储层敏感性预测(3)

（III）误差限的确定

在前面的学习算法中，要求给出一个迭代误差限?，当误差满足下式要求时，则学习停止，否则继续学习并修改权值，直到满足误差要求为止。

Esum?1(tkp?okp)2?? ??2pk因此，只有确定的合适的?，才能既保证学习速度，又能保证预测结果的真实可靠。在这里，水敏指数是网络的输出。从前面水敏指数的处理及其归一化值可知，要想对敏感程度准确分类(tkp?okp)必须小于0.1，因此根据上式计算可得?的取值为0.005。

（3）人工神经网络法在储层敏感性快速预测中的应用

下面仍以水敏性预测为例，阐述利用人工神经网络法建立储层敏感性预测方法

的基本思路和过程。

（I）储层潜在水敏性主要影响因素的确定

影响储层敏感性的储层组成结构参数很多。我们不可能将全部影响因素都考虑

进去（实际上也没有必要），但可以从分析水敏性损害机理入手，讨论影响水敏性的主要因素。储层水敏性损害分为水化膨胀和分散运移两阶段，水化膨胀主要与相关粘土（即蒙脱石含量和伊蒙混层含量）有关，而分散运移则与孔渗性质、胶结类型等有关。参考国内外大量相关理论资料及前段时间对塔里木油田以及胜利、江苏等油田的敏感性研究结果，影响储层潜在水敏性的主要因素及其与水敏性损害程度关系如表3-4所示。

（II）水敏性资料的收集与处理

根据以上影响水敏性的主要因素，就可以有针对地选择具有代表性的能反映储

层组成、结构特征和水敏性的资料，并把这些资料处理成相互对应，可以进行数学分析的数据文件。 1）水敏性资料的收集

我国油田区块众多，要想收集全部区块的与水敏性有关的资料，难度非常大。

鉴此，我们以如下原则进行资料的收集。

（i）由于碎屑岩储层按储量算占全国储层的90% 以上，所以主要研究碎屑岩（砂

岩占多数）储层，但同时也考虑裂缝性灰岩油气藏的水敏性预测问题。 （ii）选择的碎屑岩储层渗透性有较好的覆盖面。

（iii）所收集的塔里木油田的水敏性资料应占有相当比例。

水敏性损害程度与储层相关矿物组成、主要物性参数的亲疏关系见表3-4。根据

对水敏性主要影响因素的分析，初步确定所要收集的水敏性资料范围如表3-5所示。 2）水敏性数据资料的处理

收集入库的数据资料并不能直接在模糊神经网络法中获得应用，必须进行一些

必要的预处理。入库的数据资料分为定性和定量两大类，定性数据的定量化是处理工作的第一步，然后对所有的数据进行归一化处理，以满足模糊人工神经网络法的处理需要。下面举例说明对收集的数据资料进行定量化变换或归一化处理的实现。 （i）岩石颗粒的分选

在这里也采用目前常用的福克沃德分选标准偏差来表示分选程度，归一化方式

如下：

0.0690 ?i < 0.35

Xi = ? ?i / (4.0 + 0.35) 0.35 ? ?I ? 4.O

0.9432 ?I > 4.0

颗粒分选程度与标准偏差的对应情况如表3-4所示。

表3-4 水敏性损害程度与主要储层组成结构参数亲疏关系表

序号 1 2 3 4 5 6 7 8 9 主要影响因素 泥质含量 石英含量 胶结物含量 蒙脱石含量 伊/蒙混层含量 胶结类型 颗粒粒度 分选标准差 孔隙度 主要影响因素与水敏性亲疏关系 ++ + ? ++ + ++ + ? ++ 10 11 气测渗透率 地层水矿化度 ++ + 说明：“++”表示亲密，“+”表示次亲密，“?”表示一般关系。

表3-6 颗粒分选程度与福克沃德分选标准偏差对应表

分选程度 极好 好 较好 中等 差 很差 极差 福克沃德分选标准偏差?i <0.35 0.35～0.50 0.50～0.71 0.71～1.0 1.0～2.0 2.0～4.0 >4.0

表3-5 水敏性资料收集项目

序号 1 2 3 4 5 6 7 8 9 10 11 12 项目类型 岩 石 组 成 岩石 结构 孔渗 性质 地层水性质 项目内容 泥质含量 石英含量 胶结物含量 蒙脱石含量 伊蒙混层含量 胶结类型 颗粒粒度 分选程度 孔隙度 气测渗透率 等效液体渗透率 地层水矿化度 数据类型 定量 定量 定量 定量 定量 定性 定量 定性 定量 定量 定量 定量 实验方法 薄片分析 X-射线衍射分析 粒度分析 薄片分析 物性分析 化学分析 归一化Xi 0.0690 0.0805～0.1149 0.1149～0.1632 0.1532～0.2299 0.2299～0.4598 0.4598～0.9195 0.9432 13 14 15 16 17 18 19 20 21 22 23 测井 资料 收集 水 敏 性 资 料 渗透率 孔隙度 泥质含量 岩心号 流动介质类型 流动介质矿化度 模拟地层水渗透率 去离子水渗透率 渗透率恢复值 临界矿化度 水敏性结论 定量 定量 定量 其它 定性 定量 定量 定量 定量 定量 定性/定量 测井分析 岩 心 流 动 实 验

（ii）蒙脱石及伊蒙混层含量的数值归一化

Xi = 1.0 ? exp (?0.6701 * SIi)

Sii = Mi + 0.6 * Ii

式中，Mi_蒙脱石含量（%）；Xi_对应的归一化值；Ii_伊利石含量（%）。

（iii）胶结物含量的数值归一化

Xi = 1.0- Ji 4.508

式中，Ji_胶结物含量（%）；Xi_对应的归一化值。

（III）预测网络的构成和相对应网络的训练

本文提及的网络采用多层结构神经网络。在某一给定层的神经元之间没有连接，而该层的每一神经元连接到它前面和后面各层的所有神经元，如图3-1所示。

图3-1 神经网络的结构图

1）训练集的构成（开发一个训练集）

训练集的开发直接关系到网络学习的结果，这些输入信息是网络接受输入信

号、进行分类或适当地输出信号的唯一信息来源，任何意义不明或合适样本的缺乏将导致网络对输入信号的错误执行。为了使训练集具有代表性及较好的覆盖面。我们不仅选取了塔里木油田的资料，还选取了大港、辽河、长庆、中原、塔里木、胜利、冀东和二连等油田的水敏性资料（以塔里木油田的水敏性资料为主）。 2）网络的训练

在收集了上述样本后，利用前面的归一化方法进行处理，得到网络所需的输入、

输出数据。利用这些数据在微机上对如图3-1所示的网络进行训练，训练学习共计花费53分钟，误差小于0.001，如花费更多时间，网络精度会更高。 （4）网络的检验

网络训练好后，需对网络进行检验。关于检验标准问题，有的研究者常用另外一批资料来检验这批资料总结的规律，但我们发现这样常有碰巧的情况，它对检验资料的依赖性较大。如有意识拿去预测不准的点，成功率将大幅度提高；而如拿去已预测准的点，则成功率急剧下降。鉴于此，本文采用了返回检验法，虽然成功率有所下降，但比较稳定。并且，神经网络只对样本提供的信息负责，比较忠实于样本教给它的东西，所以用返回检验的方法也较易了解网络学习的结果。但此方法需要耗费大量的时间，本文对25个样本采用返回检验法，计算机纯运算时间长达30小时。返回检验法的具体做法为：每次依次把所有样本中的一个样本作为未知样本，用其它样本进行网络训练，然后用训练好的网络对这一未知样本进行预测。依次对每一样本进行预测，用总样本数减去判错的样本数与总样本数的百分比来表示符合率。用返回法检验水敏性预测网络可靠性的结果见表3-7。

表3-7 采用人工神经网络法预测结果与实测结果对比

序号 来源 实测水敏指数 1 2 3 4 5 6 7 8 塔 里 木 长 庆 0.962 0.689 0.946 0.717 0.922 0.690 0.101 0.200 预测水敏指数 0.837 0.637 0.901 0.751 0.922 0.592 0.121 0.108 实测水敏程度 强 中 强 强 强 中 弱 弱 预测水敏程度 强 中 强 强 强 中 弱 弱 判断结果 正确 正确 正确 正确 正确 正确 正确 正确

百度搜索“77cn”或“免费范文网”即可找到本站免费阅读全部范文。收藏本站方便下次阅读，免费范文网，提供经典小说综合文库储层敏感性预测(3)在线全文阅读。