引用本文
YOUSEF Alklih Mohamad, KAVOUSI Ghahfarokhi Payam, ALNUAIMI Marwan, ALATRACH Yara. 预测数据分析法在中东某老油田提高采收率中的应用[J]. 石油勘探与开发, 2020,47(2): 366-371.
YOUSEF Alklih Mohamad, KAVOUSI Ghahfarokhi Payam, ALNUAIMI Marwan, ALATRACH Yara. Predictive data analytics application for enhanced oil recovery in a mature field in the Middle East[J]. Petroleum Exploration & Development, 2020,47(2): 366-371.  
Doi: 10.11698/PED.2020.02.15
Permissions
Copyright©2020, 石油勘探与开发》编辑部
预测数据分析法在中东某老油田提高采收率中的应用
YOUSEF Alklih Mohamad1, KAVOUSI Ghahfarokhi Payam2, ALNUAIMI Marwan3, ALATRACH Yara3
1. 阿布扎比国家石油公司陆上分公司，阿布扎比270，阿拉伯联合酋长国
2. 智能方案公司 & 西费吉尼亚大学，西费吉尼亚州摩根敦 26506，美国
3. 阿布扎比国家石油公司海上分公司，阿布扎比46808，阿拉伯联合酋长国

第一作者简介：YOUSEF Alklih Mohamad（1990-）,男,叙利亚人,阿布扎比国家石油公司油藏工程师,主要从事水气（烃类气体）交替注采和CO2驱技术以及油田开发优化方面的研究工作。地址：ADNOC Onshore, P.O.Box 270, Abu Dhabi, United Arab Emirates。E-mail：malklih@gmail.com

收稿日期: 2019-05-30
摘要

基于中东地区某陆上碳酸盐岩油藏8年的开发数据以及超过37口井的试井和测井数据,经数据收集和准备、模型建立、模型训练和验证、模型应用4个主要步骤,开发了该油藏的自顶向下模型（TDM）,并利用该模型进行了产量预测和敏感性分析。该TDM包含5个相互连接的数据驱动人工神经网络模型,每个神经网络对一个关键的动态参数进行建模,一个模型的输出是下一个模型的输入。该TDM历史拟合效果较好,在时间和空间上均得到了验证,TDM应用于新数据时具有泛化能力并且可以准确预测3个月内的油藏动态。使用经过历史拟合和验证的TDM进行产量预测,结果表明在给定的操作条件下,随着时间的延续,该油藏产油量下降而产水量增加;通过改变水气交替注入的注入量、注入周期预测产量,结果表明,该油田提高注入量并不一定会使产油量增加,不同注入方案下注入周期为3个月的产油量比注入周期为6个月时更高。TDM为优化水气交替注入参数提供了一种快速而可靠的办法,同时能够优化加密井的位置及其深度。图11参10

关键词: 自顶向下建模; 油藏模拟; 人工智能; 神经网络; 数据驱动模型; 提高采收率; 油藏管理
中图分类号:TE319 文献标志码:A
Predictive data analytics application for enhanced oil recovery in a mature field in the Middle East
YOUSEF Alklih Mohamad1, KAVOUSI Ghahfarokhi Payam2, ALNUAIMI Marwan3, ALATRACH Yara3
1. ADNOC Onshore, P.O. Box 270, Abu Dhabi, United Arab Emirates
2. Intelligent Solutions Inc. and West Virginia University, Morgantown, WV 26506, USA
3. ADNOC Offshore, P.O. Box 46808, Abu Dhabi, United Arab Emirates
Abstract

Top-Down Modeling (TDM) was developed through four main steps of data gathering and preparation, model build-up, model training and validation, and model prediction, based on more than 8 years of development and production/injection data and well tests and log data from more than 37 wells in a carbonate reservoir of onshore Middle-East. The model was used for production prediction and sensitivity analysis. The TDM involves 5 inter-connected data-driven models, and the output of one model is input for the next model. The developed TDM history matched the blind dataset with a high accuracy, it was validated spatially and applied on a temporal blind test, the results show that the developed TDM is capable of generalization when applied to new dataset and can accurately predict reservoir performance for 3 months in future. Production forecasting by the validated history matched TDM model suggest that the water production increases while oil production decreases under the given operation condition. The injection analysis of the history matched model is also examined by varying injection amounts and injection period for water and gas (WAG) process. Results reveal that higher injection volume does not necessarily translate to higher oil production in this field. Moreover, we show that a WAG process with 3 months period would result in higher oil production and lower water production and gas production than a 6 months process. The developed TDM provides a fast and robust alternative to WAG parameters, and optimizes infill well location and its corresponding true vertical depth (TVD).

Keyword: Top-Down Modeling; reservoir modeling; artificial intelligence; neural network; data-driven model; enhanced oil recovery; reservoir management
0 引言

人工智能（AI）油藏建模作为一种新兴的建模技术, 正逐渐应用于石油行业[1]。基于AI的建模技术将油藏工程分析技术与人工智能、机器学习和数据挖掘技术相结合, 建立通过经验和时空校准的油藏模型[2, 3]。根据时空数据库的来源, 基于AI的油藏建模方法有两种：一种是自顶向下建模（TDM）, 采用测井、岩心、历史生产、试井和地震属性等现场数据建立油藏动态模型[1, 2, 3, 4, 5, 6, 7]; 另一种是油藏代理建模（SRM）, 其时空数据来自油藏数值模拟[2]。

数值模拟采用自底向上的方法进行油藏建模和模拟, 而TDM从相反的角度建模提高模型准确性[3]。TDM在北美、北海和中东几个油田获得了技术和商业上的成功[8, 9]。TDM的输出结果包括现有井产油量、气油比和含水率, 以及加密井位置、油井最优产量、剩余储量和油田开发规划等, 提供了准确的油藏特征, 可以在油田开发重大决策中发挥关键作用[2, 3]。TDM还能够区分操作问题造成的生产动态变化和油藏特征引起的变化[3, 8], 提供油藏中流体流动的有效替代模型。TDM利用AI的模式识别和数据挖掘建模, 有助于模拟、分析和预测油气产量; 利用模糊模式识别确定特定时间段的高产区域以及油田加密井的位置。TDM及其他基于AI的油藏模型建模时间短、消耗的资源少、计算量小, 但在很大程度上依赖于数据库中的数据, 而这些数据容易出现不一致性。

人工神经网络（ANN）通过模仿大脑处理信息的过程, 来执行特定任务, 如分类、聚类和回归。大多数模型是规则或概率驱动的, 而ANN为数据驱动, 由大量节点（或称神经元）相互连接构成。输入层由多个节点组成, 每个节点代表模型的属性或参数, 来预测所需的输出数据。位于输入和输出层之间的隐藏层由多个人工神经元组成, 这些神经元用来识别趋势、模式和特征。在ANN工作流程中, 首先为每个输入参数分配随机权重以反映其影响程度。一个特定神经元的每个输入参数都会分配一个权重, 计算出的加权总和必须达到由激活函数（如Sigmoid、Relu和Tanh）定义的阈值, 才能得到可接受的输出。可以在激活函数中引入偏差使感知器达到阈值, 本研究中偏差为1。权重赋值不断变化, 直到产生的组合达到阈值为止。采用随机梯度下降学习算法在多次训练中不断调整权重, 同时通过反向传播算法计算预测输出与期望输出之间的误差, 优化目标函数[10]。

本文首次将TDM应用于中东陆上油田, 开发了某碳酸盐岩油藏的TDM, 该TDM包括多个相互连接的神经网络, 每个神经网络对一个关键的动态参数进行建模, 一个模型的输出是下一个模型的输入。阐述了TDM的建模步骤, 并进行了应用分析, 以优化油田开发方案。

1 自顶向下建模技术
1.1 自顶向下模型开发

数据驱动建模的本质是从用于建模的代表性数据中推导出其代表的物理特征。TDM通过最新的已钻井数据进行校准（历史拟合）, 然后用于油田开发战略规划, 提高油气采收率。本研究的总体思路是利用现场数据建立油藏模型, 对模型进行历史拟合, 然后将通过历史拟合的油藏模型用于产量预测和油藏管理等分析。在TDM工作流程中, 对时空数据库进行输入特征选择, 以开发数据驱动模型; 采用智能代理监督数据驱动模型的有序配置, 以确保模型遵守约束条件, 如检查含水饱和度是否始终小于100%。TDM中还包含校验历史数据中的不一致数据并将其排除的高级智能代理, 这种方法降低了错误数据使TDM开发产生偏差的风险。

构建TDM通常是高效的, 在6个月以内就可以获得全油田模型及其模拟结果, 主要建模步骤如下：①数据收集和准备, 对所有数据进行审查和质量控制, 并确定（排除）用于模型盲测的井; ②建立模型; ③模型训练和历史拟合, 通过定义合适的算法, 采用数据收集阶段中确定的井进行盲测; ④模型应用, 包括预测油藏和油井动态以及敏感性分析。

目标油藏是低渗透碳酸盐岩油藏, 储集层在横向和纵向上均存在非均质性。利用8年的开发数据以及超过37口井的试井和测井数据构建该油藏的TDM模型。构建TDM所用的主要输入数据包括井眼轨迹、测井曲线、地震数据、8年的产量和注水量数据、油藏压力测试数据、油嘴尺寸和水马力（WHP）数据、含水饱和度、完井进度和操作约束条件。

在进行油藏数值模拟时, 为了对油藏模型进行历史拟合, 通常采用全部生产数据进行拟合; 而TDM将部分数据应用于历史拟合, 保留部分数据用来测试油藏模型的预测能力。本研究采用2008— 2016年间约96个月的生产数据, 用于TDM验证的数据占整个数据集的10%~15%。2008年末到2015年末的数据用于构建TDM模型并进行历史拟合, 2015年末至2016年末的数据用于盲测, 以检查TDM预测的准确性。另外, 油藏数值模拟模型的历史拟合侧重于修改油藏参数以实现其目标, 但在TDM中假定油藏特征是比较准确的。TDM进行历史拟合时, 可以修改油藏特征、操作约束条件和生产历史之间的函数关系以实现目标。历史拟合完成后通过Monte-Carlo法对油藏特征相关的不确定性进行分析和量化, 本文采用井位、油藏特征参数和操作约束条件等参数建立数据驱动的预测模型。

1.2 历史拟合

为了确保开发的油藏模型能够准确复制历史数据, 通常需要对模型进行历史拟合, 经过拟合的模型用于预测新操作条件（如注水量变化和油嘴尺寸变化）下的油藏动态, 但实现历史拟合并不能保证油藏模型的预测准确性。在历史拟合中引入偏差, 可以实现较好的历史拟合, 但模型的预测精度下降。数值模拟可以通过调整全局静态（地质模型）参数如孔隙度、渗透率、初始含水饱和度等, 来实现历史拟合, 此外利用局部网格细化（LGR）来实现每口井的历史拟合。而TDM则在时间和空间上进行盲测, 即将TDM应用于未经TDM训练或测试阶段使用的井的数据集。与数值模拟不同, TDM通常为整体模拟, 不通过调节井级静态参数来实现历史拟合。TDM历史拟合可以通过两种方法来实现：更改数据驱动的超参数（如隐藏层数、隐藏神经元个数、激活函数、学习速度、动量）; 修改输入参数的数量或选择输入参数。TDM在拟合每口井时考虑了多口邻井（即生产井和注水井）的影响。研究使用的数据几乎包含了建立传统油藏模型必需的所有主要数据。

本研究设计的TDM包含5个相互连接的数据驱动人工神经网络模型, 一个模型的输出是下一个模型的输入。使用已知数据对TDM的数据驱动模型进行了训练和验证, 然后应用于每口井。TDM模拟从产油量模型开始, 该模型以时间步t-1的压力、饱和度、产水量、产气量和产油量作为输入; 然后将预测得到的时间步t的产油量用作产水量和产气量模型的输入; 产量模型的输出作为含水饱和度模型的输入; 同理, 油藏压力模型具有t-1时间步模型的属性。因此, 每个模型都具有时间步为t时的模型属性以及时间步为t-1的模型属性。

将开发的TDM应用于每口井, 通过历史拟合评价TDM的准确性。图1所示为整个油藏产油量、产气量和产水量的历史拟合结果, 经过历史拟合的模型较准确地重现了历史数据。

图1 TDM对产油量、产气量和产水量的历史拟合结果

1.3 模型验证

从用于开发和建立TDM的数据集中预留一部分未使用的数据进行盲测, 发现在处理新数据时TDM具有泛化能力。图2所示为一口未用于模型训练的井, 在该井运行TDM的结果与历史数据具有较高的匹配精度。由于在TDM开发阶段未使用该盲测井的数据, 表明该模型在空间上得到了验证。

图2 TDM应用于盲测井新数据的拟合结果

此外, 使用生产历史中最后两年的生产数据对TDM进行了时间上的盲测, 这两年的数据未在TDM开发和训练中使用。通过实际生产历史、多相流测试、压力恢复和压力降落试井数据对预测的产量和压力进行了验证。由于测试压力的井数有限, 因此未计算已知压力数据以外的TDM压力预测误差。图3a所示为盲测期间井各项预测参数的均方误差; 图3b所示为每口井所有预测参数的平均误差（x）, 其中37%的井在两年中的预测误差在10%以内。预测误差随时间的增长主要由对产气量和产水量的预测误差引起。由于现场产水量和产气量的测量往往不如产油量测量结果准确, 所以会影响TDM预测产水量和产气量的准确性。图4所示为TDM属性预测值的交会图。综合研究发现该油田的最佳预测窗口为3个月, 在该时间段内, 预测误差最小, 准确预测的井数最大。

图3 盲测期间井各项预测参数的均方误差（a）及每口井所有预测参数的平均误差（b）

图4 TDM预测数据与实际数据对比

盲测前3个月的模型预测中, 46.9%的井能准确预测, 误差小于5%; 误差在5%~10%的井占21.9%; 误差为10%~20%以及大于20%的井各占15.6%。从图5可以看出, 对于大多数井, 前3个月预测值的平均误差非常低, 说明该模型能够进行准确的短期预测。误差值较高的井为历史数据较少的井, 通常是近期投产的井或数据质量较差的井。图6所示为一口井的TDM盲测结果, 在两年的盲测期间误差在5%以内。

图5 单井应用TDM盲测时前3个月的平均误差值

图6 某口单井TDM产油量、气油比、含水率的盲测值及误差分布

2 模型应用
2.1 产量预测

利用经过历史拟合和验证的TDM模型预测油藏生产动态, 油嘴尺寸和水马力设置为生产历史最后6个月数据的平均值, 水气交替注入注入量设置为生产历史最后6个月注入量的平均值（水气比为0.65）, 注入周期根据油田开发规划设置为6个月。图7所示为上述条件下对一口井的预测结果, 随着时间的变化, 产油量下降而产水量增加。模型的预测周期用于对井和油藏的动态及目标进行短期规划和管理（基于前文模拟结果, 周期不超过3个月）。获得新的现场数据后, 将其与TDM预测值进行比较, 以确保模型的准确性并相应地对模型进行更新, 这种功能快速而有效, 可用于评估注入效果, 也可用于设计未来的注入量, 以最大限度提高产油量。

图7 TDM对产油量、产气量和产水量的预测结果

2.2 敏感性分析

利用经过历史拟合的模型来评估注入效率, 并预测各种水气交替注入方案下的油藏生产动态。首先以历史注入数据为基准（水气交替注入量为100%）评估注入效率, 随后注入量依次减少25%, 用TDM对注入量分别为75%, 50%, 25%, 0%的情况进行预测。注入量为100%与不注入情况下的产油量之差可以反映该油田水气交替注入的开发效果。图8a可以看出36~48个月间采用较小注入量的增产效果更好; 图8b表明该油田水气交替注入有效, 增产效果明显。

图8 水气交替注入量对产油量的影响（a）与注入量对增油量的影响（b）

除了对水气交替注入周期进行敏感性分析外, 还研究了注入流体体积对产油量的影响。通过改变水气交替注入井中注水量和注气量, 设计了不同注入方案（见图9）。结果表明, 采用基准注入体积（生产历史最后6个月的平均值）进行周期为3个月的水气交替注入方案比周期为6个月的注入方案产油量更高, 不同水气注入体积下持续注入3个月的产气量和产水量更小。

图9 不同注入方案下TDM预测的累计产量（#1— 水气注入体积与基准注入体积相同; #2— 注水体积与基准注入体积相等, 注气体积是基准注入体积的一半; #3— 注水体积是基准注入体积的一半, 注气体积与基准注入体积相等）

2.3 加密井井位优化

井眼轨迹是TDM所有层级神经网络的输入参数, 这为评估加密井钻井位置对产油量的影响提供了便利。先将新井加入模型中, 然后用TDM通过迭代过程优化井的位置。在这一过程中施加约束条件, 如到相邻注水井的最小距离、气油比和含水率等。图10所示为一口加密井井位优化后的产油量、气油比和含水率。在传统的数值模拟器中执行此任务需要进行大量的计算, TDM为加密井井位优化提供了一种快速的解决方案。另外, 由于井的垂深是TDM模型的输入参数, 因此还可以优化井的垂直深度。图11所示为优化后的加密井对垂深的敏感性, 结果表明, 较浅的井产油量更大。

图10 井位优化对产油量、气油比和含水率的影响

图11 不同垂深对产量的影响

3 结论

开发了中东地区某陆上碳酸盐岩油藏的TDM, 该TDM包含5个相互连接的数据驱动人工神经网络模型, 每个神经网络对一个关键的动态参数进行建模, 一个模型的输出是下一个模型的输入。该TDM历史拟合效果较好, 在时间和空间上均得到了验证, TDM应用于新数据时具有泛化能力并且可以准确预测3个月内的油藏动态。TDM预测结果表明在给定的操作条件下, 随着时间的延续, 该油藏产油量下降而产水量增加; 较高的注气量和注水量不一定对油井生产具有积极影响, 注入历史中的一段时期内较低的注入量反而使产油量更高; 不同注入方案下注入周期为3个月的产油量比注入周期为6个月时更高, 而产气量和产水量更低。TDM为优化水气交替注入参数提供了一种快速而可靠的办法, 同时能够优化加密井的位置及其深度。

致谢：感谢ADNOC（阿布扎比国家石油公司）和ADNOC陆上业务管理部对本文研究项目的支持。

参考文献
[1] ASKARI F R, KHAMEHCHI E. A novel approach to assist history matching using artificial intelligence[J]. Chemical Engineering Communications, 2015, 202(4): 513-519. [本文引用:2]
[2] MOHAGHEGH S D. Reservoir simulation and modeling based on artificial intelligence and data mining (AI&DM)[J]. Journal of Natural Gas Science and Engineering, 2011, 3(6): 697-705. [本文引用:4]
[3] MOHAGHEGH S D, GRUIC O, ZARGARI S, et al. Top-down, intelligent reservoir modelling of oil and gas producing shale reservoirs: Case studies[J]. International Journal of Oil Gas and Coal Technology, 2012, 5(1): 3-28. [本文引用:5]
[4] NAGEH M, EL E, MAHMOUD A, et al. Application of using fuzzy logic as an artificial intelligence technique in the screening criteria of the EOR technologies[R]. SPE 175883, 2015. [本文引用:1]
[5] LEE J Y, SHIN H J, LIM J S. Selection and evaluation of enhanced oil recovery method using artificial neural network[J]. Geosystem Engineering, 2011, 14(4): 157-164. [本文引用:1]
[6] BELLO O, HOLZMANN J, YAQOOB T, et al. Application of artificial intelligence methods in drilling system design and operations: A review of the state of the art[J]. Journal of Artificial Intelligence and Soft Computing Research, 2015, 5(2): 121-139. [本文引用:1]
[7] KHAZAENI Y, MOHAGHEGH S D. Intelligent time-successive production modeling[R]. SPE 132643, 2010. [本文引用:1]
[8] ZARGARI S, MOHAGHEGH S D. Field development strategies for Bakken shale formation[R]. SPE 139032, 2010. [本文引用:2]
[9] SHAHAB D M, OGNJEN S G, SAEED Z, et al. Modeling, history matching, forecasting and analysis of shale reservoirs performance using artificial intelligence[R]. SPE 143875, 2011. [本文引用:1]
[10] HAYKIN S S. Neural networks and learning machines[M]. Upper Saddle River, NJ: Pearson education, 2008. [本文引用:1]