自組織神經(jīng)網(wǎng)絡技術(shù)在新油田快速評價中的應用

陳暉 胡澤根 李云鵬 葛麗珍 李彥來

(1. 中海石油(中國)有限公司天津分公司渤海石油研究院， 天津 300452；2. 中海油田服務股份有限公司， 天津 300452)

?

自組織神經(jīng)網(wǎng)絡技術(shù)在新油田快速評價中的應用

陳暉1胡澤根2李云鵬1葛麗珍1李彥來1

(1. 中海石油(中國)有限公司天津分公司渤海石油研究院， 天津 300452；2. 中海油田服務股份有限公司， 天津 300452)

利用自組織神經(jīng)網(wǎng)絡技術(shù)定量分析，優(yōu)選相似油田，快速評價及預測新油田開發(fā)方式和開采指標。以海上某油田為例進行快速評價，分類預測結(jié)果和實際情況相符。

新油田;快速評價；自組織神經(jīng)網(wǎng)絡

由于掌握的數(shù)據(jù)資料不同，不同階段的地質(zhì)油藏研究方法及研究深度也不同。一般在油田前期研究中，掌握的數(shù)據(jù)資料往往較為有限。這個階段的研究多側(cè)重于研究的廣度，一般采用類比法對適用的幾種開發(fā)思路和開發(fā)策略進行綜合對比。本次研究將結(jié)合神經(jīng)網(wǎng)絡技術(shù)研究，優(yōu)選聚類分析性能較好的自組織神經(jīng)網(wǎng)絡技術(shù)，快速找出相似的可類比油田。

1 理論依據(jù)

自組織神經(jīng)網(wǎng)絡適用于解決模式分類和識別問題[1]。其原理是，采用無導師學習算法，讓競爭層各神經(jīng)元通過競爭與輸入模式進行匹配，最后僅有一個神經(jīng)元成為競爭的勝者，這一獲勝神經(jīng)元就代表分類得到的輸入模式[2-3]。具體步驟如下：

(1) 確定訓練時可能用到的樣本集，即包括由輸入向量Pi(i=1,2,3，…，m；m為輸入層結(jié)點數(shù))與輸出向量Tk(k=1,2,3，…，n；n為輸出層結(jié)點數(shù))組成的樣本集。

(2) 通過確定神經(jīng)網(wǎng)絡的具體層數(shù)與節(jié)點數(shù)，建立神經(jīng)網(wǎng)絡模型[4]。

(3) 對權(quán)重集進行初始化。

(4) 通過實際輸入Pi,計算出Tk。

(5) 設定一個精度期望值，比較期望輸出與網(wǎng)絡計算輸出之間的誤差。若此誤差達到精度期望值，則認為所設定的權(quán)重合理，保存權(quán)重集得到可用的網(wǎng)絡模型；反之，若此誤差未達到精度期望值，則對已設定權(quán)重集進行修正，反復比較直至計算輸出達到精度要求。圖1所示為自組織神經(jīng)網(wǎng)絡拓撲結(jié)構(gòu)。

圖1 自組織神經(jīng)網(wǎng)絡拓撲結(jié)構(gòu)

2 實踐應用效果

C油田為海上前期研究階段的復雜斷塊油藏，相關(guān)資料數(shù)據(jù)非常有限，利用常規(guī)油藏工程方法快速評價C油田開采指標面臨很大困難。在此，嘗試利用自組織神經(jīng)網(wǎng)絡技術(shù)優(yōu)選類比油田，通過相似油田開發(fā)模式和開發(fā)效果對比，快速評價C油田開發(fā)模式及開采指標預測。調(diào)研了國內(nèi)9個復雜斷塊油藏，運用上述方法對網(wǎng)絡進行訓練和仿真[5-6]，最后對C油田進行聚類分析，預測C油田開發(fā)模式和開采指標。計算步驟如下：

(1) 網(wǎng)絡樣本設計，以調(diào)研的9個復雜斷塊油藏數(shù)據(jù)為網(wǎng)絡輸入樣本。表1所示為輸入樣本油藏基本參數(shù)。

表1 輸入樣本油藏基本參數(shù)

對以上樣本參數(shù)進行歸一化處理，得到網(wǎng)絡的輸入向量矩陣：

(2) 網(wǎng)絡設計。利用神經(jīng)網(wǎng)絡函數(shù)創(chuàng)建一個自組織特征映射神經(jīng)網(wǎng)絡，網(wǎng)絡競爭層為2×3的二維結(jié)構(gòu)，即競爭層有6個神經(jīng)元，可將樣本分為6類。

(3) 權(quán)重集初始化及網(wǎng)絡測試。對各權(quán)值向量進行初始化，利用訓練函數(shù)和仿真函數(shù)對網(wǎng)絡進行訓練并仿真，不斷調(diào)整網(wǎng)絡訓練步數(shù)的大小，直至經(jīng)過訓練的網(wǎng)絡可對輸入向量進行正確分類[7-8]。然后，以目標區(qū)塊參數(shù)為輸入向量對網(wǎng)絡進行測試。將網(wǎng)絡的訓練步數(shù)設置為40、80、200、500、800、1 000、1 200和1 500，分別觀察其分類性能。表2所示為不同網(wǎng)絡訓練步數(shù)聚類結(jié)果。

表2 不同網(wǎng)絡訓練步數(shù)聚類結(jié)果

對結(jié)果進行分析可知，當訓練步數(shù)為40時，樣本序號為2、3、9的油藏歸為一類，樣本序號為4、5的油藏歸為一類，其他油藏歸為一類。當訓練步數(shù)為80時，樣本序號為2、3、5、9的油藏歸為一類，序號為1、8的油藏歸為一類，其余序號的油藏歸為一類。當訓練步數(shù)為200時，樣本序號為2、3、4、5、9的油藏歸為一類，其余序號的油藏歸為一類。隨著訓練次數(shù)的不斷增多，網(wǎng)絡分類不斷細化。當訓練步數(shù)為500時，樣本序號為2、3、4、5的油藏歸為一類，其余序號的油藏歸為一類。當訓練步數(shù)為1 500時，樣本序號為2、3、4、5的油藏歸為一類(激發(fā)神經(jīng)元的索引為5)，樣本序號為6、7的油藏歸為一類(激發(fā)神經(jīng)元的索引為4)，其余序號的油藏歸為一類。將訓練步數(shù)為1 500時的分類結(jié)果與上述輸入樣本參數(shù)表進行對比可知，序號為2、3、4、5的油藏同屬于一個油田的不同復雜斷塊油藏。該網(wǎng)絡對樣本的分類和實際情況相符，驗證了此自組織神經(jīng)網(wǎng)絡的合理性與實用性。

(4) 快速評價及預測。以C油藏的參數(shù)作為輸入向量P輸入第3步訓練完成的網(wǎng)絡模型，判斷C油藏分類，快速評價C油藏開發(fā)模式及預測開采指標。輸入向量為：

P=103×

輸出結(jié)果向量為T=4，激發(fā)了網(wǎng)絡的第4個神經(jīng)元，由此判斷C油藏與序號6、7的輸入樣本聚為一類。根據(jù)油田現(xiàn)有動靜態(tài)資料綜合分析結(jié)果，認為樣本序號為6、7的油藏與C油藏確實具有可類比性。按照當前研究階段和資料掌握程度，C油藏開發(fā)方式和開采指標與這兩個油藏可類比。表3所示為可類比油藏開采指標。

表3 可類比油藏開采指標

3 結(jié) 語

油田前期開發(fā)研究中，掌握的資料數(shù)據(jù)有限，運用自組織神經(jīng)網(wǎng)絡技術(shù)優(yōu)選可類比油田，通過類比法進行快速評價符合實際開發(fā)的需要。在神經(jīng)網(wǎng)絡技術(shù)理論基礎上，編制程序?qū)崿F(xiàn)油藏開采指標快速評價具有簡單、快速、適用性廣的特點?，F(xiàn)場應用表明，該方法預測結(jié)果符合實際，能解決前期研究新油田快速評價問題。

[1] 楊淑瑩.模式識別與智能計算：Matlab技術(shù)實現(xiàn)[M].北京：電子工業(yè)出版社，2008:87-92.

[2] 從爽.面向MATLAB工具箱的神經(jīng)網(wǎng)絡理論與應用[M].合肥：中國科學技術(shù)大學出版社，1998:128-131.

[3] SIMON H.神經(jīng)網(wǎng)絡原理[M].北京：機械工業(yè)出版社，2004:156-162.

[4] 朱凱.精通MATLAB神經(jīng)網(wǎng)絡[M].北京：電子工業(yè)出版社，2010:122-126.

[5] 焦李成.神經(jīng)網(wǎng)絡系統(tǒng)理論[M].西安：西安電子科技大學出版社，1996:88-91.

[6] 郝敏.基于模糊聚類算法的自適應模糊神經(jīng)網(wǎng)絡研究[D].哈爾濱：哈爾濱理工大學，2007:3．

[7] 張軍英,許進,保錚.穩(wěn)健二進神經(jīng)網(wǎng)絡及其基本性質(zhì)研究[J].自動化學報，2001,27(5):658-664.

[8] 呂硯山,趙正琦.BP神經(jīng)網(wǎng)絡的優(yōu)化及應用研究[J].北京化工大學學報，2001,28(1):67-69.

Application of Self-Organizing Neural Network to Rapid Evaluation of New Oilfields

CHENHui1HUZegen2LIYunpeng1GELizhen1LIYanlai1

(1.Bohai Research Institute, Tianjin Branch of CNOOC Limited, Tianjin 300452, China; 2.China Oilfield Services Limited, Tianjin 300452, China)

This paper aims to instruct how to use the self-organizing neural network technology to quantitatively analyze similar oilfield, and to fast evaluate and predict the new oilfield′s development method and production index. Taking an offshore oilfield as an example, with the method in this paper, the classification prediction results fit the actual situation.

new oilfield; rapid evaluation; self-organizing neural network

2017-01-17

國家科技重大專項“渤海油田加密調(diào)整及提高采收率油藏工程技術(shù)示范”(2016ZX05058001)

陳暉(1983- )，女，碩士，工程師，研究方向為海上油氣田開發(fā)、油田綜合調(diào)整。

TE319

A

1673-1980(2017)02-0015-03