BP神經網絡用于某油田的生產動態分析

唐惠康 李翔宇

1河南職業技術學院2北華大學木質材料科學工程省重點實驗室

BP神經網絡用于某油田的生產動態分析

唐惠康1李翔宇2

1河南職業技術學院2北華大學木質材料科學工程省重點實驗室

將BP神經網絡用于油田生產動態分析，是指收集現有油田生產、測井、試油試采數據并將其用于建立生產動態分析預測模型，使其為生產實踐服務。該方法對原始數據要求不高，彌補了傳統分析方法計算量大、耗時費力的缺陷，而且此方法不受油田開發階段和生產方式的影響，適用性強，應用范圍廣。BP神經網絡結構由輸入層、隱層、輸出層三部分組成。以某油田區塊3號井為例，驗證BP神經網絡在生產動態分析方面的應用效果。對比該井12個月內實際產油速度與分析預測產油速度的差異，結果表明兩者數值差異不大，分析預測誤差被限制在6%以下。

BP神經網絡；動態分析；數據集；網格訓練；模型

目前，國內外油田生產動態分析方法按照對油田生產數據的使用情況分為兩類：無需油田生產數據的方法和需要油田生產數據的方法。無需油田生產數據的方法主要包括類比法、實驗法、經驗公式和圖版法、水動力學概算法等；需要油田生產數據的方法主要包括油田數值模擬法、特征曲線法、產量遞減法、物質平衡法等[1]。雖然以上方法在油田生產中得到了較為廣泛的應用，但是各種方法的局限性較為突出，使得其難以很好地滿足油田開發人員的要求。

將BP（Back Propagation）神經網絡用于油田生產動態分析，是指收集現有油田生產、測井、試油試采數據并將其用于建立生產動態分析預測模型，使其為生產實踐服務。該方法對原始數據要求不高，彌補了傳統分析方法計算量大、耗時費力的缺陷，而且此方法不受油田開發階段和生產方式的影響，適用性強，應用范圍廣。

1BP神經網絡模型的建立

BP神經網絡作為人工神經網絡的種類之一，它是一種向后傳播的網絡模式，可完成各種非線性連續映射的任意近似，對于識別作業模式、診斷施工方式方法有較好的應用效果。BP神經網絡基于改良的Delta規則，運用最小誤差學習法，使其適應多層次網絡結構。BP神經網絡結構一般由輸入層、隱層、輸出層三部分組成。輸入層單元一般與隱層單元分別連接，而輸入層單元之間相互不需連接；隱層單元與輸出層單元連接，隱層單元之間也不需連接[2]，如圖1所示。

圖1BP神經網絡模型

BP神經網絡多采用S型函數作為各層處理單元之間的傳遞橋梁，使其易于收斂。BP神經網絡是一種學習型網絡，在使用其進行實際預測之前，必須向其輸入多組成對的輸入層和輸出層數據，使其在已有數據中得到訓練，從而建立模型，運用到系統的后續計算中。BP神經網絡具有以下優點：①收斂性強；②學習能力強，可適應多種工作需求；③并行處理能力強，速度快，穩定性好；④容錯改錯能力強，處理結果可靠性強。

2 油田生產動態分析

將BP神經網絡用于油田生產動態分析需要進行一系列的系統工作。首先，分析處理現有測井、生產數據等油田資料，劃分網格并取得泄油面積，將其再與測井、生產數據結合，形成數據集；其次，建立基于BP神經網絡的函數逼近器，作為網絡模型，并使用數據集現有資料訓練這一系列的網絡模型；第三，融合網絡使之有機結合在一起，建立油田范圍內的處理模型；最后，運用已建立的模型進行生產動態分析預測。

2.1 建立數據集

數據集主要是指油田處理目的井與其相鄰井的各種數據集合，主要包括油田靜態生產數據、動態生產數據以及兩者之間的時間、空間內的相關性。油田靜態數據是指與生產無關的油田固有參數，生產動態數據是指生產井投入生產時獲得的油田動態數據參數，二者均包含豐富的油田數據信息，將二者有機結合起來，即可獲得較完整的油田數據。油田靜態和動態數據之間有明顯的時間、空間相關性。時間相關性是指目標井及其鄰井當前與過去各項參數的相互關系，利用數據集錄入新老井的生產參數可獲得其相關關系；空間相關性是指目標井與鄰井的數據差異以及油井參數的非均質性，利用數據集錄入井距和泄油面積等參數可獲得此項相關關系。

數據集生產信息以月為時間單位進行記錄，每口井每月均按時錄入一條相關數據信息至數據集中，當數據集中累計數據條目達到神經網格訓練的基本數量要求時，即可開始后續網格訓練作業。

2.2 訓練網格

運用Voronoi網格劃分方法，根據數據集內井參數和每口井的泄油面積劃分處理網格。通過反向傳播算法進行神經網格訓練，將數據樣本劃分為三類[3]：

（1）基礎樣本?；A樣本是三類樣本中比例最大的部分，是神經網格訓練的數據基礎。

（2）校正樣本。校正樣本是選取的所有樣本中分析預測數據誤差最小的樣本集合，通過校正樣本可對網格訓練中的樣本進行校正，規避訓練中出現樣本計算量過大的問題。

（3）驗證樣本。驗證樣本用來對神經網格訓練結果進行驗證，檢驗訓練結果。

2.3 建立模型

以生產速度為輸出參數建立分析預測模型。分析影響油井生產速度（產油速度、產水速度、產氣速度）的因素，對目標井及其鄰井各種影響因素進行評價，確定輸入參數。新井生產速度分析預測也可通過此模型獲得，將第一個月新井的各項生產數據錄入數據集，第二個月即可獲得生產情況分析預測數據，由此建立相應模型，多井模型結合后即可獲得整個油田的生產動態分析預測模型。

3 應用實例

以某油田區塊3號井為例，驗證BP神經網絡在生產動態分析方面的應用效果。該區塊共有15口井，生產時長12個月，共收集數據樣本15×12= 180條。將數據樣本分為三類：基礎樣本140例、校正樣本20例、驗證樣本20例。以目前油田區塊產油速度為輸出參數，以生產壓差、孔滲飽和率等參數為輸入參數建立生產動態分析預測模型。網格訓練誤差不超過0.5%，誤差均值在0.37%左右。

運用該模型進行產油速度分析預測，以區塊3號井為例，對比該井12個月內實際產油速度與分析預測產油速度的差異，結果表明兩者數值差異不大，分析預測誤差被限制在6%以下，如圖2所示。

圖2 分析預測產油速度與實際產油速度對比

除了分析預測油田產油速度外，還可運用此方法分析預測油田生產動態中的各項參數，如產水和產氣速度、溶解氣含量、井底流壓等。

4 結語

（1）將BP神經網絡用于油田生產動態分析預測，預測模型的方法適用范圍廣、穩定性強、誤差小，節約時間和人力成本。

（2）神經網絡訓練前將數據劃分為基礎、校正、驗證三大類型是保障神經網格高效記憶、學習的重要基礎。

（3）應用實踐證明，BP神經網絡在油田生產動態分析中表現優良，除分析預測產油速度等參數外，還可延伸其分析預測范圍。

[1]王天宇．BP神經網絡用于石油工程的項目管理[J]．油氣田地面工程，2014，33（2）：3-4．

[2]董長虹．Matlab神經網絡與應用[M]．北京：國防工業出版社，2007．

[3]劉林，楊宇，楊彥軍．基于R/S分析的BP網絡方法預測氣井產量[J]．斷塊油氣田，2006，13（4）：24-26．

（欄目主持楊軍）

10.3969/j.issn.1006-6896.2015.4.010