（计算机应用技术专业论文）基于神经网络的数据挖掘技术用于剩余油分布的研究.pdf

中文摘要 论文题目： 专业： 硕士生： 指导教师： 基于神经网络的数据挖掘技术用于剩余油分布的研究 计算机应用技术 石小松( 签名) 程国建( 签名) 剩余油分布的预测有很高的收益，因此引起世界各国对剩余油分布进行研究的重视。 经过多年的开发，目前地下油水关系变得日趋复杂，有必要进行剩余油分布规律的研究。 论文分析了多种剩余油预测分析技术与方法。对神经网络、数据挖掘等的理论与相 关算法进行了分析、讨论。神经网络具有并行处理、自适应、自组织、联想记忆及容错 性和健壮性等特点，能够探测出数据集合的非线性关系，在数据挖掘中常常采用神经网 络方法。 研究了对影响剩余油分布的主要参数含油饱和度进行预测的软件系统的设计方法 与实现技术。此系统可实现使用多种神经网络模型来完成剩余油分布的预测。神经网络 模型可选：b p 神经网络和r b f 神经网络。b p 网络中又可选激励函数：s i g m o i d 型激励 函数和t a n 激励函数；可选算法：传统算法和变步长算法；且在力求保持传统b p 算法 简洁性的基础上，使其神经元个数、目标精度、迭代次数动态可调。 此系统可依据包含有井位置等参数的已有数据，通过基于神经网络的数据挖掘技术 进行训练，建立起学习网络，训练完成后，对比这些预测模型，选出最优模型。在已知 其它原始参数的情况下，就可以利用此预测系统对其他未知井区进行剩余油分布的预测。 研究结果表明，改进的b p 网络、尤其是r b f 网络计算方法可以克服常规测井解释 中所遇到的高度复杂非线性建模的难题，极大地简化了解释中的数学手段，同时与传统 b p 神经网络相比精度更高，收敛速度更快。 通过对预测值与实际数据的对比与分析，证明该软件具有理想的预测效果并有良好 的实用价值。 关键词：神经网络数据挖掘剩余油分布m a t l a b 论文类型：应用研究 i l 英文摘要 s u b j e c t ： r e s i d u a lo i ld i s t r i b u t i o ns t u d yb yu s i n gd a t am i n i n gt e c h n o l o g yb a s e do n n e u r a ln e t w o r k s s p e c i a l i t y ：c o m p u t e ra n a m e ：s h ix i a o s o n i n s t r u c t o r ：c h e n gg u o j h i g h e rp r o d u c t i o nr e t u r nc a nb eg e tb yp r e d i c t i n gr e s i d u a lo i ld i s t r i b u t i o n t h e r e f o r em a n y c o u n t r i e sa l lo v e rt h ew o r l dh a sp a i da t t e n t i o nt os t u d yo nt h i st o p i c a f t e rm a n yy e a r so fo i l d e v e l o p m e n t ，t h er e l a t i o n s h i pb e t w e e nw a t e ra n do i lh a sb e c o m ei n c r e a s i n g l yc o m p l e x ，s oi ti s n e c e s s a r yt os t u d yt h er e s i d u a lo i ld i s t r i b u t i o n m u c hd i f f e r e n tk i n do fm e t h o d sa n dt o o l sf o rs t u d y i n go nr e s i d u a lo i ld i s t r i b u t i o nh a sb e e n a n a l y z e di nt h i st h e s i s ，f o c u s i n go na r t i f i c i a ln e u r a ln e t w o r k sa n dd a t am i n i n gt o o l s a st h e n e u r a ln e t w o r kh a st h ec h a r a c t e r i s t i c so fp a r a l l e lp r o c e s s i n g ，s e l f - a d a p t i v e ，s e l f - o r g a n i z a t i o n a n da s s o c i a t i v em e m o r y , f a u l t t o l e r a n ta n dr o b u s t ，i tc a nf i n dn o n 1 i n e a rr e l a t i o n s h i pi n d a t a s e t s s ot h en e u r a ln e t w o r k si so f t e nu s e di nd a t am i n i n g t h i st h e s i sa n a l y s e ss e v e r a lm e t h o d st op r e d i c t i n gt h er e s i d u a lo i ld i s t r i b u t i o n ，a n dd e e p l y r e s e a r c h e st h ed a t am i n i n gw a y s ，n e u r a ln e t w o r kt h e o r i e sa n dr e l a t e da l g o r i t h m s ，d i s c u s s e st h e d e s i g na n dt h ei m p l e m e n t a t i o nt e c h n o l o g yo fs o f t w a r ew h i c hc a np r e d i c tt h eo i ls a t u r a t i o n t h em a i nf a c t o ro fa f f e c t i n gt h ed i s t r i b u t i o no fo i l t h es y s t e mc a nc h o o s et w ok i n d so fn e u r a l n e t w o r km o d e l ：b pn e u r a ln e t w o r k , o rr b fn e u r a ln e t w o r k i tc a ns e l e c ts i g m o i dt y p ea n d t a nt y p ea c t i v a t i o nf u n c t i o n , a l s oi tc a nu s et r a d i t i o n a ln e u r a ln e t w o r ka l g o r i t h mo rv a r i a b l e s t e ps i z ea l g o r i t h mt od e t e r m i n et h en u m b e ro fn e u r o n s ，t om a k et h et a r g e ta c c u r a c ya n d i t e r a t i o nn u m b e rd y n a m i ca d j u s t a b l ei nt h eb pn e t w o r k t h i ss y s t e mc a nc a l c u l a t ew e l lo i ls a t u r a t i o na c c o r d i n gt ot h ec u r r e n td a t ai n c l u d i n gt h e i n f o r m a t i o no fo i ls a t u r a t i o n ，l o c a t i o no ft h ew e l l sa n ds oo n i tc a nb u i l dal e a r n i n gn e t w o r k s b a s e do nn e u r a ln e t w o r k ，d a t am i n i n gt e c h n o l o g yw h i c hc a l lp r e d i c to i ls a t u r a t i o nf o ro t h e r u n k n o w nw e l l s a f t e rt h et r a i n i n g ，t h eo p t i m a lm o d e lc a nb es e l e c t e db yt h ec o m p a r i s o nw i t h t h ef o r e c a s to n e i nt h ec a s eo fk n o w i n go t h e rp a r a m e t e r so ft h eo r i g i n a ld a t a , w ec a n p r e d i c t t h ec u r r e n td i s t r i b u t i o no fr e s i d u a lo i la c c o r d i n gt ot h eo i ls a t u r a t i o n t h er e s u l t ss h o wt h a tt h ei m p r o v e db pn e t w o r ka n dr b fn e t w o r kc a ns o l v et h eh i g h l y c o m p l e xn o n l i n e a rm o d e l i n gp r o b l e m s ，w h i c hi se n c o u n t e r e do f t e ni nt h ec o n v e n t i o n a ll o g i n t e r p r e t a t i o n c o m p a r e dt ot r a d i t i o n a lb pn e t w o r k ，t h ef l e wm e t h o di sh i g h l ya c c u r a t ea n d f a s t e rc o n v e r g e n t t h r o u g ht h ec o m p a r a t i v ea n a l y s i sw i t ht h er e a ld a t a , w ec a nb e l i e v et h a tt h es o f t w a r ec a l l i i i 英文摘要 p r o d u c ep e r f e c tp r e d i c t i v er e s u l t sa n da l s oo fg r e a tr e l e v a n c et oa p p l i c a t i o n s k e y w o r d s ：n e u r a ln e t w o r k s ，d a t am i n g ，r e s i d u a lo i ld i s t r i b u t i o n ，m a t l a b t h e s i s ： a p p l i c a t i o ns t u d y i v 学位论文创新性声明 本人声明所呈交的学位论文是我个人在导师指导下进行的研究工作及取得的研究成 果。尽我所知，除了文中特别加以标注和致谢中所罗列的内容以外，论文中不包含其他 人已经发表或撰写过的研究成果；也不包含为获得西安石油大学或其它教育机构的学位 或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中做 了明确的说明并表示了谢意。 申请学位论文与资料若有不实之处，本人承担一切相关责任。 论文作者签名：歪d 毖 日期：矽d 罗占形 学位论文使用授权的说明 本人完全了解西安石油大学有关保留和使用学位论文的规定，即：研究生在校攻读 学位期间论文工作的知识产权单位属西安石油大学。学校享有以任何方法发表、复制、 公开阅览、借阅以及申请专利等权利，同时授权中国科学技术信息研究所将本论文收录 到中国学位论文全文数据库并通过网络向社会公众提供信息服务。本人离校后发表 或使用学位论文或与该论文直接相关的学术论文或成果时，署名单位仍然为西安石油大 学。 论文作者签名：至龇 导师签名： 注：如本论文涉密，请在使用授权的说明中指出( 含解密年限等) 。 第一章绪论 第一章绪论 1 1 研究背景 能源是现代社会发展的重要基础，油气能源为工业的“血液”是国民经济发展的重要 支柱，因此改善、发展油气田勘探开发技术有重要的意义。 从油田开发的角度看，随着油田开发进入高成熟期，地下油水分布发生了巨大的变 化，开采挖潜的主要对象转向高度分散而又局部相对富集的、不再大片连续的剩余油， 甚至转向提高微观的驱油效率来。获的开发油田的剩余油量是油田开发方案调整和提高 采收率的基础，各个国家都非常重视剩余油分布的研究。采收率提高1 ，就相当于增 加全世界l 至2 年的石油消费量。因此，加强剩余油分布规律研究、提高石油采收率一 直是油田开发地质工作者和油藏工程师研究的主题。我国油田多为陆相沉积多油层储层， 层间、层内和平面上渗透率变化大，而我国近9 0 油田均采用注水开发方式，由于非均 质性严重，各层吸水量差异大，注入水往往沿高渗透带推进，使纵向上和平面上水推进 不均匀，油水分布犬牙交错，成为剩余油分布既零散又有相对富集部位。因此，在开发 后期我们的主要任务就是要以剩余油含油饱和度为主要内容，进行精细化、定量化、动 态化和预测化的油藏描述。同时，要把工作重点逐渐转向井间和整个油藏的剩余油分布 研究上。在油田开发过程中，特别当油田进入中后期开发时，了解和掌握油藏中剩余油 饱和度的宏观和微观的时空分布，是油藏开发调整和改善油藏开采现状的直观再现，是 油藏经营管理决策的重要依据。 目前，国际上确定储层中剩余油的分布仍然是石油工业领域的重大课题。2 0 世纪9 0 年代以来，主要产油国重视了密闭取心的分析和第一手数据的收集，完善了动态监测系 统，加强了油藏经营管理，使剩余油饱和度分布的研究精度有较大提高。 影响剩余油分布的因素众多，其非线性关系错综复杂。随着今后将进一步在更复杂 的岩性条件下开采，使得用传统方法来描述、预测变得越来越复杂，成本也越来越高。 神经网络在这方面的研究属于一条新路，神经网络技术也趋于成熟，这为使用基于神经 网络的数据挖掘技术研究剩余油、预测剩余油的分布提供了很好的空间。 数据挖掘是从大型数据库或数据仓库中发现并提取隐藏在其中的信息的一种新技 术，它能从数据仓库中自动分析数据，进行归纳性推理，从中发掘出潜在的模式；或者 产生联想，建立新的业务模型，帮助决策者做出正确的决策。数据挖掘研究和实践表明： 测井资料和含油饱和度的对应关系就隐藏在日常积累下来的大量数据之中，然而仅靠复 杂的算法和推理并不能发现知识。人工智能技术，特别是神经网络技术与数据挖掘的结 合为数据挖掘理论和技术的研究指出了一条新的道路。本次毕业设计是基于神经网络的 数据挖掘技术，它与传统数据挖掘技术相比较，在信息处理能力、关联规则挖掘和表示 能力方面有较大提高。 西安石油大学硕士学位论文 能源属于不可再生资源，进入现代工业社会的人类，未来很长一段时间将对能源的 依赖越来越严重。石油资源是现代工业的“血液”，伴随油气日积月累的开采，剩余油分 布预测的研究将具有更重要的实用价值。展望未来，在剩余油分布预测方面，我们可以 做更多的研究。人工神经网络技术属于新兴学科，二者更好的结合，将使基于神经网络 方法的剩余油分布预测技术具有较光明的前景。 1 2 国内外剩余油研究现状 我国的剩余油分布研究工作早在上世纪中期就已开始，相继开展了油田、油藏、区 块、单井以及岩心等不同地质规模下剩余油的空间位置、形态、数量以及剩余油随时间 变化的研究工作，主要采用了油藏数值模拟、井间示踪剂、神经网络、沉积相、测井、 灰色理论及数理统计等技术研究剩余油分布规律，为油田方案调整提供了依据。 我国油田地质情况复杂，原油性质差异大，水驱油过程不均匀，到了勘探开发的后 期，尤其是在那些勘探程度较高的老油田，仍有大量残留在地下的剩余石油储量。这对 于增加可采储量和提高采收率是一个巨大的潜力。国外研究剩余油主要包括岩心分析、 示踪剂测试、数值模拟、测井、试井及电阻率、神经网络等多种方法，近年来提出了“以 定时、定位、定量计算剩余油饱和度为依据，设计加密井位置”的新设想。 目前。国内外对剩余油研究的重点主要集中在三个方面： ( 1 ) 对剩余油分布的描述； ( 2 ) 对剩余油饱和度的测量与监测技术的研究； ( 3 ) 对剩余油挖潜技术的研究。 我国石油科技工作者经过多年的摸索探讨，形成了一些陆相地层的剩余油研究方法。 同时在水驱油之后的剩余油采收率提高方面已取得了较好的效果。我国对剩余油分布的 研究已经具备一定的实力，但同国外相比，在许多方面还有一定的差距： ( 1 ) 资料采集过于简单化，尤其是动态长期监测还有待于加强； ( 2 ) 储层非均质研究侧重于静态研究，而往往忽视动态资料的利用； ( 3 ) 油田开发调整阶段的剩余油分布不是很清楚； ( 4 ) 定向取心资料的应用比较薄弱； ( 5 ) 地层倾角测量研究单砂体的产状和分布需加强和提高。 1 3 人工神经网络方法的研究与应用 人工神经网络( a r t i f i c i a ln e u r a ln e t w o r k ，舢州) ，亦称为神经网络( n e u r a ln e t w o r k s ， n n ) 。人工神经网络技术在储层描述研究中的应用主要是测井解释。随着上世纪8 0 年代 神经网络研究的复兴，其在石油工业中也得到了广泛应用。1 9 8 8 年，美国的技术人员把 神经网络引入石油工业，开始了神经网络在石油勘探开发中的应用研究；1 9 9 0 年，b a l d w i n 等人介绍了采用反向传播( b a c kp r o p a g a t i o n ，b p ) 神经网络学习算法确定岩层孔隙度和 骨架密度的方法，展示了应用神经网络进行测井解释的优越性：c a r l o s t ( 1 9 9 8 年) 、r i d h a 2 第一章绪论 ( 1 9 9 9 年) 等人也先后进行了相关的神经网络应用研究。2 0 0 0 年，c a r l o s 等人进行了地 球物理参数神经网络预测研究，表明利用神经网络技术可获取较为精确的地质模型。 人工神经网络与其它传统方法相结合，将推动人工智能和信息处理技术不断发展。 近年来，人工神经网络正向模拟人类认知的道路上更加深入发展，径向基函数( r a d i a l b a s i sf u n c t i o n ，r b f ) 神经网络、遗传算法、进化机制等结合，形成计算智能，成为人工 智能的一个重要方向，将在实际应用中得到发展。 目前在研究方法上已形成了多个流派，包括多层网络b p 算法，h o p f i e l d 网络模型， 自组织特征映像理论等等。神经网络以它特有的自学习、自组织、联想记忆和并行处理 等功能，被应用到如模式识别和图像处理、控制和优化、预报和智能信息管理、通讯、 空间科学等众多领域 2 1 。 这里主要介绍2 种神经网络方法：1 b p 神经网络方法，包括b p 网络s 型函数和b p 网络t a n 函数。2 径向基函数神经网络方法。 1 3 1b p 神经网络的研究 b p 网络是1 9 8 6 年由r u m e l h a r t 和m c c e l l a n d 为首的科学家小组提出，是一种按误 差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。b p 网络能 学习和存贮大量的输入输出模式映射关系，而无需事前揭示描述这种映射关系的数学方 程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使 网络的误差平方和最小。b p 神经网络模型拓扑结构包括输入层( i n p u tl a y e r ) 、隐层( h i d e n l a y e r ) 和输出层( o u t p u tl a y e r ) ( 如图1 1 所示) 。 图1 - 1b p 网络结构图 b p 算法在于利用输出后的误差来估计输出层的直接前导层的误差，再用这个误差估 计更前一层的误差，如此一层一层的反传下去，就获得了所有其它各层的误差估计。这 样就形成了将输出层表现出的误差沿着与输入传送相反的方向逐级向网络的输入层传递 的过程。因此，人们特将此算法称为误差反向后传算法，简称b p 算法。使用b p 算法进 行学习的多级非循环网络称为b p 网络，属于前向神经网络类型。虽然这种误差估计本 身的精度会随着误差本身的“向后传播”而不断降低，但它还是给多层网络的训练提供了 比较有效的办法，加之多层前向神经网络能逼近任意非线性函数，在科学技术领域中有 广泛的应用，所以，多年来该算法一直受到人们广泛的关注。 b p 算法虽然非常有效，但实用中存在2 个主要问题：一、收敛速度太慢；二、b p 网络的容易陷入局部极小点。传统b p 算法实质上假定权值可变，而各神经元的激励函 西安石油大学硕士学位论文 数为相同的，不可变更的，因此我们可以研究b p 算法中影响收敛的重要因素既激励函 数，提出神经元的激励函数s 型函数和t a n 函数可选，使其非线性能力有所提高。 1 3 2r b f 神经网络的研究 虽然b p 网络有许多优点，但也存在不足。例如：b p 网络隐含层神经元个数需要人 为确定，是一个比较复杂的问题，确定个数的合理与否，将直接影响到其预测的精度； 网络的学习和记忆存在不稳定性，使得计算结果不稳定。 而rbf 网络就克服了b p 网络的一些不足。它具有结构自适应确定，输出与初始 值无关等特点，它不需要人为确定隐含层神经元个数，计算结果也很稳定。在用r b f 网 络进行预测剩余油分布的重要参数一含油饱和度时，就是利用已有的影响剩余油分布的 主要参数通过对网络的训练和学习，来构造一个理想的r b f 网络模型，从而来预测其它 井位的剩余油分布。经过改进后的神经网络模型，其精度迅速提高。因此，在用r b f 神 经网络模型进行含油饱和度的预测时，需要选择合适的网络模型，对模型不断地进行改 正，确定合理的网络结构，以便取得理想的效果【3 j 。 1 4 基于神经网络的数据挖掘工具用于剩余油分布的研究 数据挖掘( d a t am i n i n g ，d m ) 技术是从大量数据中寻找其规律的技术，主要有数据 准备、规律寻找和规律表示三个步骤。数据准备是从各种数据源中选取和集成用于数据 挖掘的数据；规律寻找是用某种方法将数据中的规律找出来；规律表示是用尽可能符合 用户习惯的方式( 如可视化) 将找出的规律表示出来。数据挖掘在自身发展的过程中， 吸收了数理统计、数据库和人工智能中的大量技术 4 1 。作为近年来来一门处理数据的新 兴技术，数据挖掘的目标主要是为了帮助决策者寻找数据间潜在的关联( r e l a t i o n ) 、趋 势( t r e n d ) 等，发现被忽略的要素，对预测未来和决策行为十分有用。 神经网络是模拟人脑内部结构，在模拟推理、自动学习等方面接近人脑的自组织和 并行处理的数学模型。其优点之一是，不依赖于对象，通过学习将输入、输出以权值的 方式编码，把它们联系起来。神经网络在数据挖掘中的优势是：噪声数据的强承受能力， 对数据分类的高准确性，以及可用各种算法进行规则提取。 神经网络的自适应和学习功能不断检验预测结果与实际情况是否相符。把与实际情 况不符合的输入输出数据对作为新的样本，神经网络对新样本进行动态学习并动态改变 网络结构和参数，这样使网络适应环境或预测对象本身结构和参数的变化，从而使预测 网络模型有更强的适应性，从而得到更符合实际情况的知识和规则，辅助决策者进行更 好地决策【5 1 。而在a n n 的实现过程中，又往往需要大量的数据来产生充足的训练和测试 样本模式集，以便有效地训练和评估a n n 的性能，这一点正好是建立在数据仓库和大型 数据库上的数据挖掘工具所能提供的。由于a n n 和d m 两者的优势互补，将神经网络用 于数据挖掘具有现实意义和实用价值。 因此，常常借助神经网络来进行数据挖掘。 4 第一章绪论 从国内外的研究情况来看，神经网络在储层中的应用主要集中于储层参数的计算( 测 井解释) ，大部分使用的是b p 网络及其一些改进模型。 1 5 本论文的目的和意义 剩余油分布规律研究是一项比较复杂的课题，同时对其进行研究会带来较好的社会 效益，也是地质、地球物理和油藏工程等不同领域的前沿性课题。很久以前国内外研究 者就己认识到了这一课题的重要，曾经开展过岩心水驱油实验、平面乃至立体物理模型 实验、油藏模拟、矿场检查井取心、分层找水等工作，为剩余油分布提供了宝贵的数据。 我国多数油田经过一次、二次采油后，仅能采出地下总储量的3 0 左右，对剩余油分布 预测的研究可以提高石油开发的效率和节约开发成本。 在油藏剩余油研究方法上，主要应用油藏精细描述、数值模拟、神经网络、动静态 描述等。油藏精细描述、数值模拟提供定量化剩余油分布模式，但工作量巨大、剩余油 描述受多种条件限制，并不适合在所有类型油藏开展；油藏工程方法只能计算某个小层 的剩余油饱和度平均值或剩余油平面分布的差异性，在应用上受到限制。 本论文的目的是研究、分析几种常见的基于人工神经网络的数据挖掘方法及其改进 方法的理论，将基于神经网络技术的数据挖掘技术应用到剩余油分布，并通过v b 和 m a t l a b 混合编程实现该软件，然后通过使用己知的数据来预测剩余油的主要参数，从 而预测剩余油的分布。 本论文的意义是将此预测方法应用到剩余油分布预测问题中，以提高预测的精度， 加快预测的速度。本论文的研究对于油田油藏的勘探与开发，对于提高油田的采收率都 具有重要的意义。 1 6 本论文着重研究的内容 ( 1 ) 基于神经网络的数据挖掘技术的学习算法理论研究。包括b p 神经网络模型及其 s 激励函数、b p 神经网络模型及其t a n 激励函数和r b f 网络算法理论研究。 ( 2 ) 剩余油分布预测的相关研究。影响剩余油分布的主要因素的研究，进行剩余油预 测的主要方法的研究。 ( 3 ) 以某口油井的数据为例，通过应用v i s u a lb a s i c 面向对象编程语言、m a t l a b 仿真 工具箱、m a t l a bc o m 组件技术等混合编程来完成整个系统。 ( 4 ) 探讨几种预测剩余油的神经网络方法的研究效果及评价。 1 7 本论文研究的主体思路 结合本论文研究的要求和实际情况，本论文提出了利用基于可调参数的s 型激励函 数b p 神经网络、可调参数的t a n 型激励函数b p 神经网络以及r b f 神经网络3 种神经 网络方法，对剩余油的主要参数( 含油饱和度) 进行预测的思路，如下图1 2 所示。 具体设计思路如下： 西安石油大学硕士学位论文 ( 1 ) 建立理论数学模型 对b p 网络和r b f 网络这两种训练算法进行理论研究，通过分析其各自的输入、输 出、网络结构以及在寻优速度与精度等方面的优缺点，提出了基于b p 神经网络和r b f 神经网络的进行含油饱和度预测的理论模型。 ( 2 ) b p 网络的实现 在理论模型的基础上，在激励函数方面提出了改进的s 型激励函数和t a n 型激励 函，在算法方面提出了传统的b p 算法和变步长算法。然后编写代码，建立并训练反向 传播神经网络。按照神经网络的学习规则，利用训练样本对网络进行训练，直至满足要 求，确定出较优的神经网络参数。 ( 3 ) r b f 网络的实现 在理论模型的基础上，编写代码建立并训练学习r b f 神经网络。利用训练样本对网 络进行训练，分析预测效果。 ( 4 ) 数据准备 通过测井数据和岩心数据的预处理技术，根据学习样本挑选遵循的重要准则和新的 选择法，以油井的空间信息和多种测井参数作为网络的输入矢量，油井的空间信息和剩 余油预测的主要参数( 含油饱和度) 作为网络的目标矢量。 ( 5 ) 神经网络的性能测试 利用测试样本对网络进行性能测试，和比较分析两种模型的实验结果，确定出最优 参数和最优模型，得出结论。 ( 6 ) 总结 利用设计出的预测系统和某口油井的测井数据，比较了几种不同的神经网络预测方 法，经过神经网络的训练、网络模型性能测试、比较和参数调整等，本论文设计思路如 图1 2 所示。最后，经过分析预测结果，证明了此系统具有良好的预测效果。 6 第一章绪论 图l - 2 预测系统的总体结构 7 西安石油大学硕士学位论文 第二章剩余油分布的研究 剩余油一般认为是通过加深对地下地质体的认识和改善开采工艺水平等措施可以采 出的油。狭义上它和残余油不同，残余油是指未被采出的油气，因此剩余油是残余油的 一部分。在广义的情况下剩余油与残余油相同。 通常，一个油藏经历一次和二次采油之后，还有相当数量的石油仍然存留在油藏中 成为残存油。剩余油是指开采到目前为止，还残留在地下的可开采量，在数值上等于可 采储量与累积采油量之差。它是在目前工艺技术措施下能采出的油，但由于开发方式， 开发策略或开发方案的不当而仍剩余在地下的油被称为是剩余油【6 】。 经过几十年的开发，我国大多数油田都已经进入高含水、高采出程度阶段，因此， 及时、准确的研究剩余油的分布是的迫切而重要。 2 1 影响剩余油分布的主要概念 影响剩余油分布的岩性参数较多，但主要影响因素有以下一些，现做一介绍。 2 1 1 剩余油含油饱和度 剩余油饱和度是描述剩余油的重要概念。某种流体的饱和度是指：储层岩石孔隙中 某种流体所占的体积百分数。它表示了孔隙空间为某种流体所占据的程度。岩石中由几 相流体充满其孔隙，则这几相流体饱和度之和就为l ( 1 0 0 ) 。随着油田发开油层能力 的衰减，即使是经过注水侯还会在地层孔隙中存在着尚未驱尽的原油，这些油在岩石孔 隙中所占体积的百分比称为剩余油饱和度r 7 1 。 含油饱和度对石油工业界的意义十分重要，知道含油饱和度在油藏中的分布就可以 明确的知道到底剩余油分布在哪里，需要在哪里打井，需要如何调整注水井网。 2 1 2 渗透率 目前在油田储层渗透率的确定中，主要应用地质学方法、石油工程方法及地球物理 学方法。对于渗透率的研究国内外有关人员投入大量的精力，取得了一定的成果。在地 质学上，主要是从井中通过常规取心或井壁取心的方法获得岩心，然后在实验室测定岩 心渗透率。在油藏工程上，主要测试方法是试井分析，可以分为三个主要的类型： ( 1 ) 短期测试； ( 2 ) 常规测试； ( 3 ) 先进的测试技术。 上述两种方法可以得到较好的渗透率值，然而利用岩心分析需要从井中得到有代表 性的岩心，这是很昂贵的【8 】【9 1 。作为上述两种方法的取代，在地球物理方法上已提出了 求渗透率的多种测井方法。根据测井资料估算渗透率的方案，大致有以下几种： ( 1 ) 用自然电位测井数据估算渗透率； ( 2 ) 用电阻率资料估算渗透率； 8 第二章剩余油分布的研究 ( 3 ) 用放射性测井资料估算渗透率； ( 4 ) 用声波测井资料估算渗透率； ( 5 ) 根据储层参数间的统计关系估算渗透率。 对于估算渗透率的模型国内外学者也已提出了很多【l o 】。很早以前，k o z e n y 、c a r m a n 提出了毛细管束模型，给出了渗透率与孔隙度之间的关系公式，即k o z e n y c a r m a n 方程。 它是最基本的关系式，许多涉及渗透率与孔隙尺寸关系的相关模型来源于此方程。 2 1 3 孔隙度 岩石中除去固体物质外，还有未被固体物质占据的空间，称为孔隙或者空隙。世界 上没有孔隙的岩石是不存在的，只是不同的岩石，其孔隙的大小、形状和发育程度不同 而已。石油天然气正是储集和流动于岩石的孔隙之中。因此岩石孔隙的各项参数就直接 影响其中储集油气的数量和生产油气的能力【n 1 。 岩石的孔隙度是指岩石中未被固体物质充填的空间体积p 与岩石总体积的比 值。用希腊字母矽表示，其表达式为： 矽= 矿空隙y 岩石1 0 0 = vp vb 1 0 0 。 本论文选取的油井采用阿尔奇公式描述剩余油饱和度和孔隙度之间的关系。阿尔奇 公式如下： s o = l - s w 小等 式中：最帚i 余油饱和度，f s 。含水饱和度，f r 。地层水电阻率，q m ； 足地层电阻率，q 。m ； 矽孑l 隙度，f a 、b 、m 、，岩电常数。 2 2 剩余油分布研究方法 从2 0 世纪8 0 年代开始，研究剩余油分布和提高采收率问题己引起世界各石油生产 国的普遍关注。针对剩余油分布的研究方法在各个层面都有了一定的突破。目前，剩余 油分布的研究方法主要有：地质方法，油藏工程、试井及数值模拟方法和室内实验技术 生窀【1 2 】 弋ro 2 2 1 地质方法 用地质方法研究剩余油在目前是应用很广泛的方法。地质方法的主要特点是根据地 质数据和不同地质构造来建立相关的地质模型，然后来分析剩余油的分布情况。 9 西安石油大学硕士学位论文 2 2 2 油藏工程、试井及数值模拟方法 油藏工程计算方法，既利用油田资料，根据某一种或多种油藏工程计算方法进行剩 余油指标预测。试井是根据试井资料建立一个水驱油藏的数学模型，通过该模型来分析 相关数据来预测剩余油的分布。数值模拟是模拟油气藏渗流规律的一项技术。它是定量 的研究剩余油分布的重要手段，能更好的再现油藏开发历史，认清当前剩余油分布状况， 挖掘油藏潜力【l 引。 2 2 3 神经网络和岩石物理相技术 室内实验技术就是通过室内试验的手段来模拟，测定和推断残余油饱和度。这些方 法的可靠性有赖于试验期间模拟油藏条件的能力。主要有岩石物理相、超导重力测试、 核磁共振成像、岩心分析、微观渗流模拟技术和神经网络技术等。神经网络技术有着逼 近任意非线性映像的能力，通过学习获知系统差分方程中的位置非线性函数，这使得它 在系统建模和预测中有着很好的应用。 2 3 剩余油分布的特征 影响剩余油分布的因素很多，通常划分为两类：地质因素和开发因素。地质因素主 要包括有：油藏非均质性、构造、断层等。开发因素主要包括有：注采系统的完善程度、 注采关系和井网布井、生产动态。受生产动态因素影响的剩余油富集区有：注水分流区； 注水二线区；生产井网稀。单井控制储量打的井区。这些井区多为高产区，但受人为因 素影响大，情况经常变化。另外，上述是假定油层是以平面均质体，而实际所有油层都 是起伏不平和非均质体的，所以实际地下情况远比假定的复杂得多，有时甚至与假定相 反。前者属于内因，后者属于外因。它们的综合作用就导致了目前剩余油分布的多样性。 受地质因素影响的剩余油富集区主要涉及油层自身和构造两方面：断层及油层边角 地带的滞留区；构造高部位及正向微型构造区。储集砂体核心部位，油层厚度大、物性 好的地区。由于地质因素在开发过程的短暂时间内不会发生变化或变化甚微，受人为影 垧小，成为影响剩余油分布的主要因素，受其影响的加密井，常能保持高产稳产。 根据其形成背景，可以将其分为两类： 的剩余油1 4 】。在高含水后期和特高含水期， 集”的分布格局。 2 3 1 由地质因素形成的剩余油分布 由地质因素形成的剩余油、由开发因素形成 地下剩余油呈“整体高度分散、局部相对富 由地质这个内因形成的剩余油分布如下： ( 1 ) 储层非均质造成的剩余油 储层非均质包括层内，层间，平面，微观这四个方面，它们都会造成剩余油。目前 影响比较显著的因素有平面微相分布，夹层，韵律，孔隙结构等。综观各种相的剩余油 1 0 第二章剩余油分布的研究 的分布。可知河流相的剩余油的含量最高，占全部剩余油的4 6 4 这是因为其砂体宽 度相对较小而且形状曲折多变井网对它难以控制常留下较多的剩余油。见图2 一l 。 ( 2 ) 微幅度构造 如果微幅度构造的高部投有钻井控制，就会形成剩余油。根据储集层微幅度构造的 形态将其分成正向微型构造、负向微型构造及斜面向微型构造。 ( 3 ) 断层附近 在断层附近，由于遮挡作用，注入水只能沿某一方向运动往往会形成注入水驱瞢 不到或水驱很差的水动力滞留区，沿断层方向易形成面积较大的条带状油区。在断块的 高部位往往会有剩余油的分布。 ( 4 ) 裂缝水窜形成的剩余油 裂缝性油田一个显著特点就是少数几口高产井控制着全油田多数的储置和产量，开 发效果好坏决定全油田的开发成败。以某火山岩油田为例，研究发现，国内多个火山岩 油田，存在相当数量快速水淹的高产井，当这些高产井水窜水淹以后，只要采取及时的 停注强排措施，油井产能大部分就可顺利恢复m 】。出现这种生产动态的原因在于裂缝 水窜水流形成连续相以后，运动粘度较低的水流形成“水锁”封闭流道中的可动油，见囤 2 2 。 圈2 - i 河道砂体边都壹差静位存在剩余油 ( 5 ) 油藏边部的零星存油区 ht i 从艚lr h g 圈2 - 2 裂奠水窜封积冒下的剩余油 在规则大型砂体的边角地区，或砂体被纵向或横向的各种泥质遮挡物形成的滞油区 ( 6 ) 油干变汇带的剩余油 这些层受注水波及程度较差，含油饱和度高且受低部位注水的影响，地层能量足 部分层投产产量较高，稳产时间较长。 2 3 2 由开发因素形成的剩余油分布 由开发原因造成的剩余油分布主要包括以下几个方面： 霉礴露 西安石油大学硕士学位论文 ( 1 ) 注采井网不完善 注采不完善一般分为3 种情况：一是油水井井况恶化，破坏了原有的注采关系，采 出程度低，形成剩余油；二是无法建立注采关系的小透镜砂体，形成剩余油；三是局部 注采不完善，造成油层基本未动用，形成剩余油。 ( 2 ) 水驱之后剩余油分布 在水驱时，油藏中的优势通道造成的未被水驱的部位，存在剩余油的分布。 ( 3 ) 聚合物驱后剩余油的分布 ( 4 ) 井间滞留区的剩余油分布处在主流线部位的油层水淹程度高，处在非主流在线 的滞留区存在一定的剩余油。 ( 5 ) 误判为“水层、干层”的剩余油 在油田早、中期开发期，由于井网稀、数据少、技术设备落后等原因，导致部分具 有工业价值的油层被误判为水层或干层。 ( 6 ) 未动用的薄、差、散、小的剩余油【l 6 1 。 ( 7 ) 开发工程原因造成的未动用剩余油。 2 4 小结 综上所述，可见影响剩余油分布的因素错综复杂，有地质因素，也有人为的开发因 素。使传统的统计方法来研究剩余油分布已越来越复杂、成本越来越高。神经网络技术 用于处理非线性、高维数据方面己日趋成熟，将其用于剩余油的研究有较光明的前景。 1 2 第三章人工神经网络 第三章人工神经网络 人工神经网络是由大量处理单元( 神经元n e u r o n s ) 广泛互联而成的网络，是对人 脑的抽象、简化和模拟，反映人脑的基本特性。人工神经网络的研究是从人脑的生理结 构出发来研究人的智能行为，模拟人脑信息处理的功能。它是根植于神经科学、数学、 统计学、物理学、计算机科学及工程学学科的一种技术。 3 1 人工神经网络概述 人工神经网络( a r t i f i c i a ln e u r a ln e t w o r k s ，a n n ) ，一种模仿动物神经网络行为特征， 进行分布式并行信息处理的算法数学模型。人工神经网络特有的非线性适应性信息处理 能力，克服了传统人工智能方法对于直觉，如模式、语音识别、非结构化信息处理方面 的缺陷，使之在神经专家系统、模式识别、智能控制、组合优化、预测等领域得到成功 应用。 神经生理学和神经解剖学证明了人的思维是由人脑完成的。神经元是组成人脑的最 基本单元，能够接收并处理信息。人脑约由1 0 1 1 1 0 1 2 个神经元组成，其中每个神经元与 大约1 0 4 1 0 5 个神经元通过突触连接。而人工神经网络正是源于对人脑神经系统的一种 模拟。它是由简单信息处理单元( 神经元) 互连组成的网络，能接受并处理信息，网络 的信息处理由处理单元之间的相互作用来实现，它是通过把问题表达成处理单元之间的 “连接权”来处理的。它与人脑的相似之处概括为两个方面：一是通过学习过程利用神经 网络从外部环境中获取知识；二是内部神经元( 突触权值) 用来存储获取的知识信息。 人工神经网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系， 从而达到处理信息的目的【1 7 】。这种网络具有自学习和自适应的能力，可以通过预先提供 的一批相互对应的输入一输出数据，分析掌握两者之间潜在的规律，最终根据这些规律， 用新的输入数据来推算输出结果，这种学习分析的过程被称为“训练”。 3 1 1 人工神经网络的基本特征 a n n 在解决复杂的或是非线性问题时，具有独特的性能。它涉及生物、电子、计算 机、数学、物理等学科，有着广泛的应用前景。近年来，国内外众多学者将其应用到石 油等领域，取得了不少成果。人工神经网络具有以下几个特征： ( 1 ) 并行分布处理 神经网络具有高度的并行结构和并行实现能力，因而具有较好的耐故障能力和较快 的总体处理能力。这特别适用于实时控制和动态控制。 ( 2 ) 非线性映射 神经网络具有固有的非线性特性，这源于其近似任意非线性变换能力。这一特性给 非线性控制问题带来新的希望。 ( 3 ) 通过训练进行学习 西安石油大学硕士学位论文 神经网络是通过研究过去的数据记录进行训练的。一个经过适当训练的神经网络具 有归纳全部数据的能力。因此，神经网络能够解决那些由数学模型或描述规则难以处理 的控制过程问题。 ( 4 ) 适应与综合 神经网络能够适应在线运行，并能同时进行定量和定性操作。神经网络的强适应和 信息融合能力使得网络可以同时输入大量不同的控制信号，解决输入信息间的互补和冗 余问题，并实现信息集成处理。这些特性特别适于复杂、大规模和多变量系统的控制。 ( 5 ) 分类与识别 神经网络对外界输入样本具有很强的识别与分