CN116579095A - 一种基于多目标交互的co2回注策略优化评价方法 - Google Patents
一种基于多目标交互的co2回注策略优化评价方法 Download PDFInfo
- Publication number
- CN116579095A CN116579095A CN202310390617.8A CN202310390617A CN116579095A CN 116579095 A CN116579095 A CN 116579095A CN 202310390617 A CN202310390617 A CN 202310390617A CN 116579095 A CN116579095 A CN 116579095A
- Authority
- CN
- China
- Prior art keywords
- injection
- production
- reinjection
- model
- oil
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 92
- 230000003993 interaction Effects 0.000 title claims abstract description 17
- 238000011156 evaluation Methods 0.000 title claims description 27
- 238000002347 injection Methods 0.000 claims abstract description 169
- 239000007924 injection Substances 0.000 claims abstract description 169
- 238000004519 manufacturing process Methods 0.000 claims abstract description 150
- 238000011161 development Methods 0.000 claims abstract description 88
- 238000000034 method Methods 0.000 claims abstract description 76
- 230000000694 effects Effects 0.000 claims abstract description 55
- 238000004088 simulation Methods 0.000 claims abstract description 47
- 230000008569 process Effects 0.000 claims abstract description 45
- 230000008859 change Effects 0.000 claims abstract description 36
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 30
- 238000006073 displacement reaction Methods 0.000 claims abstract description 29
- 239000003795 chemical substances by application Substances 0.000 claims abstract description 24
- 238000013461 design Methods 0.000 claims abstract description 22
- 230000008878 coupling Effects 0.000 claims abstract description 13
- 238000010168 coupling process Methods 0.000 claims abstract description 13
- 238000005859 coupling reaction Methods 0.000 claims abstract description 13
- 238000004458 analytical method Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 48
- 230000006870 function Effects 0.000 claims description 43
- 238000012843 least square support vector machine Methods 0.000 claims description 41
- 239000000243 solution Substances 0.000 claims description 27
- 230000001502 supplementing effect Effects 0.000 claims description 27
- 230000001186 cumulative effect Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 238000013178 mathematical model Methods 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000000556 factor analysis Methods 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000004801 process automation Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 239000003208 petroleum Substances 0.000 abstract description 2
- 239000003921 oil Substances 0.000 description 95
- 238000010586 diagram Methods 0.000 description 4
- 230000005465 channeling Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 239000009096 changqing Substances 0.000 description 2
- 239000010779 crude oil Substances 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 230000035699 permeability Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- 241000834151 Notesthes Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 229910002091 carbon monoxide Inorganic materials 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- 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
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于多目标交互的CO2回注策略优化评价方法，属于石油工程油气田开发领域，包括如下步骤：步骤1、对CO2回注开发效果进行影响因素分析，确定回注过程的优化变量；步骤2、基于Python编写注采参数数值模拟样本生成程序；步骤3、构建LS‑SVM多目标预测代理模型；步骤4、建立基于NSGA‑Ⅱ算法的注采参数优化模型，并耦合LS‑SVM多目标预测代理模型建立CO2回注策略协同优化方法，进行CO2回注工作制度多目标优化，优选累产油量与换油率多目标优化的Pareto前沿，满足不同开发需求的方案选择。本发明能够保证油田在相同开发效果的前提下获得更高的CO2利用率，可为注气驱替开发方案的最优化设计提供指导。
Description
技术领域
本发明属于石油工程油气田开发领域，具体涉及一种基于多目标交互的CO2回注策略优化评价方法。
背景技术
注气开发是一项十分重要的提高采收率方法，由于具有较强的可注性，已被广泛应用于超低渗透储层的开发。目前研究界广泛认为CO2为注气驱替的最优介质。CO2气体易混相，回注驱替过程中见效较快，但容易发生早期气窜，气体利用率低。因此，CO2回注过程中如何延缓气窜提高CO2利用率亟待研究。
注采参数是影响CO2回注驱替效果的重要因素。传统的注采参数优化方法以人工设计正交方案比选为主，对补能时机、注入压力、注气速度、注气时间、产油速度等注采参数开展单因素分析，只研究单一设计变量对采收率的影响程度，未考虑多因素间相互影响的协调效应，难以有效地找到全局最优解。因此，近年来开始结合机器学习算法耦合数值模拟器的方法进行注采参数多因素协同优化，考虑各影响因素间的相互作用。通过梯度类、随机类等最优化算法在可行域中找到一个对应目标函数值是最优的解，从而输出评价指标最优的注采参数组合，实现优化参数与油藏条件的精准匹配。该方法通常需要与油藏数值模拟方法相结合，预测成千上万套方案的开发效果，反复地寻找最佳值，计算量巨大。且往往只针对最大化累产油量这一单目标进行优化，通常会制定“强注强采”等措施使得开发效果最优，但忽略了其他开发目标所带来的风险。
综上所述，目前已有CO2回注注采参数优化方法存在优化人工成本及时间高、优化目标单一等缺陷。
发明内容
为了解决上述问题，本发明提出了一种基于多目标交互的CO2回注策略优化评价方法，结合多目标优化算法和注气驱替开发策略优化原理，实现基于代理模型驱动架构的CO2回注生产参数的多目标联合优化；通过耦合最小二乘支持向量机代理模型与NSGA-Ⅱ多目标优化算法对驱替过程中的注采参数进行优化，在保证高产油的同时提高CO2气体利用率，减缓常规气驱的气窜严重问题，实现CO2回注策略的精准调控。
本发明的技术方案如下：
一种基于多目标交互的CO2回注策略优化评价方法，包括如下步骤：
步骤1、对CO2回注开发效果进行影响因素分析，确定回注过程的优化变量；
步骤2、基于Python编写注采参数数值模拟样本生成程序；
步骤3、构建LS-SVM多目标预测代理模型；
步骤4、建立基于NSGA-Ⅱ算法的注采参数优化模型，并耦合LS-SVM多目标预测代理模型建立CO2回注策略协同优化方法，进行CO2回注工作制度多目标优化，优选累产油量与换油率多目标优化的Pareto前沿，满足不同开发需求的方案选择。
进一步地，步骤1的具体过程如下：
步骤1.1、分析CO2回注开发效果影响因素；
从直接关联产油量与CO2注入量的开发因素出发，总结得到回注过程衰竭-注气两个阶段的开发效果影响因素为井底流压、补能时机、注入压力、注气速度、产油速度；回注开发效果的评价指标分别为累产油量及CO2气体换油率；
步骤1.2、确定回注过程的优化变量；
CO2回注过程需要注气井和生产井两种井型，其中生产井的生产时间又分为衰竭开发、注气驱替两个时间段，因此确定回注过程的优化变量为生产井衰竭开发阶段的井底流压和注气驱替阶段的产油速度，以及注气井的补能时机、注入压力和注气速度；同时确定各优化变量的取值范围，该取值范围根据不同油田的地层情况人为设定。
进一步地，步骤2中，注采参数数值模拟样本生成程序包括三个模块：注采参数数值模拟文件自动生成模块、数值模拟器运算自动批量调用模块、模拟结果提取及组合整理模块；
注采参数数值模拟文件自动生成模块的具体内容为：基于驱替过程中井底流压可调整范围及注采参数上下限，在取值范围内采用随机抽样的方法生成模拟方案；首先设计注采参数开发方案，注采参数开发方案中包含若干条注采参数相关开发信息，具体包括井底流压、补能时机、注入压力、注气速度和产油速度五个参数；在设计方案的基础上进行DAT文件自动拼接，主要通过打开基础DAT文件，搜寻需要插入方案信息的关键字及其位置，并将设计方案的信息插入并组装成全新的DAT文件；通过Python定义函数来拼装关键字，实现井底流压、补能时机、注气速度等参数的自动填写；并通过标记原始DAT文件中需要插入设计方案的位置，调用设计方案生成的数据，将拼装好的关键字整段插入DAT文件对应位置，生成对应于设计方案的全新DAT文件；
数值模拟器运算自动批量调用模块的具体内容为：基于Python调用计算机内的CMG环境，利用subprocess.run()函数执行设定的cmd指令对自动生成的DAT文件进行批量处理，并将所需的数值模拟结果文件提取保存到新文件夹中用于后期模拟器结果的提取及组合整理；数值模拟结果文件中包含时间、累积注气量、累产油量相关信息；该模块通过计算机对单一模型进行了多线程处理，多线程处理后的信息保存于存储设备中，通过判断模型是否收敛报错进行错误信息反馈；
模拟结果提取及组合整理模块的具体内容为：基于数值模拟结果文件，通过标记每个数值模拟结果文件的累产油量关键字，定义循环函数，将不同方案的累计注气量和累产油量自动提取并格式化保存到CSV文件内，实现模拟器结果提取及保存的全程自动化。
进一步地，步骤3的具体过程如下：
步骤3.1、划分CO2回注开发效果预测样本集划分；
将注采参数数值模拟样本生成程序得到的CO2回注开发效果预测样本集依据80％、10％、10％的相关比例划分为训练集、验证集、测试集；训练集用于训练预测代理模型并确定模型基本参数；验证集用于调整神经网络的超参数；测试集用于检验模型的最终泛化能力；每个集合中均包含模型的输入、输出数据，其中输入数据包括井底流压、补能时机、注入压力、注气速度、产油速度，输出数据包括目标油藏的累产油量及累计注气量；
步骤3.2、基于最小二乘支持向量机建立多目标预测模型，得到LS-SVM多目标预测代理模型；具体过程为：
对训练数据(xi,yi)进行非线性回归时引入非线性映射函数将训练样本映射到高维特征空间进行线性回归；在特征空间中LS-SVM模型表示为：
式中，ω是权重向量，b是偏置项，x表示训练样本，y表示训练模型；
LS-SVM模型的目标函数为：
式中，J表示目标函数，ξ为训练集预测误差变量，ξi为每一个样本引入的误差变量，γ>0为正则化参数，i表示第i个训练样本，n表示训练样本总数；
建立的LS-SVM多目标预测代理模型描述如下：
式中，i为第i个训练样本，n为训练样本总数，αi为Lagrange乘子序列，K为径向基函数，j为第j个训练样本，xi为训练样本i标签，xj为训练样本j标签；径向基函数K(xi,xj)＝exp[-||xi-xj||2/(2σ2)]为LS-SVM的核函数；
步骤3.3、模型预测效果评估，输出预测效果评估最佳的LS-SVM多目标预测代理模型；
使用决定系数R2、均方误差MSE以及平均绝对误差MAE，对LS-SVM多目标预测代理模的预测效果进行评价分析，其计算过程分别见式(4)、(5)、(6)：
式中，yi和分别为模型实际值与预测值，/>为实际值的平均值，i为第i个训练样本，N为验证集中实际值的尺寸；
选择R2最大、MSE、MAE最小的模型作为最终的LS-SVM多目标预测代理模型进行输出。
进一步地，步骤4的具体过程如下：
步骤4.1、建立优化数学模型；
优化数学模型包含三个因素，分别为目标函数、决策变量以及约束条件；
以最大累产油量和最大换油率为目标函数建立多目标优化数学模型；目标函数见式(7)，两个目标最终都被公式化为最大化问题：
在注采参数优化问题中，决策变量为驱替工作制度，包括井底流压、补能时机、注入压力、注气速度、产油速度；
Xi＝[xi1,xi2,…,xin] (8)；
式中，X是各决策变量，xin为第i个决策变量的第n个取值；
该优化模型中需要考虑的约束条件为井底流压选取范围约束以及注采工作制度变化上下限约束；
pmin≤pwf≤pmax (9)；
Qjmin≤Qj≤Qjmax (10)；
式中，pwf表示井底流压，pmax表示井底流压最大值，pmin表示井底流压最小值；Qj表示注采工作制度，注采工作制度具体为各注采参数，包括补能时机、注入压力、注气速度和产油速度，Qjmax表示注采参数最大值，Qjmin表示注采参数最小值；
步骤4.2、基于NSGA-Ⅱ算法建立注采参数优化模型，并耦合LS-SVM多目标预测代理模型进行CO2回注策略协同优化；
耦合LS-SVM多目标预测代理模型与NSGA-Ⅱ算法建立CO2回注策略协同优化方法，其中代理模型用于建立不同注采参数组合与开发效果之间的映射关系，NSGA-Ⅱ算法用于优选出累产油量与换油率多目标优化的Pareto前沿，从而侧重不同开发需求选择方案；首先，通过LS-SVM多目标预测代理模型对目前生产条件下驱替开发效果的累产油量和换油率进行预测；其次，调用NSGA-Ⅱ算法对每口井的生产工作制度进行多目标优化。
进一步地，步骤4.2中，NSGA-Ⅱ算法进行多目标优化过程的具体内容为：
步骤4.2.1、在步骤4.1中的约束条件下随机选取注采参数组合，构建初始种群；
步骤4.2.2、遍历计算出种群中每个个体p的被支配个数np和该个体支配的解的集合Sp；
步骤4.2.3、初始化非支配排序等级r＝1；
步骤4.2.4、执行快速非支配排序操作，将np＝0的个体放入集合F1中，并将Pareto等级为1的个体从种群中删除，消除Pareto等级1对其余个体的支配；
步骤4.2.5、通过步骤4.2.4得到Pareto等级为2的个体集合F2，进一步可得到集合Fr并对其中的个体继续进行上述步骤，以此类推到种群等级被全部划分，所得到的Pareto最优解集为F1；
步骤4.2.6、最后，得到注采参数组合的非支配解集和累产油、换油率的Pareto前沿，整理输出为最优的井底流压、补能时机、注入压力、注气速度和产油速度。
本发明所带来的有益技术效果：
本发明建立基于多目标交互的CO2回注策略优化评价方法可将多个有利益冲突的开发目标(产能与气体利用率)协同优化处理，大幅提升优化效率及优化结果准确性；与现有注采参数优化方法相比，本发明能够保证油田在相同开发效果的前提下获得更高的CO2利用率，可为注气驱替开发方案的最优化设计提供指导，是油藏后期开发调整的关键。
附图说明
图1为本发明基于多目标交互的CO2回注策略优化评价方法的流程图。
图2为本发明中井位及注采参数数值模拟样本生成程序中各模块内容的示意图。
图3为本发明中NSGA-Ⅱ算法多目标优化结果示意图。
图4为本发明实施例中优化结果Pareto前沿示意图。
具体实施方式
下面结合附图以及具体实施方式对本发明作进一步详细说明：
如图1所示，一种基于多目标交互的CO2回注策略优化评价方法，包括如下步骤：
步骤1、对CO2回注开发效果进行影响因素分析，确定回注过程的优化变量。具体过程如下：
步骤1.1、分析CO2回注开发效果影响因素；
影响CO2回注开发效果的因素较多，作用机理也较为复杂，目前缺少一套成熟的理论用来指导矿场CO2驱替施工参数。本发明从直接关联产油量与CO2注入量的开发因素出发，总结得到回注过程衰竭-注气两个阶段的开发效果影响因素为井底流压、补能时机、注入压力、注气速度、产油速度。回注开发效果的评价指标分别为累产油量及CO2气体换油率。
步骤1.2、确定回注过程的优化变量；
CO2回注过程需要注气井和生产井两种井型，其中生产井的生产时间又分为衰竭开发、注气驱替两个时间段，因此确定回注过程的优化变量为生产井衰竭开发阶段的井底流压和注气驱替阶段的产油速度，以及注气井的补能时机、注入压力和注气速度；同时确定各优化变量的取值范围，该取值范围根据不同油田的地层情况人为设定。
步骤2、基于Python编写注采参数数值模拟样本生成程序。
最小二乘支持向量机代理模型的训练过程往往需要大量的数值模拟样本，而该过程仅通过人工修改并运行数模文件将耗费大量人工成本，为此本发明编写了注采参数数值模拟样本生成程序，可快速准确的生成大量的CO2回注开发效果样本，节约优化过程中的时间成本。
注采参数数值模拟样本生成程序包括三个模块：注采参数数值模拟文件自动生成模块、数值模拟器运算自动批量调用模块、模拟结果提取及组合整理模块。
注采参数数值模拟文件自动生成模块的具体内容为：基于驱替过程中井底流压可调整范围及注采参数上下限，在取值范围内采用随机抽样的方法生成模拟方案。首先设计注采参数开发方案，注采参数开发方案中包含若干条注采参数相关开发信息，具体包括井底流压、补能时机、注入压力、注气速度和产油速度五个参数。在设计方案的基础上进行DAT文件自动拼接，主要通过打开基础DAT文件，搜寻需要插入方案信息的关键字及其位置，并将设计方案的信息插入并组装成全新的DAT文件。本模块主要使用OPERATE、DATE等关键字。通过Python定义函数来拼装关键字，实现井底流压、补能时机、注气速度等参数的自动填写。并通过标记原始DAT文件中需要插入设计方案的位置，调用设计方案生成的数据，将拼装好的关键字整段插入DAT文件对应位置，生成对应于设计方案的全新DAT文件。注采参数数值模拟文件自动生成模块实质为一种DAT文件自动生成模块，主要用于实现数值模拟中注采参数的自动部署。
数值模拟器运算自动批量调用模块的具体内容为：基于Python调用计算机内的CMG环境，利用subprocess.run()函数执行设定的cmd指令对自动生成的DAT文件进行批量处理，并将所需的数值模拟结果文件(OUT文件)提取保存到新文件夹中用于后期模拟器结果的提取及组合整理。OUT文件中包含时间、累计注气量、累产油量等相关信息。该模块通过计算机对单一模型进行了多线程处理，图2中的子线程1、子线程2、子线程3等即为多线程处理的子线程，大幅度提高了运行效率，多线程处理后的信息保存于存储设备中，存储设备即为设定的CMG结果文件夹，通过判断模型是否收敛报错进行错误信息反馈。该模块实现了多方案并行计算以及数据库构建过程的高速率、高精度，提高了运行效率。
模拟结果提取及组合整理模块的具体内容为：基于数值模拟结果文件(OUT文件)，通过标记每个数值模拟结果文件的累产油量关键字，定义循环函数，将不同方案的累计注气量和累产油量自动提取并格式化保存到CSV文件内，实现模拟器结果提取及保存的全程自动化，节省了大量时间，便于实现对不同注采参数组合的快速响应。
步骤3、构建LS-SVM多目标预测代理模型。
借助步骤2所编写的程序建立CO2回注开发效果预测样本集，利用最小二乘支持向量机算法构建CO2回注开发效果多目标预测代理模型，实现对不同井底流压及注采参数下的累产油量的精准动态预测，为油田现场开发提供技术支持。具体过程如下：
步骤3.1、划分CO2回注开发效果预测样本集划分；
将注采参数数值模拟样本生成程序得到的CO2回注开发效果预测样本集依据80％、10％、10％的相关比例划分为训练集、验证集、测试集。训练集主要用于训练预测代理模型并确定模型基本参数；验证集主要用于调整神经网络的超参数；测试集主要用于检验模型的最终泛化能力。每个集合中均包含模型的输入、输出数据，其中输入数据包括井底流压、补能时机、注入压力、注气速度、产油速度，输出数据包括目标油藏的累产油量及累计注气量。
步骤3.2、基于最小二乘支持向量机(LS-SVM)建立多目标预测模型，得到LS-SVM多目标预测代理模型，通过代理模型获取不同注采制度对原油动用程度的影响，实现对不同CO2回注开发策略下生产动态的快速响应。
LS-SVM是一种基于统计理论的改进型支持向量机，具有先进的完备理论体系，LS-SVM在继承SVM优点的同时，将误差的二范数代替SVM的不敏感损失函数，用等式约束代替SVM的不等式约束，从而将求解SVM的凸二次规划问题转化为线性方程组求解问题，降低了算法复杂度。对训练数据(xi,yi)进行非线性回归时引入非线性映射函数将训练样本映射到高维特征空间进行线性回归。在特征空间中LS-SVM模型可表示为：
式中，ω是权重向量，b是偏置项，x表示训练样本，y表示训练模型；
LS-SVM模型的目标函数为：
式中，J表示目标函数，ξ为训练集预测误差变量，ξi为每一个样本引入的误差变量，γ>0为正则化参数，i表示第i个训练样本，n表示训练样本总数；
建立的LS-SVM多目标预测代理模型描述如下：
式中，i为第i个训练样本，n为训练样本总数，αi为Lagrange乘子序列，K为径向基函数，j为第j个训练样本，xi为训练样本i标签，xj为训练样本j标签；
取不同的核函数将构成不同的LS-SVM模型，本发明选用径向基函数K(xi,xj)＝exp[-||xi-xj||2/(2σ2)]作为LS-SVM的核函数。对于RBF核函数的LS-SVM模型，需要确定的参数仅为核参数σ和正则化参数γ。
步骤3.3、模型预测效果评估，输出预测效果评估最佳的LS-SVM多目标预测代理模型；
本发明通过使用决定系数(R2)、均方误差(MSE)以及平均绝对误差(MAE)，对LS-SVM多目标预测代理模的预测效果进行评价分析，其计算过程分别见式(4)、(5)、(6)：
式中，yi和分别为模型实际值与预测值，/>为实际值的平均值，i为第i个训练样本，N为验证集中实际值的尺寸。当R2越大，MSE、MAE越小时，说明该模型的预测值与实际值之间的误差越小，模型的表现也越好。因此，选择R2最大、MSE、MAE最小的模型作为最终的LS-SVM多目标预测代理模型进行输出。
步骤4、建立基于NSGA-Ⅱ算法的注采参数优化模型，并耦合LS-SVM多目标预测代理模型建立CO2回注策略协同优化方法，进行CO2回注工作制度多目标优化，优选累产油量与换油率多目标优化的Pareto前沿，满足不同开发需求的方案选择。具体过程为：
步骤4.1、建立优化数学模型。
在进行注采参数优化设计时，为了获得最好的开发效果，一般是设定累产油量越大越好，在累产油量相近的前提下，换油率越大越好。但正常情况下累产油量与换油率不是同向的，由此可以看出该优化过程是一个多目标、多变量的工程问题。针对该问题建立的优化数学模型主要包含三个因素，分别为目标函数、决策变量以及约束条件。
(1)目标函数
为保证CO2驱替开发工程中可以高效的采出地下原油，并避免过于强调注气开发效果而导致的极端开发方案。因此以最大累产油量和最大换油率为目标函数建立多目标优化数学模型。目标函数见式(7)，两个目标最终都被公式化为最大化问题：
(2)决策变量
在注采参数优化问题中，决策变量为驱替工作制度，包括井底流压、补能时机、注入压力、注气速度、产油速度。
Xi＝[xi1,xi2,…,xin] (8)；
式中，X是各决策变量，xin为第i个决策变量的第n个取值。本发明中，共包含五个决策变量，例如当i为1时，X1表示井底流决策变量n个取值的集合。
(3)约束条件
该优化模型中需要考虑的约束条件为井底流压选取范围约束以及注采工作制度变化上下限约束。
pmin≤pwf≤pmax (9)；
Qjmin≤Qj≤Qjmax (10)；
式中，pwf表示井底流压，pmax表示井底流压最大值，pmin表示井底流压最小值；Qj表示注采工作制度，注采工作制度具体为各注采参数，包括补能时机、注入压力、注气速度和产油速度，Qjmax表示注采参数最大值，Qjmin表示注采参数最小值。
步骤4.2、基于NSGA-Ⅱ算法建立注采参数优化模型，并耦合LS-SVM多目标预测代理模型进行CO2回注策略协同优化。
耦合LS-SVM多目标预测代理模型与NSGA-Ⅱ算法建立CO2回注策略协同优化方法，其中代理模型主要用于建立不同注采参数组合与开发效果之间的映射关系，NSGA-Ⅱ算法主要用于优选出累产油量与换油率多目标优化的Pareto前沿，从而侧重不同开发需求选择方案。首先，通过LS-SVM多目标预测代理模型对目前生产条件下驱替开发效果的累产油量和换油率进行预测；其次，调用NSGA-Ⅱ算法对每口井的生产工作制度进行多目标优化。NSGA-Ⅱ算法进行多目标优化过程的具体内容为：
步骤4.2.1、在步骤4.1中的约束条件下随机选取注采参数组合，构建初始种群；
步骤4.2.2、遍历计算出种群中每个个体p的被支配个数np和该个体支配的解的集合Sp；
步骤4.2.3、初始化非支配排序等级r＝1；
步骤4.2.4、执行快速非支配排序操作，将np＝0的个体(Pareto等级为1)放入集合F1中，并将Pareto等级为1的个体从种群中删除，消除Pareto等级1对其余个体的支配；
步骤4.2.5、通过步骤4.2.4得到Pareto等级为2的个体集合F2，进一步可得到集合Fr并对其中的个体继续进行上述步骤，以此类推到种群等级被全部划分，所得到的Pareto最优解集为F1。
步骤4.2.6、最后，得到注采参数组合的非支配解集和累产油、换油率的Pareto前沿，可整理输出为最优的井底流压、补能时机、注入压力、注气速度和产油速度。具体过程为：非支配解集里一个解就是一套方案，包括井底流压这些各个参数的值，通过迭代求解得到累产油、换油率的Pareto前沿，Pareto前沿是一条曲线，从曲线就可以找到最优解的点，最优解的点对应的各个参数值即为最优的井底流压、补能时机、注入压力、注气速度和产油速度。
表1展示了NSGA-Ⅱ优化模型伪代码。
表1 NSGA-Ⅱ优化模型伪代码
图3为注采参数组合的非支配解集和累产油、换油率的Pareto前沿，基于最小二乘支持向量机代理模型迭代计算最优解。图3中，数字1、2、3均表示非支配解集，1是解集里相对效果好的，即最优解；2、3效果较差，为非最优解。为了证明本发明的可行性，给出如下实施例。
以长庆油田某区块为例，该油田区块储层致密，平均孔隙度为11.3％，岩心分析平均渗透率仅0.22×10-3μm2，开发难度大。应用水平井一注一采面积井网，注气井定量注入，设置上限注入压力，生产井定液量生产。
针对长庆油田某区块，采用本发明方法进行CO2回注策略多目标优化的具体步骤为：
步骤一、根据目标区块油藏性质，建立由两口压裂水平井组成的数值模拟模型，并确定目标区块优化变量的参数范围。
步骤二、通过编写的注采参数数值模拟样本生成程序，调用数值模拟器自动构建CO2回注开发效果模拟样本，输入参数为井底流压、补能时机、注入压力、注气速度和产油速度，输出参数为累产油量及换油率。
步骤三、构建基于最小二乘支持向量机的预测代理模型，将步骤二得到的CO2回注开发效果预测样本集按照80％、10％、10％的比例划分为训练集、验证集和测试集。进而选用径向基函数作为核函数建立LS-SVM代理模型，优化确定核参数σ为89.73、正则化参数γ为66.23。将训练好的预测模型在测试集上进行检验，从表2中可以看出，该模型在所提出的评价指标上均表现较好，也说明该模型可以实现不同驱替开发方案与开发效果的快速准确响应。
表2 模型的评价指标
步骤四、输出训练完成且性能评价良好的LS-SVM多目标预测模型，耦合NSGA-Ⅱ算法建立CO2回注策略优化方法。首先，通过LS-SVM多目标预测代理模型对目前生产条件下驱替开发效果的累产油量和换油率进行预测；其次，调用NSGA-Ⅱ算法对每口井的生产工作制度进行多目标优化，在保证高产油的同时提高CO2气体利用率，实现CO2回注开发策略的精准调控。
根据所设计的多目标优化问题数学模型，按照NSGA-Ⅱ优化模型伪代码对注采参数进行优化设计。在多目标优化问题中，交叉和变异是优化算法高兼容性的重点，选择匹配的交叉、变异系数起着决定性的作用。一般来说，交叉系数的取值范围为0.40-0.99，变异系数的取值范围为0.0001-0.1。本次研究选择交叉系数0.5，变异系数0.05，种群规模50，遗传100代作为NSGA-Ⅱ的参数。基于高精度多组分数值模拟模型，采用最优参数组合下的NSGA-Ⅱ多目标遗传算法进行迭代运算，得出以最大累产油量、最大换油率为目标的Pareto最优解集，如图4所示。本发明还给出了表3所示的基础方案与优化方案结果对比。
表3基础方案与优化方案结果对比
本次优化结果分析以注采参数初始设计组合为基础方案，在Pareto最优解集中分别选取与基础方案相同累产油量、换油率的两套方案作为“产能方案”与“换油率方案”。从图4和表3可以看出，在相同换油率的情况下，产能方案比基础方案的累产油高2.79×104m3，通过协调回注阶段的驱替开发参数，保证油藏在相同注气换油率同时还能保持较高的产能，最大限度地发挥地层开发潜力；在相同累产油量的情况下，换油率方案的气体利用率比基础方案高23％左右，保证油藏在同样的开发效果下，能够充分利用CO2注入气体，提高CO2的气体利用率。油藏工程师可根据Pareto前沿进行注CO2回注方案设计，如果要求产量最大化，可选择产能方案；如果要求高效利用CO2，经济开发，可选择换油率方案。
上述实施例证明该方法可以很好的解决气驱油藏的回注驱替参数多目标优化问题，其优化计算得到的方案在开发效果以及CO2利用上均具有良好的表现，说明基于多目标交互的致密油CO2回注驱替参数优化方法具有较高的可信度，可以很好地辅助油藏工程师部署决策，助力非常规油藏高效开发。
当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。
Claims (6)
1.一种基于多目标交互的CO2回注策略优化评价方法，其特征在于，包括如下步骤：
步骤1、对CO2回注开发效果进行影响因素分析，确定回注过程的优化变量；
步骤2、基于Python编写注采参数数值模拟样本生成程序；
步骤3、构建LS-SVM多目标预测代理模型；
步骤4、建立基于NSGA-Ⅱ算法的注采参数优化模型，并耦合LS-SVM多目标预测代理模型建立CO2回注策略协同优化方法，进行CO2回注工作制度多目标优化，优选累产油量与换油率多目标优化的Pareto前沿，满足不同开发需求的方案选择。
2.根据权利要求1所述基于多目标交互的CO2回注策略优化评价方法，其特征在于，所述步骤1的具体过程如下：
步骤1.1、分析CO2回注开发效果影响因素；
从直接关联产油量与CO2注入量的开发因素出发，总结得到回注过程衰竭-注气两个阶段的开发效果影响因素为井底流压、补能时机、注入压力、注气速度、产油速度；回注开发效果的评价指标分别为累产油量及CO2气体换油率；
步骤1.2、确定回注过程的优化变量；
CO2回注过程需要注气井和生产井两种井型，其中生产井的生产时间又分为衰竭开发、注气驱替两个时间段，因此确定回注过程的优化变量为生产井衰竭开发阶段的井底流压和注气驱替阶段的产油速度，以及注气井的补能时机、注入压力和注气速度；同时确定各优化变量的取值范围，该取值范围根据不同油田的地层情况人为设定。
3.根据权利要求1所述基于多目标交互的CO2回注策略优化评价方法，其特征在于，所述步骤2中，注采参数数值模拟样本生成程序包括三个模块：注采参数数值模拟文件自动生成模块、数值模拟器运算自动批量调用模块、模拟结果提取及组合整理模块；
注采参数数值模拟文件自动生成模块的具体内容为：基于驱替过程中井底流压可调整范围及注采参数上下限，在取值范围内采用随机抽样的方法生成模拟方案；首先设计注采参数开发方案，注采参数开发方案中包含若干条注采参数相关开发信息，具体包括井底流压、补能时机、注入压力、注气速度和产油速度五个参数；在设计方案的基础上进行DAT文件自动拼接，主要通过打开基础DAT文件，搜寻需要插入方案信息的关键字及其位置，并将设计方案的信息插入并组装成全新的DAT文件；通过Python定义函数来拼装关键字，实现井底流压、补能时机、注气速度等参数的自动填写；并通过标记原始DAT文件中需要插入设计方案的位置，调用设计方案生成的数据，将拼装好的关键字整段插入DAT文件对应位置，生成对应于设计方案的全新DAT文件；
数值模拟器运算自动批量调用模块的具体内容为：基于Python调用计算机内的CMG环境，利用subprocess.run()函数执行设定的cmd指令对自动生成的DAT文件进行批量处理，并将所需的数值模拟结果文件提取保存到新文件夹中用于后期模拟器结果的提取及组合整理；数值模拟结果文件中包含时间、累积注气量、累产油量相关信息；该模块通过计算机对单一模型进行了多线程处理，多线程处理后的信息保存于存储设备中，通过判断模型是否收敛报错进行错误信息反馈；
模拟结果提取及组合整理模块的具体内容为：基于数值模拟结果文件，通过标记每个数值模拟结果文件的累产油量关键字，定义循环函数，将不同方案的累计注气量和累产油量自动提取并格式化保存到CSV文件内，实现模拟器结果提取及保存的全程自动化。
4.根据权利要求1所述基于多目标交互的CO2回注策略优化评价方法，其特征在于，所述步骤3的具体过程如下：
步骤3.1、划分CO2回注开发效果预测样本集划分；
将注采参数数值模拟样本生成程序得到的CO2回注开发效果预测样本集依据80％、10％、10％的相关比例划分为训练集、验证集、测试集；训练集用于训练预测代理模型并确定模型基本参数；验证集用于调整神经网络的超参数；测试集用于检验模型的最终泛化能力；每个集合中均包含模型的输入、输出数据，其中输入数据包括井底流压、补能时机、注入压力、注气速度、产油速度，输出数据包括目标油藏的累产油量及累计注气量；
步骤3.2、基于最小二乘支持向量机建立多目标预测模型，得到LS-SVM多目标预测代理模型；具体过程为：
对训练数据(xi,yi)进行非线性回归时引入非线性映射函数将训练样本映射到高维特征空间进行线性回归；在特征空间中LS-SVM模型表示为：
式中，ω是权重向量，b是偏置项，x表示训练样本，y表示训练模型；
LS-SVM模型的目标函数为：
式中，J表示目标函数，ξ为训练集预测误差变量，ξi为每一个样本引入的误差变量，γ>0为正则化参数，i表示第i个训练样本，n表示训练样本总数；
建立的LS-SVM多目标预测代理模型描述如下：
式中，i为第i个训练样本，n为训练样本总数，αi为Lagrange乘子序列，K为径向基函数，j为第j个训练样本，xi为训练样本i标签，xj为训练样本j标签；径向基函数K(xi,xj)＝exp[-||xi-xj||2/(2σ2)]为LS-SVM的核函数；
步骤3.3、模型预测效果评估，输出预测效果评估最佳的LS-SVM多目标预测代理模型；
使用决定系数R2、均方误差MSE以及平均绝对误差MAE，对LS-SVM多目标预测代理模的预测效果进行评价分析，其计算过程分别见式(4)、(5)、(6)：
式中，yi和分别为模型实际值与预测值，/>为实际值的平均值，i为第i个训练样本，N为验证集中实际值的尺寸；
选择R2最大、MSE、MAE最小的模型作为最终的LS-SVM多目标预测代理模型进行输出。
5.根据权利要求1所述基于多目标交互的CO2回注策略优化评价方法，其特征在于，所述步骤4的具体过程如下：
步骤4.1、建立优化数学模型；
优化数学模型包含三个因素，分别为目标函数、决策变量以及约束条件；
以最大累产油量和最大换油率为目标函数建立多目标优化数学模型；目标函数见式(7)，两个目标最终都被公式化为最大化问题：
在注采参数优化问题中，决策变量为驱替工作制度，包括井底流压、补能时机、注入压力、注气速度、产油速度；
Xi＝[xi1,xi2,…,xin] (8)；
式中，X是各决策变量，xin为第i个决策变量的第n个取值；
该优化模型中需要考虑的约束条件为井底流压选取范围约束以及注采工作制度变化上下限约束；
pmin≤pwf≤pmax (9)；
Qjmin≤Qj≤Qjmax (10)；
式中，pwf表示井底流压，pmax表示井底流压最大值，pmin表示井底流压最小值；Qj表示注采工作制度，注采工作制度具体为各注采参数，包括补能时机、注入压力、注气速度和产油速度，Qjmax表示注采参数最大值，Qjmin表示注采参数最小值；
步骤4.2、基于NSGA-Ⅱ算法建立注采参数优化模型，并耦合LS-SVM多目标预测代理模型进行CO2回注策略协同优化；
耦合LS-SVM多目标预测代理模型与NSGA-Ⅱ算法建立CO2回注策略协同优化方法，其中代理模型用于建立不同注采参数组合与开发效果之间的映射关系，NSGA-Ⅱ算法用于优选出累产油量与换油率多目标优化的Pareto前沿，从而侧重不同开发需求选择方案；首先，通过LS-SVM多目标预测代理模型对目前生产条件下驱替开发效果的累产油量和换油率进行预测；其次，调用NSGA-Ⅱ算法对每口井的生产工作制度进行多目标优化。
6.根据权利要求5所述基于多目标交互的CO2回注策略优化评价方法，其特征在于，所述步骤4.2中，NSGA-Ⅱ算法进行多目标优化过程的具体内容为：
步骤4.2.1、在步骤4.1中的约束条件下随机选取注采参数组合，构建初始种群；
步骤4.2.2、遍历计算出种群中每个个体p的被支配个数np和该个体支配的解的集合Sp；
步骤4.2.3、初始化非支配排序等级r＝1；
步骤4.2.4、执行快速非支配排序操作，将np＝0的个体放入集合F1中，并将Pareto等级为1的个体从种群中删除，消除Pareto等级1对其余个体的支配；
步骤4.2.5、通过步骤4.2.4得到Pareto等级为2的个体集合F2，进一步可得到集合Fr并对其中的个体继续进行上述步骤，以此类推到种群等级被全部划分，所得到的Pareto最优解集为F1；
步骤4.2.6、最后，得到注采参数组合的非支配解集和累产油、换油率的Pareto前沿，整理输出为最优的井底流压、补能时机、注入压力、注气速度和产油速度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310390617.8A CN116579095A (zh) | 2023-04-12 | 2023-04-12 | 一种基于多目标交互的co2回注策略优化评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310390617.8A CN116579095A (zh) | 2023-04-12 | 2023-04-12 | 一种基于多目标交互的co2回注策略优化评价方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116579095A true CN116579095A (zh) | 2023-08-11 |
Family
ID=87533079
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310390617.8A Pending CN116579095A (zh) | 2023-04-12 | 2023-04-12 | 一种基于多目标交互的co2回注策略优化评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116579095A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116882323A (zh) * | 2023-09-07 | 2023-10-13 | 中国石油大学(华东) | 一种考虑时序性及细分任务的自适应代理策略优化方法 |
-
2023
- 2023-04-12 CN CN202310390617.8A patent/CN116579095A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116882323A (zh) * | 2023-09-07 | 2023-10-13 | 中国石油大学(华东) | 一种考虑时序性及细分任务的自适应代理策略优化方法 |
| CN116882323B (zh) * | 2023-09-07 | 2023-11-28 | 中国石油大学(华东) | 一种考虑时序性及细分任务的自适应代理策略优化方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210350208A1 (en) | Method and device for predicting production performance of oil reservoir | |
| Shirangi et al. | Closed-loop field development under uncertainty by use of optimization with sample validation | |
| CN111861774B (zh) | 一种基于并行代理模型的油藏生产机器学习方法 | |
| CN102246060B (zh) | 用于优化油气层开发和管理的系统和方法 | |
| Ciaurri et al. | Application of derivative-free methodologies to generally constrained oil production optimization problems | |
| CN111625922B (zh) | 一种基于机器学习代理模型的大规模油藏注采优化方法 | |
| Wang et al. | A novel multi-objective optimization method for well control parameters based on PSO-LSSVR proxy model and NSGA-II algorithm | |
| CN115906675B (zh) | 基于时序多目标预测模型的井位及注采参数联合优化方法 | |
| Abdollahzadeh et al. | Estimation of distribution algorithms applied to history matching | |
| Shirangi et al. | Closed-loop field development optimization under uncertainty | |
| CN116579095A (zh) | 一种基于多目标交互的co2回注策略优化评价方法 | |
| Grema et al. | Optimal feedback control of oil reservoir waterflooding processes | |
| Chen et al. | Application of machine learning to evaluating and remediating models for energy and environmental engineering | |
| Salehian et al. | Robust integrated optimization of well placement and control under field production constraints | |
| CN116882323B (zh) | 一种考虑时序性及细分任务的自适应代理策略优化方法 | |
| Hongliang et al. | Management and instant query of distributed oil and gas production dynamic data | |
| Zhuang et al. | Multi-objective optimization of reservoir development strategy with hybrid artificial intelligence method | |
| NO20171058A1 (en) | Integrated a priori uncertainty parameter architecture in simulation model creation | |
| Ma et al. | Optimization of subsurface flow operations using a dynamic proxy strategy | |
| Farahi et al. | Model‐based multi‐objective particle swarm production optimization for efficient injection/production planning to improve reservoir recovery | |
| CN111027220B (zh) | 一种提升油田注采匹配程度的方法 | |
| He et al. | Optimize Well Placement Based on Genetic Algorithm and Productivity Potential Maps | |
| Loomba et al. | Cluster-based learning and evolution algorithm for optimization | |
| Wang et al. | A Comparison Analysis of Intelligence Algorithms for Oil Reservoir Production Optimization. | |
| CN118036477A (zh) | 一种基于时空图神经网络的井位及井控参数优化方法 |
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 |