CN112539054B - 地面管网与地下油藏复杂***生产优化方法 - Google Patents
地面管网与地下油藏复杂***生产优化方法 Download PDFInfo
- Publication number
- CN112539054B CN112539054B CN202011344352.0A CN202011344352A CN112539054B CN 112539054 B CN112539054 B CN 112539054B CN 202011344352 A CN202011344352 A CN 202011344352A CN 112539054 B CN112539054 B CN 112539054B
- Authority
- CN
- China
- Prior art keywords
- production
- oilfield
- block
- injection
- oil
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 250
- 238000000034 method Methods 0.000 title claims abstract description 92
- 238000005457 optimization Methods 0.000 title claims abstract description 45
- 238000002347 injection Methods 0.000 claims abstract description 108
- 239000007924 injection Substances 0.000 claims abstract description 108
- 239000007788 liquid Substances 0.000 claims abstract description 38
- 238000004088 simulation Methods 0.000 claims abstract description 34
- 238000013136 deep learning model Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 14
- 230000000694 effects Effects 0.000 claims abstract description 11
- 230000000750 progressive effect Effects 0.000 claims abstract description 10
- 238000013178 mathematical model Methods 0.000 claims abstract description 7
- 230000007787 long-term memory Effects 0.000 claims abstract description 3
- 239000003921 oil Substances 0.000 claims description 140
- 239000012530 fluid Substances 0.000 claims description 34
- 230000008569 process Effects 0.000 claims description 32
- 238000011161 development Methods 0.000 claims description 30
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 14
- 238000005070 sampling Methods 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000008901 benefit Effects 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 239000010779 crude oil Substances 0.000 claims description 7
- 230000001186 cumulative effect Effects 0.000 claims description 7
- 238000011084 recovery Methods 0.000 claims description 7
- 238000005553 drilling Methods 0.000 claims description 6
- 238000007667 floating Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 239000000243 solution Substances 0.000 claims description 5
- 239000013256 coordination polymer Substances 0.000 claims description 4
- 239000006185 dispersion Substances 0.000 claims description 4
- 239000007789 gas Substances 0.000 claims description 4
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 4
- 239000003129 oil well Substances 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000006403 short-term memory Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000010521 absorption reaction Methods 0.000 claims description 2
- 230000004913 activation Effects 0.000 claims description 2
- 239000008186 active pharmaceutical agent Substances 0.000 claims description 2
- 238000013459 approach Methods 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000005094 computer simulation Methods 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 claims description 2
- 230000000873 masking effect Effects 0.000 claims description 2
- 239000003345 natural gas Substances 0.000 claims description 2
- 239000011148 porous material Substances 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 239000003795 chemical substances by application Substances 0.000 abstract description 6
- 239000011159 matrix material Substances 0.000 abstract description 3
- 230000015654 memory Effects 0.000 abstract description 2
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 4
- 125000004122 cyclic group Chemical group 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B47/00—Survey of boreholes or wells
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Mining & Mineral Resources (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Geology (AREA)
- Fluid Mechanics (AREA)
- Medical Informatics (AREA)
- Geochemistry & Mineralogy (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Geophysics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种地面管网与地下油藏复杂***生产优化方法，包括以下步骤：选定需要进行注采制度调整的海上油田群及油田区块；建立海上油田群“多级递进式”生产‑集输结构模型；建立地面管网与地下油藏复杂***生产优化数学模型；通过对油田现场统计资料或有限次油藏数值模拟结果的整理形成时间序列数据，并生成训练、验证深度学习模型所需的样本点；建立基于长短期记忆网络的油藏数值模拟代理模型，并进行训练和参数调整；基于长短期记忆网络代理模型和协方差矩阵自适应进化策略进行优化求解；验证海上油田群的注采制度优化调整效果。本发明能够在海上设施液量能力限制等多约束条件下，对海上油田群中多个油田区块的注采制度进行快速、统筹优化。
Description
技术领域
本发明属于油气田开发领域，具体地，涉及一种地面管网与地下油藏复杂***生产优化方法。
背景技术
在中国海上油田生产开发的当前阶段，大多数海上油田以大型整装油田区块为主体，带动邻近的小型油田区块同时进行开发，其在生产开发过程中共用一套生产-集输***，从而构成了既相对独立又整体相连的区域一体化开发模式。但随着开发程度的逐步深入，区域联合开发的海上油田群面临着众多日益严峻的问题：一，大多数海上油田区块已进入中、高含水开发阶段，出现了较为明显的产量递减现象；二，海上油田受到特殊的地理环境制约，新建设施所花费的成本高昂，而依靠当前生产-集输***的总液量处理能力不足以再实施提液增产的措施；三，由于生产开发行为所带来的影响，各个油田区块的生产潜力已经发生变化，其实际情况与最初的设计工况出现了明显的差异。因此，如何在保持目前总液量能力基本不变的前提下对海上油田群的注采制度进行调整成为一个亟待解决的问题。目前，在解决油田的注采制度调整问题时，基于油藏数值模拟器的油田生产优化方法是石油领域的众多学者和现场工程师常常采用的一种传统方法。尽管也有少数学者开始将神经网络模型应用于油田生产优化问题中，但将深度学习模型作为油藏数值模拟器的代理模型进而应用于油田生产优化问题的相关研究则鲜有发表。
油藏数值模拟方法是使用油藏数值模拟软件，通过油田现场的地质资料、地层物性参数、流体物性参数、试井参数以及生产历史参数等数据对特定的油田区块构建数值模拟模型并开展历史拟合，从而得到一个可以精确评估不同开发方案的开发效果的油藏数值模型。传统的油田生产优化方法则是在确定的(或不断更新的)油藏数值模拟模型的基础上，利用最优化方法并结合油藏数值模拟技术对规定的生产开发周期内注采井的控制参数(如注入井的日注入量、生产井的日产液量、注采井的井底流压等)进行优化调整，从而制定出这一生产开发周期中最优的油田生产开发制度，以获得最大的原油产出和经济效益。然而，由于海上油田群所包含区块数和注采井数较多、各区块油藏数值模拟过程的计算成本高昂、现有优化算法(基于梯度的优化算法和无梯度优化算法)对油藏数值模拟器的调用次数频繁，所以传统的基于油藏数值模拟器的油田生产优化方法不再适用于区域联合开发的海上油田群的生产-集输一体化优化问题。解决这一困难的一个重要方法就是为油藏数值模拟器建立代理模型。
代理模型方法是一种基于数据驱动的方法，该方法以数值模拟器的输入参数和输出状态分别作为代理模型的输入、输出数据，并利用优化算法对模型的参数进行优化计算，其本质是一个回归问题。代理模型的优势在于用较为简单的数学计算过程代替了动态***数值模拟器内部的复杂计算过程，且不需要知道数值模拟器内部的计算原理。目前，该方法也逐渐被应用于油气田开发工程领域，而所用到的主要代理模型包括高斯过程回归模型、前馈神经网络模型和径向基函数网络模型等。但是现阶段的研究大部分以单井而非油藏数值模拟器为对象建立的代理模型，并未考虑油田生产的整体性以及各注采井之间的相互影响，同时其所采用的模型均没有对油田区块生产数据的时序特性进行挖掘和利用。
深度学习方法是一种以人工神经网络为架构，对数据进行表征学习的算法。至今，世界上已开发出多种深度学习模型并形成了很好的应用范例，如深度神经网络、卷积神经网络、循环神经网络和深度置信网络等已被广泛应用于计算机视觉、自然语言处理、语音识别与生物信息学等领域。其中，循环神经网络(Recurrent Neural Network,RNN)作为一种典型的深度学习方法，能够接受任意大小的输入、并产生任意大小的输出数据，同时其还具有对输入数据在时间维度上的长度无要求、可以学习数据内的时序关系等特性。
综上所述，需要提供一种基于深度学习模型的地面管网与地下油藏复杂***生产优化方法。
发明内容
有鉴于此，本发明针对上述问题，提供了一种基于深度学习模型的地面管网与地下油藏复杂***生产优化方法：该方法使用油田生产开发历史数据和基于有限次油藏数值模拟产生的未来一定周期内的生产开发数据生成样本点，利用Python编程语言和Keras深度学习框架搭建深度学习模型并进行训练，作为油藏数值模拟的代理模型，用于预测油田在未来生产开发周期内、一定注采制度下的生产动态参数；随后以净现值为目标函数、以注采制度为决策变量，考虑管网设施的液量约束，并采用协方差矩阵自适应进化策略结合深度学习代理模型进行求解，从而实现了地面管网与地下油藏复杂***的生产优化。
为实现上述目的，本发明采用下述技术方案：
地面管网与地下油藏复杂***生产优化方法，包括以下步骤：选定需要进行注采制度调整的海上油田群及油田区块；建立海上油田群“多级递进式”生产-集输结构模型；建立地面管网与地下油藏复杂***生产优化数学模型(包括目标函数、决策变量和约束条件)；通过对油田现场统计资料或有限次油藏数值模拟结果的整理形成时间序列数据并进行归一化处理，随后采用变宽度滑移时间窗采样方法生成训练、验证深度学习模型所需的样本点；建立基于长短期记忆网络的油藏数值模拟代理模型，并进行训练和参数调整；基于长短期记忆网络代理模型和协方差矩阵自适应进化策略对注采调整优化问题进行求解；验证海上油田群的注采制度优化调整效果。
与现有技术相比，本发明可以获得以下技术效果：
1、充分考虑了油田区块生产数据的时间序列特性，并利用循环神经网络能够对时间序列数据进行高效处理和精准预测的强大优势，对油田区块生产数据在时间维度上的关系进行了深入挖掘，实现了有限次油藏数值模拟下的代理模型的构建和变时间步长的油田区块生产动态预测；
2、所需要的数据均可以通过油田现场统计资料或油藏数值模拟结果获取，可以对LSTM模型进行实时训练和保存，同时可以通过读取预训练的LSTM模型进行油田区块的生产动态预测，耗费时间短、预测精度高；
3、实现海上油田群的注采制度优化调整所需要的时间成本低，并且能够在多约束条件下对所包含的多个油田区块的注采制度进行统筹优化，进一步提高了海上油田有限资源的利用率；
4、操作过程简便，现场实用性强，对于解决地面管网与地下油藏复杂***生产优化问题、改善海上油田群的注采调整过程、提高海上油田的生产开发效益和有限资源的利用率具有重要意义。
当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有技术效果。
附图说明
图1是地面管网与地下油藏复杂***生产优化方法流程示意图；
图2是海上油田群生产-集输管网的“四级递进式”生产-集输结构模型；
图3A和图3B是目标油田区块的网格化示意图。
具体实施方式
如图1所示，基于深度学习模型的地面管网与地下油藏复杂***生产优化方法，包括以下步骤：
S1、选定目标油田区块，采集相关数据。
选定某海上油田群的区块C和区块N，分别对其进行编号为1和2。各油田区块的编号用字母a(a＝1,…,NB)进行表示，其中NB＝2表示海上油田群中的油田区块个数。同时，采集两个区块的Eclipse油藏数值模拟模型数据、生产历史数据，其中区块C有40口生产井、22口注入井，区块N有10口生产井、7口注入井。两个区块的油藏数值模拟模型的网格化示意图见图3。
S2、建立海上油田群的“多级递进式”生产-集输结构模型。
对海上油田群的生产-集输***的结构进行分析，建立海上油田群生产-集输管网的“多级递进式”生产-集输结构模型。海上油田群的生产-集输***由油田区块生产***和多级集输管网***两部分构成。其中，油田区块生产***是地层流体的产出源头，包括地下储层以及与其相连接的注入井、生产井等。而多级集输管网***则是负责将产出的地下流体简单处理并汇至一处，最终输送至原油处理储集厂，该***包括井组平台、中心平台、陆地终端处理站或浮式生产储油船(Floating Production Storage and Offloading，FPSO)等。两个***的各个组成部分构成了海上油田群生产-集输***网络的各级节点，其间依靠管线进行连接。
海上油田群在进行生产开发时，所产出的流体在各级节点间的流动过程包含以下几个环节：(1)地下流体由油藏经过孔隙通道流向生产井；(2)生产井流体汇集至井组平台，再经由输油管线流向中心平台；(3)流体通过中心平台的简单液处理后，经过输送管线流向FPSO或陆地终端。
本发明中的海上油田群包含上述两个***中的各个组成部分，根据上述生产流体的流动过程，建立海上油田群生产-集输管网的“四级递进式”生产-集输结构模型，其示意图见图2。
S3、建立地面管网与地下油藏复杂***生产优化数学模型。
选择海上油田群在注采制度调整过程中要优化的决策变量(一般为注采调整周期内所有生产井和注入井的注采制度)，依据“多级递进式”生产-集输结构模型，计算或统计建立目标函数和约束条件时所需的数据，为地面管网与地下油藏复杂***生产优化问题建立最优化数学模型(包括决策变量、目标函数及约束条件等)。
本发明中待优化的决策变量为注采调整周期内的调控时间步长、所有生产井的日产液量、所有注入井的日注入量，其数学描述为：
式中，x代表海上油田群在注采调整过程中的控制变量；xa代表第a个油田区块在注采调整过程中的控制变量；表示第a个油田区块在第n时间步时的调控时间步长，d；代表第a个油田区块、第i口注入井在第n时间步时的日注水量，sm3/d；/>代表第a个油田区块、第j口生产井在第n时间步时的日产液量，sm3/d；/>代表第a个油田区块在第n时间步时的累积生产时间(/>即为注采调整周期)，d；Nt代表各油田区块注采调整周期内总的调控时间步数，步；Ninj,a代表第a个油田区块的注入井总数，口；Nprod,a代表第a个油田区块的生产井总数，口。
本发明以最佳经济效益作为核心目标，考虑项目的投入、产出以及资金的时间价值，把油田注采调整周期内的净现值(Net Present Value，NPV)作为油田注采制度调整过程中的目标函数，其具体计算公式如下：
其中，
式中，f代表海上油田群的总NPV值，￥；fa代表第a个油田区块的总NPV值，￥；代表第n时间步时单位体积原油的销售价格，￥/sm3；/>代表第n时间步时单位体积产出水的处理成本，￥/sm3；/>代表第n时间步时单位体积天然气的销售价格，￥/sm3；/>代表第n时间步时单位体积注入水的成本，￥/sm3；/>和/>分别代表第n时间步时第a个油田区块、第j口生产井的日产油量、日产水量和日产气量，sm3/d；b代表年度折现率；Cprod,a和Cinj,a分别代表第a个油田区块生产井和注入井的平均钻、完井费用，￥。
本发明中的约束条件主要包括各个油田区块中单井日注采量的上限和下限、各个油田区块日产液量的上限和下限以及海上油田群生产-集输设施中各级节点的液量处理能力等，其表达式和确定方式为：
各个油田区块中，注采井单井日注采量的约束表达式如下：
式中，ql,max,a代表根据现场经验而设定的第a个油田区块的生产井最大日产液量，sm3/d；qinj,max,a代表根据现场经验而设定的第a个油田区块的注入井最大日注入量，sm3/d。
对于各个油田区块的单井日注采量而言，其下限值可以设置为0，当优化后的决策变量值趋近于0时，则表示该生产井或注入井可能需要采取关井或注采转换等操作；而其上限值可以根据油田现场工程师的实际操作经验来设定。
各个油田区块日产液量的约束表达式如下：
式中，QB,l,min,a代表第a个油田区块的日产液量经济极限，sm3/d；代表第n时间步时第a个油田区块、第j口生产井的日产液量，sm3/d；QB,l,max,a代表第a个油田区块的最大日产液量，sm3/d。
对于各个油田区块的最大日产液量而言，其计算公式如下：
式中，Nprod,a代表第a个油田区块的生产井总数，口；代表第a个油田区块井网单元内所有生产井的平均采液指数，sm3/(d·MPa)；/>代表第a个油田区块井网单元内所有注入井的平均吸水指数，sm3/(d·MPa)；/>代表第a个油田区块井网单元内所有生产井的平均井底流压，MPa；/>代表第a个油田区块井网单元内所有注入井的平均注入压力，MPa。
对于各个油田区块的日产液量经济极限而言，可以首先对油田区块的单井平均日产油量经济极限进行计算；其次，根据生产井产液量、产油量和含水率之间的关系，并考虑开发过程中生产井含水率不断上升，在开发中后期更会达到极限含水率，进而计算得到油田区块的单井平均日产液量经济极限；最终，再结合油田区块的生产井数，计算出油田区块的日产液量经济极限。该过程的计算公式如公式(7)至公式(9)所示：
式中，表示第a个油田区块的单井平均日产油量经济极限，sm3/d；ID,a代表第a个油田区块的平均单井钻井投资，104￥；IB,a代表第a个油田区块的平均单井地面建设投资，104￥；R代表贴现率；βa代表第a个油田区块的油井系数，即油水井总数与油井数的比值；τo,a代表第a个油田区块的采油时率，即生产井的累积实际生产时间与累积日历时间的比值；do,a代表第a个油田区块的商品油率；Ta代表第a个油田区块的开发年限评价，a；co,a代表第a个油田区块单位体积原油除钻井和地面建设投资外的成本(常量)，￥/sm3。
式中，表示第a个油田区块的单井平均日产液量经济极限，sm3/d；fw,max代表生产井的极限含水率。
在海上油田群生产-集输设施中，各级节点的液量处理能力的约束表达式如下：
式中，QWP,l,b代表归属于第b个井组平台的所有生产井的总日产液量，sm3/d；QWP,l,max,b代表第b个井组平台的最大日液量处理能力，sm3/d；NWP代表区域联合开发的海上油田群的井组平台总数，个；QCP,l,c代表归属于第c个中心平台的所有井组平台的总日液量，sm3/d；QCP,l,max,c代表第c个中心平台的最大日液量处理能力，sm3/d；NCP代表区域联合开发的海上油田群的中心平台总数，个；Qterminal,max代表浮式生产储油卸油船或陆地终端的最大日液量处理能力，sm3/d。
对于海上油田群生产-集输设施中各级节点的液量处理能力而言，其上限值和下限值可以通过对海上油田群的实际工况和设施的状况进行统计得到。
S4、采用拉丁超立方采样方法设计生产优化周期内的注采制度。
采用拉丁超立方采样方法(Latin Hypercube Sampling Method，LHS)对各个油田区块在注采调整周期内(2年，按月调控)的生产井和注入井的注采制度进行设计，共得到NS(＝46)组注采制度。
S5、开展油藏数值模拟，并统计生产动态参数。
按照所设计的注采制度，使用商业油藏数值模拟器Eclipse依次对各个油田区块进行生产开发动态模拟(若设计了多组注采制度则进行相应次数的油藏数值模拟)，并对各个油田区块在注采调整周期内各调控时间步的生产动态数据和注采制度数据进行统计，得到各个油田区块的一组或多组时间序列数据。其中，油田区块的生产动态数据包括采收率FOE、油田综合含水率FWCT、累积产油量FOPT、累积产水量FWPT和累积注入量FWIT，其与注采制度数据所组成的时间序列如下表所示。
表1生产数据表
S6、对时间序列数据进行归一化处理。
对各个油田区块的一组或多组时间序列数据中的各项参数进行归一化处理。归一化过程采用离差标准化方法对原始数据进行处理，使时间序列中各项参数的数据在经过独立的线性变换之后映射到[0,1]之间，离差标准化方法的计算公式如下：
式中，Xstd为原始数据经过归一化处理后的值所组成的向量；X为原始数据的值所组成的向量。
S7、采用变宽度滑移时间窗采样方法从时间序列数据中采集样本点。
采用变宽度滑移时间窗采样方法对各个油田区块经过归一化处理后的一组或多组时间序列数据依次进行取样，得到训练和验证深度学习模型所需的样本点。使用变宽度滑移时间窗采样方法采集样本点时，以tn-1时刻的生产动态参数和至/>时刻的生产制度作为油田区块a的深度学习模型的输入数据，以/>时刻的生产动态参数作为油田区块a的深度学习模型的输出数据。其中，dw(dw＝1,2,…,Nt(＝24))为时间窗口的宽度，Nt的值可以根据用户需要进行设定。因此，每个油田区块可以得到/>个样本点。
S8、使用深度学习模型中的长短期记忆网络(Long Short-Term Memory Network,LSTM)建立油藏数值模拟的代理模型。
本发明基于Python和Keras API对LSTM网络进行搭建。在此过程中，采用pad_sequences方法对时间步数不等的样本点用值-1向后补齐，并使用序列模型中的Masking、LSTM和Dense模块建立输出层的神经元个数与样本点输出数据的维度相一致且可处理变长时间序列的LSTM网络。
S9、训练和验证LSTM网络油藏数值模拟代理模型。
依次利用各个油田区块的样本点对LSTM网络进行训练和验证，并将训练完毕的模型进行保存，作为各个油田区块油藏数值模拟的代理模型。对LSTM网络进行训练时，采用平均绝对误差(Mean Absolute Error,MAE)作为损失函数，使用自适应矩估计算法(Adaptivemoment estimation,Adam)对LSTM网络的参数进行优化；对LSTM网络进行验证时，检验其拟合优度R2和均方根误差(Root-Mean-Square Error,RMSE)。此外，该步骤中需要调整的其它参数包括：用于训练和验证LSTM网络的样本点数比例、LSTM网络隐含层的层数及各层神经元个数、激活函数、交叉验证数据比、训练次数“epochs”和批处理大小“batch_size”。
S10、基于LSTM网络油藏数值模拟代理模型和CMA-ES算法进行求解。
采用CMA-ES算法，并依据各个油田区块的LSTM网络油藏数值模拟代理模型，对目标函数和决策变量进行优化求解。
S11、验证海上油田群的注采制度优化调整效果。
将所得决策变量的最优解代入各个油田区块的Eclipse油藏数值模拟模型中进行模拟，验证海上油田群的注采制度优化调整效果。
LSTM网络模型构建和预训练完成后，其所需要的各个油田区块的油藏数值模拟次数和对两个目标区块各项生产动态数据的预测精确度见表2。使用CMA-ES算法和两个油田区块的LSTM网络模型进行优化求解并验证后，所得的生产开发效果对比见表3。通过表2和表3可以看出本发明所需的油藏数值模拟次数少、时间成本低、预测精度高、实用性强，对两个目标油田区块的注采制度调整进行了统筹优化，得到了很好的注采调整效果，进一步提高了海上油田有限资源的利用率。
表2区块C和N的油藏数值模拟调用次数和LSTM网络代理模型的预测精度
表3区块C和N在调整末期、不同注采制度下的累积产油量和综合含水率
Claims (8)
1.一种基于深度学习模型的地面管网与地下油藏复杂***生产优化方法，包括以下步骤：
S1、选定目标油田区块，采集相关数据
S2、建立海上油田群的“多级递进式”生产-集输结构模型
S3、建立地面管网与地下油藏复杂***生产优化数学模型，步骤如下：
选择海上油田群在注采制度调整过程中要优化的决策变量，依据“多级递进式”生产-集输结构模型，计算或统计建立目标函数和约束条件时所需的数据，为地面管网与地下油藏复杂***生产优化问题建立最优化数学模型；
待优化的决策变量为注采调整周期内的调控时间步长、所有生产井的日产液量、所有注入井的日注入量，其数学描述为：
式中，x代表海上油田群在注采调整过程中的控制变量；xa代表第a个油田区块在注采调整过程中的控制变量；表示第a个油田区块在第n时间步时的调控时间步长，d；/>代表第a个油田区块、第i口注入井在第n时间步时的日注水量，sm 3/d；/>代表第a个油田区块、第j口生产井在第n时间步时的日产液量，sm3/d；/>代表第a个油田区块在第n时间步时的累积生产时间/> 即为注采调整周期，d；Nt代表各油田区块注采调整周期内总的调控时间步数，步；Ninj,a代表第a个油田区块的注入井总数，口；Nprod,a代表第a个油田区块的生产井总数，口；
以最佳经济效益作为核心目标，考虑项目的投入、产出以及资金的时间价值，把油田注采调整周期内的净现值作为油田注采制度调整过程中的目标函数，其具体计算公式如下：
其中，
式中，f代表海上油田群的总NPV值，￥；fa代表第a个油田区块的总净现值，￥；代表第n时间步时单位体积原油的销售价格，￥/sm3；/>代表第n时间步时单位体积产出水的处理成本，￥/sm3；/>代表第n时间步时单位体积天然气的销售价格，￥/sm3；/>代表第n时间步时单位体积注入水的成本，/>和/>分别代表第n时间步时第a个油田区块、第j口生产井的日产油量、日产水量和日产气量，sm3/d；b代表年度折现率；Cprod,a和Cinj,a分别代表第a个油田区块生产井和注入井的平均钻、完井费用，￥；
约束条件主要包括各个油田区块中单井日注采量的上限和下限、各个油田区块日产液量的上限和下限以及海上油田群生产-集输设施中各级节点的液量处理能力，其表达式和确定方式为：
各个油田区块中，注采井单井日注采量的约束表达式如下：
式中，ql,max,a代表根据现场经验而设定的第a个油田区块的生产井最大日产液量，sm3/d；qinj,max,a代表根据现场经验而设定的第a个油田区块的注入井最大日注入量，sm3/d；
对于各个油田区块的单井日注采量而言，其下限值可以设置为0，当优化后的决策变量值趋近于0时，则表示该生产井或注入井可能需要采取关井或注采转换等操作；而其上限值可以根据油田现场工程师的实际操作经验来设定；
各个油田区块日产液量的约束表达式如下：
式中，QB,l,min,a代表第a个油田区块的日产液量经济极限，sm3/d；代表第n时间步时第a个油田区块、第j口生产井的日产液量，sm3/d；QB,l,max,a代表第a个油田区块的最大日产液量，sm3/d；
对于各个油田区块的最大日产液量而言，其计算公式如下：
式中，Nprod,a代表第a个油田区块的生产井总数，口；代表第a个油田区块井网单元内所有生产井的平均采液指数，sm3/(d·MPa)；/>代表第a个油田区块井网单元内所有注入井的平均吸水指数，sm3/(d·MPa)；/>代表第a个油田区块井网单元内所有生产井的平均井底流压，MPa；/>代表第a个油田区块井网单元内所有注入井的平均注入压力，MPa；
对于各个油田区块的日产液量经济极限而言，可以首先对油田区块的单井平均日产油量经济极限进行计算；其次，根据生产井产液量、产油量和含水率之间的关系，并考虑开发过程中生产井含水率不断上升，在开发中后期更会达到极限含水率，进而计算得到油田区块的单井平均日产液量经济极限；最终，再结合油田区块的生产井数，计算出油田区块的日产液量经济极限；该过程的计算公式如公式(7)至公式(9)所示：
式中，表示第a个油田区块的单井平均日产油量经济极限，sm3/d；ID,a代表第a个油田区块的平均单井钻井投资，104￥；IB,a代表第a个油田区块的平均单井地面建设投资，104￥；R代表贴现率；βa代表第a个油田区块的油井系数，即油水井总数与油井数的比值；τo,a代表第a个油田区块的采油时率，即生产井的累积实际生产时间与累积日历时间的比值；do,a代表第a个油田区块的商品油率；Ta代表第a个油田区块的开发年限评价，a；co,a代表第a个油田区块单位体积原油除钻井和地面建设投资外的成本，￥/sm3；
式中，表示第a个油田区块的单井平均日产液量经济极限，sm3/d；fw,max代表生产井的极限含水率；
在海上油田群生产-集输设施中，各级节点的液量处理能力的约束表达式如下：
式中，QWP,l,b代表归属于第b个井组平台的所有生产井的总日产液量，sm3/d；QWP,l,max,b代表第b个井组平台的最大日液量处理能力，sm3/d；NWP代表区域联合开发的海上油田群的井组平台总数，个；QCP,l,c代表归属于第c个中心平台的所有井组平台的总日液量，sm3/d；QCP,l,max,c代表第c个中心平台的最大日液量处理能力，sm3/d；NCP代表区域联合开发的海上油田群的中心平台总数，个；Qterminal,max代表浮式生产储油卸油船或陆地终端的最大日液量处理能力，sm3/d；
对于海上油田群生产-集输设施中各级节点的液量处理能力而言，其上限值和下限值可以通过对海上油田群的实际工况和设施的状况进行统计得到；
S4、采用拉丁超立方采样方法设计生产优化周期内的注采制度
S5、开展油藏数值模拟，并统计生产动态参数
S6、对时间序列数据进行归一化处理
S7、采用变宽度滑移时间窗采样方法从时间序列数据中采集样本点
S8、使用深度学习模型中的长短期记忆网络建立油藏数值模拟的代理模型
S9、训练和验证LSTM网络油藏数值模拟代理模型
S10、基于LSTM网络油藏数值模拟代理模型和CMA-ES算法进行求解
S11、验证海上油田群的注采制度优化调整效果。
2.根据权利要求1所述的基于深度学习模型的地面管网与地下油藏复杂***生产优化方法，其特征在于，S1步骤如下：
选定海上油田群的区块C和区块N，分别对其进行编号为1和2；各油田区块的编号用字母a(a＝1,…,NB)进行表示，其中NB＝2表示海上油田群中的油田区块个数；同时，采集两个区块的Eclipse油藏数值模拟模型数据、生产历史数据，其中区块C有40口生产井、22口注入井，区块N有10口生产井、7口注入井。
3.根据权利要求2所述的基于深度学习模型的地面管网与地下油藏复杂***生产优化方法，其特征在于，S2步骤如下：
对海上油田群的生产-集输***的结构进行分析，建立海上油田群生产-集输管网的“多级递进式”生产-集输结构模型；海上油田群的生产-集输***由油田区块生产***和多级集输管网***两部分构成；其中，油田区块生产***是地层流体的产出源头，包括地下储层以及与其相连接的注入井、生产井；而多级集输管网***则是负责将产出的地下流体简单处理并汇至一处，最终输送至原油处理储集厂，该***包括井组平台、中心平台、陆地终端处理站或浮式生产储油船；两个***的各个组成部分构成了海上油田群生产-集输***网络的各级节点，其间依靠管线进行连接；
海上油田群在进行生产开发时，所产出的流体在各级节点间的流动过程包含以下几个环节：(1)地下流体由油藏经过孔隙通道流向生产井；(2)生产井流体汇集至井组平台，再经由输油管线流向中心平台；(3)流体通过中心平台的简单液处理后，经过输送管线流向浮式生产储油船或陆地终端。
4.根据权利要求3所述的基于深度学习模型的地面管网与地下油藏复杂***生产优化方法，其特征在于，S4步骤如下：采用拉丁超立方采样方法对各个油田区块在注采调整周期内的生产井和注入井的注采制度进行设计，共得到Ns组注采制度，其中，Ns＝46。
5.根据权利要求4所述的基于深度学习模型的地面管网与地下油藏复杂***生产优化方法，其特征在于，S5步骤如下：
按照所设计的注采制度，使用商业油藏数值模拟器Eclipse依次对各个油田区块进行生产开发动态模拟，并对各个油田区块在注采调整周期内各调控时间步的生产动态数据和注采制度数据进行统计，得到各个油田区块的一组或多组时间序列数据；其中，油田区块的生产动态数据包括采收率FOE、油田综合含水率FWCT、累积产油量FOPT、累积产水量FWPT和累积注入量FWIT，其与注采制度数据所组成的时间序列如表所示。
6.根据权利要求5所述的基于深度学习模型的地面管网与地下油藏复杂***生产优化方法，其特征在于，S6步骤如下：
对各个油田区块的一组或多组时间序列数据中的各项参数进行归一化处理；归一化过程采用离差标准化方法对原始数据进行处理，使时间序列中各项参数的数据在经过独立的线性变换之后映射到[0,1]之间，离差标准化方法的计算公式如下：
式中，Xstd为原始数据经过归一化处理后的值所组成的向量；X为原始数据的值所组成的向量。
7.根据权利要求6所述的基于深度学习模型的地面管网与地下油藏复杂***生产优化方法，其特征在于，S7步骤如下：
采用变宽度滑移时间窗采样方法对各个油田区块经过归一化处理后的一组或多组时间序列数据依次进行取样，得到训练和验证深度学习模型所需的样本点；使用变宽度滑移时间窗采样方法采集样本点时，以tn-1时刻的生产动态参数和至/>时刻的生产制度作为油田区块a的深度学习模型的输入数据，以/>时刻的生产动态参数作为油田区块a的深度学习模型的输出数据；
其中，dw(dw＝1,2,…,Nt(＝24))为时间窗口的宽度，Nt的值可以根据用户需要进行设定；因此，每个油田区块可以得到个样本点。
8.根据权利要求7所述的基于深度学习模型的地面管网与地下油藏复杂***生产优化方法，其特征在于：
S8步骤如下：基于Python和Keras API对LSTM网络进行搭建；在此过程中，采用pad_sequences方法对时间步数不等的样本点用值-1向后补齐，并使用序列模型中的Masking、LSTM和Dense模块建立输出层的神经元个数与样本点输出数据的维度相一致且可处理变长时间序列的LSTM网络；
S9步骤如下：依次利用各个油田区块的样本点对LSTM网络进行训练和验证，并将训练完毕的模型进行保存，作为各个油田区块油藏数值模拟的代理模型；对LSTM网络进行训练时，采用平均绝对误差作为损失函数，使用自适应矩估计算法对LSTM网络的参数进行优化；对LSTM网络进行验证时，检验其拟合优度R2和均方根误差；此外，该步骤中需要调整的其它参数包括：用于训练和验证LSTM网络的样本点数比例、LSTM网络隐含层的层数及各层神经元个数、激活函数、交叉验证数据比、训练次数“epochs”和批处理大小“batch_size”；
S10步骤如下：采用CMA-ES算法，并依据各个油田区块的LSTM网络油藏数值模拟代理模型，对目标函数和决策变量进行优化求解；
S11步骤如下：将所得决策变量的最优解代入各个油田区块的Eclipse油藏数值模拟模型中进行模拟，验证海上油田群的注采制度优化调整效果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011344352.0A CN112539054B (zh) | 2020-11-25 | 2020-11-25 | 地面管网与地下油藏复杂***生产优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011344352.0A CN112539054B (zh) | 2020-11-25 | 2020-11-25 | 地面管网与地下油藏复杂***生产优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112539054A CN112539054A (zh) | 2021-03-23 |
| CN112539054B true CN112539054B (zh) | 2024-05-14 |
Family
ID=75016517
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011344352.0A Active CN112539054B (zh) | 2020-11-25 | 2020-11-25 | 地面管网与地下油藏复杂***生产优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112539054B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113610446B (zh) * | 2021-09-29 | 2021-12-21 | 中国石油大学(华东) | 一种复杂分散断块油田群投产顺序的决策方法 |
| CN116882323B (zh) * | 2023-09-07 | 2023-11-28 | 中国石油大学(华东) | 一种考虑时序性及细分任务的自适应代理策略优化方法 |
| CN118095667B (zh) * | 2024-04-29 | 2024-07-02 | 中国石油大学(华东) | 一种近期经验引导的油藏多类措施流场调控强化学习方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102606126A (zh) * | 2012-03-27 | 2012-07-25 | 东方宝麟科技发展(北京)有限公司 | 裂缝性储层非平面网络裂缝压裂控制方法 |
| CN103392054A (zh) * | 2011-02-23 | 2013-11-13 | 兰德马克绘图国际公司 | 确定可行的水力压裂方案的方法和*** |
| CN109344555A (zh) * | 2018-11-30 | 2019-02-15 | 中国石油大学(北京) | 一种集输管网设计方法及装置 |
| CN109948841A (zh) * | 2019-03-11 | 2019-06-28 | 中国石油大学(华东) | 一种基于深度学习的水驱开发油田剩余油分布的预测方法 |
| CN110941890A (zh) * | 2019-09-27 | 2020-03-31 | 中国海洋石油集团有限公司 | 基于最优控制理论的海上油藏动态实时生产优化方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8352226B2 (en) * | 2006-01-31 | 2013-01-08 | Landmark Graphics Corporation | Methods, systems, and computer-readable media for real-time oil and gas field production optimization using a proxy simulator |
| CN101725346A (zh) * | 2009-12-15 | 2010-06-09 | 中国石油大学(华东) | 油藏井间动态连通性反演方法 |
| CN105095986B (zh) * | 2015-06-23 | 2018-12-25 | 中国石油天然气股份有限公司 | 多层油藏整体产量预测的方法 |
| US20190106978A1 (en) * | 2017-10-06 | 2019-04-11 | Uti Limited Partnership | Method for producing an oil well |
| US20190205360A1 (en) * | 2017-12-29 | 2019-07-04 | University Of Southern California | Method for prioritizing candidate objects |
| CN111625922B (zh) * | 2020-04-15 | 2022-04-12 | 中国石油大学(华东) | 一种基于机器学习代理模型的大规模油藏注采优化方法 |
-
2020
- 2020-11-25 CN CN202011344352.0A patent/CN112539054B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103392054A (zh) * | 2011-02-23 | 2013-11-13 | 兰德马克绘图国际公司 | 确定可行的水力压裂方案的方法和*** |
| CN102606126A (zh) * | 2012-03-27 | 2012-07-25 | 东方宝麟科技发展(北京)有限公司 | 裂缝性储层非平面网络裂缝压裂控制方法 |
| CN109344555A (zh) * | 2018-11-30 | 2019-02-15 | 中国石油大学(北京) | 一种集输管网设计方法及装置 |
| CN109948841A (zh) * | 2019-03-11 | 2019-06-28 | 中国石油大学(华东) | 一种基于深度学习的水驱开发油田剩余油分布的预测方法 |
| CN110941890A (zh) * | 2019-09-27 | 2020-03-31 | 中国海洋石油集团有限公司 | 基于最优控制理论的海上油藏动态实时生产优化方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于遗传算法优化BP神经网...的钛合金旋转超声磨削力预测;秦娜等;《中国科技论文》;第1128-1131页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112539054A (zh) | 2021-03-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112539054B (zh) | 地面管网与地下油藏复杂***生产优化方法 | |
| CN108573320B (zh) | 页岩气藏最终可采储量的计算方法和*** | |
| CN113052371B (zh) | 基于深度卷积神经网络的剩余油分布预测方法及装置 | |
| US11308413B2 (en) | Intelligent optimization of flow control devices | |
| Papadopoulou et al. | Computational benefits using artificial intelligent methodologies for the solution of an environmental design problem: saltwater intrusion | |
| Kalam et al. | An ANN model to predict oil recovery from a 5-spot waterflood of a heterogeneous reservoir | |
| Cao et al. | A review on application of data-driven models in hydrocarbon production forecast | |
| CN113610945B (zh) | 一种基于混合神经网络的地应力曲线预测方法 | |
| CN114444402A (zh) | 一种基于深度强化学习的油藏注采优化方法 | |
| Ranjan et al. | Gas lift optimization using artificial neural network | |
| Calvette et al. | Forecasting smart well production via deep learning and data driven optimization | |
| CN115860197A (zh) | 一种基于数据驱动的煤层气产量预测方法及*** | |
| CN114638401A (zh) | 一种基于历史及预测油藏知识的剩余油分布预测方法及装置 | |
| Kim et al. | Real-time river-stage prediction with artificial neural network based on only upstream observation data | |
| CN110717270B (zh) | 一种基于数据的油气藏仿真模拟方法 | |
| Wang et al. | Data-driven multi-objective optimization design method for shale gas fracturing parameters | |
| Liu | Potential for evaluation of interwell connectivity under the effect of intraformational bed in reservoirs utilizing machine learning methods | |
| Cao et al. | Feature investigation on the ROP machine learning model using realtime drilling data | |
| Alkinani et al. | Dynamic neural network model to predict the rate of penetration prior to drilling | |
| Fattakhov et al. | Using artificial neural networks for analyzing efficiency of advanced recovery methods | |
| CN115099406A (zh) | 基于多元时间序列的地层压力反演方法及装置 | |
| Camargo et al. | Hybrid intelligent supervision model of oil wells | |
| Zhang et al. | CNN‐LSTM Model Optimized by Bayesian Optimization for Predicting Single‐Well Production in Water Flooding Reservoir | |
| Wen et al. | Forecasting oil production in unconventional reservoirs using long short term memory network coupled support vector regression method: A case study | |
| CN115130268A (zh) | 油藏注采方案设计方法、***、存储介质及电子设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Zhang Kai Inventor after: Zhang Liming Inventor after: Yao Chuanjin Inventor after: Lu Yuchen Inventor after: Liu Fan Inventor after: Fan Ling Inventor after: Zhai Liang Inventor after: Xu Yaodong Inventor after: Yao Jun Inventor after: Liu Junrong Inventor before: Yao Chuanjin Inventor before: Zhang Liming Inventor before: Zhang Kai Inventor before: Lu Yuchen Inventor before: Liu Fan Inventor before: Fan Ling Inventor before: Zhai Liang Inventor before: Xu Yaodong Inventor before: Yao Jun Inventor before: Liu Junrong |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |