基于BP神经网络的低渗透底水油藏油井见水模式预测模型

doi:10.12388/j.issn.1673-2677.2024.02.005

摘要/Abstract

摘要：

注水开发使得低渗透底水油藏油井见水模式更加复杂，需要进一步明确及预测油井见水模式来针对性地指导水淹治理措施。神经网络模型具备处理多元回归问题和计算速度快等优势，可被用于分析地质工程多因素参数与油井见水模式的内在关系，构建见水模式预测模型。在油井见水模式划分的基础上，通过灰色关联理论和神经网络算法对BCL低渗透底水油藏油井见水模式的主控因素和预测模型进行了研究。发现水层厚度、隔夹层数、隔夹层长度和避水高度是该类油藏注水开发下影响油井见水模式的主控因素。基于主控因素结合神经网络算法建立了油井见水模式预测模型。通过对18组测试数据进行验证，平均预测误差1.4%，获得了较好的预测精度。通过易于获取的主控因素快速预测注水开发低渗透底水油藏油井的见水模式，为该类油藏的高含水针对性治理提供基础依据。

关键词:

神经网络, 预测模型, 见水模式, 主控因素, 低渗透底水油藏

Abstract:

Water injection development makes the water breakthrough patterns of low-permeability bottom water reservoirs more complex，requiring further clarification and prediction to guide targeted waterflooded treatment measures. With the advantages of handling multiple regression problems and fast computation，neural network models can be used to analyze the inherent relationship between engineering geological multi-factor parameters and water breakthrough patterns and establish prediction models of the patterns. Based on the classification of water breakthrough patterns，this paper studied the main controlling factors and prediction models of water breakthrough patterns of BLC low-permeability bottom water reservoirs through grey correlation theory and neural network algorithms. The results show that the thickness of the bottom water，the number of interbeds，the length of interbeds，and the height of the water-avoiding perforation section are the main controlling factors affecting the water breakthrough patterns under water injection development of such reservoirs. Based on the main controlling factors and neural network algorithms，a prediction model of water breakthrough patterns was established. By verifying 18 test data sets，the model achieved an average prediction error of 1.4%，with good prediction accuracy. The water break through patterns of low-permeability bottom water reservoirs under water injection development can be quickly predicted through easily obtainable main controlling factors，providing a primary basis for targeted treatment of high-water-containing reservoirs.

Key words:

neural network, prediction model, water breakthrough pattern, main controlling factor, low-permeability bottom water reservoir

中图分类号:

TE357 ','1');return false;" target="_blank">
TE357

蒲万芬, 靳星, 唐晓东, 白园园, 王遨宇.

基于BP神经网络的低渗透底水油藏油井见水模式预测模型

[J]. 新疆石油天然气, 2024, 21(2): 37-.

PU Wanfen, JIN Xing, TANG Xiaodong, BAI Yuanyuan, WANG Aoyu.

Prediction Model of Water Breakthrough Patterns of Low-Permeability Bottom Water Reservoirs Based on BP Neural Network

[J]. Xinjiang Oil & Gas, 2024, 21(2): 37-.

参考文献

［1］王福林. 底水油藏底水锥进及人工隔层稳油控水机理研究［D］. 黑龙江大庆：大庆石油学院，2010.WANG F L. Research on water coning and artificial interlayer control coning to enhance oil recovery mechanism of bottom water reservoir［D］. Daqing，Heilongjiang：Daqing Petroleum Institute，2010.

［2］党乐征. 边底水油藏稳产技术对策研究［D］. 陕西西安：西安石油大学，2020.DANG L Z. Technical measures for stable production of edge and bottom water reservoirs［D］. Xi'an，Shaanxi：Xi'an Shiyou University，2020.

［3］魏艳. 边底水油藏水侵模拟实验研究［D］.山东青岛：中国石油大学（华东），2014.WEI Y. Simulation experimental study on water invasion in the edge and bottom water reservoirs［D］. Qingdao，Shandong：China University of Petroleum（East China），2014.

［4］艾小凡，张景皓，陈静. 丰富川高含水特低渗油藏注水优化技术［J］. 辽宁石油化工大学学报，2020，40（3）：52-56.AI X F，ZHANG J H，CHEN J. Water Injection optimization technology in high water cut period of ultra-low permeability reservoir in Fengfuchuan Oilfield［J］. Journal of Liaoning Shihua University，2020，40（3）：52-56.

［5］胡俊杰，马珍福，邵现振，等. 底水稠油油藏润湿性对水锥回升的影响［J］. 油田化学，2022，39（4）：644-650.HU J J，MA Z F，SHAO X Z，et al. Effect of wettability on water cone in bottom water reservoir［J］. Oilfield Chemistry，2022，39（4）：644-650.

［6］姜汉桥，姚军，姜瑞忠，等.油藏工程原理与方法［M］. 山东青岛：中国石油大学出版社，2006：90-98.JIANG H Q，YAO J，JIANG R Z，et al. Principles and methods of reservoir engineering［M］. Qingdao，Shandong：China University of Petroleum Press，2006：90-98.

［7］MUSKAT M，WYCOKOFF R D. An approximate theory of water-coning in oil production［J］. Transactions of the AIME，1935，114（1）：144-163.

［8］MEYER H I，GARDER A O. Mechanics of two immiscible fluids in porous media［J］. Journal of Applied Physics，1954，25（11）：1400-1406.

［9］JU B S，QIU X F，DAI S G，et al. A study to prevent bottom water from coning in heavy-oil reservoirs：design and simulation approaches［J］. Journal of Energy Resources Technology，2008，130（3）：102-108.

［10］LIU Y C，WANG J，MENG J X，et al. A New method for development of bottom-water reservoir without natural barrier［J］. Xinjiang Petroleum Geology，2010，31（5）：536-538.

［11］SOBOCINSKI D P，CORNELIUS A J. A correlation for predicting water coning time［J］. Journal of Petroleum Technology，1965，17（5）：594-600.

［12］CHIERICI G L，CIUCCI G M，PIZZI G. A systematic study of gas and water coning by potentiometric models［J］. Journal of Petroleum Technology，1964，16（8）：923-929.

［13］袁清芸. 底水油藏油井见水时间预测［J］. 石油地质与工程，2018，32（5）：73-5、124.YUAN Q Y. Water breakthrough time prediction of oil wells in the bottom water reservoir［J］. Petroleum Geology & Engineering，2018，32（5）：73-5，124.

［14］何军，张玉丰，陈烨菲，等. 多层系边底水气藏生产动态特征及见水时间预测方法［J］. 中国科技论文，2023，18（5）：555-561，566.HE J，ZHANG Y F，CHEN Y F，et al. Production performance characteristics and water breakthrough time prediction of multi-layer edge and bottom water gas reservoir［J］. China Science Paper，2023，18（5）：555-561，566.

［15］程晓军. 超深断溶体油藏油井见水特征及生产制度优化——以塔里木盆地顺北油田Z井为例［J］. 新疆石油地质，2021，42（5）：554-558.CHENG X J. Characteristics of water breakthrough and optimization of production system of oil wells drilled in ultra-deep fault-karst reservoirs：A case study on Well Z in Shunbei Oilfield，Tarim Basin［J］. Xinjiang Petroleum Geology，2021，42（5）：554-558.

［16］吴浩君，姜永，刘洪洲，等. 砂砾岩潜山边底水复合油藏见水特征分析［J］. 新疆石油天然气，2021，17（1）：43-47、64.WU H J，JIANG Y，LIU H Z，et al. Analysis on water breakthrough characteristics of edge bottom water composite reservoir in glutenite buried hill［J］. Xinjiang Oil & Gas，2021，17（1）：43-47，64.

［17］余佩蓉，齐晓霞. 鄂尔多斯盆地某区块油井见水特征分析［J］. 石油地质与工程，2019，33（1）：76-79.YU P R，QI X X. Water breakthrough characteristics of a block in Ordos Basin［J］. Petroleum Geology & Engineering，2019，33（1）：76-79..

［18］金永辉，陈儒兵，李源流，等. 低渗透底水油藏油井见水类型及影响因素研究［J］. 新疆地质，2022，43（2）：242-245.JIN Y H，CHEN R B，LI Y L，et al. Study on water breakthrough types and influencing factors of oil wells in low permeability reservoir with bottom water［J］. Xinjiang Geology，2022，43（2）：242-245.

［19］谷建伟，周梅，李志涛，等. 基于数据挖掘的长短期记忆网络模型油井产量预测方法［J］. 特种油气藏，2019，26（2）：77-81.GU J W，ZHOU M，LI Z T，et al. Oil well production forecast with long-short term memory network model based on data mining［J］. Special Oil & Gas Reservoirs，2019，26（2）：77-81.

［20］薛永超，袁志乾，金青爽，等. 基于深度森林算法的油井产量预测［J］. 科学技术与工程，2022，22（11）：4327-4334.XUE Y C，YUAN Z Q，JIN Q S，et al. Production prediction of oil well based on deep forest algorithm［J］. Science Technology and Engineering，2022，22（11）：4327-4334.

［21］韩益东，尹洪军，徐国涵，等. 基于机器学习的高含水期油井产量预测方法［J］. 河南科学，2022，40（10）：1569-1575.HAN Y D，YIN H J，XU G H，et al. Prediction method of oil well production in high water cut period based on machine learning［J］. Henan Science，2022，40（10）：1569-1575

［22］李宏波，罗平亚，白杨，等. 机器学习算法概述及其在钻井工程中的应用［J］. 新疆石油天然气，2022，18（1）：1-13.LI H B，LONG P Y，BAI Y，et al. Summary for machine learning algorithms and their applications in drilling engineering［J］. Xinjiang Oil & Gas，2022，18（1）：1-13.

［23］敬海锋. 白狼城油区长2油层组油藏精细描述［D］.陕西西安：西安石油大学，2016.JING H F. Fine description of Chang 2 reservoir in Bailangcheng oil region［D］. Xi'an，Shaanxi：Xi'an Shiyou University，2016.

［24］刘学军，高玉峰，贺一凡，等. 基于BP神经网络的围岩质量分类研究［J］. 水力发电，2022，48（9）：51-55.LIU X J，GAO Y F，HE Y F，et al. Research on quality classification of surrounding rock based on BP neural network［J］. Water Power，2022，48（9）：51-55.

［25］赵德康，韩冰，冯国瑞，等. 基于LC-SSA-BP神经网络模型的煤层导水断裂带高度预测［J］. 煤矿安全，2023，54（5）：78-83.ZHAO D K，HAN B，FENG G R，et al. Prediction of coal seam water conduction fault zone height based on LC-SSA-BP neural network model［J］. Safety in Coal Mines，2023，54（5）：78-83.

［26］李展峰，张占女，王树涛，等. M1-1油田厚陡窄复杂油藏水平井产能预测方法研究［J］. 石油地质与工程，2020，34（2）：71-75.LI Z F，ZHANG Z N，WANG S T，et al. Study on productivity prediction method of horizontal wells in thick，steep，narrow complex reservoirs of M1-1 Oilfield［J］. Petroleum Geology & Engineering，2020，34（2）：71-75.

［27］黄迎松. 灰色关联分析法在产量递减主控因素确定中的应用［J］. 石油地质与工程，2018，32（4）：92-94.HUANG Y S. Application of grey relational analysis in determining the main controlling factors of production decline［J］. Petroleum Geology & Engineering，2018，32（4）：92-94.

［28］郭素杰，李景卫，于伟高，等. 基于知识驱动数据挖掘技术在复杂储层评价中的应用［J］. 石油钻采工艺，2022，44（2）：247-252.GUO S J，LI J W，YU W G，et al. Application of knowledge-driven data mining in the complex reservoir evaluation［J］. Oil Drilling & Production Technology，2022，44（2）：247-252.

［29］申卯兴，薛西锋，张小水. 灰色关联分析中分辨系数的选取［J］. 空军工程大学学报：自然科学版，2003，19（1）：68-70.SHEN M X，XUE X F，ZHANG X S. Determination of discrimination coefficient in grey incidence analysis［J］. Journal of Air Force Engineering University（Natural Science Edition），2003，19（1）：68-70.

［30］MITTAL S，PATHAK S，DHAWAN H，et al. A machine learning approach to improve ignition properties of high-ash Indian coals by solvent extraction and coal blending［J］. Chemical Engineering Journal，2021，413：127385.

［31］罗发强，刘景涛，陈修平，等. 基于BP和LSTM神经网络的顺北油田5号断裂带地层孔隙压力智能预测方法［J］. 石油钻采工艺，2022，44（4）：506-514.LUO F Q，LIU J T，CHEN X P，et al. Intelligent method for predicting formation pore pressure in No.5 fault zone in Shunbei Oilfield based on BP and LSTM neural network［J］. Oil Drilling & Production Technology，2022，44（4）：506-514.

［32］CHEN H，WANG Y，ZUO M，S，et al. A new prediction model of CO₂ diffusion coefficient in crude oil under reservoir conditions based on BP neural network［J］. Energy，2022，239（C）：122286.

［33］李雨，侯磊，徐磊，等. 基于混合BP神经网络的原油管道电耗预测研究［J］. 石油化工高等学校学报，2022，35（2）：68-73.LI Y，HOU L，XU L，et al. Power consumption prediction method for crude oil pipeline based on hybrid BP neural network［J］. Journal of Petrochemical Universities，2022，35（2）：68-73.

［34］张晓文，杨煜普，许晓鸣. 神经网络传递函数的功能分析与仿真研究［J］. 计算机仿真，2005，22（10）：183-185.ZHANG X W，YANG Y P，XU X M. Genetic optimization for neural network evolving with function based coding［J］. Computer Simulation，2005，22（10）：183-185.

[1]	李嘉成, 田刚, 王俊超, 张腾, 佟亮. 岩心-测井-地震信息二步匹配预测页岩储层层理缝 [J]. 新疆石油天然气, 2024, 20(1): 21-30.
[2]	陈神根, 徐金山, 张鑫, 王瑞, 张莉伟, 李海福. 新疆油田强水敏砾岩油藏二氧化碳驱连通特征 [J]. 新疆石油天然气, 2024, 20(1): 44-51.
[3]	李敬松, 刘子雄, 寇双燕, 张秀敏, 刘汝敏, 王金伟. 致密气藏气井产水主控因素研究 [J]. 新疆石油天然气, 2022, 18(4): 20-25.
[4]	王记俊, 周海燕, 孙强, 凌浩川, 杨磊, 敖璐. 窄条带状油藏油井含水上升特征及影响因素[J]. 新疆石油天然气, 2022, 18(3): 77-81.
[5]	梁志艳. 塔河油田超深裸眼井段垮塌预测模型构建[J]. 新疆石油天然气, 2021, 17(2): 73-77.
[6]	汤志, 镇国钧, 陈兴炳, 刘晔, 游婷. 昭通黄金坝YS108区块页岩气产能主控因素分析[J]. 新疆石油天然气, 2018, 14(3): 58-62.
[7]	于庆森, 木合塔尔, 董宏, 王倩. 车排子油田沙湾组稠油油藏储层特征及主控因素研究[J]. 新疆石油天然气, 2017, 13(1): 6-9.
[8]	刘俊田, 任淑玲, 曾文, 强金美, 蒋凯旋. 马朗凹陷西山窑组岩性油藏成藏条件与主控因素[J]. 新疆石油天然气, 2014, 10(1): 1-6.
[9]	秦莉, 雷玲, 王屿涛, 杨作明, 杨新峰, 熊维莉. 准噶尔盆地天然气产量增长趋势及加快发展策略[J]. 新疆石油天然气, 2014, 10(1): 55-61.
[10]	徐锋, 金蓉蓉, 李朋辉, 崔彦, 谢昕. 高含硫气藏元素硫形成机理及硫沉积预测研究[J]. 新疆石油天然气, 2013, 9(4): 32-36.
[11]	刘俊田, 胡前泽, 张日供, 田琳, 崔娥. 三塘湖盆地芦草沟组成藏特征探讨[J]. 新疆石油天然气, 2013, 9(3): 1-4.
[12]	翟亚梅, 蔡必金, 张秋梅, 邹海霞, 曾文. 吐鲁番坳陷南部斜坡带油气成藏条件分析[J]. 新疆石油天然气, 2013, 9(1): 1-5.
[13]	刘俊田, 翟亚梅, 苟红光, 任红, 马强. 吐哈盆地托克逊凹陷油气成藏地质条件及勘探潜力[J]. 新疆石油天然气, 2012, 8(3): 1-6.
[14]	刘明娟, 林付利, 张保康, 蔡荣蔚. 存在井间干扰时的油藏压实和地面变形预测[J]. 新疆石油天然气, 2012, 8(1): 82-85.
[15]	郑雷清. 横波参数构建技术在岩性油气藏勘探中的应用[J]. 新疆石油天然气, 2011, 7(4): 7-9.