針對傳統(tǒng)注水開發(fā)油藏產量預測方法存在的問題,提出了基于人工神經網(wǎng)絡的預測模型,闡述了模擬工作流程,并進行了算例分析。提出了基于流體物理學和測量數(shù)據(jù)隨機組合的特征提取方法,以提高模型的預測效果。優(yōu)選貝葉斯正則化算法作為模型的訓練算法,該算法一般耗時較長,但能對產油量、產氣量、產水量等嘈雜數(shù)據(jù)集進行良好泛化。通過計算均方誤差及決定系數(shù)、繪制誤差分布直方圖及模擬數(shù)據(jù)-驗證數(shù)據(jù)交會圖等方式進行模型評價。用90%的歷史數(shù)據(jù)訓練、驗證、測試目標模型結構,然后用其余10%數(shù)據(jù)進行盲測。研究表明,提出的流體產量預測模型決定系數(shù)超過0.9,模擬結果與實際數(shù)據(jù)吻合程度高,輸入信息少,計算成本低。圖20表8參34 

【文章來源】：石油勘探與開發(fā). 2020,47(02)北大核心EISCICSCD

【文章頁數(shù)】：9 頁

【部分圖文】：

注水開發(fā)油藏流體產量模擬工作流程

前人采用過幾種模型評價指標[24,31-32]。本文用均方誤差（MSE）、R2（決定系數(shù)）和白度測試對模型進行評價[33]。均方誤差是輸出值與目標值之間的平均平方差。R2值用于衡量輸出值與目標值之間的相關性。認為在測試階段均方誤差低、R2值接近1的模型是合適的模型。這兩個指標能夠顯示模型是否提取了全部信息或者是否需要進一步調整。白度測試即通過繪制直方圖來確定誤差分布。對于一個好模型，誤差直方圖應顯示零均值和一定方差。此外，也可以通過繪制交會圖來對比模擬數(shù)據(jù)和驗證數(shù)據(jù)，示例如圖2所示。如果模擬數(shù)據(jù)與驗證數(shù)據(jù)交會圖位于45°線上方，說明模型低估了驗證數(shù)據(jù)，反之則說明模型高估了驗證數(shù)據(jù)。理想情況下，模擬數(shù)據(jù)與驗證數(shù)據(jù)交會圖與45°線重合。2 實例應用

采用馬來盆地1個油藏的數(shù)據(jù)，鑒于保密原因，只保留了最小限度的細節(jié)。該油藏為飽和油藏，具有小型至中等氣頂，中等至強水體，并在一次采油7年后通過注水補充能量開發(fā)。圖3所示的PVT物性參數(shù)表明，油藏流體的泡點壓力約為20.68 MPa。該油藏從1997年7月至2004年7月利用氣頂+水體自然能量驅動開采。圖4給出了這一階段的流體產量剖面。從2004年至2014年，采用注水開發(fā)方式。圖5、圖6和圖7分別給出了這一階段的產油量、產氣量、產水量與注水量對比曲線，可以看出數(shù)據(jù)非常嘈雜，導致系統(tǒng)無法正確理解和解釋。噪聲是不可避免的問題，它會影響機器學習應用中的數(shù)據(jù)收集和數(shù)據(jù)準備過程。數(shù)據(jù)噪聲由測量工具引起。


本文編號：3577586