用隱式非線性方法預(yù)測(cè)注水井吸水剖面.docx

1、2010年第34卷Vol.34No.6Dec.2010中國(guó)石油大學(xué)學(xué)報(bào)（自然科學(xué)版）JournalofChinaUniversityofPetroleum文章編號(hào)：1673-5005(2010)06-0095-04用隱式非線性方法預(yù)測(cè)注水井吸水剖面隋義勇微，李治平二王繼強(qiáng)3,葉銀珠，李彥來4（1.中國(guó)地質(zhì)大學(xué)能源學(xué)院，北京100083；2.中國(guó)石油大學(xué)石油工程學(xué)院，山東東營(yíng)257061；3.中國(guó)石油勘探開發(fā)研究浣，北京100083；4.中海石油（中國(guó)）有限公司天津分公司渤海油田勘探開發(fā)研究院，天津300452）摘要:將歸一化的地層系數(shù)、油水井連通狀況、連通油井?dāng)?shù)、連通井距、量化的砂體類型和措施

2、類型以及滲透級(jí)差倒數(shù)作為輸入?yún)?shù)，相對(duì)吸水地作為目標(biāo)參數(shù)，結(jié)合支持向質(zhì)機(jī)（SVM）和BP神經(jīng)網(wǎng)絡(luò)方法建立隱式非線性吸水剖面預(yù)測(cè)模型,通過模型的樣本學(xué)習(xí)，建立地質(zhì)、開發(fā)參數(shù)和相對(duì)吸水量之間的隱式非線性關(guān)系。實(shí)例分析表明，隱式非線性方法預(yù)測(cè)吸水剖面精度高且易于擴(kuò)充模型變量數(shù)，要求樣本少，更適合礦場(chǎng)應(yīng)用。關(guān)鍵詞：隱式非線性方法；注水井；吸水剖面；預(yù)測(cè)中圖分類號(hào):TE357文獻(xiàn)標(biāo)志碼：Adoi:10.3969/j.issn.1673-5005.2010.06.018PredictionofwaterinjectionprofileusingimplicitnonlinearmethodSUIYi-yo

3、ng'2,LIZhi-ping',WANGJi-qiang3,YEYin-zhu3,LIYan-lai4(1.SchoolofEnergyResources,ChinaUniversityofGeosciences,Heijing100083,China；CollegeofPetroleumEngineeringinChinaUniversityofPetroleum,Dongying257061,China;2. ResearchInstituteofPetroleumExploration&Development,PetroChina,Beijing100083,C

4、hina；TianjinBohaiOilfieldExploration&DevelopmentResearchInstituteofCNOOCIid,Tianjin300452,China)Abstract；ApredictionmodelofwaterinjectionprofileusingimplicitnonlinearmethodwasestablishedcombinedsupportvectormachineandBPneuralnetworkmethod.Inthismodel,thenormalizedIbmuitionfactor,oilandwaterwellc

5、onnectivity,numberofconnectedwells,connectedwellspace,typesofsandstoneandstimulationsandreciprocalofpermeabilityratioweretakenasinputparameters,andtherelativeintakecapacitywastakenastargetparameter.Theimplicitnonlinearrelationshipamonggeologyandproductionparametersandtlicrelativeintakecapacitywasdev

6、eloped.Theresultsshowthatthismethodhashighpredictionprecisionforwaterinjectionprofile,anditiseasytoextendthevariablenumber.Lndersmallsample(ia(aconditions,(hismethodismoresuitableforfieldapplication.Keywords:implicitnonlinearmethod；waterinjectionwell;waterinjectionprofile；prediction收稿日期:2010-02-22基金

7、項(xiàng)目：國(guó)家科技重大專項(xiàng)課甌（2OO8ZXO5O24-04-008）作者簡(jiǎn)介:隋義勇（】975-）,男（漢族），遼寧大連人，講師.博上研究生，研究方向?yàn)椴捎凸こ膛c提高采收率。注水井吸水剖面反映地層的吸水能力，通過小層的吸水量可以了解注入水的縱向分布，預(yù)測(cè)和控制水線推進(jìn)，監(jiān)視油層的吸水，進(jìn)行剩余油分布分析'，正確認(rèn)識(shí)大孔道、竄槽，準(zhǔn)確確定吸水面積。常規(guī)的吸水剖面通過測(cè)試手段獲得，但由于受產(chǎn)量、工藝條件、井況及其他因素的影響,有的油田每年約有超過40%的新投轉(zhuǎn)注井無法及時(shí)獲取有效的剖面資料，給油井進(jìn)一步分析帶來諸多不便及困難，因此需要對(duì)注水井吸水剖面進(jìn)行預(yù)測(cè)?，F(xiàn)有的預(yù)測(cè)方法主要有顯式方法和隱

8、式方法兩種，同口井的吸水剖面隨層位與連通井的關(guān)系不斷變化，顯式方法計(jì)算結(jié)果會(huì)出現(xiàn)不管地層有沒有與水井聯(lián)通都能計(jì)算出地層吸水的現(xiàn)象，隱式方法容易出現(xiàn)局部學(xué)習(xí)最優(yōu)、推廣性不好的現(xiàn)象，14隱式方法中選用了數(shù)值不易準(zhǔn)確獲得的小層注入壓力作為參數(shù)，對(duì)結(jié)果影響較大。針對(duì)上述情況，筆者選取影響地層吸水的地質(zhì)、開發(fā)兩方面主控因素,結(jié)合支持向量機(jī)（SVM）和BP神經(jīng)網(wǎng)絡(luò)方法建立隱式非線性吸水剖面預(yù)測(cè)模型，進(jìn)而對(duì)注水井吸水剖面進(jìn)行預(yù)測(cè)。1隱式非線性模型的建立常用的隱式非線性方法主要右支持向量機(jī)(SVM)和BP神經(jīng)網(wǎng)絡(luò)方法。SVM是在統(tǒng)計(jì)學(xué)習(xí)理論的基礎(chǔ)上提出的-種新方法，在模式識(shí)別方面得到了廣泛應(yīng)用，近年來也開始用

9、于回歸估計(jì)。SVM基本思想是應(yīng)用內(nèi)積函數(shù)定義的非線性變換將輸入空間轉(zhuǎn)化到一個(gè)高維空間，從而將優(yōu)化問題轉(zhuǎn)化為一個(gè)凸二次規(guī)劃問題以得到全局最優(yōu)解苔卻。它避免了過學(xué)習(xí)、欠學(xué)習(xí)以及局部極小等問題，被認(rèn)為是目前針對(duì)小樣本的分類、回歸等問題的最佳理論。屬于已知輸入和輸出，但不能給出輸入和輸出關(guān)系的外部表示形式的隱式非線性方法。為了能夠更為全面確切地研究和認(rèn)識(shí)儲(chǔ)層的吸水能力，認(rèn)清影響儲(chǔ)層吸水能力的主控參數(shù),從地質(zhì)和開發(fā)兩方面選取與吸水剖面相關(guān)性較強(qiáng)的表征相對(duì)吸水量特征的參數(shù)作為隱式非線性吸水剖面預(yù)測(cè)模型的輸入?yún)?shù)，經(jīng)過篩選，確定地層系數(shù)kh(k為滲透率,九為地層厚度)、滲透率級(jí)差、油水井連通狀況、砂體類型、

10、連通油井?dāng)?shù)、連通井距、措施情況為影響吸水做的主要參數(shù)。以油水井連通狀況參數(shù)為例，動(dòng)態(tài)分析注水井每個(gè)射孔層連通的油井，把注水井各射孔層的kh與該層連通油井處的kh值作幾何平均,得到注水井在該層位的連通狀況值(房)。圖1為水井各射孔層段的連通狀況與該層段的相對(duì)吸水量的關(guān)系，圖2為單井歸一化后的各層連通狀況與該層相對(duì)吸水量的關(guān)系?？梢钥闯?，單井歸一化后的連通狀況與相對(duì)吸水量的相關(guān)性(0.8063)比未歸一化的連通狀況與相對(duì)吸水量的相關(guān)性(0.5486)好。1.0aq,R=O.54860.601020304050連通情況瓦/(皿2.)圖1連通狀況與相對(duì)吸水量的關(guān)系Fig.1Relationshipbe

11、tweenconnectivityandrelativewaterabsorption對(duì)砂體類型和措施情況進(jìn)行賦值處理,其基本原則為有利于吸水的賦高值，不利于吸水的賦低值.其中點(diǎn)壩取1,河道取0.7,廢棄河道取0.3,決口崩、酸化、壓裂取0.3，堵水取-0.3,無措施情況取0。為了保持滲透率級(jí)差的倍數(shù)關(guān)系，不進(jìn)行滲透率級(jí)差歸一化處理，而采用滲透率級(jí)差的倒數(shù)。將歸一化地層系數(shù)格、油水井連通狀況、連通油井?dāng)?shù)、連通井距、量化砂體類型和措施情況、滲透率級(jí)差倒數(shù)作為輸入量，相對(duì)吸水量作為目標(biāo)參數(shù)建立吸水剖面預(yù)測(cè)模型。i.Or.0,8R0.8063:50.6|.So.4I00.81.0H

12、化連通情況圖2歸一化連通狀況與相對(duì)吸水量關(guān)系Fig.2Relationshipbetweennormalizedconnectivityandrelativewaterabsorption(OSVM模型參數(shù)。SVM模型的建立主要是選擇相應(yīng)的支持向量機(jī)參數(shù)核函數(shù)和懲罰因子C,它們的合理確定直接決定著支持向雖機(jī)的訓(xùn)練效率和應(yīng)用效果。本文中對(duì)樣本數(shù)據(jù)和測(cè)試數(shù)據(jù)用多項(xiàng)式核函數(shù)和徑向基核函數(shù)進(jìn)行測(cè)試，最終確定預(yù)測(cè)模型的核函數(shù)采用徑向基核函數(shù)，懲罰因子C取10。(2) BP神經(jīng)網(wǎng)絡(luò)模型參數(shù)。輸入節(jié)點(diǎn)7個(gè)，輸出在點(diǎn)1個(gè)，隱層節(jié)點(diǎn)15個(gè),采用改進(jìn)的BP算法，學(xué)習(xí)因子可取0.9,動(dòng)城因子。取0.9。(3) 樣本

13、數(shù)據(jù)預(yù)處理。選擇大港油田某區(qū)塊吸水剖面資料中層位完整井樣本數(shù)據(jù)為學(xué)習(xí)樣本建立模型。為了滿足計(jì)算的收斂性和吸水剖面單井的相對(duì)性,同時(shí)由于單井歸一化后的數(shù)據(jù)相關(guān)系數(shù)高，所以對(duì)地層系數(shù)、油水井連通狀況、連通油井?dāng)?shù)、連通井距進(jìn)行數(shù)據(jù)歸一化處理,公式為式中，無為歸一化數(shù)據(jù)次為樣本原始數(shù)據(jù)次心和分別為樣本中最小和最大值。2實(shí)例應(yīng)用分析基于SVM和BP神經(jīng)網(wǎng)絡(luò)方法通過樣本學(xué)習(xí)建立輸入?yún)?shù)與日標(biāo)參數(shù)之間的隱式非線性模型，利用該模型對(duì)大港油田4口井進(jìn)行吸水剖面預(yù)測(cè)，學(xué)習(xí)樣本見表1,預(yù)測(cè)樣本見表2,預(yù)測(cè)結(jié)果見表3。由結(jié)果可發(fā)現(xiàn)支持向量機(jī)預(yù)測(cè)結(jié)果與實(shí)測(cè)結(jié)果的絕對(duì)誤差基本都小于9%,說明預(yù)測(cè)結(jié)果可信度較高。其中實(shí)測(cè)不

14、吸水的層，相對(duì)吸水量預(yù)測(cè)結(jié)果最大為4.13%,在應(yīng)用時(shí)可認(rèn)為預(yù)測(cè)結(jié)果中相對(duì)吸水量5%以下的層都不吸水；吸水層中實(shí)測(cè)吸水量越大，其誤差越小，實(shí)測(cè)吸水最越小,其誤差相對(duì)越大。根據(jù)預(yù)測(cè)結(jié)果統(tǒng)計(jì)，實(shí)測(cè)相對(duì)吸水量50%以上的層最大誤差為3.11%,實(shí)測(cè)相對(duì)吸水量30%50%的層最大誤差為4.05%,實(shí)測(cè)相對(duì)吸水量小于30%的層最大誤差值為8.74%。表1學(xué)習(xí)樣本(部分)Tabic1Learningsamples(part)井號(hào)層位kh/(p.m2.m)滲透率級(jí)差連通情況/(m)砂體類烈連通距離/m連通井?dāng)?shù)措施情況S東檢3Nm3-6-124.067011.0029.42254決口扇139.923無0.39

15、86東檢3Nni2-10-225.522861.Il28.28279河道104.574無0.6013東檢3Nm3-3-24.3616011.2113.13931廢棄河道151.622X0港218Nm3-8-311.985941.0013.75718河道134.472無0.3510港218Nm3-7-24.236404.234.90402、度奔河道147.132堵水0.0530港218Nm2-B-233.468711.2634.19796河道124.353無0.5260表:2預(yù)測(cè)樣本(部分)Table2Predictionsamples(part)井號(hào)層位kh/(呻2.m)滲透率級(jí)差連通情況/(

16、jxm2m)砂體類型遷通距離/m連通井?dāng)?shù)惜施情況港新3-28Nm2-8-27.18501.007.20524河道107.663無港新3-28Nm2-IO-23.60005.334.35640河道184.501無港新3-28Nm2-9-24.6J525.493.44380河道127.091無港新5-24Nm3-l-321.98561.0023.72992河道116.984無港新5-24Nm3-10-37.294012.0314.56490決口扇121.251無港新5-24Nn>4-!-312.31805.0311.32788河道147.833無港新5*Nm3&310.13605.6

17、719.90400河道120.622X表3吸水量預(yù)測(cè)結(jié)果與實(shí)測(cè)結(jié)果對(duì)比Table3Contrastofpredictionresultsandrealonesofwaterabsorption井號(hào)層位實(shí)際值/%預(yù)測(cè)值/%絕對(duì)誤差/%SVMBPSVMBPNni2-IO-272.2176.2076.223.994.01Nm46213.5319.3727.535.8414.00港6-22-1Nm3-10-302.0016.582.0016.58Ng3-l-214.2622.6730.858.4116.59Ng3-7-202.374.912.374.91Ng2-2-203.080.733.080.73

18、Nm2-8-204.1313.124.1313.12Nm3-7-244.2040.6360.93-3.5716.73港88Nm3-9-331.9034.8144.962.9113.06Nm3-8-37.506.0813.61-1.426.11Nm3-7-l10.9010.2513.21-0.652.31Nm3-6-35.5012.740Nm2-8-261.6064.7159.883.11-1.72港新3-28Nm2-10-219.2025.2435.226.0416.02Nm2-9-219.2023.3834.974.1815.77Nm3-l-346.0050.0562

19、.534.0516.53港新5-24Nm3-l0-3032.25Nm4-l-327.9036.6435.368.747.46Nm3-S-326.1032.258由圖3、表3可以看出，SVM與BP神經(jīng)網(wǎng)絡(luò)的擬合精度相差不大，但支持向依機(jī)預(yù)測(cè)結(jié)果的平均誤差為5%,BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果的平均誤差為12%,其主要原因在于BP神經(jīng)網(wǎng)絡(luò)方法雖然擬合效果較好，但是推廣性較差，而支持向址機(jī)的方法能夠在有限樣本的基礎(chǔ)上，兼顧模型的通用性和推廣性,更適合用于吸水剖面預(yù)測(cè)。樣本導(dǎo)(a)SVM方法(b)BP方法圖3某斷塊吸水剖面預(yù)測(cè)結(jié)果Fig.3Predictionres

20、ultsofwaterinjectionprofileofonefaultblock3結(jié)論(1) 利用隱式非線性方法進(jìn)行吸水剖面預(yù)測(cè)方便快捷旦易于擴(kuò)充模型變量數(shù)。(2) 吸水剖面的預(yù)測(cè)應(yīng)綜合考慮地質(zhì)和開發(fā)因素，其中砂體類型以及措施情況是影響吸水噠的主要因素，應(yīng)量化參與建模與預(yù)測(cè)0(3) SVM的最終決策函數(shù)只由少數(shù)的支持向量所確定，計(jì)算的復(fù)雜性取決于支持向危的數(shù)目，而不是樣本空間的維數(shù)，SVM用于預(yù)測(cè)吸水剖面具.有要求樣本少、計(jì)算快捷、準(zhǔn)確度高和推廣能力強(qiáng)等特點(diǎn)，更適合礦場(chǎng)應(yīng)用。參考文獻(xiàn)：1 陳彬，王藝景,趙偉新，等.注水剖面資料確定吸水層動(dòng)態(tài)殘余油飽和度J.測(cè)井技術(shù),2003,27(2):1

21、59-161.CHENBin,WANGYi-jing,ZHAOWei-xin,etal.U-singwaterinjectionprofiledatatodeterminechangeableresidua)oilsaturationofwateracceptinglayersJ.WellLoggingTechnology,2003.27(2):159-161.2 張建民，趙永忠，徐晶.等.吸水剖面綜合解釋方法及應(yīng)用J.吉林大學(xué)學(xué)報(bào)：地球科學(xué)版,2006,36:143-147.ZHANGJian-min,ZHAOYong-zhong,XUJing,etal.Thecomprehensivein

22、terpretationandapplicationofinjectionprofilelog；J；.JournalofJilinUniversity(EarthScienceEdition),2006,36:143-147.3 陳林媛.確定吸水剖面的一個(gè)簡(jiǎn)易方法J.鉆采工藝,2003,26(2):93-95.CHENLin-yuan.Asimplemethodtoidentifytheinjectionprofile；J.Drilling&ProductionTechnology,2003,26(2);93-95.4 單玲,李慧莉，高秀田.利用ANFIS模型預(yù)測(cè)吸水剖面J.斷塊油氣田

23、,2009,16(4):72-74.-SHANLing,LIHui-li,GAOXiu-lian.ForecastinginjectionprofilebyANFISmodelJ.Fault-BlockOil&GasField,2009,16(4):72-74.5jVAPNIKVN.StatisticallearningtheoryfMl.NewYork：JohnWiley&SonsInc,1998：90-100.6楊培杰，印興嫌.基于支持向員機(jī)的疊前地震反演方法J.中國(guó)石油大學(xué)學(xué)報(bào)：自然科學(xué)版，2008,32(】):374.YANGPei-jie,YINXing-yao.Pr

24、estackseismicinversion(上接第94頁)趙輝，李陽，高達(dá)，等.基于系統(tǒng)分析方法的油藏井間動(dòng)態(tài)連通性研究【J.石油學(xué)報(bào),2010,31(4):633-636.ZHAOHui,LIYang,GAODa,etal.StudyonreservoirinterwelldynamicconnectivitybasedonsystemicanalysismethodJ.ActaPetroleiSinica,2010,31(4)：633-636.9 劉業(yè)俊.油藏井間動(dòng)態(tài)連通性反演方法研究D.東營(yíng)：中國(guó)石油大學(xué)石油工程學(xué)院,2009.LIUYe-jun.Studyoninvertionmet

25、hodofreservoirinterwelldynamicconnectivityD.Dongying：CollegeofPetroleumEngineeringinChinaUniversityofPetroleum,2009.methodbasedonsupportvectormachine：J.JournalofChinaUniversityofPetroleum(EditionofNaturalScience),2008,32(1):374.7徐K航,陳國(guó)明，謝靜.基于支持向機(jī):機(jī)和蒙特卡洛的結(jié)構(gòu)可靠性分析方法及應(yīng)用J.中國(guó)石油大學(xué)學(xué)報(bào)：自然科學(xué)版，2008,32(4):103-10

26、8.XUChang-hang,CHENGuo-ming,XIEJing.StructuralreliabilityanalysismethodbasedonsupportvectormachinesandMonteCarloan<itsapplicationJ.JournalofChinaUniversityofPetroleum(EditionofNaturalScience),2008,32(4)：103-108.8王延江，楊培杰，史清江.等.基于支攜向量機(jī)的井眼軌跡預(yù)測(cè)新方法J.石油大學(xué)學(xué)報(bào)：自然科學(xué)版，2005,29(5):50-53.WANGYan-jiang,YANGPei-jie,SHIQing-jiang,etal.NovelwellboretrajectorypredictionmethodbasedonsupportvectormachineJ.Journ