储层敏感性预测

三、快速预测气层敏感性和水锁损害的方法研究

3.1快速预测储层敏感性方法的研究及软件的研制与开发

储层潜在损害机理预测方法的研究是探井保护油气层和提高产能的一项重要基础工作。只有搞清损害机理，才能有效、及时地为探井提出保护油气层措施，设计出保护油气层的钻井完井液。储层潜在损害机理预测方法的研究主要是指对储层潜在敏感性预测方法的研究，课题组曾在这方面进行了具有创新性的工作，不仅建立了快速预测新方法，还研制和开发出对五种敏感性进行快速预测的系列软件。 3.1.1前期工作的回顾

自“八五”以来，国内先后建立了多种储层潜在敏感性预测方法，下面对最主要

的两种预测方法进行简要的回顾。

（1）多组判别分析方法预测储层潜在敏感性

该方法常采用Bayes或Fisher准则。先把已知敏感性和组成结构参数的样品按

敏感性程度的大小分成几组，然后分别利用各组样品的组成和结构参数，通过判别分析建立各组的判别函数方程，并确定判别样品类别的原则。具体来说，对于具有所需储层组成和结构特征参数，但未知敏感性程度的新样品，就可以将该样品的组成结构等参数代入判别函数方程，求出该样品各组的判别函数值，然后根据判别样品类别的原则判别样品属于哪一组，便可以对这些未知敏感性的新样品进行敏感性的预测。该方法的优点是，事先不需要假定组成结构特征参数与敏感性间的关系，而只需将样品按敏感性损害程度进行分组，所以该方法基本上没有人为因素的干扰，结果比较单一可靠；但其缺点是，由于分组不可能分得很细，所以预测结果是一个取值区间，而不是一个具体的数值。 （2）多元回归分析法预测储层潜在敏感性

该方法常采用非线性回归或逐步回归法。首先假定储层样品组成和结构参数与

敏感性程度间的关系符合某种数学模型，然后用已知的储层样品对模型进行回归分析，求出模型的待定系数，这样就可以得到能反映自变量与应变量间定量关系的回归方程。对未知敏感性的储层，只要将储层组成结构等参数代入回归方程，就可求出敏感性损害程度。此方法曾在对“大港”、“胜利”、“江苏”等油田的敏感性研究中

使用过，取得了较好效果。该方法优点是，能得到反映敏感性损害程度的具体数值；然而，其缺点是，由于事先假定了储层组成结构参数与敏感性间的关系满足某一数学模型，如果选取不同的模型，预测结果就很可能不一致。所以，该方法受人为因素干扰较大。特别是当选取的模型不适当时，得到的预测结果很可能与实际结果相差甚远。

3.1.2储层潜在敏感性快速预测新方法－人工神经网络法的建立

本项研究主要应用BP人工神经网络法，在借鉴国外有关理论模型基础上，建立便于现场应用的预测模型和方法，并完成了配套系列预测软件的研制。研究表明，该方法具有具有良好的自适应性和容错性，以及较强的学习、记忆和识别功能，受人为因素影响小，所需参数较少而预测精确度较高，尤其适于在探井油气层保护中使用。

对于探井，为了不影响工程进度，非常需要在当时已具备的条件下，快速预测

储层潜在敏感性损害程度。在已知条件适当时，采用BP网络训练，把要教给网络的信息（即已知储层的组成结构参数和敏感性损害程度）作为网络的输入和输出，使网络按训练算法调节各神经元间的连接权值，直到精度满足要求为止。当神经元间的连接权调节好后，对训练好的网络输入影响敏感性的经过处理的各因素数值，网络就能正确地回忆出相应的敏感性损害程度。显然此方法事先不需要假定储层组成结构参数与敏感性损害程度间的关系，受人为因素干扰小，而且能定量地反映储层潜在敏感性损害程度和渗透率恢复值的大小。因此可以认为，人工神经网络快速预测法继承了前两种预测方法的优点，同时弥补了它们的缺点。 （1）基本原理

人工神经网络是近年来在对生物神经网络的研究基础之上而产生的智能仿生系统。其操作有两个过程，一是训练学习，一是正常操作或回忆。训练时，把教给网络的信息（外部输入）作为网络的输入和输出，使网络按某种规则调节各处理神经单元间的连接权值，直到加上给定输入，网络就能产生给定输出为止。网络的正常操作，是指对训练好的网络输入一个信号时，它就能正确回忆出相应输出，所以也叫回忆操作。通常使用的网络为BP网络。BP网络又称反向传播神经网络，一个标准的BP网络由三个神经元层次组成，其最下层称为输入层，中间层称为隐含层，最上层称为输出层。各层次的神经元之间形成全互连连接，各层次内的神经元之间

没有连接。

（I）BP基本算法简介

B-P算法属于?学习率，是一种有教师的学习算法，输入学习样本为P个，x1，

x2，…xp，已知与其对应的教师为t1，t2，…tp，学习算法是根据实际的输出o1，o2，…，op与t1，t2，…tp的误差来修改其连接权和阈值，使yp1与要求的tp1尽可

能的接近。整个网络学习过程分为两个阶段，即正向传播过程和反向传播过程，两个过程反复交替，直到达到收敛为止。BP算法的学习过程按以下步骤进行，学习过程中要用到的网络参数如表3-1所示。

表3-1 有关网络参数及其含义

netj netk 中间层节点j的输入 输出层节点k的输入 输入层节点i的输出 中间层节点j的输出 输出层节点k的输出 输出层节点k的教师信号 从输入层节点i到输出层节点j的连接权值 从中间层节点j到输出层节点k的连接权值 输出层节点j的阀值 中间层节点k的阀值 oi oj ok tk wji wkj ?j ?k A、 网络状态初始化：用较小的不全相等的随机数对网络的权值wji和wkj以及阀值

?j和?k置初值。

B、 输入第一个学习模式。

C、 把学习模式的值作为输入层节点的输出oi，用输入层到中间层的权值wji和中间层节点的阀值?j求出对中间层节点j的输入netj以及相应的输出oj。

netj??wjioi

i

（3-1）

Oj?f(nejt)

（3-2）

其中f为激励函数，这里采用S型函数，形式如下：

Oj?11?e?(nejt??j)/?

（3-3）

D、用中间层的输出oj，中间层到输出层的连接权值wkj以及输出层节点k的阀值?k求出对输出层节点k的输入netk以及相应的输出ok。 nekt?

（3-4）

Ok?f(netk) （3-5） E、根据学习模式的理想输出tk和输出层的实际输出ok的差求出与输出层节点k相连的权值的误差?k。

?k?(tk?ok)?ok?(1?ok)

（3-6）

?wjkjoj

F、根据误差?k，从中间层到输出层的权值wkj以及中间层的输出oj,求出与中间层节点j相连的权值?j。 ?j?oj?(1?oj)?

（3-7）

??kkwkj

G、根据由(3-5)求得的?k以及oj和学习效率?对从中间层节点j到输出层节点k的权值wkj加以调整。

wkj?wkj???koj （3-8）

H、 根据误差?j，输入节点i的输出oi以及学习效率?对从输入节点j的权值wji加以调整。

wji?wji???joi （3-9）

I、 输入下一个学习模式。 J、若有学习模式，则返回（3-3）。 K、更新学习次数。

若学习次数小于规定次数，则返回（3-2）。以上过程中，（3-3）～（3-6）是BP算法的正向传播给出，（3-7）～（3-8）是反向传播过程。 （II）BP算法的改进

尽管BP算法是一个很有效的算法，但是在利用上面的权值调整公式进行取值调整时存在一些问题，如该算法收敛速度较慢、容易产生局部极小、网络的隐单元个数只能凭经验选取等。

①收敛速度慢或产生局部极小的原因

在式（3-6）中，如果ok?(1?ok)?0，则由式（3-8）可以看出此时对权值的修正范围很小，导致收敛速度减慢。通过对Ok?1?e1分析可知，?(?wkjoj??k)/??ok?(1?ok)?0是由于?wkjoj的绝对值很大造成的。在e?wkjoj 中，

?wkjoj?3kjj时，指数上升和下降的十分缓慢，ok处于接近于+1或0的平坦线上，此时

?wo的变化对输出函数不敏感，存在一个平坦区域，使得收敛速度缓慢。同理，也存在这里oj 由（3-1）（3-2）、oj?(1?oj)?0而导致网络陷入局部极小甚至不收敛的问题。两式求得，如果

?wo中的o取得过大，也很容易导致网络陷入平坦区，使网络

jiii收敛缓慢甚至不收敛。

针对上述问题，可从两方面入手使网络摆脱平坦区： （i）对输入数据进行归一化处理,使得oi的取值落入[0,1]之间。

（ii）一旦网络陷入平坦区或局部极小，使wkj和?k以及wji和?j同时缩小一个因子，

??1，这样可使ok?(1?ok)脱离零值，离开平坦区。

②加速收敛的几种方法 （i）自动调整学习因子

传统的BP算法中学习因子?值，仅能凭经验和试验选取，而且在训练开始时所取的?不见得对后来的训练过程合适，如在平坦区内?太小将使迭代次数增加。为解决这一问题，有人提出了自动调整学习因子的方法。该方法的最大特点就是使BP网络在训练过程中，优选最佳的学习因子，并以最快的速度逼近极小点，加快网络的收敛速度。

通过实际网络的训练，提出的自组织优化学习因子的变化规则为

???0?(1?as)???0?(1?as)(?E?0) (?E?0)

利用该方法进行实际BP网络训练，可使BP网络的迭代次数显著下降，提高网络收敛速度一倍以上。另外还对式中的系数a和s进行了优化，其结果是a=0.5，s=4时BP网络迭代次数最少，收敛速度最快。 （ii）添加动量项

为了加速收敛和防止震荡,在许多文献中都建议引入一个动量因子?: w(n0?1)?w(n0)??(n0)d(n0)???w(n0)

其中??w(n0)是记忆上一时刻权的修改方向，而在时刻(n0)的修改方向为

(n0?1)时刻的方向与(n0)时刻方向的组合。这里0???1，另外建议在进行调整

时，碰到?E?0，?要减小时，让??0，然后调节到?增加时使?恢复。 （iii）对权值修正进行批处理

在前面的算法中，权值的修正是在计算单个样本的误差后立即进行的。通过实际计算，我们发现在所有样本都输入后，计算其总的误差，然后再根据总的误差对权值进行修正，可明显加快网络的收敛速度。这是因为批处理修正可以保证E总向减小的方向变化。在样本数多的时候，效果会更加明显。

综上所述，可以得到改进的B-P学习算法：

wsq(n0?1)?wsq(n0)??(n0)?sqos???wsq(n0)

对输出层: sq?jk，

?jk?(tk?ok)ok(1?ok)/?k 对隐层: sq?ij

pijp???jkwjkojp(1?ojp)/?j k当?E?0时, ???0?(1?as)，??? 当?E?0时, ???0?(1?as)，??0

其中，?E(n0)?E(n0)?E(n0?1)，正常训练时令?j?1，?k?1，当网络陷入局部极小时，可调节?j，?k的值大于1，以便网络摆脱局部极小。 （2）B-P网络在敏感性预测中的具体实现

下面我们以水敏预测为例具体介绍一下B-P网络的实现过程。 （I）网络结构的建立 1）输入与输出层的确定

B-P网络的输入、输出层维数是完全根据使用者的要求来设计的。只要问题确定以后，则输入与输出层的单元数也就随之确定。对于水敏预测来说，输入单元主要包括影响水敏程度的主要因素。通过大量统计分析，水敏主要受泥质含量、石英含量、蒙脱石含量、矿物粒度、粒度分选、孔隙度、渗透率、矿化度、胶结类型等九个因素的影响，输出则以水敏指数作为网络的输出 。这样，网络的输入单元就为九个，而输出端为一个。 2）隐层数及隐层维数的确定

1989年Robert Hecht-Nielson证明了对于任何在闭区间内的一个连续函数都可以用一个隐层的B-P网络来逼近，因而一个三层的B-P网络可以完成任意的n维到m维的映照。因此，在水敏预测中，我们选定了3层网络结构。

隐层单元数的选择是一个非常复杂的问题，隐单元数太少可能训练不出来或网络不强壮,不能识别以前没有见过的样本，容错性差，但隐单元太多又使学习时间过

长，误差也不一定最佳。隐单元数的选择一般可参考以下几个公式:

?n1?k??C??

i?0?i?n?n1?式中k为样本数，n1为隐单元数，n为输入单元数，如i?n1，C???0

?i?n1?n?m?a

其中m为输出神经元数，n输入神经元数，a为1～10之间的常数。

n1?log2n

n为输入神经元数。

根据训练情况，我们在水敏预测网络中，将隐单元数取为15。

（II）学习样本的收集整理以及原始数据的处理 1）学习样本的收集

训练集的构成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、怎样分类或合适地输出信号的唯一知识来源，任何意义不明的数据或合适样本的缺乏将导致网络对输入信号的错误执行。因此，在收集资料的过程中应选择有代表性的油田、区块，同时还应注意数据的准确性。 2）原始数据的处理

由前面的分析可知，在水敏训练集中主要包括泥质含量、石英含量、蒙脱石含量、矿物粒度、粒度分选、孔隙度、渗透率、矿化度、胶结类型以及水敏指数等十个指标参数。在这些指标参数中，既有定量数据又有定性数据，而且各指标参数的取值范围也差别很大，如果不预先进行处理，学习收敛的速度就很慢甚至不收敛。下面分别介绍以下各指标参数的预处理。 （i）胶结类型的处理

按岩矿鉴定标准，胶结类型可分为弱胶结、薄膜、接触、孔隙、凝块、再生加大、基底、压嵌式等八种。最常见的是接触式、孔隙式和基底式，以及它们的组合。通过采用非等差式赋值方法进行定量化变换，可得出如表3-2所示的胶结状态赋值数据。

表3-2 胶结状态归一化赋值数据表

标准胶结状态 弱胶结式 薄膜式 接触式 孔隙式 凝块式 再生式 基底式 压嵌式 归一化赋值 0.1081 0.1892 0.2703 0.5405 0.7027 0.7838 0.8378 0.8919 组合胶结状态 孔隙-接触 基底-接触 接触-孔隙 基底-孔隙 接触-基底 孔隙-基底 归一化赋值 0.3514 0.4054 0.4865 0.6216 0.6757 0.7568

（ii）岩石颗粒分选的处理

在这里采用目前常用的福克沃德分选标准差来表示分选程度，其归一化方式可表示为:

?00690.?i?035.?Xi???i/(4.0?035.)035.??i?4.0?09432.?i?4.0?式中，Xi—对应的归一化值 ?i—福克沃德分选标准差

（iii）泥质、石英、胶结物、蒙脱石及伊蒙混层含量的处理 直接取其实际含量，以小数表示。 （iv）渗透率的处理

由于大部分油田区块的渗透率范围在10～2000 μm2之间，因此气测渗透率的数值归一化可按下式处理：

.Ki?2000?09999?KiXi??10?Ki?2000

2000?0005Ki?10?.式中，Xi—对应的归一化值 Ki---气测渗透率（10?3?m2） （v）地层水矿化度的数值归一化

1Z?20??Xi??Z

0?Z?0??20式中，Xi—对应的归一化值

Z—地层水矿化度（1000ppm） （vi）水敏指数的确定及其处理

储层水敏程度一般用水敏指数Iw来表示，其计算公式如下：

*Iw?1?Kw/K1

其中，K1—地层水渗透率 Kw—去离子水渗透率

根据通常使用的判定标准，水敏指数Iw与水敏性强弱程度及相应的归一化处理结果如下表3-3所示。

表3-3 水敏指数Iw与水敏性强弱程度及相应的归一化值

序号 1 2 3 4 5 6 对应水敏指数Iw 水敏性结论 极弱 弱 中偏弱 中偏强 强 极强 归一化Xi Iw?05. Xi?05. 005.?Xi?030. 030.?Xi?050. 050.?Xi?070. 070.?Xi?090. 005.?Iw?030. 030.?Iw?050. 050.?Iw?070. 070.?Iw?090. Iw?090. Xi?090.

（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

9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 辽 河 二连 中 原 冀 中 胜 利 其 它 0.921 0.412 0.712 0.650 0.550 0.500 0.400 0.710 0.930 0.901 0.903 0.657 0.051 0.093 0.020 0.030 0.430 0.377 0.691 0.375 0.666 0.473 0.860 0.412 0.567 0.960 0.421 0.952 0.890 0.047 0.079 0.048 0.029 0.255 强 中 强 中 中 中 中 强 强 强 强 中偏强 弱 弱 弱 弱 中偏弱 84% 中 中 中 中 中 强 中 中偏强 强 中 强 中 弱 弱 弱 弱 弱 错误 正确 错误 正确 正确 错误 正确 基本正确 正确 错误 正确 基本正确 正确 正确 正确 正确 基本正确 符合率

从上表我们可以看出，在总共25个样本中，水敏程度判错了4个，判错率为16%，

符合率为84%。预测的水敏指数值大都与实测值相符合，可以满足工程预测的需要。 （4）配套软件的研制与开发

在确定了储层潜在敏感性预测方法及完成对人工神经网络训练后，关键的问题

是如何实现用神经网络对储层潜在敏感性作出预测。为了用计算机来实现这一计算和判定过程，课题组开展了预测储层潜在敏感性的计算机应用软件的研制工作。 （I）储层潜在敏感性预测软件的设计要求

根据油田现场实际需要，并在调研目前许多商品软件的基础上，研制的储层潜

在敏感性预测软件应具备以下的总体功能要求：

1）具有样品数据资料的输入接口和可修改数据资料的功能； 2）对输入数据和预测结果有查询的功能； 3）对正常输入数据有分别预测五敏和全敏的功能； 4）具有输入数据和预测结果文件存盘的功能；

5）具有对不合理数据输入作出提示的功能； 6）具有预测结果显示和打印输出的功能； 7）具有软件安装简单方便的功能；

8）软件的界面友好，操作灵活方便，且易于升级。 （II）储层潜在敏感性预测软件的运行要求

该预测软件对运行环境有以下基本要求

1）计算机硬件要求 计算机应具有486以上的CPU，4MB以上的内存，具有10MB以上的剩余硬盘空间同时配有鼠标。

2）软件环境要求 该软件作为运行于Windows下的计算机软件，需要DOS 5.0以上的操作系统，在中文Windows 3.X或中文Windows 95支持下才能运行。 3）预测储层潜在敏感性所需的数据资料 根据前面神经网络训练过程，要预测储层潜在的水敏、盐敏、速敏、酸敏和碱敏等五敏，至少需要17个储层组成和结构特征参数。具体对每种敏感性预测所需参数见表3-8。

表3-8 各种敏感性预测所需参数对应表

参数名 泥质含量 石英含量 长石含量 碳酸盐含量 含铁碳酸盐量 蒙脱石含量 伊利石含量 高岭石含量 绿泥石含量 伊蒙混层含量 胶结类型 粒度均值 粒度分选 孔隙度 气体渗透率 总矿化度 钙镁离子相对量 水敏预测 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 盐敏预测 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 速敏预测 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 酸敏预测 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 碱敏预测 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 注：? 表示需要，? 表示不需要。

本文来源：https://www.bwwdw.com/article/2aag.html