[发明专利]油田储层层内非均质性综合评价方法

说明书

本发明公开了基于油田开发阶段高阶神经网络的层内非均质性综合评价方法，其核心是在国内外学者常用的V_k、T_k、J_k、P_k和D_k等静态地质参数的基础上，引入油田开发生产的注水量数据动态参数，作为层内非均质性的评价指标。并采用高阶神经网络法，专门针对以上层内非均质性各参数权重进行深入学习，有效提高油田开发阶段储层层内非均质性综合评价的准确性和时效性，克服了现有技术存在的缺陷。

技术领域

本发明涉及石油、天然气储层地质学领域的一种储层非均质性的综合评价方法，具体技术为基于人工神经网络的储层层内非均质性综合系数求取方法，可以有效提高对油田开发阶段储层层内非均质性评价的准确性。

背景技术

储层是石油、天然气在地下的储存、聚集场所，是油气勘探、开发的直接目标。储层非均质性指表征储层的参数在空间上的不均匀性，是储层的普遍特性，其评价的准确性对于正确指导石油、天然气的生产开发具有巨大的经济价值。储层的非均质性包括宏观非均质性和微观非均质性。其中，宏观非均质性按规模由大到小分为：层间非均质性、平面非均质性和层内非均质性。

目前，我国大部分油田已进入开发中后期阶段，大量的油气已被采出，但仍有相当数量的油气滞留在地下，我们称其为剩余油。剩余油以不同规模、不同形式不规则地分布于油藏中。常采用注水的方式，将剩余油驱替出地层，以提高油田产量。在此过程中，单砂体储层内的油水分布和剩余油分布成为生产中的主要问题。层内非均质性，即单砂体规模内垂向上的储层特征变化，正是导致砂体内油水分布不均的内在原因，是直接控制单砂层内注入波及体积(水驱油藏中从井中注入水所波及到的油藏体积，其大小直接影响水驱油的效率。)的关键地质因素。因此，在油田开发阶段，为了进一步提高人们对油气水分布规律的认识和油气采收率，针对层内非均质性的深入研究和准确评价相当关键。

目前，国内外学者广泛使用的层内非均质性评价指标包括：渗透率变异系数V_k、渗透率突进系数T_k、渗透率级差J_k、泥质夹层的分布频率P_k和分布密度D_k等。对于以水驱油藏为主的国内老油田而言，由于储层经过长期水驱冲刷，加剧了其非均质程度。此时，若还用早期岩芯测得的V_k、T_k、J_k、P_k和 D_k等地质参数对层内非均质性进行评价，就必然对油田剩余油的认识产生极大的偏差。因此，本发明在V_k、T_k、J_k、P_k和D_k等地质参数的基础上，引入了油田开发生产的注水量数据V_w，作为层内非均质性的评价指标。

另外，在对层内非均质性进行评价时，常常受到地下地质情况的复杂性、数据测量的准确性和理论完善性等各方面因素的影响，导致经常出现前述各个指标的评价结果相互矛盾的情况。针对于此，前人提出了基于数学方法求取一个综合指数对层内非均质性进行评价。如杨少春等(2004)的熵权法和刘超等(2012)的洛伦兹曲线法，在特定研究区取得了很好的效果。但熵权法要依赖于足够的样本数据和实际的问题域，计算复杂，可参与性差，不能体现评判者对不同属性指标的重视程度，有时候定的权重会与属性的实际重要程度相差较大。洛伦兹曲线法仅采用渗透率数据定义一种新的层内非均质性表征参数，无法全面反映层内非均质性的特征。

层内非均质性的综合评价系统是一个复杂的非线性系统，随着时间、空间的推移，各指标对其评价问题的影响程度也会发生变化，换言之，大多评价指标的权重会随着评价对象的发展、人类认识的进步而改变。因此，必须建立权重的学习机制，以适应不断变化的评价要求，而这方面正是人工神经网络解决问题的优势所在。对于普通的多层感知器神经网络(神经网络的一种，是最简单最常用的神经网络。通常包括一个输入层，若干个隐藏层和一个输出层。)而言，由于隐藏层的层数和节点数都是根据经验设置，数据量大时会遇到收敛速度慢，且存在容易陷入局部极小值等问题。