塔河油田酸壓輔助設計模型研究

王 黎

（中原石油工程有限公司井下特種作業(yè)公司，河南濮陽 476100）

塔河油田酸壓輔助設計模型研究

王 黎

（中原石油工程有限公司井下特種作業(yè)公司，河南濮陽 476100）

針對塔河油田酸壓施工特點，從酸壓施工參數(shù)的優(yōu)化、裂縫參數(shù)的優(yōu)化等方面，利用數(shù)學統(tǒng)計方法中的BP神經(jīng)網(wǎng)絡方法，建立儲層改造輔助設計模型，提供酸壓處理的模擬、分析、設計和優(yōu)化功能，得到改造井的各類參數(shù)取值范圍，通過分析優(yōu)選出最佳的施工參數(shù)和裂縫參數(shù)，從而指導酸壓設計者制定出初步的優(yōu)化設計方案，盡可能的提高施工成功率。

酸壓；輔助設計

1 施工參數(shù)優(yōu)化

塔河酸壓施工參數(shù)包括注入酸量、酸液排量、前置液量、前置液排量。要確定某口待改造井的施工參數(shù)需要應用到以往的類似改造井儲層參數(shù)、施工參數(shù)等結(jié)果，確定出各個參數(shù)的范圍，組成N種方案，本文應用正交設計優(yōu)化出幾種方案。然后對于方案優(yōu)劣的選擇，采用首先優(yōu)選方法，通過調(diào)研目前針對施工參數(shù)研究，主要是以下幾種方法：遺傳變異原理、神經(jīng)網(wǎng)絡、模糊數(shù)學等方法，從不同途徑都能取得比較好的結(jié)果。但是本文在前面的研究中統(tǒng)計了285口井的施工參數(shù)和儲層參數(shù)，已經(jīng)訓練形成了成熟的神經(jīng)網(wǎng)絡模型，正可以利用其進行施工參數(shù)的優(yōu)化[1-4]。

1.1 正交設計施工方案

首先根據(jù)目標決策函數(shù)，限定酸壓施工參數(shù)范圍，一次性同步優(yōu)化多個施工參數(shù)。但是施工參數(shù)之間不同的組合有很多種，利用正交設計對成千上萬種不同的設計方案進行正交，從而實現(xiàn)施工參數(shù)的優(yōu)選。

酸壓施工參數(shù)優(yōu)化設計采用正交試驗設計及其直觀分析方法，以數(shù)理統(tǒng)計、概率論和線性代數(shù)等數(shù)學理論為基礎，科學的安排試驗方案，準確的分析試驗結(jié)果，定性定量地確定參數(shù)對指標的影響趨勢及顯著程度。其特點是以具有代表性的有限個施工方案反映大量施工方案的本質(zhì)規(guī)律和主次矛盾。進而指導碳酸鹽巖油藏長裸眼酸壓井的開發(fā)[5，6]。

利用正交性設計與不同數(shù)目的施工參數(shù)和水平值相對應的正交試驗設計表。對影響油藏穩(wěn)產(chǎn)的酸壓施工參數(shù)，共4個因素進行正交設計，其中每個因素取3個值。這樣，根據(jù)需要選擇具有4個參數(shù)、3個水平值的正交表L9（34），只需做9次模擬計算就能反映出總共34=81次試驗所代表的規(guī)律。所以應用正交試驗法來對各參數(shù)進行綜合分析，具有極大的簡便性。以塔河十二區(qū)的一口井為例的正交設計以及方案優(yōu)選（見表1，表 2）。

表1 正交設計方案表

表2 正交設計試驗表

表2 正交設計試驗表（續(xù)表）

1.2 施工方案優(yōu)選

應用正交設計優(yōu)化出幾種方案后，對這些方案的優(yōu)劣進行篩選。目前針對酸壓施工參數(shù)的優(yōu)選，主要運用神經(jīng)網(wǎng)絡、遺傳變異和模糊數(shù)學等方法。但是本文在前期的研究中統(tǒng)計了285口井的施工參數(shù)、儲層參數(shù)等，已經(jīng)訓練形成了成熟的神經(jīng)網(wǎng)絡模型，正可以利用其進行施工參數(shù)的優(yōu)化。

對于塔河油田的任意一口待壓井，根據(jù)其儲層情況，按照施工層位劃分的神經(jīng)網(wǎng)絡模型，進行模擬計算。得到按決策系數(shù)排序的施工方案，決策系數(shù)越大，方案越推薦實施。本文取前三個方案為酸壓施工參數(shù)推薦方案（見表3）。

表3 施工參數(shù)方案優(yōu)選表（按施工層位劃分）

按施工層位劃分時，按決策系數(shù)由大到小排序，可得酸壓施工參數(shù)的優(yōu)先方案為方案四、方案一及方案七。

2 裂縫參數(shù)優(yōu)化

2.1 裂縫模型

BP神經(jīng)網(wǎng)絡作為一種能自動學習非線性映射關(guān)系的網(wǎng)絡模型，在使用過程中無需事先了解輸入到輸出的具體的非線性映射關(guān)系。首先獲取大量的樣本，這些樣本要求是符合同等模式下的樣本，這些樣本具有共同的M維參數(shù)數(shù)據(jù)。然后依據(jù)設定的神經(jīng)網(wǎng)絡對這些樣本進行訓練，BP神經(jīng)網(wǎng)絡便能從這些樣本中自動找到此M維參數(shù)空間到N維輸出空間的關(guān)系。并且，BP神經(jīng)網(wǎng)絡從輸入到輸出的學習反饋過程中能不斷的修正隱層到輸出層之間的連接權(quán)值，進而不斷的修正誤差，直到誤差小于一定值。其中，基于梯度下降算法的BP神經(jīng)網(wǎng)絡具有較高的擬合能力，所以本節(jié)采用此方法[7，8]。

基于梯度下降的BP神經(jīng)網(wǎng)絡算法在實現(xiàn)時可以分為以下三個步驟：BP神經(jīng)網(wǎng)絡的構(gòu)建、訓練、預測（即參數(shù)生成）（見圖1）。

圖1 基于梯度下降算法的BP神經(jīng)網(wǎng)絡流程圖

首先要確定網(wǎng)絡的結(jié)構(gòu)。在確定非線性網(wǎng)絡時，確定隱節(jié)點數(shù)是關(guān)鍵。如果隱節(jié)點數(shù)太少，BP神經(jīng)網(wǎng)絡不能建立符合實際復雜情況的映射關(guān)系，BP網(wǎng)絡的預測結(jié)果與檢測樣本的誤差較大。但是如果節(jié)點數(shù)太多，BP神經(jīng)網(wǎng)絡的訓練時間增加，會出現(xiàn)“過擬合”現(xiàn)象。從本文對BP神經(jīng)網(wǎng)絡的研究與試驗結(jié)果得知，可以根據(jù)經(jīng)驗設定隱層節(jié)點數(shù)為20。

本節(jié)選取的每個樣本的輸入?yún)?shù)有4個，為：前置液量、前置液排量、酸量、酸排量。每個樣本的輸出參數(shù)有4個，為：動態(tài)縫長、動態(tài)逢高、酸蝕縫長、裂縫導流能力，其中輸出的4個參數(shù)由BP網(wǎng)絡分別生成。因此BP神經(jīng)網(wǎng)絡采用4-20-1結(jié)構(gòu)，輸出4次。

設置BP神經(jīng)網(wǎng)絡的各輸出參數(shù)要求后，對訓練數(shù)據(jù)進行學習訓練，然后依據(jù)檢測樣本的輸入數(shù)據(jù)預測其輸出。本節(jié)共采用150組數(shù)據(jù)，其中的100組作為訓練數(shù)據(jù)，剩余的50組作為測試數(shù)據(jù)。最后神經(jīng)網(wǎng)絡裂縫參數(shù)生成，就是用訓練好的網(wǎng)絡預測4個參數(shù)函數(shù)輸出。根據(jù)BP神經(jīng)網(wǎng)絡理論，首先在MatLab 2010中完成BP神經(jīng)網(wǎng)絡的構(gòu)建與訓練，得到神經(jīng)網(wǎng)絡與4個輸出參數(shù)對應的權(quán)值，再運用C#語言實現(xiàn)輔助優(yōu)化設計軟件中基于BP神經(jīng)網(wǎng)絡的裂縫參數(shù)生成算法。

將輸入數(shù)據(jù)存儲在dInput.mat文件中作為網(wǎng)絡訓練數(shù)據(jù)。其中的變量dtrain為前100組訓練樣本的4個輸入矩陣，即100×4的矩陣；dtrainre1為前100組訓練樣本的第一個輸出參數(shù)，即動態(tài)縫長；dtrainre2為前100組訓練樣本的第二個輸出參數(shù)，即動態(tài)縫高；dtrainre3為前100組訓練樣本的第三個輸出參數(shù)，即酸蝕縫長；dtrainre4為前100組訓練樣本的第四個輸出參數(shù)，即裂縫導流能力。dtest為后50組檢測樣本的4 個輸入矩陣；dtestre1、dtestre2、dtestre3、dtestre4 分別為后50組檢測樣本的4個輸出參數(shù)。

然后對輸入數(shù)據(jù)進行歸一化。本節(jié)中數(shù)據(jù)歸一化采用線性函數(shù)轉(zhuǎn)換，其形式為：

其中：x、y 分別為轉(zhuǎn)換前、后的值，MaxValue、MinValue分別為樣本的最大值和最小值。

在開始訓練前首先隨機生成網(wǎng)絡初始所需的權(quán)值和閾值。然后用數(shù)據(jù)文件dInput.mat中的訓練數(shù)據(jù)訓練BP神經(jīng)網(wǎng)絡。對每一組訓練數(shù)據(jù)，BP網(wǎng)絡進行如下處理：把原始數(shù)據(jù)從經(jīng)過輸入層、隱含層、輸出層后，產(chǎn)生一個輸出結(jié)果，成為正向傳播；如果此結(jié)果與訓練數(shù)據(jù)中的結(jié)果之間的誤差沒有小于預先設置好的閾值，則將訓練過程轉(zhuǎn)為反向傳播過程，修改連接各節(jié)點的連接權(quán)值。不斷將重復正向和反向傳播的過程，也是不斷修改權(quán)值的過程。直到輸出結(jié)果的誤差小于一定閾值為止。得到符合條件的傳播權(quán)值后，將要計算的輸入數(shù)據(jù)輸入到含有該權(quán)值的神經(jīng)網(wǎng)絡，進行正向傳播。實現(xiàn)時就是，讀取文件dInput.mat文件中的測試數(shù)據(jù)，正向傳播后得到其各自的輸出數(shù)據(jù)。

2.2 試驗結(jié)果

得到訓練后的神經(jīng)網(wǎng)絡，本節(jié)采用50組測試數(shù)據(jù)做試驗，分別生成動態(tài)縫長、動態(tài)縫高、酸蝕縫長、裂縫導流能力等4個參數(shù)的50×1的矩陣。以動態(tài)縫長為例（見圖2），將原始50組檢測樣本的數(shù)據(jù)用方框表示，將BP網(wǎng)絡生成的輸出數(shù)據(jù)用星號表示。在垂直方向上，星號與小方框之間的距離就是生成參數(shù)與檢測樣本的誤差。其他3個參數(shù)的圖表與動態(tài)縫長圖表類似（見圖 3～圖5）。

圖2 動態(tài)縫長對比結(jié)果圖

圖3 動態(tài)縫高對比結(jié)果

圖4 酸蝕縫長對比結(jié)果圖

圖5 裂縫導流能力對比結(jié)果

3 酸壓效果預測

通過輔助設計神經(jīng)網(wǎng)絡模型模擬計算得到前置液酸壓效果預測結(jié)果，與PT軟件擬合結(jié)果的對比（見表4）。模擬施工工藝為：前置液X m3＋高溫膠凝酸Y m3+頂替液50 m3。模擬計算前置液排量5.0 m3/min～6.0 m3/min，酸液排量 5.5 m3/min～6.5 m3/min，頂替液排量5.0 m3/min。2016年10月對塔河油田某井進行了酸壓施工，日產(chǎn)量45.6 t，達到了較好的酸壓效果。

表4 酸壓模擬結(jié)果表

4 結(jié)論與認識

本文建立了針對塔河奧陶系碳酸鹽巖儲層酸壓井的輔助設計神經(jīng)網(wǎng)絡模型，依據(jù)建立好的酸壓輔助設計模型，運用C#語言編制了酸壓輔助設計系統(tǒng)的輔助設計模塊，實現(xiàn)施工參數(shù)和裂縫參數(shù)的優(yōu)化。并對塔河油田的一口酸壓井進行模擬預測，與PT軟件的擬合結(jié)果對比表明，該系統(tǒng)能有效指導酸壓施工和優(yōu)化酸壓施工設計方案。

［1］林鑫.碳酸鹽巖油藏酸壓后產(chǎn)能預測方法研究［D］.北京：中國石油大學（北京），2008.

［2］楊彥鵬.改進型BP網(wǎng)絡在重復壓裂選井中的應用［J］.中國石油和化工標準與質(zhì)量，2011，（7）：161-162.

［3］Shokir，E.M.EI-M.Prediction of the Hydrocarbon Saturation in low Resistivity Formation via Artificial Neural Network［J］.SPE87001.

［4］ M.S.Van Domelen.Optimizing Fracture Acidizing Treatment Design by Integrating Core Testing，F(xiàn)ield Testing,and Computer Simulation［J］.SPE22393.

［5］吳亞紅，等.低滲凝析油氣藏壓裂優(yōu)化設計和產(chǎn)量預測［J］.天然氣工業(yè)，2005，25（5）：84-87.

［6］周珺.酸化壓裂模型改進研究及敏感因素分析［D］.成都：成都理工大學，2012.

［7］詹澤東，郭科.嵌套BP神經(jīng)網(wǎng)絡及其在油氣產(chǎn)能預測中的應用［J］.成都理工大學學報（自然科學版），2011，38（2）：408-411.

［8］胥耕，等.擬三維酸壓設計軟件研究與應用［J］.石油鉆采工藝，1996，（1）：11-17.

TE357.11

A

1673-5285（2017）10-0046-04

10.3969/j.issn.1673-5285.2017.10.011

2017－09-19

王黎，女（1985－），碩士研究生，2013年畢業(yè)于中國石油大學（北京），從事油氣田開發(fā)方面研究工作。