西非及亚太地区海上油田钻井完井投资估算模型

5002012年8月石油勘探与开发PETROLEUMEXPLORATIONANDDEVELOPMENTVO139NO4文章编号10000747201204050005西非及亚太地区海上油田钻井完井投资估算模型汪东进，李秀生，张海颖，王震1中国石油大学北京；2中国石油天然气集团公司；3中国科学院科技政策与管理科学研究所基金项目教育部哲学社会科学研究重大课题攻关项目“中国与全球油气资源重点区域合作研究”09JZD0038摘要以西非及亚太地区86个具有代表性的油田作为样本，以BP神经网络方法为基础，将油价、水深、井数、井深、地质条件这5个影响因素作为输入层参数，钻井完井投资额作为输出层参数，构建海上油田钻井完井投资的BP神经网络模型，并与回归分析模型进行比较分析。结果表明，由于BP神经网络方法是一个主动学习的过程，可以有效地描述变量之间的非线性关系，体现其解决复杂问题的优势，构建的模型具有合理性和实际参考价值。构建的钻井完井投资BP神经网络估算模型具有很好的拟合精度，大部分样本的预测误差在30以内，基本满足工程开发所要求的误差精度，而且误差水平远远低于回归分析模型。图3表5参14关键词西非；亚太地区；海上油田；钻井完井投资估算；BP神经网络中图分类号TE29文献标识码AAMODELFORESTIMATINGTHEDRILLINGANDCOMPLETIONINVESTMENTINOFFSHOREOILFIELDSINWESTAFRICAANDTHEASIAPACIFICREGIONWANGDONGJIN2LIXIUSHENG，ZHANGHAIYING，WANGZHEN1CHINAUNIVERSITYOFPETROLEUM，BEIJING102249，CHINA；2CHINANATIONALPETROLEUMCORPORATIONCNPC，BEIJING100724，CHINA；3INSTITUTEOFPOLICYANDMANAGEMENT，CHINESEACADEMYOFSCIENCES，BEIJING100190，CHINAABSTRACTABPNEURALNETWORKMODELFORESTIMATINGTHEDRILLINGANDCOMPLETIONINVESTMENTISBUILTBASEDONTHEBPNEURALNETWORKMETHODWITH86REPRESENTATIVEOFFSHOREOILFIELDSINWESTAFRICAANDASIAPACIFICASSAMPLESTHEMODELUSESFIVEFACTORS，INCLUDINGOILPRICE，WATERDEPTH，WELLNUMBER,WELLDEPTHANDGEOLOGICCONDITION，ASTHEINPUTPARAMETERS，ANDOUTPUTSTHEDRILLINGANDCOMPLETIONINVESTMENTPARAMETERSCOMPARISONOFTHEMODELWITHAREGRESSIONANALYSISMODELSHOWSTHATTHEESTABLISHEDMODELISREASONABLEANDVALUABLEBECAUSETHEBPNEURALNETWORKISANACTIVELEARNINGPROCESS，ABLETOEFFECTIVELYDESCRIBETHENONLINEARRELATIONSHIPBETWEENVARIABLESANDSOLVECOMPLICATEDPROBLEMSTHEESTABLISHEDBPNEURALNETWORKMODELHASHIGHFIINGACCURACYANDTHEERRORSOFMOSTSAMPLESAREWITHIN30，SATISFYINGTHEREQUIREMENTSFORENGINEERINGDEVELOPMENT，ANDAREMUCHSMALLERTHANTHATOFREGRESSIONANALYSISKEYWORDSWESTAFRICA；ASIAPACIFIC；OFFSHOREOILFIELD；DRILLINGANDCOMPLETIONINVESTMENTESTIMATE；BPNEURALNETWORK0引言根据DOUGLASWESTWOOD的预测，海上石油在全球石油产量中所占的比例将不断提高，海洋油气资源尤其是深海区域已经成为世界各国能源争夺的新阵地I。中国石油企业进入海洋油气勘探开发领域势在必行，而科学估算海上油田钻井完井投资对中国石油企业的决策尤为重要。但由于海洋油田特殊的自然环境和复杂的油气储藏条件，使海洋油田的开发面临投资规模大、技术要求高、投资估算难度大等诸多难题L5。国外学者多从整体角度出发，对海上油田的总体投资进行估算。WESTNEYRETI在估算海上油田开发成本时，通过对分项成本进行汇总的方式估算总的开发成本。HENERYD等通过对油田面积、油田规模、水深、位置、井数、油藏深度、油田产量等因素进行分析，为油田提供最优的开发模式和最佳的投资决策。ARMANDOS等P】主要分析海上较小油田的低成本发展模式，通过对水深、井数、产油能力等参数的分析得到最佳的开发模式，并利用相应的开发模式确定最佳的投资估算。SMITHRS等L】。JN用计算机从250个已有管理样本中找寻与目标油田相似的参数，从而获得与目标油田相关的投资估算信息。而国内学者多从分类角度，估算钻井完井部分投资。刘朝全等1L】提出根据作业周期、井深、水深3个因素测算钻井完井投资的新方法。陈武等F1L依据影响滩海钻井成本的因素，建立滩海油田开发钻井成本模型。单珍妮_L对世界海上油田的钻井费2012年8月汪东进等西非及亚太地区海上油田钻井完井投资估算模型501用进行了预测，但并没有形成具体的模型和数值分析。总体而言，国内外学者对海上油田投资估算的研究较少，对分类投资的研究更为少见，但合理估算每部分的投资对决策者制定科学的决策方案起着至关重要的作用。另外，现有文献发表较早，应用其方法对现代海上油田的投资进行测算会产生一定的偏差。本文以西非及亚太海上油田的区域投资为例，依据海上油田钻井完井投资的影响因素，以BP神经网络方法为基础，构建海上油田钻井完井投资模型。由于本研究包含了对深水油田的分析，所以对海上油田的投资分析更加全面，更具有现实意义。L海上油田钻井完井投资影响因素和样本选取钻井完井投资的影响因素主要包括油价、水深、井数、井深和地质条件，在构建钻井完井投资模型时共选取西非及亚太地区86个具有代表性的油田作为样本，其中66个油田数据作为训练样本，2O个油田数据作为测试样本。油价。物价水平直接影响油田钻井过程中的材料费如钻头费、钻井液费等、运输费、固井作业费等，从而影响油田钻井完井投资。本文以油价作为物价水平的度量，以钻井完井活动集中年份的油价均值作为建模的基础。水深。本文主要研究西非及亚太地区海上油田的钻井完井投资，水深对钻井完井投资有直接的影响，水深越深，投资越高。一般水深超过300M就定义为深水油田。选取的86个样本中包含59个浅水油田，27个深水油田。井数。一般井数越多，钻井完井投资就越高。井深。井深将直接影响钻井过程中的材料费，钻井越深，所需的直接材料费就越高，也即钻井完井投资越大。选取样本井深的平均值，作为建模的基础。地质条件。不同的油田所处的地理位置不同，所以地质环境也会呈现显著的差异，这将直接影响钻井完井的难度。地质结构越复杂，钻井成本越高。本文以油田所处位置作为地质条件的度量，将不同地质条件对钻井完井投资的影响程度进行量化，量化结果见表1选取的86个样本分布在29个盆地。2海上油田钻井完井投资估算模型表1样本油田所处位置量化表油田所处位置量化值油田所处位置量化值油田所处位置量化值尼罗河三角洲盆地1玛塔班湾盆地11帕斯盆地21卡那封盆地2北大年盆地12吉普斯兰德盆地22波拿巴盆地3春蓬府盆地13马拉开波盆地23坎普斯盆地4沙捞越盆地L4马图林瓮地24科特迪瓦盆地5沙巴州15克拉盆地25突尼斯深海大陆架6北苏门答腊盆地16库优龙盆地26苏伊士湾7库克湾盆地17苏伊士裂谷盆地27马来盆地8科尔维盆地18塔拉纳基盆地28东爪哇盆地9西北巴拉望盆地19南昆山盆地29伊洛瓦底江三角洲10库泰盆地2O用含有一个隐含层的BP神经网络去逼近一个连续函数。即任意的P维到Q维的映射可以通过一个3层的BP神经网络来实现。当样本数较多时，减小网络规模而增加一个隐含层是必要的，但BP网络隐含层数一般不超过2层，因此本文采用含有一个隐含层的3层BP神经网络构建模型。BP神经网络计算流程见图1。开始新一轮训练初始化开始新一步训练输入样本和目标输出计算各层输出计算输出层误差代价修正输出层和隐含层权值训练集中是否还有未学习、过的样本I是是图1BP神经网络计算流程图隐含层中节点的传递函数通常采用S型函数，即神经元输出量是0到1之间的连续量，用1式进行归一化处理，并用2式还原原始数据。Z二1一HECHTNIELSENLH已证明，在任意闭区间内都可以式中Z_一归一化后的样本值；。卜未经处理的样本502石油勘探与开发综合研究值；XMI输入输出层的最小值；XM输入输出层的最大值。XZ一2应用MATLAB编程软件，基于86个样本中的66个训练样本，构建BP神经网络模型，模型设定的训练目标误差为0001，最大迭代次数为1000。部分训练样本归一化后结果见表2。海上油田钻井完井投资BP神经网络模型构建主要分以下4步。21确定BP神经网络输入和输出层的神经元数目本文在构建模型时，将海上油田钻井完井投资的影响因素作为BP神经网络输入神经元节点，将钻井完井投资作为输出神经元节点，因此，确定输入神经元数目为5个，输出神经元为1个。22确定隐含层神经元的数目由于隐含层的神经元个数直接影响到网络的非线性性能，因此选取合适的隐含层神经元个数尤为重要，但隐含层神经元的个数与所要解决问题的复杂程度有很大的关系，由于问题的复杂程度无法准确量化，导致没有很好的解析公式来确定隐含层的神经元个数。只能凭借经验和试算的方式确定。目前确定隐含层神经元个数的常用公式为3式中即隐含层神经元数目；，2I输入层神经元数目；。输出层神经元数目；对所求范围的扩展，为110的常数。因此，由3式可以确定隐含层的神经元数目应为4，12。试选4，6，8，10，12为隐含层神经元个数，并检验不同隐含层神经元个数的网络性能。不同隐含层神经元数目的BP神经网络仿真结果比较见表3。表3不同隐含层神经元数目的BP神经网络仿真结果对比由表3可见，当隐含层神经元数目为10时，具有最短的训练时间，仅迭代26次，训练结果便达到收敛，训练时间远远短于其他隐含层神经元数目的仿真结果，而且仿真精度较高，均方误差最小，仅为00761，平均绝对误差也仅为207，因此在构建钻井完井BP神经网络模型时，隐含层神经元的个数设定为L0。23确定隐含层神经元转换函数通常采用S型函数的对数LOGSIG或者正切TANSIG函数和线性函数作为神经元的转换函数。对输入数据的预处理通常采用恒等变换函数，因此采用线性函数作为输入层的转换函数，本文对输出层的转换函数也同样采用线性函数。隐含层的转换函数可采用LOGSIG函数或TANSIG函数，对不同的转换函数分别进行训练仿真。结果见表4表明，当采用TANSIG函数作为隐含层的转换函数时，其训练时间远远小于采用LOGSIG函数，而且仿真误差较小，因此选择TANSIG函数作为构建钻井完井投资BP神经网络模型隐含层神经元的转换函数。表4不同隐含层转换函数的BP神经网络仿真结果对比24确定最优网络训练函数构建BP神经网络时，通常采用FLETCHERPOWELL共轭梯度反向传播算法TRAINCGF、动量梯度下降法TRAINGDM、自适应学习速率动量梯度下降反向传播算法TRAINGDX、梯度下降反向传播算法TRAINGD、LEVENBERGMARQUARDT反向传播算法TRAINLM和弹性_一蓦投样一，一0100000000CC井练一一鲞2一价一“如粥2一M蛳504石油勘探与开发综合研究VO139NO4模型的合理性和可行性，因此该模型具有一定的参考价值。4结语本文以西非及亚太地区海上典型油气田为研究对象，具体分析影响海上油田钻井完井投资的因素，构建了以BP神经网络理论为基础的海上油田钻井完井投资估算模型，并与基于回归分析方法构建的模型进行比较。研究表明，BP神经网络模型具有很好的拟合精度，误差远远低于回归分析模型，这主要是因为经过训练的BP神经网络可以较好地记忆有关样本数据的信息，很好地描述并实现影响因素与投资之间的非线性函数关系。BP神经网络体现出解决复杂问题的优势，构建的海上油田钻井完井投资模型具有合理性和可行性，对于投资决策具有参考价值。由于数据资料获取的难度和样本的可用性，本文所考虑的影响因素仍然有限。海上油田钻井完井投资的估算是一个复杂的过程，不仅受到地质环境、工程等因素的影响，同时还受到如井型、钻井周期等具体实施过程的影响，甚至受到国家政治环境的影响，未来研究还应进一步考虑这类影响因素，以提高估算的准确性67【891012参考文献1KOPITSSGLOBALOFFSHOREPROSPECTSRHOUSTONTHEINDUSTRY13FORECASTFORUM，20092李小地，赵晶，温志新，等世界石油工业上游发展趋势J_石油勘探与开发，2010，375623627LIXIAODI，ZHAOZHE，WENZHIXIN，ETA1DEVELOPMENTTRENDSOFWORLDUPSTREAMOILANDGASINDUSTRIESJ1PETROLEUMEXPLORATIONANDDEVELOPMENT，2010，3756236273邹才能，张光亚，陶士振，等全球油气勘探领域地质特征、重大发现及非常规石油地质J石油勘探与开发，2010，372129145ZOUCAINENG，ZHANGGUANGYA，TAOSHIZHEN，ETA1GEOLOGICALFEATURES，MAJORDISCOVERIESANDUNCONVENTIONALPETROLEUMGEOLOGYINTHEGLOBALPETROLEUMEXPLORATIONJJPETROLEUMEXPLORATIONANDDEVELOPMENT，2010，3721291454黄昌武深海世界各国能源争夺的新阵地J石油勘探与开发，2010，37131HUANGCHANGWUDEEPSEAANEWAREAOFINTERNATIONALENERGYCOMPETITIONJPETROLEUMEXPLORATIONANDDEVELOPMENT，2010，371315】李怀印海上油气田开发石油工程投资估算方法J价值工程，142OL127、5657LIHUAIYINTHECAPEXESTIMATINGMETHODOLOGYOFOFFSHOREOILFIELDPETROLEUMENGINEERINGJVALUEENGINEERING，20I1275657王震，陈船英，赵林全球深水油气资源勘探开发现状及面临的挑战J】_中外能源，2010，1514649WANGZHEN，CHENCHUANYING，ZHAOLINPRESENTSITUATIONANDCHALLENGEOFEXPLORATIONANDPRODUCTIONFORDEEPWATEROILANDGASINTHEWHOLEWORLDJSINOGLOBALENERGY，2010，1514649WESTNEYREMANAGINGTHECOSTSCHEDULERISKOFOFFSHOREDEVELOPMENTPROJECTSROTC12979，2001HENERYD，VANHENERYGH，BROMMERJJOFFSHORETECHNOLOGYBUILDINGBLOCKSANDTHEIRINFLUENCEONDEVELOPMENTOFCOSTEFFECTIVEDEEPSEAPRODUCTIONSYSTEMSRWPC22204，1987ARMANDOSMACHADOFILHOZLLOWCOSTDEVELOPMENTOFSMALLOFFSHOREFIELDSRWPC22206，1987SMITHRS，KINGRD，TALLEYDL_OFFSHOREFACILITIESWEIGHT，AREA，ANDCOSTESTIMATIONPERFORMEDBYSYSTEMSCOMPUTERSIMULATIONROTC4272，1982刘朝全，李光耀我国海上油田钻井完井投资测算方法研究【J西南石油学院学报，1991，134106112LIUCHAOQUAN，LIGUANGYAOFORECASTINGPROCEDUREOFINVESTMENTINWELLBORINGANDCOMPLETIONOFOFFSHOREOILFIELDSJJOURNALOFSOUTHWESTP