建立吸水剖面的预测模型

注水井吸水剖面的变化既受储层地质特征和注水井注入参数的影响，也受对应油井开采的影响，属于一个极其复杂的“黑箱”系统。吸水剖面变化与影响因素之间是一种完全非线性的关系。

图8-2　吸水百分数与注水层数关系曲线

图8-3　吸水百分数与渗透率级差关系曲线

分析认为，影响吸水剖面变化的主要因素有两个方面：

（1）与注水井相关参数

包括小层沉积微相、小层物性（孔、渗）、砂岩厚度、注水压力、小层地层压力、合注层数、单层突进系数、注水量等。

（2）对应油井相关参数

包括小层沉积微相、小层物性（孔、渗）、油层厚度、注采井距、油井产量等参数。

影响吸水剖面变化的地质开发因素多种多样，各因素影响程度不同。采用模糊理论结合自适应网络预测方法进行各因素影响程度研究。

充分利用前期大量吸水剖面测试资料，依据注水井及油井参数，量化权重值见表8－1。

表8-1　吸水剖面影响因素权重系数表

各因素权重系数统一变化幅度为10%，其中注水井小层厚度、渗透率及注水压力三项参数变化后对模型拟合的准确程度影响最大，表明这三项参数敏感性最高，重要性最高。(www.xing528.com)

自适应模糊神经网络是一种解决影响因素与结果间非线性复杂关系的系统分析预测方法（图8－4）。一方面，可以利用自适应神经网络回归处理海量数据；另一方面，可以利用模糊评判分析数据的综合规律和某些不确定性分布，这是将数据分析学习与分析结果推理相结合的有效预测方法。

图8-4　自适应模糊神经网络示意图

第一层为输入层，输入每项影响因素；第二层每个结点代表影响因素相应评价集的隶属度；第三层每个结点代表一条模糊规则；第四层进行各个影响因素的归一化计算；第五层是模糊神经网络的输出层，输出预测指标。

根据模糊神经网络预测法构建出数学表达系列式，进行复杂的迭代计算，计算出小层相对吸水量，与实际数据进行比较，若计算值在误差允许范围内，则得到满足要求的影响因素权重及模糊规则；若误差不符合要求，则调整模糊规则及因素权重，修改数学表达式，重新进行迭代运算，直到误差满足要求，如此得到比较可靠的吸水剖面预测模型（图8－5 和图8－6）。

图8-5　吸水剖面预测模型构建流程图

图8-6　吸水剖面预测模型计算拟合过程

形成吸水剖面预测模型后，对未参与拟合计算的4 口注水井11 次吸水剖面资料进行检测比对，总体效果较好（图8－7 和图8－8）。

图8-7　单井单次吸水剖面检测图

图8-8　全区4 口井吸水剖面检测图

吸水剖面预测技术的研究应用为注水井优化层段组合及分注方案提供了技术支撑，提高了水井作业有效益率。东沙二下实验井濮39H 通过模拟3 种不同层段组合下的吸水剖面预测情况，优选第三种方案作业调配，作业后测试吸剖与预测值比对，符合率较高，应用效果较好（图8－9）。