计算机技术在储层敏感性预测中应用.docVIP

计算机技术在储层敏感性预测中的应用 摘要：本文以胜利油田x区块为例，采用先进的神经网络算法对储层数据进行建模、训练、预测，将预测结果与实验室数据进行对比，取得良好效果，对以后的钻井工作、设计施工方案等有重大的指导意义。 关键词：神经网络；敏感性；预测；储层保护 the application of computer technology in the prediction of reservoir sensitivity li haibin (oil drilling technology research institute,shengli petroleum administration,dongying257017,china) abstract:in this paper, the shengli oil field in block x,for example,the use of advanced neural network algorithm for modeling,training, forecasting, reservoir data, the predicted laboratory data, with good results right after the drilling, the design and construction programs are of great guiding significance. keywords:neural network;sensitivity;forecast;reservoir protection 胜利油田的水平井钻、完井液开发应用已经有20余年历史，形成多项具有胜利特色的保护油气层的钻、完井液技术。在油田的开发技术中，如何进行油层保护，实现油气产量最大化是每个油田必须研究的课题。保护油层最主要的就是要搞清楚油层可能的伤害类型，以及伤害的程度，从而采取相应的对策。在储层伤害评价研究中，储层敏感性预测评价是最主要的手段之一。 一、x区块的岩石矿物学特征 胜利油田x区块面积60km2，基本属于中孔储层，渗透度不均匀、变化较大。我们采集了100块样品，进行了统计分析，得到此储层的岩矿特征。 （一）岩矿特征 此区储层是多种类型储集层，包括砂岩、砂砾岩、泥岩裂缝、火山岩裂缝及变质岩裂缝洞五种类型。其中以砂岩为主，砂砾岩次之。碎屑组分中岩屑含量很高，平均含量大于40％，岩石类型为长石质岩屑砂岩或长石砂岩。砂岩胶结物种类多，含量高，胶结类型以孔隙式为主，胶结物有泥质、高岭石、硅质、伊利石、石英等，总量大于16％。 （二）孔隙结构特征 此区砂岩储集层有三种基本孔隙类型，它们是溶蚀孔隙、微孔隙和裂缝孔隙。溶蚀孔隙还可分为粒间内溶孔、粒间溶孔、铸模孔隙和胶结物内溶孔四个亚类。其中，粒间溶孔和微孔隙分布最广，普遍存在于瓮地内各个断陷的储集岩中。 （三）储层的物性特征 （1）孔隙度和渗透率之间的相关关系不明显。 （2）大多数井段砂岩平均渗透率低。 （3）砂岩孔隙度随深度增加而减少。 二、储层敏感性预测 通过样品分析，初步了解了储层的特征，对于储层中的矿物质的敏感性程度如何，以及对对储层造成的损害有多大，就需要通过敏感性实验才能确定。 （一）网络模型的建立与训练 笔者采用先进的人工神经网络建立模型来对储层敏感性进行预测，通过改进的bp算法，充分利用matlab的数学建模能力和vc++.net面向对象的编程工具生成敏感性快速预测软件，大大缩短了软件的开发周期，并且提高了软件性能。在建立网络模型的过程中，我们充分考虑敏感性与各因素之间关系的不确定性，建立了一种非线性的数学表达式： y=f(x1，x2，x3，……，xn) 其中，x1，x2，x3，……，xn为一系列的影响因素。 对应的神经网络模型为 y=f(x1，x2，x3，……，xn，q) 其中，q神经网络参数。 算法确定后，开始确定输入数据和输出，以水敏预测为例，输入数据就是影响水敏性的各种影响因素，输出数据就是水敏指数。通过matlab和vc将程序编制好，生成预测软件。 （二）仿真预测 本次实验选取了15组深层次岩心样本，对岩样进行了洗油、称重等一系列的预处理，分析资料见表1。 表1：矿物种类及含量表 分组 样品数 矿物种类和含量(%) 高岭石 伊利石 蒙皂石 石英 粘土及杂质 油1区 6 4.7 41.54 11.6 17.1 21.3 油2区 5 6.6 39.72 16.8 15.4 20.2 油3区 4 5.9 43.13 17.6 12.9 17.1 平均 15 5.7 46 18.77 13.76 19.8 我们将这15组数据输入到预测软件中，通过系统的分析和处理，得到以下预测数据，见表2。 表2：预测数据 速