CN115526086A - 一种基于代理模型的碳酸盐岩油藏水驱突破时间预测方法 - Google Patents

一种基于代理模型的碳酸盐岩油藏水驱突破时间预测方法 Download PDF

Info

Publication number
CN115526086A
CN115526086A CN202211326213.4A CN202211326213A CN115526086A CN 115526086 A CN115526086 A CN 115526086A CN 202211326213 A CN202211326213 A CN 202211326213A CN 115526086 A CN115526086 A CN 115526086A
Authority
CN
China
Prior art keywords
water
reservoir
oil
breakthrough time
fracture
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.)
Pending
Application number
CN202211326213.4A
Other languages
English (en)
Inventor
孙致学
张灏
宋文铜
尹逸凡
王许强
李雪源
李昕睿
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Petroleum East China
Original Assignee
China University of Petroleum East China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China University of Petroleum East China filed Critical China University of Petroleum East China
Priority to CN202211326213.4A priority Critical patent/CN115526086A/zh
Publication of CN115526086A publication Critical patent/CN115526086A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/12—Timing analysis or timing optimisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于代理模型的碳酸盐岩油藏水驱突破时间预测方法，包括如下步骤：S1：选用公开某油藏实际生产历史数据集；S2：根据油藏生产动态将油藏天然水驱分为四种水驱类型；S3：使用有限元概念模型对油藏相关参数进行模拟计算，得到数值模拟样本数据集；S4：构建四种水驱突破时间预测分模型；S5：构建四种水驱突破时间预测分模型的训练集；S6：对每种水驱突破时间预测分模型进行训练，最后得到训练好的预测模型；S7：对训练好的预测模型进行修正处理，得到最终的碳酸盐岩油藏水驱突破时间预测模型。使用本技术方案可以解决现有油藏水驱突破时间预测方法耗时长、适应性和针对性不强的缺点，可以有效指导实际油井具体的开发工作。

Description

一种基于代理模型的碳酸盐岩油藏水驱突破时间预测方法
技术领域
本发明涉及油藏水驱突破时间预测领域，特别涉及一种基于代理模型的碳酸盐岩油藏水驱突破时间预测方法。
背景技术
碳酸盐岩油气藏在世界油气的储量和产量上均位居首位，是国内外高度关注的研究对象。我国分布有大面积的碳酸盐岩地层，在碳酸盐岩油气藏的地质研究方面存在着巨大的创新空间。部分碳酸盐岩油藏探明储量非常高，但由于地下裂缝、基质层位分布关系复杂，导致储层物性差异性极强，开采难度极大。目前，裂缝-孔隙型碳酸盐岩油藏常见的开发问题有无法控制含水率的快速上升，油井见水过早，致使部分油井的产量递减过早过快，开发效果差，油井水淹是导致产量递减的主导因素。运用常规的数模手段模拟裂缝-基质层位分布关系、储层特征参数、裂缝属性(长度、宽度、开度、走向)对油井见水时间的影响需耗费大量成本。
目前，预测油藏天然水驱突破时间预测方法的方法主要有以下几种：(1)室内宏观三维物理模拟方法。(2)油藏天然水驱突破时间数值模拟预测方法。基于油藏有效储集体雕刻及三维物性地质模型，依据等效渗流介质理论，对油藏油水两相数学模型进行差分求解，模拟油藏内部任意时刻的油水运动规律，对油藏底水的水锥形成、抬升及突破的动态演化过程进行仿真，从而预测底水在油井产层段的突破时间。相对于简化的解析方法，该方法优点可以考虑油藏地质条件、油水性质等实际参数的影响。(3)见水图版法。该方法依据砂岩油藏底水油藏开发规律，常规砂岩底水油藏水锥预测，划分油井开发阶段，建立累产液量与井口指标的对应关系，依据现有累产液量确定所在生产阶段来确定天然水驱突破时间。(4)历史数据分析统计法。上述碳酸岩盐油藏天然水驱突破时间的预测方法包含了油藏开工程、物模数模和统计类比的方法，能够从理论上分析油藏天然水驱突破时间的影响因素并预测油藏天然水驱突破时间。但遗憾的是，上述技术在油藏的实际开发中适用性和针对性不强，难以有效指导油井的具体开发。
专利号为CN106150486B的中国专利“识别裂缝油藏见水规律的方法”，提出了一种依据不同含水阶段所形成的夹角Φ的范围，判断水淹时间的方法。该专利没有涉及到多层碳酸盐岩油藏油井生产见水时间的预测方法，该处的见水时间即指水驱突破时间。
专利号为CN110020495A的中国专利“风化壳岩溶缝洞型油藏油井见水时间预测方法及设备”，提出了一种基于数据挖掘算法的风化壳岩溶缝洞型油藏油井见水时间预测方法及设备，通过确定缝洞型油藏岩溶背景及储集层类型，筛选有效样本，建立缝洞型油藏驱动阶段与油压特征对应关系的图版，建立考虑地质储量、底水发育程度、储集体类型、是否为稠油井、进山深度、是否酸压、采出程度、是否零星见水、油井能量水平、瞬时产量的神经网络预测模型。该专利没有涉及到裂缝-基质层位分布关系对见水时间的影响关系，该处的见水时间即指水驱突破时间。
发明内容
针对现有技术存在的上述问题，本发明要解决的技术问题是：如何对油藏天然水驱突破时间进行准确预测。
为解决上述技术问题，本发明采用如下技术方案：一种基于代理模型的碳酸盐岩油藏水驱突破时间预测方法，包括如下步骤：
一种基于代理模型的碳酸盐岩油藏水驱突破时间预测方法，包括如下步骤：
S100：选用公开某油藏实际生产历史数据集，所述实际生产历史数据集包括油藏生产动态、油藏采收率、油藏储层参数和油藏流体参数；
S200：根据油藏生产动态将油藏天然水驱分为四种水驱类型，根据油藏生产动态将实际生产历史数据集中的所有数据分为与四种水驱类型一一对应的四类原始数据，所述四种水驱类型包括：类型I、类型II、类型III和类型IV；
S300：使用裂缝-孔隙型碳酸盐岩油藏油水两相流有限元概念模型对油藏储层参数和油藏流体参数进行数据模拟计算，得到数值模拟样本数据集；
S400：构建碳酸盐岩油藏水驱突破时间预测模型，所述碳酸盐岩油藏水驱突破时间预测模型包括四种水驱突破时间预测分模型，所述四种水驱突破时间预测分模型与四种水驱类型一一对应，每种水驱突破时间预测分模型均为多层感知器神经网络；
S500：分别构建四种水驱突破时间预测分模型的训练集，一类原始数据和数值模拟样本数据集组合得到该类原始数据对应的水驱突破时间预测分模型的训练集；
S600：设置训练最大迭代次数，将每种水驱突破时间预测分模型对应的训练集作为输入，使用MATLAB中的训练模块对每种水驱突破时间预测分模型进行训练，当训练达到最大迭代次数时停止训练，得到训练好的四个水驱突破时间预测分模型，即得到训练好的碳酸盐岩油藏水驱突破时间预测模型；
S700：利用油藏采收率对训练好的碳酸盐岩油藏水驱突破时间预测模型进行修正处理，得到最终的碳酸盐岩油藏水驱突破时间预测模型；
S800：选取待预测裂缝-孔隙型碳酸盐岩油藏，利用该待预测裂缝-孔隙型碳酸盐岩油藏的油藏生产动态判断该油藏的水驱类型；
S900：将待预测裂缝-孔隙型碳酸盐岩油藏的油藏储层参数和油藏流体参数作为最终的碳酸盐岩油藏水驱突破时间预测模型的输入，输出得到待预测裂缝-孔隙型碳酸盐岩油藏的水驱突破时间预测结果。
作为优选，所述S100中油藏生产动态包括油井压力、含水率、油水前沿、油藏采收率。
油井压力、含水率是油田易收集到的数据，油水前沿是可计算出来的最直接反应天然水驱突破速度的参数，且不同油藏类型这三个参数的差异较大，利用油井压力、含水率、油水前沿可将油藏见水类型较为细致的分为四类。
作为优选，所述S100中油藏储层参数包括裂缝-基质层位分布关系特征参数、储层特征参数和裂缝属性参数。
相比其他水驱突破时间预测方法，该方法考虑了裂缝-基质层位分布关系与裂缝属性对水驱突破时间的影响，且生产过程中裂缝往往为有谁渗流通道，裂缝的展布模式、分布规律对于油藏水窜、油井见水存在极大影响，故需考虑裂缝-基质分布关系及裂缝性质。
作为优选，所述裂缝-基质层位分布关系特征参数包括裂缝基质层数，基岩层数，层厚；所述储层特征参数包括孔隙度，渗透率；所述裂缝属性参数包括裂缝开度，裂缝密度。
相比其他水驱突破时间预测方法，该方法结合较多因素，认为油藏储层多为复杂叠合储层，裂缝与基质叠合模式复杂，极大程度上影响油藏水驱突破时间预测，故裂缝-基层相关参数的定性分析显得尤为重要，本方法基于MLP模型为依据，充分考虑了储层叠置及储层储集体物性，准确性较高。
作为优选，所述S100中油藏流体参数包括油水粘度、密度和相渗数据。
油水粘度、密度、相渗可以精确反映地下流体在油藏条件下的流动状态。
作为优选，所述S300中得到数值模拟样本数据集的具体方法如下：
S310：利用COMSOL软件建立裂缝-孔隙型碳酸盐岩油藏油水两相流有限元概念模型；
S320：计算裂缝-孔隙型碳酸盐岩油藏中基质内油水两相质量守恒方程，计算表达式如下：
Figure BDA0003912147680000041
其中，φm为基质孔隙度；Smo为基质含油饱和度；Smw为基质含水饱和度；t为时间；vmo为基质油相速度矢量，单位m·s-1；vmw为基质水相速度矢量，单位m·s-1；qmo为基质油相源汇项；qmw为基质水相源汇项；
其中，vmo、vmw表示基质内的油水两相运动方程，表达式如下：
Figure BDA0003912147680000042
其中，K为渗透率张量；kro为油相相对渗透率；krw为水相相对渗透率；μo为油相粘度；μw为水相粘度；pmo为基质内油相流体压力；pmw为基质内水相流体压力；
S330：将公式(2)代入公式(1)中得到裂缝-孔隙型碳酸盐岩油藏中基质内油水两相控制方程，计算表达式如下：
Figure BDA0003912147680000043
S340：计算裂缝内油水两相质量守恒方程和油水两相运动方程，计算表达式如下：
Figure BDA0003912147680000044
Figure BDA0003912147680000045
式中，φf为裂缝孔隙度；pfo为裂缝内油相流体压力；pfw为裂缝内水相流体压力；Sfo为裂缝含油饱和度；Sfw为裂缝含水饱和度；t为时间；vfo为裂缝油相速度矢量，m·s-1；vfw为裂缝水相速度矢量，m·s-1；qfo为裂缝油相源汇项；qfw为裂缝水相源汇项；pfo为裂缝内油相流体压力；pfw为裂缝内水相流体压力；
S350：将公式(5)代入公式(4)得到裂缝-孔隙型碳酸盐岩油藏中裂缝内油水两相的控制方程，计算表达式如下：
Figure BDA0003912147680000051
S360：由公式(3)和公式(6)得到裂缝-孔隙型碳酸盐岩油藏的水相和油相的流动综合方程，表达式如下：
Figure BDA0003912147680000052
其中，Sw表示油藏的含水饱和度，So表示油藏的含油饱和度，qw表示油藏的水相源汇项，qo表示油藏的油相源汇项；
S370：计算裂缝-孔隙型碳酸盐岩油藏的油水两相的压力方程及饱和度矩阵方程，表达式如下：
Figure BDA0003912147680000053
其中，Po表示油藏的油相流体压力，φ表示油藏的整体孔隙度，pc'表示pc的一阶导数；其中，pc表示毛管力，单位Pa，pc'和pc的表达式如下：
pc(Sw)＝po-pw； (9)
Figure BDA0003912147680000054
其中，po表示油藏的油相流体压力，pw表示油藏的水相流体压力；
S380：利用公式(8)得到裂缝-孔隙型碳酸盐岩油藏的不同时刻饱和度场，当该油藏油井的含水饱和度不为0时，记录该时刻为该油藏条件下油井的见水时间，将所有见水时间数据的集合作为数值模拟样本数据集。
作为优选，所述S700中对训练好的碳酸盐岩油藏水驱突破时间预测模型进行修正处理的具体步骤如下：
S710：利用COMSOL软件对训练好的碳酸盐岩油藏水驱突破时间预测模型进行计算，得到该模型对应的预测采收率；
S720：利用概率函数设置油藏的表征偏差值Z(e)；
S720：计算预测采收率与真实采收率之间的差值，若差值小于Z(e)，则得到最终的碳酸盐岩油藏水驱突破时间预测模型；若差值大于Z(e)，则利用随机数函数对训练好的碳酸盐岩油藏水驱突破时间预测模型进行修正处理，具体步骤如下：
S721：使用srand((unsigned)time(NULL))函数对训练好的碳酸盐岩油藏水驱突破时间预测模型中的采收率变量进行处理，得到不同采收率种子值；其中，unsigned为变量类型，这里选用采收率变量；time(NULL)为时间值；
S721：使用rand()函数对不同采收率种子值进行“随机化”处理，表达式如下：
Xi′＝kXi； (11)
k＝rand()/16383.5； (12)
其中，k表示修正系数，Xi′表示第i个修正后的采收率，Xi表示第i个采收率种子值，i＝1，…，n；
S722：计算偏差值S，具体表达式如下：
Figure BDA0003912147680000061
其中，
Figure BDA0003912147680000062
表示所有预测结果平均采收率，n表示预测次数；
S723：当S<Z(e)时，得到最终的碳酸盐岩油藏水驱突破时间预测模型，否则返回S721。
该方法与常规水驱突破时间预测方法相对比而言，基于COMSOL商业软件进行模型构建，充分实现了多裂缝-基岩展布模型构建；基于代理模型方法进行了典型特征油藏考虑裂缝-基岩展布模式、物性特征等条件下水驱突破时间预测与模型特征链接分析，训练学习生成了相应典型特征代理模型，基于该代理模型结合油藏真实物性准确预测见水时间，提高了预测精度；随后基于偏差值理论进行结果预判定，实现了油藏尺度高精度见水时间预测模拟。
相对于现有技术，本发明至少具有如下优点：
1.目前现有油藏水驱突破时间的预测方法，耗费大量的计算成本，使用本发明技术方案可以大大减少运算时间，并提高预测准确率。本方案通过现有的油藏实测数据进行水驱类型划分，然后利用现有的数据模拟技术对实际数据进行处理，得到数据模拟样本集；然后利用对应不同水驱类型的数据结合数值模拟样本集作为整体模型预测的训练集；以MLP多层感知器神经网络作为基线模型构建裂缝-孔隙型碳酸盐岩油藏水驱突破时间预测模型，使用对应的训练集进行模型训练，然后将训练好的模型进行条件验证，不符合验证条件时进行进一步的模型修正，以得到最终的预测模型。基于偏差值理论的模型修正，原理上就是进行结果预判定，实现了油藏尺度的高精度预测。
2.本方案第一次考虑到了裂缝-基岩层位分布关系对油藏天然水驱突破时间的影响，步骤3中将裂缝-基岩层位分布关系特征参数包括裂缝基质层数，基岩层数，层厚，作为考虑因素，体现在Comsol数值模拟建模过程中以及实际油田的数据收集过程中，作为训练MLP的输入数据，提高代理模型的预测准确率。
3.该方法与常规水驱突破时间预测方法相对比而言，基于COMSOL商业软件进行模型构建，充分实现了多裂缝-基岩展布模型构建；基于代理模型方法进行了典型特征油藏考虑裂缝-基岩展布模式、物性特征等条件下水驱突破时间预测与模型特征链接分析，训练学习生成了相应典型特征代理模型，基于该代理模型结合油藏真实物性准确预测水驱突破时间，提高了预测精度；随后基于偏差值理论进行结果预判定，实现了油藏尺度高精度水驱突破时间的预测模拟。
附图说明
图1为本发明整体流程示意图。
图2为MLP框架示意图。
图3为数模模型建立流程图。
图4为Comsol模型二维图。
图5为Comsol模型油水饱和度图。
图6为采收率修正流程图。
具体实施方式
下面对本发明作进一步详细说明。
本发明通过对地下裂缝-孔隙型碳酸盐岩油藏油水两相流动特征进行分析，在通用见水时间预测模型基础上简化和发展，构建了裂缝-孔隙型碳酸盐岩油藏代理模型，利用有限元模型模拟正交试验获取数值模拟样本，进而对代理模型中的参数进行求解，考虑到边底水发育程度、采出程度对见水时间的影响，利用采收率对该模型进行了修正，使其更符合实际应用要求，得到了满足实时仿真要求的裂缝-孔隙型碳酸盐岩油藏水驱突破时间预测模型，可以对天然水驱突破时间早晚进行实时仿真计算以及配合裂缝-孔隙碳酸盐岩油藏特征参数对水驱突破时间进行预测。
实施例1：以塔河油藏T单元为例进一步说明该技术方法的有效性，对本发明实施方式做如下说明：
参见图1-图6，一种基于代理模型的碳酸盐岩油藏水驱突破时间预测方法，包括如下步骤：
S01：根据生产动态，比如油井压力，含水率，油水前沿等将见水类型分为4种类型，其中，四种水驱类型描述如下：类型I：开井初期两年内含水率剧烈上升至40％-60％，表达式为t1＝A1xf+B1P+C1fw；类型II：开井后两年先有一段无水采收期，含水率为0，之后含水率缓慢上升，油井压力保持在原始地层压力70％-90％，表达式为t2＝A2P+B2xf+C2fw；类型III：开井后两年先有一段无水采收期，后含水率剧烈上升至40％-60％，表达式为t3＝A3xf+B3P+C3fw；类型IV：开井后两年，油井压力缓慢下降至原始地层压力70％-90％，但含水率保持稳定于20％-40％，表达式为t4＝A4P+B4xf+C4fw。分别对应以下边底水类型：边底水距井口较近且有裂缝等优势通道连通；有一定避水高度且储层裂缝较不发育；有一定避水高度且裂缝较发育；边底水主要为局部封存水。将油藏实际生产数据分为四种类型，并对其进行预处理：包括异常值处理、以及数据标准化。
S02：输入参数包括：储层参数，如裂缝-基质层位分布关系特征参数、储层特征参数、裂缝属性参数，其中裂缝基质层数，砂岩层数，层厚，孔隙度0.2，渗透率100mD，裂缝开度，裂缝密度等；流体参数，原油粘度7.75mPa/s，密度0.84g/cm3，注入水粘度0.48mPa/s,密度1.02g/cm3相渗数据等。主要包括实际生产历史数据和数值模拟样本数据两部分。数值模拟样本利用COMSOL软件构建裂缝-孔隙型碳酸盐岩油藏概念模型见图4，COMSOL软件为现有技术，裂缝-孔隙型碳酸盐岩油藏油水两相流有限元概念模型为已知的、训练好的现有模型，裂缝性储层采用离散裂缝模型，使用PDE模块计算各相饱和度，下边界为流入界面，上边界为流出界面，以流出界面各点含水饱和度最大值等于1为终止条件，记录此时的运算时间作为见水时间，作为天然水驱突破时间样本用于对天然水驱突破时间预测模型的求解，结果见图5。
结合基质内及裂缝内的油水两相质量守恒方程和运动方程，进行常微分方程推导，得到只关于饱和度和压力的油水两相的控制方程，将控制方程整理为矩阵形式，实现考虑离散裂缝的油水两相流在Comsol软件中的计算。
S03：为实现具有高维变量的裂缝-孔隙型碳酸盐岩油藏天然水驱突破时间预测模型的构建，通过对裂缝-孔隙型碳酸盐岩油藏油水两相流动的特性分析，基于开发的数学模型，利用MLP(多层感知器)神经网络。该裂缝-孔隙型碳酸盐岩油藏油水两相流有限元概念模型为已有的且训练好的模型；多层感知器神经网络为现有技术；
S04：首先输入储层物性参数如裂缝-基岩层位分布关系特征参数、储层特征参数、裂缝属性参数和流体参数，油水粘度、密度、相渗数据等，输出含水率(fw)、油井压力(P)、油水前沿(xf)，基于前沿距井位置、压力保持水平、含水率变化趋势判断塔河油藏T单元属于类型II；求解对应类型见水时间预测模型的映射关系表达式为t2＝A2P+B2xf+C2fw。
S05：利用油藏实际生产数据和数值模拟方法得到的不同概念模型的见水时间样本的80％作为训练代理模型的初始数据集，20％作为测试集，利用MATLAB对S03中构建的裂缝-孔隙型碳酸盐岩油藏天然水驱突破时间预测代理模型的映射关系表达式进行求解，待求解的参数主要包括A2，B2，C2；MATLAB中的训练模块为现有技术。
S06：基于采收率等次控因素对各类型代理模型进行修正，具体流程见图6所示，利用概率函数表征偏差值Z(e)，该表征偏差值为根据经验提出的可允许误差值；若模型采收率与真实油藏采收率偏差值小于Z(e)，则代理模型满足运算需求；若不满足，则利用随机数函数对代理模型进行修正，随后重复上述判定，直至满足偏差值要求。
随机数函数主要利用了C语言中的srand()函数和rand()函数，通过srand()函数改变种子值，通常是srand((unsigned)time(NULL))，使得rand()函数根据不同的种子值实现进一步的“随机化”，因为时间一直变化，所以种子值一直变化，这种“随机化”处是使用rand()函数后会对应不同的种子值返回相对应的随机数，种子的不断变化，令返回的rand()函数值就更具随机性，所得到的随机数的范围在0到32767之间，k的范围在0-2之间的随机数函数的编程为k＝rand()/16383.5，最终可知见水时间为1.5a，代理模型偏差值小于5％。
本发明所公开的方法深入了对裂缝-孔隙型碳酸盐岩油藏的研究，基于神经网络模型的裂缝-孔隙型碳酸盐岩油藏天然水驱突破时间预测方法，弥补了已有的天然水驱突破时间预测方法耗时长，且在油田的实际开发中适用性不高和针对性不强的缺点，可以有效指导油井的具体开发。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (7)

1.一种基于代理模型的碳酸盐岩油藏水驱突破时间预测方法，其特征在于：包括如下步骤：
S100：选用公开某油藏实际生产历史数据集，所述实际生产历史数据集包括油藏生产动态、油藏采收率、油藏储层参数和油藏流体参数；
S200：根据油藏生产动态将油藏天然水驱分为四种水驱类型，根据油藏生产动态将实际生产历史数据集中的所有数据分为与四种水驱类型一一对应的四类原始数据，所述四种水驱类型包括：类型I、类型II、类型III和类型IV；
S300：使用裂缝-孔隙型碳酸盐岩油藏油水两相流有限元概念模型对油藏储层参数和油藏流体参数进行数据模拟计算，得到数值模拟样本数据集；
S400：构建碳酸盐岩油藏水驱突破时间预测模型，所述碳酸盐岩油藏水驱突破时间预测模型包括四种水驱突破时间预测分模型，所述四种水驱突破时间预测分模型与四种水驱类型一一对应，每种水驱突破时间预测分模型均为多层感知器神经网络；
S500：分别构建四种水驱突破时间预测分模型的训练集，一类原始数据和数值模拟样本数据集组合得到该类原始数据对应的水驱突破时间预测分模型的训练集；
S600：设置训练最大迭代次数，将每种水驱突破时间预测分模型对应的训练集作为输入，使用MATLAB中的训练模块对每种水驱突破时间预测分模型进行训练，当训练达到最大迭代次数时停止训练，得到训练好的四个水驱突破时间预测分模型，即得到训练好的碳酸盐岩油藏水驱突破时间预测模型；
S700：利用油藏采收率对训练好的碳酸盐岩油藏水驱突破时间预测模型进行修正处理，得到最终的碳酸盐岩油藏水驱突破时间预测模型；
S800：选取待预测裂缝-孔隙型碳酸盐岩油藏，利用该待预测裂缝-孔隙型碳酸盐岩油藏的油藏生产动态判断该油藏的水驱类型；
S900：将待预测裂缝-孔隙型碳酸盐岩油藏的油藏储层参数和油藏流体参数作为最终的碳酸盐岩油藏水驱突破时间预测模型的输入，输出得到待预测裂缝-孔隙型碳酸盐岩油藏的水驱突破时间预测结果。
2.如权利要求1所述的一种基于代理模型的碳酸盐岩油藏水驱突破时间预测方法，其特征在于：所述S100中油藏生产动态包括油井压力、含水率、油水前沿、油藏采收率。
3.如权利要求2所述的一种基于代理模型的碳酸盐岩油藏水驱突破时间预测方法，其特征在于：所述S100中油藏储层参数包括裂缝-基质层位分布关系特征参数、储层特征参数和裂缝属性参数。
4.如权利要求3所述的一种基于代理模型的碳酸盐岩油藏水驱突破时间预测方法，其特征在于：所述裂缝-基质层位分布关系特征参数包括裂缝基质层数，基岩层数，层厚；所述储层特征参数包括孔隙度，渗透率；所述裂缝属性参数包括裂缝开度，裂缝密度。
5.如权利要求4所述的一种基于代理模型的碳酸盐岩油藏水驱突破时间预测方法，其特征在于：所述S100中油藏流体参数包括油水粘度、密度和相渗数据。
6.如权利要求5所述的一种基于代理模型的碳酸盐岩油藏水驱突破时间预测方法，其特征在于：所述S300中得到数值模拟样本数据集的具体方法如下：
S310：利用COMSOL软件建立裂缝-孔隙型碳酸盐岩油藏油水两相流有限元概念模型；
S320：计算裂缝-孔隙型碳酸盐岩油藏中基质内油水两相质量守恒方程，计算表达式如下：
Figure FDA0003912147670000021
其中，φm为基质孔隙度；Smo为基质含油饱和度；Smw为基质含水饱和度；t为时间；vmo为基质油相速度矢量，单位m·s-1；vmw为基质水相速度矢量，单位m·s-1；qmo为基质油相源汇项；qmw为基质水相源汇项；
其中，vmo、vmw表示基质内的油水两相运动方程，表达式如下：
Figure FDA0003912147670000022
其中，K为渗透率张量；kro为油相相对渗透率；krw为水相相对渗透率；μo为油相粘度；μw为水相粘度；pmo为基质内油相流体压力；pmw为基质内水相流体压力；
S330：将公式(2)代入公式(1)中得到裂缝-孔隙型碳酸盐岩油藏中基质内油水两相控制方程，计算表达式如下：
Figure FDA0003912147670000023
S340：计算裂缝内油水两相质量守恒方程和油水两相运动方程，计算表达式如下：
Figure FDA0003912147670000031
Figure FDA0003912147670000032
式中，φf为裂缝孔隙度；pfo为裂缝内油相流体压力；pfw为裂缝内水相流体压力；Sfo为裂缝含油饱和度；Sfw为裂缝含水饱和度；t为时间；vfo为裂缝油相速度矢量，m·s-1；vfw为裂缝水相速度矢量，m·s-1；qfo为裂缝油相源汇项；qfw为裂缝水相源汇项；pfo为裂缝内油相流体压力；pfw为裂缝内水相流体压力；
S350：将公式(5)代入公式(4)得到裂缝-孔隙型碳酸盐岩油藏中裂缝内油水两相的控制方程，计算表达式如下：
Figure FDA0003912147670000033
S360：由公式(3)和公式(6)得到裂缝-孔隙型碳酸盐岩油藏的水相和油相的流动综合方程，表达式如下：
Figure FDA0003912147670000034
Figure FDA0003912147670000035
其中，Sw表示油藏的含水饱和度，So表示油藏的含油饱和度，qw表示油藏的水相源汇项，qo表示油藏的油相源汇项；
S370：计算裂缝-孔隙型碳酸盐岩油藏的油水两相的压力方程及饱和度矩阵方程，表达式如下：
Figure FDA0003912147670000041
其中，Po表示油藏的油相流体压力，φ表示油藏的整体孔隙度，pc'表示pc的一阶导数；其中，pc表示毛管力，单位Pa，pc'和pc的表达式如下：
pc(Sw)＝po-pw； (9)
Figure FDA0003912147670000042
其中，po表示油藏的油相流体压力，pw表示油藏的水相流体压力；
S380：利用公式(8)得到裂缝-孔隙型碳酸盐岩油藏的不同时刻饱和度场，当该油藏油井的含水饱和度不为0时，记录该时刻为该油藏条件下油井的见水时间，将所有见水时间数据的集合作为数值模拟样本数据集。
7.如权利要求6所述的一种基于代理模型的碳酸盐岩油藏水驱突破时间预测方法，其特征在于：所述S700中对训练好的碳酸盐岩油藏水驱突破时间预测模型进行修正处理的具体步骤如下：
S710：利用COMSOL软件对训练好的碳酸盐岩油藏水驱突破时间预测模型进行计算，得到该模型对应的预测采收率；
S720：利用概率函数设置油藏的表征偏差值Z(e)；
S720：计算预测采收率与真实采收率之间的差值，若差值小于Z(e)，则得到最终的碳酸盐岩油藏水驱突破时间预测模型；若差值大于Z(e)，则利用随机数函数对训练好的碳酸盐岩油藏水驱突破时间预测模型进行修正处理，具体步骤如下：
S721：使用srand((unsigned)time(NULL))函数对训练好的碳酸盐岩油藏水驱突破时间预测模型中的采收率变量进行处理，得到不同采收率种子值；其中，unsigned为变量类型，这里选用采收率变量；time(NULL)为时间值；
S721：使用rand()函数对不同采收率种子值进行“随机化”处理，表达式如下：
Xi′＝kXi； (11)
k＝rand( )/16383.5； (12)
其中，k表示修正系数，Xi′表示第i个修正后的采收率，Xi表示第i个采收率种子值，i＝1，…，n；
S722：计算偏差值S，具体表达式如下：
Figure FDA0003912147670000051
其中，
Figure FDA0003912147670000052
表示所有预测结果平均采收率，n表示预测次数；
S723：当S<Z(e)时，得到最终的碳酸盐岩油藏水驱突破时间预测模型，否则返回S721。
CN202211326213.4A 2022-10-27 2022-10-27 一种基于代理模型的碳酸盐岩油藏水驱突破时间预测方法 Pending CN115526086A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211326213.4A CN115526086A (zh) 2022-10-27 2022-10-27 一种基于代理模型的碳酸盐岩油藏水驱突破时间预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211326213.4A CN115526086A (zh) 2022-10-27 2022-10-27 一种基于代理模型的碳酸盐岩油藏水驱突破时间预测方法

Publications (1)

Publication Number Publication Date
CN115526086A true CN115526086A (zh) 2022-12-27

Family

ID=84703514

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211326213.4A Pending CN115526086A (zh) 2022-10-27 2022-10-27 一种基于代理模型的碳酸盐岩油藏水驱突破时间预测方法

Country Status (1)

Country Link
CN (1) CN115526086A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116796611A (zh) * 2023-08-22 2023-09-22 成都理工大学 基于旗鱼算法与人工神经网络调整桥梁扣索索力的方法
CN117687096A (zh) * 2024-02-02 2024-03-12 中国石油大学(华东) 一种用于预测小尺度缝洞分布的代理模型构建方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116796611A (zh) * 2023-08-22 2023-09-22 成都理工大学 基于旗鱼算法与人工神经网络调整桥梁扣索索力的方法
CN116796611B (zh) * 2023-08-22 2023-10-31 成都理工大学 基于旗鱼算法与人工神经网络调整桥梁扣索索力的方法
CN117687096A (zh) * 2024-02-02 2024-03-12 中国石油大学(华东) 一种用于预测小尺度缝洞分布的代理模型构建方法
CN117687096B (zh) * 2024-02-02 2024-04-05 中国石油大学(华东) 一种用于预测小尺度缝洞分布的代理模型构建方法

Similar Documents

Publication Publication Date Title
CN115526086A (zh) 一种基于代理模型的碳酸盐岩油藏水驱突破时间预测方法
CN112360411B (zh) 基于图神经网络的局部井网注水开发优化方法
CN109543828B (zh) 一种基于小样本条件下的吸水剖面预测方法
US11308413B2 (en) Intelligent optimization of flow control devices
CN110096718B (zh) 一种获取碳酸盐岩油藏中溶洞的体积的方法
CN111815773B (zh) 适用于机器学习算法的三维复杂地质模型标签制作方法
CN112016212B (zh) 一种基于渗流控制方程的储层纵向非均质性评价方法
CN109684685B (zh) 一种多分支井水合物降压开采条件下的产能及储层稳定性分析方法
CN106407503B (zh) 储层裂缝预测方法及装置
Ma et al. Multiscale-network structure inversion of fractured media based on a hierarchical-parameterization and data-driven evolutionary-optimization method
CN112576248A (zh) 一种底水气藏早期产能评价预测方法
CN111950112B (zh) 一种适用于底部封闭的碳酸盐岩储层动态分析方法
Bahari et al. Intelligent drilling rate predictor
CN114036774A (zh) 一种半充填缝洞型储层拟相对渗透率的确定方法、计算方法及其确定***
CN113361111A (zh) 一种低渗透油藏储层特征模型的划分方法
CN108664677B (zh) 一种油气井生产数据分析方法
CN110486008B (zh) 一种径向复合油藏的参数解释方法及***
CN111950111B (zh) 一种适用于底部开放的碳酸盐岩储层动态分析方法
CN111677486A (zh) 致密油二氧化碳吞吐模拟方法、装置及存储介质
CN106934075B (zh) 钻井液密度确定方法及静态当量密度确定方法
CN106600693A (zh) 含油饱和度的四维建模方法
CN115526114A (zh) 基于集合卡尔曼滤波法的水力裂缝形态反演方法及***
CN110905484A (zh) 一种缝洞型碳酸盐岩油藏井间连通程度计算方法
CN111625925B (zh) 一种基于色谱分离的三元复合驱注采优化方法
WO2019216892A1 (en) Optimized methodology for automatic history matching of a petroleum reservoir model with ensemble kalman filter

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