基于神经网络的南海东部砂岩油藏采收率预测方法

doi:10.13809/j.cnki.cn32-1825/te.2021.05.010

油气藏评价与开发 ›› 2021, Vol. 11 ›› Issue (5): 730-735.doi: 10.13809/j.cnki.cn32-1825/te.2021.05.010

基于神经网络的南海东部砂岩油藏采收率预测方法

李伟¹(),唐放¹,侯博恒¹,钱银²,崔传智²(),陆水青山²,吴忠维²

1. 中海石油（中国）有限公司深圳分公司,广东深圳 518067
2. 中国石油大学（华东）非常规油气开发教育部重点实验室,山东青岛 266580

收稿日期:2021-04-26 出版日期:2021-10-26 发布日期:2021-10-12
通讯作者: 崔传智 E-mail:liwei1@cnooc.com.cn;ccz2008@126.com
作者简介:李伟（1972—）,男,本科,高级工程师,主要从事油气田开发研究工作。地址：广东省深圳市南山区后海滨路（深圳湾段）3168号中海油大厦A座,邮政编码：518067。E-mail: liwei1@cnooc.com.cn
基金资助:
国家自然科学基金项目“致密油藏多段压裂水平井时空耦合流动模拟及参数优化方法”(51974343);青岛市博士后应用研究项目“致密油藏体积压裂支撑剂分布模拟与参数优化研究”(qdyy20200084)

A method for oil recovery prediction of sandstone reservoirs in the eastern South China Sea based on neural network

LI Wei¹(),TANG Fang¹,HOU Boheng¹,QIAN Yin²,CUI Chuanzhi²(),LU Shuiqingshan²,WU Zhongwei²

1. CNOOC Shenzhen Company, Shenzhen, Guangdong 518067, China
2. MOE Key Laboratory of Unconventional Oil & Gas Development, China University of Petroleum, Qingdao, Shandong 266580, China;

Received:2021-04-26 Online:2021-10-26 Published:2021-10-12
Contact: CUI Chuanzhi E-mail:liwei1@cnooc.com.cn;ccz2008@126.com

摘要/Abstract

摘要：

目前南海东部砂岩油藏采收率预测多采用数值模拟和线性回归等方法,这些方法分别存在耗时长和精度低的缺点。为了快速、准确地预测油藏采收率,选择50个已开发油藏作为数据样本,在利用主成分分析对采收率影响因素进行特征提取的基础上,运用神经网络回归法,建立了适用于南海东部海相砂岩油藏的采收率预测模型。通过与支持向量机回归和线性回归两种方法建立的采收率预测模型的预测结果对比表明,神经网络回归模型预测结果具有较高的预测精度,能够快速评价此类油藏的开发潜力。

关键词: 神经网络, 南海东部, 砂岩油藏, 采收率, 预测模型, 主成分分析

Abstract:

At present, the methods such as numerical simulation and linear regression are mostly used to predict the oil recovery of sandstone reservoirs in the eastern South China Sea, but some of them are time-consuming or with low accuracy. In order to predict the oil recovery quickly and accurately, 50 developed reservoirs are selected as the data samples. Based on the feature extraction of the influencing factors of the principal component analysis on recovery, a recovery prediction model suitable for sandstone reservoirs in the eastern South China Sea is established by the neural network. Compared with that of two methods of support vector machine regression and linear regression, the prediction results of neural network regression model have high prediction accuracy, which can evaluate the development potential of the similar reservoirs quickly.

Key words: neural network, eastern South China Sea, sandstone reservoir, oil recovery, prediction model, principal component analysis

中图分类号:

TE327

李伟,唐放,侯博恒,钱银,崔传智,陆水青山,吴忠维. 基于神经网络的南海东部砂岩油藏采收率预测方法[J]. 油气藏评价与开发, 2021, 11(5): 730-735.

LI Wei,TANG Fang,HOU Boheng,QIAN Yin,CUI Chuanzhi,LU Shuiqingshan,WU Zhongwei. A method for oil recovery prediction of sandstone reservoirs in the eastern South China Sea based on neural network[J]. Petroleum Reservoir Evaluation and Development, 2021, 11(5): 730-735.

图/表 10

图1

表1

神经网络回归训练样本数据"

油藏名称	含油面积（km²）	油层厚度（m）	孔隙度（%）	含油饱和度（%）	地层压力（MPa）	流度（10^-3 μm²/mPa·s）	井网密度（口/km²）	渗透率（10^-3 μm²）	地质储量（10⁴ m³）	采收率（%）
N1	7.2	3.5	15.8	61.0	28.6	822.1	0.98	271.3	164	76.5
N2	7.5	6.4	16.2	63.4	29.0	737.9	0.79	317.3	368	67.8
N3	8.9	2.0	16.5	61.1	29.0	656.5	0.13	282.3	134	64.5
N4	7.8	2.9	22.2	63.6	18.5	196.2	0.14	1 436.4	305	47.9
N5	5.5	5.2	15.4	61.6	29.2	534.2	1.09	192.3	193	73.4
N6	9.8	5.6	21.6	60.6	14.3	138.5	1.96	637.0	681	61.9
N7	6.4	2.8	19.9	46.5	16.0	143.5	3.21	660.0	149	62.2
N8	3.7	3.4	20.5	53.2	16.4	123.7	2.70	569.0	127	51.9
N9	10.9	5.6	21.3	75.8	20.1	345.4	2.11	1 088.0	912	67.0
$?$	$?$	$?$	$?$	$?$	$?$	$?$	$?$	$?$	$?$	$?$
N50	2.6	3.3	23.0	63.2	20.2	651.0	0.50	2 929.7	129	44.4

表1

图2

表2

表3

表4

表5

表6

图3

图4

参考文献 21

[1]	钱其豪. 海上砂岩油藏高速开发驱替特征[D]. 北京:中国石油大学(北京),2011.
	QIAN Qihao. Marine sandstone reservoir high-speed development law[D]. Beijing: China University of Petroleum (Beijing), 2011.
[2]	王锋. 盘油田复杂断块油藏注采井网优化[J]. 西安石油大学学报: 自然科学版, 2014, 29(5):58-60.
	WANG Feng. Optimization of reasonable injection-production well pattern in complex fault block of Linpan Oilfield[J]. Journal of Xi’an Shiyou University: Natural Science Edition, 2014, 29(5):58-60.
[3]	任耀宇, 张弦, 罗鹏飞, 等. 特低渗透轻质油藏热水驱提高采收率试验研究[J]. 非常规油气, 2019, 6(1):69-74.
	REN Yaoyu, ZHANG Xian, LUO Pengfei, et al. An experimental study of hot water flood for enhancing oil recovery in ultra-low permeability reservoir[J]. Unconventional Oil & Gas, 2019, 6(1):69-74.
[4]	贾凯锋, 计董超, 高金栋, 等. 低渗透油藏CO₂驱油提高原油采收率研究现状[J]. 非常规油气, 2019, 6(1):107-114.
	JIA Kaifeng, JI Dongchao, GAO Jindong, et al. The exisiting state of enhanced oil recovery by CO₂ flooding in low permeability reservoirs[J]. Unconventional Oil & Gas, 2019, 6(1):107-114.
[5]	冯沙沙, 王亚会, 李伟, 等. 南海东部砂岩油藏采收率经验公式的确定[J]. 石油化工应用, 2015, 34(1):74-77.
	FENG Shasha, WANG Yahui, LI Wei, et al. The determination of recovery factor empirical formula in Nanhai east sandstone reservoirs[J]. Petrochemical Industry Application, 2015, 34(1):74-77.
[6]	段宇, 杨东东, 王美楠, 等. 渤海水驱砂岩油藏采收率经验公式研究[J]. 石化技术, 2018, 25(9):146-147.
	DUAN Yu, YANG Dongdong, WANG Meinan, et al. The research of the method on recovery efficiency empirical formula of water-drive sandstone reservoir of Bohai oil field[J]. Petrochemical Industry Technology, 2018, 25(9):146-147.
[7]	鲁瑞彬, 刘双琪, 胡琳, 等. 水驱砂岩油田动态采收率计算新方法[J]. 西安石油大学学报(自然科学版), 2019, 34(4):60-66.
	LU Ruibin, LIU Shuangqi, HU Lin, et al. A new method for calculating dynamic recovery factor of water-flooding sandstone oilfield[J]. Journal of Xi’an Shiyou University (Natural Science Edition), 2019, 34(4):60-66.
[8]	吴春新. 基于RS-LSSVM水驱井组采出程度计算模型——以渤海黄河口凹陷为例[J]. 新疆石油天然气, 2019, 15(3):49-53.
	WU Chunxin. Calculation model of water flooding well group recovery degree based on RS-LSSVM——Taking Huanghe River sag in Bohai as example[J]. Xinjiang Oil & Gas, 2019, 15(3):49-53.
[9]	王敏, 陈民锋, 刘广为, 等. 主成分分析法确定海上油田水驱效果评价关键指标[J]. 油气地质与采收率, 2015, 22(2):112-116.
	WANG Min, CHEN Minfeng, LIU Guangwei, et al. Application of principal component analysis on determining the key evaluation indicators of water flooding effects in offshore oilfield[J]. Petroleum Geology and Recovery Efficiency, 2015, 22(2):112-116.
[10]	许晓明, 李彦兰, 孙景民. 基于模糊数学的油藏干层识别研究[J]. 西南石油大学学报(自然科学版), 2019, 41(2):45-52.
	XU Xiaoming, LI Yanlan, SUN Jingmin. Study on identification of dry layers based on fuzzy mathematics[J]. Journal of Southwest Petroleum University(Science & Technology Edition), 2019, 41(2):45-52.
[11]	WANG J K, HU J H, ZHANG Y, et al. Investigation of imbibition areas during well shut-in based on mercury injection experiment and BP neural network[J]. Fuel, 2019, 254: 115621.1-115621.8.
[12]	唐振国, 迟博, 吕金龙, 等. 基于多属性神经网络地震相的扶余油层砂体精细刻画及应用[J]. 非常规油气, 2020, 7(2):41-48.
	TANG Zhenguo, CHI Bo, LYU Jinlong, et al. Fine characterization and application of sand body in Fuyu reservoir based on seismic facies by multi-attribute neural network[J]. Unconventional Oil & Gas, 2020, 7(2):41-48.
[13]	吴君达, 李治平, 孙妍, 等. 基于神经网络的剩余油分布预测及注采参数优化[J]. 油气地质与采收率, 2020, 27(4):85-93.
	WU Junda, LI Zhiping, SUN Yan, et al. Neural network-based prediction of remaining oil distribution and optimization of injection-production parameters[J]. Petroleum Geology and Recovery Efficiency, 2020, 27(4):85-93.
[14]	杨丽娜, 解国军. 油气资源丰度预测的人工神经网络方法——以济阳坳陷为例[J]. 石油天然气学报, 2007, 29(1):55-58.
	YANG Lina, XIE Guojun. Prediction of abundance of hydrocarbon resources with artificial neural network method——Taking Jiyang depression for example[J]. Journal of Oil and Gas Technology, 2007, 29(1):55-58.
[15]	刘苏苏, 孙立民. 支持向量机与RBF神经网络回归性能比较研究[J]. 计算机工程与设计, 2011, 32(12):4202-4205.
	LIU Susu, SUN Limin. Performance comparison of regression prediction on support vector machine and RBF neural network[J]. Computer Engineering and Design, 2011, 32(12):4202-4205.
[16]	刘文超, 卢祥国, 刘进祥, 等. 一种基于BP神经网络的调驱增油预测方法[J]. 西安石油大学学报(自然科学版), 2012, 27(1):47-52.
	LIU Wenchao, LU Xiangguo, LIU Jinxiang, et al. Prediction method of oil increment of profile-control and flooding measures using BP neural network based on core flooding parameters[J]. Journal of Xi’an Shiyou University(Natural Science Edition), 2012, 27(1):47-52.
[17]	ZHOU Deqiang. Grey verhulst model based on BP neural network optimization for oil production forecasting[J]. International Journal of Energy Science, 2012, 2(3):115-118.
[18]	ZHOU Yingming, WANG Qiushi, WANG Peng, et al. Moisture content of crude oil based on BP neural network algorithm to predict in oilfield[J]. Applied Mechanics & Materials, 2012, 170-173:1290-1293.
[19]	YU S W, ZHU K J, DIAO F Q. A dynamic all parameters adaptive BP neural networks model and its application on oil reservoir prediction[J]. Applied Mathematics and Computation, 2007, 195(1):66-75. doi: 10.1016/j.amc.2007.04.088
[20]	张烈平, 周德俭, 牛秦洲. 基于BP神经网络的预测建模系统的研究与实现[J]. 计算机仿真, 2004(9):48-50.
	ZHANG Lieping, ZHOU Dejian, NIU Qinzhou. Research and realization of forecasting model system based on BP neural network[J]. Computer Simulation, 2004(9):48-50.
[21]	王涛. 人工神经网络在CO₂驱采收率预测中的应用[J]. 特种油气藏, 2011, 18(4):77-79.
	WANG Tao. Application of artificial neural network in recovery factor forecast of carbon dioxide flooding[J]. Special Oil & Gas Reservoirs, 2011, 18(4):77-79.

特征编号	特征值	方差解释率（%）	累积方差解释率（%）
1	2.91	34.19	34.19
2	2.03	23.84	58.03
3	1.51	17.71	75.74
4	0.90	10.54	86.28
5	0.45	5.23	91.51
6	0.36	4.28	95.79
7	0.21	2.51	98.30
8	0.10	1.17	99.47
9	0.04	0.53	100.00

油藏名称	含油面积（km²）	油层厚度（m）	孔隙度（%）	含油饱和度（%）	地层压力（MPa）	流度（10^-3 μm²/mPa·s）	井网密度（口/km²）	渗透率（10^-3 μm²）	地质储量（10⁴ m³）	采收率（%）
H1	4.9	3.4	18.3	53.1	17.1	75.5	2.66	2 393.7	155	46.97
H2	5.2	4.4	24.2	75.6	18.2	369.9	4.42	3 587.7	402	53.87
H3	8.2	4.1	23.7	73.3	20.2	435.5	3.02	2 526.1	559	72.30
H4	9.1	4.3	25.0	71.8	22.3	534.2	3.13	3 098.3	668	69.72
H5	10.4	10.5	21.6	66.1	24.2	439.9	5.98	1 659.8	1 485	69.85
H6	2.4	2.0	21.9	58.8	19.6	284.3	1.60	1 648.7	60	64.56

油藏名称	实际采收率（%）	神经网络预测值（%）	相对误差（%）	支持向量机回归预测值（%）	相对误差（%）	线性回归预测值（%）	相对误差（%）
H1	46.97	47.23	0.55	51.77	10.22	49.60	5.60
H2	53.87	58.43	8.46	56.97	5.75	60.72	12.72
H3	72.30	63.71	11.88	56.10	22.41	60.00	17.01
H4	69.72	71.46	2.50	49.99	28.30	64.38	7.66
H5	69.85	73.55	5.30	64.42	7.77	77.84	11.44
H6	64.56	59.33	8.10	58.23	9.80	55.22	14.47

水平	含油面积（km²）	油层厚度（m）	孔隙度（%）	含油饱和度（%）	地层压力（MPa）	流度（10^-3 μm²/mPa·s）	井网密度（口/km²）	渗透率（10^-3 μm²）
1	2	2	15	0.60	16	60	0.5	500
2	5	5	18	0.65	20	300	2.5	1 500
3	8	8	21	0.70	24	540	4.5	2 500
4	11	11	24	0.75	28	780	6.5	3 500

分析项	偏差平方和	自由度	F值	F临界值	显著性	分析项	偏差平方和	自由度	F值	F临界值	显著性
含油面积	124.00	3.00	2.03	9.28	不显著	地层压力	61.00	3.00	1.00	9.28	不显著
油层厚度	3 324.00	3.00	54.60	9.28	显著	流度	852.00	3.00	14.00	9.28	显著
孔隙度	174.00	3.00	2.86	9.28	不显著	井网密度	1 489.00	3.00	24.47	9.28	显著
含油饱和度	131.00	3.00	2.15	9.28	不显著	渗透率	631.00	3.00	10.36	9.28	显著

基于神经网络的南海东部砂岩油藏采收率预测方法

A method for oil recovery prediction of sandstone reservoirs in the eastern South China Sea based on neural network

RichHTML

PDF (PC)

赞

可视化

摘要/Abstract

引用本文

使用本文

图/表 10

参考文献 21

相关文章 15

Metrics

本文评价

推荐阅读 10

[1]	任宏,李伟奇,虢中春,杨小腾,徐健,王婋. 雅克拉区块潜山储集体类型动态量化表征及自动识别 [J]. 油气藏评价与开发, 2023, 13(6): 789-800.
[2]	罗红文, 张琴, 李海涛, 向雨行, 李颖, 庞伟, 刘畅, 于皓, 王亚宁. 致密油水平井温度剖面影响规律研究 [J]. 油气藏评价与开发, 2023, 13(5): 676-685.
[3]	林魂, 孙新毅, 宋西翔, 蒙春, 熊雯欣, 黄俊和, 刘洪博, 刘成. 基于改进人工神经网络的页岩气井产量预测模型研究 [J]. 油气藏评价与开发, 2023, 13(4): 467-473.
[4]	杨冰, 傅强, 官敬涛, 李林祥, 潘昊宇, 宋宏斌, 秦婷婷, 朱志伟. 特高含水油藏不同井网流场调整模拟与驱油效率 [J]. 油气藏评价与开发, 2023, 13(4): 519-524.
[5]	王高峰, 廖广志, 李宏斌, 胡志明, 魏宁, 丛连铸. CO₂驱气机理与提高采收率评价模型 [J]. 油气藏评价与开发, 2022, 12(5): 734-740.
[6]	潘毅,赵秋霞,孙雷,刘江,汪涛,郭德明. CO₂驱最小混相压力预测模型研究 [J]. 油气藏评价与开发, 2022, 12(5): 748-753.
[7]	郭德明,潘毅,孙扬,巢忠堂,李晓楠,程诗胜. 低渗稠油油藏降黏剂-CO₂复合驱提高采收率机理研究 [J]. 油气藏评价与开发, 2022, 12(5): 794-802.
[8]	李阳,黄文欢,金勇,何应付,陈祖华,汤勇,吴公益. 双碳愿景下中国石化不同油藏类型CO₂驱提高采收率技术发展与应用 [J]. 油气藏评价与开发, 2021, 11(6): 793-804.
[9]	张宗檩,吕广忠,王杰. 胜利油田CCUS技术及应用 [J]. 油气藏评价与开发, 2021, 11(6): 812-822.
[10]	范希彬,蒲万芬,单江涛,杜代军,覃建华,高阳. 致密砾岩油藏CO₂吞吐提高采收率可行性研究 [J]. 油气藏评价与开发, 2021, 11(6): 831-836.
[11]	施雷庭,张玉龙,叶仲斌,张景,王英伟,王睿麒,吴思彤. 玛湖砂砾岩致密油藏水平井CO₂吞吐现场试验效果分析 [J]. 油气藏评价与开发, 2021, 11(6): 871-877.
[12]	申乃敏,张连锋,李俊杰,卢俊,龙卫江,胡书奎. 泌238断块凝胶与聚合物多轮次交替注入参数优化研究 [J]. 油气藏评价与开发, 2021, 11(6): 878-883.
[13]	刘露,王勇飞,詹泽东,解金凤. 新场J₂s₂致密砂岩气藏水平井采收率主控因素研究 [J]. 油气藏评价与开发, 2021, 11(6): 890-896.
[14]	卫嘉鑫,张妍,尚教辉,吕娜,刘文超,王恒恺,马福建,张启涛. 页岩油开发初期产能控制因素分析——以长庆油田里151区为例 [J]. 油气藏评价与开发, 2021, 11(4): 550-558.
[15]	徐建平,袁远达,谢青,魏学刚,冯震. 分子动力学在聚合物驱油中的应用研究进展 [J]. 油气藏评价与开发, 2021, 11(3): 414-421.