论文部分内容阅读
[摘 要]产能预测预测有多种方法，产能预测与地質参数有关的主要有；孔隙度，渗透率，有效厚度，含油气饱和度。而传统方法只能实现半定量的预测。利用神经网络对产能预测实现定量预测，但是样本的选择对预测结果有影响，本文利用传统方法先对储层产能进行分级，分级后对每级采用不同的样本，然后再利用神经网络进行预测。
[关键词]网络； 定量； 产能预测
中图分类号：F272.1 文献标识码：A 文章编号：1009-914X（2016）03-0367-01
1.引言
目前利用测井资料进行产能预测主要有三种方法：①理论方法。基于流体的渗流遵循达西定律代入渗流方程求得原油产量。②经验性方法。从分析影响产能的因素入手，利用测井资料求得影响因素，通过各因素与产能的关系提取反映产能的特征量，再根据试油结果得到评价的标准③采用不同算法。主要采用灰色系统理论和神经网络模型进行产能预测。
2.储层分类方法研究
对于该地区储层分类评价问题，提出通过宏观物性参数得到的地层流动带指数FZI区分不同孔隙结构类型的储层，然后结合毛细管压力曲线所反映的微观孔隙结构特征，提取对储层产液能力敏感的特征参数，利用此参数和FZI值，结合试油试采测试资料综合对工区储层进行分类评价。
储层在孔隙结构的不同，在物性上宏观表现为孔隙度、渗透率的变化。利用宏观物性参数评价储层孔隙结构的方法即流动带指标（FZI）法[1-3]，对储层进行分类。
FZI是根据修正的Kozeny-Carman关系方程：
（2-1）
式中：K—渗透率，mD；—孔隙度，小数；Fs—形状系数；τ—孔隙介质的迂曲度，小数；Sgv—单位颗粒体积比表面积，μm-1。
流动带指标：
（2-2）
FZI是一种反映孔隙结构优劣的参数，FZI值越大，说明储层孔喉匹配关系越好。通过公式（2-2）计算储层的流动层带指标FZI值。将研究区储层分为四类，如图2-1所示，图中的储层类型分类标准为：Ⅰ类：FZI>4；Ⅱ类：4>FZI>2；
Ⅲ类：0.5 产能高低一般与孔隙性、渗透性、含气性有关，在研究储层等级的基础上，利用试油试采资料结合储层物性对油层等级分级。
3.分类后利用神经网络
由于每个储层的产量有较大的差异，直接利用神经网络预测①非线性程度较低，不能很好地模拟出地下的复杂情况和测井数据的非线性；②网络训练样本挑选存在难度；③存在局部最小值[4-5]。
因此，依据储层类型分类标准为：Ⅰ类：FZI>4；Ⅱ类：4>FZI>2；Ⅲ类：0.5 4.结论与认识
（1）本文给出了利用传统油气产能预测方法先进行储层分类及产量定性预测。该方法简便适用，既可以检验油气勘探成果，又能为油田开发提供技术依据.
（2）本文采用定性与定量相结合的方法，先对储层产能分类，然后再分类的基础上利用神经网络进行定量的预测，该方法的准确率达到80%以上，从而证实了方法的有效性。
参考文献
[1] 施玉娇； 高振东； 王起琮； 王 刚碎屑岩储层流动单元划分及特征[期刊论文]- 岩 性 油 气 藏2009（12）；
[2]李彦山、张占松等，应用压汞资料对长庆地区长6段储层进行分类研究[期刊论文]，岩性油气藏，2009，21（2）.
[3]张占松、张超谟等，基于储层分类的低孔隙度低渗透率储层产能预测方法研究[期刊论文]，测井技术，2011，35（5）
[4] 汪华；罗东坤.基于神经网络的油气产能建设项目评价模型研究[期刊论文]-石油天然气学报.2005（12）.
[5]Cheng M L.Productivity prediction from well logs invariable grain size reservoir cretaceous qishn formation，republic of yemen[J].Log Analyst，1999，40（1）：24-34.
[关键词]网络； 定量； 产能预测
中图分类号：F272.1 文献标识码：A 文章编号：1009-914X（2016）03-0367-01
1.引言
目前利用测井资料进行产能预测主要有三种方法：①理论方法。基于流体的渗流遵循达西定律代入渗流方程求得原油产量。②经验性方法。从分析影响产能的因素入手，利用测井资料求得影响因素，通过各因素与产能的关系提取反映产能的特征量，再根据试油结果得到评价的标准③采用不同算法。主要采用灰色系统理论和神经网络模型进行产能预测。
2.储层分类方法研究
对于该地区储层分类评价问题，提出通过宏观物性参数得到的地层流动带指数FZI区分不同孔隙结构类型的储层，然后结合毛细管压力曲线所反映的微观孔隙结构特征，提取对储层产液能力敏感的特征参数，利用此参数和FZI值，结合试油试采测试资料综合对工区储层进行分类评价。
储层在孔隙结构的不同，在物性上宏观表现为孔隙度、渗透率的变化。利用宏观物性参数评价储层孔隙结构的方法即流动带指标（FZI）法[1-3]，对储层进行分类。
FZI是根据修正的Kozeny-Carman关系方程：
（2-1）
式中：K—渗透率，mD；—孔隙度，小数；Fs—形状系数；τ—孔隙介质的迂曲度，小数；Sgv—单位颗粒体积比表面积，μm-1。
流动带指标：
（2-2）
FZI是一种反映孔隙结构优劣的参数，FZI值越大，说明储层孔喉匹配关系越好。通过公式（2-2）计算储层的流动层带指标FZI值。将研究区储层分为四类，如图2-1所示，图中的储层类型分类标准为：Ⅰ类：FZI>4；Ⅱ类：4>FZI>2；
Ⅲ类：0.5
3.分类后利用神经网络
由于每个储层的产量有较大的差异，直接利用神经网络预测①非线性程度较低，不能很好地模拟出地下的复杂情况和测井数据的非线性；②网络训练样本挑选存在难度；③存在局部最小值[4-5]。
因此，依据储层类型分类标准为：Ⅰ类：FZI>4；Ⅱ类：4>FZI>2；Ⅲ类：0.5
（1）本文给出了利用传统油气产能预测方法先进行储层分类及产量定性预测。该方法简便适用，既可以检验油气勘探成果，又能为油田开发提供技术依据.
（2）本文采用定性与定量相结合的方法，先对储层产能分类，然后再分类的基础上利用神经网络进行定量的预测，该方法的准确率达到80%以上，从而证实了方法的有效性。
参考文献
[1] 施玉娇； 高振东； 王起琮； 王 刚碎屑岩储层流动单元划分及特征[期刊论文]- 岩 性 油 气 藏2009（12）；
[2]李彦山、张占松等，应用压汞资料对长庆地区长6段储层进行分类研究[期刊论文]，岩性油气藏，2009，21（2）.
[3]张占松、张超谟等，基于储层分类的低孔隙度低渗透率储层产能预测方法研究[期刊论文]，测井技术，2011，35（5）
[4] 汪华；罗东坤.基于神经网络的油气产能建设项目评价模型研究[期刊论文]-石油天然气学报.2005（12）.
[5]Cheng M L.Productivity prediction from well logs invariable grain size reservoir cretaceous qishn formation，republic of yemen[J].Log Analyst，1999，40（1）：24-34.