自组织神经网络技术在新油田快速评价中的应用

陈晖 胡泽根 李云鹏 葛丽珍 李彦来

(1. 中海石油(中国)有限公司天津分公司渤海石油研究院， 天津 300452；2. 中海油田服务股份有限公司， 天津 300452)



自组织神经网络技术在新油田快速评价中的应用

陈晖1胡泽根2李云鹏1葛丽珍1李彦来1

(1. 中海石油(中国)有限公司天津分公司渤海石油研究院， 天津 300452；2. 中海油田服务股份有限公司， 天津 300452)

利用自组织神经网络技术定量分析，优选相似油田，快速评价及预测新油田开发方式和开采指标。以海上某油田为例进行快速评价，分类预测结果和实际情况相符。

新油田;快速评价；自组织神经网络

由于掌握的数据资料不同，不同阶段的地质油藏研究方法及研究深度也不同。一般在油田前期研究中，掌握的数据资料往往较为有限。这个阶段的研究多侧重于研究的广度，一般采用类比法对适用的几种开发思路和开发策略进行综合对比。本次研究将结合神经网络技术研究，优选聚类分析性能较好的自组织神经网络技术，快速找出相似的可类比油田。

1 理论依据

自组织神经网络适用于解决模式分类和识别问题[1]。其原理是，采用无导师学习算法，让竞争层各神经元通过竞争与输入模式进行匹配，最后仅有一个神经元成为竞争的胜者，这一获胜神经元就代表分类得到的输入模式[2-3]。具体步骤如下：

(1) 确定训练时可能用到的样本集，即包括由输入向量Pi(i=1,2,3，…，m；m为输入层结点数)与输出向量Tk(k=1,2,3，…，n；n为输出层结点数)组成的样本集。

(2) 通过确定神经网络的具体层数与节点数，建立神经网络模型[4]。

(3) 对权重集进行初始化。

(4) 通过实际输入Pi,计算出Tk。

(5) 设定一个精度期望值，比较期望输出与网络计算输出之间的误差。若此误差达到精度期望值，则认为所设定的权重合理，保存权重集得到可用的网络模型；反之，若此误差未达到精度期望值，则对已设定权重集进行修正，反复比较直至计算输出达到精度要求。图1所示为自组织神经网络拓扑结构。

图1 自组织神经网络拓扑结构

2 实践应用效果

C油田为海上前期研究阶段的复杂断块油藏，相关资料数据非常有限，利用常规油藏工程方法快速评价C油田开采指标面临很大困难。在此，尝试利用自组织神经网络技术优选类比油田，通过相似油田开发模式和开发效果对比，快速评价C油田开发模式及开采指标预测。调研了国内9个复杂断块油藏，运用上述方法对网络进行训练和仿真[5-6]，最后对C油田进行聚类分析，预测C油田开发模式和开采指标。计算步骤如下：

(1) 网络样本设计，以调研的9个复杂断块油藏数据为网络输入样本。表1所示为输入样本油藏基本参数。

表1 输入样本油藏基本参数

对以上样本参数进行归一化处理，得到网络的输入向量矩阵：

(2) 网络设计。利用神经网络函数创建一个自组织特征映射神经网络，网络竞争层为2×3的二维结构，即竞争层有6个神经元，可将样本分为6类。

(3) 权重集初始化及网络测试。对各权值向量进行初始化，利用训练函数和仿真函数对网络进行训练并仿真，不断调整网络训练步数的大小，直至经过训练的网络可对输入向量进行正确分类[7-8]。然后，以目标区块参数为输入向量对网络进行测试。将网络的训练步数设置为40、80、200、500、800、1 000、1 200和1 500，分别观察其分类性能。表2所示为不同网络训练步数聚类结果。

表2 不同网络训练步数聚类结果

对结果进行分析可知，当训练步数为40时，样本序号为2、3、9的油藏归为一类，样本序号为4、5的油藏归为一类，其他油藏归为一类。当训练步数为80时，样本序号为2、3、5、9的油藏归为一类，序号为1、8的油藏归为一类，其余序号的油藏归为一类。当训练步数为200时，样本序号为2、3、4、5、9的油藏归为一类，其余序号的油藏归为一类。随着训练次数的不断增多，网络分类不断细化。当训练步数为500时，样本序号为2、3、4、5的油藏归为一类，其余序号的油藏归为一类。当训练步数为1 500时，样本序号为2、3、4、5的油藏归为一类(激发神经元的索引为5)，样本序号为6、7的油藏归为一类(激发神经元的索引为4)，其余序号的油藏归为一类。将训练步数为1 500时的分类结果与上述输入样本参数表进行对比可知，序号为2、3、4、5的油藏同属于一个油田的不同复杂断块油藏。该网络对样本的分类和实际情况相符，验证了此自组织神经网络的合理性与实用性。

(4) 快速评价及预测。以C油藏的参数作为输入向量P输入第3步训练完成的网络模型，判断C油藏分类，快速评价C油藏开发模式及预测开采指标。输入向量为：

P=103×

输出结果向量为T=4，激发了网络的第4个神经元，由此判断C油藏与序号6、7的输入样本聚为一类。根据油田现有动静态资料综合分析结果，认为样本序号为6、7的油藏与C油藏确实具有可类比性。按照当前研究阶段和资料掌握程度，C油藏开发方式和开采指标与这两个油藏可类比。表3所示为可类比油藏开采指标。

表3 可类比油藏开采指标

3 结 语

油田前期开发研究中，掌握的资料数据有限，运用自组织神经网络技术优选可类比油田，通过类比法进行快速评价符合实际开发的需要。在神经网络技术理论基础上，编制程序实现油藏开采指标快速评价具有简单、快速、适用性广的特点。现场应用表明，该方法预测结果符合实际，能解决前期研究新油田快速评价问题。

[1] 杨淑莹.模式识别与智能计算：Matlab技术实现[M].北京：电子工业出版社，2008:87-92.

[2] 从爽.面向MATLAB工具箱的神经网络理论与应用[M].合肥：中国科学技术大学出版社，1998:128-131.

[3] SIMON H.神经网络原理[M].北京：机械工业出版社，2004:156-162.

[4] 朱凯.精通MATLAB神经网络[M].北京：电子工业出版社，2010:122-126.

[5] 焦李成.神经网络系统理论[M].西安：西安电子科技大学出版社，1996:88-91.

[6] 郝敏.基于模糊聚类算法的自适应模糊神经网络研究[D].哈尔滨：哈尔滨理工大学，2007:3．

[7] 张军英,许进,保铮.稳健二进神经网络及其基本性质研究[J].自动化学报，2001,27(5):658-664.

[8] 吕砚山,赵正琦.BP神经网络的优化及应用研究[J].北京化工大学学报，2001,28(1):67-69.

Application of Self-Organizing Neural Network to Rapid Evaluation of New Oilfields

CHENHui1HUZegen2LIYunpeng1GELizhen1LIYanlai1

(1.Bohai Research Institute, Tianjin Branch of CNOOC Limited, Tianjin 300452, China; 2.China Oilfield Services Limited, Tianjin 300452, China)

This paper aims to instruct how to use the self-organizing neural network technology to quantitatively analyze similar oilfield, and to fast evaluate and predict the new oilfield′s development method and production index. Taking an offshore oilfield as an example, with the method in this paper, the classification prediction results fit the actual situation.

new oilfield; rapid evaluation; self-organizing neural network

2017-01-17

国家科技重大专项“渤海油田加密调整及提高采收率油藏工程技术示范”(2016ZX05058001)

陈晖(1983- )，女，硕士，工程师，研究方向为海上油气田开发、油田综合调整。

TE319

A

1673-1980(2017)02-0015-03