提出一種基于卷積神經(jīng)網(wǎng)絡的徑向復合油藏自動試井解釋方法,并利用現(xiàn)場實測數(shù)據(jù)驗證其有效性和準確性。采用對數(shù)函數(shù)進行數(shù)據(jù)變換,采用均方誤差作為損失函數(shù),利用"dropout"方法避免過擬合,通過不斷減小損失函數(shù)進行網(wǎng)絡優(yōu)化,得到最優(yōu)的卷積神經(jīng)網(wǎng)絡。訓練好的最優(yōu)網(wǎng)絡可直接用于解釋徑向復合油藏中井的壓力恢復或壓力降落數(shù)據(jù),將給定的實測壓力變化及其導數(shù)數(shù)據(jù)的雙對數(shù)圖輸入到網(wǎng)絡中,即可輸出對應的油藏參數(shù)(流度比、儲容比、無因次復合半徑以及表征井儲和表皮效應的無因次組),從而實現(xiàn)了試井參數(shù)解釋的自動初擬合。利用大慶油田現(xiàn)場實測數(shù)據(jù)對該方法進行了驗證,研究表明,該方法具有很高的解釋精度,且優(yōu)于解析法和最小二乘法。圖12表6參29

【文章頁數(shù)】：9 頁

【部分圖文】：

圖3 樣本Test2的原始曲線和截取曲線

從表3可以看出，對于6個樣本，本文提出的卷積神經(jīng)網(wǎng)絡解釋的參數(shù)與真實參數(shù)的誤差整體上較小。然而樣本Val2的lg(F)，樣本Val3的lg(M)及l(fā)g(CDe2S)，樣本Test2的lg(M),lg(F)和lg(CDe2S)的解釋值的誤差較大，其中l(wèi)g(M)和lg(F)解釋值誤差....

圖4 樣本Test2的解釋值與真實值對比（只截圖了前半部分）

圖3樣本Test2的原始曲線和截取曲線2.3現(xiàn)場實例分析

圖5 實例1本文方法與解析法計算結果對比

此外，通過與解析法對比發(fā)現(xiàn)，本文方法解釋結果與解析法解釋結果差距較小，兩種方法都可以得到很好的解釋結果。但是，解析法需要專業(yè)的試井人員操作完成，耗費大量的人力和時間。而本文方法可自動解釋，只需將實測數(shù)據(jù)轉化為矩陣輸入到訓練好的卷積神經(jīng)網(wǎng)絡中，輸出即為所需解釋的參數(shù)，即使是不具備專....

圖6 實例2本文方法與解析法計算結果對比

圖5實例1本文方法與解析法計算結果對比圖7實例3本文方法與解析法計算結果對比

本文編號：4028606