📝 摘要
在石油天然气工业中，获取储层性质对于油田开发至关重要。试井一直是估算储层特征（如渗透率和储层厚度）的重要工具之一。本研究的目的是开发一个专家系统，该系统能够基于页岩气藏水平井的定产量压力瞬态数据来估算储层特征。

本研究使用商业组分油藏模拟器CMG-GEM。建立了一个各向同性方形储层模型，中心有一口水平井。该模型利用储层改造体积（SRV）方法来代表储层的裂缝区域。SRV区域由于其更高的渗透率和更小的裂缝间距，比储层其余部分更具产能。在进行了网格块敏感性分析后，选择了37×37的网格配置用于模型。

由于本研究需要训练专家系统，需要生成大量数据。选择了15个储层和完井参数作为指定范围内的变量。编写了多个MATLAB脚本来随机化输入变量并构建数千个模拟模型。每个模型运行后，压力瞬态数据被收集在数值表中。

专家系统包括七个人工神经网络（ANN）。所有ANN均使用MATLAB ANN工具箱生成。这些ANN分为正向ANN和逆向ANN。正向ANN能够预测压力瞬态数据，而逆向ANN能够预测储层属性。

在研究的最后阶段，开发了五个图形用户界面（GUI）。这些GUI允许用户输入所需参数，并以数值和图形格式查看结果。

🖥️ CMG软件应用情况总结

项目 内容
所用软件 CMG-GEM（组分油藏模拟器）
模型类型 组分模拟器，双重孔隙模型（Warren & Root模型），干气藏模型
模拟对象 页岩气藏中心一口水平井的定产量生产，考虑了储层改造体积（SRV）和朗缪尔吸附
应用方式 数据生成：使用CMG-GEM生成数以千计的模拟案例的压力瞬态数据（井底流压），作为训练人工神经网络（ANN）的数据集。
网格与维度 • 2D模型（平面），37×37网格（经敏感性分析确定）
• 网格采用不均匀划分：近井区域网格精细，远井区域网格粗化
• SRV区域（高渗、小裂缝间距）和外围区域（低渗、大裂缝间距）通过不同属性赋值区分
储层参数范围（用于数据生成） • 厚度：50-200 ft
• 基质孔隙度：0.06-0.11， 裂缝孔隙度：0.006-0.015， SRV裂缝孔隙度：0.06-0.15
• 基质渗透率：1e-5-9e-5 md， 裂缝渗透率：0.0003-0.009 md， SRV裂缝渗透率：0.003-0.09 md
• 裂缝间距：1.5-4 ft， SRV裂缝间距：0.15-0.4 ft
• 裂缝半长：50-200 ft
• 朗缪尔体积（CH₄）：50-150 scf/ton， 朗缪尔压力（CH₄）：500-1000 psi
• 水平井长度：3000-5000 ft
• 储层压力：2000-4000 psi
• 产气速率：1-10 MMscf/day
模拟时长 180天
数据输出 井底流压（BHP）随时间的变化曲线，记录7个时间点的压力值：第1天，以及达到最低压力（14.7 psia）时间的1/6、2/6、3/6、4/6、5/6、6/6时刻

文中明确指出：使用CMG-GEM软件生成压力瞬态数据（第4章）。

🧠 人工神经网络（ANN）专家系统架构

研究开发了7个级联前馈神经网络（Cascade Feedforward Neural Network）：

类别 网络名称 功能 输入 输出
正向ANN ANN0 数据分类 15个储层+完井参数 达到最低压力时间（用于判断Type I/II）
正向ANN ANN1 压力预测 (Type I) 15个参数 7个压力点
正向ANN ANN2 压力预测 (Type II) 15个参数 + 达到最低压力时间 7个压力点
逆向ANN ANN3a 储层特性预测 (Type I) 7压力点 + 3完井参数 8个储层特性（孔隙度、渗透率、裂缝间距）
逆向ANN ANN4a 储层特性预测 (Type II) 7压力点 + 3完井参数 + 达到最低压力时间 8个储层特性
逆向ANN ANN3b 完井参数验证 (Type I) 7压力点 + 8储层特性 + 4其他参数 3个完井参数（井长、流量、裂缝半长）
逆向ANN ANN4b 完井参数验证 (Type II) 7压力点 + 8储层特性 + 4其他参数 + 达到最低压力时间 3个完井参数

📊 主要模拟与ANN训练结果

  1. 正向ANN（压力预测）：

    • ANN0（分类）测试集平均数值误差1.58%，分类误差0.7%。92%的预测误差<5%。

    • ANN2（Type II压力预测）测试集平均误差1.99%。91%的压力数据点误差<5%。

  2. 逆向ANN（储层特性预测）：

    • ANN4a测试集平均误差28.03%，不同参数差异巨大：

      • 预测较好（~10%）：基质孔隙度(14.1%)、SRV裂缝孔隙度(12.0%)、SRV裂缝渗透率(8.0%)

      • 预测中等（~25%）：裂缝孔隙度(22.7%)、裂缝间距(25.4%)、SRV裂缝间距(24.2%)

      • 预测较差（>50%）：基质渗透率(61.6%)、裂缝渗透率(55.9%)

    • 关键发现：高误差主要源于基质/裂缝渗透率的基数极小（10⁻⁵ md量级），微小绝对误差会导致巨大百分比误差。

  3. 逆向ANN（完井参数验证）：

    • ANN4b测试集平均误差仅5.11%：

      • 井长：2.94% | 流量：3.24% | 裂缝半长：9.14%

  4. 闭环测试（Closure Test）：

    • 将逆向ANN（ANN4a）预测的储层特性输入正向ANN（ANN2）重新预测压力，20个新鲜案例的平均压力误差仅2.62%（最佳0.76%，最差6.02%）。

    • 关键结论：尽管ANN4a对部分参数（尤其是渗透率）的百分比误差很高，但其预测的储层特性组合在正向模型中能准确复现原始压力曲线。这说明存在多组储层特性组合可以产生几乎相同的压力响应（非唯一性解）。

✅ 主要结论

  1. 正向ANN性能优异：基于15个储层和完井参数预测180天内的井底流压，平均误差低于2%。

  2. 逆向预测的非唯一性：直接从压力数据逆向预测储层特性（尤其是极低值如基质渗透率）存在较大百分比误差，但通过闭环测试验证，这些预测值是正向问题的有效解。

  3. 数据质量至关重要：ANN的精度最依赖于训练数据的质量，其次是网络架构。不合理的物理案例（如首日压力即降至大气压）需要预先筛选剔除。

  4. 网络架构需适配数据量：为避免过拟合，ANN的复杂度（层数、神经元数）需要与训练数据量相匹配。对于数据量较少的Type II网络，应使用更简单的架构。

  5. 训练成本与效率：ANN训练计算成本高，但训练完成后可在数秒内生成结果。

  6. Sigmoid传递函数最佳：隐含层之间使用双曲正切Sigmoid函数（tansig）最适合范围在-1到1的数据。

  7. 图形用户界面（GUI）开发：开发了5个GUI，方便非MATLAB/ANN用户使用该专家系统。

🏛️ 作者及单位信息

  • 作者: Xuwei Zhong (钟旭伟)

  • 单位: 宾夕法尼亚州立大学 (The Pennsylvania State University)，能源与矿物工程系

  • 导师: Turgay Ertekin 教授（论文指导老师）、Luis F. Ayala H. 教授、Hamid Emami-Meybodi 教授

  • 学位: 理学硕士 (Master of Science)

  • 提交日期: 2018年8月

致谢：特别感谢指导老师Turgay Ertekin教授，以及同学Jian Zhang博士在油藏数值模拟和人工神经网络方面的专业指导。

💡 补充说明
该研究的创新点在于利用CMG-GEM大规模生成模拟数据，训练了一个由7个级联前馈神经网络组成的专家系统，实现了从压力瞬态数据到关键储层参数（尤其是SRV相关参数）的快速逆向预测。通过“闭环测试”验证了预测结果的正向一致性。开发的图形用户界面（GUI）为该方法的工程应用提供了便利。

case83

发表评论