BP网络在计算多层混采原油分层产能贡献中应用.docVIP

BP网络在计算多层混采原油分层产能贡献中应用 　　摘要:通过不同储层原油色谱指纹特征的差异,采用线性模型可准确计算2层合采的分层产能贡献,但对于3层及以上的合采井计算结果误差较大。以陆梁油田为例,在实验室进行3层原油配方实验,并进行原油全烃气相色谱分析,确定单层和配比原油指纹,建立特征指纹数据库,用BP网络算法建立分层产能模型。结果表明,BP神经网络具有极强的非线性映射能力,计算结果与实际配比误差较小,能为油田利用地球化学方法进行多层合采的单层产能配比计算提供一个经济适用的途径。 　　关键词:色谱指纹;BP网络;非线性;产能贡献;陆梁油田 　　中图分类号:TE328文献标识码:A 　　 　　引 言 　　为达到最佳的开采效果,许多油田的油井均为多层完井,因此产出原油是来自不同产层的混合物。了解各产层对混合油的相对贡献,监控各产层的产能随时间的变化,对于制订和调整开发生产方案、优化油藏管理具有重要意义。目前,确定产能分层贡献的常规方法有机械计量、生产测井法、示踪剂监测法等。这些方法成本高,周期长,作业易伤害油层,有时还需在关井、停产条件下进行,对产少量重油的情况也并非总是有效。 　　Chevron石油公司的Kaufman[1]等1987年首次应用原油色谱指纹技术确定了北海油田二层混采油藏的分层产油贡献,从而开创了利用油气地球化学方法确定分层产能贡献的先河。与现行的常规方法相比,色谱指纹技术具有周期短、成本低、不影响正常生产等优点。国内林壬子、金晓辉、张居和、陈世加等也开展了该方面的探索工作[2-5],但目前这一技术多限于解决2层混采问题,与油田开发现场的多层混采现状极不适应。其主要原因在于选择的色谱峰高比值和产量分配百分比并不完全具有线性叠加关系,尽管采用内标法、绝对定量法、偏最小二乘法等[2-5]来解决这一问题,但当应用到3层或以上时,求解精度不够,所求解的结果误差很大。 　　BP神经网络由于其极强的非线性映射能力迅速在各领域得到广泛应用[6-11],并在应用中逐步克服自身缺陷,不断完善,是目前发展较成熟、应用最成功的神经网络模型之一。此次研究旨在探讨BP神经网络技术在多层(3层及以上)混采原油分层产能贡献应用的可行性。 　　1 分层产能贡献的计算流程 　　在相同气相色谱条件下,将各单层油以不同比例进行混合配方,分别测出各单层原油中各指纹峰高比值与不同比例混合油中对应指纹峰高比值,并研究其变化关系,就可以确定或预测合采的原油中各单个油层的产量分配情况。 　　利用BP网络计算分层产能贡献的主要步骤如下: 　　(1) 取样。分别采集混采原油中每个产层的单层油样。这些油样可以在单层开采,或者由封隔器隔开的多层开采,或者经DST、RFT测试时取到。 　　(2) 原油色谱分析。首先,通过对不同的原油进行色谱比较,选择特征指纹化合物。这些化合物应在全油色谱图上分布稳定,特征明显,易于鉴定;在同一油中变化微小,重现性强,而在不同油层之间差别明显。并且在每次分析时条件应尽可能一致,这样有利于色谱峰号的标定与确认,以免错位。然后,计算指纹化合物的峰高比值。色谱分析进样时,每次分析的进样量不可能完全相同。为消除进样量不同和仪器波动引起的误差,一般选择相邻或间隔化合物的峰高比值来计算分层产能贡献。实际中常用极坐标做简单的标绘:每个轴代表一个特定峰高比数据,将数据点相连则构成星状图。它可提供一个表达色谱图之间差异的十分便利的方法。 　　(3) 形成产能贡献计算模型。把单层油样在实验室按不同比例混合,配置成混合油样。然后分别作色谱检测,测量出不同配比油样的指纹化合物的峰高比值。这些数据供BP网络学习,得到分层产能贡献计算模型。其中,BP网络按BP网络层次、隐含层单元数[7]、传递函数4个方面进行设计。 　　(4) 计算分层产能贡献。利用第3步得到的模型,对实际混采原油的特征指纹化合物的峰高比值进行计算,就可得出每层的产能贡献。 　　 第4期刘国权等:BP网络在计算多层混采原油分层产能贡献中的应用 　　2 实例应用 　　新疆陆梁油田位于准噶尔盆地腹部的古尔班通古沙漠,其产层为侏罗系西山窑组和白垩系呼图壁组。西山窑组油层分为J??2x4和J??2x1,白垩系呼图壁组分7个砂层组,其中K??1h2??7、K??1h2??6、K??1h2??4和K??1h2??3 4个砂层为主要油层组。该油田目前主要有3套开发层系,即J??2x1―J??2x4、K??1h2??6―K??1h2??7及K??1h2??3―K??1h2??4。 　　原油全烃色谱分析在HP5890型色谱仪上进行,色谱柱为HP5型,柱长30 m,内径为0.53 mm。分析条件:初始温度为100℃,升温速率为5℃/min,升温至300℃,恒温40 min。按照普遍