CN117808986A - 一种水驱油藏优势通道识别量化方法 - Google Patents
一种水驱油藏优势通道识别量化方法 Download PDFInfo
- Publication number
- CN117808986A CN117808986A CN202410024425.XA CN202410024425A CN117808986A CN 117808986 A CN117808986 A CN 117808986A CN 202410024425 A CN202410024425 A CN 202410024425A CN 117808986 A CN117808986 A CN 117808986A
- Authority
- CN
- China
- Prior art keywords
- well
- field
- grid
- water injection
- production
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000011002 quantification Methods 0.000 title claims abstract description 9
- 238000004519 manufacturing process Methods 0.000 claims abstract description 132
- 238000002347 injection Methods 0.000 claims abstract description 102
- 239000007924 injection Substances 0.000 claims abstract description 102
- 239000013598 vector Substances 0.000 claims abstract description 85
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 78
- 239000000700 radioactive tracer Substances 0.000 claims abstract description 56
- 238000004088 simulation Methods 0.000 claims abstract description 45
- 238000009826 distribution Methods 0.000 claims abstract description 24
- 239000011159 matrix material Substances 0.000 claims abstract description 22
- 230000035699 permeability Effects 0.000 claims description 27
- 235000020681 well water Nutrition 0.000 claims description 12
- 239000002349 well water Substances 0.000 claims description 12
- 238000010586 diagram Methods 0.000 claims description 7
- 239000012530 fluid Substances 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 210000002268 wool Anatomy 0.000 claims description 5
- 238000002922 simulated annealing Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 210000004209 hair Anatomy 0.000 claims description 3
- 239000003550 marker Substances 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 230000000087 stabilizing effect Effects 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims 1
- 238000012512 characterization method Methods 0.000 abstract description 2
- 239000003208 petroleum Substances 0.000 abstract description 2
- 238000005457 optimization Methods 0.000 description 15
- 238000011161 development Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005325 percolation Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
Classifications
-
- 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
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明涉及石油开采技术领域,公开了一种水驱油藏优势通道识别量化方法,包括:S1、根据油田实际地质模型得到生产井数量NP、注水井数量NI、有效网格数量M、所述油田实际地质模型中小层的层位数量F;S2、设置油藏数值模拟进行示踪剂追踪的模拟方法和稳定条件;S3、根据NP·NI组井对的示踪剂模拟结果,分别对应制作N个井对网格切片,并对每个网格切片的空间属性按层位进行平均处理最终构成特征矩阵X;S4、定义待求解参数向量C,通过所述待求解参数向量C中的元素计算生成潜力指数θ;S5、绘制空间属性θ的三维立体和二维平面分布图,高值区表征高渗通道。本发明引入了通过数值模拟获得的飞行时间空间属性量,具有一定的流动特性表征能力。
Description
技术领域
本发明涉及石油开采技术领域,具体涉及一种水驱油藏优势通道识别量化方法。
背景技术
油藏中一旦发育优势通道,注入水在优势通道中低效或无效的循环流动导致储层中的其它部位难以受效,油藏波及系数受到严重制约,影响水驱开发效果。加强对储层优势通道的识别与定量描述研究,对于指导油藏注水开发,注采井调剖及三次采油优化设计具有重要意义。
传统方法对储层中高渗通道的识别主要包括室内物理模拟实验、井间示踪剂测试、生产动态资料反演储层属性参数和井间动态连通性评价方法等。传统方法采用的数据样本少,定量描述方法都基于一些假设,而这些假设与实际情况相差很大,求得的结果可靠性不高。
目前,随着油藏精细建模方法及数值模拟技术的发展,如何基于模型建立一种自适应具体的油田条件,具备良好的油藏地质和工程理论背景,拥有较好的可解释性和鲁棒性,以辅助水驱油藏高效开发的优势通道定性识别和定量描述技术成为优势通道研究的前沿课题。
发明内容
本发明提供一种水驱油藏优势通道识别量化方法,结合油藏数值模拟和数据驱动的优化算法,将具体油田工区的孔隙度、渗透率、净毛比三个地质空间属性与油藏数值模拟获得的前向、后向、平均飞行时间通过模型映射为高渗通道发育指数,优化目标设定为最大化油藏数值模拟获得的产液剖面与高渗通道发育指数的Spearman系数,避免了复杂的非线性映射问题,提高了模型的稳定性;基于线性方程而非复杂的非线性机器学习模型,有效降低了复杂度,使得模型具有较好的可解释性。本方法能够直观地表征量化地质三维模型中的高渗通道,从而为注水方案优化提供参考。该方法基于油藏数值模拟,具有较好的理论基础以及实践可操作性,适用于水驱油田开发方案设计和后期调整。
本发明通过下述技术方案实现:
一种水驱油藏优势通道识别量化方法,包括:
S1、根据油田实际地质模型得到生产井数量NP、注水井数量NI、有效网格数量M、所述油田实际地质模型中小层的层位数量F;
S2、设置油藏数值模拟进行示踪剂追踪的模拟方法和稳定条件,并对所述油田实际地质模型中的生产井-注水井组成的井对进行模拟;
S3、根据NP·NI组井对的示踪剂模拟结果,从中提取N个连通井对并分别对应制作网格切片,对每个网格切片的空间属性按层位进行平均处理最终构成特征矩阵X;
S4、根据油田示踪剂追踪测试或者根据NP·NI组井对的示踪剂模拟结果,得到N组注采井对各自在F个小层上的注采剖面的流量分布
S5、定义待求解参数向量C,所述待求解参数向量C的每个元素分别为所述特征矩阵X的元素的权重系数;然后基于流量分布求解所述待求解参数向量C中的元素,并通过所述待求解参数向量C中的元素计算生成潜力指数θ;
S6、绘制空间属性θ的三维立体和二维平面分布图,高值区表征高渗通道。
作为优化,通过示踪剂进行油藏数值模拟追踪的模拟方法和稳定条件具体为:
模拟方法为:单相渗流,并在NP口生产井、NI口注水井分别设置定压生产、定量注入;
稳定条件为:模拟至示踪剂浓度场达到稳态。
作为优化,S3中,对NP·NI组井对制作井对网格切片的具体方法为:
S3.1、对NP个生产井中的任意第np口生产井,索引出与该第np口生产井的井筒轨迹重合或邻近的空间网格,该空间网格的网格总数为该空间网格构成的集合表示为:其中,f为网格所在小层编号;F为小层的总数量;/>表示第np口生产井的井筒及其附近的第1个网格,且该网格所处小层编号为f;
S3.2、在任意第np口生产井的网格的基础上,考察该第np口生产井和第ni口注水井的关系:根据示踪剂追踪结果,第ni口注水井的示踪剂在空间网格/>中浓度大于0的网格,记为/>
S3.3、对np={1,2,…,NP}、ni={1,2,…,NI}重复以上S3.1-S3.2,记元素个数大于0的生产井-注水井组成的井对的数量为N。
作为优化,S3中,对每个网格切片的空间属性按层位进行平均处理最终构成特征矩阵X的具体过程为:
S3.4、对所述油田实际地质模型中所有网格的孔隙度场、渗透率场、净毛比场作min-max归一化处理后得到归一化后的孔隙度场φ、渗透率场K、净毛比场Ψ;
S3.5、根据示踪剂模拟结果,计算各组井位下的前向飞行时间场TF、后向飞行时间场TB、平均飞行时间场TA;
S3.6、对每组生产井-注水井井对(np,ni),将对应的空间网格集合内的孔隙度场/>渗透率场/>净毛比场/>前向飞行时间场/>后向飞行时间场平均飞行时间场/>在F个小层上进行平均,得到各个属性该井对(np,ni)的第f小层的平均值构成的行向量/>的具体表达式为:
S3.7、根据油田现场所述井对的示踪剂追踪测试或者示踪剂模拟结果获取该井对的示踪剂在F个小层上的流量分布
作为优化,S4中,N组注采井对各自在F个小层上的注采剖面的流量分布表示为:其中:np={1,2,…,NP},ni={1,2,…,NI},f={1,2,…,F},/>为第ni口注水井示踪剂在第np口生产井的f层位的流量百分比。
作为优化,S3.4中,归一化后的所述孔隙度场φ的具体表达式为:
其中,表示np生产井井筒及其相邻的生产井井筒且ni注水井示踪剂浓度大于0的网格的孔隙度向量,m为网格编号,/>记为m的空间网格的孔隙度向量;
归一化后的渗透率场K的具体表达式为:
其中,表示np生产井井筒及其相邻的生产井井筒且ni注水井示踪剂浓度大于0的网格的渗透率向量,m为网格编号,/>表示m的空间网格的渗透率向量;
归一化后的所述净毛比场Ψ的具体表达式为:
其中,表示np生产井井筒及其相邻的生产井井筒且ni注水井示踪剂浓度大于0的网格的净毛比向量,m为网格编号,/>表示m的空间网格的净毛比向量;。
作为优化,S3.5中,计算前向飞行时间场TF、后向飞行时间场TB、平均飞行时间场TA的具体过程为:
S3.5.1、在S1给定的油田实际地质模型和井位的基础上,考虑单相流体,进行油藏数值模拟,直到达到稳态,获得其速度场,即M个速度向量,记第i组速度场为:
S3.5.2、按下式计算任意第m个网格的前向飞行时间场和后向飞行时间场,即和均为标量:
表示编号为m的网格的孔隙度;
S3.5.3、计算该网格处的平均飞行时间场,即
S3.5.4、获得在M个空间网格中标量组成的向量,分别为:
S3.5.5、生产井-注水井组成的井对,导出前向飞行时间场TF、后向飞行时间场TB、平均飞行时间场TA,分为:
其中,表示np生产井-ni注水井组成的井对的前向飞行时间场,/>表示np生产井-ni注水井组成的井对的后向飞行时间场,/>表示np生产井-ni注水井组成的井对的平均飞行时间场。
作为优化,S3.6中,在第f小层各个属性关于该井对在每个小层上的平均值构成的行向量表示为:
其中,表示np生产井-ni注水井组成的井对的各属性在第f小层组成的行向量,/>表示np生产井-ni注水井组成的井对在第f小层的孔隙度向量,/>表示np生产井-ni注水井组成的井对在第f小层的渗透率向量,/>表示np生产井-ni注水井组成的井对在第f小层的净毛比向量,/>表示np生产井-ni注水井组成的井对在第f小层的前向飞行时间场,/>表示np生产井-ni注水井组成的井对在第f小层的后向飞行时间场,/>表示np生产井-ni注水井组成的井对在第f小层的平均飞行时间场。
作为优化,S5的具体步骤为:
S5.1、定义待求解参数向量C,记为大小为(6×1)的列向量形式矩阵,所述待求解参数向量C的每个元素分别为孔隙度场φ、渗透率场K、净毛比场Ψ、前向飞行时间场TF、后向飞行时间场TB、平均飞行时间场TA的权重系数;
S5.2、试算生产井-注水井-小层排列的高渗通道指数Y列向量:
Y=XC;
S5.3、计算所述高渗通道指数Y与实际对应的流量分布的Spearman系数ρ(C);
S5.4、将C设置为待求解变量,其中任意Ci的搜索范围均为[-1,1],使用模拟退火算法,重复以上S5.2-S5.3,并使用随机扰动方式求解C*,使得:
C*=argmax(ρ(C));
S5.5、对C*进行归一化处理得到具体方式如下:
其中,为待求解参数向量C中的元素,即各个属性对应的权重。
作为优化,所述潜力指数θ为:
本发明与现有技术相比,具有如下的优点和有益效果:
本发明基于油藏数值模拟结果和数据驱动的优化算法,建立了一套具有高度实践性的流程方法,将具体油田工区的孔隙度、渗透率、净毛比三个地质空间属性与油藏数值模拟获得的前向、后向、平均飞行时间通过模型映射为高渗通道发育指数。通过示踪剂浓度和井周区域切片,将网格数据处理为按层位和生产井-注水井的平均值;引入了通过数值模拟获得的飞行时间空间属性量,其本身具有一定的流动特性表征能力;充分考虑到井对平均空间属性与产业剖面之间存在高度复杂的非线性关系,因此将优化对象确定为潜力指数与累积产量之间的Spearman系数,而不是传统的直接使用累积产量值的回归误差,确保了数学优化模型的快速收敛以及对现场应用最为重要的泛化能力,并确保了建立的潜力指数在统计意义上与累积产量存在显著的正相关性,从而为油藏工程师提供稳定可靠的高渗通道识别指标。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本申请的一部分,并不构成对本发明实施例的限定。在附图中:
图1为工区实际地质模型属性场示意图;
图2为根据示踪剂追踪得到的注采井对间联通区域;
图3为油田飞行时间场示意图;
图4为通过示踪剂追踪获得的各生产井产液剖面及来源贡献;
图5为油藏优势通道指标平面分布示意图;
图6为油藏优势通道指标分布及分级示意图;
图7为优势通道平面分布示意图;
图8为优势通道连井剖面分布示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施例和附图,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。
本实施例1提供一种水驱油藏优势通道识别量化方法,如图1-图8所示,包括:
S1、根据油田实际地质模型得到生产井数量NP、注水井数量NI、有效网格数量M、所述油田实际地质模型中小层的层位数量F;
S2、设置油藏数值模拟进行示踪剂追踪的模拟方法和稳定条件,并对所述油田实际地质模型中的生产井-注水井组成的井对进行模拟;
模拟方法为:单相渗流,并在NP口生产井、NI口注水井分别设置定压生产、定量注入;示踪剂从注水井压入,然后流入生产井;
稳定条件为:模拟至示踪剂浓度场达到稳态。
S3、根据NP·NI组井对的示踪剂模拟结果,从中提取N个连通井对并分别对应制作网格切片,对每个网格切片的空间属性按层位进行平均处理最终构成特征矩阵X;
具体方法为:
S3.1、对NP个生产井中的任意第np口生产井,索引出与该第np口生产井的井筒轨迹重合或邻近的空间网格,这里的邻近即指与研究的网格有接触的其余网格,该空间网格的网格总数为该空间网格构成的集合表示为:/>其中,f为网格所在小层编号;/>表示第np口生产井的井筒及其附近的第1个网格,且该网格所处小层编号为f;
S3.2、在任意第np口生产井的网格的基础上,考察该第np口生产井和第ni口注水井的关系:根据示踪剂追踪结果,第ni口注水井的示踪剂在空间网格/>中浓度大于0的网格,记为/>
S3.3、对np={1,2,…,NP}、ni={1,2,…,NI}重复以上S3.1-S3.2,记元素个数大于0的生产井-注水井组成的井对(就是指存在浓度大于0的空间网格,即S3.1和S3.2的基础上,所有的浓度大于0的空间网格)的数量为N;
S3.4、对所述油田实际地质模型中所有网格的孔隙度场、渗透率场、净毛比场作min-max归一化处理后得到归一化后的孔隙度场φ、渗透率场K、净毛比场Ψ;
按生产井-注水井对,导出油田实际地质模型S3.4后的归一化孔隙度场、渗透率场、净毛比场数据,分别为:
归一化后的所述孔隙度场φ的具体表达式为:
其中,表示np生产井井筒及其相邻的生产井井筒且ni注水井示踪剂浓度大于0的网格的孔隙度向量,m为网格编号,/>记为m的空间网格的孔隙度向量;
归一化后的渗透率场K的具体表达式为:
其中,表示np生产井井筒及其相邻的生产井井筒且ni注水井示踪剂浓度大于0的网格的渗透率向量,m为网格编号,/>表示m的空间网格的渗透率向量;
归一化后的所述净毛比场Ψ的具体表达式为:
其中,表示np生产井井筒及其相邻的生产井井筒且ni注水井示踪剂浓度大于0的网格的净毛比向量,m为网格编号,/>表示m的空间网格的净毛比向量。
S3.5、根据示踪剂模拟结果,计算各组井位(这个是统一一次性计算的,按油田或者油藏级别给出,不用区分生产井、注水井)下的前向飞行时间场TF、后向飞行时间场TB、平均飞行时间场TA;
计算各组井位下的前向、后向、平均飞行时间场,即TOFF(Time of FlightForward,表示为TF),TOFB(Time ofFlight Backward,表示为TB),TOFA(Time of FlightAveraged,表示为TA)。TOFF是指流体从注入点出发到油藏某一个空间网格的时间,TOFB是指流体从油藏某一个空间网格出发到采出点的时间,TOFA是TOFB和TOFF的平均值。
具体过程为:
S3.5.1、在S1给定的油田实际地质模型和井位的基础上,考虑单相流体,进行油藏数值模拟,直到达到稳态,获得其速度场,即M个速度向量,记第i组速度场为:
S3.5.2、按下式计算任意第m个网格的前向飞行时间场和后向飞行时间场,即和均为标量:
表示编号为m的网格的孔隙度;
S3.5.3、计算该网格处的平均飞行时间场,即
S3.5.4、获得在M个空间网格中标量组成的向量,分别为:
S3.5.5、生产井-注水井组成的井对,导出前向飞行时间场TF、后向飞行时间场TB、平均飞行时间场TA,分为:
其中,表示np生产井-ni注水井组成的井对的前向飞行时间场,/>表示np生产井-ni注水井组成的井对的后向飞行时间场,/>表示np生产井-ni注水井组成的井对的平均飞行时间场;
S3.6、对每组生产井-注水井井对(np,ni),将对应的空间网格集合内的孔隙度场/>渗透率场/>净毛比场/>前向飞行时间场/>后向飞行时间场平均飞行时间场/>在F个小层上进行平均,得到各个属性该井对(np,ni)的第f小层的平均值构成的行向量,/>
对于任意np生产井-ni注水井对将其以上6个属性向量 在F个小层上进行平均,得到各个属性该井对(np,nx)的第f小层的平均值构成的行向量:
其中,表示np生产井-ni注水井组成的井对的各属性在第f小层组成的行向量,/>表示np生产井-ni注水井组成的井对在第f小层的孔隙度向量,/>表示np生产井-ni注水井组成的井对在第f小层的渗透率向量,/>表示np生产井-ni注水井组成的井对在第f小层的净毛比向量,/>表示np生产井-ni注水井组成的井对在第f小层的前向飞行时间场,/>表示np生产井-ni注水井组成的井对在第f小层的后向飞行时间场,/>表示np生产井-ni注水井组成的井对在第f小层的平均飞行时间场;
S3.7、将获取的N·F个有序的行向量按行依次排列,形成大小为((N·F)×6)的矩阵,令该矩阵为特征矩阵X。
S4中,N组注采井对各自在F个小层上的注采剖面的流量分布表示为:其中:np={1,2,…,NP},ni={1,2,…,NI},f={1,2,…,F},/>为第ni口注水井示踪剂在第np口生产井的f层位的流量百分比。
S5、定义待求解参数向量C,所述待求解参数向量C的每个元素分别为所述特征矩阵X的元素的权重系数;然后流量分布求解所述待求解参数向量C中的元素,并通过所述待求解参数向量C中的元素计算生成潜力指数θ;
具体步骤为:
S5.1、定义待求解参数向量C,记为大小为(6×1)的列向量形式矩阵,所述待求解参数向量C的每个元素分别为孔隙度场φ、渗透率场K、净毛比场Ψ、前向飞行时间场TF、后向飞行时间场TB、平均飞行时间场TA的权重系数;
S5.2、试算生产井-注水井-小层排列的高渗通道指数Y列向量:
Y=XC;
S5.3、计算所述高渗通道指数Y与实际对应的流量分布的Spearman系数ρ(C);
Spearman系数用于表征变量之间的非线性相关性,取值范围为[-1,+1],负值表示负相关,正值表示正相关。具体步骤如下:
1).对于每个样本数据点Pi和Yi,根据它们的取值对数据进行排秩。Pi为第i个网格的流量分布,Yi为第i个网格的高渗通道指数Y,排秩是指将数据从小到大排列,并用1、2、3…N来标记,如果有相同取值的数据,则取平均排名位次。
2).计算Pi和Yi的排名之间的差异的绝对值(也称为排名差),记为Di,比如某行Pi排名值为9(第9大),Yi排名为5,则Di为4。
3).按下式计算Spearman系数:
本实施例中,N为8721。
S5.4、将C设置为待求解变量,其中任意Ci的搜索范围均为[-1,1],使用模拟退火算法,重复以上S5.2-S5.3,并使用随机扰动方式求解C*,使得:
C*=argmax(ρ(C));
S5.5、对C*进行归一化处理得到具体方式如下:
其中,为待求解参数向量C中的元素,即各个属性对应的权重。
所述潜力指数θ为:
S5、绘制空间属性θ的三维立体和二维平面分布图,高值区表征高渗通道。
(以某油田开发方案的优势渗流通道识别为例):
1、使用油藏数值模拟进行示踪剂追踪:
根据该油田工区实际地质三维模型,其小层共有F=20个,部署了注水井3口(I1,I2,I3),生产井10口(P1,P2,…,P10),如图1所示,设定条件为:①单相渗流;②模拟至示踪剂浓度场达到稳态。
根据示踪剂浓度,考察生产井-注水井之间的联通区域,如图2所示。
生产井-注水井对共有10·3=30组,根据示踪剂模拟结果,制作生产井-注水井网格切片,具体步骤如下:
对以上10个生产井的任意第np口井,索引出与其井筒轨迹重合或邻近的空间网格,网格总数为这些的网格构成集合/>其中,f为网格所在小层编号;/>表示第np口井井筒及其附近的第1个网格,且该网格所处小层编号为f。
在任意第np口生产井的网格的基础上,考察该np井和第ni口注水井的关系:根据示踪剂追踪结果,第ni口注水井示踪剂在/>中浓度大于0的那部分网格,记为/>
对np={1,2,…,NP}、ni={1,2,…,NI}重复以上(1)(2)步骤,记元素个数大于0的的数量为N。
实际共获得了N=23个有效井对网格切片。
获取各个生产井-注水井对在各层上的流量,即产液剖面,其中:np={1,2,…,NP},ni={1,2,…,NI},f={1,2,…,F},/>为第ni口注水井示踪剂在第np口生产井的f层位的流量百分比。
2、获得生产井-注水井井对的平均空间属性表示:
对于任意np生产井-ni注水井对,将其以上6个属性向量 在20个小层上进行平均,得到各个属性该井对(np,ni)的第f小层的平均值构成的行向量:
将获取的N·F=23*20=460个有序向量按行依次排列,形成大小为(460×6)的矩阵,构成特征矩阵X。
定义待求解参数向量,记为大小为(6×1)的列向量形式矩阵,即:
3、求解高渗通道指数模型系数:
试算按生产井-注水井井对排列的高渗通道指数行向量矩阵Y:Y=XC;
将C设置为待求解变量,其中任意Ci的搜索范围均为[-1,1]。使用模拟退火算法,采取随机扰动和迭代方式求解使得Spearman系数最大化的C*,可求得:
C*=[0.23,0.35,0.12,0.21,0.22,0.34]
按J步骤归一化后的权重为:
对整个三维地质模型的油层中任意第i个有效网格利用计算生产潜力指数θi。
对整个三维地质模型的油层中任意第i个有效网格,计算空间属性值,即生产潜力指数θi:
4、油藏高渗通道发育情况研究:
求解过程是通过最大化高渗通道指数与产液剖面的正相关性,因此根据最大化高渗通道指数的分布(图6),将其高值区间划分为3级:第3类为0.534-0.6之间;第2类为0.6-0.666之间;第1类为0.666以上。
从图7的平面图可以看出,1级优势渗流通道主要发布在I1-P2,I1-P6,I2-P3,I3-P4。
油藏高渗通道指数是三维空间属性,可以在联井剖面上更加直观地考察井间多层之间的优势渗流通道发育情况,如图8所示。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种水驱油藏优势通道识别量化方法,其特征在于,包括:
S1、根据油田实际地质模型得到生产井数量NP、注水井数量NI、有效网格数量M、所述油田实际地质模型中小层的层位数量F;
S2、设置油藏数值模拟进行示踪剂追踪的模拟方法和稳定条件,并对所述油田实际地质模型中的生产井-注水井组成的井对进行模拟;
S3、根据NP·NI组井对的示踪剂模拟结果,从中提取N个连通井对并分别对应制作网格切片,对每个网格切片的空间属性按层位进行平均处理最终构成特征矩阵X;
S4、根据油田示踪剂追踪测试或者根据NP·NI组井对的示踪剂模拟结果,得到N组注采井对各自在F个小层上的注采剖面的流量分布
S5、定义待求解参数向量C,所述待求解参数向量C的每个元素分别为所述特征矩阵X的元素的权重系数;然后基于流量分布求解所述待求解参数向量C中的元素,并通过所述待求解参数向量C中的元素计算生成潜力指数θ;
S6、绘制空间属性θ的三维立体和二维平面分布图,高值区表征高渗通道。
2.根据权利要求1所述的一种水驱油藏优势通道识别量化方法,其特征在于,通过示踪剂进行油藏数值模拟追踪的模拟方法和稳定条件具体为:
模拟方法为:单相渗流,并在NP口生产井、NI口注水井分别设置定压生产、定量注入;
稳定条件为:模拟至示踪剂浓度场达到稳态。
3.根据权利要求1所述的一种水驱油藏优势通道识别量化方法,其特征在于,S3中,对NP·NI组井对制作井对网格切片的具体方法为:
S3.1、对NP个生产井中的任意第np口生产井,索引出与该第np口生产井的井筒轨迹重合及邻近的空间网格共计将这些网格构成的共计/>元素的集合表示为:/> 其中,f为网格所在小层编号,且f=1,2,…,F;F为小层的总数量;/>表示第np口生产井的井筒及其邻近的第i个网格,i=1,2,…,/>且该网格所处小层编号为f;
S3.2、在任意第np口生产井的网格的基础上,考察该第np口生产井和第ni口注水井的关系:根据示踪剂追踪结果,第ni口注水井的示踪剂在空间网格/>中浓度大于0的网格,记为/>
S3.3、对np={1,2,…,NP}、ni={1,2,…,NI}重复以上S3.1-S3.2,记元素个数大于0的生产井-注水井组成的井对的数量为N。
4.根据权利要求3所述的一种水驱油藏优势通道识别量化方法,其特征在于,S3中,对每个网格切片的空间属性按层位进行平均处理最终构成特征矩阵X的具体过程为:
S3.4、对所述油田实际地质模型中所有网格的孔隙度场、渗透率场、净毛比场作min-max归一化处理后得到归一化后的孔隙度场φ、渗透率场K、净毛比场Ψ;
S3.5、根据示踪剂模拟结果,计算各组井位下的前向飞行时间场TF、后向飞行时间场TB、平均飞行时间场TA;
S3.6、对每组生产井-注水井井对(np,ni),将对应的空间网格集合内的孔隙度场渗透率场/>净毛比场/>前向飞行时间场/>后向飞行时间场/>平均飞行时间场/>在F个小层上进行平均,得到各个属性该井对(np,ni)的第f小层的平均值构成的行向量/>的具体表达式为:
S3.7、将获取的N·F个有序的行向量按行依次排列,形成大小为((N·F)×6)的矩阵,令该矩阵为特征矩阵X。
5.根据权利要求4所述的一种水驱油藏优势通道识别量化方法,其特征在于,S4中,N组注采井对各自在F个小层上的注采剖面的流量分布表示为:/>其中:np={1,2,…,NP},ni={1,2,…,NI},f={1,2,…,F},/>为第ni口注水井示踪剂在第np口生产井的f层位的流量百分比。
6.根据权利要求5所述的一种水驱油藏优势通道识别量化方法,其特征在于,S3.4中,归一化后的所述孔隙度场φ的具体表达式为:
其中,表示np生产井井筒及其相邻的生产井井筒且ni注水井示踪剂浓度大于0的网格的孔隙度向量,m为网格编号,/>记为m的空间网格的孔隙度向量;
归一化后的渗透率场K的具体表达式为:
其中,表示np生产井井筒及其相邻的生产井井筒且ni注水井示踪剂浓度大于0的网格的渗透率向量,m为网格编号,/>表示m的空间网格的渗透率向量;
归一化后的所述净毛比场Ψ的具体表达式为:
其中,表示np生产井井筒及其相邻的生产井井筒且ni注水井示踪剂浓度大于0的网格的净毛比向量,m为网格编号;/>表示m的空间网格的净毛比向量。
7.根据权利要求6所述的一种水驱油藏优势通道识别量化方法,其特征在于,S3.5中,计算前向飞行时间场TF、后向飞行时间场TB、平均飞行时间场TA的具体过程为:
S3.5.1、在S1给定的油田实际地质模型和井位的基础上,考虑单相流体,进行油藏数值模拟,直到达到稳态,获得其速度场,即M个速度向量,记第i组速度场为:
S3.5.2、按下式计算任意第m个网格的前向飞行时间场和后向飞行时间场,即和/>均为标量:
表示编号为m的网格的孔隙度;
S3.5.3、计算该网格处的平均飞行时间场,即
S3.5.4、获得在M个空间网格中标量组成的向量,分别为:
S3.5.5、生产井-注水井组成的井对,导出前向飞行时间场TF、后向飞行时间场TB、平均飞行时间场TA,分为:
其中,表示np生产井-ni注水井组成的井对的前向飞行时间场,/>表示np生产井-ni注水井组成的井对的后向飞行时间场,/>表示np生产井-ni注水井组成的井对的平均飞行时间场。
8.根据权利要求7所述的一种水驱油藏优势通道识别量化方法,其特征在于,S3.6中,在第f小层各个属性关于该井对在每个小层上的平均值构成的行向量表示为:
其中,表示np生产井-ni注水井组成的井对的各属性在第f小层组成的行向量,表示np生产井-ni注水井组成的井对在第f小层的孔隙度向量,/>表示np生产井-ni注水井组成的井对在第f小层的渗透率向量,/>表示np生产井-ni注水井组成的井对在第f小层的净毛比向量,/>表示np生产井-ni注水井组成的井对在第f小层的前向飞行时间场,/>表示np生产井-ni注水井组成的井对在第f小层的后向飞行时间场,表示np生产井-ni注水井组成的井对在第f小层的平均飞行时间场。
9.根据权利要求8所述的一种水驱油藏优势通道识别量化方法,其特征在于,S5的具体步骤为:
S5.1、定义待求解参数向量C,记为大小为(6×1)的列向量形式矩阵,所述待求解参数向量C的每个元素分别为孔隙度场φ、渗透率场K、净毛比场Ψ、前向飞行时间场TF、后向飞行时间场TB、平均飞行时间场TA的权重系数;
S5.2、试算生产井-注水井-小层排列的高渗通道指数Y列向量:
Y=XC;
S5.3、计算所述高渗通道指数Y与实际对应的流量分布的Spearman系数ρ(C);
S5.4、将C设置为待求解变量,其中任意Ci的搜索范围均为[-1,1],使用模拟退火算法,重复以上S5.2-S5.3,并使用随机扰动方式求解C*,使得:
C*=arfmax(ρ(C));
S5.5、对C*进行归一化处理得到具体方式如下:
其中,为待求解参数向量C中的元素,即各个属性对应的权重。
10.根据权利要求9所述的一种水驱油藏优势通道识别量化方法,其特征在于,所述潜力指数θ为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410024425.XA CN117808986A (zh) | 2024-01-08 | 2024-01-08 | 一种水驱油藏优势通道识别量化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410024425.XA CN117808986A (zh) | 2024-01-08 | 2024-01-08 | 一种水驱油藏优势通道识别量化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117808986A true CN117808986A (zh) | 2024-04-02 |
Family
ID=90421850
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410024425.XA Pending CN117808986A (zh) | 2024-01-08 | 2024-01-08 | 一种水驱油藏优势通道识别量化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117808986A (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1360213A (zh) * | 2001-12-13 | 2002-07-24 | 刘安建 | 油田微量物质井间示踪测试技术 |
US20080133186A1 (en) * | 2006-12-04 | 2008-06-05 | Chevron U.S.A. Inc. | Method, System and Apparatus for Simulating Fluid Flow in a Fractured Reservoir Utilizing A Combination of Discrete Fracture Networks and Homogenization of Small Fractures |
CN109948272A (zh) * | 2019-03-27 | 2019-06-28 | 长江大学 | 基于井间连通性的调堵动态预测方法和*** |
CN110259444A (zh) * | 2019-07-15 | 2019-09-20 | 西南石油大学 | 基于流场诊断的水驱油藏渗流场可视化表征与评价方法 |
CN110821453A (zh) * | 2019-11-07 | 2020-02-21 | 成都北方石油勘探开发技术有限公司 | 基于三维地质数值模型的注气油藏开发方案设计方法 |
CN111209711A (zh) * | 2020-01-11 | 2020-05-29 | 西南石油大学 | 基于流场诊断与聚类的水驱油藏优势流场识别方法 |
WO2020139109A1 (ru) * | 2018-12-26 | 2020-07-02 | Публичное акционерное общество "Газпром нефть" | Способ выбора системы разработки месторождения |
CN113818869A (zh) * | 2021-11-22 | 2021-12-21 | 捷贝通石油技术集团股份有限公司 | 一种水驱油藏注水优势通道示踪识别及扩容增产的方法 |
CN116011268A (zh) * | 2021-10-21 | 2023-04-25 | 中国石油化工股份有限公司 | 一种优势渗流通道的定量描述方法 |
CN116910638A (zh) * | 2023-05-31 | 2023-10-20 | 中海石油(中国)有限公司天津分公司 | 一种基于大数据的优势渗流通道智能识别方法 |
CN116933611A (zh) * | 2022-04-07 | 2023-10-24 | 中国石油化工股份有限公司 | 基于多资料综合应用的非均相驱剩余油模拟方法 |
CN117216942A (zh) * | 2023-08-08 | 2023-12-12 | 成都北方石油勘探开发技术有限公司 | 一种用于井位优化的生产潜力指数的建立方法 |
-
2024
- 2024-01-08 CN CN202410024425.XA patent/CN117808986A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1360213A (zh) * | 2001-12-13 | 2002-07-24 | 刘安建 | 油田微量物质井间示踪测试技术 |
US20080133186A1 (en) * | 2006-12-04 | 2008-06-05 | Chevron U.S.A. Inc. | Method, System and Apparatus for Simulating Fluid Flow in a Fractured Reservoir Utilizing A Combination of Discrete Fracture Networks and Homogenization of Small Fractures |
WO2020139109A1 (ru) * | 2018-12-26 | 2020-07-02 | Публичное акционерное общество "Газпром нефть" | Способ выбора системы разработки месторождения |
CN109948272A (zh) * | 2019-03-27 | 2019-06-28 | 长江大学 | 基于井间连通性的调堵动态预测方法和*** |
CN110259444A (zh) * | 2019-07-15 | 2019-09-20 | 西南石油大学 | 基于流场诊断的水驱油藏渗流场可视化表征与评价方法 |
CN110821453A (zh) * | 2019-11-07 | 2020-02-21 | 成都北方石油勘探开发技术有限公司 | 基于三维地质数值模型的注气油藏开发方案设计方法 |
CN111209711A (zh) * | 2020-01-11 | 2020-05-29 | 西南石油大学 | 基于流场诊断与聚类的水驱油藏优势流场识别方法 |
CN116011268A (zh) * | 2021-10-21 | 2023-04-25 | 中国石油化工股份有限公司 | 一种优势渗流通道的定量描述方法 |
CN113818869A (zh) * | 2021-11-22 | 2021-12-21 | 捷贝通石油技术集团股份有限公司 | 一种水驱油藏注水优势通道示踪识别及扩容增产的方法 |
CN116933611A (zh) * | 2022-04-07 | 2023-10-24 | 中国石油化工股份有限公司 | 基于多资料综合应用的非均相驱剩余油模拟方法 |
CN116910638A (zh) * | 2023-05-31 | 2023-10-20 | 中海石油(中国)有限公司天津分公司 | 一种基于大数据的优势渗流通道智能识别方法 |
CN117216942A (zh) * | 2023-08-08 | 2023-12-12 | 成都北方石油勘探开发技术有限公司 | 一种用于井位优化的生产潜力指数的建立方法 |
Non-Patent Citations (4)
Title |
---|
CAO, LIN 等: "A New Methodology for the Multilayer Tight Oil Reservoir Water Injection Efficiency Evaluation and Real-Time Optimization", 《GEOFLUIDS》, 10 November 2020 (2020-11-10), pages 1 - 17 * |
刘薇薇;龚丽荣;罗福全;温玉焕;王力那;: "水驱砂岩油藏优势渗流通道识别", 复杂油气藏, no. 01, 25 March 2020 (2020-03-25), pages 46 - 51 * |
周芸;张烈辉;罗建新;许明扬;: "M油藏剩余油分布数值模拟研究", 非常规油气, no. 02, 20 April 2017 (2017-04-20), pages 99 - 102 * |
赵俊威;徐怀民;江同文;吴卓;徐朝晖;王振彪;王涛;何翠;: "基于开发流体势的蚁群算法在优势渗流通道预测中应用", 高校地质学报, no. 03, 20 September 2016 (2016-09-20), pages 157 - 164 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | An adsorbed gas estimation model for shale gas reservoirs via statistical learning | |
CN104615862B (zh) | 基于进化算法的高含水油田确定井位的方法 | |
Tadeusiewicz | Neural networks in mining sciences–general overview and some representative examples | |
US10909281B2 (en) | History matching of hydrocarbon production from heterogenous reservoirs | |
CN112360411B (zh) | 基于图神经网络的局部井网注水开发优化方法 | |
Hutahaean et al. | On optimal selection of objective grouping for multiobjective history matching | |
CN106353809B (zh) | 一种压裂裂缝网络的反演表征方法 | |
CN105447762B (zh) | 一种流体替换的低渗透油藏水淹信息的计算方法 | |
Luo et al. | Production-strategy insights using machine learning: application for Bakken shale | |
CN112282744B (zh) | 一种非常规油气藏井网部署优化方法和装置 | |
CN109763800A (zh) | 一种油田分层注水量预测方法 | |
CN114091287B (zh) | 基于复杂网络理论评价裂缝连通性及优化裂缝参数的方法 | |
Roque et al. | Production zone placements based on maximum closeness centrality as strategy for oil recovery | |
CN115146446A (zh) | 基于近似梯度算法和嵌入式离散裂缝模型的油藏优化方法 | |
Mahjour et al. | Evaluation of unsupervised machine learning frameworks to select representative geological realizations for uncertainty quantification | |
Vaseghi et al. | Generalized Multi-Scale Stochastic Reservoir Opportunity Index for enhanced well placement optimization under uncertainty in green and brownfields | |
CN116305850A (zh) | 一种基于随机森林模型的地层热导率预测方法 | |
CN113378998B (zh) | 一种基于机器学习的地层岩性随钻识别方法 | |
CN117216942A (zh) | 一种用于井位优化的生产潜力指数的建立方法 | |
Lu et al. | Identifying flow units by FA-assisted SSOM—An example from the Eocene basin-floor-fan turbidite reservoirs in the Daluhu Oilfield, Dongying Depression, Bohai Bay Basin, China | |
Huang et al. | A deep-learning-based graph neural network-long-short-term memory model for reservoir simulation and optimization with varying well controls | |
CN117808986A (zh) | 一种水驱油藏优势通道识别量化方法 | |
Gao et al. | Prediction of fracture density in a gas reservoir using robust computational approaches | |
CN114488297A (zh) | 一种断层识别方法及装置 | |
Raniolo et al. | Multiple history matching and well placement optimisation in a mature field using a streamline approach |
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 |