1. 引言
油气储层产能评价与预测是油气勘探和开发领域的一项基本任务，对油气产能的评价不仅能检验油气勘探的成果，而且可作为指导油气田开发的依据 [1] 。产能预测方法的基本思想是通过研究测井、岩心分析、试油、生产等数据，建立储层产能与测井数据之间的关系，利用储层原始静态特征参数评价、预测储层的产能 [2] [3] 。在油田开发过程中，油气储层的生产能力受到诸多因素的影响，产能是各种影响因素的综合反映。归纳起来，影响产能的因素大致可分为两大类，一类是储层因素，包括储层的岩性、物性、含油气性和流体性质；另一类为工程因素，包括表皮系数和流体半径。储层产能是由储层的自身条件与外部环境以及油气性能等共同决定的。实际生产中，由于受特定开采区块内开发井网和作业方式的限制，外部环境条件和油气性能等是相对固定不变的 [4] 。此时，储层的产能高低与油气储层的自身性质具有很强相关性。目前对油气产能的预测提出了较多方法 [5] ，谭成仟提出了储层产能的灰色理论预测模型 [6] [7] 并应用于辽河油田 [8] ，多元回归分析也被用于油气产能预测 [9] ，张锋等提出基于支持向量机方法预测储层产能 [10] ，张程恩结合RQI储层品质因子预测储层产能 [11] 。针对环江地区长6油层组低孔–特低渗岩性油藏 [12] [13] ，本文在储层特征研究的基础上 [14] ，利用已有的勘探、评价井信息，探讨了基于BP神经网络产能预测方法，并与基于RQI产能预测方法和支持向量机方法进行了比较。
2. 研究区概况
研究区位于鄂尔多斯盆地西南部环县以北地区，区域上横跨天环坳陷和伊陕斜坡两大构造单元，区域构造背景为一平缓的西倾单斜。工区西起山城，东至樊学，北到姬塬，南至郝家涧。研究区处于鄂尔多斯盆地西北、东北及西部三个物源交汇处，面积约2900平方千米。
研究层段为延长组长6段，从盆地演化史可知长6期盆地进入湖盆萎缩期，碎屑物质逐步充填湖盆，进入了陆相三角洲建设期，且逐渐向湖盆中心推进，目的层主要发育三角洲前缘亚相沉积，以水下分支河道沉积为主，局部发育半深湖–深湖环境，且存在一定范围的浊积扇和砂质碎屑流等深水沉积，储层发育浅灰色长石砂岩、长石质岩屑砂岩、岩屑质长石砂岩，由于受后期压实作用等的影响，工区主要发育低孔低渗的致密储层，平均孔隙度9.04%，渗透率0.31 mD，局部地区发育高孔高渗带。近年来环江地区长6段勘探不断取得新进展，自2009年以来陆续发现新的含油砂带，有利区含油面积达到240 km2，评价储量更突破6000 × 104t，逐渐成为盆地内又一重要的油气勘探区。
3. 训练BP网络的步骤
BP神经网络是一种监督学习算法，输入学习样本，使用反向传播算法对网络的权值和偏差反复调整训练，使输出向量与期望向量尽可能地接近，当网络输出层的误差平方和小于指定的误差时训练完成，记录训练网络的权值和误差。训练BP神经网络的步骤如下：
1) 神经网络初始化，给所有连接权值赋予区间(−1,1)内的随机数，设定误差e、计算精度ε。 及最大学习次数N；
2) 随机选取第k个输入样本
、期望输出
；
3) 计算隐藏层各神经元的输入和输出；
4) 利用网络期望输出和实际输出，计算误差函数对输出层的各神经元的偏导函数
；
5) 使用隐藏层到输出层的连接权值、输出层的
。和隐藏层的输出计算误差函数对隐藏层各神经元的偏导数
；
6) 根据隐藏层各神经元的
。和隐藏层各神经元的输出修正连接权值
；
7) 利用隐藏层各神经元的
和输入层各神经元的输入修正连接权；
8) 计算全局误差
；
9) 判断误差E是否满足要求，当误差达到预定精度或学习次数大于设定的最大次数则结束计算，否则选择下一个学习样本进入步骤3)继续学习直至满足结束条件。
训练BP网络的取样数据要满足几个条件：1) 遍历性，即选取出来的样本要有代表性，能覆盖全体样本空间。本文中每个聚类部分都选取部分样本作为训练输入层数据；2) 相容性，即选取出来的样本不能自相矛盾；3) 致密性，即选取的样本要有一定的数量，以保证训练的效果；4) 相关性，即训练样本中各输入值与目标值要有一定的相关性，训练样本集合中输入参数之间线性无关。为保证BP网络能够快速收敛，目标输入层和输出层的数据通常需要归一化到0到1区间。
理论上含有一个隐藏层的BP网络可以满足任意精度近似连续非线性函数。用神经网络预测储层的油气产能，在一定程度上，避免了建立产能与储层物性、含油性、有效厚度之间复杂函数关系的过程，只需要选取已知数据作为训练数据，就可以很容易建立储层的产能预测模型。
4. 利用BP神经网络预测产能
根据灰色系统理论选择储层产能相关评价参数，利用灰色关联法对产能评价参数“去白化”，确定储层产能评价指标与实际数据之间的灰关联度，即各自变量在回归模型中的重要性排序，最终优选出产能评价的影响参数(图1)，进而计算各指标的影响权重，对影响产能指标的权重排序
有效厚度 > 孔隙度 > 含油饱和度 > 渗透率
对于低孔、超(特)低渗储层，产能受油层厚度的影响相对大，同时孔隙度、含油饱和度越大，产能越大，与前期储层综合评价的认识是一致的。
结合探井目的层试油资料，对长6层生产井前3个月产量做劈分计算，得到了环江产油井长6层位的产能数据，使用给定BP网络模型训练得到针对研究区产能预测参数所有神经元的权重后，就可进行产能预测。具体操作流程：①首先设计人工神经网络结构，采用三层网络结构(图2)，选择孔隙度、渗透率、含油饱和度和有效厚度4个预测参数作为BP网络的输入层神经元，产能值为输出层神经元，根据
经验设定5个隐层神经元，构成储层产能预测的BP网络模型；②选取R317、W191、H241、H258、H151、M2、H23等井作为训练样本数据训练(表1) BP神经网络，给定BP神经网络的收敛误差为0.0001；③通过网络训练得到适合于全地区的连接权重和阈值后，使用该模型对未知产能生产井预测。
基于图2的神经网络预测模型预测环江长6单井产能。储集层品质因子能够有效反映岩石微观空隙结构变化的岩石物理分类特征参数，支持向量机是基于结构风险最小化原理的非线性拟合方法，本文比较了BP神经网络和支持向量机及基于RQI储层品质因子方法的预测产能(表2)。
表3是三种方法的预测产能与实际产能的回归系数，其中BP神经网络方法的预测值与实际值的回
Figure 1. Comparison of productivity evaluation correlation weight based on grey correlation method
图1. 基于灰色关联法评价产能相关指标权重系数
Figure 2. BP neural network prediction model of Chang 6 in Huanjiang area
图2. 环江长6的BP神经网络产能预测模型
Table 1. Training data table of well productivity in Huanjiang Chang 6
表1. 环江长6单井产能的训练数据表
Table 2. Productivity prediction effect of Chang 6 in Huanjiang
表2. 环江长6段产能预测效果
Table 3. Correlation coefficient between prediction and actual productivity
表3.产能预测与实际产能相关系数表
归相关系数为0.95，比SVR和基于RQI储层品质因子方法的预测准确性更高，证明了基于BP神经网络的产能预测模型的有效性和实用性。
结合环江地区沉积特征、储层特征、砂体分布等资料，在已建立的BP神经网络预测模型基础上进行了有利区预测(图3)。研究区长62的有利区分布较分散，从北到南均有分布，共预测出有利区11个，预测总面积148.52 km2，发育在三角洲前缘水下分支河道，物源主要受北东向三角洲沉积影响。
5. 结论
1) 根据灰色系统理论选择储层产能相关评价参数，利用灰色关联法对产能评价参数“去白化”，确定储层产能评价指标与实际数据之间的灰关联度并进行排序，影响产能的重要指标为有效厚度、孔隙度、含油饱和度和渗透率。
Figure 3. Target prediction area of Chang 62in Huanjiang based on BP neural network
图3. 基于BP神经网络的环江长62有利目标预测区
2) 基于BP神经网络模型预测环江地区长6单井的产能，对比支持向量机和基于RQI储层品质因子方法，BP神经网络产能预测模型具有很强的适应能力与灵活性，避免了产能方程中经验系数确定的复杂工作，预测精度相对较高。
3) 以环江长62为例在BP神经网络预测模型基础上进行了建产有利区预测，为油田进一步生产开发提供依据。
基金项目
国家自然科学基金(41572121)资助。