收稿日期:2008-05-27
作者简介:苏建政,高级工程师,1992年西南石油学院毕业,现在中石化石油勘探开发研究院采油所工作。地址:(100083)北京市中国石油化工股份有限公司石油勘探开发研究院,电话:010-********,E -mail:sujz@pep ris .com
开采工艺
低渗气藏压裂井稳定产能预测方法研究
苏建政
(中国石油化工股份有限公司石油勘探开发研究院)
苏建政.低渗气藏压裂井稳定产能预测方法研究.钻采工艺,2008,31(5):90-92,102
摘 要:通过分析压裂气井稳定产能与其影响因素之间的相关性,应用目前流行的BP 人工神经网络方法,建立了压后气井稳态产能预测模型,并且在Matlab 软件平台上对网络模型实现。根据现场收集的近30口气井的压裂施工数据和压后产能数据,对网络进行训练,并将训练好的网络用于同区块的压裂井稳定产能预测分析。结果表明,与常规方法相比,该方法不需要复杂数值模拟计算,预测精度可以指导现场生产,为气田在区块开发过程中压裂气井稳定产能评价提供了一种分析方法。
关键词:压裂气井;神经网络;产能评价
中图分类号:TE 319 文献标识码:A 文章编号:1006-768X (2008)05-0090-03
低渗透气藏在我国分布极其广泛,据不完全统计,全国的低渗透气藏储量约占天然气总储量的80%,水力压裂是低渗透气田提高开采效益的重要
技术手段,而压裂后气井产能分析在气田开发过程中起着十分重要的作用,尤其是对于投入开发时间较短、开发程度较低的气田,气井产能设计具有特殊重要的意义
[1]
。目前压裂后气井的投产、定产、配
产的主要依据是根据试气时计算得到的气井无阻流量,但无阻流量的计算往往因计算方法选取或测试数据的准确程度等而与实际情况差别巨大,也可采用系统试井的分析方法来确定压后气井的稳定产能。目前大量的研究人员在研究压裂井的稳定产能的各种理论计算方法,然而,影响压裂气井产能的因素较多,地质情况、气藏物性、压裂施工参数等都会对压裂后气井的稳定产能有所影响,而且这种影响具有复杂性、多样性和非线性的特点,影响程度和影响规律不明显,很难找到准确的计算公式
[3]
。另外,这些方法耗费时间,需要进行大量的现场测试,影响现场的生产,无法提高经济效益。当前迅速发展的人工神经网络已在评价、预测中广泛应用
[4]
,
利用现有压裂投产井的压裂施工参数和压后产能动态资料,分析了影响压裂后气井产能的各种影响因素,利用人工神经网络方法从宏观统计学角度来对压裂后气井稳定产能进行预测研究,这是对气井产能评价方法理论研究的一点贡献。
一、产能预测的BP 模型
1.BP 神经网络方法
人工神经网络是近几年来发展起来的一门新兴学科,它是一种大规模并行分布处理的非线性系统,可以处理那些难以用数学模型描述的系统,可以逼近任何非线性的特性,具有很强的自适应、自学习、联想记忆、高度容错和并行处理能力。BP 网络属于多层前向型的人工神经网络,由若干层神经元组成,分为输入层、隐含层和输出层,常见的BP 神经网络采用单隐层的三层网络,如图1所示。各层有多个
单元(神经元),各相邻层之间单方向互连。A 、B 、C 分别表示输入层、隐含层和输出层,q 、p 、n 表示各层的神经元数目,V 和W 是隐含层和输出层的输入权重。
2.产能影响因素分析
水力压裂是低渗透油气田提高开采效益的主要技术手段之一,但是影响水力压裂效果的因素较多,如地质特征、储层物性和地层能量等。为了达到理想的压裂效果,就要综合考虑各个影响因素之间的相互关系,找出影响压裂效果的主要因素。本方法主要考虑以下各个影响因素:
(1)储层地质主要参数包括:视厚度、泥质含量、孔隙度(%)、渗透率、含气饱和度。
(2)压裂施工参数指标:压裂液排量、加砂量、
?
09?
钻 采 工 艺
DR I L L I N G &PRODUCTI O N TECHNOLOGY
2008年9月
Sep.2008
净液量、平均砂比、施工总时间、入井总液氮、入地层净液量、注氮量、低替液量、顶替液量、液氮排量等。
以上二个方面的影响因素与压裂后气井稳定产能之间建立关系
。3.相关性分析
相关分析是研究不同变量间密切程度的一种十分常用的统计方法,相关系数是描述两个变量间的
线性关系程度和方向的统计量,涉及相关系数的数学工具是线性相关分析,又称直线相关分析,它研究两个变量间的线性程度。通常将相关系数通常用r 表示,
r xy =
l xy l xx l yy
,l xy =∑n
i =1(y i -y )
2
(1)
R 为一个无因次量,其值在(-1~+1)之间,
当相关系数等于+1或-1时,其中一个变量确切地用另一变量的线性函数来表示,r 的绝对值越接近1,则两个变量间线性相关的程度就越大。若一个变量随着另一个变量的增/减而增/减,即两变量变化的方向一致,则这种相关称为正向相关,此时r 大于零,若一个变量随着另一个变量的增加而减少,即变化方向相反,则称为负相关,此时r 小于零,若r 等于零,则可认为所分析的两个变量完全不相关。
上述所提到的近18项参数如果都作为神经网络输入项,必然会影响到网络计算的速度和精度。
因此,通过相关性分析,找出与压后产能相关性较强的几项参数来建立神经网络。相关性分析的结果如表1所示,各项因素与压后稳定产能的相关系数有所不同,这也是选择输入项参数的根本依据。
表1 各影响因素和压后稳定产能的相关系数分析表
序号
影响因素相关性系数
剩余标准差
序号
影响因素相关性系数
剩余标准差
1视厚度0.450.00310施工总时间0.2590.1912泥质含量-0.1380.04511入地层净液量0.1240.5293孔隙度(%)0.3530.07112最高施工压力-0.2950.1364渗透率0.3210.00413前置液量0.0180.9275含气饱和度0.2230.50814注氮量0.190.3046压裂液排量0.0210.63715低替液量0.0230.9087加砂量0.1390.44816顶替液量-0.0230.9078净液量0.190.09817液氮排量0.0680.7539
平均砂比
-0.179
0.372
18
总液氮量
0.097
0.861
?
19?第31卷 第5期
Vol .31 No .5
钻 采 工 艺
DR I L L I N G &PRODUCTI O N TECHNOLOGY
为了更为直观地给出各影响因素对压裂后稳定产气量的影响,我们对30口井的每一项影响因素和压裂后生产能力进行线性回归分析,并给出了实际值和理论回归曲线图(见图2)。
通过相关性分析,选取与气井产能相关性相对较大(|r|>0.1)的12项参数,作为神经网络的输入项来构建网络进行预测分析。
4.数据归一化处理
为提高网络的通用性和学习速度,在将数据带入所建立的神经网络之前,首先要对各项数据进行归一化处理,使得各组值之间具有统一的度量尺度,同时也可以消除量纲,采用目前较为规范化的方法,即:
X i=
x i-x m in
x max-x m in
(i=1,2,…,n)(2)
式中:x
i 和X
i
分别为原始数据资料的第i个输入值
和期望输出值;x
max
,x m in分别为样本中输入的最大和最小值。
5.BP网络的Matlab实现
BP网络模型的实现需要掌握计算机编程语言及较高的编程能力,这在一定程度上不利于神经网络技术的使用和推广,MAT LAB软件中的神经网络工具箱为解决这一难题提供了条件。本文采用三层BP神经网络对压裂气井稳定产能进行预测,在网络隐层节点数的选取目前尚无理论办法提供,因此通过检验模型评价能力来确定,经多次运算,并比较实验数据与经过辨识得到的模型计算值之间的误差平方和后选取为6。
该网络的拓扑结构核心代码如下:
net=init(net);
net=ne wff(m in max(P),[6,5],{‘tansig’,‘l ogsig’},‘traingd’);
net.trainPara m.epochs=2000;
net.trainPara m.goal=0.1;
LP.lr=0.1;
net=train(net,P,T)
二、分析结果
对某气田一井区的压裂后的施工工艺参数和压后稳定产能的进行BP神经网络评价。所输入的部分样本数据和测试数据如表2。
表2 神经网络训练所应用的各井样本数据和测试数据(部分)
序号井号
参数指标
厚度
(m)
泥质含量
(%)
孔隙度
(%)
渗透率
(10-3μm2)
气饱和度
(%)
平均砂比
(%)
加砂量
(m3)
净液量
(m3)
平均产能
(104m4/mon)
11-13.911.77.610.45559.6823.572306.319.15 21-1047.96.111.43.955624.586.335347.44 31-1129.18.87.70.9472.12599.7399.43.22 41-121.48.87.90.7975.225.3451786.48 51-12314.66.48.960.9578.223.128.5138.845.85 61-1314.1107.71.771.622.6100.244445.07 71-144.7108.790.965.8525.172.8290.122.80 81-1513.9156.840.29164.8522.9105.570122.35 91-176.010.9250.674.3726.158.9228.79.11 101-199.210.927.1162.725.357225.19.37
应用相关性分析得到12个评价参数指标作为输出项,在选取的30口井中随机抽选出15口井作为学习样本,另选5口井的数据作为检验样本和测试样本,每个样本均含有12个输入因子,分别是泥质含量、孔隙度(%)、渗透率、含气饱和度、视厚度、压裂液排量、加砂量、净液量、平均砂比、施工总时间、最高施工压力、入地层净液量,以压裂后的月平均产能为输出因子。为了解决网络不容易收敛的问题,本文将压后的稳定产能分为5个级别,分别用一个多向量的输出形式给出,具体为表3所示。
表3 压裂气井稳定产能区间划分和向量表示
级数
产能区间
(104m4/mon)
向量表示
A0~10(1 0 0 0 0)
B10~20(0 1 0 0 0)
C20~30(0 0 1 0 0)
D30~40(0 0 0 1 0)
E40~50(0 0 0 0 1)
(下转第102页)
指导意义。
(2)对于渗透率大的储层,裂缝闭合时间较短,裂缝闭合前压裂液的返排量对总返排量的贡献较小。故主要的返排量就集中在裂缝闭合后,裂缝导流能力对提高返排率起着重要的作用。
(3)降低破胶压裂液黏度,减轻地层二次污染,可有效的提高压裂液返排率。
符号说明
ρ—返排液的密度,kg/m3;ξ—局部阻力系数,无量纲,取0.5;r,R—分别为放喷油嘴和井筒的半径,m;P(t)—返排过程中的井口的压力,M Pa;P
—一个标准大气压,0.1MPa; p h—井筒静液柱压力,MPa;w—裂缝断面处中心宽度,m; V—泊松比;E—杨氏模量,MPa-1;C t—综合压缩系数,
MPa-1;<—地层孔隙度;μ—破胶压裂液粘度,Pa.s;K
d
—地
层渗透率μm2;L
f —裂缝半长,m;H
f
—储层厚度,m;H
w
—井
底最大缝高,m;m—裂缝划分的网格数;γ—地层岩石泊松
比,无因次;H
p —压裂液滤失高度,m;Δy
1
—y方向第一排网
格长度,m;l
xi —裂缝方向网格的长度,m;P
i
—原始地层压
力,MPa;k
r g ,k
r w
—气水相的相对渗透率,小数;P
i
—初始地
层压力,M Pa;S
w i —初始地层含水饱和度,%;S
w g
—初始地层
含气饱和度,%;η—压裂液返排率;Q—注入压裂液总体积, m3;V
c
—靠近裂缝上一排网格中压裂液所占的体积,m3;
V
w
—靠近裂缝上一排网格中水所占的体积,m3;V—靠近裂缝上一排网格孔隙总体积,m3。
参考文献
[1]米卡尔J.埃克诺米德斯,肯尼斯G.诺尔特著1张保
平,等译.油藏增产措施(第三版)[M].北京:石油工业出版社,2002.
[2]胡景宏,压裂液返排模型及应用研究[D].西南石油
大学硕士论文,2007.
[3]王鸿勋.水力压裂原理[M].北京:石油工业出版社,
1987.
[4]袁恩熙.工程流体力学[M].北京:石油工业出版社,
2001.
[5]李广扬,王能超,易大义.数值分析[M].华中科技大学
出版社,2002.
[6]王鸿勋,张士诚.水力压裂设计数值计算方法[M].北
京:石油工业出版社,1998.
[7]Holditch S A.Fact ors Affecting W ater B l ocking and Gas
Fl ow fr om Hydraulically Fractured Gas W ells[J].JPT,
Dece mber1979b.
[8]法鲁克.西维,编著.杨凤丽,侯中昊,等译.油藏伤害—
原理、模拟、评价和防治[M].北京:石油工业出版社.
2003.7.
(编辑:黄晓川)
(上接第92页)网络经初始化,利用函数Train对网络进行1944次的训练后,网络误差平方和达到了目标误差要求,即E<0.1。
BP神经网络训练完成后即可用来预测同一区块的其它压裂井的压后稳定产能,选用了10口井的数据资料做了预测分析,同时将实际稳定产能值和预测值做了对比,结果如表4所示。
表4 测试样本评价指标及BP网络预测值和实际结果比较
序号井号实际稳定产能
(104m4/d)
BP网络预测结果
(104m4/d)
是否在预
测范围内
11-2010.07B(10~20)是21-2112.08B(10~20)是31-3231.51D(30~40)是41-348.20A(0~10)是51-3941.69E(40~50)是61-413.80B(10~20)是71-4116.06B(10~20)是81-4440.28E(40~50)是91-4846.02E(40~50)是101-5914.30B(10~20)是
三、结论
(1)气井压裂后的稳定产能的计算涉及到许多因素,分析这些影响因素的关系,建立一个影响因素考虑全面而科学的训练样本集,是应用BP神经网络预测压后气井稳定产能方法的关键。
(2)现在求取压裂后气井稳定产能的计算和测试方法相比,BP人工神经网络方法具有极大的优越性和适用性,适合应用于具有一定数据积累的气田开发初期压裂井稳定产能预测。
参考文献
[1]李允,李治平.气井及凝析气井产能试井与产能评价
[M].北京:石油工业出版社,2000.
[2]阎平凡.人工神经网络与模拟进化计算[M].北京:清
华大学出版社,2000.
[3]王大力,陈玉英.前馈神经网络用于压裂效果预测
[J].石油物探,2000,39(3):121-126.
[4]孙东生,王红才.影响水力压裂效果的因素及人工神
经网络评价[J].地质力学学报,2006(12):485.
(编辑:黄晓川)