遗传神经网络在水淹层识别中的应用.pdfVIP

维普资讯 遗传神经网络在 石油大学资源信息学院 刘红 摘 要 本文利用遗传神经网络实现了水淹层的 自动识别。根据关键井的统计数据，首先建立 起标准的流体测井相数据库 ，合理地划分储层水淹级别。然后利用遗传神经网络对已知样本进行 训练 。识别水淹层。遗传神经网络比简单的BP神经网络性强，收敛速度快。用训练好的遗传神经网 络对研究工区的水淹情况进行研究。取得 了较好的效果。 关键词 测井解释 水淹层 遗传算法 神经网络 差。对关键井的统计表明。正韵律油层夹层上部沉积 1、引 言 时间单元及夹层 的下部 0．6米以内的油层 。水淹程 油层水淹在我 国大部分油田已经变得非常普 度差。驱油效率低。沉积韵律可以通过 sP和 GR．测 遍 。胜利油 田胜坨地区在 1990年就已经进入 了高 井 曲线来刻画。 含水开发期 。到 1999年油 田综合含水率已达到 94+ 2．2孔隙结构 8％，平面层间严重水淹。随着注水的进行 。剩余油分 孑L隙的大小以及分布的均匀程度 。孑L隙的连通 布规律 日益复杂。因此准确地认识水淹的分布规律 ． 情况 ，即储层的渗流特性也同样影响着储层水淹的 定量划分水淹级别 ，对于油田挖潜增产无疑有着很 程度。孔喉大 、分布均匀、连通性好水淹快 。水洗程度 重要的意义。胜利油田胜坨地区二区砂二 3单元区 高 ，驱油效率高；相反孔隙、喉道较小注入水就难 以 块 400多口井 由于长期注水开采，基本上全部水淹。 侵入 ，水淹则慢，水洗程度底剩余油饱和度相对较 在常规测井 曲线上有一定的显示 ，尤其是 sP曲线 高。孔隙结构及其连通性可以用孔隙度和渗透率来 在很多井有明显的基线偏移。此外一些储层参数如 定量地描述。 孔隙结构和沉积韵律都对水洗级别和水淹类型有明 2．3储层 的非均质性 显的影响。结合遗传算法和 BP神经网络本文开发 这里所讲的储层非均质性主要通过层 内渗透率 了一种适合于本区块的水淹层 自动识别模型。 的变化来刻画。 2、储层水淹 的评价因素及其测井特征 1)渗透率变异系数 (v) 影响储层水淹的因素众多，从宏观上讲，各种地 v ㈩ 质构造、断层以及注水开发过程中的注采方案：从微 式中：V 为渗透视经变异系数 ，K 为层内各采样点 观上讲 ，有孔隙结构，毛管力、注入水的粘度和润湿 渗透率(i=1，2，3…，11．，n为采样点数)， 为层 内所有采 性等因素。详细地讨论超出本文的范围。在此只对模 样点渗透率的平均值。 型中涉及到的参数做一讨论。 2)渗透率变异系数 (T) 2．1沉积韵律 T： (2) 沉积韵律决定着油层水淹的类型和水淹程度。 式中：T 为渗透率突进系数 为层内最大渗透率 本 区大部分井为正韵律层。因此一般注入水从底部