qū)塊探井A-1的儲(chǔ)層段進(jìn)行了粒度特征值的預(yù)測(cè)（見(jiàn)圖4）,并與實(shí)測(cè)的幾個(gè)點(diǎn)進(jìn)行對(duì)比結(jié)果發(fā)現(xiàn),djoUC的預(yù)測(cè)和實(shí)測(cè)吻合都比較好，彌補(bǔ)了A油田L(fēng)開(kāi)發(fā)儲(chǔ)層防砂設(shè)計(jì)時(shí)粒度數(shù)據(jù)缺乏的問(wèn)題。井深/ma粒度中值井深/mb均質(zhì)系數(shù)圖4訓(xùn)練后網(wǎng)絡(luò)預(yù)測(cè)鄰近區(qū)塊粒度特征他線由A-1井的心,UC預(yù)測(cè)整個(gè)儲(chǔ)層縱向粒度分布剖面，利用Saucier方法、Tifferi方法Johnson方法等設(shè)計(jì)方法對(duì)生產(chǎn)井的防砂方案進(jìn)行設(shè)計(jì)防砂方式及參數(shù)優(yōu)選結(jié)果見(jiàn)表2。表2A油田水平開(kāi)發(fā)井防砂方案設(shè)計(jì)井號(hào)儲(chǔ)層段防砂方式充填尺寸/目擋砂檔度/junA12hJ；低陽(yáng)

16、層優(yōu)質(zhì)辯管+礫石充墳20-40210A4sbh.AllhJ扃阻層優(yōu)質(zhì)篩管+礫石充填16-303006結(jié)論1) 測(cè)井曲線和儲(chǔ)層粒度之間存在著非線性關(guān)系，利用神經(jīng)網(wǎng)絡(luò)技術(shù)，在一定程度上預(yù)測(cè)出儲(chǔ)層粒度的分布規(guī)律，為防砂設(shè)計(jì)提供依據(jù)。2) 找出密度和伽馬測(cè)井項(xiàng)和粒度特征值d%,UC作為輸入樣本，建立前向BP網(wǎng)絡(luò)(3層網(wǎng)絡(luò)2x12x2),進(jìn)行了樣本的訓(xùn)練，網(wǎng)絡(luò)性能收斂性好。3) 實(shí)現(xiàn)了對(duì)鄰近區(qū)塊儲(chǔ)層粒度特征值的預(yù)測(cè)。利用鄰近B油田同儲(chǔ)層L的測(cè)井和粒度數(shù)據(jù)作為訓(xùn)練樣本庫(kù)，預(yù)測(cè)出了A油田的粒度分布規(guī)律，與有限的幾點(diǎn)實(shí)測(cè)對(duì)比，具有很好的一致性，能夠滿足工程設(shè)計(jì)的需要。參考文獻(xiàn)1何生厚，張琪.油,井防砂理論及共

17、應(yīng)用MJ.北京：中國(guó)石化出版社,2003:1-12.2J萬(wàn)仁溥.現(xiàn)代完井工程：M.3版.北京：石油工業(yè)出版社,2000:14-35.3 HamadaGM.ElshafeiMA.NoiindnetworkpredictionofporosityandpermeabilityofheterogeneousgassandreservoirsR；.SPE126042.2009.4 SinghS.PermeabilitypredictionusingArtificialNeuralNetwork(ANN)：AcasestudyofUintaBasin1R.SPE99286,2(X)5.5 WongPM,

18、BrooksLJ.PermeabilitydeterminationusingncuranlnetworksintheRavvaField.OffshoreIndiaR.SPE38034,1998.6：OyeneyinBM,EagaAT.Fomiation-grair-izepredictionwhilstdrilling：AkeyfactorinintelligentsandcontrolcompletionsKj.SPE56626.1999.7FaaAT,OyencyinBM.ApplicationofneuralnetworksforimprovedgravelpackdesignRj.SPE58722,2(XX).8:FagaAT.OycneyinBM.Effectsofdiagenis