CN115822533A - 一种底水砂岩油藏驱油方法 - Google Patents
一种底水砂岩油藏驱油方法 Download PDFInfo
- Publication number
- CN115822533A CN115822533A CN202211499156.XA CN202211499156A CN115822533A CN 115822533 A CN115822533 A CN 115822533A CN 202211499156 A CN202211499156 A CN 202211499156A CN 115822533 A CN115822533 A CN 115822533A
- Authority
- CN
- China
- Prior art keywords
- carbon dioxide
- crude oil
- oil
- output
- parameters
- 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.)
- Pending
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 18
- 238000011549 displacement method Methods 0.000 title claims abstract description 12
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims abstract description 324
- 239000010779 crude oil Substances 0.000 claims abstract description 170
- 229910002092 carbon dioxide Inorganic materials 0.000 claims abstract description 162
- 239000001569 carbon dioxide Substances 0.000 claims abstract description 162
- 239000003921 oil Substances 0.000 claims abstract description 133
- 239000002245 particle Substances 0.000 claims abstract description 129
- 238000002347 injection Methods 0.000 claims abstract description 102
- 239000007924 injection Substances 0.000 claims abstract description 102
- 238000003062 neural network model Methods 0.000 claims abstract description 65
- 238000000034 method Methods 0.000 claims abstract description 31
- 238000004364 calculation method Methods 0.000 claims abstract description 30
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 238000006073 displacement reaction Methods 0.000 claims abstract description 13
- 238000012360 testing method Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 17
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 230000035699 permeability Effects 0.000 claims description 6
- 239000011435 rock Substances 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 239000000463 material Substances 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000000547 structure data Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract description 7
- 238000004088 simulation Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 239000003208 petroleum Substances 0.000 description 3
- 238000011084 recovery Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 239000000295 fuel oil Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000008961 swelling Effects 0.000 description 1
Images
Classifications
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/70—Combining sequestration of CO2 and exploitation of hydrocarbons by injecting CO2 or carbonated water in oil wells
Abstract
本发明公开了一种底水砂岩油藏驱油方法，通过建立二氧化碳输送管道、原油输出管道、地下环境数字孪生模型；采用粒子群算法模拟二氧化碳和原油的驱油过程、采用神经网络模型方法和相似度计算方法分别获得输出油量；并通过三种算法的迭代优化获得最终的输出油量；通过调整二氧化碳注入参数获得对应的输出油量曲线，以获得最优的二氧化碳注入参数，从而提高了二氧化碳驱油预估的准确性，提高了获得二氧化碳注入参数的准确性。
Description
技术领域：
本发明属于驱油方法领域，尤其涉及一种底水砂岩油藏驱油方法。
背景技术：
我国面临着石油短缺与大量石油资源未能有效开发的突出问题，全国剩余石油资源逐步减少，而稠油油藏开采率较低，稠油油藏将是今后油田开发的重要阵地。
目前，采用二氧化碳驱油作为一项新兴技术逐步在采油场景中应用。二氧化碳驱油技术就是把二氧化碳注入油层中以提高油田采油率的技术。在二氧化碳注入至油层中时，由于二氧化碳与原油有很好的互溶性，能显著降低原油粘度，可降低到原粘度的1/10左右。原油初始粘度越高，降低后的粘度差越大，粘度降低后原油流动能力增大，提高原油产量。同时，二氧化碳注入油藏后，使原油体积大幅度膨胀，便可以增加地层的弹性能量，还有利于膨胀后的剩余油脱离地层水以及岩石表面的束缚，变成可动油，是驱油效率升高，提高原油采收率。
然而，在当前采用二氧化碳驱油场景中，针对不同的地下环境难以预估采油量，从而导致对二氧化碳的注入量、注入速度等参数缺乏指导性数据。基于此，本发明提出一种底水砂岩油藏驱油方法。
发明内容
针对目前现有的二氧化碳驱油场景中，无法对当前地下环境进行采油量的准确预估，从而导致无法有效调整二氧化碳注入参数的问题，本发明提出了一种底水砂岩油藏驱油方法，所述方法包括如下步骤：
S1.构建二氧化碳输送管道、原油输出管道、地下环境数字孪生模型；
S2.初始化二氧化碳注入参数，所述注入参数包含注入量、注入速度、注入频率；
S3.采用粒子群算法模拟二氧化碳驱油过程，并获得原油输出管道输出油量Y1；
S4.利用神经网络模型，根据二氧化碳注入参数、地下环境参数获得原油输出管道输出油量Y2；
S5.基于历史经验数据库中的采油数据，采用相似度计算的方法获得原油输出管道输出油量Y3；
S6.根据Y3与Y2的误差，优化神经网络模型，获得优化后的由神经网络模型输出的原油输出管道输出油量Y4；
S7.根据Y4和Y1计算原油输出管道输出油量Y5；
S8.调整二氧化碳注入参数，获得原油输出管道输出油量动态曲线，根据所述动态曲线获得最优二氧化碳注入参数。
其中，所述步骤S1构建二氧化碳输送管道、原油输出管道、地下环境数字孪生模型，具体包括：
S11.根据二氧化碳输送管道和原油输出管道的结构参数和材料参数，构建输送管道和原油输出管道的数字孪生模型；
S12.根据地下环境参数，构建地下环境数字孪生模型，以形成包含二氧化碳输送管道、原油输出管道、地下环境的连通数字孪生模型；
所述构建地下环境的数字孪生模型具体包括：
预先获取地下环境的三维结构数据，以及各位置点的温度参数、压力参数、原油储量、水含量、岩石结构、地质参数；
所述地质参数包括渗透率，饱和度，温度，相对渗透率，质量分数，密度，孔隙度，导热系数，岩层厚度。
所述步骤S3采用粒子群算法模拟二氧化碳驱油过程，并获得原油输出管道输出油量Y1，具体包括：
S31.根据二氧化碳输送管道的长度和二氧化碳注入速度，计算二氧化碳到达输送管道底部时刻；
S32.当二氧化碳到达管道底部时，启动粒子群算法，构建二氧化碳粒子群，并在数字孪生模型中原油位置处构建原油粒子群；
所述二氧化碳粒子群的数量根据二氧化碳注入量确定；
所述原油位置处原油粒子群中的粒子数量根据原油位置处原油储量确定；
S33.初始化二氧化碳粒子群参数，所述参数包括运动方向、运动速度；初始化原油粒子群参数，所述参数包括运动方向、运动速度、膨胀率、粘度；
S34.当二氧化碳粒子到达原油粒子群位置处时，根据当前位置处的温度参数、压力参数、二氧化碳粒子群中粒子数量、原油粒子群中粒子数量，计算原油粒子群中的每个原油粒子的膨胀率、粘度，以及剩余二氧化碳粒子群中粒子数量；
所述剩余二氧化碳粒子群中粒子数量为，在二氧化碳粒子群中与当前位置处的原油粒子群反应过后剩余的二氧化碳粒子群中的粒子数量；
S35.根据地质参数、粒子群中的每个原油粒子的膨胀率和粘度计算原油粒子群流动量；
所述原油粒子群流动量为在当前位置能够流动至原油输出管道处的原油粒子数量；
S36.在剩余二氧化碳粒子群到达下一原油粒子群位置处时，重复步骤S34-S35，获得当前位置处的原油粒子群流动量；
S37.根据地下环境各原油粒子群位置处的原油粒子群流动量，计算原油输出管道输出油量Y1。
所述步骤S4利用神经网络模型，根据二氧化碳注入参数、地下环境参数获得原油输出管道输出油量Y2，具体包括：
S41.构建神经网络模型，获取历史经验数据库中的二氧化碳注入参数、地下环境参数，以及对应的输出管道输出油量数据，并将每条二氧化碳注入参数、地下环境参数，以及对应的输出管道输出油量数据作为一个样本；从历史经验数据库中选定N条样本；
S42.从N条样本中按照7:3的比例构建训练样本和测试样本；
S43.采用步骤S42中的训练样本对神经网络模型进行训练；
所述神经网络模型的输入数据为二氧化碳注入参数和地下环境参数；
所述神经网络模型的输出数据为输出管道输出油量；
S44.采用步骤S42中的测试样本对神经网络模型进行测试；
S45.当步骤S44中测试结果与测试样本对应的实际结果的差值超过预设阈值T时，调整神经网络模型中的权重参数，并在历史经验数据库中的剩余样本中再次获取N条样本，重复执行步骤S42至S45，直至测试结果与测试样本对应的实际结果的差值小于预设阈值T，获得训练完成的神经网络模型；
S46.获取步骤S12中的地下环境参数和步骤S2中的二氧化碳注入参数，将地下环境参数和二氧化碳注入参数输入至训练完成的神经网络模型中，以得到原油输出管道输出油量Y2。
所述步骤S5基于历史经验数据库中的采油数据，采用相似度计算的方法获得原油输出管道输出油量Y3，具体包括：
S51.获取历史经验数据库中的二氧化碳注入参数、地下环境参数，以及对应的输出管道输出油量数据；并将每条二氧化碳注入参数、地下环境参数，以及对应的输出管道输出油量数据作为一个样本；
S52.获取步骤S12中的地下环境参数和步骤S2中的二氧化碳注入参数；
S53.将步骤S52中获取的二氧化碳注入参数、地下环境参数，与步骤S51中获取的每条样本的二氧化碳注入参数、地下环境参数进行相似度对比，获得相似度r，当相似度r高于预设阈值T1时，将该样本所对应的输出管道油量数据作为原油输出管道输出油量Y3。
所述步骤S53将步骤S52中获取的二氧化碳注入参数、地下环境参数，与步骤S51中获取的每条样本的二氧化碳注入参数、地下环境参数进行相似度对比，获得相似度r,具体包括：
S531.获取步骤S52中获取的二氧化碳注入参数与步骤S51中获取的每条样本的二氧化碳注入参数的相似度r1；
S532.获取步骤S52中获取的地下环境参数与步骤S51中获取的地下环境参数的相似度r2；
S533.根据相似度r1和相似度r2获得所述步骤S53中的相似度r。
所述步骤S533根据相似度r1和相似度r2获得所述步骤S53中相似度r，具体包括：
r＝λ1r1+λ2r2
其中，λ1为第一权值；λ2为第二权值。
所述步骤S6根据Y3与Y2的误差，优化神经网络模型，获得优化后的由神经网络模型输出的原油输出管道输出油量Y4，具体包括：
S61.计算Y3与Y2的误差值，当误差值大于等于预设阈值T2时，执行步骤S62至S65；当误差值小于预设阈值T2时，不执行神经网络模型优化，直接以步骤S46中获得的输出管道输出油量Y2作为原油输出管道输出油量Y4；
S62.从历史经验数据库中获取未参与训练的N条样本作为训练样本；
S63.调整神经网络模型中的权重参数，采用步骤S62中的训练样本对神经网络模型进行训练；
所述神经网络模型的输入数据为二氧化碳注入参数和地下环境参数；
所述神经网络模型的输出数据为输出管道输出油量；
S64.针对步骤S12中的地下环境参数和步骤S2中的二氧化碳注入参数输入至步骤S63中训练完成后的神经网络模型中，得到新的输出管道输出油量Y2；
S65.重复执行步骤S61至S65，直至Y2与Y3的误差值小于预设阈值T2，获得最终的神经网络模型和最终的输出管道输出油量Y4。
所述步骤S7根据Y4和Y1计算原油输出管道输出油量Y5，具体包括：
Y5＝λ3Y1+λ4Y4
其中，λ3为第三权值；λ4为第四权值。
所述步骤S8调整二氧化碳注入参数，获得原油输出管道输出油量动态曲线，根据所述动态曲线获得最优二氧化碳注入参数，具体包括：
调整二氧化碳注入参数，根据不同的二氧化碳注入参数获得不同的原油输出管道输出油量，根据在不同二氧化碳注入参数下获得的多个原油输出管道输出油量制作动态曲线，根据所述动态曲线获得最优二氧化碳注入参数。
本发明的有益效果如下：
1)本发明通过采用数字孪生模型和粒子群算法相结合的方式模拟二氧化碳驱油的过程，对输油管道的输出油量进行初步计算，使得驱油过程动态可观；同时，采用数字孪生模型最大限度地模拟地下环境，采用粒子群算法根据地下不同位置点的温度、压力、原油储量和二氧化碳数量进行油量的精细化模拟计算，而非根据二氧化碳总量以及原油总量进行粗略计算，提高了输出原油计算的准确性。
2)本发明通过构建神经网络模型，根据神经网络模型对原油输出量进行计算，并采用当前注入参数、地下环境参数与历史经验数据库中的样本数据进行相似度计算的方式计算原油输出量，将二者的误差作为调整神经网络模型的条件，使得神经网络模型实现迭代优化，进一步提高了原油输出量计算的准确性。
3)本发明通过将数字孪生模型结合粒子群算法模拟计算而得的原油输出量与经相似度计算结果优化后的神经网络模型输出获得的原油输出量进行结合计算，获得最终的原油输出量，使得计算结果更加准确，为调整二氧化碳注入参数以获得最优的采油量提供了准确的数据基础。
4)本发明通过调整二氧化碳注入参数，对原油输出量进行曲线展示，以获得最优的二氧化碳注入参数，使得运算结果更加准确。
上述说明，仅是本发明技术方案的概述，为了能够更清楚了解本发明技术手段，可依照说明书的内容予以实施，并且为了让本发明的上述说明和其它目的、特征及优点能够更明显易懂，特举较佳实施例，详细说明如下。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1为一种底水砂岩油藏驱油方法的流程图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施方式。虽然附图中显示了本公开的示例性实施方式，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
在本发明的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
本发明为解决以上技术问题所采取的技术方案是：
一种底水砂岩油藏驱油方法，所述方法包括如下步骤：
S1.构建二氧化碳输送管道、原油输出管道、地下环境数字孪生模型；
所述步骤S1构建二氧化碳输送管道、原油输出管道、地下环境数字孪生模型，具体包括：
S11.根据二氧化碳输送管道和原油输出管道的结构参数和材料参数，构建输送管道和原油输出管道的数字孪生模型；
S12.根据地下环境参数，构建地下环境数字孪生模型，以形成包含二氧化碳输送管道、原油输出管道、地下环境的连通数字孪生模型；
所述构建地下环境的数字孪生模型具体包括：
预先获取地下环境的三维结构数据，以及各位置点的温度参数、压力参数、原油储量、水含量、岩石结构、地质参数；
所述地质参数包括渗透率，饱和度，温度，相对渗透率，质量分数，密度，孔隙度，导热系数，岩层厚度。
所述数字孪生模型的构建方式采用现有常见软件；
所述二氧化碳输送管道和原油输出管道的结构参数和材料参数、地下环境的三维结构数据和各位置点的温度参数、压力参数、原油储量、水含量、岩石结构、地质参数，均为预先测量获得；
S2.初始化二氧化碳注入参数，所述注入参数包含注入量、注入速度、注入频率；
S3.采用粒子群算法模拟二氧化碳驱油过程，并获得原油输出管道输出油量Y1；
所述步骤S3采用粒子群算法模拟二氧化碳驱油过程，并获得原油输出管道输出油量Y1，具体包括：
S31.根据二氧化碳输送管道的长度和二氧化碳注入速度，计算二氧化碳到达输送管道底部时刻；
S32.当二氧化碳到达管道底部时，启动粒子群算法，构建二氧化碳粒子群，并在数字孪生模型中原油位置处构建原油粒子群；
所述二氧化碳粒子群的数量根据二氧化碳注入量确定；
所述原油位置处原油粒子群中的粒子数量根据原油位置处原油储量确定；
所述根据二氧化碳粒子群的数量根据二氧化碳注入量确定、所述原油位置处原油粒子群中的粒子数量根据原油位置处原油储量确定，具体为采用预先设置的换算计算方式计算粒子群中的粒子数量。
S33.初始化二氧化碳粒子群参数，所述参数包括运动方向、运动速度；初始化原油粒子群参数，所述参数包括运动方向、运动速度、膨胀率、粘度；
S34.当二氧化碳粒子到达原油粒子群位置处时，根据当前位置处的温度参数、压力参数、二氧化碳粒子群中粒子数量、原油粒子群中粒子数量，计算原油粒子群中的每个原油粒子的膨胀率、粘度，以及剩余二氧化碳粒子群中粒子数量；
所述原油粒子的膨胀率和粘度的计算方式采用现有技术中的方法，在此不做进一步限定。
所述剩余二氧化碳粒子群中粒子数量为，在二氧化碳粒子群中与当前位置处的原油粒子群反应过后剩余的二氧化碳粒子群中的粒子数量；
所述数字孪生模型中预先设置二氧化碳粒子与原油粒子的反应计算模型。
S35.根据地质参数、粒子群中的每个原油粒子的膨胀率和粘度计算原油粒子群流动量；
所述原油粒子群流动量为在当前位置能够流动至原油输出管道处的原油粒子数量；
所述根据地质参数、粒子群中的每个原油粒子的膨胀率和粘度计算原油粒子群流动量的计算方法采用现有技术中的方法，在此不做进一步限定。
S36.在剩余二氧化碳粒子群到达下一原油粒子群位置处时，重复步骤S34-S35，获得当前位置处的原油粒子群流动量；
S37.根据地下环境各原油粒子群位置处的原油粒子群流动量，计算原油输出管道输出油量Y1。
所述根据地下环境各原油粒子群位置处的原油粒子群流动量，计算原油输出管道输出油量，为根据预先设置的粒子群数量和油量的换算计算方式计算获得。
S4.利用神经网络模型，根据二氧化碳注入参数、地下环境参数获得原油输出管道输出油量Y2；
所述步骤S4利用神经网络模型，根据二氧化碳注入参数、地下环境参数获得原油输出管道输出油量Y2，具体包括：
S41.构建神经网络模型，获取历史经验数据库中的二氧化碳注入参数、地下环境参数，以及对应的输出管道输出油量数据，并将每条二氧化碳注入参数、地下环境参数，以及对应的输出管道输出油量数据作为一个样本；从历史经验数据库中选定N条样本；
S42.从N条样本中按照7:3的比例构建训练样本和测试样本；
S43.采用步骤S42中的训练样本对神经网络模型进行训练；
所述神经网络模型的输入数据为二氧化碳注入参数和地下环境参数；
所述神经网络模型的输出数据为输出管道输出油量；
S44.采用步骤S42中的测试样本对神经网络模型进行测试；
S45.当步骤S44中测试结果与测试样本对应的实际结果的差值超过预设阈值T时，调整神经网络模型中的权重参数，并在历史经验数据库中的剩余样本中再次获取N条样本，重复执行步骤S42至S45，直至测试结果与测试样本对应的实际结果的差值小于预设阈值T，获得训练完成的神经网络模型；
S46.获取步骤S12中的地下环境参数和步骤S2中的二氧化碳注入参数，将地下环境参数和二氧化碳注入参数输入至训练完成的神经网络模型中，以得到原油输出管道输出油量Y2。
S5.基于历史经验数据库中的采油数据，采用相似度计算的方法获得原油输出管道输出油量Y3；
所述步骤S5基于历史经验数据库中的采油数据，采用相似度计算的方法获得原油输出管道输出油量Y3，具体包括：
S51.获取历史经验数据库中的二氧化碳注入参数、地下环境参数，以及对应的输出管道输出油量数据；并将每条二氧化碳注入参数、地下环境参数，以及对应的输出管道输出油量数据作为一个样本；
S52.获取步骤S12中的地下环境参数和步骤S2中的二氧化碳注入参数；
S53.将步骤S52中获取的二氧化碳注入参数、地下环境参数，与步骤S51中获取的每条样本的二氧化碳注入参数、地下环境参数进行相似度对比，获得相似度r，当相似度r高于预设阈值T1时，将该样本所对应的输出管道油量数据作为原油输出管道输出油量Y3。
所述步骤S53将步骤S52中获取的二氧化碳注入参数、地下环境参数，与步骤S51中获取的每条样本的二氧化碳注入参数、地下环境参数进行相似度对比，获得相似度r,具体包括：
S531.获取步骤S52中获取的二氧化碳注入参数与步骤S51中获取的每条样本的二氧化碳注入参数的相似度r1；
S532.获取步骤S52中获取的地下环境参数与步骤S51中获取的地下环境参数的相似度r2；
S533.根据相似度r1和相似度r2获得所述步骤S53中的相似度r。
所述步骤S533根据相似度r1和相似度r2获得所述步骤S53中相似度r，具体包括：
r＝λ1r1+λ2r2
其中，λ1为第一权值；λ2为第二权值。
进一步地，所述第一权值和第二权值可根据经验灵活设置。
S6.根据Y3与Y2的误差，优化神经网络模型，获得优化后的由神经网络模型输出的原油输出管道输出油量Y4；
所述步骤S6根据Y3与Y2的误差，优化神经网络模型，获得优化后的由神经网络模型输出的原油输出管道输出油量Y4，具体包括：
S61.计算Y3与Y2的误差值，当误差值大于等于预设阈值T2时，执行步骤S62至S65；当误差值小于预设阈值T2时，不执行神经网络模型优化，直接以步骤S46中获得的输出管道输出油量Y2作为原油输出管道输出油量Y4；
S62.从历史经验数据库中获取未参与训练的N条样本作为训练样本；
S63.调整神经网络模型中的权重参数，采用步骤S62中的训练样本对神经网络模型进行训练；
所述神经网络模型的输入数据为二氧化碳注入参数和地下环境参数；
所述神经网络模型的输出数据为输出管道输出油量；
S64.针对步骤S12中的地下环境参数和步骤S2中的二氧化碳注入参数输入至步骤S63中训练完成后的神经网络模型中，得到新的输出管道输出油量Y2；
S65.重复执行步骤S61至S65，直至Y2与Y3的误差值小于预设阈值T2，获得最终的神经网络模型和最终的输出管道输出油量Y4。
S7.根据Y4和Y1计算原油输出管道输出油量Y5；
所述步骤S7根据Y4和Y1计算原油输出管道输出油量Y5，具体包括：
Y5＝λ3Y1+λ4Y4
其中，λ3为第三权值；λ4为第四权值。
进一步地，所述第三权值和第四权值可根据经验灵活设置。
S8.调整二氧化碳注入参数，获得原油输出管道输出油量动态曲线，根据所述动态曲线获得最优二氧化碳注入参数。
所述步骤S8具体包括：
调整二氧化碳注入参数，根据不同的二氧化碳注入参数获得不同的原油输出管道输出油量，根据在不同二氧化碳注入参数下获得的多个原油输出管道输出油量制作动态曲线，根据所述动态曲线获得最优二氧化碳注入参数。
本发明的优点在于：
1)本发明通过采用数字孪生模型和粒子群算法相结合的方式模拟二氧化碳驱油的过程，对输油管道的输出油量进行初步计算，使得驱油过程动态可观；同时，采用数字孪生模型最大限度地模拟地下环境，采用粒子群算法根据地下不同位置点的温度、压力、原油储量和二氧化碳数量进行油量的精细化模拟计算，而非根据二氧化碳总量以及原油总量进行粗略计算，提高了输出原油计算的准确性。
2)本发明通过构建神经网络模型，根据神经网络模型对原油输出量进行计算，并采用当前注入参数、地下环境参数与历史经验数据库中的样本数据进行相似度计算的方式计算原油输出量，将二者的误差作为调整神经网络模型的条件，使得神经网络模型实现迭代优化，进一步提高了原油输出量计算的准确性。
3)本发明通过将数字孪生模型结合粒子群算法模拟计算而得的原油输出量与经相似度计算结果优化后的神经网络模型输出获得的原油输出量进行结合计算，获得最终的原油输出量，使得计算结果更加准确，为调整二氧化碳注入参数以获得最优的采油量提供了准确的数据基础。
4)本发明通过调整二氧化碳注入参数，对原油输出量进行曲线展示，以获得最优的二氧化碳注入参数，使得运算结果更加准确。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (5)
1.一种底水砂岩油藏驱油方法，其特征在于，所述方法包括如下步骤：
S1.构建二氧化碳输送管道、原油输出管道、地下环境数字孪生模型；
S2.初始化二氧化碳注入参数，所述注入参数包含注入量、注入速度、注入频率；
S3.采用粒子群算法模拟二氧化碳驱油过程，并获得原油输出管道输出油量Y1；
S4.利用神经网络模型，根据二氧化碳注入参数、地下环境参数获得原油输出管道输出油量Y2；
S5.基于历史经验数据库中的采油数据，采用相似度计算的方法获得原油输出管道输出油量Y3；
S6.根据Y3与Y2的误差，优化神经网络模型，获得优化后的由神经网络模型输出的原油输出管道输出油量Y4；
S7.根据Y4和Y1计算原油输出管道输出油量Y5；
S8.调整二氧化碳注入参数，获得原油输出管道输出油量动态曲线，根据所述动态曲线获得最优二氧化碳注入参数。
2.根据权利要求1所述的底水砂岩油藏驱油方法，其特征在于：所述步骤S1构建二氧化碳输送管道、原油输出管道、地下环境数字孪生模型，具体包括：
S11.根据二氧化碳输送管道和原油输出管道的结构参数和材料参数，构建输送管道和原油输出管道的数字孪生模型；
S12.根据地下环境参数，构建地下环境数字孪生模型，以形成包含二氧化碳输送管道、原油输出管道、地下环境的连通数字孪生模型；
所述构建地下环境的数字孪生模型具体包括：
预先获取地下环境的三维结构数据，以及各位置点的温度参数、压力参数、原油储量、水含量、岩石结构、地质参数；
所述地质参数包括渗透率，饱和度，温度，相对渗透率，质量分数，密度，孔隙度，导热系数，岩层厚度。
3.根据权利要求2所述的底水砂岩油藏驱油方法，其特征在于，所述步骤S3采用粒子群算法模拟二氧化碳驱油过程，并获得原油输出管道输出油量Y1，具体包括：
S31.根据二氧化碳输送管道的长度和二氧化碳注入速度，计算二氧化碳到达输送管道底部时刻；
S32.当二氧化碳到达管道底部时，启动粒子群算法，构建二氧化碳粒子群，并在数字孪生模型中原油位置处构建原油粒子群；
所述二氧化碳粒子群的数量根据二氧化碳注入量确定；
所述原油位置处原油粒子群中的粒子数量根据原油位置处原油储量确定；
S33.初始化二氧化碳粒子群参数，所述参数包括运动方向、运动速度；初始化原油粒子群参数，所述参数包括运动方向、运动速度、膨胀率、粘度；
S34.当二氧化碳粒子到达原油粒子群位置处时，根据当前位置处的温度参数、压力参数、二氧化碳粒子群中粒子数量、原油粒子群中粒子数量，计算原油粒子群中的每个原油粒子的膨胀率、粘度，以及剩余二氧化碳粒子群中粒子数量；
所述剩余二氧化碳粒子群中粒子数量为，在二氧化碳粒子群中与当前位置处的原油粒子群反应过后剩余的二氧化碳粒子群中的粒子数量；
S35.根据地质参数、粒子群中的每个原油粒子的膨胀率和粘度计算原油粒子群流动量；
所述原油粒子群流动量为在当前位置能够流动至原油输出管道处的原油粒子数量；
S36.在剩余二氧化碳粒子群到达下一原油粒子群位置处时，重复步骤S34-S35，获得当前位置处的原油粒子群流动量；
S37.根据地下环境各原油粒子群位置处的原油粒子群流动量，计算原油输出管道输出油量Y1。
4.根据权利要求3所述的底水砂岩油藏驱油方法，其特征在于，所述步骤S4利用神经网络模型，根据二氧化碳注入参数、地下环境参数获得原油输出管道输出油量Y2，具体包括：
S41.构建神经网络模型，获取历史经验数据库中的二氧化碳注入参数、地下环境参数，以及对应的输出管道输出油量数据，并将每条二氧化碳注入参数、地下环境参数，以及对应的输出管道输出油量数据作为一个样本；从历史经验数据库中选定N条样本；
S42.从N条样本中按照7:3的比例构建训练样本和测试样本；
S43.采用步骤S42中的训练样本对神经网络模型进行训练；
所述神经网络模型的输入数据为二氧化碳注入参数和地下环境参数；
所述神经网络模型的输出数据为输出管道输出油量；
S44.采用步骤S42中的测试样本对神经网络模型进行测试；
S45.当步骤S44中测试结果与测试样本对应的实际结果的差值超过预设阈值T时，调整神经网络模型中的权重参数，并在历史经验数据库中的剩余样本中再次获取N条样本，重复执行步骤S42至S45，直至测试结果与测试样本对应的实际结果的差值小于预设阈值T，获得训练完成的神经网络模型；
S46.获取步骤S12中的地下环境参数和步骤S2中的二氧化碳注入参数，将地下环境参数和二氧化碳注入参数输入至训练完成的神经网络模型中，以得到原油输出管道输出油量Y2。
5.根据权利要求4所述的底水砂岩油藏驱油方法，其特征在于，所述步骤S5基于历史经验数据库中的采油数据，采用相似度计算的方法获得原油输出管道输出油量Y3，具体包括：
S51.获取历史经验数据库中的二氧化碳注入参数、地下环境参数，以及对应的输出管道输出油量数据；并将每条二氧化碳注入参数、地下环境参数，以及对应的输出管道输出油量数据作为一个样本；
S52.获取步骤S12中的地下环境参数和步骤S2中的二氧化碳注入参数；
S53.将步骤S52中获取的二氧化碳注入参数、地下环境参数，与步骤S51中获取的每条样本的二氧化碳注入参数、地下环境参数进行相似度对比，获得相似度r，当相似度r高于预设阈值T1时，将该样本所对应的输出管道油量数据作为原油输出管道输出油量Y3。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211499156.XA CN115822533A (zh) | 2022-11-28 | 2022-11-28 | 一种底水砂岩油藏驱油方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211499156.XA CN115822533A (zh) | 2022-11-28 | 2022-11-28 | 一种底水砂岩油藏驱油方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115822533A true CN115822533A (zh) | 2023-03-21 |
Family
ID=85532054
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211499156.XA Pending CN115822533A (zh) | 2022-11-28 | 2022-11-28 | 一种底水砂岩油藏驱油方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115822533A (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102606120A (zh) * | 2012-01-12 | 2012-07-25 | 倪红梅 | 基于随机扰动粒子群算法的蒸汽驱注采方案确定方法 |
| KR20200084447A (ko) * | 2018-12-26 | 2020-07-13 | 전남대학교산학협력단 | 인공신경망 기반 셰일가스 저류층의 유정완결법 및 수압파쇄액 선정 시스템 및 선정방법 |
| CN111749658A (zh) * | 2019-03-29 | 2020-10-09 | 中国石油天然气股份有限公司 | 二氧化碳吞吐采油方法及装置 |
| CN112145137A (zh) * | 2020-11-10 | 2020-12-29 | 西南石油大学 | 一种利用数值模拟优化co2吞吐周期注入量的方法 |
| CN113592194A (zh) * | 2021-08-23 | 2021-11-02 | 北京科技大学 | 建立co2吞吐效果预测模型的方法以及co2吞吐效果评价方法 |
| CN113947198A (zh) * | 2021-12-21 | 2022-01-18 | 西南石油大学 | 一种基于非线性自回归神经网络模型的测井曲线重构方法 |
| CN114239288A (zh) * | 2021-12-20 | 2022-03-25 | 国家石油天然气管网集团有限公司 | 构建管道数字孪生体的方法、装置、存储介质及处理器 |
| CN114239349A (zh) * | 2021-12-02 | 2022-03-25 | 中国科学院沈阳自动化研究所 | 基于增强现实的舱段不可测装配质量检测方法 |
| US20220205354A1 (en) * | 2020-12-29 | 2022-06-30 | Landmark Graphics Corporation | Estimating Reservoir Production Rates Using Machine Learning Models for Wellbore Operation Control |
-
2022
- 2022-11-28 CN CN202211499156.XA patent/CN115822533A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102606120A (zh) * | 2012-01-12 | 2012-07-25 | 倪红梅 | 基于随机扰动粒子群算法的蒸汽驱注采方案确定方法 |
| KR20200084447A (ko) * | 2018-12-26 | 2020-07-13 | 전남대학교산학협력단 | 인공신경망 기반 셰일가스 저류층의 유정완결법 및 수압파쇄액 선정 시스템 및 선정방법 |
| CN111749658A (zh) * | 2019-03-29 | 2020-10-09 | 中国石油天然气股份有限公司 | 二氧化碳吞吐采油方法及装置 |
| CN112145137A (zh) * | 2020-11-10 | 2020-12-29 | 西南石油大学 | 一种利用数值模拟优化co2吞吐周期注入量的方法 |
| US20220205354A1 (en) * | 2020-12-29 | 2022-06-30 | Landmark Graphics Corporation | Estimating Reservoir Production Rates Using Machine Learning Models for Wellbore Operation Control |
| CN113592194A (zh) * | 2021-08-23 | 2021-11-02 | 北京科技大学 | 建立co2吞吐效果预测模型的方法以及co2吞吐效果评价方法 |
| CN114239349A (zh) * | 2021-12-02 | 2022-03-25 | 中国科学院沈阳自动化研究所 | 基于增强现实的舱段不可测装配质量检测方法 |
| CN114239288A (zh) * | 2021-12-20 | 2022-03-25 | 国家石油天然气管网集团有限公司 | 构建管道数字孪生体的方法、装置、存储介质及处理器 |
| CN113947198A (zh) * | 2021-12-21 | 2022-01-18 | 西南石油大学 | 一种基于非线性自回归神经网络模型的测井曲线重构方法 |
Non-Patent Citations (1)
| Title |
|---|
| 丁帅伟等: "基于粒子群算法的低渗油藏CO2驱油与封存自动优化", 中国石油大学学报(自然科学版), vol. 46, no. 4, 20 August 2022 (2022-08-20), pages 109 - 115 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105224704B (zh) | 一种海底不稳定性的评价方法 | |
| CN104750896B (zh) | 一种缝洞型碳酸盐岩油藏数值模拟方法 | |
| CN110334431A (zh) | 一种低渗透致密气藏单井控制储量计算及剩余气分析方法 | |
| CN112257140A (zh) | 一种海底边坡稳定性的安全系数计算方法 | |
| CN104615862A (zh) | 基于进化算法的高含水油田确定井位的方法 | |
| CN113790044B (zh) | 一种多机制复合构成超压地层孔隙压力的评价方法 | |
| CN112016212B (zh) | 一种基于渗流控制方程的储层纵向非均质性评价方法 | |
| CN105386751A (zh) | 一种基于油藏渗流模型的水平井测井产能预测方法 | |
| CN111706317B (zh) | 一种确定加密调整区低渗储层剩余油分布状况的方法 | |
| CN105138731A (zh) | 一种水合物分解引起海底斜坡不稳定性评价系统及方法 | |
| CN115587674A (zh) | 油藏改建储气库扩容达产过程气井动态产能预测方法 | |
| CN106640021A (zh) | 压后放喷参数的计算方法及装置 | |
| CN113792479A (zh) | 一种基于物理约束的煤层气藏压裂效果评价方法 | |
| CN109583113B (zh) | 一种岩石地层压实系数和有效孔隙体积压缩系数计算方法 | |
| CN114638401A (zh) | 一种基于历史及预测油藏知识的剩余油分布预测方法及装置 | |
| CN111861129B (zh) | 一种基于多尺度油藏模型的多保真注采优化方法 | |
| CN111706318B (zh) | 一种确定低渗储层剩余油分布状况的方法 | |
| CN115822533A (zh) | 一种底水砂岩油藏驱油方法 | |
| CN112364543A (zh) | 基于软塑黄土隧道双排式群井降水模型的渗流模拟方法 | |
| CN114998537A (zh) | 三维地质建模方法 | |
| CN108562944A (zh) | 一种基于电成像孔隙度谱的孔隙结构参数计算方法 | |
| CN111625925B (zh) | 一种基于色谱分离的三元复合驱注采优化方法 | |
| CN112001055B (zh) | 一种基于微构造的低幅稀油油藏含水率预测方法 | |
| CN114429085A (zh) | 一种用于分析缝洞型油藏流体势的方法及系统 | |
| CN112907698A (zh) | 一种动态融合时序与非时序特征的测井曲线生成方法 |
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 |