基于实验和数学算法的驱替实验人造岩心分析制备方法技术

本发明专利技术公开了一种将定性和定量结合的，基于实验和数学算法的驱替实验人造岩心分析制备方法。将人造岩心的物性参数作为制备人造岩心的目标参数；确定人造岩心物性参数的影响因素；制定若干组合实验方案，根据各组合实验方案制作人造岩心，制备完成后测定人造岩心物性参数；以各组合实验方案的制备条件参数为依据，基于灰色关联分析法，确定各个影响因素与各个目标参数之间的关联度；根据各影响因素与目标参数关联度排序，确定较大影响参数和较小影响参数；基于灰色关联法的统计分析结果以及BP神经网络理论，建立粒径配比预测数学模型；通过粒径配比预测数学模型计算配比预测结果，以此为参考制作人造岩心提供数据支持。

Analysis and preparation method of artificial core based on experiment and mathematical algorithm in displacement experiment

The invention discloses a method for the analysis and preparation of artificial core in displacement experiment based on experiments and mathematical algorithms, which combines qualitative and quantitative methods. The target parameters will be the physical parameters of the artificial core is used in the preparation of artificial core; to identify factors affecting the artificial core physical parameters; and formulated several combination experiment scheme, according to the experimental scheme of making artificial cores, determination of artificial core physical parameters after preparation; in each combination experimental scheme of the preparation conditions of parameters based on the method, grey correlation analysis, determine the degree of correlation between the factors and the impact of various parameters of each target; according to the factors and target parameter relevancy in the influence of parameters influence the parameters and influence; statistical analysis results of grey relational analysis and BP neural network based on the theory of establishing mathematical model for predicting the ratio of particle size ratio calculation; the prediction results by the ratio of particle size prediction model to provide data support for making artificial cores.

【技术实现步骤摘要】
基于实验和数学算法的驱替实验人造岩心分析制备方法
本专利技术涉及人造岩心制备技术，特别是涉及一种基于实验和数学算法的驱替实验人造岩心分析制备方法。
技术介绍
在石油开发过程中，为获取地层物性参数通常依靠取芯井取芯，并通过室内实验分析测定物性参数。但取芯成本较高，取芯完整性受到工艺技术、地层条件的制约。对于石油开发领域室内岩心驱替实验定性研究方面，大多需要制备符合要求的人造岩心，而不需要花费高额成本去取芯。根据具体石油开发室内实验研究需要，对人造岩心的要求主要集中于两点：一、需要制定一定范围的物性参数，如孔隙度、渗透率、粒度中值、泥质含量、胶结物含量等，或对人造岩心组成成分有具体要求，如砂砾类型、砂砾的配比比例、胶结物类型等要求。二、尽量制作仿真度高的岩心，以模拟某一区块、某一层段地层特性，以期达到实验目的。利用人造岩心模拟已知物性参数的原位地层来替代天然岩心，已成为石油开发室内研究的一种趋势。但是传统人造岩心制备方案主要是以多次实验所获经验、正交试验等方法为依据，其所制岩心模拟地层物性参数误差范围较大，仿真度一般。在人造岩心制备方面定量研究较少。因此，提出一种基于室内实验和数学算法的驱替实验人造岩心分析制备方法将为以上难题的解决提供技术支持。国内在人造岩心制备研究主要集中于室内实验分析。在研究影响物性参数的影响因素方面和人造岩心配比方面取得一定成果，但实验手段误差范围大，缺乏定量数据支持。依据经验模拟物性参数范围窄、误差大。基于数学算法，对人造岩心制备提供定性和定量的统计分析方面研究较少。因此，提出基于数学算法确定影响制备岩心物性参数的主要影响因素，定性分析各影响因素对物性参数影响比重。以分析结果为基础，基于数学算法，建立一种减少制作失败次数，降低模拟物性参数误差，并且提供定量数据支撑的数学模型，帮助制造可靠性较高，模拟效果较好的人造岩心，以供室内模拟实验使用。
技术实现思路
本专利技术的目的在于克服现有技术的不足，为传统依据经验制备人造岩心的做法，提供一种将定性和定量结合的，基于实验和数学算法的驱替实验人造岩心分析制备方法，本专利技术方法不仅能减少人造岩心模拟地层物性参数误差，而且解决了制备岩心失败次数较高的问题。本专利技术的目的是这样实现的：一种基于实验和数学算法的驱替实验人造岩心分析制备方法：S1、将人造岩心的物性参数作为制备人造岩心的目标参数，包括孔隙度、渗透率、粒度中值；S2、确定人造岩心物性参数的影响因素，包括砂型配比、胶结物含量、压制压力、加压时间，制作不同物性参数的人造岩心通过改变上述影响因素来实现；S3、将所述影响因素的组合作为制备条件参数，制定若干组合实验方案，根据各组合实验方案制作人造岩心，在制备过程中，测定加压时间、压制压力，制备完成后测定人造岩心物性参数；S4、以各组合实验方案的制备条件参数为依据，其中，压制压力、加压时间采用测定数据，基于灰色关联分析法，确定各个影响因素与各个目标参数之间的关联度；S5、根据各影响因素与目标参数关联度排序，分析所选影响因素对目标参数的影响程度，确定较大影响参数和较小影响参数；S6、基于灰色关联法的统计分析结果以及BP神经网络理论，建立粒径配比预测数学模型，以人造岩心的各物性参数以及影响因素中的加压时间、压制压力作为输入参数，以砂型配比、胶结物含量为输出参数；S7、通过粒径配比预测数学模型计算配比预测结果，以此为参考制作人造岩心提供数据支持。进一步地，S6中，BP神经网络模型建立后需经过多次调试，根据误差情况初次确定模型的稳定性和误差精度。进一步地，还包括S8、测定制备后的人造岩心物性参数，将制作人造岩心目标参数方案中的以上参数和制备后的人造岩心实验测定参数对比，确定模型的稳定性和误差范围，以再次检验BP神经网络配比预测模型的稳定性和模拟参数的误差精度。进一步地，所述砂型配比指：不同粒径的精制石英砂的配比质量百分数；所述胶结物含量指：磷酸铝胶结剂的质量百分数。进一步地，S4中，灰色关联分析的步骤是：①根据评价目的确定评价指标体系，收集评价数据；设n个数据序列形成如下矩阵：其中m为指标的个数，X′i＝(x′i(1),x′i(2),…,x′i(m))T,i＝1,2,…,n(2)②确定参考数据列；由孔隙度、渗透率、粒度中值分别组成参考数据列，都记作X′0＝(x′0(1),x′0(2),…,x′0(m))(3)③对指标数据进行无量纲化；无量纲化后的数据序列形成如下矩阵：无量纲化方法采用均值化法或初值化法，i＝0,1,…,n；k＝1,2,…,m.逐个计算每个被评价对象指标序列(比较序列)与参考序列对应元素的绝对差值，即：|x0(k)-xi(k)|(7)k＝1,…,m，i＝1,…,n，n为被评价对象的个数；④计算关联系数；分别计算每个比较序列与参考序列对应元素的关联系数，k＝1,…,m式中：ρ为分辨系数，在(0，1)内取值，ρ越小，关联系数间的差异越大，区分能力越强，ρ取0.1；⑤计算关联度对各评价对象分别计算其m个指标与参考序列对应元素的关联系数的均值，以反映各评价对象与参考序列的关联关系，并称其为关联序，记为r0i：进一步地，S6中，建立粒径配比预测数学模型的方法如下：建立神经元结构模型，ui为神经元i的内部状态，θi为阈值，xj为输入信号，wij表示与神经元xj连接的权值，sj表示某一外部输入的控制信号，神经元的输出由函数f表示，利用以下函数表达式来表现网络的非线性特征，阈值型(阶跃函数)：线性型：S型：其中，c为常数；建立基于BP算法的三层感知器模型：三层感知器中，输入向量为X＝(x1,x2,…,xi,…,xn)T，设置x0＝-1为隐含层神经元引入阈值；隐含输出层向是Y＝(y1,y2,…,yj,…,ym)T，设置y0＝-1为输出层神经元引入阈值；输出层输出向量为O＝(o1,o2,…,ok,…,ol)T；期望输出向量为d＝(d1,d2,…,dk,…,dl)T，输入层到隐含层之间的权值矩阵用V表示，V＝(V1,V2,…,Vj,…,Vm)，其中列向量Vj为隐含层第j个神经元对应的权向量；隐含到输出层之间的权值矩阵用W表示W＝(W1,W2,…,Wk,…Wl)，其中列向量Wk为输出层第k个神经元对应的权向量，下面解释各层信号之间的数学关系，对于输出层，有ok＝f(netk)k＝1,2,…,l(14)对于隐含层，有yj＝f(netj)j＝1,2,…,m(16)以上两式中，变换函数f(x)均为单极性Sigmoid函数f(x)具有连续、可导的特点，且有f′(x)＝f(x)[1-f(x)](19)采用双极性Sigmoid函数(或称双曲线正切函数)来满足具体应用需要，具体BP学习算法如下：①网络误差与权值调整当网络输出与期望输出不等时，存在输出误差E，定义如下将以上误差定义式展开至隐层，有进一步展开至输入层，有由上式可以看出，网络输入误差是各层权值wjk、vij的函数，因此调整权值可改变误差E，调整权值是使误差不断地减少，因此应使用权值的调整量与误差的梯度下降成正比，即：式中负号表示梯度下降，常数η∈(0,1)表示比例系数，在训练中反映了学习速率，可以看出BP学习方法属于δ学习规则类，称为误差的梯度下降算法，式(24)、式(25)仅是对权值调整思路的数学表达式，而不是具体的本文档来自技高网...

【技术保护点】
一种基于实验和数学算法的驱替实验人造岩心分析制备方法，其特征在于：S1、将人造岩心的物性参数作为制备人造岩心的目标参数，包括孔隙度、渗透率、粒度中值；S2、确定人造岩心物性参数的影响因素，包括砂型配比、胶结物含量、压制压力、加压时间，制作不同物性参数的人造岩心通过改变上述影响因素来实现；S3、将所述影响因素的组合作为制备条件参数，制定若干组合实验方案，根据各组合实验方案制作人造岩心，在制备过程中，测定加压时间、压制压力，制备完成后测定人造岩心物性参数；S4、以各组合实验方案的制备条件参数为依据，基于灰色关联分析法，确定各个影响因素与各个目标参数之间的关联度；S5、根据各影响因素与目标参数关联度排序，定性、定量分析所选影响因素对目标参数的影响程度，确定较大影响参数和较小影响参数；S6、基于灰色关联法的统计分析结果以及BP神经网络理论，建立粒径配比预测数学模型，以人造岩心的各物性参数以及影响因素中的加压时间、压制压力作为输入参数，以砂型配比、胶结物含量为输出参数；S7、通过粒径配比预测数学模型计算配比预测结果，以此为参考制作人造岩心。

【技术特征摘要】
1.一种基于实验和数学算法的驱替实验人造岩心分析制备方法，其特征在于：S1、将人造岩心的物性参数作为制备人造岩心的目标参数，包括孔隙度、渗透率、粒度中值；S2、确定人造岩心物性参数的影响因素，包括砂型配比、胶结物含量、压制压力、加压时间，制作不同物性参数的人造岩心通过改变上述影响因素来实现；S3、将所述影响因素的组合作为制备条件参数，制定若干组合实验方案，根据各组合实验方案制作人造岩心，在制备过程中，测定加压时间、压制压力，制备完成后测定人造岩心物性参数；S4、以各组合实验方案的制备条件参数为依据，基于灰色关联分析法，确定各个影响因素与各个目标参数之间的关联度；S5、根据各影响因素与目标参数关联度排序，定性、定量分析所选影响因素对目标参数的影响程度，确定较大影响参数和较小影响参数；S6、基于灰色关联法的统计分析结果以及BP神经网络理论，建立粒径配比预测数学模型，以人造岩心的各物性参数以及影响因素中的加压时间、压制压力作为输入参数，以砂型配比、胶结物含量为输出参数；S7、通过粒径配比预测数学模型计算配比预测结果，以此为参考制作人造岩心。2.根据权利要求1所述的一种基于实验和数学算法的驱替实验人造岩心分析制备方法，其特征在于：S6中，BP神经网络模型建立后需经过多次调试，根据误差情况初次确定模型的稳定性和误差精度。3.根据权利要求1所述的一种基于实验和数学算法的驱替实验人造岩心分析制备方法，其特征在于：所述砂型配比指：不同粒径的精制石英砂的配比质量百分数；所述胶结物含量指：磷酸铝胶结剂的质量百分数。4.根据权利要求1所述的一种基于实验和数学算法的驱替实验人造岩心分析制备方法，其特征在于：还包括S8，测定制备后的人造岩心物性参数，将制作人造岩心目标参数方案中的以上参数和制备后的人造岩心实验测定参数对比，确定模型的稳定性和误差范围，以再次检验BP神经网络配比预测模型的稳定性和模拟参数的误差精度。5.根据权利要求1所述的一种基于实验和数学算法的驱替实验人造岩心分析制备方法，其特征在于：S4中，灰色关联分析的步骤是：①根据评价目的确定评价指标体系，收集评价数据；设n个数据序列形成如下矩阵：其中m为指标的个数，X′i＝(x′i(1),x′i(2),…,x′i(m))T,i＝1,2,…,n(2)②确定参考数据列；由孔隙度、渗透率、粒度中值分别组成参考数据列，都记作X′0＝(x′0(1),x′0(2),…,x′0(m))(3)③对指标数据进行无量纲化；无量纲化后的数据序列形成如下矩阵：无量纲化方法采用均值化法或初值化法，均值法(5)初值法(6)i＝0,1,…,n；k＝1,2,…,m.逐个计算每个被评价对象指标序列与参考序列对应元素的绝对差值，即：|x0(k)-xi(k)|(7)k＝1,…,m，i＝1,…,n，n为被评价对象的个数；④计算关联系数；分别计算每个比较序列与参考序列对应元素的关联系数，式中：ρ为分辨系数，在(0，1)内取值，ρ越小，关联系数间的差异越大，区分能力越强，ρ取0.1；⑤计算关联度对各评价对象分别计算其m个指标与参考序列对应元素的关联系数的均值，以反映各评价对象与参考序列的关联关系，并称其为关联序，记为r0i：。6.根据权利要求1所述的一种基于实验和数学算法的驱替实验人造岩心分析制备方法，其特征在于：S6中，建立粒径配比预测数学模型的方法如下：建立神经元结构模型，ui为神经元i的内部状态，θi为阈值，xj为输入信号，wij表示与神经元xj连接的权值，sj表示某一外部输入的控制信号，神经元的输出由函数f表示，利用以下函数表达式来表现网络的非线性特征，阈值型(阶跃函数)：线性型：S型：其中，c为常数；建立基于BP算法的三层感知器模型：三层感知器中，输入向量为X＝(x1,x2,…,xi,…,xn)T，设置x0＝-1为隐含层神经元引入阈值；隐含输出层向是Y＝(y1,y2,…,yj,…,ym)T，设置y0＝-1为输出层神经元引入阈值；输出层输出向量为O＝(o1,o2,…,ok,…,ol)T；期望输出向量为d＝(d1,d2,…,dk,…,dl)T，输入层到隐含层之间的权值矩阵用V表示，V＝(V1,V2,…,Vj,…,Vm)，其中列向量Vj为隐含层第j个神经元对应的权向量；隐含到输出层之间的权值矩阵用W表示W＝(W1,W2,…,Wk,…Wl)，其中列向量Wk为输出层第k个神经元对应的权向量，下面解释各层信号之间的数学关系，对于输出层，有ok＝f(netk)k＝1,2,…,l(14)对于隐含层，有yj＝f(netj)j＝1,2,…,m(16)以上两式中，变换函数f(x)均为单极性Sigmoid函数f(x)具有连续、可导的特点，且有f′(x)＝f(x)[1-f(x)](19)采用双极性Sigmoid函数(或称双曲线正切函数)来满足具体应用需要，具体BP学习算法如下：①网络误差与权值调整当网络输出与期望输出不等时，存在输出误差E，定义如下将以上误差定义式展开至隐层，有进一步展开至输入层，有由上式可以看出，网络输入误差是各层权值wjk、vij的函数，因此调整权值可改变误差E，调整权值是使误差不断地减少，因此应使用权值的调整量与误差的梯度下降成正比，即：式中负号表示梯度下降，常数η∈(0,1)表示比例系数，在训练中反映了学习速率，可以看出BP学习方法属于δ学习规则类，称为误差的梯度下降算法，式(24)、式(25)仅是...

【专利技术属性】
技术研发人员：秦正山，罗沛，周建良，罗明伟，何腾飞，王侨，吴柯欣，陈春江，刘先山，张静雅，谢晶，
申请(专利权)人：重庆科技学院，
类型：发明
国别省市：重庆,50