基于PSO-ELM的水平井...田百口泉组致密砾岩油藏为例_王林生.pdf

投稿网址:www stae com cn2023 年 第23 卷 第5 期2023，23(5):01931-06科学技术与工程Science Technology and EngineeringISSN 16711815CN 114688/T收稿日期:2022-07-08;修订日期:2022-11-22基金项目:国家科技重大专项(2017ZX05070);中国石油重大科技专项(2017E-04)第一作者:王林生(1978)，男，汉族，云南师宗人，高级工程师。研究方向:油气田开发地质。E-mail:bkqwls petrochina com cn。*通信作者:黄长兵(1986)，男，汉族，四川成都人，博士，高级工程师。研究方向:储层评价、测井地质、石油地质。E-mail:hcb swustedu cn。引用格式:王林生，黄长兵，朱键，等 基于 PSO-ELM 的水平井自喷期“多段式”产量预测方法 以玛湖油田百口泉组致密砾岩油藏为例 J 科学技术与工程，2023，23(5):1931-1936Wang Linsheng，Huang Changbing，Zhu Jian，et al PSO-ELM based“multi-stage”production prediction method for horizontal wells withself-injection period:a case study of dense conglomerate reservoir in Baikouquan Formation of Mahu oilfield J Science Technology and En-gineering，2023，23(5):1931-1936基于 PSO-ELM 的水平井自喷期“多段式”产量预测方法 以玛湖油田百口泉组致密砾岩油藏为例王林生1，黄长兵2*，朱键3，覃建华3，张景3，李文涛2(1 中石油新疆油田公司，克拉玛依 834000;2 西南科技大学固体废物处理与资源化教育部重点实验室，绵阳 621010;3 新疆油田公司勘探开发研究院，克拉玛依 834000)摘要准确预测油气井动态产量对油田高效开发意义重大，是单井累产油预测以及部署政策优化的关键。玛瑚油田百口泉组致密砾岩油藏水平井自喷期产量呈“多段式”特征，在实际生产过程中，油气井产量受储层物性、压裂工艺参数等多种因素综合影响，传统产量预测方法及数值模拟法考虑影响因素有限，预测方法适用性差。在产量特征认识基础之上，利用主成分分析法(principal component analysis，PCA)优选油层厚度、地层压力、总砂量、渗透率、压裂簇数及含油饱和度 6 个主控因素，采用粒子群优化-极限学习机(particle swarm optimization-extreme learning machine，PSO-ELM)的输入权值与隐含层偏置，建立了玛湖油田水平井产量预测模型。预测结果表明，PSO-ELM 对比传统预测模型具有计算速度快、泛化能力强、预测精度高的优点，利用该方法预测了 5 口水平井的单井产量，平均误差在 2.14%5.28%，与实际产量吻合良好。关键词多段式;产量预测;主成分分析;粒子群优化;极限学习机中图法分类号TE328;文献标志码APSO-ELM Based“Multi-stage”Production Prediction Method forHorizontal Wells with Self-injection Period:A Case Study of DenseConglomerate eservoir in Baikouquan Formation of Mahu OilfieldWANG Lin-sheng1，HUANG Chang-bing2*，ZHU Jian3，QIN Jian-hua3，ZHANG Jing3，LI Wen-tao2(1 Petro China Xinjiang Oilfield Company，Karamay 834000，China;2 Key Laboratory of Solid Waste Treatment and esource ecycle，Ministry of Education，Mianyang 621010，China;3 Institute of Exploration and Development，Xinjiang Oilfield Company，Karamay 834000，China)Abstract Accurate prediction of dynamic production of oil and gas wells is of great significance to the efficient development of oilfields，and is the key to the prediction of cumulative oil production of single wells and optimization of deployment policies In the actualproduction process，the production of oil and gas wells is influenced by various factors such as reservoir properties and fracturingprocess parameters，etc Traditional production prediction methods and numerical simulation methods have limited consideration of theinfluencing factors and poor applicability of the prediction methods Based on the understanding of production characteristics，the sixmain control factors including formation thickness，formation pressure，total sand volume，permeability，number of fracture clusters andoil saturation were selected by using principal component analysis(PCA)，and the input weights and hidden layer bias were optimizedby using particle swarm optimization-extreme learning machine(PSO-ELM)to establish a horizontal well production prediction model inMahu oilfield The prediction results show that PSO-ELM has the advantages of fast calculation speed，strong generalization ability andhigh prediction accuracy compared with the traditional prediction model，and the single well production of five horizontal wells was pre-投稿网址:www stae com cndicted by the method with an average error of 2.14%5.28%，which is in good agreement with the actual production Keywords multi-stage;yield prediction;principal component analysis;particle swarm optimization;extreme learning machine随着生产时间的推移，水平井单井产量递减特征更为清晰，掌握其递减规律，对油藏管理和生产规划具有重要的意义。由于致密砂砾岩储层非均质性强，物性纵横向变化，渗流规律极其复杂，综合导致产量预测难度极大1。目前传统的水平井产量预测方法主要是公式法和数值模拟法2，但无论是公式法还是数值模拟法，均需要利用早期的生产数据进行拟合再进行预测。由于水平井产量受储层环境、后期改造等多种因素的影响，呈“多段式”生产特征，而传统预测方法主要基于理论模型，参数选取主要依靠经验，容易受短期生产特征的影响，预测结果误差大，难以满足实际需求3-5。近年来，随着人工智能技术的飞速发展，机器学习方法在单井产量预测方面得到了越来越广泛的应用 6。纪天亮等 7 利用反向传播(back propagation，BP)神经网络预测水平井产能，得到了较好的应用效果。陈娟等 8 在 BP 神经网络初始权值和阈值计算中，利用遗传算法进行优化，应用在页岩气水平井产量预测中，预测精度明显提高。陈浩等 9 基于支持向量机建立致密油藏水平井产量预测模型，并在参数选取方面分别利用常规式和嵌入式进行优化，应用于大庆油田水平井产能预测中，预测效果明显优于 BP 神经网络模型。张蕾等 10 提出了基于时域卷积神经网络模型的水驱油田单井产量预测方法，进一步提高了水平井单井产量预测精度。然而，传统的机器学习法由于需要人为设置参数，在计算速度和适用性方面，仍存在一定的不足。现根据玛湖油田水平井生产“多段式”特点，充分结合实际生产资料，利用主成分分析法优选主控因素，并最终提出利用粒子群优化的极限学习机法，建立水平井产量预测模型。相较于传统机器学习法，该方法具有计算速度快，预测结果可靠性高等优点 11，以期为致密砾岩油藏水平井产量预测提供指导。1玛湖油田水平井生产概况玛湖油田百口泉组发育斜坡背景下的大规模浅水扇三角洲沉积，储层主要发育在河道和砂坝中，储集岩体砂砾岩叠置连片，储层致密，属于典型的致密砾岩储层。为了提高单井产量，研究区水平井主要采用大段多簇、极限限流射孔、段内暂堵压裂工艺。自喷期实际具有波动稳产或波动递减的特征，因为此阶段地层能量相对较高，每当产量下降到一定程度，采油管理单位就会采取钻塞、冲砂、放大 油 嘴 等 措 施 维 持 产 量。MaHW1325 井 与MaHW6112 井自喷期产量变化图像如图 1 所示。由产量图像分析可知，玛湖油田水平井自喷期的产量受地层环境以及压裂工艺等因素影响，具有典型的多段式递减的特征，这也导致常规的公式或者数值模拟很难准确预测水平井单井产量。图 1MaHW1325 井与 MaHW6112 井自喷期产量Fig.1Production of MaHW1325 well and MaHW6112well during the self-injection period2主控因素分析和评价2.1水平井自喷期产量主控因素分析玛湖油田致密砾岩储层水平井自喷期产量受到多种因素的影响，主要包括:储层物性参数，如孔隙度、渗透率、含油饱和度等;油藏基本条件，如油压、油层厚度等;水平井压裂参数，如水平段长度、井距、压裂簇数、簇间距、总液量、加砂量等。由于玛湖油田水平井实际生产仪器、技术等限制，只能得到部分生产资料，在已有的数据资料中，选择水平井自喷期产量主控因素。表 1 为研究区随机选取的 15 口水平井自喷期产量数据。2.2主控因素选取评价在建立水平井产量预测模型过程中，主控因素的选择尤为关键，参数选择过多、过少，都会影响预测模型效率以及结果的可靠性。因此，在模型参数选择方面，一定是尽可能选取与预测结果相关性较高的影