基于人工神经网络的注水开发油藏产量预测

发布时间：2022-01-09 00:36

　　针对传统注水开发油藏产量预测方法存在的问题,提出了基于人工神经网络的预测模型,阐述了模拟工作流程,并进行了算例分析。提出了基于流体物理学和测量数据随机组合的特征提取方法,以提高模型的预测效果。优选贝叶斯正则化算法作为模型的训练算法,该算法一般耗时较长,但能对产油量、产气量、产水量等嘈杂数据集进行良好泛化。通过计算均方误差及决定系数、绘制误差分布直方图及模拟数据-验证数据交会图等方式进行模型评价。用90%的历史数据训练、验证、测试目标模型结构,然后用其余10%数据进行盲测。研究表明,提出的流体产量预测模型决定系数超过0.9,模拟结果与实际数据吻合程度高,输入信息少,计算成本低。图20表8参34 

【文章来源】：石油勘探与开发. 2020,47(02)北大核心EISCICSCD

【文章页数】：9 页

【部分图文】：

注水开发油藏流体产量模拟工作流程

前人采用过几种模型评价指标[24,31-32]。本文用均方误差（MSE）、R2（决定系数）和白度测试对模型进行评价[33]。均方误差是输出值与目标值之间的平均平方差。R2值用于衡量输出值与目标值之间的相关性。认为在测试阶段均方误差低、R2值接近1的模型是合适的模型。这两个指标能够显示模型是否提取了全部信息或者是否需要进一步调整。白度测试即通过绘制直方图来确定误差分布。对于一个好模型，误差直方图应显示零均值和一定方差。此外，也可以通过绘制交会图来对比模拟数据和验证数据，示例如图2所示。如果模拟数据与验证数据交会图位于45°线上方，说明模型低估了验证数据，反之则说明模型高估了验证数据。理想情况下，模拟数据与验证数据交会图与45°线重合。2 实例应用

采用马来盆地1个油藏的数据，鉴于保密原因，只保留了最小限度的细节。该油藏为饱和油藏，具有小型至中等气顶，中等至强水体，并在一次采油7年后通过注水补充能量开发。图3所示的PVT物性参数表明，油藏流体的泡点压力约为20.68 MPa。该油藏从1997年7月至2004年7月利用气顶+水体自然能量驱动开采。图4给出了这一阶段的流体产量剖面。从2004年至2014年，采用注水开发方式。图5、图6和图7分别给出了这一阶段的产油量、产气量、产水量与注水量对比曲线，可以看出数据非常嘈杂，导致系统无法正确理解和解释。噪声是不可避免的问题，它会影响机器学习应用中的数据收集和数据准备过程。数据噪声由测量工具引起。


本文编号：3577586