logo
专注油气领域
与独立思考者同行

采收率算不准?来试试人工神经网络模型(下)

采收率算不准?来试试人工神经网络模型(下)

摘要:人工神经网络(ANN)是目前最为炙手可热的建模方法,如何用它来计算采收率?效果又会如何呢?本文将为您介绍ANN原油采收率模型的详细内容。

编译丨TOM

在构建ANN时,存在两个重要的未知因素:隐藏层的数量、模型中包含的神经元数量。常用方法是使ANN尽可能的简单。对于大多数问题,一个隐藏层就足够了。利用数据质量良好的数据集,就可以使神经元的数量最小化,使它们小于或等于模型的输入数(计算原油采收率需要5个输入数)。

不幸的是,研究发现,当使用少量神经元(小于等于5)时,ANN无法处理采收率问题。具体而言,由于神经元数量较低,该神经网络无法模拟出高采收率与低采收率的趋势,如下图所示。

采收率算不准?来试试人工神经网络模型(下)

由于神经网络在拥有少量神经元的情况下,很难找到一个能够涵盖所有采收率的最优解,因此建立并评估了多个ANN模型。目标是找出最佳数量的神经元,以生成一个神经网络。该神经网络产生的数值,需要能够涵盖所有采收率。下图展示了使用不同数量神经元构建的ANN的斜率以及R2相关因子(实际采收率与ANN模拟采收率)。

采收率算不准?来试试人工神经网络模型(下)

在斟酌ANN中神经元的数量时,需要注意的是,数据可能会被过度拟合。神经网络训练是将数据拟合到复杂数学函数的过程。如果使用大量神经元,函数会过于精确地拟合训练数据。那么,当独立数据(盲测试数据)在ANN中运行时,结果可能会不够理想。

其原因是,由于神经网络过于复杂,它已不再是训练数据中的泛化模式,而是变成了查表模式。在这种情况下,ANN基本上重新生成了训练中使用的输入-输出结果,根本无法准确处理数据表外的新输入数据。牢记这一点,砂岩油藏的最终ANN原油采收率模型,是用十个神经元构建与训练的。

砂岩油藏

下图展示了砂岩油藏实际采收率与ANN模型基于训练与盲测数据生成的采收率之间的对比:

采收率算不准?来试试人工神经网络模型(下)

砂岩油藏:

1、ANN中拥有10个非线性神经元;
2、数据集:264个油藏;
3、训练/盲测:218/46;
4、在训练阶段,随机抽取训练数据集的20%来进行验证检查;
5、盲测数据集不是训练的一部分;
6、代表正负25%变化的线。

ANN原油采收率模型经过训练之后,70%ANN计算出的采收率在实际值的正负 25%之内。

所得到的代表砂岩油藏ANN原油采收率模型的方程如下图所示。砂岩油藏ANN原油采收率模型中使用的参数范围如下:

1、原始储量:10至55000百万桶;
2、渗透率:0.6至7000毫达西;
3、产层厚度:10至1800英尺;
4、孔隙度:5%至35%;
5、原油比重:15°至55°API;
6、原油粘度:0.1cp至88cp。

采收率算不准?来试试人工神经网络模型(下)

使用上述范围之外的输入数据,可能会产生不合理的结果。谨记,即使使用上述范围内的输入数据,也可能产生不合理的结果,因为没有足够的训练数据,来涵盖所有可能的输入组合。

举例分析ANN原油采收率模型的计算。某个砂岩水驱油藏拥有以下性质:原始储量为一千万桶;渗透率为10毫达西;产层厚度为50英尺;孔隙度为20%;原油API为35°;粘度为0.13cp,计算得到的采收率为34.5%。

若使用ANN原油采收率模型时,缺失了相关参数数据,则可以使用缺失参数的平均值来进行有效的模拟。对于砂岩油藏数据集,平均值如下:Log(原始储量)为2.6524、Log(渗透率)为4.3573、Log(粘度)为0.2167、Log(孔隙度)为3.2745、原油API比重为33.5。如果缺少多项参数,则不应使用ANN原油采收率模型。

结论

本文建立了砂岩油藏采收率的人工神经网络模型。该模型70%的预测结果都是在实际采收率的正负25%变化范围内。

尽管看似合理,但结果仍然存在很大差异。这种差异性来源于采收率的所有相关因素,也是输入数据的可变性以及取平均值带来的后果。

与所有采收率计算方法的情况一致,应谨慎使用ANN原油采收率模型生成的结果,并且需要与其他技术进行核对。

利用人工神经网络来构建预测采收率的通用模型,ANN原油采收率模型迈出了第一步。下一步是增加训练数据集的大小,并进一步细化训练数据。

For English, Please click here (展开/收缩)

未经允许,不得转载本站任何文章:

评论 抢沙发