神经网络预测储层砂岩粒度纵向剖面.docx

1、断块油IHIFAULTBLOCKOIL&CASFIELDdoi:10.6056/elievethatthecharacteristicvalues(心,UC)ofreservoirgrainsizeisthedesignbasis(hrsandcontrolcompletion.Basedonllirrelevanceofgammalogging,densityloggingtothegrainsizecharacterislicvalues,weestablishedIhesamplelibraryofwellsgamma,densitylogandgrainsizevalues.Using

2、neuralnetworktechnology,theleuniingnetworkprojectwastrained,thencombinedwithloggingdatadevelopmentblM-k,theverticalprofilesofenlirrreservoirgrainsizewasestablish(*(l.IhisteThnologyisveryimportanttosandcontrolcompletionforthereservoirlackofgrainsizedata,itprovidesanaccuratebasisforprojectdesignandhas

3、agiwxlapplicutioneffectinthefield.Keywords:grainsizecharacteristicvalut%loggingdate;neuralnetwork;samplelibrary;verticalprofile引用格式:李律,藏水湾.刘常红.等.神经网络预测储层砂岩秘度纵向剖而J.断块油nm,2014.21(4):449-452.IPing.FanYongtao.UuChanghung,ctal.UsingneuralnetworktopredictverticalprofileofgrainsizeofreservoirsandstoneJ.Fau

4、lt-Block(hl&GanField,2014.21(4)：449-452.0引言我国海I.疏松弱固结砂岩的分布很广，在开采过程中常伴随油井出砂，给油气生产造成巨大危害。近儿卜年来，来清储层砂岩粒度特性，是选择更为有效的防砂万案的难题之二储层砂岩粒度特性，是在漫长的地质年代过程中形成的，成因复杂。在钻井过程中，通常通过不同的测井万法来判断砂岩的特性，但还没有很好的方法来通过测井接判断砂岩的粒度特性。钻井中储层的取心成本相当高，且取心井段有限,这就需要寻求一种新的方法12,利用丰富的测井资料及有限的取心资料来认清储层砂岩的粒度特性.为防砂方式的选择提供理论依据，常用测井方法主要:为声波、自然

5、伽马、密度、补偿中子、自然电位等。声波在岩层中的传播速度、岩石密度、伽马等测井项在一定程度上和地层岩石粒度存在相关性，但这种相关关系岌杂，其有非线性、不明确性的特点.利用神经网络对此进行研究具右特有的优势，并已在孔隙度、渗透率等储层物性方面得到了-定程度的应用%在粒度预测方面也已进行了部分研究。最早在1990年.Rider和Hurst就单独应用伽马测井收稿日期：2014-01-03；改回日期：201404-26作者简介：乍停.女.1982年生.博1:.2012年毕业F中N石油大学（北京）油气井1程此，主要从出油气井防砂完井及勘油热采方面的研究I.作E-mail:叩pk、_lpI计算了粒度的分布

6、趋势.但误差较大，存在一定的局限性1999年.Oyeneyin和Faga首先利用神经网络方法对粒度分布进行预测.认为利用电缆测井数据.采用神经网络技术预测粒度是可行的，并应用这种方法对砾石充填防砂完井的砾石尺寸进行了优化设计：叟。国内这方面的研究还相当少.杨斌、匡立春等9只在神经网络应用中简单提到粒度中值的解释模型。我国海上常用的防砂依据主要为粒度中值以您）、均质系数（UC）、细颗粒（45头m）质员分数等粒度特征值,其中最取要的为dm.其次为C。在前人研究的基础上，针对实测粒度数据少和无实测粒度数据生产井的防砂.提出利用神经网络进行整个储层段的粒度分布预测技术，从而为防砂设计提供依据。1BP网

7、络的建立BP网络是一个利用误差反向传播算法对网络进行训练的前向多层网络.结构简单，可塑性强.在多个领域得到了广泛应用。应用神经网络技术址，以实测激光粒度数据为训练样本.利用测井数据对网络进行训练，对没有粒度数据的井进行粒度预测是可行的。国外对d您分布进行了预测，利用MATLAB软件中强大的Simulink仿真f从测井项与粒度数据存在的非线性关系入手，分析.建立数据库的样本，利用3层BP神经网络进行训练学习.应用测井资料及训练好的网络实现粒度特征值的纵向剖面预测.具体步骤见图1。神经网络馈濯粒度特征值测井瓷科与W度特征（ft相关性分析建立训炼样本库（GR.DEN.dK.VC）利用训练好的网堵.同

8、时W实现相近沉积持征邻近区块的检度分布剖面预测图1神经网络预测I储层粒度分布割面步骤握取WI层段科井资料储房段粒度测试.分析粒度参数确定样本库的测井项（GR.DEN）和粒度特征值gUC）利用训炼好的网络.输入需要预测W!层段的测井数据项（GR.DEN）可债测整个储层段粒度特征值gUC）的纵向分布舸而确定3层BP1*经网培算法.采用2x”x2的网络结构确定隐单元个数及层之间的传递函数、网络训练函数、权值圈值学习函数、目桁两散利用株本库进行网?当误是满足要求告学习和误差分析.,完成网络学习2训练样本的建立分析测井资料与粒度实测数据的相关性，确定该方法需要的测井项，建立测井数据项与粒度实测特征值的样

9、本库为神经网络学习的样本。Faga丁的研究认为，应用较多的测井项会增加神经网络的“噪音”，必须选择与储层粒度相关性最好的儿项测井数据，、伽马测井项与粒度具有很好的反向相关性.伽马测井值越高的地方，粒度值越低；密度测井项与粒度也具有很好的反向相关性，地层密度越高、压实程度越好，孔隙度相对较小，储层的颗粒越小；声波测井项与粒度具有较好的正向相关性.声波时差越小，声波速度越快.地层压实程度越好，储层的颗粒越小。储层岩石颗粒的大小诃以很好地反映在声波、密度、伽马测井曲线上，而中子、门然电位等测井项和粒度没有较高的相关性，如果引入会导致神经网络学习函数收敛性差；声波测井数据变化幅度较大，在一定程度上增加

10、了噪音：因此,不建议将者引入输人向量。下面选取伽马、密度和粒度的特征数据作为网络训练的输入样本。以南海某油田A为例，整体埋深1000m左右.储层位于新近系角尾组二段地层，油藏类型为构造油藏分析认为.探井A-1井钻遇油层位于角尾组二段顶部一套连续油层LI,细分为低阻层和高阻层。A油田岩心数据缺乏，岩性福弱固结砂岩，给防砂和生产提出r更大的挑战由于周边另一油田B同届于该油山群，沉积模式相似，粒度预测可加以借鉴，但直接利用B油田LI油组粒度数据，明显误差很大；故利用周边B-1井（储层J2I的粒度数据比较多而全面）的粒度数据和测井数据作为训练样本库（见表1）,从而预测A油田的粒度分布情况，以提高预测该

11、油田储层砂岩粒度特征值的精度。1B-1井训练样本井深/m密度/Cft/APIdjJyjnUC细颗粒质量分散/务962.62.15175.038136.7533.9126.73963.02.08867.027135.2523.0322.51963.22.07366.937132.7323.2823.75963.42.06969.312)55.148.2512.08963.72.07474.395141.8420.2526.02980.02.17662.027154.782.045.50980.22.18562.187148.014.0910.49980.42.19562.763154.351.9

12、65.11980.62.19763.711155.921.995.65980.82.19664.068147.202.648.801000.12.15446.514207.153.848.371000.32.16844.219202.173.647.011000.52.15943.964254.714.298.651000.72.14544.672280.214.497.451000.92.14745.053257.816.6910.36:1007.32.48654.752138.7424.1924.663网络结构设计网络结构为1个隐层的3层前向BP网络结构，输人神经元为2个（密度、伽马测井值

13、），输出神经元为2个（d%UC）,选择隐箪元的参考公式为y/n+m+a（1）式中：小为隐单元数述为输入单元数次为输出神经元数;aw1,10Jo根据式（I）,隐单元个数为312。通过网络的训练，最终选取12个隐单元，形成1个2x12x2的3层网络。层之间的传递函数，采用中间层“tansig”（双曲正切S型传递函数）、输出层Togsig”（S型的对数传递函数），网络训练函数采用“trainlm”，速度下降快。权值和阈值的BP学习算法采用梯度下降动量学习函数“learngdm”，目标函数选取网络误差平方和的均值，训练均方误差（MSE）选为0.001,可满足工程需要。4网络学习及误差分析利用MATLA

14、B神经网络工具箱，实现对粒度特征值神经网络的设计和编程。设计的BP网络收敛速度较快，能很快达到目标误差0.001,样本训练后的网络输出值和实测值的对比曲线及绝对误差如图2、图3所示。10001010970980990井深/ma粒度中值井深Anb均质系数图2训练后网络样本输出与实测值对比I000井深/m井深/ma裁度中值b均质系数图3BP网络的绝对误差分析由图2可知，该网络的性能完全达到需要，&，和实测数据具有很好的吻合性，UC和实测数据预测结果稍差。这是因为UC的变化范围较大，在归一化上很难把握，且现有的粒度测试手段本身对t/C的影响也比较大。由图3可知，dso的绝对误差基本控制在20am以内

15、，C的绝对误差基本控制在5以内，可满足工程的需要。5应用利用训练后的网络对邻近区块探井A-1的储层段进行了粒度特征值的预测（见图4）,并与实测的几个点进行对比结果发现,djoUC的预测和实测吻合都比较好，弥补了A油田L开发储层防砂设计时粒度数据缺乏的问题。井深/ma粒度中值井深/mb均质系数图4训练后网络预测邻近区块粒度特征他线由A-1井的心,UC预测整个储层纵向粒度分布剖面，利用Saucier方法、Tifferi方法Johnson方法等设计方法对生产井的防砂方案进行设计防砂方式及参数优选结果见表2。表2A油田水平开发井防砂方案设计井号储层段防砂方式充填尺寸/目挡砂档度/junA12hJ；低阳

16、层优质辩管+砾石充坟20-40210A4sbh.AllhJ扃阻层优质筛管+砾石充填16-303006结论1) 测井曲线和储层粒度之间存在着非线性关系，利用神经网络技术，在一定程度上预测出储层粒度的分布规律，为防砂设计提供依据。2) 找出密度和伽马测井项和粒度特征值d%,UC作为输入样本，建立前向BP网络(3层网络2x12x2),进行了样本的训练，网络性能收敛性好。3) 实现了对邻近区块储层粒度特征值的预测。利用邻近B油田同储层L的测井和粒度数据作为训练样本库，预测出了A油田的粒度分布规律，与有限的几点实测对比，具有很好的一致性，能够满足工程设计的需要。参考文献1何生厚，张琪.油,井防砂理论及共

17、应用MJ.北京：中国石化出版社,2003:1-12.2J万仁溥.现代完井工程：M.3版.北京：石油工业出版社,2000:14-35.3 HamadaGM.ElshafeiMA.NoiindnetworkpredictionofporosityandpermeabilityofheterogeneousgassandreservoirsR；.SPE126042.2009.4 SinghS.PermeabilitypredictionusingArtificialNeuralNetwork(ANN)：AcasestudyofUintaBasin1R.SPE99286,2(X)5.5 WongPM,

18、BrooksLJ.PermeabilitydeterminationusingncuranlnetworksintheRavvaField.OffshoreIndiaR.SPE38034,1998.6：OyeneyinBM,EagaAT.Fomiation-grair-izepredictionwhilstdrilling：AkeyfactorinintelligentsandcontrolcompletionsKj.SPE56626.1999.7FaaAT,OyencyinBM.ApplicationofneuralnetworksforimprovedgravelpackdesignRj.SPE58722,2(XX).8:FagaAT.OycneyinBM.Effectsofdiagenis