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。