径向基函数神经网络法预测海上油田储层敏感性

王巧智 苏延辉 江安 高波

(中海油能源发展股份有限公司工程技术分公司，天津 300452)

0 引言

储层敏感性评价可以为钻完井、压裂、酸化等作业提供工作液设计理论支持，常规的敏感性评价包括速敏、水敏、盐敏、碱敏、酸敏等内容[1]。目前，室内实验仍为海上油田预测储层敏感性的主要方式，但实验需要消耗大量的人力物力，不利于快速、准确地预测储层敏感性。基于径向基函数神经网络法的预测技术克服了实验评价的劣势，已在大港、冀东等油田应用，且应用效果良好[2,3]。本文在分析径向基神经网络原理的基础上，建立了适应于海上油田的储层敏感性的新方法，验证了其在海上应用的可行性、可靠性。

1 径向基神经网络原理

径向基函数神经网络是一种局部逼近神经网络，可分为3层。第1 层的作用为传递数据信息，称为输入层；第2 层的作用为对第1 层数据进行空间映射变换，并确定节点数，称为隐含层；第3 层的作用为对第2 层神经元输出的信息进行线性加权后输出，称为输出层，输出层是对输入数据源的响应结果[4,5]。

2 储层敏感性定量预测方法

2.1 储层敏感性因素的确定

储层的物性特征是影响储层敏感性的潜在因素，对敏感性结果影响较大的物性特征为必要因素，对敏感性结果影响相对较小的物性特征为次必要因素。基于海上油田储层敏感性物性特征及敏感性评价结果，分析了速敏、水敏、碱敏、酸敏的必要与次必要因素。以速敏为例，其必要因素主要有10 个，分别为渗透率、孔隙度、胶结类型及伊利石等7 种黏土矿物含量；次必要因素有6 个，分别为地层水矿化度、石英含量、长石含量、碳酸盐含量、泥质含量、颗粒分选性。

2.2 储层物性原始资料收集与归一化处理

储层敏感性影响因素中既包括孔隙度、渗透率等定量数据，还包括胶结类型、颗粒分选性等定性数据，在建立模型前先对数据进行预处理。处理时，首先将定性数据定量化，然后将定量数据标准化，目的在于将影响储层敏感性的影响各个因素控制在一定范围，使分析对象不受与它相关的参数的单位的影响。

(1)胶结类型。海上油田最常见的胶结类型是基底式、孔隙式、接触式，通过采用非等差式赋值方法并进行归一化变换，得到这三者的归一化值分别为0.8378、0.5405、0.2703。

(2)岩石颗粒分选性。Folk and Ward 公式常用来表示岩石颗粒分布的集中趋势，即分选性。其归一化方式可表示为：

式中：Xi为对应的归一化值；δi为福克沃德分选标准差。

(3)泥质、石英、胶结物、粘土矿物含量、孔隙度等直接取实际值，以小数表示。

(4)渗透率、地层水矿化度按最大值最小值法进行标准归一化处理。

2.3 确定径向基神经网络各层神经元个数

(1)确定输入与输出层。输入层数为影响储层敏感性的必要因素的个数，输出层数为常规实验评价输出参数的个数。以速敏为例，其网络的输入单元为10 个，而输出端为2 个(速敏指数与临界流速)。

(2)确定隐层维数。如果隐层结点数过少，可能训练不出来或网络不强壮，容错性、处理能力有限。反之，若过多，整个神经网络就会愈加错综复杂，导致学习速度缓慢。经调研，张立明法确定隐层单元数的学习次数相对较少，是一种最优化的方法[6]。最终应用张立明法确定了3 层网络的神经元个数(见表1)。

表1 各类敏感性预测神经网络的神经元个数

2.4 训练集训练

训练集的构成直接关系到网络学习的结果，不科学、不适当的数据会影响训练集训练的效率以及准确性，最终引起网络对输入信号的错误执行。本文收集海上不同油田各类敏感性数据55 组，作为径向基函数神经网路的内部训练集。结果表明(表2)，55 组数据构成的训练集经训练预测准确率在93.87%～98.12%之间，预测值与实际值之间的相关系数在0.937～0.995 之间。说明径向基函数神经网络法对于海上油田训练集的训练效果良好，可靠性较高，可以应用。

3 应用实例

利用海上油田训练集训练结果作为样板，对海上油田某油田A12 井明下段的敏感性进行预测，将预测结果与实验结果对比。由表3 可以看出，对于各敏感性指数的预测准确率均在90.4%以上，水敏的预测准确率最高；对于各敏感性临界值的预测准确率均在88.0%以上，水敏的预测准确率最高。结果表明：该储层敏感性新方法具备定量预测能力，且准确率较高，可以实现对海上油田储层敏感性的预测。

表2 神经网络法对储层敏感性的训练结果

表3 海上某油田A12井明下段敏感性预测法与实验法结果对比

4 结语

径向基函数神经网络具有训练简洁、收敛及学习速度快、网络结构简单等优点，可以作为预测海上油田储层敏感性的新方法，实现了对海上油田储层速敏、水敏、酸敏、碱敏损害的定量诊断，且精度高，可操作性强，可推广应用。