1、dianzi yuanqijian yu xinxijishu 电 子 元 器 件 与 信 息 技 术128|大数据在水平井产液剖面测井资料分析中的应用研究陈海宇肇庆医学高等专科学校，广东肇庆526020摘要：影响水平井产液的因素较多，测井资料类型较为丰富、数量级较大，通过大数据对水平井进行解释具有良好的发展前景。建立了水平井产液剖面影响因素分类模型，提出了测井资料解释大数据分析方法，通过hadoop+spark+hive环境搭建大数据平台，实现数据采集及整理，将数据进行动静归一化、单位归一化、层次归一化和正负归一化的预处理，再利用BP神经网络进行水平井产液剖面的数据分析。算例证明，基于BP神
2、经网络的大数据分析对于水平井产液剖面解释预测的效果较好，单项流水平井解释结果相对误差基本都处于6以内，对于特定解释层深度的解释结果相对于全流量层的解释精度来说更高，对于多项流水平井解释结果显示相对误差基本都处于9以内，低于单向流，原因可能是由于输出层相对数据较多，影响了Traindx法训练函数的过程。关键词：大数据；水平井；BP神经网络；测井资料；数据预处理；钻井中图分类号:TE2 文献标志码:A DOI:10.19772/ki.2096-4455.2022.11.029 0引言随着世界能源竞争格局的不断变化，资源挖掘和利用对于国家和地区的发展都具有越来越重要的重要。近年来，水平井采掘技术在我
3、国的资源开采中已经取得了大量的突破性进展，为油藏水平井等的深入利用提供了可行机会。对于水平井产液剖面而言，已经有大量学者对于开采技术、分析技术等进行了研究，取得了许多成果1-4，例如张诗洋5提出了基于热示踪原理的水平井产液剖面流量测量新方法，朱洪征等6分析了低液量水平井存储式产液剖面测井技术与应用，郭道连7对于青海油田水平井产液剖面测井资料进行了分析及应用。但是，目前对于水平井产液剖面测井资料的分析方法仍然较为保守，而传统的资料分析方法不能满足当前复杂的水平井产液剖面解释过程，严重影响了解释结果的精度问题，因此寻求先进的资料分析方法对于水平井产液剖面解释具有重要的实际意义。本文针对水平井产液剖
4、面测井资料内容和其特性，提出了测井资料解释大数据分析方法，对生产测井解释具有参考和借鉴意义。1水平井产液剖面影响因素分析随着国内外水平井生产测井数据越来越多，现有测井解释方法可以对水平井生产测井进行定性解释，但定量计算精度不能满足生产实践的要求，需要研究新的水平井产液剖面解释方法，提高其解释精度，通过研究新解释方法与解释模型，能准确计算出油气井中各生产层的油气水数据，为调整油气生产提供有力的科学依据。应当充分考虑水平井井筒模型的相关参数，判别水平井筒摩擦压降模型、水平井筒加速度压降模型、水平井筒混合压降模型，并综合水平井产液剖面的影响因素，归纳其中的相似关基金项目：（1）本 文 系 2020
5、年 肇 庆 市 科 技 创 新 项 目“水 平 井 产 液 剖 面 大 数 据 解 释 平 台 研 究”（项 目 编 号：202004030401）；（2）2021年度广东省普通高校特色创新类项目“智慧医疗中区块链技术研究与应用”（项目编号：2021KTSCX332）。作者简介：陈海宇，女，广东罗定，硕士，副教授，研究方向：软件工程、数据结构与算法、大数据分析。电 子 元 器 件 与 信 息 技 术|129大数据与云计算系，并将其分为总层级、次层级和再次层级，总结影响因素如图1所示。图 1水平井产液剖面影响因素及其分类2测井资料解释大数据分析方法2.1数据采集及整理资料整理是利用大数据对于测井
6、资料解释分析的最基础步骤，原因数据类型的关键与否以及数量的多少决定着大数据分析的效果，通常认为，大数据需要足够的信息作为支撑，以满足后续的分析。当前，我国水平井年增数千口，在产油气井数万口，对每口井而言，其信息的种类十分丰富、数据量较大，因此，需要对于已有的水平井产液剖面测井资料进行整理，以进行信息的处理，可以根据生产测井解释特征，结合几十年来生产测井收集的丰富数据，基于hadoop+spark+hive环境搭建大数据平台，使其提供离线计算、即席查询、实时计算、实时查询功能。其中，hadoop的HDFS是分布式文件系统的解决方案，能解决生产测井解释数据的存储问题；hive可以解决离线计算和即席
7、查询的问题；spark streaming解决实时计算问题。在此大数据平台下，构建大数据软件处理环境，首先，对生产测井数据进行分类，接着对生产测井数据进行分析，再通过训练生产测井样本数据构建出生产测井大数据解释模型，最后在生产测井解释大数据平台上，利用大数据解释模型，研制交互友好的产液剖面解释软件模型。2.2数据预处理数据预处理指的是应当对影响测井资料解释大数据分析的因素进行归一化处置，避免测井资料中相关影响因素的差异性造成的信息混乱，包括动静归一化、单位归一化、层次归一化和正负归一化。（1）动静归一化。水平井产液剖面的相关测井资料中，不少都是动态数据，在此情况下，需要依据影响因素特性选取其最
8、大值或是平均值，以避免动态数据和静态数据的不同造成信息分析的混乱。（2）单位归一化。不同影响因素的单位不同，但是影响因素中的量纲应该统一，例如在各因素的时间参量上取“天”为单位，在体积参量上取“米”为单位。（3）层次归一化。在图1中，不同影响因素之间存在联系关系，例如本文将原油密度、水粘度、水密度、原油粘度、油体积系数、油饱和度、水体积系数、相对粗糙度都归属于材料特性之中，以有效的归属评价准则。（4）正负归一化。影响因素之间的正负关系容易造成数据分析的失效，例如钻井污染对于水平井产液剖面而言就是负相关关系，需要对其进行预处理，统一影响因素的目标。2.3BP神经网络数据分析大数据分析方法的类型很
9、多，其中，BP（Back Propagation）神经网络是其中经典的一种，对于水平井产液剖面测井资料分析而言，其优点十分明显，体现在其数据分析的速度较快，能够对于大量的影响因素进行同向并行分析，在此过程中实现数据信息的自组织以及自学习，在数据预测分析中的效果良好。根据水平井产液剖面的特性，结合图1对于测井资料分析归纳，将其数据分析进行BP神经网络建模和分析，处理流程如图2所示。dianzi yuanqijian yu xinxijishu 电 子 元 器 件 与 信 息 技 术130|3算例分析以位于某省油田处的钻井为研究区块，其分布着30余口钻井，钻孔深度由1200m至3000m不等，井口
10、含水率由30至90不等，且部分为三相流水平井，区域内水平井压裂工艺主要为常规压裂工艺及水平段分段压裂工艺，少部分采用了段内多缝体积压裂工艺，近年来的平均单井日产气效果较为良好，并且其资料较为完备，尤其是对于油层顶面深度、油水界面深度、原油密度、地层水密度、原始含油饱和度、相对粗糙度、地层油体积系数、地层水体积系数等关键参数记录较为完整，符合大数据分析的基础条件。以研究区块内的钻井资料为输出层，由于水平井产液剖面测井资料的类型较为复杂，且非线性表征较强，因此，选用BP神经网络中自适应学习率动量梯度下降法（Traindx法）为训练函数，并将激活函数选取为对于非线性数据分析较为有效的sigmoid函
11、数，其表达式为：其中f(u)为激活函数，u为自变量，e为自然对数，则将BP神经网络中的层间随机权值向量与接受层代入，能够计算相对误差。通过前文所述的数据预处理方法对研究区块内记录的数据进行处理，同时，对于缺失的数据，采用经验平均值进行补充，并分别计算单相流解释结果及多相流解释结果，并选取其中资料较为完备的水平井实测数据进行对比，如表1和表2所示。根据计算结果可知，使用大数据对于水平井产液剖面测井资料分析预测的效果较好，其中大数据对于单项流水平井解释结果显示相对误差基本都处于6以内，表明其精度较高，并且对于特定解释层深度的解释结果相对于全流量层的解释精度来说更高。同时，大数据对于多项流水平井解释
12、结果显示相对误差基本都处于9以内，其精度良好，其解释精度低于单向流的原因可能是由于输出层相对数据较多，影响了Traindx法训练函数的过程，造成了其对于解释结果的预测精度降低。4结语（1）水平井产液剖面的测井资料类型较为丰富，同时数量级较大，本文建立了水平井产液剖面影响因素分类模型，能够为大数据方法对于水平井解释提供层级构架。（2）本文提出了测井资料解释大数据分析方法，通过hadoop+spark+hive环境搭建大数据平台，实现数据采集及整理，将数据进行动静归一化、单位归一化、层次归一化和正负归一化的预处理，再利用BP神经网络进行水平井产液剖面的数据分析。图 2BP 神经网络分析水平井产液剖
13、面过程 电 子 元 器 件 与 信 息 技 术|131大数据与云计算（3）通过算例证明，使用大数据对于水平井产液剖面测井资料分析预测的效果较好。对于单项流水平井解释结果显示相对误差基本都处于6以内，对于特定解释层深度的解释结果相对于全流量层的解释精度来说更高，对于多项流水平井解释结果显示相对误差基本都处于9以内，低于单向流，原因可能是由于输出层相对数据较多，影响了Traindx法训练函数的过程。参考文献1 崔文昊,高榕,常莉静,等.井下存储式浮子流量计在水平井产液剖面测试中的应用J.测井技术,2017,41(4):458-461.2 孙敬,刘德华,董春艳.大数据挖掘技术评价致密气藏水平井产能J
14、.特种油气藏,2016,23(5):74-77+154.3 陈阳,张松,刘国亮,等.底水油层水平井产液剖面均衡性评价J.地质科技情报,2016,35(4):111-114.4 徐昊洋,王燕声,牛润海,等.水平井连续油管输送存储式产液剖面测试技术应用J.油气井测试,2014,23(3):46-48+77.5 张诗洋.基于热示踪原理的水平井产液剖面流量测量新方法J.大庆石油地质与开发,2019,38(6):78-82.6 朱洪征,郭靖,黄伟,等.低液量水平井存储式产液剖面测井技术与应用J.钻采工艺,2018,41(6):50-52+8.7 郭道连.青海油田水平井产液剖面测井资料的分析及应用J.石油
15、管材与仪器,2018,4(1):94-96+100.8 宋文广,江琼琴,李疾翎,等.水平井同倾斜角度产液剖面计算模型J.石油与天然气地质,2015,36(4):688-694.表 2大数据对于多相流水平井解释结果序号井名层段深度/m产出量/(m3d-1)相对误差绝对值平均/大数据分析结果实测结果1BM-05-42H1673.71678.473.56354.283.468.36101.285.24.6 2BM-05-42H1831.31837.159.46504.771.352.36107.176.48.9 3BM-08-51H2546.32549.783.48311.298.277.68013
16、.293.15.6 4BM-08-51H2683.52689.567.38471.393.170.38312.781.46.8 5BM-16-40H1931.51936.793.43574.135.499.23821.436.85.4 6BM-16-40H2053.42058.6102.53256.839.2100.63023.537.54.7 7BM-23-19H1567.01573.2735317.543.675.35043.440.55.4 8BM-23-19H1689.31693.892.35123.649.295.45504.543.28.0 表 1大数据对于单相流水平井解释结果序号井名层段深度/m产出量/(m3d-1)相对误差/大数据分析结果实测结果1BM-12-15H全流量层569.4612.8-7.1 2BM-12-15H1509.31513.771.576.5-6.5 3BM-12-15H1673.21679.5112.8108.73.8 4BM-17-18H全流量层1032.91083.6-4.7 5BM-17-18H1358.41362.7195.7200.3-2
