储层流体高压物性参数计算方法(专题).ppt

Glaso利用北海油田和其他地区的pVT分析资料，由回归分析法获得的相关经验公式： 2） Glaso的经验公式 5.原油粘度的计算 (1) Egbogah给出了计算压力小于或等于饱和压力的脱气原油的粘度： (2) Beggs和Robinson给出了含溶解气的原油与脱气原油粘度之间的关系： 根据对2073个油样分析的结果表明：计算的平均绝对误差为1.83％。 (3) 当压力高于饱和压力时，Vazques和Beggs给出了下式： 根据对3143 个油样的分析表明，上式的平均绝对误差为7.54％。 第三节 地层水的物性参数计算 地层水的高压物性参数包括溶解气水比、压缩系数、体积系数和粘度。 1.溶解气水比 溶解气水比系指标准状况下1m3的水在气藏温度、压力条件下所溶解的天然气在标准状态下的体积数。McCain提出了一个用来估算溶解气水比的关系式： 关于系数A、B、C值： 2. 地层水的等温压缩系数 地层水的等温压缩系数取决于压力、温度、溶解气水比以及地层水的矿化度。 地层水的压缩系数是指：单位体积地层水在单位压力改变时的体积变化值，即： 当已知气藏的地层压力、地层温度和天然气在地层水中的溶解度之后，可由如下的相关经验公式计算地层水的压缩系数： 其中： 3. 地层水的体积系数 McCain提出了一个用来估算地层水的体积系数的关系式： 地层水的体积系数定义为气层条件下水的体积与标准状况下纯水(即脱气水)的体积之比，即 其中： 4. 地层水的粘度 (1) McCain提出了计算在大气压和油（气）藏温度下水的粘度的关系式： 上式的精度度为95%。 (2)在油（气）藏条件下的地层水的粘度为： 当地层压力小于68.95MPa时，其精度为96% 5. 地层水的密度 (1)在地层条件下，确定纯水密度的相关经验公式为： (2) 若考虑矿化度的地层水的密度： 6. 气井的水气比 气井凝析水的产量可由如下的经验公式计算： 第四节 BP神经网络法 利用BP神经网络模型建立油藏流体高压物性参数的预测模型，来对原油高压物性参数进行预测，是油藏高压物性参数研究的一种较为新的方法，其优势在于，不管参数之间的关系多么复杂，它都能通过自学习和自适应过程，把这种复杂的关系隐含到神经元之间的连接权重，因此它对复杂的高压物性参数问题，特别是非线性问题有较强的解决能力。虽然这种方法获得的解释模型是一个二维矩阵，不能直观地反映参数之间的相互关系，但使用起来却极为方便。 图 BP网络的结构 1. BP网络的结构 BP网络是应用最广泛的一类网络，它由输入层、隐含层、输出层构成，输入、输出层的节点数目可由输入、输出参数的数目来决定；隐含层可以是多层，一般而言，隐含层较多，则较少次数的权数的权值调整网络就能学到样本知识，并以权值分布的形式贮存起来：不过隐含层多，需要调整的权值个数就大幅度增加，网络的学习就会占用更多的时间。 2. 激活函数的选择 构成BP网络的神经元所用的激活函数必须是处处可导的。一般地，多数设计者都使用s型函数。 对一个神经元来说，取它的网络输入 该神经元的输出为 3. BP算法 BP算法主要包含4步，这4步被分为两个阶段： A 向前传播阶段 （1）从样本集中取一个样本（Xp,Yp），将Xp输入网络； （2）计算相应的实际输出Op。 在此阶段，信息从输入层经过逐级的变换，传送到输出层。这个过程也是网络在完成训练后正常运行时执行的过程。在此过程中，网络执行的是下列运算： B 向后传播阶段 （1）计算实际输出Op与相应的理想输出Yp的差； （2）按极小化误差的方式调整权矩阵。 这两个阶段的工作一般应受到精度要求的控制，取 作为网络关于第p个样本的误差测度。 将网络关于整个样本集的误差测度定义为 4.高压物性参数预测网络模型的建立过程 (1)网络模型的建立 神经网络方法用于油藏流体物性参数预测的基本思路是，首先应用已知油藏区块的取样数据(样本)对网络进行训练，然后再将未知井的取样数据输入训练后的网络，最后预测出该区块未知井段的流体性质。 图　PVT BP网络预测模型拓扑结构 (2)数据的归一化预处理 由于各种取样数据的量纲不同，其数值相差很大。就像泡点压力和原油粘度这种情况，但是如果输出数据的变化范围很大的话，神经网络是不稳定的。因此，必须在ANN进行学习训练阶段前，消除这些困难。 在运用神经网络预测油藏流体高压物性参数之前，无论是学习样本还是预测数据，都需要进行归一化处理，将它们统一刻度在0～1之间。在