魏裕森，韋紅術(shù)，張俊斌 （中海石油 （中國(guó)）有限公司深圳分公司，廣東 深圳 518067）

神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)儲(chǔ)層粒度在防砂方案設(shè)計(jì)中的應(yīng)用

魏裕森，韋紅術(shù)，張俊斌 （中海石油 （中國(guó)）有限公司深圳分公司，廣東 深圳 518067）

利用反向傳播神經(jīng)網(wǎng)絡(luò) （BPNN），以測(cè)井?dāng)?shù)據(jù)和粒度 （篩析）數(shù)據(jù)為輸入，首先建立地層粒度的數(shù)據(jù)樣本，利用神經(jīng)網(wǎng)絡(luò)技術(shù)對(duì)開發(fā)井的開發(fā)層段進(jìn)行粒度分布預(yù)測(cè)，這在一定程度上為防砂方案設(shè)計(jì)提供了更充分的依據(jù)。利用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)儲(chǔ)層粒度在南海A油田開發(fā)防砂方案設(shè)計(jì)中得到了應(yīng)用，使防砂方式和參數(shù)選擇進(jìn)一步優(yōu)化。

神經(jīng)網(wǎng)絡(luò)；粒度；防砂方案；疏松砂巖

在疏松砂巖的開發(fā)過(guò)程中，常伴隨油井出砂問(wèn)題，為了有效地進(jìn)行防砂方案的完井設(shè)計(jì)，最重要的一個(gè)關(guān)鍵問(wèn)題就是摸清地層的粒度分布規(guī)律。但取心費(fèi)用的昂貴和巖心的稀少，給摸清整個(gè)儲(chǔ)層段的粒度分布帶來(lái)了很大的困難，同時(shí)油藏在縱橫向上的各向異性和非均質(zhì)性也給利用鄰井或探井進(jìn)行防砂方案設(shè)計(jì)帶來(lái)了更大的風(fēng)險(xiǎn)。為此，筆者利用反向傳播神經(jīng)網(wǎng)絡(luò) （BPNN），將測(cè)井?dāng)?shù)據(jù)和粒度 （篩析）數(shù)據(jù)作為輸入訓(xùn)練集以訓(xùn)練網(wǎng)絡(luò)，然后進(jìn)行粒度分布預(yù)測(cè)。這在一定程度上為防砂方案設(shè)計(jì)提供了更充分的依據(jù)，使防砂方式和參數(shù)選擇進(jìn)一步全面化。

1 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)粒度

人工神經(jīng)網(wǎng)絡(luò) （ANN）是以計(jì)算機(jī)網(wǎng)絡(luò)系統(tǒng)模擬生物神經(jīng)網(wǎng)絡(luò)的智能計(jì)算系統(tǒng)。網(wǎng)絡(luò)上的每個(gè)節(jié)點(diǎn)相當(dāng)于一個(gè)神經(jīng)元，可以記憶 （存儲(chǔ)）、處理一定的信息，并與其他節(jié)點(diǎn)并行工作。Rider等在1990年最早應(yīng)用自然伽馬測(cè)井曲線確定粒度分布趨勢(shì)，但存在一定的局限性［1］。Oyeneyin等在1999年首先引入神經(jīng)網(wǎng)絡(luò)模擬粒度分布的概念［2，3］，認(rèn)為利用電纜測(cè)井神經(jīng)網(wǎng)絡(luò)技術(shù)預(yù)測(cè)粒度是可行的，隨后又應(yīng)用神經(jīng)網(wǎng)絡(luò)對(duì)礫石充填防砂完井的礫石尺寸進(jìn)行了優(yōu)化設(shè)計(jì)，利用測(cè)井?dāng)?shù)據(jù)實(shí)現(xiàn)了成巖作用對(duì)砂巖粒度不均勻性的粒度預(yù)測(cè)［4］。國(guó)外已對(duì)這方面做了一定的研究，但國(guó)內(nèi)這方面的研究還相當(dāng)?shù)纳伲瑒⒈蟮戎辉谏窠?jīng)網(wǎng)絡(luò)應(yīng)用中簡(jiǎn)單提到粒度中值的解釋模型［5］。

反向傳播神經(jīng)網(wǎng)絡(luò) （BPNN）［6］采用教師學(xué)習(xí) （監(jiān)督學(xué)習(xí)）的學(xué)習(xí)方式，這種學(xué)習(xí)方式，“教師”給出了與所有輸入模式對(duì)應(yīng)的輸出模式的 “正確答案”，即期望輸出 （目標(biāo)），用于學(xué)習(xí)過(guò)程的輸入輸出模式的集合稱為訓(xùn)練樣本集；神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)系統(tǒng)根據(jù)一定的學(xué)習(xí)規(guī)則進(jìn)行學(xué)習(xí)，每一次學(xué)習(xí)過(guò)程完成后，“教師”都要考察學(xué)習(xí)的結(jié)果，即實(shí)際輸出與期望輸出的差別 （誤差），以此決定網(wǎng)絡(luò)是否需要再次學(xué)習(xí)，并根據(jù)誤差信號(hào)調(diào)整學(xué)習(xí)的過(guò)程，使網(wǎng)絡(luò)實(shí)際輸出和期望輸出的誤差隨著學(xué)習(xí)的反復(fù)進(jìn)行而逐漸減小，直至達(dá)到要求的性能指標(biāo)為止。

利用神經(jīng)網(wǎng)絡(luò)技術(shù)，以實(shí)測(cè)篩析數(shù)據(jù)為訓(xùn)練樣本，利用測(cè)井?dāng)?shù)據(jù)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，對(duì)沒(méi)有粒度數(shù)據(jù)的井進(jìn)行粒度預(yù)測(cè)，然后進(jìn)行防砂方案的設(shè)計(jì)，從而優(yōu)化防砂方案。

由于南海A油田缺乏巖心數(shù)據(jù)，對(duì)周邊B、C、D等油田進(jìn)行粒度數(shù)據(jù)的收集，發(fā)現(xiàn)只有B油田A1井儲(chǔ)層M組二段的粒度數(shù)據(jù)比較多和全面，特選取該井的粒度數(shù)據(jù)和測(cè)井?dāng)?shù)據(jù)作為訓(xùn)練樣本庫(kù)。圖1為預(yù)測(cè)和實(shí)測(cè)值的仿真結(jié)果，圖2為B油田A1井樣本庫(kù)訓(xùn)練誤差分析結(jié)果。

圖1 B油田A1井樣本庫(kù)預(yù)測(cè)粒度與實(shí)測(cè)粒度對(duì)比

圖2 B油田A1井樣本庫(kù)訓(xùn)練誤差分析

由圖2可知，預(yù)測(cè)誤差控制在±15%之內(nèi)，大部分集中在±5%左右，說(shuō)明選用該井的粒度實(shí)測(cè)數(shù)據(jù)來(lái)進(jìn)行樣本訓(xùn)練，其訓(xùn)練結(jié)果能夠完全收斂，并滿足工程預(yù)測(cè)的要求。可以用來(lái)對(duì)鄰近區(qū)塊A油田相同的層位 （M組）進(jìn)行粒度分布的預(yù)測(cè)。

2 粒度預(yù)測(cè)在A油田的應(yīng)用

2.1 利用訓(xùn)練網(wǎng)絡(luò)進(jìn)行粒度預(yù)測(cè)

利用該樣本庫(kù)進(jìn)行訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)對(duì)A油田1＃探井和A油田2＃探井的M組二段進(jìn)行粒度預(yù)測(cè)，其結(jié)果如圖3、4所示。

圖3 A油田1＃探井M組二段神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)與實(shí)測(cè)粒度中值D50

圖4 A油田2＃探井M組二段神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)粒度中值D50

利用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)了A油田2口探井的粒度中值，并與實(shí)測(cè)粒度數(shù)據(jù)進(jìn)行對(duì)比分析，主力儲(chǔ)層M組二段的粒度變化范圍：低阻層的粒度中值 （D50）為50～200μm，高阻層的為150～400μm。結(jié)果表明，預(yù)測(cè)粒度和實(shí)測(cè)值具有很好的一致性，在一定程度上彌補(bǔ)了實(shí)測(cè)粒度數(shù)據(jù)不足和分析費(fèi)用高等缺點(diǎn)，為防砂完井設(shè)計(jì)提供了依據(jù)。

同時(shí)利用神經(jīng)網(wǎng)絡(luò)對(duì)防砂方案設(shè)計(jì)需要的該井粒度中值D50、非均勻系數(shù)Cu、小于44μm細(xì)粉砂含量等進(jìn)行預(yù)測(cè)，并與實(shí)測(cè)值對(duì)比分析，繪制成如圖5所示的縱向變化剖面圖。

從圖5可以看出，該區(qū)塊M組二段高低阻層儲(chǔ)層特性區(qū)別比較明顯，下面對(duì)兩個(gè)儲(chǔ)層的分布特點(diǎn)進(jìn)行統(tǒng)計(jì)分析，結(jié)果見(jiàn)表1，以作為防砂設(shè)計(jì)的基礎(chǔ)。

圖5 A油田儲(chǔ)層特征值縱向分布圖

表1 A油田M組二段儲(chǔ)層特性參數(shù)表

2.2 A油田防砂方案設(shè)計(jì)

根據(jù)A油田開發(fā)方案，A1h水平井開發(fā)層段屬于M組二段低阻層，A2h與A3h水平井開發(fā)層段屬于M組二段高阻層，運(yùn)用Tiffen方法［7］進(jìn)行設(shè)計(jì)時(shí)，當(dāng)?shù)貙由皹O不均勻并且存在大量的細(xì)粉砂顆粒（D10／D95＞20，D40／D90＞10，44μm以下顆粒體積分?jǐn)?shù)＞10%）時(shí)，均需要采用礫石充填防砂。因此，綜合運(yùn)用Tiffen方法和Johnson方法分別對(duì)A油田M組二段高低阻層進(jìn)行設(shè)計(jì)，設(shè)計(jì)結(jié)果均推薦該段水平井采用礫石充填完井防砂 （圖6、7）。

圖6 M組二段低阻層Johnson方法設(shè)計(jì)結(jié)果

圖7 M組二段高阻層Johnson方法設(shè)計(jì)結(jié)果

由于整個(gè)儲(chǔ)層砂粒的粒徑大小、分布及均勻性都有很大的不同，而礫石充填主要阻擋地層產(chǎn)出的細(xì)砂顆粒，根據(jù)A油田M組二段2個(gè)小層粒度分布特性，取粒度中值最小包絡(luò)線為設(shè)計(jì)基準(zhǔn)，根據(jù)紹西爾建議礫石粒度中值為5～6倍地層砂樣粒度中值，設(shè)計(jì)結(jié)果如圖8所示。在礫石充填完井中，篩管體主要用來(lái)支撐礫石層，篩縫提供流體入井的通道。通常使用的篩管主要有繞絲篩管、割縫襯管和金屬網(wǎng)（或者金屬棉）濾砂管，一旦選定了礫石尺寸，便可確定機(jī)械篩管的縫寬或擋砂精度。篩管縫隙的選擇應(yīng)能保證礫石充填層的完整性，因此，篩管縫隙應(yīng)小于礫石充填層中最小的礫石尺寸。根據(jù)1／2～2／3架橋原理，通常繞絲篩管縫隙為最小礫石尺寸的1／2～2／3，推薦采用2／3計(jì)算；對(duì)于割縫襯管，按科伯利 （Coberly）準(zhǔn)則，縫寬取2倍D10；對(duì)于金屬網(wǎng) （或者金屬棉）濾砂管，縫寬為最小礫石尺寸的1／3～1／2，推薦采用1／2計(jì)算。根據(jù)計(jì)算結(jié)果選擇較接近的標(biāo)準(zhǔn)系列尺寸的篩管。

根據(jù)上面設(shè)計(jì)結(jié)果，對(duì)該區(qū)塊3口水平井進(jìn)行防砂設(shè)計(jì)，結(jié)果如表2所示。在現(xiàn)場(chǎng)的實(shí)際防砂作業(yè)中按照筆者的研究成果，進(jìn)行防砂，效果良好。

圖8 A油田M組礫石尺寸設(shè)計(jì)

3 結(jié)論

1）儲(chǔ)層粒度分布特征的影響因素很多，測(cè)井曲線反映了地層的特性，測(cè)井曲線和儲(chǔ)層粒度之間存在著非線性關(guān)系，利用神經(jīng)網(wǎng)絡(luò)技術(shù)，在一定程度上可以預(yù)測(cè)出儲(chǔ)層粒度的分布規(guī)律，防砂設(shè)計(jì)提供依據(jù)。

2）利用鄰近油田B油田的同儲(chǔ)層M組二段的測(cè)井和粒度數(shù)據(jù)作為訓(xùn)練樣本庫(kù)，預(yù)測(cè)出了A油田的粒度分布規(guī)律，并與實(shí)測(cè)進(jìn)行對(duì)比分析，具有很好的一致性。

3）神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)粒度存在一定的局限性，樣本庫(kù)的準(zhǔn)確和具有代表性是該技術(shù)的關(guān)鍵，筆者利用預(yù)測(cè)粒度分布特征對(duì)A油田擬開發(fā)井進(jìn)行了防砂方案設(shè)計(jì)，該設(shè)計(jì)方法在油田現(xiàn)場(chǎng)得到了廣泛 。

表2 A油田開發(fā)井防砂方案設(shè)計(jì)

［1］Hurst A.Natural gamma－ray spectrometry in hydrocarbon－bearing sandstones from the Norwegian Continental Shelf.In Geological application of wire-line logs［J］.Geological Society Special Publications，1990，48：211～222.

［2］Oyeneyin B M，F(xiàn)aga A T.Formation－grain－size prediction whilst drilling：A key factor in intelligent sand control completions［J］.SPE 56626，1999.

［3］Faga A T，Oyeneyin B M.Application of neural networks for improved gravel pack design［J］.SPE58722，2000.

［4］Faga A T，Oyeneyin B M.Effects of diagenesis on neural network grain-size prediction［J］.SPE60305，2000.

［5］楊斌，匡立春.神經(jīng)網(wǎng)絡(luò)及其在石油測(cè)井中的應(yīng)用 ［M］.北京：石油工業(yè)出版社，2005.

［6］葛哲學(xué)，孫志強(qiáng) .神經(jīng)網(wǎng)絡(luò)理論與MATLAB R2007實(shí)現(xiàn) ［M］.北京：電子工業(yè)出版社，2007.

［7］Tiffin C L，King G E，Larese R E，etal.New criteria for gravel and screen selection for sand control［J］.SPE39437，1998.

［編輯］ 黃鸝

App lication of Predicting Formation G rain Size Using Neural Network in Sand Control Design

WEIYusen，WEIHongshu，ZHANG Junbin (First Author's Address:Shenzhen Branch Company，CNOOC，Shenzhen 518067，Guangdong，China)

In this paper，by using back propagation neural network(BPNN)，logging data and grain size(sieve analysis)data were used as input training set for training the network，a data sample of formation grain size was first established，the neural network was used to predict grain distribution in the intervals of developmentwells.It provided amore sufficient evidence for setting a sand control scheme.It is used for setting the sand control scheme in A Oilfield of South China Sea，by which the methods of sand control and parameter selection are further optimized.

neural network;grain size;sand control scheme;unconsolidated sandston

TE358.1

A

1000-9752（2014）05-0145-04

2013-10-24

魏裕森 （1981-），男，2005年長(zhǎng)江大學(xué)畢業(yè)，工程師，工程碩士生，現(xiàn)主要從事鉆完井監(jiān)督工作。