CN112257892A - 一种复杂气藏排水采气工艺制度优化方法 - Google Patents

Abstract

本发明公开了一种复杂气藏排水采气工艺制度优化方法，包括下列技术措施：步骤1.以区域内已开展排水采气工艺的气井数据为基础，采用灰色关联分析法获得影响气井排水采气工艺的特征因子；步骤2.按关联度将获得的特征因子排序；步骤3.建立基于排水采气工艺有效性识别的神经网络模型；步骤4.以特征因子贡献率为目标，开展特征因子逐次分析，优化神经网络模型；步骤5.去除导致训练样本识别错误率增大的特征因子；建立区域性气藏排水采气工艺的预测模型。本发明能够可靠地提高排水采气工艺在复杂气藏气井内应用的预测有效性，从而能够有效保障排水采气工艺在复杂气藏气井内的实施成功率，进而显著的提高采收率、有效降低气井维护成本。

Description

一种复杂气藏排水采气工艺制度优化方法

技术领域

本发明涉及天然气的排水采气技术，具体是一种复杂气藏排水采气工艺制度的优化方法。

背景技术

在气井的开采过程中，随着气井的地层压力不断降低，气井会不同程度地产出地层水或凝析水。当气井的产气量大于携液临界流量时，气井能够依靠自身的产气量将产出水连续的顺利携带出井筒，气井依靠其自身的能量能够保持稳定生产；随着持续开采深入，气井的地层压力逐渐降低致使气井的产气量也逐渐降低。当气井的产气量逐渐降低至小于携液临界流量时，气井的自身产气量不足以将产出水连续的携带出井筒，则需要外部人工介入进行排水采气处理，其可实施的技术措施有很多种，包括压缩机气举排水措施、柱塞气举排水措施、电潜泵/射流泵排水措施、小油管排水措施、机抽措施、雾化措施、涡流排水措施、泡沫排水措施等；若不采取排水采气处理，气井内的产出水因沉积而增加气井回压，进而致使气井因生产压差减小而导致气井产气量降低，井筒内积液将进一步增加，严重时导致气井被淹停产。因而，排水采气是提高气藏采收率的重要技术举措，以期达到延长气井生产周期与提高产量的技术目的。

随着气井排水采气工艺的深入实施，气藏的复杂性与气藏开发的效益性要求日益突显，同一气井不同开发期、不同气井同一开发期所采用的排水采气工艺制度都存在着较大的差异。简单的仅考虑井筒流动与携液理论而开展的排水采气工艺制度的论证，忽略了复杂气藏的气井地下-井筒-地面的系统性与延续性，难以提高排水采气工艺实施的成功率和采收率。

因而，针对于复杂气藏开采的排水采气工艺制度如何优化，成了行业内重点关注和研究的方向。排水采气工艺制度的优化、特别是复杂气藏开采的排水采气工艺制度的优化，应建立在大数据之上，其本质问题是模式识别与数据挖掘。

目前，针对于排水采气工艺制度的优化，是以人工进行传统的数据分析而实现，此种优化技术将人工的数据分析以定性化或半定量化为主，其难以充分吸收和利用钻井、录井、测井及地质、工程、工艺等综合而成的多维度海量数据。因而，以人工的传统数据分析而优化出的排水采气工艺制度，其实施成功率较低，有效性较差，难以有效地提高气井采收率、降低气井维护成本，满足不了复杂气藏开采的技术要求。

发明内容

本发明的技术目的在于：针对上述复杂气藏、排水采气工艺的特殊性及现有技术的不足，提供一种能够有效保障实施成功率、显著提高采收率的复杂气藏排水采气工艺制度优化方法。

本发明的技术目的通过下述技术方案实现，一种复杂气藏排水采气工艺制度优化方法，所述优化方法包括下列技术措施：

步骤1.以区域内已开展排水采气工艺的气井数据为基础，采用灰色关联分析法获得影响气井排水采气工艺的特征因子；

步骤2.按关联度将获得的特征因子排序；

步骤3.建立基于排水采气工艺有效性识别的神经网络模型；

步骤4.以特征因子贡献率为目标，按步骤2中的排序在步骤3的神经网络模型中开展特征因子逐次分析，优化神经网络模型；

步骤5.去除导致训练样本识别错误率增大的特征因子；

建立区域性气藏排水采气工艺的预测模型。

步骤1中对特征因子的获得是以气井为基本单元，以该气井的排水采气工艺实施效果数据为灰色关联分析法的参考数列，以该气井的地质数据、工程数据及排水采气工艺类别数据为灰色关联分析法的对比数列。

步骤2中特征因子的排序是按照关联度由高到低的顺序，优选出关联度高的特征因子。

步骤3中神经网络模型的建立包括如下具体的技术措施：

步骤①.设定神经网络模型的误差参数与迭代次数；

步骤②.对训练参数进行样本空间分析与统计，开展预测样本的空间分析与统计；

进行模式识别。

步骤4中所述优化神经网络模型的特征因子逐次分析是以特征因子的排序为顺序。进一步的，所述神经网络模型的优化包括如下具体的技术措施：

步骤①.初始化神经网络模型中的权值和偏置项，分别记为：

w⁽⁰⁾，b₁ ⁽⁰⁾，v⁽⁰⁾，b₂ ⁽⁰⁾ (1)；

步骤②.激活前向传播，得到各层输出和损失函数的期望值：

式中，θ为参数集合；y为真实值；

为预测值；n为数据的输出维数；m为数据组数；

步骤③.根据损失函数，计算输出单元的误差项和隐藏单元的误差项；

输出单元的误差项为计算损失函数关于输出单元的梯度值或偏导数，链式法则为：

隐藏单元的误差项为计算损失函数关于隐藏单元的梯度值或偏导数，链式法则为：

步骤④.更新神经网络模型中的权值和偏置项；

输出单元参数更新为：

隐藏单元参数更新为：

式中，η为学习率；k＝1，2，…，n为更新次数或迭代次数，k＝1为第一次更新，以此类推；

步骤⑤.重复步骤②～④，直至损失函数小于给定阈值或迭代次数用完，输出此时的参数为神经网络模型的当前最佳参数。

步骤5中所述预测模型的建立是，将去除训练样本导致识别错误率增大的特征因子以后的剩余特征因子组成新的样本空间，以新的样本空间为训练样本对步骤4中优化后的神经网络模型进行模型训练而获得。进一步的，所述去除训练样本导致识别错误率增大的特征因子是按照如下技术措施实施：

选择训练样本，同时将训练样本的特征因子集作为预测样本，设前i个特征因子训练错误率为out(i)，加入第i+1个训练因子后，训练错误率为out(i+1)，设定误差阀值为δ,若out(i+1)-out(i)>δ，则第i+1个特征因子判定为剔除性特征因子；

按此循环开展各对应特征因子剔除性分析，实现预测模型的输入优化。

本发明的有益技术效果是：上述优化方法通过系统性整理区域内已开展排水采气工艺的气井静、动态数据、以及排水采气工艺实施效果数据，以这些大数据为基础，采用灰色关联分析法开展气井之间的相似性度量与气井排水采气工艺主控因素的分析，实现模式特征提取；同时，采用神经网络技术通过特征因子的逐次回归而建立气井排水采气高效识别非线性预测模型，模拟人脑分析与井间对比，可靠地提高排水采气工艺在复杂气藏气井内应用的预测有效性，从而能够有效保障排水采气工艺在复杂气藏气井内的实施成功率，进而显著的提高采收率、有效降低气井维护成本；此外，通过此种信息化分析，有利于缩短人工气井实施排水采气工艺的论证周期，以及填补人工气井数据挖掘的技术不足。

经试验，本发明相较传统的人工分析技术，能够将气井排水采气工艺的有效率从约50％提高到约86％，按目前新场、联益公司年度投入成本1058万元/年，可有效降低成本约300万/年，同时目前通过排水采气工艺增产规模已经达到2300万方/年，对气田降本增效起到重要作用，技术优势及经济效益显著。

附图说明

图1为本发明的一种工艺流程示意简图。

图2为四川地区某气藏A气井的特征因子灰色关联度排序统计图。

图3为神经网络模型的结构模型示意图。

图4为四川地区某气藏A气井的累计特征因子在训练样本条件下的错误率变化情况图。

图5为四川地区某气藏A气井的预测样本错误率与训练样本数的关系图。

图6为四川地区某气藏A气井在排水采气工艺制度未优化前的井生产情况图。

图7为四川地区与A气井处于同一气藏的B气井在排水采气工艺制度优化后的生产情况图。

具体实施方式

本发明涉及天然气的排水采气技术，具体是一种能够有效提高采收率的复杂气藏排水采气工艺制度优化方法，下面对本发明的主体技术内容进行详细说明。

名词解释：

排水采气工艺制度是指，根据单井生产特征，制定排水采气工艺相应的生产维护措施、调整药剂加注频次等提高天然气采出的方式方法，常见的手段包括泡沫排水采气(包括固体泡排和液体泡排)、气举(包括膜制氮气举、槽车气举、邻井气举)、关井复压、间开等。

在本实施例中，已开展排水采气工艺的气井以四川地区某气藏A气井为例，据此而依照本发明优化方法获得的排水采气工艺制度应用于区域内的B气井。

参见图1所示，本发明的技术措施包括下列五大步骤。

其中，步骤1.以区域内已开展排水采气工艺的气井数据(包括地质数据、工程数据、排水采气工艺类别数据、排水采气工艺实施效果数据等)为基础，采用灰色关联分析法获得影响气井排水采气工艺的特征因子；

具体的，将区域内已开展排水采气工艺的气井列为气井基本单元；

以该气井基本单元的排水采气工艺实施效果数据为灰色关联分析法的参考数列；

以该气井基本单元的地质数据、工程数据及排水采气工艺类别数据为灰色关联分析法的对比数列；

按如下灰色关联分析法模型对影响气井排水采气工艺的特征因子进行分析评价：

式中，

为对比数列；

x为特征因子；

i为气井序数；

k为特征因子序数；

x_i(k)为第i口井的第k个特征因子；

m为气井总数；

n为特征因子总数；

为参考数列；

y为排水采气工艺措施效果评定结果；

y(m)为第m口井的排水采气工艺措施效果评定结果；

y(k)为第k口井的排水采气工艺措施效果评定结果；

将上述式中的参考数列和对比数列通过归一化、求差序列、求两级最大差和两级最小差、求关系系数的处理，获得影响气井排水采气工艺的特征因子。

步骤2.按照关联度由高到低的顺序将获得的特征因子排序，去除关联度低的特征因子，优选出关联度高的特征因子，如图2所示。

步骤3.建立基于排水采气工艺有效性识别的神经网络模型，包括输入层、隐含层及输出层，如图3所示；

具体的，包括如下技术措施：

步骤①.设定神经网络模型的误差参数与迭代次数；

步骤②.对训练参数进行样本空间分析与统计，开展预测样本的空间分析与统计；

进行模式识别。

步骤4.以特征因子贡献率为目标，按步骤2中优选出的特征因子排序，在步骤3的神经网络模型中开展特征因子逐次分析，即分别逐个累计加入特征因子对步骤3中神经网络模型采用训练样本进行模型训练，并计算累计、顺次加入特征因子后训练样本的识别错误率，如图4和图5所示，优化神经网络模型；

具体的，包括如下技术措施：

步骤①.初始化神经网络模型中的权值和偏置项，分别记为：

w⁽⁰⁾，b₁ ⁽⁰⁾，v⁽⁰⁾，b₂ ⁽⁰⁾ (1)；

式中，w⁽⁰⁾为隐藏单元的权值；

b₁ ⁽⁰⁾为隐藏单元的偏置项；

v⁽⁰⁾为输出单元的权值；

b₂ ⁽⁰⁾为输出单元的偏置项；

步骤②.激活前向传播，得到各层输出和损失函数的期望值：

式中，E为期望值；

θ为参数集合；

y为真实值；

为预测值；

n为数据的输出维数；

m为数据组数；

j为第j组数；

i为第i个维数；

步骤③.根据损失函数，计算输出单元的误差项和隐藏单元的误差项；

输出单元的误差项为计算损失函数关于输出单元的梯度值或偏导数，链式法则为：

式中，

为损失函数关于输出单元的权值的梯度值；

δE为期望变化量；

δv为输出单元权值的变化量；

δnet₂为输出单元中间节点值变化量；

为预测值变化量；

为损失函数关于输出单元的偏置项的梯度值；

δb₂为输出单元偏置项的变化量；

隐藏单元的误差项为计算损失函数关于隐藏单元的梯度值或偏导数，链式法则为：

式中，

为损失函数关于隐藏单元的权值的梯度值；

δw为隐藏单元权值变化量；

δnet₁为隐藏单元中间节点值变化量；

δh为隐藏单元连接值变化量；

为损失函数关于隐藏单元的偏置项的梯度值；

δb₁为隐藏单元偏置项的变化量；

步骤④.更新神经网络模型中的权值和偏置项；

输出单元参数更新为：

隐藏单元参数更新为：

式中，v为输出单元的权值；

δv为输出单元权值的变化量；

为第k次计算后输出单元的偏置项；

η为学习率；k＝1,2，…，n为更新次数或迭代次数，k＝1为第一次更新，以此类推；

步骤⑤.重复步骤②～④，直至损失函数小于给定阈值或迭代次数用完，输出此时的参数为神经网络模型的当前最佳参数。

步骤5.去除导致训练样本识别错误率增大的特征因子(即干扰性特征因子)，将剩余特征因子组成新的样本空间，以新的样本空间为训练样本对步骤4中优化后的神经网络模型进行模型训练；

具体的，去除训练样本导致识别错误率增大的特征因子是按照如下措施实施：

选择训练样本，同时将训练样本的特征因子集作为预测样本，设前i个特征因子训练错误率为out(i)，加入第i+1个训练因子后，训练错误率为out(i+1)，设定误差阀值为δ,若out(i+1)-out(i)>δ，则第i+1个特征因子判定为剔除性特征因子；

按此循环开展各对应特征因子剔除性分析，实现预测模型的输入优化；

建立区域性气藏排水采气工艺的预测模型。

如上所述，本发明以四川地区某气藏A气井为对比，以区域内的B气井为对象进行了试验，试验结果如图6和图7所示。

针对某气藏A井的100个样本，本发明的识别错误率仅为14％，与人工分析的结果错误率(约50％)相对降低了约36％。同时，针对B气井的排水采气工艺实施效果与预测模型一致。

以上具体技术方案仅用以说明本发明，而非对其限制。尽管参照上述具体技术方案对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对上述具体技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明的精神和范围。

Claims (6)

1.一种复杂气藏排水采气工艺制度优化方法，其特征在于，所述优化方法包括下列技术措施：

步骤1.以区域内已开展排水采气工艺的气井数据为基础，采用灰色关联分析法获得影响气井排水采气工艺的特征因子；

步骤2.按关联度将获得的特征因子排序；

步骤3.建立基于排水采气工艺有效性识别的神经网络模型；

步骤4.以特征因子贡献率为目标，按步骤2中的排序在步骤3的神经网络模型中开展特征因子逐次分析，优化神经网络模型；

步骤5.去除导致训练样本识别错误率增大的特征因子；

建立区域性气藏排水采气工艺的预测模型。

2.根据权利要求1所述复杂气藏排水采气工艺制度优化方法，其特征在于，步骤1中对特征因子的获得是以气井为基本单元，以该气井的排水采气工艺实施效果数据为灰色关联分析法的参考数列，以该气井的地质数据、工程数据及排水采气工艺类别数据为灰色关联分析法的对比数列。

3.根据权利要求1所述复杂气藏排水采气工艺制度优化方法，其特征在于，步骤3中神经网络模型的建立包括如下具体的技术措施：

步骤①.设定神经网络模型的误差参数与迭代次数；

步骤②.对训练参数进行样本空间分析与统计，开展预测样本的空间分析与统计；

进行模式识别。

4.根据权利要求1所述复杂气藏排水采气工艺制度优化方法，其特征在于，步骤4中所述神经网络模型的优化包括如下具体的技术措施：

步骤①.初始化神经网络模型中的权值和偏置项，分别记为：

w⁽⁰⁾，b₁ ⁽⁰⁾，v⁽⁰⁾，b₂ ⁽⁰⁾ (1)；

步骤②.激活前向传播，得到各层输出和损失函数的期望值：

式中，θ为参数集合；

y为真实值；

为预测值；

n为数据的输出维数；

m为数据组数；

步骤③.根据损失函数，计算输出单元的误差项和隐藏单元的误差项；

输出单元的误差项为计算损失函数关于输出单元的梯度值或偏导数，链式法则为：

隐藏单元的误差项为计算损失函数关于隐藏单元的梯度值或偏导数，链式法则为：

步骤④.更新神经网络模型中的权值和偏置项；

输出单元参数更新为：

隐藏单元参数更新为：

式中，η为学习率；

k＝1,2，…，n为更新次数或迭代次数，k＝1为第一次更新，以此类推；

步骤⑤.重复步骤②～④，直至损失函数小于给定阈值或迭代次数用完，输出此时的参数为神经网络模型的当前最佳参数。

5.根据权利要求1所述复杂气藏排水采气工艺制度优化方法，其特征在于，步骤5中所述预测模型的建立是，将去除训练样本导致识别错误率增大的特征因子以后的剩余特征因子组成新的样本空间，以新的样本空间为训练样本对步骤4中优化后的神经网络模型进行模型训练而获得。

6.根据权利要求1或5所述复杂气藏排水采气工艺制度优化方法，其特征在于，步骤5中所述去除训练样本导致识别错误率增大的特征因子是按照如下技术措施实施：

选择训练样本，同时将训练样本的特征因子集作为预测样本，设前i个特征因子训练错误率为out(i)，加入第i+1个训练因子后，训练错误率为out(i+1)，设定误差阀值为δ,若out(i+1)-out(i)>δ，则第i+1个特征因子判定为剔除性特征因子；

按此循环开展各对应特征因子剔除性分析，实现预测模型的输入优化。

Images