论文部分内容阅读
摘要：我国多数油田经过一次、二次采油后，仅能采出地下总储量的30%左右，这意味着有60%～ 70%的剩余石油仍然残留在地下成为剩余油。加强剩余油分布规律研究、提高石油采收率不仅有着可观的经济效应，而且关系到国家石油战略的安全。
本研究应用神经网络的原理，基于BP网络使用MATLAB语言建立一个剩余油分布的预测系统。该系统通过学习在地理坐标和孔隙度之间建立一个非线性函数关系，以此来预测任何区域的孔隙度，再通过孔隙度与剩余油饱和度之间的关系达到剩余油分布预测的目的。
关键词：神经网络；剩余油分布；BP网络；预测
中图分类号：TP183文献标识码：A文章编号：1009-3044(2008)36-2706-03
BP Artificial Neural Networks for the Remaining Oil Prediction
SHI Xiao-song, CHENG Guo-jian
(School of Computer Science, Xi’an Shiyou University, Xi’an 710065, China)
Abstract: After a majority of our oilfield and secondary recovery, we just get 30% of the total reserves, which means that 60% to 70% of the remaining residual oil in the ground become remaining oil . China’s 2007 crude oil output grew only by 1.6 percent to 12.872 million tons. Clarifying the law of distribution of the remaining oil and improving oil recovery is not only an economic effect, but also a National oil strategic issue.
In this study, we used MATLAB language to establish a forecast system of distribution of remaining oil based on BP network. After studying, this system can get a nonlinear function between the geographical coordinates and porosity. We can get the regional porosity using this system. Then using the relationship the porosity and the remaining oil, we can known the distribution of the remaining oil.
Key words: artificial neural networks; distribution of remaining oil; BP network; prediction
1 引言
我国多数油田经过一次、二次采油后，仅能采出地下总储量的30%左右，这意味着有60%～70%的剩余石油仍然残留在地下成为剩余油。对剩余油分布预测的研究可以提高石油开发的效率和节约开发成本。人工神经网络是计算机中重要的一门学科，它具有自学习和自适应的能力，可以通过预先提供的一批相互对应的输入－输出数据，分析掌握两者之间潜在的规律，最终根据这些规律，用新的输入数据来推算输出结果。本文就是用人工神经网络，基于已知的数据來预测剩余油的分布。神经网络技术有着逼近任意非线性映射的能力，通过学习获知系统差分方程中的位置非线性函数，这使得它在系统建模和预测中有着很好的应用。
2 剩余油分布预测的研究
从20世纪80年代开始，研究剩余油分布和提高采收率问题已引起世界各石油生产国的普遍关注。针对剩余油分布的研究方法在各个层面都有了一定的突破。目前，剩余分布的研究方法主要有：地质方法，油藏工程、试井及数值模拟方法和室内实验技术等。
2.1 剩余油分布预测的研究现状
目前，国内外对剩余油研究的重点主要集中在三个方面：1）对生于有分布的描述；2）对剩余油饱和度的测量与监测技术的研究；3）对剩余油挖潜技术的研究。
2.2 剩余油分布预测要用到的主要参数
影响剩余油分布的因素很多，通常划分为两类：地质因素和开发因素。地质因素主要包括有：油藏非均质性、构造、断层等。开发因素主要包括有：注采系统的完善程度、注采关系和井网布井、成产动态。前者属于内因，后者属于外因。它们的综合作用就导致了目前剩余油分布的多样性。
剩余油饱和度是描述剩余油的重要概念。某种流体的饱和度是指：储层岩石孔隙中某种流体所占的体积百分数。它表示了孔隙空间为某种流体所占据的程度。岩石中由几相流体充满其孔隙，则这几相流体饱和度之和就为1(100%)。随着油田发开油层能力的衰减，即使是经过注水侯还会在地层孔隙中存在着尚未驱尽的原油，这些油在岩石孔隙中所占体积的百分比称为剩余油饱和度
3 人工神经网络
人工神经网络（Artifical Neural Network,ANN），亦称为神经网络（Neural Networks,NN），是由大量处理神经单元（神经元Neuros）广泛互联而成的网络，是对人脑的抽象、简化和模拟，反应人脑的基本特征。神经网络的基本功能有联想记忆、非线性映射、分类与识别、优化计算、知识处理等。ANN在解决复杂的或是非线性问题时，具有独特的性能。近年来，国内外众多学者将其应用到石油等领域，取得了不少成果。人工神经网络具有以下几个特征：1）并行分布处理；2）非线性映射； 3）通过训练进行学习，神经网络是通过研究过去的数据记录进行训练的，一个经过适当训练的神经网络具有归纳全部数据的能力，因此，神经网络能够解决那些由数学模型或描述规则难以处理的控制过程问题；4）适应与综合； 5）分类与识别，神经网络可以很好地解决对非线性曲面的逼近问题，因此比传统的分类器具有更好的分类与识别能力。
目前，BP算法已经成为应用最多且最主要的一种训练前馈人工神经网络的学习算法，也是前馈网络得以广泛应用的基础。BP算法的学习目的是对网络的连接权值进行调整，使得调整后的网络对任一输入都能得到所期望的输出。BP算法的基本思想是学习过程由正向传播和反向传播组成。正向传播用于对前馈网络进行计算，即对某一输入信息，经过网络计算后求出它的输出结果；反向传播用于逐层传递误差，修改神经元间的连接权值，以使网络对输入信息经过计算后所得到的输出能达到期望的误差要求。BP网络算法的指导思想是：网络权值的修正与阈值的修正，使误差函数沿梯度方向下降。
图1给出了整个BP算法学习过程的流程图。
4 使用BP神经网络进行剩余油分布预测
由于岩石孔隙度是影响剩余油饱和度的重要因素，本论文就选择孔隙度作为研究对象，通过对岩石孔隙度的研究来预测剩余油的分布情况。
表1 北海油田某三口垂直井的孔隙度和对应坐标
4.1 数据来源
本论文以欧洲北海油田的三口垂直井的数据为研究对象来研究岩石孔隙度。利用MATLAB实现样本数据的归一化过程，这里将样本数据都归一化到[0,1]之间，由于输出向量就是在[0,1]之间，我们只需要将输入向量归一化。
4.2 建立网络
我们选用表1中非黑体部分作为训练网络用的数据，黑体部分用作测试数据；x，y，z作为输入向量，渗透率作为输出向量。令P表示输入向量，T表示输出向量，归一化代码如下：
%P,T分别表示归一化后的输入向量和输出向量
for i=1:3
P(i,:)=(p(i,:)-min(p(i,:)))/(max(p(i,:))-min(p(i,:)));
end
for i=1:1
T(i,:)=t(i,:);end
BP网络是系统预测中应用特别广泛的一种网络形式，也是神经网络中最成熟的一种算法网络。因此，本论文采用BP网络对剩余油分布进行预测。根据BP网络的设计网络，一般的预测问题都可以通过单隐层的BP網络实现。将x，y，z三个值作为输入向量，所以网络输入层的神经元个数为3个，根据Kolmogorov定理可知，网络中间层的神经元可以取11个。而输出向量有1个，所以输出层中的神经元应该有1个。网络中间层的神经元传递函数采用S型正切函数tansig，输出层神经元传递函数采用S型对数函数logsig。这是因为函数的输出位于区间[0，1]中，正好满足网络输出的要求。
利用以下代码创建一个满足上述要求的BP网络。
threshold=[0 1;0 1;0 1];
net=newff(threshold,[11,1],{’tansig’,’logsig’},’trainlm’);
其中，变量threshold用于规定输入向量的最大值和最小值，规定了网络输入向量的最大值为1，最小值为0.“trainlm”表示设定网络的训练函数为trainlm，它采用Levenberg-Marquardt算法进行网络学习。
4.3 网络训练
网络经过训练后才可以用于剩余油分布预测的实际应用。
训练代码如下：
net.trainParam.epochs=3000;
net.trainParam.goal=0.001;
net.trainParam.Ir=0.1;
net=train(net,P,T);
经过383次训练后，网络误差达到要求，结果如图2所示。
4.4 网络测试
训练好的网络还需要进行测试才可以判定是否可以投入实际使用。这里的测试数据就用表1中黑体部分的数据来进行测试（这里使用直接归一化后的数据），以检验预测误差能否满足要求的。代码如下：
P_test=[ 0.6250 1.0000 0
0.4545 1.0000 0
0 1.00000.4000];
Out=sim(net,P_test);
这里利用仿真函数sim来计算网络的输出，运行结果为：
Out = 0.29440.0493 0.1593
绘制误差曲线图，代码如下：
X=[0.293935 0.0414373 0.150891];
plot(1:1,X-Out);
预测误差曲线如图3所示。由图可见，网络预测值和真实之间的误差是非常小的，这完全满足应用要求。
图3 预测误差
5 结论
本论文是应用计算机技术解决石油工程的问题。本文所作的研究工作主要有以下三点：1）对神经网络的基本理论，尤其是对BP网络进行了研究；2）探讨了剩余油分布特征及其各种研究方法；3）用BP神经网络建立了一个剩余油分布预测模型：在地理坐标和孔隙度之间建立一个非线性函数关系，以此来预测任何区域的孔隙度。然后再通过孔隙度与剩余油饱和度之间的数学关系预测剩余油分布。
参考文献：
[1] 葛哲学,孙志强. 神经网络理论与MATLAB R2007实现[M].北京：电子工业出版社,2007:269-311.
[2] 李健.三角洲低渗透储层流动单元思维模型及剩余油预测[M].北京：石油工业出版社,2007:75-96.
[3] 刘波,杜庆龙,王良书,等.利用神经网络方法确定薄差层剩余油的分布[J].高校地质学报,2002(02):199-206
[4] 郭平,冉新权,徐艳梅,等.剩余油分布研究方法[M].北京：石油工业出版社,2004:1-59.
[5] 何更生.油层物理[M].北京：石油工业出版社,1994:10-13.
[6] 刘宝珺,谢俊,张金亮.我国剩余油技术研究现状与进展[J].西北地质,2004(04):1-6.
本研究应用神经网络的原理，基于BP网络使用MATLAB语言建立一个剩余油分布的预测系统。该系统通过学习在地理坐标和孔隙度之间建立一个非线性函数关系，以此来预测任何区域的孔隙度，再通过孔隙度与剩余油饱和度之间的关系达到剩余油分布预测的目的。
关键词：神经网络；剩余油分布；BP网络；预测
中图分类号：TP183文献标识码：A文章编号：1009-3044(2008)36-2706-03
BP Artificial Neural Networks for the Remaining Oil Prediction
SHI Xiao-song, CHENG Guo-jian
(School of Computer Science, Xi’an Shiyou University, Xi’an 710065, China)
Abstract: After a majority of our oilfield and secondary recovery, we just get 30% of the total reserves, which means that 60% to 70% of the remaining residual oil in the ground become remaining oil . China’s 2007 crude oil output grew only by 1.6 percent to 12.872 million tons. Clarifying the law of distribution of the remaining oil and improving oil recovery is not only an economic effect, but also a National oil strategic issue.
In this study, we used MATLAB language to establish a forecast system of distribution of remaining oil based on BP network. After studying, this system can get a nonlinear function between the geographical coordinates and porosity. We can get the regional porosity using this system. Then using the relationship the porosity and the remaining oil, we can known the distribution of the remaining oil.
Key words: artificial neural networks; distribution of remaining oil; BP network; prediction
1 引言
我国多数油田经过一次、二次采油后，仅能采出地下总储量的30%左右，这意味着有60%～70%的剩余石油仍然残留在地下成为剩余油。对剩余油分布预测的研究可以提高石油开发的效率和节约开发成本。人工神经网络是计算机中重要的一门学科，它具有自学习和自适应的能力，可以通过预先提供的一批相互对应的输入－输出数据，分析掌握两者之间潜在的规律，最终根据这些规律，用新的输入数据来推算输出结果。本文就是用人工神经网络，基于已知的数据來预测剩余油的分布。神经网络技术有着逼近任意非线性映射的能力，通过学习获知系统差分方程中的位置非线性函数，这使得它在系统建模和预测中有着很好的应用。
2 剩余油分布预测的研究
从20世纪80年代开始，研究剩余油分布和提高采收率问题已引起世界各石油生产国的普遍关注。针对剩余油分布的研究方法在各个层面都有了一定的突破。目前，剩余分布的研究方法主要有：地质方法，油藏工程、试井及数值模拟方法和室内实验技术等。
2.1 剩余油分布预测的研究现状
目前，国内外对剩余油研究的重点主要集中在三个方面：1）对生于有分布的描述；2）对剩余油饱和度的测量与监测技术的研究；3）对剩余油挖潜技术的研究。
2.2 剩余油分布预测要用到的主要参数
影响剩余油分布的因素很多，通常划分为两类：地质因素和开发因素。地质因素主要包括有：油藏非均质性、构造、断层等。开发因素主要包括有：注采系统的完善程度、注采关系和井网布井、成产动态。前者属于内因，后者属于外因。它们的综合作用就导致了目前剩余油分布的多样性。
剩余油饱和度是描述剩余油的重要概念。某种流体的饱和度是指：储层岩石孔隙中某种流体所占的体积百分数。它表示了孔隙空间为某种流体所占据的程度。岩石中由几相流体充满其孔隙，则这几相流体饱和度之和就为1(100%)。随着油田发开油层能力的衰减，即使是经过注水侯还会在地层孔隙中存在着尚未驱尽的原油，这些油在岩石孔隙中所占体积的百分比称为剩余油饱和度
3 人工神经网络
人工神经网络（Artifical Neural Network,ANN），亦称为神经网络（Neural Networks,NN），是由大量处理神经单元（神经元Neuros）广泛互联而成的网络，是对人脑的抽象、简化和模拟，反应人脑的基本特征。神经网络的基本功能有联想记忆、非线性映射、分类与识别、优化计算、知识处理等。ANN在解决复杂的或是非线性问题时，具有独特的性能。近年来，国内外众多学者将其应用到石油等领域，取得了不少成果。人工神经网络具有以下几个特征：1）并行分布处理；2）非线性映射； 3）通过训练进行学习，神经网络是通过研究过去的数据记录进行训练的，一个经过适当训练的神经网络具有归纳全部数据的能力，因此，神经网络能够解决那些由数学模型或描述规则难以处理的控制过程问题；4）适应与综合； 5）分类与识别，神经网络可以很好地解决对非线性曲面的逼近问题，因此比传统的分类器具有更好的分类与识别能力。
目前，BP算法已经成为应用最多且最主要的一种训练前馈人工神经网络的学习算法，也是前馈网络得以广泛应用的基础。BP算法的学习目的是对网络的连接权值进行调整，使得调整后的网络对任一输入都能得到所期望的输出。BP算法的基本思想是学习过程由正向传播和反向传播组成。正向传播用于对前馈网络进行计算，即对某一输入信息，经过网络计算后求出它的输出结果；反向传播用于逐层传递误差，修改神经元间的连接权值，以使网络对输入信息经过计算后所得到的输出能达到期望的误差要求。BP网络算法的指导思想是：网络权值的修正与阈值的修正，使误差函数沿梯度方向下降。
图1给出了整个BP算法学习过程的流程图。
4 使用BP神经网络进行剩余油分布预测
由于岩石孔隙度是影响剩余油饱和度的重要因素，本论文就选择孔隙度作为研究对象，通过对岩石孔隙度的研究来预测剩余油的分布情况。
表1 北海油田某三口垂直井的孔隙度和对应坐标
4.1 数据来源
本论文以欧洲北海油田的三口垂直井的数据为研究对象来研究岩石孔隙度。利用MATLAB实现样本数据的归一化过程，这里将样本数据都归一化到[0,1]之间，由于输出向量就是在[0,1]之间，我们只需要将输入向量归一化。
4.2 建立网络
我们选用表1中非黑体部分作为训练网络用的数据，黑体部分用作测试数据；x，y，z作为输入向量，渗透率作为输出向量。令P表示输入向量，T表示输出向量，归一化代码如下：
%P,T分别表示归一化后的输入向量和输出向量
for i=1:3
P(i,:)=(p(i,:)-min(p(i,:)))/(max(p(i,:))-min(p(i,:)));
end
for i=1:1
T(i,:)=t(i,:);end
BP网络是系统预测中应用特别广泛的一种网络形式，也是神经网络中最成熟的一种算法网络。因此，本论文采用BP网络对剩余油分布进行预测。根据BP网络的设计网络，一般的预测问题都可以通过单隐层的BP網络实现。将x，y，z三个值作为输入向量，所以网络输入层的神经元个数为3个，根据Kolmogorov定理可知，网络中间层的神经元可以取11个。而输出向量有1个，所以输出层中的神经元应该有1个。网络中间层的神经元传递函数采用S型正切函数tansig，输出层神经元传递函数采用S型对数函数logsig。这是因为函数的输出位于区间[0，1]中，正好满足网络输出的要求。
利用以下代码创建一个满足上述要求的BP网络。
threshold=[0 1;0 1;0 1];
net=newff(threshold,[11,1],{’tansig’,’logsig’},’trainlm’);
其中，变量threshold用于规定输入向量的最大值和最小值，规定了网络输入向量的最大值为1，最小值为0.“trainlm”表示设定网络的训练函数为trainlm，它采用Levenberg-Marquardt算法进行网络学习。
4.3 网络训练
网络经过训练后才可以用于剩余油分布预测的实际应用。
训练代码如下：
net.trainParam.epochs=3000;
net.trainParam.goal=0.001;
net.trainParam.Ir=0.1;
net=train(net,P,T);
经过383次训练后，网络误差达到要求，结果如图2所示。
4.4 网络测试
训练好的网络还需要进行测试才可以判定是否可以投入实际使用。这里的测试数据就用表1中黑体部分的数据来进行测试（这里使用直接归一化后的数据），以检验预测误差能否满足要求的。代码如下：
P_test=[ 0.6250 1.0000 0
0.4545 1.0000 0
0 1.00000.4000];
Out=sim(net,P_test);
这里利用仿真函数sim来计算网络的输出，运行结果为：
Out = 0.29440.0493 0.1593
绘制误差曲线图，代码如下：
X=[0.293935 0.0414373 0.150891];
plot(1:1,X-Out);
预测误差曲线如图3所示。由图可见，网络预测值和真实之间的误差是非常小的，这完全满足应用要求。
图3 预测误差
5 结论
本论文是应用计算机技术解决石油工程的问题。本文所作的研究工作主要有以下三点：1）对神经网络的基本理论，尤其是对BP网络进行了研究；2）探讨了剩余油分布特征及其各种研究方法；3）用BP神经网络建立了一个剩余油分布预测模型：在地理坐标和孔隙度之间建立一个非线性函数关系，以此来预测任何区域的孔隙度。然后再通过孔隙度与剩余油饱和度之间的数学关系预测剩余油分布。
参考文献：
[1] 葛哲学,孙志强. 神经网络理论与MATLAB R2007实现[M].北京：电子工业出版社,2007:269-311.
[2] 李健.三角洲低渗透储层流动单元思维模型及剩余油预测[M].北京：石油工业出版社,2007:75-96.
[3] 刘波,杜庆龙,王良书,等.利用神经网络方法确定薄差层剩余油的分布[J].高校地质学报,2002(02):199-206
[4] 郭平,冉新权,徐艳梅,等.剩余油分布研究方法[M].北京：石油工业出版社,2004:1-59.
[5] 何更生.油层物理[M].北京：石油工业出版社,1994:10-13.
[6] 刘宝珺,谢俊,张金亮.我国剩余油技术研究现状与进展[J].西北地质,2004(04):1-6.