人工神经网络在CO2驱采收率预测中的应用

文章编号：１００６—６５３５（２０１１）０４—００７７—０３　。　Ｍ　１川８￣砌Ｍ４Ｍ　

人工神经网络在ＣＯ２驱采收率　

预测中的应用　

王　涛　

（中海油田服务股份有限公司，北京ｌＯ１１４９）　

摘要：ＣＯ，驱是三次采油中最具潜力的提高采收率方法之一，准确评价和预测ＣＯ　驱的采收率　成为一项非常重要的工作。由于影响采收率的因素较多，且影响因素与采收率之间是一种非　线性、不确定的复杂关系，致使常规预测方法效率及精度不高。针对此问题编写ＢＰ神经网络　程序，引入影响采收率的５个无因次变量对于这种非线性、不确定的多变量系统进行预测，结　果表明，人工神经网络方法具有更好的自适应性，能较好地反映影响ＣＯ　驱的各种参数与采　收率的内在联系，而且预测精度较高。应用ＢＰ神经网络方法预测ＣＯ　驱采收率是可行而有　

效的。　关键词：人工神经网络；ＣＯ２驱；采收率预测；数值模拟　中图分类号：ＴＥ３１９　文献标识码：Ａ　

引　言　

国外很多油田已成功地进行大规模ＣＯ，驱并　

取得较好的效果，证明ＣＯ　驱是三次采油中最具　

潜力的提高采收率方法之一　Ｉ４　Ｊ。目前采用比较　

多的采收率预测方法有数值模拟实验、物理实验及　

曲面拟合法（也称多维回归分析法）。由于影响采　

收率的因素较多，且二者之间是一种非线性、不确　

定的复杂关系　Ｊ，致使常规数值模拟及实验方法　

费时费力，而且多维回归方法也存在模型建立困　

难、计算量大、精度较低的缺点　。神经网络法具　

有较强的自学习、自适应及自调整能力，其强大的　

非线性逼近能力使其能够很好地逼近被测对象的　

实际值　。文中尝试采用ＢＰ神经网络对ＣＯ　驱　

采收率进行预测，发现人工神经网络方法预测精度　

较高，有一定的应用价值。　

１　ＣＯ　驱主要影响参数的选取及无因次化　

ＣＯ　驱开发效果受大量地质、油藏、工艺及经　

济因素的影响　ｊ。要对如此大量的参数体系进行　

系统地分析难度很大，需要大量的时间和工作量，　方案设计更加复杂。采用无因次参数群的方法能　

够将以上参数进行归并，减少分析过程中影响变量　

的个数，提高工作效率。考虑重力稳定驱替，忽略　

非均质性、毛管力的影响，引入５个无因次影响变　量，对ＣＯ　非混相驱替过程进行分析。这５个无　

因次参数群是有效纵横比Ｒ　无因次倾角参数组　

Ⅳ　、ＣＯ：原油流度比Ｍ：、浮力Ⅳ：以及初始含油饱　和度Ｓ　其表达式分别为：　

耻寺√　㈩　

Ⅳａ　蚩　ａｎ　（２）　

（３）　

＝　

Ｔ，　Ｓｏｉ　ｒ　ｏｉ　（４）　

（５）　

式中：　为油藏厚度，ｒｒｌ；Ｌ为油藏长度，ｍ；　为平　

面渗透率，１０～　ｍ　；　为垂向渗透率，１０一　ｍ　；　。　

为原油黏度，ｍＰａ’ｓ；　为气体黏度，ｍＰａ‘ｓ；ｇｏ　

为气体相对渗透率；Ｋ　ｏ。为原油相对渗透率；△ｐ为　

收稿日期：２０１００８０７：改回日期：２０１１０４０１　基金项目：“９７３”国家重点基础研究发展计划“温室气体提高石油采收率的资源化利用及地下埋存研究”（２００６ＣＢ７０５８００）　作者简介：王涛（１９８３一），男，工程师，硕士，

２００９年毕业于中国石油大学（北京）油气田开发专业，现主要从事油藏工程、数值模拟方面的研究　７８　特种油气藏　第１８卷　

油水密　；　兰产　专　，　２．２学习训练样本的建立　ＭＰａ；　为倾角，（。）；　．为初始原油体积，ＩＩ１　；　为　………一…～一　

岩石孑Ｌ隙体积，ＩＴＩ　。　用训练样本集训练网络，实际上就是让网络自　

２神经网络预测模型的建立及预测　莩茎　票誉　喜　蛊　

２．…神经网络模型的设计　薹　

建立ＣＯ　驱采收率ＢＰ神经网络预测模型关　神经网络的学习样本集（表２）。用误差反传播算　

键在于确定该网络的拓扑结构，即输入参数、输出　法自动找出５个无因次变量和采收率之间的内部　

参数与层数。根据Ｋｏｌｍｏｇｏｒｏｖ定理可知，３层ＢＰ　表达形式，据此可以预测ＣＯ　驱采收率。　

网络充分学习后能逼近任何函数　，利用其对ＣＯ，　壅　堕固鲞垦娶笪　垩　驱采收率进行预测。该网络输入神经元结点为影　一—塑一一一　一坚堕查　一一　一一　响ＣＯ　驱的５个无因次参数变量；网络输出为ＣＯ　ＲＬ　・ｏｏｏ　。・　。・０ｏｏ　

驱采收率Ｒ，故输出层神经元有１个；根据Ｋｏｌｍ。ｇ—　Ｎａ　・’６　・　’　ｏ・ｏｏ　

ｏｒｏｖ定理，确定隐含层神经元数为４个　－　。通过　肘；　ｏ　

分析，将ＢＰ网络中间层神经元传递函数设置为Ｓ　ｏｓ　Ｏ．０１６　Ｏ．０３７　Ｏ．０５３　

型正切函数。——　————　————　三————　—一　

壅　丝　鱼兰翌　箜　查塑塑　

１．ｏｏ０　１Ｏ．Ｏｏｏ　１．ｏｏＯ　ｌＯ．Ｏｏ０　３．１６２　３．１６２　３．１６２　３．１６２　３．１６２　３．１６２　３．１６２　３．１６２　１．ｏ０ｏ　０．０３７　０．Ｏ３７　０．０３７　０．０３７　０．０１６　０．０１６　０．０５３　０．０５３　０．０３７　０．０３７　０．０３７　０．０３７　０．０３７　

２．３神经网络学习及预测效果评价　

从图１可以看出，由训练将学习样本输入之　

后，经过数万次误差反向传导迭代运算，达到了很　

好的训练效果，误差控制在０．００１以内。　

图１训练误差曲线　通过网络训练得到网络权值和阈值后，输入预测　

样本进行网络预测，从而可以检验所建模型的¨三　

确性。预测样本的选取为５个无因次变量重新组　

合后数模计算的不同于学习样本的ｌ５组数据　

（表３）。总体上来看，大多数实际输出值与期望　

输出值的误差率在８％的范围内，预测结果曲线　

如图２所示。曲线的相关系数为０．９３，这对于　

ＣＯ，驱采收率预测是一个可允许且较精确的误差　

范围，因此文中建立的神经网络预测模型在预测　

ＣＯ，驱采收率时是切实可行的。可以将此方法运　

用到现场实践中，指导ｃ０　驱采收率的预测计　

算．　５　Ｏ　Ｏ　０　５　Ｏ　Ｏ　Ｏ　Ｏ　０　Ｏ　Ｏ　５　∞∞矾　够　＂　砸　５　５　５　５　５　５　５　５　４　４　６　６　５　Ｏ　Ｏ　Ｏ　Ｏ　Ｏ　Ｏ　０　０　Ｏ　Ｏ　Ｏ　Ｏ　Ｏ　∞如如如　∞如∞如　∞∞＂＂＂＂　∞　∞＂　１　ｌ　Ｏ　Ｏ　４　４　４　４　１　Ｏ　１　Ｏ　４　ｌ　２　３　４　５　６　７　８　９　ｍ

¨　第４期　王涛：人工神经网络在ＣＯ　驱采收率预测中的应用　

表３神经网络预测样本数据　７９　

ｌ００　８０　６０　４０　２０　０　１　３　５　７　９　ｌ１　１３　１５　样本数量／个　０　数值模拟计算采收率　－ｍ－－神经网络预测采收率　

图２神经网络预测采收率与数模计算采收率对比曲线　

３结论　

（１）ｃｏ　驱影响因素与采收率之间是一种非　

线性、不确定的复杂关系，采用常规的实验及多元　

线性回归方法不能满足实际预测的需要。　

（２）采用无因次参数群的方法能够将影响　

ｃｏ：驱的大量参数进行归并，减少分析过程中影响　

变量的个数，提高研究工作效率。　

（３）ＢＰ网络预测结果表明，预测值与实际值　

较为吻合，误差相对较小，预测模型可靠。训练好　

的网络具有良好的简单性和通用性，提高了ＣＯ，　

驱采收率预测的准确性和效率。　

参考文献：　

［１］高慧梅，何应付，周锡生．注二氧化碳提高原油采收率　技术研究进展［Ｊ］．特种油气藏，２００９，１６（１）：６—７．　［２］熊钰，孙雷，李士伦，等．辽河稀油区注ＣＯ：提高采收　率潜力实验评价［Ｊ］．西南石油学院学报，２００１，２３　（２）：３０—３２．　［３］彭远进，刘建仪，王仲林，等．注气混相驱中水气切换　问题实验研究［Ｊ］．天然气工业，２００５，２５（９）：８６—８８．　［４］李士伦，郭平，戴磊，等．发展注气提高采收率技术　［Ｊ］．西南石油学院学报，２０００，２２（３）：４１—４５．　［５］王涛，姚约东，朱黎明，等．Ｂｏｘ—Ｂｅｈｎｋｅｎ法研究二氧　化碳驱油效果影响因素［Ｊ］．断块油气田，２０１０，１７　（４）：１５．　［６］张利华，章丽萍．基于ＢＰ＿ＧＡ的企业新产品成本预测　［Ｊ］．商场现代化，２００５，３４（１０）：２１３．　［７］杨庆军，邓春呈，杨永利，等．人工神经网络在低阻油　层识别上的应用［Ｊ］．特种油气藏，２００１，８（２）：８．　［８］王涛，姚约东，李相方，等．二氧化碳驱油效果影响因　素与分析［Ｊ］．中国石油和化工，２００８，１５（２４）：３１．　［９］李曾任．人工神经元网络及其应用［Ｍ］．北京：清华　大学出版社，１９９９：２３—８９．　［１０］李中亚，韩家新，杜美华．学习矢量量化网络在油藏　描述中的应用［Ｊ］．特种油气藏，２００７，１４（５）：３２—　３３．　编辑姜

岭