基于广义回归神经网络压裂井砂量优化.pdfVIP

石油天然气学报(江汉石油学院学报) 2006年6月 基于广义回归神经网络的压裂井砂量优化 张顶学 (华中科技大学控制科学与工程系，湖北武汉430074) 廖锐全 (长江大学石油工程学院，湖北荆州434023) 徐永高 (长庆油田分公司油气工艺技术研究院，陕西西安715000) 李军亮 (武汉理工大学理学院，湖北武汉430000) [摘要]以影响压裂井产量的地层参数和压裂施工参数作为输入变量，压裂后的每米产量为输出变量，建 立了压裂井产量预测的广义回归神经网络模型，并根据与目标油井地质参数的欧式距离的大小来选择学 习样本。通过该模型预测不同砂量下油井压裂后的产量变化情况，并结合经济评价方法来确定以经济效 益为目标的最优加砂量。实例分析表明，该方法是可行的。 [关键词]广义回归神经网络I压裂l压裂砂量#优化l经济评价 [中图分类号]TE357．2 [文献标识码]A 压裂是实现油田增产的重要油层改造技术，特别是低渗透油田。除油层的地层物性外，油井的压裂 成本和效果与加砂量有着直接的关系。为了提高压裂的经济效益，有必要根据加砂量预测出油井的产量 设条件下简单计算增产倍数。Soliman提出的数值模型将产量预测与油藏的生产动态结合起来，得到了 何艳青和王鸿勋将裂缝和油藏数学模型结合起来，考虑了导流能力随时间的变化情况，预测压裂井产量 随时间的变化规律。这些方法未考虑裂缝壁面污染以及假设地层及裂缝内的流动是单相流动，其流动能 满足达西定律。对于低渗透油田这些方法是具有较大的局限性，其应用存在较大的误差，因此，笔者提 出应用广义回归神经网络来建立压裂井产量随时间的变化规律。 1广义回归神经网络(GRNN) GRNN是一种基于非线性回归理论的前馈式神经网络模型，是径向基函数神经网络的一种，主要 用于函数逼近和系统辨识。GRNN包括3层：输入层、隐层和输出层。输入层节点只传递输入信号到 隐层。隐层节点由辐射状作用函数构成，隐层节点中的作用函数(基函数)对输入信号将在局部产生响 应；当输入信号靠近基函数的中央范围时，隐层节点将产生较大的输出，通常用高斯函数R(z)= ，¨一一．¨2、 exp(卫生矿笋L)作为隐层的基函数。式中巩称为光滑因子，它决定第i个隐层位置处基函数的形状渤越 、 厶Df ， 大基函数越平缓。网络输出对输出层权参数是线性的。 GRNN的特点是调整的参数少，网络学习完全依赖于样本，并且学习速度快，网络最后收敛于样 本量积聚最多的优化回归面。在数据缺少时，效果也较好，可以处理不稳定数据[2]。笔者用GRNN来 建立压裂井的产量预测模型。 2最优加砂量的确定 2．1输入输出变量的选择 影响压裂效果的因素很多，但对于低渗透油藏压裂投产井来说，其压裂后产量主要受到地层物性参 [收稿日期]2006—03—12 [基金项目]中国石油天然气集团公司中青年创新基金项目(04E70102)。 [作者简介]张顶学(1975一)．男，1998年大学毕业。硕士，博士生。现主要从事系统工程方面的研究工作。 第28卷第3期 张顶学等：基于广义回归神经网络的压裂井砂量优化 数和施工参数的影响。地层参数主要为油层厚度、渗透率、孔隙度、含水饱和度和泥质含量等5个参 数。施工参数主要是加砂量、排量和砂比等3个参数。考虑到油井的厚度各不相同，在选取输入变量时 对于砂量取每米砂量。由此得到GRNN输入变量为渗透率、孔隙度、含水饱和度、泥质含量、每米砂 量、排量和砂比等7个。对于低渗透压裂井来说，压裂效果持续时间不长，因此选取压裂后半年的每米 产量作为GRNN的输出变量。 2．2学习样本的选择 为了预测结果的准确性，所选取样本油井与目标油井的地层参数应相似，因此根据与目标油井地层 一三 ．… 2 参数之间距离的大小来选择学习样本，如果距离小于给定的值即被选择：l∑(z亚一孙)2j“‘≤a(m 5)。式中，m为两样本之间指标数。为了消除由于各指标量纲不同对距离大小的影响，在距离计算中将其指 标进行归一化处理。 2．3产量预测模型的