一种裂缝性特低渗透油藏地层参数预测方法与流程

本发明涉及裂缝性特低渗透油藏开发技术领域，尤其涉及一种裂缝性特低渗透油藏地层参数预测方法。

背景技术：

裂缝性特低渗油藏水驱开发过程中，注采井间地层参数会发生明显的时域性变化，其动态变化规律与趋势难以有效表征与预测。随着裂缝性特低渗油藏注水开发的不断深入，地层参数会发生时域化变化，特别是地层中的裂缝受注水强度、注入压力等的变化而使整个注采井组水驱开发效果改变。如何利用注采井组历次示踪监测解释结果来预测未来井间地层参数，实现裂缝性特低渗油藏参数在时间上的推移，反馈参数的变化趋势和规律，已成为实现裂缝性特低渗油藏注水开发动态实时监测与预测的关键。

技术实现要素：

为了克服现有技术的缺陷，本发明的目的在于提供一种裂缝性特低渗透油藏地层参数预测方法，能够利用注采井组历次示踪监测解释结果来预测未来井间地层参数，实现裂缝性特低渗油藏参数在时间上的推移，反馈参数的变化趋势和规律。

为了达到上述目的，本发明的技术方案为：

一种裂缝性特低渗透油藏地层参数预测方法，包括以下步骤：

步骤1，建立时域化学示踪物理模型，利用井组历次示踪剂解释参数、生产井及采油井生产动态参数结合相关静态参数实现示踪剂解释参数在时间上的推移与预测，选取直观指示裂缝性特低渗透油藏地层参数的已知的动态历史信息与已知的静态信息，明确求解变量；

步骤2，建立时域化学示踪数学模型，以步骤1建立的时域化学示踪物理模型，把示踪剂监测的历史信息作为学习样本，找寻各个参数之间内在复杂的隐含关系，建立描述该物理模型的数学表达；

步骤3，建立时域示踪神经网络模型，利用bp神经网络进行时域示踪分析，建立较为合适的网络结构，包括输入层节点数、隐含层节点数及输出层节点数；

步骤4，根据时域化学示踪物理模型、时域化学示踪数学模型和时域示踪神经网络模型，利用bp神经网络技术求解时域化学示踪数学模型，根据求解结果预测裂缝性低渗透油藏的裂缝条带个数n、裂缝条带平均渗透率k、注入水波及体积v、注入水分配系数f和水驱推进速度v。

本发明中的时域化学示踪物理模型和时域化学示踪数学模型均属于时域示踪理论模型，所述时域示踪就是根据示踪监测历史曲线解释的参数值，并结合生产动态资料及地质静态资料来分析预测未来的示踪剂产出曲线解释参数的变化趋势，从而指导油田注水开发方案的调整。以井间化学示踪监测历史资料为数据源，将其看成是时间的序列，利用神经网络技术进行时间推移示踪预测和分析首先需建立一个符合油田实际的物理模型和数学模型，同时应从生产实际出发确定其定解条件。

所述步骤1中的时域化学示踪物理模型包括已知的动态历史信息、已知的静态信息、求解变量及预测技术，其中：

已知的动态历史信息包括：生产时间t、产量、含水率、井组累积注采比、井组阶段注采比、上次裂缝条带个数、上次裂缝条带平均渗透率、上次注入水波及体积、上次注入水分配系数和上次水驱推进速度；

已知的静态信息包括：生产段基岩静态产能系数、生产段基岩静态储能系数和注采井距；

求解变量包括：裂缝条带个数、裂缝条带平均渗透率、注入水波及体积、注入水分配系数和水驱推进速度；

预测技术为神经网络技术。

已知的动态历史信息中，上次裂缝条带个数、上次裂缝条带平均渗透率、上次注入水波及体积、上次注入水分配系数和上次水驱推进速度采用裂缝性特低渗油藏示踪剂分类解释模型进行计算，裂缝性特低渗油藏示踪剂分类解释模型包括单峰型示踪剂解释物理模型、多峰型示踪剂解释物理模型或宽台型示踪剂解释物理模型进行计算。

单峰型示踪剂解释物理模型等效为人工裂缝窜通型，在单峰型示踪剂解释物理模型中，1条裂缝条带为由n个长度为l、当量直径为d的流管组成的流管束，示踪剂在这条裂缝条带中的n个流管中流动，示踪剂解释模型为：

式中：c为示踪剂产出浓度；c0为示踪剂初始浓度；t为时间；fj为向采油井j的注入水分配系数；n为等效流管总个数；vd为示踪剂段塞总注入体积；α为水动力弥散度；l为流管的等效长度；d为等效流管的当量直径；q为平均日注入量；

多峰型示踪剂解释物理模型为差异裂缝交互型，多峰型示踪剂解释物理模型中具有多条裂缝条带，且第i条裂缝条带分布为由ni个长度为li、当量直径为di的流管组成的流管束，示踪剂是在所述多条裂缝条带中的ni个流管中流动，示踪剂解释模型为：

式中：c为示踪剂产出浓度；c0为示踪剂初始浓度；t为时间；fj为向采油井j的注入水分配系数；ni为第i个裂缝条带的等效流管个数；vd为示踪剂段塞总注入体积；q为平均日注入量；di为第i个裂缝条带任一等效流管的当量直径；li为第i个裂缝条带的等效流管长度；αi为示踪剂在第i个裂缝条带等效流管中的水动力弥散常数；

宽台型示踪剂解释物理模型为裂缝相对均匀推进型，等效为多条裂缝条带，且第i条裂缝条带分布由ni个长度为li、当量直径为di的流管组成的流管束，示踪剂在不同流管中依次到达油井，示踪剂解释模型为：

式中：c为示踪剂产出浓度；c0为示踪剂初始浓度；t为时间；fj为向采油井j的注入水分配系数；ni为第i个裂缝条带的等效流管个数；vd为示踪剂段塞总注入体积；q为平均日注入量；di为第i个裂缝条带任一等效流管的当量直径；li为第i个裂缝条带的等效流管长度；αi为示踪剂在第i个裂缝条带等效流管中的水动力弥散常数；m为等效流阻常数。

已知的静态信息中，生产段基岩静态产能系数pc等于生产段基岩的有效渗透率k和生产段基岩的有效厚度h的乘积，生产段基岩静态储能系数nh等于生产段基岩的有效厚度h、生产段基岩的有效孔隙度和生产段基岩的含油饱和度so的乘积。

建立时域示踪数学模型时，将示踪监测过程看作一个时间点，把示踪剂监测的历史信息作为学习样本，则所述时域化学示踪数学模型为：

式中，z为时域示踪bp神经网络学习样本序号；n为裂缝条带个数；k为裂缝条带平均渗透率；v为注入水波及体积；f为注入水分配系数；v为水驱推进速度；q为产量；fw为含水率；r为井组阶段注采比；rc为井组累积注采比；w为权值，两相邻层间的连接系数。

所述时域示踪神经网络模型为三层网络结构，包括输入层、隐含层和输出层组，隐含层为1层结构；输出层包含5个节点，5个节点分别为：裂缝条带个数n、裂缝条带平均渗透率k、注入水波及体积v、注入水分配系数f和水驱推进速度v。

输入层包含预测时刻对应的8个参数，8个参数分别为：产量q、含水率fw、井组累积注采比rc、井组阶段注采比r、生产时间t、注采井距l、生产段基岩静态产能系数pc和生产段基岩静态储能系数nh；

或者输入层包含以下参数：产量q、含水率fw、井组累积注采比rc、井组阶段注采比r、生产时间t、注采井距l、生产段基岩静态产能系数pc、生产段基岩静态储能系数nh、上次裂缝条带个数n、上次裂缝条带平均渗透率k、上次注入水波及体积v、上次注入水分配系数f和上次水驱推进速度v。

所述步骤4中，利用bp神经网络技术求解时域化学示踪数学模型的过程包括如下步骤：

步骤4.1，对时域示踪bp神经网络学习样本进行归一化处理，设置时域化学示踪数学模型所有的权值为较小的随机数；

步骤4.2，给定输入向量x和期望输出向量d：将x送到时域示踪神经网络模型的输入层；

步骤4.3，计算时域示踪神经网络模型隐含层的输出向量y；

步骤4.4，计算时域示踪神经网络模型输出层的输出向量o；

步骤4.5，计算时域示踪神经网络模型输出层的误差信号δ^o；

步骤4.6，计算时域示踪神经网络模型隐含层的误差信号δ^y；

步骤4.7，利用输出层的误差信号δ^o和隐含层的误差信号δ^y对权值进行调整和修正；

步骤4.8，计算bp神经网络系统的误差；

步骤4.9，判断bp神经网络系统的误差是否满足预设精度或超过最大学习次数的条件；

若bp神经网络系统的误差满足预设精度或超过最大学习次数的条件，则输出裂缝性低渗透油藏的裂缝条带个数n、裂缝条带平均渗透率k、注入水波及体积v、注入水分配系数f和水驱推进速度v；

若bp神经网络系统的误差不满足预设精度或超过最大学习次数的条件，则重复步骤4.3至步骤4.9，直至bp神经网络系统的误差满足预设精度或超过最大学习次数的条件，最后输出裂缝性低渗透油藏的裂缝条带个数n、裂缝条带平均渗透率k、注入水波及体积v、注入水分配系数f和水驱推进速度v。

步骤4.2中，输入向量x和期望输出向量d分别为：

x＝[qifwirciritilpcnh]^t

d＝[nikivifivi]^t

其中，qi为第i个时域示踪学习样本的产量，fwi为第i个时域示踪学习样本的含水率，rci为第i个时域示踪学习样本的井组累积注采比，ri为第i个时域示踪学习样本的井组阶段注采比，ti为第i个时域示踪学习样本的生产时间，l为注采井距，pc为生产段基岩静态产能系数，nh为生产段基岩静态储能系数，ni为第i个时域示踪学习样本的裂缝条带个数，ki为第i个时域示踪学习样本的裂缝条带平均渗透率，vi为第i个时域示踪学习样本的注入水波及体积，fi为第i个时域示踪学习样本的注入水分配系数，vi为第i个时域示踪学习样本的水驱推进速度；

步骤4.3中，输出向量y为：

其中，a为隐含层各神经元的阈值，viq为输入层神经元i与隐含层神经元q之间的权值；vfwk为输入层神经元i与隐含层神经元fw之间的权值；vrck为输入层神经元i与隐含层神经元rc之间的权值；vrk为输入层神经元i与隐含层神经元r之间的权值；vtk为输入层神经元i与隐含层神经元t之间的权值；vlk为输入层神经元i与隐含层神经元l之间的权值；vpck为输入层神经元i与隐含层神经元pc之间的权值；vnhk为输入层神经元i与隐含层神经元nh之间的权值；

步骤4.4中，输出向量o为：

其中，b为输出层各神经元的阈值，wjn为输出层神经元n与隐含层神经元j之间的权值；wjk为输出层神经元k与隐含层神经元j之间的权值；wjv为输出层神经元v与隐含层神经元j之间的权值；wjf为输出层神经元f与隐含层神经元j之间的权值；wjv为输出层神经元v与隐含层神经元j之间的权值；yj为隐层第j个输出值；

步骤4.5中，输出层的误差信号δ^o为：

δ^o＝[on(ni-on)(1-on)ok(ki-ok)(1-ok)

ov(vi-ov)(1-ov)of(fi-of)(1-of)

ov(vi-ov)(1-ov)]^t

其中，on为输出层裂缝条带个数的输出值；ok为输出层裂缝条带平均渗透率的输出值；ov为输出层注入水波及体积的输出值；of为输出层注入水分配系数的输出值；ov为输出层水驱推进速度的输出值；

步骤4.6中，隐含层的误差信号δ^y为：

其中，δk^o为输出层的误差信号；wqk为输出层神经元k与隐含层神经元q之间的权值；wfwk为输出层神经元k与隐含层神经元fw之间的权值；wrck为输出层神经元k与隐含层神经元rc之间的权值；wrk为输出层神经元k与隐含层神经元r之间的权值；wtk为输出层神经元k与隐含层神经元t之间的权值；wnhk为输出层神经元k与隐含层神经元nh之间的权值；wpck为输出层神经元k与隐含层神经元pc之间的权值；wlk为输出层神经元k与隐含层神经元l之间的权值；yqi为隐含层神经元q第i个样本的输出值；yfwi为隐含层神经元fw第i个样本的输出值；yrci为隐含层神经元rc第i个样本的输出值；yri为隐含层神经元r第i个样本的输出值；yti为隐含层神经元t第i个样本的输出值；ypc为隐含层神经元pc的输出值；yl为隐含层神经元l的输出值；

步骤4.7中，利用输出层的误差信号δ^o和隐含层的误差信号δ^y采用下式对权值进行调整和修正：

其中，输出层神经元k＝1，2，…，l；wjk为输出层神经元k与隐含层神经元j之间的权值；输出层神经元j＝1，2，…，m；vij为输入层神经元i与隐含层神经元j之间的权值；δwjk和δvij分别为权值wjk和vij沿输出误差e的负梯度方向变化值；s为训练次数；η为学习率；mc为动量因子；

步骤4.8中，bp神经网络系统的误差为：

其中，dk(i)为第i个时域示踪学习样本输出层神经元k的期望输出值；ok(i)为第i个时域示踪学习样本输出层神经元k的输出值。

学习率η的取值范围为0.01～0.8；动量因子mc的取值范围为0.85～0.95。

与现有技术相比，本发明具有如下有益效果：

本发明的裂缝性特低渗透油藏地层参数预测方法先建立时域化学示踪物理模型；再建立时域化学示踪数学模型；再建立时域示踪神经网络模型；最后根据时域化学示踪物理模型、时域化学示踪数学模型和时域示踪神经网络模型，利用bp神经网络技术求解时域化学示踪数学模型，根据求解结果预测裂缝性低渗透油藏的裂缝条带个数n、裂缝条带平均渗透率k、注入水波及体积v、注入水分配系数f和水驱推进速度v。本发明的预测方法能够利用注采井组历次示踪监测解释结果来预测未来井间地层参数，实现裂缝性特低渗油藏参数在时间上的推移，反馈参数的变化趋势和规律。与其他油藏监测技术相比，本发明可将独立的油藏监测点实现时域化，可预测任意时间的井间地层参数，为裂缝性特低渗透油藏后续的开发方案调整及水窜水淹综合治理提供依据。

附图说明

图1为本发明采用的单峰型示踪剂解释物理模型；

图2为本发明采用的单峰型示踪剂解释物理模型的曲线形态；

图3为本发明采用的多峰型示踪剂解释物理模型；

图4为本发明采用的多峰型示踪剂解释物理模型的曲线形态；

图5为本发明采用的宽台型示踪剂解释物理模型；

图6为本发明采用的宽台型示踪剂解释物理模型的曲线形态；

图7为本发明实施例中方案1时域示踪神经网络结构图；

图8为本发明实施例中方案2时域示踪神经网络结构图；

图9为本发明采用的时域示踪bp神经网络求解流程图。

具体实施方式

下面结合附图和实施例对本发明做进一步的详细说明。

实施例

本实施例中以鄂尔多斯盆地ggy油田a注水区块1291-3注采井组为例进行时域示踪分析模拟。

本实施例的裂缝性特低渗透油藏地层参数预测方法，包括以下步骤：

步骤1，建立时域化学示踪物理模型，时域化学示踪物理模型主要包括已知的动态历史信息、已知的静态信息、求解变量及预测技术4个部分，具体如下：

(1)已知的动态历史信息包括：生产时间t、产量、含水率、井组累积注采比、井组阶段注采比、上次裂缝条带个数(、上次裂缝条带平均渗透率、上次注入水波及体积、上次注入水分配系数和上次水驱推进速度；

(2)已知的静态信息包括：生产段基岩静态产能系数、生产段基岩静态储能系数和注采井距；

(3)求解变量包括：裂缝条带个数、裂缝条带平均渗透率、注入水波及体积、注入水分配系数和水驱推进速度；

(4)预测技术为神经网络技术。

时域化学示踪物理模型中，已知动态历史信息：即上次裂缝条带个数(、上次裂缝条带平均渗透率、上次注入水波及体积、上次注入水分配系数及上次水驱推进速度这5个参数，采用如下的裂缝性特低渗油藏示踪剂分类解释模型进行计算，即采用单峰型示踪剂解释物理模型、多峰型示踪剂解释物理模型或宽台型示踪剂解释物理模型进行计算：

①如图1所示，单峰型示踪剂解释物理模型等效为人工裂缝窜通型，即1条裂缝条带由n个长度为l、当量直径为d的流管组成的流管束，示踪剂可以看成是在这裂缝条带中的n个流管中流动，单峰型示踪剂解释物理模型的曲线形态如图2所示，单峰型示踪剂解释模型为：

式中：c为示踪剂产出浓度，单位为mg/l；c0为示踪剂初始浓度，单位为g/cm³；t为时间，单位为d(天)；fj为向采油井j的注入水分配系数，可由各采油井测得的示踪剂产出量占总的示踪剂注入量的比值得到；n为等效流管总个数，单位为个；vd为示踪剂段塞总注入体积，单位为m³；α为水动力弥散度，单位为m；l为流管的等效长度，单位为m；d为等效流管的当量直径，单位为μm；q为平均日注入量，单位为m³/d。

②如图3所示，多峰型示踪剂解释物理模型为差异裂缝交互型，即多条裂缝条带，且第i条裂缝条带分布可以看成是由ni个长度为li、当量直径为di的流管组成的流管束，各裂缝条带之间的渗流差异较大，示踪剂可以看成是在这些条裂缝条带中的ni个流管中流动，多峰型示踪剂解释物理模型的曲线形态如图4所示，多峰型示踪剂解释模型为：

式中：c为示踪剂产出浓度，单位为mg/l；c0为示踪剂初始浓度，单位为g/cm³；t为时间，单位为d；fj为向采油井j的注入水分配系数，可由各采油井测得的示踪剂产出量占总的示踪剂注入量的比值得到；ni为第i个裂缝条带的等效流管个数，单位为个；vd为示踪剂段塞总注入体积，单位为m³；q为平均日注入量，单位为m³/d；di为第i个裂缝条带任一等效流管的当量直径，单位为μm；li为第i个裂缝条带的等效流管长度，单位为m；αi为示踪剂在第i个裂缝条带等效流管中的水动力弥散常数，单位为m。

③如图5所示，宽台型示踪剂解释物理模型为裂缝相对均匀推进型，等效为多条裂缝条带，且第i条裂缝条带分布可以看出是由ni个长度为li、当量直径为di的流管组成的流管束，示踪剂在不同流管中依次到达油井，宽台型示踪剂解释物理模型的曲线形态如图6所示。宽台型示踪剂解释模型为：

式中：c为示踪剂产出浓度，单位为mg/l；c0为示踪剂初始浓度，单位为g/cm³；t为时间，单位为d；fj为向采油井j的注入水分配系数，可由各采油井测得的示踪剂产出量占总的示踪剂注入量的比值得到；ni为第i个裂缝条带的等效流管个数，单位为个；vd为示踪剂段塞总注入体积，单位为m³；q为平均日注入量，单位为m³/d；di为第i个裂缝条带任一等效流管的当量直径，单位为μm；li为第i个裂缝条带的等效流管长度，单位为m；αi为示踪剂在第i个裂缝条带等效流管中的水动力弥散常数，单位为m；m为等效流阻常数，单位为m/μm⁴。

时域化学示踪物理模型中，已知静态历史信息中：基岩静态产能系数pc等于有效渗透率k和有效厚度h的乘积，基岩静态储能系数nh等于有效厚度h、有效孔隙度和含油饱和度so的乘积。

时域化学示踪物理模型中，求解的变量参数为：裂缝条带个数、裂缝条带平均渗透率、注入水波及体积、注入水分配系数、水驱推进速度。

时域化学示踪物理模型中，预测技术为神经网络技术。

步骤2，建立时域示踪数学模型：

建立时域示踪数学模型时，由于井间示踪监测的是地层稳定压力下的注入流体分布，地层渗流特征基本保持不变，示踪监测几乎不会影响油井的正常生产，把示踪监测过程看成是一个时间点。把示踪剂监测的历史信息作为学习样本，找寻各个参数之间内在复杂的隐含关系，从而把每次示踪监测连续起来，则有时域示踪数学模型为：

式中，z为时域示踪bp神经网络学习样本序号；n为裂缝条带个数，单位为个；k为裂缝条带平均渗透率，单位为10^-3μm；v为注入水波及体积，单位为m³；f为注入水分配系数，单位为f；v水驱推进速度，单位为m/d；q为产量，单位为t/d；fw为含水率，单位为％；r为井组阶段注采比，单位为f；rc为井组累积注采比，单位为f；w为权值，即为两相邻层间的连接系数。

步骤3，建立时域示踪神经网络模型

时域神经网络模型的网络结构包括三层：即输入层、隐含层和输出层。隐含层包含1层；输出层设置5个节点分别为：裂缝条带个数n、裂缝条带平均渗透率k、注入水波及体积v、注入水分配系数f和水驱推进速度v。输入层设计两种方案，方案1只考虑预测时刻对应的8个参数：即产量q、含水率fw、井组累积注采比rc、井组阶段注采比r、生产时间t、注采井距l、生产段基岩静态产能系数pc和生产段基岩静态储能系数nh；如图7所示，以方案1为例，输入层输入的向量个数n＝8个，输出层输出的向量个数l＝5个，隐含层1个，隐点个数m＝8个；

方案2除考虑预测时刻对应的8个参数外，还考虑了上次示踪监测解释的5个参数：即还考虑了裂缝条带个数n、裂缝条带平均渗透率k、注入水波及体积v、注入水分配系数f和水驱推进速度v，以方案2为例，输入层输入的向量个数n＝13个，输出层输出的向量个数l＝5个，隐含层1个，隐点个数m＝13个。

步骤4，利用bp神经网络技术求解时域化学示踪数学模型，参照图9，求解步骤如下(步骤4中以方案1为例进行求解)：

步骤4.1，利用最大最小法对时域示踪bp神经网络学习样本进行归一化处理，设置时域化学示踪数学模型中所有的权值为较小的随机数；

步骤4.2，给出输入向量x和期望输出向量d：

x＝[qifwirciritilpcnh]^t

d＝[nikivifivi]^t

将x送到输入层，qi为第i个时域示踪学习样本的产量，fwi为第i个时域示踪学习样本的含水率，rci为第i个时域示踪学习样本的井组累积注采比，ri为第i个时域示踪学习样本的井组阶段注采比，ti为第i个时域示踪学习样本的生产时间，l为注采井距，pc为生产段基岩静态产能系数，nh为生产段基岩静态储能系数，ni为第i个时域示踪学习样本的裂缝条带个数，ki为第i个时域示踪学习样本的裂缝条带平均渗透率，vi为第i个时域示踪学习样本的注入水波及体积，fi为第i个时域示踪学习样本的注入水分配系数，vi为第i个时域示踪学习样本的水驱推进速度；

步骤4.3，计算隐含层的输出向量y：

式中，a为隐含层各神经元的阈值；viq为输入层神经元i与隐含层神经元q之间的权值；vfwk为输入层神经元i与隐含层神经元fw之间的权值；vrck为输入层神经元i与隐含层神经元rc之间的权值；vrk为输入层神经元i与隐含层神经元r之间的权值；vtk为输入层神经元i与隐含层神经元t之间的权值；vlk为输入层神经元i与隐含层神经元l之间的权值；vpck为输入层神经元i与隐含层神经元pc之间的权值；vnhk为输入层神经元i与隐含层神经元nh之间的权值；

步骤4.4，计算输出层的输出向量o：

式中，b为输出层各神经元的阈值，b为输出层各神经元的阈值；wjn为输出层神经元n与隐含层神经元j之间的权值；wjk为输出层神经元k与隐含层神经元j之间的权值；wjv为输出层神经元v与隐含层神经元j之间的权值；wjf为输出层神经元f与隐含层神经元j之间的权值；wjv为输出层神经元v与隐含层神经元j之间的权值；yj为隐层第j个输出值；

步骤4.5，计算输出层的误差信号δ^o：

δ^o＝[on(ni-on)(1-on)ok(ki-ok)(1-ok)

ov(vi-ov)(1-ov)of(fi-of)(1-of)

ov(vi-ov)(1-ov)]^t

其中，on为输出层裂缝条带个数的输出值；ok为输出层裂缝条带平均渗透率的输出值；ov为输出层注入水波及体积的输出值；of为输出层注入水分配系数的输出值；ov为输出层水驱推进速度的输出值

步骤4.6，计算隐含层的误差信号δ^y：

其中，δk^o为输出层的误差信号；wqk为输出层神经元k与隐含层神经元q之间的权值；wfwk为输出层神经元k与隐含层神经元fw之间的权值；wrck为输出层神经元k与隐含层神经元rc之间的权值；wrk为输出层神经元k与隐含层神经元r之间的权值；wtk为输出层神经元k与隐含层神经元t之间的权值；wnhk为输出层神经元k与隐含层神经元nh之间的权值；wpck为输出层神经元k与隐含层神经元pc之间的权值；wlk为输出层神经元k与隐含层神经元l之间的权值；yqi为隐含层神经元q第i个样本的输出值；yfwi为隐含层神经元fw第i个样本的输出值；yrci为隐含层神经元rc第i个样本的输出值；yri为隐含层神经元r第i个样本的输出值；yti为隐含层神经元t第i个样本的输出值；ypc为隐含层神经元pc的输出值；yl为隐含层神经元l的输出值；

步骤4.7，利用输出层的误差信号δ^o和隐含层的误差信号δ^y采用下式对权值进行调整和修正，即动量-自适应学习率bp神经网络的权值修正公式如下；

式中，k＝1，2，…，l；wjk为输出层神经元k与隐含层神经元j之间的权值；j＝1，2，…，m；vij为输入层神经元i与隐含层神经元j之间的权值；δwjk和δvij分别为权值wjk和vij沿输出误差e的负梯度方向变化值；s为训练次数；η为学习率，一般取0.01～0.8；mc为动量因子，取0.85～0.95。

步骤4.8，计算bp神经网络系统的误差：

其中，dk(i)为第i个时域示踪学习样本输出层神经元k的期望输出值；ok(i)为第i个时域示踪学习样本输出层神经元k的输出值；

步骤4.9，判断bp神经网络系统的误差是否满足预设精度或超过最大学习次数的条件；

若bp神经网络系统的误差满足预设精度或超过最大学习次数的条件，则输出裂缝性低渗透油藏的裂缝条带个数n、裂缝条带平均渗透率k、注入水波及体积v、注入水分配系数f和水驱推进速度v；

若bp神经网络系统的误差不满足预设精度或超过最大学习次数的条件，则重复步骤4.3至步骤4.9，进入下一轮的学习，直至bp神经网络系统的误差满足预设精度或超过最大学习次数的条件，最后输出裂缝性低渗透油藏的裂缝条带个数n、裂缝条带平均渗透率k、注入水波及体积v、注入水分配系数f和水驱推进速度v。

方案1对应的时域示踪神经网络测试样本及结果如表1所示：

表1

方案1时域示踪神经网络测试样本结果表明：4个测试样品的绝对误差为0.269，相对误差为4.36％；裂缝条带个数的最大绝对误差为0.1，相对误差为50％；裂缝条带平均渗透率最大绝对误差为0.105，相对误差为14.1％；注入水波及体积最大绝对误差为0.121，相对误差为108.0％；注入水分配系数最大绝对误差为0.18，相对误差为128.6％；水驱推进速度最大绝对误差为0.23，相对误差为35.4％。

当以方案2为例进行求解时，时域示踪神经网络学习样本与测试样本的选取，模型的求解方法，以及最大训练次数、最小训练误差、动量因子与初始学习率的设置均与方案1相同。实际训练787次，误差为0.67％，其测试结果见表2：

表2

方案2时域示踪神经网络测试样本结果表明：4个测试样品的绝对误差为0.120，相对误差为1.94％；裂缝条带个数的最大绝对误差为0；裂缝条带平均渗透率最大绝对误差为0.045，相对误差为9.34％；注入水波及体积最大绝对误差为0.008，相对误差为7.08％；注入水分配系数最大绝对误差为0.02，相对误差为14.29％；水驱推进速度最大绝对误差为0.023，相对误差为13.37％。

通过方案1和方案2的结果表明，利用时域化学示踪技术和bp神经网络技术能够进行裂缝性特低渗透油藏地层参数预测，且在进行预测时，考虑上一次的预测结果，能够更准确的判断下一次预测结果。