地面管网与地下油藏复杂系统生产优化方法

摘要

本发明涉及一种地面管网与地下油藏复杂系统生产优化方法，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系统生产优化数学模型；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。

说明书

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 系统生产优化方法。

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(如：渤海、南海等 海域的油田群)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-集输系统，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-集输系统的总液 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系统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系 统生产优化方法。

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 与地下油藏复杂系统生产优化方法：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系统的生产优化。

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系统生产优化方法，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系统生产优化数学模型(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系统 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系统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3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系统生产优化 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,…,N

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-集输系统的结构进行分析，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-集输系统由油田区 块生产系统和多级集输管网系统两部分构成。其中，油田区块生产系统是地层 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 集输管网系统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，该系统包括井组平台、中心平台、陆地终端处理站或浮式生产 储油船(Floating Production Storage andOffloading，FPSO)等。两个系统的各个组 成部分构成了海上油田群生产-集输系统网络的各级节点，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系统中的各个组成部分，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系统生产优化数学模型。

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 藏复杂系统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；x

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，￥；f

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，q

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，Q

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，N

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，

式中，

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，Q

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N

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，X

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t

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(Adaptive moment 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