CN113338916A - 一种井筒积液预测与诊断方法 - Google Patents

Abstract

本发明公开了一种井筒积液预测与诊断方法，包括以下步骤：判断井筒是否开始积液，若开始积液则通过以下步骤计算井筒积液液位：S1：获取目标井筒每天的油套环空液面；S2：获取油套连通点处压力；S3：假设油管中液位为H₀，以所述油套连通点处压力为边界条件，根据油管液位以上气柱压力梯度模型、油管液位以下两相流压力梯度模型和压力平衡模型，得到井口油压的计算值；S4：利用黄金分割法，判断井口油压的计算值与真实值之间的差值是否小于1：若小于1，则假设的液位H₀即为井筒积液液位；若大于等于1，则返回步骤S3，重新假设油管中液位，直至所述差值小于1。本发明能准确获得井筒积液液位，为采取适当的措施避免积液影响产量提供技术支撑。

Description

一种井筒积液预测与诊断方法

技术领域

本发明涉及油气开发技术领域，特别涉及一种井筒积液预测与诊断方法。

背景技术

井简积液现象在气藏开发中较为普遍。由于浅层气藏产液量普遍较小，积液的形成相对较为缓慢，气井正常生产中较难察觉。由于井简积液容易对近井地带及储层造成伤害，严重影响气井产量，因此井简积液状况的准确判断，直接影响产水气藏的开发效果。

气井正常生产时的流态为雾状流，液体以液滴的形式由气体携带到地面。但当气井产量较小时，将不能提供足够的能量使井简中的液体连续流出井口，液体将与气流呈反方向流动，并积存于井底，形成积液，对产层形成回压，回压的增加将大大影响气井的产量。随着产气量下降，气井的排液能力降低，造成进一步的积液和产量下降，形成恶性循环。因此，及时诊断井筒积液是否存在并采取适当的措施，对气井正常生产具有重要意义。

发明内容

针对上述问题，本发明旨在提供一种井筒积液预测与诊断方法。

本发明的技术方案如下：

一种井筒积液预测与诊断方法，通过理论计算法和/或生产实践法判断井筒是否开始积液，若开始积液则通过以下步骤计算井筒积液液位：

S1：收集已知的油套环空液面，通过数值拟合分析获得油套环空液面与时间的关系函数，并根据所述关系函数获取目标井筒每天的油套环空液面；

S2：以井口套压为边界条件，根据油套环空液面以上气柱压力梯度模型、油套环空液面以下液柱压力梯度模型、以及油套环空温度场模型，采用欧拉法，从上向下逐级计算环空液面以上静气柱压差以及环空液面以下的静液柱压差，得到油套连通点处压力；

S3：假设油管中液位为H₀，以所述油套连通点处压力为边界条件，根据油管液位以上气柱压力梯度模型、油管液位以下两相流压力梯度模型和压力平衡模型，采用向前欧拉法，从下向上逐级计算液位H₀以下两相流压差与液位H₀以上流动气柱压差，得到井口油压的计算值；

S4：利用黄金分割法，判断井口油压的计算值与真实值之间的差值是否小于1：

若小于1，则假设的液位H₀即为井筒积液液位；

若大于等于1，则返回步骤S3，重新假设油管中液位，直至所述差值小于1。

作为优选，所述油套环空液面以上气柱压力梯度模型为：

式中：dp(h,t)/dL为第t天沿井深h方向的压力梯度，Pa/m；ρ_g为气相密度，kg/m³；g为重力加速度，m/s²；θ为油管与水平方向夹角，°；H_c为油套环空液面，m；

所述油套环空液面以下液柱压力梯度模型为：

式中：ρ_L为液相密度，kg/m³；H为油管下深，m；

所述油套环空温度场模型为：

T_c(h,t)＝T_o(h,t)＝T_o(0,t)+g_T sinθ (3)

式中：T_c(h,t)为第t天井深h处油套环空的温度，K；T₀(h,t)为第t天井深h处油管的温度，K；T₀(0,t)为第t天井口温度，K；g_T为沿垂深方向的温度梯度，K/m。

作为优选，所述油管液位以上气柱压力梯度模型为：

式中：dp(h,t)/dL为第t天沿井深h方向的压力梯度，Pa/m；ρ_g为气相密度，kg/m³；g为重力加速度，m/s²；θ为油管与水平方向夹角，°；f_g为气体与管壁的摩阻系数，无因次；ν_g为气相表观流速，m/s；d为油管内径，m；H_o为假设的油管液位，m；

所述油管液位以下两相流压力梯度模型为：

式中：ρ_m为气液混合密度，kg/m³；f_m为气液混合物与管壁的摩阻系数，无因次；ν_L为液相表观流速，m/s；H为油管下深，m；

所述压力平衡模型为：

p_w＝p_o(0,t)+Δp_ul+Δp_bl＝p_c(0,t)+Δp_u2+Δp_b2 (6)

式中：p_w为油管与油套环空连通点处压力，MPa；p₀(0,t)为第t天井口油压，0≤t≤a，MPa；a为开井生产天数，d；Δp_u1为油管液位以上流动气柱压差，MPa；Δp_b1为油管液位以下两相流压差，MPa；p_c(0,t)为第t天井口套压，0≤t≤a，MPa；Δp_u2为油套环空液面以上静气柱压差，MPa；Δp_b2为油套环空液面以下静液柱压差，MPa。

作为优选，采用携液临界流量法判断所述井筒是否开始积液，所述携液临界流量法具体包括以下子步骤：

建立产量预测模型，并根据所述产量预测模型预测目标井的产气量；

计算所述目标井的携液临界流量；

将所述产气量与所述携液临界流量进行比较：

当所述产气量小于所述携液临界流量时，气井开始积液。

作为优选，建立所述产量预测模型包括以下子步骤：

提取目标井所在区块各气井的特征向量，所述特征向量包括地质特征向量、压裂特征向量、以及排采特征向量；

以所述目标井的地质特征向量为聚类中心，通过近邻传播算法筛选相似井群，获得所述产量预测模型的构建数据样本集合；

根据所述排采特征向量的时间序列特性，建立基于长短时记忆网络的产量预测模型。

作为优选，提取所述特征向量时，采用卷积自编码器融合空间金字塔池化的网络结构进行提取。

本发明的有益效果是：

本发明根据所述油套环空液面与时间的关系函数、油套环空液面以上气柱压力梯度模型、油套环空液面以下液柱压力梯度模型、油套环空温度场模型、油管液位以上气柱压力梯度模型、油管液位以下两相流压力梯度模型、以及压力平衡模型，能够快速准确地计算得到任意时间的井筒积液液面，为排水采气提供技术支撑。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明卷积自编码器融合空间金字塔池化的网络结构的示意图；

图2为一个具体实施例中14#井的产量预测结果示意图；

图3为一个具体实施例中20#井的产量预测结果示意图；

图4为一个具体实施例中34#井的产量预测结果示意图；

图5为一个具体实施例中52#井的产量预测结果示意图；

图6为一个具体实施例中14#井预测产量与携液临界流量对比结果示意图；

图7为一个具体实施例中20#井预测产量与携液临界流量对比结果示意图；

图8为一个具体实施例中34#井预测产量与携液临界流量对比结果示意图；

图9为一个具体实施例中52#井预测产量与携液临界流量对比结果示意图；

图10为一个具体实施例中14#井积液计算结果示意图；

图11为一个具体实施例中20#井积液计算结果示意图；

图12为一个具体实施例中34#井积液计算结果示意图；

图13为一个具体实施例中52#井积液计算结果示意图。

具体实施方式

下面结合附图和实施例对本发明进一步说明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的技术特征可以相互结合。需要指出的是，除非另有指明，本申请使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。本发明公开使用的“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。

本发明提供一种井筒积液预测与诊断方法，通过理论计算法(携液临界流量法、软件计算法等)和/或生产实践法(关井油套压差法、采气动态曲线法、流压梯度测试法、回声仪测试法等)判断井筒是否开始积液；当所述井筒开始积液时，通过以下步骤计算井筒积液液位：

S1：收集已知的油套环空液面，通过数值拟合分析获得油套环空液面与时间的关系函数，并根据所述关系函数获取目标井筒每天的油套环空液面；

S2：以井口套压为边界条件，根据油套环空液面以上气柱压力梯度模型、油套环空液面以下液柱压力梯度模型、以及油套环空温度场模型，采用欧拉法，从上向下逐级计算环空液面以上静气柱压差以及环空液面以下的静液柱压差，得到油套连通点处压力；

(1)所述油套环空液面以上气柱压力梯度模型为：

式中：dp(h,t)/dL为第t天沿井深h方向的压力梯度，Pa/m；ρ_g为气相密度，kg/m³；g为重力加速度，m/s²；θ为油管与水平方向夹角，°；H_c为油套环空液面，m；

(2)所述油套环空液面以下液柱压力梯度模型为：

式中：ρ_L为液相密度，kg/m³；H为油管下深，m；

(3)所述油套环空温度场模型为：

T_c(h,t)＝T_o(h,t)＝T_o(0,t)+g_T sinθ (3)

式中：T_c(h,t)为第t天井深h处油套环空的温度，K；T₀(h,t)为第t天井深h处油管的温度，K；T₀(0,t)为第t天井口温度，K；g_T为沿垂深方向的温度梯度，K/m。

S3：假设油管中液位为H₀，以所述油套连通点处压力为边界条件，根据油管液位以上气柱压力梯度模型、油管液位以下两相流压力梯度模型和压力平衡模型，采用向前欧拉法，从下向上逐级计算液位H₀以下两相流压差与液位H₀以上流动气柱压差，得到井口油压的计算值；

(1)所述油管液位以上气柱压力梯度模型为：

式中：dp(h,t)/dL为第t天沿井深h方向的压力梯度，Pa/m；ρ_g为气相密度，kg/m³；g为重力加速度，m/s²；θ为油管与水平方向夹角，°；f_g为气体与管壁的摩阻系数，无因次；ν_g为气相表观流速，m/s；d为油管内径，m；H_o为假设的油管液位，m；

所述气相表观流速通过下式进行计算：

式中：q_sc为气井日产气量，m³/d；B_g为天然气体积系数，无因次，B_g＝ZT(h,t)/p(h,t)；t_s为开井时间，s；

所述气相密度通过下式进行计算：

式中：M_g为天然气的相对分子质量，无因次；p₀(h,t)为第t天油管h处的压力，0≤h≤H，MPa；Z为气相偏差系数，无因次；T₀(h,t)为第t天油管h处的温度，0≤h≤H，K；

所述气相偏差系数通过下式进行计算：

式中：p为气体的绝对工作压力，MPa；p_ci为临界压力，MPa；T为气体的绝对工作温度，K；T_ci为临界温度，K；

所述气体与管壁的摩阻系数通过下式进行计算：

μ_g＝10^-4Kexp(Xρ′_g ^Y) (13)

X＝3.448+986/(1.8T)+0.01M_g (15)

Y＝2.447-0.224X (16)

式中：ε为油管绝对粗糙度，m；Re_g为气相雷诺数，无因次；μ_g为气相黏度，Pa·s；ρ'_g为天然气在一定压力p和温度T条件下的密度，g/cm³；T为地层温度，K；M_g为天然气的相对分子质量，无因次；

(2)所述油管液位以下两相流压力梯度模型为：

式中：ρ_m为气液混合密度，kg/m³；f_m为气液混合物与管壁的摩阻系数，无因次；ν_L为液相表观流速，m/s；H为油管下深，m；

所述气液混合密度通过下式进行计算：

ρ_m＝ρ_g(1-H_L)+ρ_LH_L (17)

式中：H_L为油管截面持液率，无因次；C₀为速度分布系数，取1.2；ν_D为气相漂移速度，用来反应气液间的滑脱效应，m/s；

(3)所述压力平衡模型为：

p_w＝p_o(0,t)+Δp_ul+Δp_bl＝p_c(0,t)+Δp_u2+Δp_b2 (6)

式中：p_w为油管与油套环空连通点处压力，MPa；p₀(0,t)为第t天井口油压，0≤t≤a，MPa；a为开井生产天数，d；Δp_u1为油管液位以上流动气柱压差，MPa；Δp_b1为油管液位以下两相流压差，MPa；p_c(0,t)为第t天井口套压，0≤t≤a，MPa；Δp_u2为油套环空液面以上静气柱压差，MPa；Δp_b2为油套环空液面以下静液柱压差，MPa。

S4：利用黄金分割法，判断井口油压的计算值与真实值之间的差值是否小于1：

若小于1，则假设的液位H₀即为井筒积液液位；

若大于等于1，则返回步骤S3，重新假设油管中液位，直至所述差值小于1。

在一个具体的实施例中，采用携液临界流量法判断所述井筒是否开始积液，所述携液临界流量法具体包括以下子步骤：

(1)通过整合目标井所在区块各气井的特征向量，所述特征向量包括地质特征向量、压裂特征向量、以及排采特征向量；以所述目标井的地质特征向量为聚类中心，通过近邻传播算法筛选相似井群，获得所述产量预测模型的构建数据样本集合；根据所述排采特征向量的时间序列特性，建立基于长短时记忆网络的产量预测模型。

(2)根据所述产量预测模型预测目标井的产气量。

(3)计算所述目标井的携液临界流量。

(4)将所述产气量与所述携液临界流量进行比较：当所述产气量小于所述携液临界流量时，气井开始积液。

在一个具体的实施例中，步骤(1)的具体步骤如下：提取目标井W_x所在区块各气井的地质特征向量，所述目标井的地质特征向量为V_x，V_x与其他气井的地质特征向量共同构成数据集D_N；由此计算获得建立目标井W_x的产量预测模型的训练样本D_B：

(a)根据相似度矩阵计算方法，得到数据集D_N的相似度矩阵S＝{s(i,k)}；

(b)基于近邻传播算法计算以V_x为聚类中心的聚类结果，聚类得到与V_x为同类别的地质特征向量，并得到每个地质特征向量所对应的井号，记相同类别的气井个数为B；

(c)与V_x为同类别的每一口井都有地质数据、压裂数据和排采数据，由此提取得到每口井的地质特征向量、压裂特征向量、以及排采特征向量，三个向量共同组成气井的特征向量；其中每口井排采特征向量中的每个参数都是随时间变化的时间序列，每口井的地质特征向量和压裂特征向量不随排采过程发生变化，所以，同一口井的特征数据中，每个时刻的排采特征对应相同的地质特征与压裂特征，每一口井具有一个由特征向量构成的时间序列，通过构建多序列的长短时记忆网络模型解决目标井产量预测的问题。

训练样本的时间序列个数的增加对气井特征参数的个数和预测参数的个数并无影响，因此，与单个时间序列的长短时记忆网络预测模型一样，输入参数的大小等于特征参数个数为I，输出参数的大小等于预测参数个数为O。多个时间序列可以按照时间窗口进行切片划分，划分后再分批次训练，B个样本井的时间序列长度记为L_b(b＝1,2,……,B)，以此获得数据样本的批次大小batch_size为：

式中：B为与目标井同类的气井个数；L_b为第b个气井的时间序列长度；T为时间窗口大小；A为每次滑动移动的长度称为滑动步长；

(d)根据步骤(c)中的batch_size、T、inputsize的大小定义一个长短时记忆网络细胞，初始化细胞状态，再结合outputsize的大小定义整个长短时记忆网络结构，进行网络的正向计算。

(e)采用BPTT算法对步骤(d)中的长短时记忆网络进行反向传播计算：目标函数选为T个时刻的平方误差；采用梯度下降法对长短时记忆网络进行反向传播，优化其权值和偏置。

(f)基于上述步骤训练得到的多序列长短时记忆网络模型即为所述基于长短时记忆网络的产量预测模型；输入目标井的多个输入参数的时间序列，即可得到日产气量预测曲线。

在一个具体的实施例中，提取所述特征向量时，采用卷积自编码器融合空间金字塔池化的网络结构进行提取。所述卷积自编码器融合空间金字塔池化的网络结构如图1所示，由输入层、卷积层、池化层、全连接层、反卷积层、上采样层、空间金字塔池化层和特征输出层共同组成。

上述实施例的特征向量提取方法，一方面，可以为多个来源的数据提取特征向量；当输入层输入的是地质数据矩阵时，该网络将提取出地质数据的特征向量；当输入层输入的是压裂数据矩阵时，该网络将提取出压裂数据的特征向量；当输入层输入的是排采数据矩阵时，该网络将提取出排采数据的特征向量。另一方面，可以解决同源多尺度矩阵的特征提取问题，当数据来源相同时，例如来源于地质环节，金字塔池化半径的设置方法相同，则特征输出层的维度相同。

在一个具体的实施例中，采用上述实施例的产量预测模型预测致密气目标井产量，使用的地质参数包括煤层厚度、电阻率、密度、声波时差、孔隙度、以及含气饱和度，压裂特征包括排量、压裂液总量、前置液量、携砂液量、以及加砂量，排采特征包括冲次。各目标井的产量预测结果如表1所示，其中部分预测结果与真实结果对比如图2-5所示。从表1和图2-5可以看出，上述实施例的产量预测模型预测目标井产量与真实值吻合，结果精度高，平均符合率达到了85.44％，其中有9口井的符合率超过了90％。

表1随机目标井的产量预测结果

根据上述产量预测结果，与携液临界流量进行对比，部分结果如图6-9所示，判断井筒开始积液，采用本发明上述的积液计算方法进行积液液位计算，部分计算结果如图10-13所示，部分计算积液液面与真实积液液面对比结果如表2所示：

表2部分井积液液面符合率

从图10-13和表2可以看出，对测得的积液液面与计算出的积液液面进行对比，平均符合率达到了86.98％，本发明的积液预测与诊断方法结果精确，能够为排水采气等提供技术支撑，与现有技术相比具有显著的进步。

以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。

Claims (6)

1.一种井筒积液预测与诊断方法，其特征在于，通过理论计算法和/或生产实践法判断井筒是否开始积液，若开始积液则通过以下步骤计算井筒积液液位：

S1：收集已知的油套环空液面，通过数值拟合分析获得油套环空液面与时间的关系函数，并根据所述关系函数获取目标井筒每天的油套环空液面；

S2：以井口套压为边界条件，根据油套环空液面以上气柱压力梯度模型、油套环空液面以下液柱压力梯度模型、以及油套环空温度场模型，采用欧拉法，从上向下逐级计算环空液面以上静气柱压差以及环空液面以下的静液柱压差，得到油套连通点处压力；

S3：假设油管中液位为H₀，以所述油套连通点处压力为边界条件，根据油管液位以上气柱压力梯度模型、油管液位以下两相流压力梯度模型和压力平衡模型，采用向前欧拉法，从下向上逐级计算液位H₀以下两相流压差与液位H₀以上流动气柱压差，得到井口油压的计算值；

S4：利用黄金分割法，判断井口油压的计算值与真实值之间的差值是否小于1：

若小于1，则假设的液位H₀即为井筒积液液位；

若大于等于1，则返回步骤S3，重新假设油管中液位，直至所述差值小于1。

2.根据权利要求1所述的井筒积液预测与诊断，其特征在于，所述油套环空液面以上气柱压力梯度模型为：

式中：dp(h,t)/dL为第t天沿井深h方向的压力梯度，Pa/m；ρ_g为气相密度，kg/m³；g为重力加速度，m/s²；θ为油管与水平方向夹角，°；H_c为油套环空液面，m；

所述油套环空液面以下液柱压力梯度模型为：

式中：ρ_L为液相密度，kg/m³；H为油管下深，m；

所述油套环空温度场模型为：

T_c(h,t)＝T_o(h,t)＝T_o(0,t)+g_T sinθ (3)

式中：T_c(h,t)为第t天井深h处油套环空的温度，K；T₀(h,t)为第t天井深h处油管的温度，K；T₀(0,t)为第t天井口温度，K；g_T为沿垂深方向的温度梯度，K/m。

3.根据权利要求1所述的井筒积液预测与诊断，其特征在于，所述油管液位以上气柱压力梯度模型为：

式中：dp(h,t)/dL为第t天沿井深h方向的压力梯度，Pa/m；ρ_g为气相密度，kg/m³；g为重力加速度，m/s²；θ为油管与水平方向夹角，°；f_g为气体与管壁的摩阻系数，无因次；ν_g为气相表观流速，m/s；d为油管内径，m；H_o为假设的油管液位，m；

所述油管液位以下两相流压力梯度模型为：

式中：ρ_m为气液混合密度，kg/m³；f_m为气液混合物与管壁的摩阻系数，无因次；ν_L为液相表观流速，m/s；H为油管下深，m；

所述压力平衡模型为：

p_w＝p_o(0,t)+Δp_ul+Δp_bl＝p_c(0,t)+Δp_u2+Δp_b2 (6)

式中：p_w为油管与油套环空连通点处压力，MPa；p₀(0,t)为第t天井口油压，0≤t≤a，MPa；a为开井生产天数，d；Δp_u1为油管液位以上流动气柱压差，MPa；Δp_b1为油管液位以下两相流压差，MPa；p_c(0,t)为第t天井口套压，0≤t≤a，MPa；Δp_u2为油套环空液面以上静气柱压差，MPa；Δp_b2为油套环空液面以下静液柱压差，MPa。

4.根据权利要求1-3中任意一项所述的井筒积液预测与诊断方法，其特征在于，采用携液临界流量法判断所述井筒是否开始积液，所述携液临界流量法具体包括以下子步骤：

建立产量预测模型，并根据所述产量预测模型预测目标井的产气量；

计算所述目标井的携液临界流量；

将所述产气量与所述携液临界流量进行比较：

当所述产气量小于所述携液临界流量时，气井开始积液。

5.根据权利要求4所述的井筒积液预测与诊断方法，其特征在于，建立所述产量预测模型包括以下子步骤：

提取目标井所在区块各气井的特征向量，所述特征向量包括地质特征向量、压裂特征向量、以及排采特征向量；

以所述目标井的地质特征向量为聚类中心，通过近邻传播算法筛选相似井群，获得所述产量预测模型的构建数据样本集合；

根据所述排采特征向量的时间序列特性，建立基于长短时记忆网络的产量预测模型。

6.根据权利要求5所述的井筒积液预测与诊断方法，其特征在于，提取所述特征向量时，采用卷积自编码器融合空间金字塔池化的网络结构进行提取。

Images