塔河油田酸压辅助设计模型研究

2017-11-08王黎

石油化工应用 2017年10期

关键词：辅助设计酸压神经网络

王黎

（中原石油工程有限公司井下特种作业公司，河南濮阳 476100）

塔河油田酸压辅助设计模型研究

王黎

（中原石油工程有限公司井下特种作业公司，河南濮阳 476100）

针对塔河油田酸压施工特点，从酸压施工参数的优化、裂缝参数的优化等方面，利用数学统计方法中的BP神经网络方法，建立储层改造辅助设计模型，提供酸压处理的模拟、分析、设计和优化功能，得到改造井的各类参数取值范围，通过分析优选出最佳的施工参数和裂缝参数，从而指导酸压设计者制定出初步的优化设计方案，尽可能的提高施工成功率。

酸压；辅助设计

1 施工参数优化

塔河酸压施工参数包括注入酸量、酸液排量、前置液量、前置液排量。要确定某口待改造井的施工参数需要应用到以往的类似改造井储层参数、施工参数等结果，确定出各个参数的范围，组成N种方案，本文应用正交设计优化出几种方案。然后对于方案优劣的选择，采用首先优选方法，通过调研目前针对施工参数研究，主要是以下几种方法：遗传变异原理、神经网络、模糊数学等方法，从不同途径都能取得比较好的结果。但是本文在前面的研究中统计了285口井的施工参数和储层参数，已经训练形成了成熟的神经网络模型，正可以利用其进行施工参数的优化[1-4]。

1.1 正交设计施工方案

首先根据目标决策函数，限定酸压施工参数范围，一次性同步优化多个施工参数。但是施工参数之间不同的组合有很多种，利用正交设计对成千上万种不同的设计方案进行正交，从而实现施工参数的优选。

酸压施工参数优化设计采用正交试验设计及其直观分析方法，以数理统计、概率论和线性代数等数学理论为基础，科学的安排试验方案，准确的分析试验结果，定性定量地确定参数对指标的影响趋势及显著程度。其特点是以具有代表性的有限个施工方案反映大量施工方案的本质规律和主次矛盾。进而指导碳酸盐岩油藏长裸眼酸压井的开发[5，6]。

利用正交性设计与不同数目的施工参数和水平值相对应的正交试验设计表。对影响油藏稳产的酸压施工参数，共4个因素进行正交设计，其中每个因素取3个值。这样，根据需要选择具有4个参数、3个水平值的正交表L9（34），只需做9次模拟计算就能反映出总共34=81次试验所代表的规律。所以应用正交试验法来对各参数进行综合分析，具有极大的简便性。以塔河十二区的一口井为例的正交设计以及方案优选（见表1，表 2）。

表1 正交设计方案表

表2 正交设计试验表

表2 正交设计试验表（续表）

1.2 施工方案优选

应用正交设计优化出几种方案后，对这些方案的优劣进行筛选。目前针对酸压施工参数的优选，主要运用神经网络、遗传变异和模糊数学等方法。但是本文在前期的研究中统计了285口井的施工参数、储层参数等，已经训练形成了成熟的神经网络模型，正可以利用其进行施工参数的优化。

对于塔河油田的任意一口待压井，根据其储层情况，按照施工层位划分的神经网络模型，进行模拟计算。得到按决策系数排序的施工方案，决策系数越大，方案越推荐实施。本文取前三个方案为酸压施工参数推荐方案（见表3）。

表3 施工参数方案优选表（按施工层位划分）

按施工层位划分时，按决策系数由大到小排序，可得酸压施工参数的优先方案为方案四、方案一及方案七。

2 裂缝参数优化

2.1 裂缝模型

BP神经网络作为一种能自动学习非线性映射关系的网络模型，在使用过程中无需事先了解输入到输出的具体的非线性映射关系。首先获取大量的样本，这些样本要求是符合同等模式下的样本，这些样本具有共同的M维参数数据。然后依据设定的神经网络对这些样本进行训练，BP神经网络便能从这些样本中自动找到此M维参数空间到N维输出空间的关系。并且，BP神经网络从输入到输出的学习反馈过程中能不断的修正隐层到输出层之间的连接权值，进而不断的修正误差，直到误差小于一定值。其中，基于梯度下降算法的BP神经网络具有较高的拟合能力，所以本节采用此方法[7，8]。

基于梯度下降的BP神经网络算法在实现时可以分为以下三个步骤：BP神经网络的构建、训练、预测（即参数生成）（见图1）。

图1 基于梯度下降算法的BP神经网络流程图

首先要确定网络的结构。在确定非线性网络时，确定隐节点数是关键。如果隐节点数太少，BP神经网络不能建立符合实际复杂情况的映射关系，BP网络的预测结果与检测样本的误差较大。但是如果节点数太多，BP神经网络的训练时间增加，会出现“过拟合”现象。从本文对BP神经网络的研究与试验结果得知，可以根据经验设定隐层节点数为20。

本节选取的每个样本的输入参数有4个，为：前置液量、前置液排量、酸量、酸排量。每个样本的输出参数有4个，为：动态缝长、动态逢高、酸蚀缝长、裂缝导流能力，其中输出的4个参数由BP网络分别生成。因此BP神经网络采用4-20-1结构，输出4次。

设置BP神经网络的各输出参数要求后，对训练数据进行学习训练，然后依据检测样本的输入数据预测其输出。本节共采用150组数据，其中的100组作为训练数据，剩余的50组作为测试数据。最后神经网络裂缝参数生成，就是用训练好的网络预测4个参数函数输出。根据BP神经网络理论，首先在MatLab 2010中完成BP神经网络的构建与训练，得到神经网络与4个输出参数对应的权值，再运用C#语言实现辅助优化设计软件中基于BP神经网络的裂缝参数生成算法。

将输入数据存储在dInput.mat文件中作为网络训练数据。其中的变量dtrain为前100组训练样本的4个输入矩阵，即100×4的矩阵；dtrainre1为前100组训练样本的第一个输出参数，即动态缝长；dtrainre2为前100组训练样本的第二个输出参数，即动态缝高；dtrainre3为前100组训练样本的第三个输出参数，即酸蚀缝长；dtrainre4为前100组训练样本的第四个输出参数，即裂缝导流能力。dtest为后50组检测样本的4 个输入矩阵；dtestre1、dtestre2、dtestre3、dtestre4 分别为后50组检测样本的4个输出参数。

然后对输入数据进行归一化。本节中数据归一化采用线性函数转换，其形式为：

其中：x、y 分别为转换前、后的值，MaxValue、MinValue分别为样本的最大值和最小值。

在开始训练前首先随机生成网络初始所需的权值和阈值。然后用数据文件dInput.mat中的训练数据训练BP神经网络。对每一组训练数据，BP网络进行如下处理：把原始数据从经过输入层、隐含层、输出层后，产生一个输出结果，成为正向传播；如果此结果与训练数据中的结果之间的误差没有小于预先设置好的阈值，则将训练过程转为反向传播过程，修改连接各节点的连接权值。不断将重复正向和反向传播的过程，也是不断修改权值的过程。直到输出结果的误差小于一定阈值为止。得到符合条件的传播权值后，将要计算的输入数据输入到含有该权值的神经网络，进行正向传播。实现时就是，读取文件dInput.mat文件中的测试数据，正向传播后得到其各自的输出数据。

2.2 试验结果

得到训练后的神经网络，本节采用50组测试数据做试验，分别生成动态缝长、动态缝高、酸蚀缝长、裂缝导流能力等4个参数的50×1的矩阵。以动态缝长为例（见图2），将原始50组检测样本的数据用方框表示，将BP网络生成的输出数据用星号表示。在垂直方向上，星号与小方框之间的距离就是生成参数与检测样本的误差。其他3个参数的图表与动态缝长图表类似（见图 3～图5）。

图2 动态缝长对比结果图

图3 动态缝高对比结果

图4 酸蚀缝长对比结果图

图5 裂缝导流能力对比结果

3 酸压效果预测

通过辅助设计神经网络模型模拟计算得到前置液酸压效果预测结果，与PT软件拟合结果的对比（见表4）。模拟施工工艺为：前置液X m3＋高温胶凝酸Y m3+顶替液50 m3。模拟计算前置液排量5.0 m3/min～6.0 m3/min，酸液排量 5.5 m3/min～6.5 m3/min，顶替液排量5.0 m3/min。2016年10月对塔河油田某井进行了酸压施工，日产量45.6 t，达到了较好的酸压效果。