CN112069737A - 一种低渗透油藏co2混相驱受效油井气窜时间预测方法及装置 - Google Patents

一种低渗透油藏co2混相驱受效油井气窜时间预测方法及装置 Download PDF

Info

Publication number
CN112069737A
CN112069737A CN202010960492.4A CN202010960492A CN112069737A CN 112069737 A CN112069737 A CN 112069737A CN 202010960492 A CN202010960492 A CN 202010960492A CN 112069737 A CN112069737 A CN 112069737A
Authority
CN
China
Prior art keywords
gas channeling
oil
gas
oil well
well
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.)
Granted
Application number
CN202010960492.4A
Other languages
English (en)
Other versions
CN112069737B (zh
Inventor
孙致学
闵成
唐建信
梁珀
任允鹏
赵梓平
牛祥玉
姜宝胜
贾艳平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Petroleum and Chemical Corp
China University of Petroleum East China
Sinopec East China Oil and Gas Co
Original Assignee
China University of Petroleum East China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China University of Petroleum East China filed Critical China University of Petroleum East China
Priority to CN202010960492.4A priority Critical patent/CN112069737B/zh
Publication of CN112069737A publication Critical patent/CN112069737A/zh
Application granted granted Critical
Publication of CN112069737B publication Critical patent/CN112069737B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • E—FIXED CONSTRUCTIONS
    • E21—EARTH OR ROCK DRILLING; MINING
    • E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
    • E21B43/00—Methods or apparatus for obtaining oil, gas, water, soluble or meltable materials or a slurry of minerals from wells
    • E21B43/16—Enhanced recovery methods for obtaining hydrocarbons
    • E21B43/164—Injecting CO2 or carbonated water
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/12—Timing analysis or timing optimisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Geology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mining & Mineral Resources (AREA)
  • Artificial Intelligence (AREA)
  • Geometry (AREA)
  • Fluid Mechanics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Mathematical Analysis (AREA)
  • Chemical & Material Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geochemistry & Mineralogy (AREA)
  • Algebra (AREA)
  • Computing Systems (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及油田开发技术领域，具体涉及一种低渗透油藏CO2混相驱受效油井气窜时间预测方法及装置。本发明通过CMG数值模拟软件模拟建立气窜预警图版示意图，利用K‑means聚类算法确定油井的气窜时间，使用偏相关性分析法判断油井的各类影响因素的影响程度，对影响程度较小的影响因素进行剔除，得到气窜时间样品库，再利用多元线性回归模型算法建立CO2混相驱油井气窜时间预测模型。可以通过将待测油井的影响因素数据代入CO2混相驱油井气窜时间预测模型中就可以直接精确预测得到待测油井的气窜时间，跳过使用CMG数值模拟软件对待测油井进行复杂的模拟，对开发井预测更加精准，快速。且剔除了影响程度小的影响因素，对油井的生产现场更加具有指导性。

Description

一种低渗透油藏CO2混相驱受效油井气窜时间预测方法及装置
技术领域
本发明涉及油田开发技术领域，尤其涉及一种低渗透油藏CO2混相驱受效油井气窜时间预 测方法及装置。
背景技术
CO2提高采收率技术(CO2 Enhance oil recovery，简称CO2-EOR，下同)因其对原油具有 降粘作用、膨胀增能作用、消除界面张力作用从而有效驱替微细孔喉中的残余油，使得该技 术成为低渗透油藏最有效的三次采油方式之一。CO2-EOR技术已广泛应用于低渗透率油藏、致 密砂岩油藏、页岩油/气藏、煤层气藏等水驱不能取得较好增产效果的油藏。研究人员通过大 量的室内研究和数值模拟研究发现由于相较于水来说CO2具有更不利的流度比，因此CO2驱油 效果极易受到油藏非均质性的影响，容易尤油藏中的高渗通道实现快速气窜，降低CO2波及效 率，从而降低CO2的增产效果。虽然在CO2快速突破后会采取转变注入方式、调控井底流压、 控制注采参数等一系列增能稳产措施，但这会产生更高成本的同时也会使油田开发变得更为 被动。完善的CO2驱前缘监测技术已成为成功开展CO2驱的必要条件。因此对CO2驱油藏油井 见气时间及CO2混相前缘预测仍需要进一步研究，才能提前掌握其变化趋势并根据具体情况实 施有效的预防措施。
目前，CO2驱油井气窜监测的方法主要有以下几种。
①利用试井技术确定低渗透油藏CO2驱替前缘从而预测气窜时间的方法。该方法采用了状 态方程、相平衡方程以及闪蒸计算描述气液两相传递现象及相态变化，基于组分模型建立CO2驱数值试井模型。通过基于有限体积方法的方程离散、组分模型数值求解以及闪蒸计算得到 网格压力变化，最后追踪油藏中岩石与流体变化对试井曲线的影响。该方法所划分出的五种 流动形态阶段(井筒储存段、过渡段、CO2区平面径向流动段、CO2波及区流动段和CO2未波及 区流动段)与油井生产曲线对应关系不强，无法通过生产参数的变化准确判断所处的流动阶 段。
②微地震监测气驱阶段技术。该技术原理主要是摩尔-库仑理论及断裂学准则。微震波会 被布置在注气井周围的监测站接受，根据到达各接收站微震波的时差，形成一些列方程组， 求解这些方程组，可确定微震波震源位置，进而描绘出注气驱前缘，注入气的波及范围，优 势注气方向。考虑到微地震波传播所需时间，因此该方法所得到的前缘位置、气相位置会与 实际位置有所滞后且易受到外界因素干扰，从而影响预测的准确性。
③示踪剂监测；注气前根据地层特性，选择合适的示踪剂，确定注采井间连通性，井间 相对渗透率，从而为选择注气井或注气井调剖提供依据。注气后如果气窜井气源可能来自两 口以上注气井，不能使用常规开关井和卡封确定，此时可使用不同气体示踪剂，监测气窜井 示踪剂浓度的变化，从而确定气窜井气体主要来自哪口注气井。该方法主要运用于判断气窜 通道而对于气体推进速度的预测并不准确。
④生产井监测。储层流体和驱替前缘运移最终会反映在生产动态上，而生产动态的变化 规律是可以根据运移状况进行预测的。根据当前的生产特征，分析下一步的生产动态变化。 该方法只能对油井所处的CO2驱替阶段进行判断，无法对气窜时间进行准确的预测。
整体上看，目前对油井气窜时间预测的方法普遍存在滞后性和准确性低的问题。
发明内容
针对现有技术存在的上述问题，本发明要解决的第一个技术问题是；对油井气窜时间预 测存在滞后性和准确性低。
本发明要解决的第二个技术问题是；缺少实时，精准地预测油井气窜时间的装置。
为解决上述第一个技术问题，本发明采用如下技术方案：
一种低渗透油藏CO2混相驱受效油井气窜时间预测方法，所述预测方法包括如下步骤：
S10；使用CMG数值模拟软件模拟得到油田模型，所述油田模型的参数包括油井的产油速 度和产出气中CO2的摩尔分数，分析油井的产油速度和产出气中CO2的摩尔分数两者与各个油 藏流体流动阶段的对应关系；
S20；计算油田模型的无因次累产油量，并建立以无因次累产油量为横坐标，产量浮动倍 数和每日产出气中的CO2的摩尔分数值为并列的纵坐标的气窜预警定量图版示意图；
S30；以气窜预警定量图版示意图为标准，将油田模型的产量浮动倍数和产出气中的CO2的摩尔分数值带入K-means聚类算法中，得到油井的准确气窜时间；
S40；使用S10-S30的方法得到若干个油田模型以及对应的气窜时间，不同影响因素构成 一个影响因素集X＝{x1,x2,…xp}，所述影响因素集中的元素约束所述若干个油田模型以及对 应的气窜时间，将气窜时间与对应的油田模型的影响因素组成数据对，所有的数据对构成气 窜时间样品库；
S50；使用偏相关性分析法判断影响因素对气窜时间的影响程度，剔除数据对中对气窜时 间影响较小的影响因素，得到修正后的气窜时间样品库；
S60；将修正后的气窜时间样品库中的数据对带入多元线性回归模型算法中：
Y＝β0+β1x1+β2x2+…+βlxp+ε (1)；
其中，Y为气窜时间；xi为影响因素，i(1～p)为影响因素编号；βt为回归参数，亦称偏回归系数，t(1～l)为回归参数编号；ε为随机误差项，一般假设ε～(0,σ2)，且 E(εxi)＝0,i＝1,…,p-1；
多个样本条件下的多元线性回归模型表示成矩阵形式如式(2)、(3)、(4)、(5)所示：
Figure BDA0002680363420000031
Figure BDA0002680363420000032
Figure BDA0002680363420000033
Figure BDA0002680363420000034
多元线性回归模型写成一般形式为：
Y＝Xβ+ε；
在误差平方和(Σε)为最小的前提下，用最小二乘法求解上述方程(2)、(3)、(4)、(5) 即可得到参数值，即为CO2混相驱油井气窜时间预测模型；
S70；将待测油井的影响因素带入步骤S60所得的CO2混相驱油井气窜时间预测模型中， 便可以得到待测油井的气窜时间预测值。
本发明通过CMG数值模拟软件模拟分析得到油井的产油速度和产出气中CO2的摩尔分数 两者与油藏流体流动阶段的对应关系，建立气窜预警定量图版示意图，利用K-means聚类算 法确定油井的气窜时间，使用偏相关性分析法判断油井的各类影响因素的影响程度，对影响 程度较小的影响因素进行剔除，得到气窜时间样品库，再利用多元线性回归模型算法建立CO2混相驱油井气窜时间预测模型。使用本发明提供的技术方案，可以通过将待测油井的影响因 素数据代入CO2混相驱油井气窜时间预测模型中就可以直接精确预测得到待测油井的气窜时 间，跳过使用CMG数值模拟软件对待测油井进行复杂的模拟，对开发井预测更加精准，快速。 且剔除了影响程度小的影响因素，对油井的生产现场更加具有指导性。
作为优选，所述油藏流体流动阶段包括五个阶段：1)未见效阶段、2)纯油阶段、3)混 相前缘阶段、4)混相后缘阶段、5)气窜阶段。将油藏流体流动阶段划分为所述五个阶段，每个阶段都具有明显的具体特征，方便区分。
作为优选，所述步骤S10中各个油藏流体流动阶段与产油速度和产出气中CO2的摩尔分 数的对应关系为：1)未见效阶段：产油速度略微减小，无大幅度变化；且该阶段产出气中 CO2的摩尔分数并无太大变化；2)纯油阶段：产油速度实现指数型增加；且该阶段产出气中 CO2的摩尔分数并无太大变化；3)混相前缘阶段：产油速度继续增加，且该阶段开始时产出 气中CO2的摩尔分数明显突增后稳定增加；4)混相后缘阶段：开始时的产油速度明显骤降， 且该阶段产出气中CO2的摩尔分数趋于平稳；5)气窜阶段：开始时的产油速度明显骤减至0， 且产出气中CO2的摩尔分数略微增加后趋于平稳，即油井停止出油。
作为优选，所述步骤S20中无因次累产油量的具体计算方式为：
Figure BDA0002680363420000041
其中，Qi为注入CO2混相驱i天后累积产油量，
Figure BDA0002680363420000042
为CO2混相驱整个过程中的累积产油量。 无因次累产油量相对于时间而言并无纲量，更具有对油井的预测气窜时间的普遍性。更能准 确地得到低渗透油藏CO2混相驱受效油井气窜时间。
作为优选，所述步骤S20中产量浮动倍数指CO2混相驱后油井产量相较于油井初始产量所 变化的倍数，产量浮动倍数的计算公式如(7)所示。
Figure BDA0002680363420000043
其中τi为CO2混相驱i天后的产量浮动倍数，Qi为CO2混相驱i天后的产量，Q0为CO2混相驱 前初始产量。产量浮动倍数无纲量，更加能够反映大多数油井的产量参数，在保证精确划分 的同时，对油井的划分更加具有普遍性和适用性。
作为优选，所述步骤S40中影响因素集中的元素为：油藏压力、油藏温度、原油组成、 油藏的孔渗物性、油藏非均质程度、原油中所溶解的CO2摩尔含量、注采井网系统、注入方式、 CO2注入速度、CO2注入压力、生产井的采液/油速度和生产井的生产压力。
作为优选，所述步骤S50中偏相关性分析法对气窜时间的影响程度的判断具体方法如下：
S51；将步骤S40中所述的影响因素和相应的气窜时间设为变量组{X1,X2,X3,…,Xp},其中 {X2,X3,…,Xp}为影响因素，{X1}为相应的气窜时间；
S52；计算Xi与Xj变量之间的简单相关系数rij，计算公式如下：
Figure BDA0002680363420000051
其中i,j∈(1,2,3,…,p)，计算得到其相关系数阵为：
Figure BDA0002680363420000052
其中，rij为变量Xi,Xj的简单相关系数；
S53；计算变量Xi与Xj在其他变量给定的条件下的偏相关系数：
Figure BDA0002680363420000053
其中，
Figure BDA0002680363420000054
Δij,Δii,Δjj分别表示|R|中元素的rij,rii,rjj的代数余子式；
S54；针对于本专利只需要计算某一参数Xi(i＝2,3,…,p)与气窜时间 X1在其他变量给定的条件下的偏相关系数，公式如下：
Figure BDA0002680363420000055
最后得到的ρ(Xi,X1|X2,…,Xi-1,Xi+1,…Xp)即为某一影响因素下的偏相关系数；
S55；设定阈值L，若某一影响因素的偏相关系数绝对值小于L，则说明该影响因素对油 井的影响程度较小，可将该影响因素从数据对中剔除。
为解决上述第二个问题，本发明采用如下技术方案；
一种低渗透油藏CO2混相驱受效油井气窜时间预测装置，基于上述的一种低渗透油藏CO2混相驱受效油井气窜时间预测方法，配置一种预测装置，包括储存器和高速处理器。
所述储存器包括受效油井动态分析模块，受效油井气窜预警模块，气窜时间影响因素分 析模块，气窜时间预测回归模型模块和受效油井气窜时间预测模块；
受效油井动态分析模块对受效油井生产动态进行分析，根据产油速度和产出气CO2摩尔分 数等指标界限阈值，划分低渗透油藏CO2混相驱受效油井各个阶段及各阶段持续时间；
受效油井气窜预警模块基于受效油井动态分析模块输出的受效油井开发阶段划分结果， 建立低渗透油藏CO2混相驱过程中气窜时间的预警定量图版；
气窜时间影响因素分析模块应用K-means算法对受效油井气窜预警模块建立的气窜时间 的预警定量图版进行计算，得到受效油井气窜时间。再应用CMG数值模拟软件建立不同影响 因素的油井概念模型，应用Python程序编制的偏相关性分析法确定油藏中影响CO2混相驱受 效油井气窜时间的影响因素影响程度，剔除对气窜时间影响较小的影响因素，得到受效油井 CO2气窜时间样本库；
气窜时间预测回归模型模块应用Python程序编制多元线性回归算法使用气窜时间影响 因素分析模块得到的受效油井CO2气窜时间样本库，确定气窜因素与气窜时间之间的响应关系， 建立低渗透率油藏CO2混相驱油井气窜时间预测模型；
受效油井气窜时间预测模块储存有低渗透率油藏CO2混相驱油井气窜时间预测模型，将待 预测井的影响因素输入到所得到的低渗透率油藏CO2混相驱油井气窜时间预测模型中，得到对 应的气窜预测时间。
利用高速处理器通过计算机程序建立预测低渗透油藏CO2混相驱受效油井气窜时间的模 型，输入开发油井的影响因素的参数，可以实时并精准的预测出开发油井的气窜时间。
作为优选，还包括一种便携的计算机可读取的储存介质，该储存介质上储存有所述低渗 透油藏CO2混相驱受效油井气窜时间预测方法的所有算法。使用便携的计算机可读取储存介质 储存低渗透油藏CO2混相驱受效油井气窜时间预测方法的所有算法，方便工程师在实地直接找 寻计算机设备对开发井进行预测知道，不必携带笨重的计算机设备。
相对于现有技术，本发明至少具有如下优点；
(1)本发明通过CMG数值模拟软件模拟分析得到油井的产油速度和产出气中CO2的摩 尔分数两者与油藏流体流动阶段的对应关系，建立气窜预警图版示意图，利用K-means聚类 算法确定油井的气窜时间，使用偏相关性分析法判断油井的各类影响因素的影响程度，对影 响程度较小的影响因素进行剔除，得到气窜时间样品库，再利用多元线性回归模型算法建立 CO2混相驱油井气窜时间预测模型。使用本发明提供的技术方案，可以通过将待测油井的影 响因素数据代入CO2混相驱油井气窜时间预测模型中就可以直接精确预测得到待测油井的气 窜时间，跳过使用CMG数值模拟软件对待测油井进行复杂的模拟，对开发井预测更加精准， 快速。且剔除了影响程度小的影响因素，对油井的生产现场更加具有指导性。
(2)使用气窜定量图版示意图通过K-means聚类算法得到油井的准确气窜时间。气窜 定量图版示意图中无因次累产油量和产量浮动倍数均无纲量，相比于时间和产油速度而言， 更加能够反映大多数油井的产量参数，更加具有普遍性和适用性，使用无因次累产油量分别 与产量浮动倍数和产出气中CO2的摩尔分数相互间的变化情况同时判断油井的气窜时间，更加 精准。
(3)利用高速处理器通过计算机程序建立预测低渗透油藏CO2混相驱受效油井气窜时 间的模型，输入开发油井的影响因素，可以实时并精准的预测出开发油井的气窜时间。同时， 采用便携的计算机可读取储存介质，方便工程师在实地直接找寻计算机设备对开发井进行预 测知道，不必携带笨重的计算机设备。
附图说明
图1为CMG数值模拟软件模拟出的G69区块某油井模型不同流动阶段示意图。
图2为CMG数值模拟软件模拟出的G69区块某油井模型的气窜预警图版示意图。
图3为低渗透油藏CO2混相驱受效油井气窜预警定量图版示意图。
图4为一种低渗透油藏CO2混相驱受效油井气窜时间预测方法的步骤示意图。
图5为一种低渗透油藏CO2混相驱受效油井气窜时间预测装置的结构示意图。
图中：1-受效油井动态分析模块，2-受效油井气窜预警模块，3-气窜时间影响因素分析 模块，4-气窜时间预测模型训练模块，5-开发井气窜时间预测模块。
具体实施方式
下面结合附图对本发明作进一步详细说明。
参见图1-5，本发明提供的一种实施例；
实施例1；一种低渗透油藏CO2混相驱受效油井气窜时间预测方法，所述预测方法包括如 下步骤：
S10；使用CMG数值模拟软件模拟得到油田模型，所述油田模型的参数包括油井的产油速 度和产出气中CO2的摩尔分数，分析油井的产油速度和产出气中CO2的摩尔分数两者与各个油 藏流体流动阶段的对应关系；
具体实施时，使用CMG数值模拟软件对G69区块某油井进行模拟，得到如图1所示的G69 某油井模型不同流动阶段示意图。并且通过对模拟出的G69区块某油井的产油速度和产出气 中CO2的摩尔分数统计得到如图2所示的气窜预警图版示意图。
具体实施时，所述油藏流体流动阶段包括五个阶段：1)未见效阶段、2)纯油阶段、3) 混相前缘阶段、4)混相后缘阶段、5)气窜阶段。将油藏流体流动阶段划分为所述五个阶段， 每个阶段都具有明显的具体特征，方便区分。
具体实施时，各个油藏流体流动阶段与产油速度和产出气中CO2的摩尔分数的对应关系为： 1)未见效阶段：产油速度略微减小，无大幅度变化；且该阶段产出气中CO2的摩尔分数并无 太大变化。2)纯油阶段：产油速度实现指数型增加；且该阶段产出气中CO2的摩尔分数并无 太大变化。3)混相前缘阶段：产油速度继续增加，且该阶段开始时产出气中CO2的摩尔分数 明显突增后稳定增加。4)混相后缘阶段：开始时的产油速度明显骤降，且该阶段产出气中 CO2的摩尔分数趋于平稳。5)气窜阶段：开始时的产油速度明显骤减至0，且产出气中CO2 的摩尔分数略微增加后趋于平稳，即油井停止出油。
S20；计算油田模型的无因次累产油量，并建立以无因次累产油量为横坐标，产量浮动倍 数和每日产出气中的CO2的摩尔分数值为并列的纵坐标的气窜预警定量图版示意图；
具体实施时，无因次累产油量的具体计算方式为：
Figure BDA0002680363420000081
其中，Qi为注入CO2混相驱i天后累积产油量，
Figure BDA0002680363420000082
为CO2混相驱整个过程中的累积产油量。 无因次累产油量相对于时间而言并无纲量，更具有对油井的预测气窜时间的普遍性。更能准 确地得到低渗透油藏CO2混相驱受效油井气窜时间。
具体实施时，产量浮动倍数的计算公式如(7)所示。
Figure BDA0002680363420000083
其中τi为CO2混相驱i天后的产量浮动倍数，Qi为CO2混相驱i天后的产量，Q0为CO2混相驱 前初始产量。产量浮动倍数无纲量，更加能够反映大多数油井的产量参数，在保证精确划分 的同时，对油井的划分更加具有普遍性和适用性。
S30；以气窜预警定量图版示意图为标准，将油田模型的产量浮动倍数和产出气中的CO2的摩尔分数值带入K-means聚类算法中，得到油井的准确气窜时间；
具体实施时，K-means算法的聚类数K选取5，将各个时刻CO2摩尔分数和产油速度进行 聚类，计算各个类别的聚类中心对应的时间值并进行排序。排第1组的类别为未见效阶段， 第2组的类别为纯油阶段，第3组的阶段为混相前缘阶段，第4组的阶段为混相后缘阶段， 第5组的阶段为气窜阶段。其中第5组中的时间值的最小值即为CO2的气窜时间。
S40；使用S10-S30的方法得到若干个油田模型以及对应的气窜时间，不同影响因素构成 一个影响因素集X＝{x1,x2,…xp}，所述影响因素集中的元素约束所述若干个油田模型以及对 应的气窜时间，将气窜时间与对应的油田模型的影响因素组成数据对，所有的数据对构成气 窜时间样品库；
具体实施时，影响因素集中的元素为：油藏压力、油藏温度、原油组成、油藏的孔渗物 性、油藏非均质程度、原油中所溶解的CO2摩尔含量、注采井网系统、注入方式、CO2注入速度、CO2注入压力、生产井的采液/油速度和生产井的生产压力。
S50；使用偏相关性分析法判断影响因素对气窜时间的影响程度，剔除数据对中对气窜时 间影响较小的影响因素，得到修正后的气窜时间样品库；
具体实施时，偏相关性分析法对气窜时间的影响程度的判断具体方法如下：
S51；将步骤S40中所述的影响因素和相应的气窜时间设为变量组{X1,X2,X3,…,Xp},其中 {X2,X3,…,Xp}为影响因素，{X1}为相应的气窜时间；
S52；计算Xi与Xj变量之间的简单相关系数rij，计算公式如下：
Figure BDA0002680363420000091
其中i,j∈(1,2,3,…,p)，计算得到其相关系数阵为：
Figure BDA0002680363420000092
其中，rij为变量Xi,Xj的简单相关系数；
S53；计算变量Xi与Xj在其他变量给定的条件下的偏相关系数：
Figure BDA0002680363420000093
其中，
Figure BDA0002680363420000094
Δij,Δii,Δjj分别表示|R|中元素的rij,rii,rjj的代数余子式；
S54；针对于本专利只需要计算某一参数Xi(i＝2,3,…,p)与气窜时间 X1在其他变量给定的条件下的偏相关系数，公式如下：
Figure BDA0002680363420000095
最后得到的ρ(Xi,X1|X2,…,Xi-1,Xi+1,…Xp)即为某一影响因素下的偏相关系数；
S55；设定阈值L，若某一影响因素的偏相关系数绝对值小于L，则说明该影响因素对油 井的影响程度较小，可将该影响因素从数据对中剔除。
S60；将修正后的气窜时间样品库中的数据对带入多元线性回归模型算法中：
Y＝β0+β1x1+β2x2+…+βlxp+ε (1)；
其中，Y为气窜时间；xi为影响因素，i(1～p)为影响因素编号；βt为回归参数，亦称偏回归系数，t(1～l)为回归参数编号；ε为随机误差项，一般假设ε～(0,σ2)，且 E(εxi)＝0,i＝1,…,p-1；
多个样本条件下的多元线性回归模型表示成矩阵形式如式(2)、(3)、(4)、(5)所示：
Figure BDA0002680363420000101
Figure BDA0002680363420000102
Figure BDA0002680363420000103
Figure BDA0002680363420000104
多元线性回归模型写成一般形式为：
Y＝Xβ+ε；
在误差平方和(Σε)为最小的前提下，用最小二乘法求解上述方程(2)、(3)、(4)、(5) 即可得到参数值，即为CO2混相驱油井气窜时间预测模型；
S70；将待测油井的影响因素带入S60所得的CO2混相驱油井气窜时间预测模型中，便可 以得到待测油井的气窜时间预测值。
实施例2；一种低渗透油藏CO2混相驱受效油井气窜时间预测装置，基于一种低渗透油藏 CO2混相驱受效油井气窜时间预测方法，配置一种计算机设备，包括储存器和高速处理器。
所述储存器中储存有一计算机程序，所述计算机程序包括受效油井动态分析模块1，受 效油井气窜预警模块2，气窜时间影响因素分析模块3，气窜时间预测模型训练模块4和开发 井气窜时间预测模块5。
受效油井动态分析模块1对受效油井生产动态进行分析，根据产油速度和产出气中CO2 的摩尔分数等指标界限阈值，划分低渗透油藏CO2混相驱受效油井各个阶段及各阶段持续时间。
受效油井气窜预警模块2基于受效油井动态分析模块1输出的受效油井开发阶段划分结 果，建立低渗透油藏CO2混相驱过程中气窜时间的预警定量图版。
气窜时间影响因素分析模块3应用K-means算法对受效油井气窜预警模块2建立的气窜 时间的预警定量图版进行计算，得到受效油井气窜时间。再应用CMG数值模拟软件建立不同 影响因素的油井概念模型，应用Python程序编制的偏相关性分析法确定油藏中影响CO2混相 驱受效油井气窜时间的影响因素影响程度，剔除对气窜时间影响较小的影响因素，据此得到 受效油井CO2气窜时间样本库。
气窜时间预测回归模型模块4应用Python程序编制多元线性回归算法使用气窜时间影响 因素分析模块3得到的受效油井CO2气窜时间样本库，确定气窜因素与气窜时间之间的响应关 系，最终建立低渗透率油藏CO2混相驱油井气窜时间预测模型。
受效油井气窜时间预测模块5储存有低渗透率油藏CO2混相驱油井气窜时间预测模型，将 待预测井的地质、生产参数输入到所得到的低渗透率油藏CO2混相驱油井气窜时间预测模型中， 即可得到对应的气窜预测时间。
在此实施例中，对G69区块油井的气窜时间进行预测。将G69区块油井的地质、生产参 数输入受效油井气窜时间预测模块，便可得到G69区块油井的气窜时间和最大影响因素。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施 例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进 行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利 要求范围当中。

Claims (9)

1.一种低渗透油藏CO2混相驱受效油井气窜时间预测方法，其特征在于：所述预测方法包括如下步骤：
S10；使用CMG数值模拟软件模拟得到油田模型，所述油田模型的参数包括油井的产油速度和产出气中CO2的摩尔分数，分析油井的产油速度和产出气中CO2的摩尔分数两者与各个油藏流体流动阶段的对应关系；
S20；计算油田模型的无因次累产油量，并建立以无因次累产油量为横坐标，产量浮动倍数和每日产出气中的CO2的摩尔分数值为并列的纵坐标的气窜预警定量图版示意图；
S30；以气窜预警定量图版示意图为标准，将油田模型的产量浮动倍数和产出气中的CO2的摩尔分数值带入K-means聚类算法中，得到油井的准确气窜时间；
S40；使用S10-S30的方法得到若干个油田模型以及对应的气窜时间，不同影响因素构成一个影响因素集X＝{x1,x2,…xp}，所述影响因素集中的元素约束所述若干个油田模型以及对应的气窜时间，将气窜时间与对应的油田模型的影响因素组成数据对，所有的数据对构成气窜时间样品库；
S50；使用偏相关性分析法判断影响因素对气窜时间的影响程度，剔除数据对中对气窜时间影响较小的影响因素，得到修正后的气窜时间样品库；
S60；将修正后的气窜时间样品库中的数据对带入多元线性回归模型算法中：
Y＝β0+β1x1+β2x2+…+βlxp+ε (1)；
其中，Y为气窜时间；xi为影响因素，i(1～p)为影响因素编号；βt为回归参数，亦称偏回归系数，t(1～l)为回归参数编号；ε为随机误差项，一般假设ε～(0,σ2)，且E(εxi)＝0,i＝1,…,p-1；
多个样本条件下的多元线性回归模型表示成矩阵形式如式(2)、(3)、(4)、(5)所示：
Figure FDA0002680363410000011
Figure FDA0002680363410000012
Figure FDA0002680363410000013
Figure FDA0002680363410000021
多元线性回归模型写成一般形式为：
Y＝Xβ+ε；
在误差平方和(Σε)为最小的前提下，用最小二乘法求解上述方程(2)、(3)、(4)、(5)即可得到参数值，即为CO2混相驱油井气窜时间预测模型；
S70；将待测油井的影响因素带入步骤S60所得的CO2混相驱油井气窜时间预测模型中，便可以得到待测油井的气窜时间预测值。
2.如权利要求1所述的一种低渗透油藏CO2混相驱受效油井气窜时间预测方法，其特征在于：所述油藏流体流动阶段包括五个阶段：1)未见效阶段、2)纯油阶段、3)混相前缘阶段、4)混相后缘阶段、5)气窜阶段。
3.如权利要求2所述的一种低渗透油藏CO2混相驱受效油井气窜时间预测方法，其特征在于：所述步骤S10中各个油藏流体流动阶段与产油速度和产出气中CO2的摩尔分数的对应关系为：
1)未见效阶段：产油速度略微减小，无大幅度变化；且该阶段产出气中CO2的摩尔分数并无太大变化；
2)纯油阶段：产油速度实现指数型增加；且该阶段产出气中CO2的摩尔分数并无太大变化；
3)混相前缘阶段：产油速度继续增加，且该阶段开始时产出气中CO2的摩尔分数明显突增后稳定增加；
4)混相后缘阶段：开始时的产油速度明显骤降，且该阶段产出气中CO2的摩尔分数趋于平稳；
5)气窜阶段：开始时的产油速度明显骤减至0，且产出气中CO2的摩尔分数略微增加后趋于平稳，即油井停止出油。
4.如权利要求1所述的一种低渗透油藏CO2混相驱受效油井气窜时间预测方法，其特征在于：所述步骤S20中无因次累产油量的具体计算方式为：
Figure FDA0002680363410000022
其中，Qi为注入CO2混相驱i天后累积产油量，
Figure FDA0002680363410000023
为CO2混相驱整个过程中的累积产油量。
5.如权利要求1所述的一种低渗透油藏CO2混相驱受效油井气窜时间预测方法，其特征在于：所述步骤S20中产量浮动倍数指CO2混相驱后油井产量相较于油井初始产量所变化的倍数，产量浮动倍数的计算公式如(7)所示：
Figure FDA0002680363410000031
其中τi为CO2混相驱i天后的产量浮动倍数，Qi为CO2混相驱i天后的产量，Q0为CO2混相驱前初始产量。
6.如权利要求1所述的一种低渗透油藏CO2混相驱受效油井气窜时间预测方法，其特征在于：所述步骤S40中影响因素集中的元素为：油藏压力、油藏温度、原油组成、油藏的孔渗物性、油藏非均质程度、原油中所溶解的CO2摩尔含量、注采井网系统、注入方式、CO2注入速度、CO2注入压力、生产井的采液/油速度和生产井的生产压力。
7.如权利要求1所述的一种低渗透油藏CO2混相驱受效油井气窜时间预测方法，其特征在于：所述步骤S50中偏相关性分析法对气窜时间的影响程度的判断具体方法如下：
S51；将步骤S40中所述的影响因素和相应的气窜时间设为变量组{X1,X2,X3,…,Xp},其中{X2,X3,…,Xp}为影响因素，{X1}为相应的气窜时间；
S52；计算Xi与Xj变量之间的简单相关系数rij，计算公式如下：
Figure FDA0002680363410000032
其中i,j∈(1,2,3,…,p)，计算得到其相关系数阵为：
Figure FDA0002680363410000033
其中，rij为变量Xi,Xj的简单相关系数；
S53；计算变量Xi与Xj在其他变量给定的条件下的偏相关系数：
Figure FDA0002680363410000034
其中，
Figure FDA0002680363410000035
p；Δij,Δii,Δjj分别表示|R|中元素的rij,rii,rjj的代数余子式；
S54；针对于本专利只需要计算某一参数Xi(i＝2,3,…,p)与气窜时间X1在其他变量给定的条件下的偏相关系数，公式如下：
Figure FDA0002680363410000036
最后得到的ρ(Xi,X1|X2,…,Xi-1,Xi+1,…Xp)即为某一影响因素下的偏相关系数；
S55；设定阈值L，若某一影响因素的偏相关系数绝对值小于L，则说明该影响因素对油井的影响程度较小，可将该影响因素从数据对中剔除。
8.一种低渗透油藏CO2混相驱受效油井气窜时间预测装置，其特征在于：基于权利要求7所述的一种低渗透油藏CO2混相驱受效油井气窜时间预测方法，配置一种预测装置，包括储存器和高速处理器；
所述储存器包括受效油井动态分析模块(1)，受效油井气窜预警模块(2)，气窜时间影响因素分析模块(3)，气窜时间预测回归模型模块(4)和受效油井气窜时间预测模块(5)；
受效油井动态分析模块(1)对受效油井生产动态进行分析，根据产油速度和产出气CO2摩尔分数等指标界限阈值，划分低渗透油藏CO2混相驱受效油井各个阶段及各阶段持续时间；
受效油井气窜预警模块(2)基于受效油井动态分析模块(1)输出的受效油井开发阶段划分结果，建立低渗透油藏CO2混相驱过程中气窜时间的预警定量图版；
气窜时间影响因素分析模块(3)应用K-means算法对受效油井气窜预警模块(2)建立的气窜时间的预警定量图版进行计算，得到受效油井气窜时间；再应用CMG数值模拟软件建立不同影响因素的油井概念模型，应用Python程序编制的偏相关性分析法确定油藏中影响CO2混相驱受效油井气窜时间的影响因素影响程度，剔除对气窜时间影响较小的影响因素，得到受效油井CO2气窜时间样本库；
气窜时间预测回归模型模块(4)应用Python程序编制多元线性回归算法使用气窜时间影响因素分析模块(3)得到的受效油井CO2气窜时间样本库，确定气窜因素与气窜时间之间的响应关系，建立低渗透率油藏CO2混相驱油井气窜时间预测模型；
受效油井气窜时间预测模块(5)储存有低渗透率油藏CO2混相驱油井气窜时间预测模型，将待预测井的影响因素输入到所得到的低渗透率油藏CO2混相驱油井气窜时间预测模型中，得到对应的气窜预测时间。
9.如权利要求6所述的一种低渗透油藏CO2混相驱受效油井气窜时间预测装置，其特征在于：还包括一种便携的计算机可读取的储存介质，该储存介质上储存有所述低渗透油藏CO2混相驱受效油井气窜时间预测方法的所有算法。
CN202010960492.4A 2020-09-14 2020-09-14 一种低渗透油藏co2混相驱受效油井气窜时间预测方法及装置 Active CN112069737B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010960492.4A CN112069737B (zh) 2020-09-14 2020-09-14 一种低渗透油藏co2混相驱受效油井气窜时间预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010960492.4A CN112069737B (zh) 2020-09-14 2020-09-14 一种低渗透油藏co2混相驱受效油井气窜时间预测方法及装置

Publications (2)

Publication Number Publication Date
CN112069737A true CN112069737A (zh) 2020-12-11
CN112069737B CN112069737B (zh) 2022-08-26

Family

ID=73696642

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010960492.4A Active CN112069737B (zh) 2020-09-14 2020-09-14 一种低渗透油藏co2混相驱受效油井气窜时间预测方法及装置

Country Status (1)

Country Link
CN (1) CN112069737B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114320266A (zh) * 2021-11-17 2022-04-12 陕西延长石油（集团）有限责任公司 一种基于支持向量机的致密油藏常规井产量预测方法
CN115341881A (zh) * 2021-04-27 2022-11-15 中国石油天然气股份有限公司 一种基于特征组分含量的气窜判识方法
CN115405268A (zh) * 2021-05-28 2022-11-29 中国石油化工股份有限公司 低渗透油藏co2驱开发阶段划分方法
CN115470438A (zh) * 2022-08-24 2022-12-13 青岛海洋生物医药研究院股份有限公司 一种基于可降解微球的工艺参数智能预估降解时间的方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111006987A (zh) * 2019-12-30 2020-04-14 中国石油大学(华东) 一种储层裂缝孔渗参数预测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111006987A (zh) * 2019-12-30 2020-04-14 中国石油大学(华东) 一种储层裂缝孔渗参数预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李承龙: "特低渗透油藏二氧化碳驱气窜影响因素及规律", 《特种油气藏》 *
李绍杰: "低渗透滩坝砂油藏CO_2近混相驱生产特征及气窜规律", 《大庆石油地质与开发》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115341881A (zh) * 2021-04-27 2022-11-15 中国石油天然气股份有限公司 一种基于特征组分含量的气窜判识方法
CN115341881B (zh) * 2021-04-27 2024-05-31 中国石油天然气股份有限公司 一种基于特征组分含量的气窜判识方法
CN115405268A (zh) * 2021-05-28 2022-11-29 中国石油化工股份有限公司 低渗透油藏co2驱开发阶段划分方法
CN114320266A (zh) * 2021-11-17 2022-04-12 陕西延长石油（集团）有限责任公司 一种基于支持向量机的致密油藏常规井产量预测方法
CN114320266B (zh) * 2021-11-17 2023-11-28 陕西延长石油（集团）有限责任公司 一种基于支持向量机的致密油藏常规井产量预测方法
CN115470438A (zh) * 2022-08-24 2022-12-13 青岛海洋生物医药研究院股份有限公司 一种基于可降解微球的工艺参数智能预估降解时间的方法

Also Published As

Publication number Publication date
CN112069737B (zh) 2022-08-26

Similar Documents

Publication Publication Date Title
CN112069737B (zh) 一种低渗透油藏co2混相驱受效油井气窜时间预测方法及装置
CN110863806B (zh) 一种二氧化碳驱气体前缘动态变化预测方法
Tian et al. Quantitative evaluation of key geological controls on regional Eagle Ford shale production using spatial statistics
CN116150695A (zh) 一种钻井液漏失位置确定及漏失参数计算方法
CN103717833A (zh) 将测量测井与预测测井相关的方法和系统
CN110847897B (zh) 一种利用放射性指示剂主动检测井漏的方法
CN111101935B (zh) 一种少井条件下的油页岩预测方法
Oguntola et al. On the robust value quantification of polymer eor injection strategies for better decision making
CN114063162B (zh) 一种基于小样本机器学习SVM Vp/Vs预测方法
CN112502677B (zh) 一种基于多元线性回归的注水开发效果评价方法
CN110851982B (zh) 一种中低渗油藏减氧空气驱可行性分析方法
CN111625925B (zh) 一种基于色谱分离的三元复合驱注采优化方法
CN112147713B (zh) 泥页岩总有机碳含量分段预测方法
CN114611740A (zh) 一种岩石的可钻性级值的预测方法
US11608734B2 (en) Systems and methods for creating hydrocarbon wells
US20210340858A1 (en) Systems and Methods for Dynamic Real-Time Hydrocarbon Well Placement
CN117386312B (zh) 一种钻井液加注装置及其控制方法
CN112377104B (zh) 动态调整致密砂岩气藏水平井实钻轨迹的方法及装置
CN112394416B (zh) 非均质断裂控制储层预测方法及装置
US20240093597A1 (en) Rapid Identification of Hydrodynamic Traps in Hydrocarbon Reservoirs
CN116127320A (zh) 一种基于可解释性机器学习的井漏分析方法、系统和介质
CN115271182A (zh) 海上油田水驱采收率预测方法
CN112394416A (zh) 非均质断裂控制储层预测方法及装置
Ehlig-Economides Quantitative Evaluation of Key Geological Controls on Regional Eagle Ford Shale Production Using Spatial Statistics
CN116556900A (zh) 一种含水致密砂岩气藏的开发方法、装置和设备

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
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20230407

Address after: 266580 No. 66 Changjiang West Road, Huangdao District, Qingdao, Shandong.

Patentee after: CHINA University OF PETROLEUM (EAST CHINA)

Patentee after: CHINA PETROLEUM & CHEMICAL Corp.

Patentee after: SINOPEC EAST CHINA OIL & GAS COMPANY

Address before: China University of Petroleum (East China), Huangdao District, Qingdao City, Shandong Province, 266580

Patentee before: CHINA University OF PETROLEUM (EAST CHINA)

TR01 Transfer of patent right