神经网络技术在旬邑－黄陵地区油层压裂井产能预测中的应用

席天德，韩小琴 （陕西延长石油 （集团）有限责任公司研究院，陕西 西安 710065）

程妮，薛金泉 （延长油田股份有限公司勘探开发研究中心，陕西 延安 716500）

曹淑慧 （北京华油明信能源技术有限责任公司，北京 102200）

高萍 （延长油田股份有限公司测井解释中心，陕西 延安 716000）

神经网络技术在旬邑－黄陵地区油层压裂井产能预测中的应用

席天德，韩小琴 （陕西延长石油 （集团）有限责任公司研究院，陕西 西安 710065）

程妮，薛金泉 （延长油田股份有限公司勘探开发研究中心，陕西 延安 716500）

曹淑慧 （北京华油明信能源技术有限责任公司，北京 102200）

高萍 （延长油田股份有限公司测井解释中心，陕西 延安 716000）

影响压裂井的产能因素较多，采用常规的线性方法进行的产能预测效果不佳。由于研究区无压裂参数，鉴于神经网络技术高度复杂的非线性动力学系统功能，因此采用神经网络技术进行产能预测。优选有效孔隙度、有效渗透率、可动油饱和度、有效厚度、原油黏度、产水率以及初期日产油7个参数作为模型的训练样本，利用该模型进行预测。实践结果表明，该方法预测产能与试油日产油量符合率达到90%，很好地实现了在无压裂参数条件下，对低孔低渗砂岩储层压裂井产能的预测。

低孔低渗；砂岩储层；压裂井产能；BP神经网络；旬邑-黄陵地区

常规的产能预测方法针对孔渗条件好的油藏，采用米采油指数进行产能预测及评价，产能预测精度较高。对于经压裂改造后的低孔低渗致密砂岩储层，储集微观空间类型多样性及孔隙结构复杂，传统的储层参数评价模型和方法在应用范围和精度上已不能满足精细储层测井评价的需求［1，2］。

国外对于压裂井产能的研究始于20世纪50年代，大多围绕压裂产量与裂缝参数及地层物性之间的关系，给出计算方法和模型［3］，并没有最适合的压裂井产能预测方法。国内起步较晚，压裂井产能预测这方面的研究工作，主要包括经验性方法和采用不同算法建立压裂井产能预测模型［4～11］。

旬邑-黄陵地区为低孔～特低渗储层，孔隙度主要分布在4.2%～11.2%，渗透率主要分布在0.09～0.55mD，提高单井产量均采用压裂方式。研究稳定状态和拟稳定状态下的产能预测，按照Raymond和Binder提出的稳态模型，进一步考虑射孔和表皮因数的影响，根据平面径向流原理得到产能预测模型，即无限导流能力垂直裂缝井稳态渗流产能公式：

式中：q为储层产量，m3／d；K为储层内流体的有效渗透率，mD；h为有效厚度，m；pavg为泄流区的平均压力，MPa；pw为流压，MPa；μ为流体黏度，mPa·s；B为体积因数，1；re为有效供油半径，m；ωs为裂缝污染部分的宽度，m；Ks为裂缝污染部分的渗透率，mD；xi为水力垂直裂缝半长，m；Si为表皮因数，1。

鉴于产能与地质和工程因素之间的非线性关系，以及研究区无压裂参数的实际资料情况，考虑到神经网络技术高度复杂的非线性动力学系统这一功能，采用该方法进行产能预测。

1 压裂井产能预测影响因素及各参数的确定

影响压裂井产能的主要因素包含几何因素、油藏类型、钻井液与完井、增产措施等4个方面。其中几何因素包含储层厚度、渗透率各向异性、井眼尺寸等；油藏类型包含井在油藏中的位置、井网等；钻井液与完井包含表皮效应对产能的影响、完井方式等；增产措施包含酸化、压裂等。

对压裂后产能影响较大的参数有地层的有效渗透率、有效厚度、井底流压、压裂施工参数中的总砂量、平均混砂比及原油的黏度，其次有效孔隙度、可动油饱和度及产水率对产能也有一定的影响。

有效孔隙度、有效厚度、可动油饱和度、有效渗透率、原油黏度及产水率等参数主要通过测井精细解释得到，原油黏度及压力主要根据现场实测资料经过转换得到地层条件下的原油黏度及压力。

2 利用神经网络技术进行压裂井产能预测

2.1 BP神经网络模型的基本原理

BP网络模型目前在油气勘探开发领域的应用比较成功，该模型具有较强的纠错能力和非线性表达能力，以及联想推理和自适应识别能力。网络通过训练，可以实现网络输入因素与网络输出目标间的高度非线性映射。BP神经网络是典型的多层前馈型网络，由输入层、隐含层和输出层组成，层与层之间多采用全部连接方式，同一层单元之间不存在相互连接。BP神经网络算法的基本思想是通过网络输出误差的反向传播，不断调整和修改网络的连接权值，从而使网络误差达到最小。

2.2 BP神经网络模型的构成

训练样本主要包括以下参数：有效孔隙度、有效厚度、可动油饱和度、有效渗透率、原油黏度、产水率以及初期日产油7个参数。该网络模型为6×12×1，即包含6个输入参数的输入层、12个神经元的隐含层和1个输出参数层，见图1。

图1 初期日产油预测BP神经网络结构图

2.3 训练井及交叉检验井的选择

在建立产能预测的网络模型时，共选取18口已测试井作为训练井，16口已测试井作为交叉检验井，主要用于控制和检查训练的有效性，使训练既达到精度要求，又不过度训练，所有井（包括测试和非测试井）作为应用井。

2.4 模型的质量控制

通过2000次的迭代学习，样本的学习误差在0.25%以内，大多数井学习误差在0.1%以内（图2），说明模型精度较高。

图2 不同训练井收敛误差分布柱状图

3 模型应用效果及误差分析

3.1 模型应用效果分析

利用BP神经网络模型对研究区198口井进行了初期日产油产能的预测计算，预测结果与测试结果符合程度较高。如上xx井在1211～1215m测试初期日产油0.7m3，模型预测日产油为0.71m3，而在1248～1256m井段测试及预测日产油都为0m3（图3）。

图3 上xx井计算初期日产油分布图

从预测初期日产油与实际测试产能对比看出，预测结果与实际初期日产油变化趋势基本一致 （图4），绝对误差主要集中在0～0.5m3之间 （图5）。

3.2 误差分析

对模型预测结果与实际产能误差产生的原因进行分析，主要有以下几方面：

1）尽管该算法不需要已有的数学模型或物理模型，但由于只利用已有的测井综合资料，无压裂参数，难免出现一定的误差；

2）在训练模型中，训练样品井大多是产能较低的井，导致预测结果较实际产能结果偏小；3）在压裂过程中，部分井压裂层段较统计射孔层段厚，导致预测结果较测试结果偏小。

图4 计算初期日产油与测试日产油对比图

4 结论

鉴于产能与地质和工程因素之间的非线性关系，以及研究区的实际资料情况，为了预测储层压裂后的初期产能，从测井综合参数出发，优选有效孔隙度、有效厚度、可动油饱和度、有效渗透率、原油黏度、产水率和初期日产油等7个参数，依据BP神经网络的原理，建立了压裂井产能预测模型。在对旬邑－黄陵地区压裂井的产能预测应用中，该模型预测值与已知的试油井产能符合度达90%，取得了较好的结果，并为优化射孔提供了地质依据，证明了该模型的有效性和实用性。

图5 计算初期日产油绝对误差分布直方图

［1］张姮妤.低孔渗油田致密砂泥岩储层产能预测 ［D］.哈尔滨：黑龙江大学，2008.

［2］程洪亮，胡华伟 .川西低孔低渗储层参数评价 ［J］.世界地质，2010，29（3）：459～465.

［3］魏汝岭.深层砂砾岩储层测井产能评价技术研究 ［D］.青岛：中国石油大学，2010.

［4］鞠江慧，王建功，高瑞琴，等 .二连油田低孔隙度渗透率储层压裂后产能预测 ［J］.测井技术，2005，29（4）：379～381.

［5］庄华，潘保芝，张丽华.BP神经网络模型在朝长地区扶杨油层压裂产能预测中的应用 ［J］.世界地质，2012，31（4）：785～790.

［6］阮光辉，肖义越 .二次多项式逐步回归在油田压裂产能预测中的应用 ［J］.地质科学，1981，1（1）：87～93.

［7］封立香，孙建孟，赵文杰，等 .多参数综合分析指导基山地区低渗透储层压裂改造 ［J］.测井技术，2007，31（5）：474～478.

［8］詹泽东，郭科，胥德平，等 .嵌套BP神经网络及其在油气产能预测中的应用 ［J］.成都理工大学学报，2011，38（4）：408～412.

［9］刘之的，赵靖舟，高秋涛 .利用MDT资料预测油气产能 ［J］.地质科技情报，2013，32（1）：163～166.

［10］张冲，毛志强，李光军，等 .安棚深层系低渗透储层产能预测方法及应用 ［J］.测井技术，2008，32（6）：562～565.

［11］毕妍斌，石红萍 .油井压裂效果分析方法 ［J］.石油勘探与开发，1998，25（4）：72～75.

［编辑］ 帅群

Application of Neural Network Technology in Productivity Forecast of Fractured Wells in Xunyi-Huangling Region

XI Tiande，HAN Xiaoqin，CHENG Ni，XUE Jinquan，CAO Shuhui，GAO Ping （First Author' s Address：Research Institute of Yanchang Petroleum（Group）Co，Ltd，Yan' an 710065，Shaanxi，China）

There were many factors affecting the productivity of fractured wells，and the effect of productivity forecast using the conventional linear methodology was no good.For there was lacking of fracturing parameters in the studied area and the highly complex functions of non-linear system in the neural network technology，therefore the neural network technology was used to forecast productivity in the studied area.Seven parameters as effective porosity，effective permeability，movable oil saturation，effective thickness，crude oil viscosity，water production rate and tested productivity of single layer were selected as training samples for the model and it was applied for productivity forecast.Practical results show that the forecasted productivity using the method is consistent with the daily oil output of production testing with the coincidence rate of 90%.The neural network technology is successfully applied for productivity forecasting without fracturing parameters.

low porosity and low permeability；sandstone reservoir；productivity forecast；BP Neural Network；Xunyi-Huangling

TE328；TE319

A

1000-9752（2014）04-0107-04

2013-01-12

席天德 （1965-），男，1988年大学毕业，高级工程师，现从事油藏开发地质方面的相关研究工作。