文摘

要获得一个可靠的生产预测,建立地质模型与测井和地震数据。地质模型通常使用某些高档升级技术。然后,构造动态油藏模型与另一个数据集,包括完成数据、生产数据、流体性质和相对渗透率曲线。最后,需要验证的动态模型匹配的历史过程。这种方法是数据密集型、耗时,而且往往不严格完成由于缺乏技能和时间。在这项研究中,10000组储层/完成输入数据是由拉丁超立方抽样法,然后,10000组输出(油率和累积生产数据)通过数值模拟获得。接下来,机器学习技术应用于输入数据之间建立一个模型,确定递减曲线分析模型的拟合参数生成的累积产量。总体系数的测定( )的三个Arps递减曲线的因素分别为0.966,0.990和0.945。验证结果表明,提出的产率和累积产量预测的机learning-decline曲线分析(ML-DCA)同意与储层模拟的仿真模型。由于ML-DCA回归模型,可以建立一个完整的理解的影响DCA的储层属性模型。提出ML-DCA模型不仅为石油工程师提供了一个快速和健壮的方法来估计生产性能的非常规油气藏储层和属性没有细致的完成geocellular建模,还可以用来优化完成和操作参数对井的兴趣。

1。介绍

非常规油气储层能够发展经济与水平井钻井和多级水力压裂技术的发展。非常规油气储层的管理和操作需求的准确预测生产速度,促进更好的发展战略,更多的经济可行性,更可靠的储备评估,和更明智的业务决策。

许多一直努力开发高效的数值模型模拟非常规油气生产考虑复杂的液压和天然裂缝几何图形和多个气体传输机制在纳米孔1- - - - - -4]。高分辨率的三维(3 d), geocellular模型描述地质特征和断裂网络的复杂性与网格块及其相关的岩石和流体性质,和他们产生全面的地理分布压力和饱和度在一段时间内。然而,这样一个模型计算的模拟所需的大量历史匹配和生产优化闭环油藏管理和决策上下文。挑战变得更加沮丧和缺乏和不足的岩石和流体数据生产历史。研究人员试图通过技术,如升级加速模拟(5,6),多尺度(7- - - - - -9),和简化方法(10,11]。然而,所有这些都需要一个完整的基于物理模型的简化作为起点。

递减曲线分析(DCA)作为替代技术预测石油和天然气生产一直应用于石油行业很长时间了。最常用的curve-fit-based递减曲线对非常规油气储层模型包括多节的Arps衰落模型(12- - - - - -15),修改为DCA模型(16),瞬态双曲模型(17),拉伸指数下降方法(SEDM) (18],Duong方法[19],幂律指数(中国)方法(20.]。众所周知,curve-fit-based DCA模型很容易申请非常规储层一旦流政权相关的深度调查适当标识,但他们达不到预测精度不能捕获水库特性或属性高度相关的生产性能。

通过引入数据分析在石油和天然气行业,出现了类似的实际挑战造成数据驱动的解决方案领域的数据挖掘和机器学习(ML)的地质数据,完成数据和动态数据输入揭开隐藏的物理关系的ML算法中包含在现有仿真模型输出数据,但并不代表未来的生产性能。李和汉21)神经网络应用于研究之间的相关性选择水库/完成属性和物流发展模式的确定参数高强)。因此,一个训练有素的ML-DCA模型可以用来预测现有的生产趋势,根据给定的新井储层/完成属性。太阳et al。22)提出了一种递归神经网络(RNN)基于sequence-to-sequence模型预测生产。慕克吉et al。23)测试和执行各种ML算法,包括线性回归(LR),主成分分析(PCA),神经网络回归(NNR),提高了决策树(BDT),和被决策树(BiDT),预测天然气生产。Tamimi et al。24]给出一个全面的智能决策支持系统(IDSS)预测和确定参数从3400年非常规井Arps递减曲线模型。Temizel et al。25)应用长期短期记忆(LSTM)方法在非常规页岩储层预测长期生产的行为。雪et al。26)提出了一种多目标随机森林(MORF)算法预测产量,水库和完成特征作为输入。总值et al。27]提出了一种快速physics-informed毫升工作流结合降维模型(rom)和油藏模拟模型来预测生产压力的函数管理在一个断裂的马塞勒斯页岩储层。Doan和签证官28)使用毫升技术提高产量预测的准确性在北方马来盆地。

数据驱动的模型可能不捕获许多油藏的地质特征,但是他们跑得比full-physics模型和实际数据训练模型可以避免不确定性或假设。他们可以提供可靠的预测与足够的数据校准过程。然而,当参数的数量变大,数据驱动的模型需要一定数量的样本训练和测试之前,他们可以有效地使用。

本研究使用的独特性质仿真模型为基础生产数据集,它提供了另一种利用机器学习算法在实际数据不足或不可用。这项研究提供了有效的ML-DCA模型缺乏经验的工程师相关储层和流体性质,以及完成参数,与DCA模型预测生产利率没有细致geocellular非常规储层建模。因此,甚至不用处理复杂的geomodels,缺乏经验的工程师可以对生产做出可靠的估计预测一旦ML-DCA模型建立和由经验丰富的油藏工程师。实现DCA和简化的储层模型之间的ML算法很容易扩展工作流对于任何其他类型的储层,如热或成分。

本研究组织如下。首先,提出ML-DCA工作流的方法,包括递减曲线模型和人工神经网络,其次是合成生产配置文件生成,建立了单井数值模拟考虑15地质和完井参数,包括矩阵和裂缝网络的属性数据驱动的研究。接下来,ML-DCA模型训练和测试了合成生产资料;然后,给出了一个案例研究来评估ML-DCA模型的预测性能,显示了力量和准确性提出ML-DCA工作流;和敏感性分析进行调查的影响地质和储层参数对生产与ML-DCA模型;最后,限制和未来的工作进行了讨论,得出了结论。

2。方法

2.1。递减曲线分析

最常见的DCA Arps递减曲线。(Arps双曲递减曲线模型29日]。 在哪里是预测生产,初始生产,是时间,是一个常数,然后呢是初始递减率。当常数赔付率是0,递减曲线降低指数下降;如果1、递减曲线变得谐波;如果大于0小于1,双曲递减曲线;如果大于1,经常在瞬变流动,递减曲线叫做superhyperbolic。当一个处理低收入和ultralow-permeability井,瞬变流动持续几个月到几年很常见,其次是一个过渡流态和后快速公车提供。在实践中,是恒定的很长一段时间在瞬变流动采用水力压裂井和在快速公车提供,因此可以应用Arps模式与信心的时段内,b是常数(12]。

在这项研究中,累计石油生产被选中执行DCA回归,因为它比产量更为顺畅。这种方法还减轻了不规则和嘈杂的生产数据的影响,尤其是对真正的字段数据。石油产量累计积分的产量(方程(1)),它被定义为 在哪里累计生产。整合和重新整理方程(2),累计工作时间关系不同值可以派生表示1。

2.2。人工神经网络

一个人工神经网络(ANN)是一种常见的ML技术受到人类大脑中的神经元的结构。安被选为毫升方法因为它已成功应用于许多工程和科学问题提取复杂和非线性过程变量之间的关系。在这项研究中,一个典型的三层bp ANN结构建立了由一个输入层、隐藏层和输出层,如图1。几个关键变量,包括隐层神经元、训练算法和传输功能,被认为是最优安结构。输入层的神经元数等于数字输入功能。隐层的神经元数调整优化目标函数。每个神经元接收输入信息在前一层神经元的输出,生成并输出传递给下一层。的数学模型^th神经元表示为 在哪里的输出是什么^th下一层神经元,从上一层是输入,的重量,从上一层是输入号码,然后呢是激活函数。重量是通过优化调整为每个神经元的损失函数模型训练过程。的 - - - - - -²评分( )是常用的作为损失函数。这是一个代表的比例统计测量的方差的因变量解释为一个独立的变量或变量的回归模型。分数是作为 在哪里预测的值吗 ,和的意思是 。

2.3。机Learning-Decline曲线分析算法

ML算法提供了一种统计技术分析系统与现有数据集不显式地编程。介绍如何ML算法解决回归问题,通常一个定义了输入向量, ,作为 在哪里样本大小或输入向量和的数量是输入参数的数量,如渗透率和孔隙度。因此,输入矩阵可以被定义为

在这项研究中,输入是一个列矩阵由水库、完成、和操作参数,如骨折半身像,裂缝宽度、裂缝渗透率和孔隙度。

可以给出相应的输出参数 的输出向量是确定递减曲线模型的参数对应的输入向量 。 在哪里是确定参数的数量递减曲线模型。显然,有三个参数为递减曲线模型;因此,输出是一个列矩阵的 , ,和 。

现有的测量数据集被用来训练ML模式。给定的训练数据集

毫升的目的是建立一个映射函数, ,从训练数据集

提出ML-DCA模型可以表达,建立了如图2训练数据集。

2.4。皮尔森相关

最常用的类型的相关性描述两个变量之间的关系是皮尔逊相关性。皮尔森的衡量两个变量之间的线性关系,说和 。1表示数据点的相关性完全躺在一条线的增加增加。值也意味着数据点躺在一条线;然而,减少,增加。的公式的是

图3显示了ML-DCA的拟议中的工作流。首先,三维数值模型建立了一个典型的水平井多级压裂(MFHW)。然后,拉丁超立方体抽样(lh)方法进行生成足够的(例如,10000)实验设计预定的类型和分布范围内的某些输入参数,然后用来模拟石油产量累积率通过运行油藏模拟。接下来,DCA回归算法然后执行适合模拟石油产量累积率和DCA的获得决定性的参数模型。最后,ML算法(例如,安,但它可以其他算法在未来工作)训练和测试调查或地质和完成之间的映射函数参数的相关性和DCA的确定参数模型。

注意,提出工作流可以扩展到调查各种递减曲线模型,如SEDM,比如,和Duong模型,通过简单地取代衰落模型。此外,所有相关算法开发了开源库,可以很容易地与内部集成或商业模拟器。

3所示。数据生成

构建一个数据驱动的模型需要大量的地质特征和完成数据(生产、压力、测井等)作为输入和DCA的因素模型作为输出。毫升的方法被用来建立储层特性和产量之间的关系。在理想的情况下,最好是获得数据集用于构建数据驱动的模型与实际使用的字段。然而,合成数据生成的数值或分析模型或者可以使用如果高质量,实际数据不足或不可用26,30.]。在这项研究中,我们使用一个数值模型来生成累计生产资料与随机生成的地质和完井参数。后,模拟累计生产速度是用于建立储层属性和DCA模型之间的关系。

3.1。单井储层模型

MFHW模型来模拟生产从致密油储层是一个三相,三维矩形模型,建立了发生模拟器。格子网格用于模型的MFHW捕获瞬态行为的最好方式。否则,需要使用的局部网格加密(LGR),哪个更费时。网格数量( )模型的设置 。每个方向的网格大小(DI, DJ,和DK)的不确定参数,生成的抽样方法。因此,控制区域和流域( )改变了网格的大小。水平井是放置在中心的储层模型和产生的约束下不断流动的必和必拓。生产时间将是10年,这被认为是一个现实的致密油生产场景。图4显示了MFHW模型的侧面图,网格块的黑暗的部分代表液压骨折。

3.2。拉丁超立方抽样

一旦建立了基本模型,实验设计,不同的设计变量生成实验,将用于校准模型。在这项研究中,15个地质和完成参数进行调查,包括网格大小 , ,和方向(DI、DJ和DK),基质渗透率、孔隙度、水平井长度、断裂半身像,裂缝间距、裂缝有效渗透率,层,图层,泡点压力、初始压力,监测油率,和操作井底压力(必和必拓)(表2)。在15个参数中,前三个特性被用来定义流域。基质渗透率和孔隙度是致密油储层属性。以下四个功能,包括水平井长度、断裂半身像,裂缝间距、裂缝有效渗透率,定义了水平井和完井参数。指定的层和层的层数定义了水平井的裂缝穿透上面/下面。因此,这两个参数与裂缝高度。泡点压力的流体性质,定义了初始储层条件和初始压力。泡点压力将低于原始储层压力为每个场景。储层的含水饱和度是恒定在这项研究中,和值设置为0.4。相对渗透率曲线是预定义的。 The last two features were operation parameters during production. Oil production changed with the operating BHP, which was set to lower than the initial reservoir pressure. The well was shut off when the oil rate was lower than the monitored oil rate defined by well constraints. To obtain effective training and testing of data-driven models, 10,000 samples of each parameter were generated through the LHS method, with the ranges and distribution type listed in Table2。每个参数的概率分布如图所示5。

3.3。代的累积生产

相应的10年月度石油生产为每个组合模拟数值模型。10000年累积的石油产品和复苏的分布显示在数字6和7。基本上,累计生产井的50%还不到 洗液。典型的采油通常低于35%,主要分布在5%和15%之间。

3.4。递减曲线分析回归

获得最佳的预测模型,从10000口井生产数据变成了DCA空间。DCA最适合曲线与最小二乘回归(通常是计算34]。因此,最小二乘回归的估计被定位的三个参数确定Arps衰落模型从10000年合成累计生产代表储层模拟生成的配置文件。图810000年拟合结果显示部分为例。它显示了良好的协议计算的累计石油生产DCA合成累积产量模拟模型和数值模型。图9确定系数的分布( )。99%的DCA回归了大于0.99。换句话说,DCA曲线可以代理的单井模型模拟预测致密油生产在这个研究。

图10给出了直方图确定初始速率( ), 值,初始递减率( )ML-DCA模型。分布可用于进一步研究如果执行生产与DCA模型不确定性分析,如预测P10, P50, P90。价值影响长期生产,但在短期生产没多大影响。初始生产速率和初始递减率影响短期利率。如图11,没有明显的相关性和初始产量( ),这意味着初始生产本身并不能代表有多好或多糟哦会产生长期的。然而,表现出显著相关性与初始递减率( )(图11 (b))。这个观察是类似于Tamimi et al。(24)研究基于超过3400非常规井在DJ盆地。简单地说,初始递减率越大表明更高价值。因此,似乎更高的利率下降可能表明一个坏,但最终它产生更多的从长远来看。

4所示。结果和分析

4.1。神经网络回归

在这项研究中,建立了三层bp神经网络,如图12。可以看到,DCA模型的三个因素是解决顺序而不是同时,如图所示的顺序的网络12达到最高的整体和被证明是最优回归工作流来确定因素的DCA模型(表3)。

最优回归工作流程总结如下:(我)步骤1:最初,有15个神经元在输入1层和输出层的神经元(2)步骤2:选择贝叶斯正规化训练算法。因此,在10000年的组合输入参数和相应的累计生产资料,其中70%作为训练数据集建立数据驱动模型,和30%的人作为测试数据集来确定DCA的因素(3)第三步:通过改变隐层神经元的数量,不同的结果目标DCA的因素(iv)步骤4:贝叶斯正规化,最小平方误差的线性组合,执行修改连接权值和偏见来获得更准确的结果35](v)第五步:安的训练过程持续进行交互,直到所需的水平的错误或达到最大迭代次数,和第一最终网络用于确定的向量是实现。(vi)第六步:向量的添加到输入矩阵,重复步骤2到步骤5得到的向量(七)第七步:向量的添加到输入矩阵,重复步骤2到步骤6的向量来确定

最优网络实现和表4。

数据13- - - - - -15显示训练集的测试集,和所有设置的三个确定参数预测的提议ML-DCA模型,分别。轴的横坐标和纵坐标Arps下降的实际确定参数曲线和他们的预测价值,分别。较小的实际值和预测值之间的区别,数据点越接近45度线。数据的数据13- - - - - -15(训练集和测试集)45度线附近的密集分布表明ML-DCA模型的预测精度高。三个因素的整体预测错误( , ,和 )分别是0.966,0.990和0.945。ML-DCA模型训练和验证,一个可以很容易地和迅速输出一个递减曲线模型来预测新井的产量只知道水库和完井参数。

4.2。预测绩效评估

图16显示了评价过程的预测性能ML-DCA模型通过比较生产资料和数值模拟。表5提出了15所选关键特性的值用来预测致密油的生产状况。的比较结果如图17。总的来说,产率和累积生产这两种方法之间的相互同意很好,表明ML-DCA模型是可以接受的性能和可靠的科学和工程应用。它可以得出结论,ML-DCA单井数值模拟模型具有相同的精度。因此,而不是建立一个复杂的数值模型,工程师没有经验数值模拟可以使用ML-DCA模型作为代理模型来预测致密油生产成本较低。

4.3。敏感性分析

皮尔逊相关系数计算来评估每个属性的重要性在这三个确定参数( , ,和 )(图18)。图(18日)反映出渗透率、网格大小在垂直方向(DK)和裂缝间距的三大因素对初始速率产生最重要的影响,其次是初始压力、裂缝渗透率、长度,基质孔隙度、裂缝半身像,等。其中,裂缝间距对初始速率有显著的负面影响。必和必拓和操作,监控油率、层,层对初始速率有轻微影响。

图18 (b)表明渗透率主要负面影响 。渗透率越高,越低价值。它也可以得出结论,操作必和必拓,泡点压力,长度,初始压力,骨折半身像,裂缝渗透率产生负面影响b价值,而裂缝间距、孔隙度和网格大小有积极的影响价值。

图18 (c)显示了初始递减率(之间的相关性 )和储层完井参数。裂缝间距,用于定义的骨折在储层模型中,有一个突出的影响初始递减率 。同时,网格大小(DK、DI和DJ),以及长度、孔隙度、裂缝半身的负面影响。结果还表明基质渗透率,初始压力、裂缝渗透率、泡点压力,操作必和必拓对初始递减率有积极的影响。

5。讨论和未来的工作

众所周知,ML-DCA可以强大如果可以提高数量和质量的数据包括实际的字段数据。然而,与大多数致密油水井在不到60个月的生产历史,这些数据不能直接用于执行历史匹配。这项研究证明,这种基于仿真的代理工具与维护良好可靠的数据库生成从单井储层模拟及其效率计算时间允许练习工程师实现建模的目标和快速的方式来减少不确定性。结果,ML-DCA算法不仅可以作为一种工具来确定DCA因素和预测生产,一旦最初的储层条件下,岩石属性,并给出完成和操作参数,而且还可以用来优化目标储层的完成和操作参数,如裂缝间距、裂缝半身的,必和必拓和操作。对于未来的工作,可以进行进一步的研究来调查测量误差的影响和样本容量生产预测性能。

6。结论

在这项研究中,一种ML-DCA算法,集成与DCA毫升技术模型,开发了预测致密油生产性能,作为代理分析/油藏数值模拟。关键的结论可以概括如下:(1)与储层完井参数输入和DCA因素作为输出,ML-DCA模型可以被训练来确定DCA因素准确,与整体预测错误( )三个Arps递减曲线因素的0.966,0.990,0.945(2)产率和累积产量预测的提议ML-DCA与模拟油藏模拟模型吻合较好(3)ML-DCA优于传统的DCA方法,尤其是对新井或水库,ML-DCA捕捉生产趋势的训练数据集,以及考虑到岩石,液体,完成,和井筒属性(4)拟议中的ML-DCA优于细致的数值模拟由于其简单性和低成本(5)储层敏感性分析的结果,完成,操作参数可以确定影响三个DCA因素。其中,裂缝间距和矩阵DCA模型渗透率有至关重要的影响,而监测油率、层,层对DCA模型有轻微影响

命名法

:	为双曲线或superhyperbolic指数下降,无量纲
:	初始递减率Arps衰落模型,D1
:	样本大小或ML-DCA模型中的输入向量的个数
:	输入数与前一层的ANN模型
:	ML-DCA模型输入参数的数量
:	累积产量,MSCF或桶
:	预测产量,MSCF / D或桶
:	初始生产Arps模式下降,MSCF / D或桶
:	生产时间,天
:	输入上一层的ANN模型
:	的输出th神经元对下一层的ANN模型
:	预测价值
:	中值的
:	ANN模型的重量。

希腊的变量

:	激活函数的ANN模型
:	平均值
:	标准差。

数据可用性

可以在请求的数据达到了@(电子邮件保护)。

的利益冲突

作者宣称没有利益冲突。

确认

我们要感谢这个项目“页岩油开发研究Chang7 Panke场”和项目”的多级压裂水平井压裂优化设计降低庙湾,延长油矿”的支持和有价值的讨论。