CN117350162A - 一种基于多目标粒子群优化的油藏井位选取方法 - Google Patents
一种基于多目标粒子群优化的油藏井位选取方法 Download PDFInfo
- Publication number
- CN117350162A CN117350162A CN202311374480.3A CN202311374480A CN117350162A CN 117350162 A CN117350162 A CN 117350162A CN 202311374480 A CN202311374480 A CN 202311374480A CN 117350162 A CN117350162 A CN 117350162A
- Authority
- CN
- China
- Prior art keywords
- well
- oil
- oil reservoir
- potential
- reservoir
- 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
- 239000002245 particle Substances 0.000 title claims abstract description 77
- 238000005457 optimization Methods 0.000 title claims abstract description 47
- 238000010187 selection method Methods 0.000 title claims abstract description 19
- 230000006870 function Effects 0.000 claims abstract description 59
- 238000011161 development Methods 0.000 claims abstract description 38
- 238000011156 evaluation Methods 0.000 claims abstract description 32
- 239000003129 oil well Substances 0.000 claims abstract description 20
- 238000004088 simulation Methods 0.000 claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 239000003921 oil Substances 0.000 claims description 146
- 238000000034 method Methods 0.000 claims description 97
- 230000035699 permeability Effects 0.000 claims description 39
- 230000008569 process Effects 0.000 claims description 38
- 239000012071 phase Substances 0.000 claims description 23
- 239000010779 crude oil Substances 0.000 claims description 14
- 239000008346 aqueous phase Substances 0.000 claims description 13
- 230000008901 benefit Effects 0.000 claims description 13
- 230000000717 retained effect Effects 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000011835 investigation Methods 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 description 16
- 239000000243 solution Substances 0.000 description 15
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- 241000251468 Actinopterygii Species 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001965 increasing effect Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06F2111/10—Numerical modelling
-
- 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
Abstract
本发明属于油气田开发技术领域,具体涉及一种基于多目标粒子群优化的油藏井位选取方法,具体步骤如下:建立油藏数值模拟模型,将所述油藏数值模拟模型划分网格;读取油藏模拟资料,确定油藏可动用潜力的评价指标;确定各评价指标的权重,计算油藏可动用综合潜力,并以此划分井位候选区;综合考虑油井的理论收益、相对开发难度、单井潜力产能建立多目标优化模型;对所述多目标优化模型的目标函数设置约束条件;根据优化算法对所述目标函数求解,每个解对应一个井位;在获得的目标函数的解的集合中,根据收益、开发难度或产能选取最终结果,从而确定井位。本发明采用易得参数,可适用于油气田开发前、中、后期,计算工作量少,实用性强。
Description
技术领域
本发明属于油气田开发技术领域,具体涉及一种基于多目标粒子群优化的油藏井位选取方法。
背景技术
在油气田开发过程中,井位的选择对油田产能、整体效益都存在至关重要的影响。在油气田开发前期选定正确的井位,可以为对油气田后续开发提供经验。开发中后期井位的选择决定油气田增产、稳产效果。因此如何选定正确井位,是油气田工作人员所面临的重要问题之一。
传统的井位选择方法往往依赖于油藏工程师的经验,流体性质、地质结构等不确定性较大,也受人为主观因素影响,费时费力,无法保证得到的方案为最优方案;目前国内外研究人员常通过优化算法与油藏数值模拟相结合的方法确定油井井位,但该方法在实际应用中模拟次数多,计算工作量大,因此有待对油井井位的确定方法进行进一步研究。
专利CN109753671A公开了一种基于鱼群算法的油藏精确井位优化方法,利用鱼群算法结合油藏数值模拟软件,获取最优井位;但该方法在每次迭代过程中都需调用一次油藏数值模拟软件,计算量大,无用数据较多。
专利CN111119840A公开了一种高含水期油藏的井位优化方法,通过网格内流体强度系数确定注采不完善区,利用注采不完善区确定加密井的边界条件,对加密井的位置选取区域进行限定,运行优化算法确定油藏加密井井位;该方法针对高含水期,即油气藏开发后期,因此对油藏已开发的井数据依赖较大,在开发前期应用性较小。
专利CN115906675A 公开了一种基于时序多目标预测的井位及注采参数联合优化方法,结合深度学习、多目标优化算法和水驱开发策略优化原理,实现基于模型驱动架构的水驱生产动态准确预测和井控参数联合优化;但该方法耦合数据量大、种类较多且需要建立较多模型进行训练,整体工作量大,在实际工程应用领域存在一定局限性。
发明内容
为了解决上述问题,本发明提供一种基于多目标粒子群优化的油藏井位选取方法,该方法可避免重复计算,减少工作量,适应性更强。
为了实现上述目的,本发明采用以下技术方案:
一种基于多目标粒子群优化的油藏井位选取方法,包括如下步骤:
步骤1、建立油藏数值模拟模型,将所述油藏数值模拟模型划分网格;
步骤2、读取油藏模拟资料,确定油藏可动用潜力的评价指标;
步骤3、确定各评价指标的权重,计算油藏可动用综合潜力,并以此划分井位候选区;
步骤4、综合考虑油井的理论收益、相对开发难度、单井潜力产能建立多目标优化模型;
步骤5、对所述多目标优化模型的目标函数设置约束条件;
步骤6、根据优化算法对所述目标函数求解,每个解对应一个井位;
步骤7、在获得的目标函数的解的集合中,根据收益、开发难度或产能选取最终结果,从而确定井位。
优选地,所述步骤2具体步骤如下:
步骤201:读取油藏数值模拟资料,包括:油藏渗透率K、孔隙度φ、含油饱和度S o 、油相相对渗透率K ro 、水相相对渗透率K rw 、流线密度n、井控半径r e 、油相粘度μ o 、水相粘度μ w 、地面原油密度ρ o 、原油体积系数B o ;
步骤202:确定油藏可动用潜力的评价指标,所述评价指标分别为剩余油可采储量丰度I o 、优势潜力丰度系数A和流线密度n,剩余油可采储量丰度I o 和优势潜力丰度系数A的计算公式如下:
;
;
式中,I o 为剩余油可采储量丰度,kg/m2;h为地层厚度,m2;φ为孔隙度,小数;S o 为含油饱和度,小数;S or 为残余油饱和度,小数;ρ o 为地面原油密度,kg/m3;B o 为原油体积系数,小数;A为优势潜力丰度系数;K ro 为油相相对渗透率;K rw 为水相相对渗透率;μ o 、μ w 分别为油、水相粘度,mPa.s。
优选地,所述步骤3具体步骤如下:
步骤301:将剩余油可采储量丰度I o 、优势潜力丰度系数A和流线密度n归一化到[0,1]区间,归一化公式如下:
;
;
;
式中,F(I oi )、F(A i )、F(n i )分别表示I oi 、A i 、n i 对应的归一化值;i为网格点,I omax 、I omin 分别为油藏所有网格中剩余油可采储量丰度I o 的最大值、最小值;A max 、A min 分别为油藏所有网格中优势潜力丰度系数A的最大值、最小值;n max 、n min 分别为油藏所有网格中流线密度n的最大值、最小值;
步骤302:根据专家调查权重法确定各评价指标的权重;
步骤303:将各评价指标的权重带入下述公式,得到可动用综合潜力评价系数FO i ,计算公式如下:
;
式中,FO i 为网格点i的可动用综合潜力评价系数;i为网格点;a为网格点i的数量;θ 1 、θ 2 、θ 3 、θ 4 为权重系数,其中θ 1 +θ 2 =1,θ 3 +θ 4 =1;
FO i 越高代表可动用综合潜力越大,以此划分区域大且有油相流通可能性更大的区块,并将该区块作为井位候选区。
优选地,所述步骤4具体步骤如下:
步骤401:给定集合i=(1,2,...,a),j=(1,2,...,b),设定决策变量X i 、Y ij :
;
;
其中,i为网格点;a为网格点i的数量;j为井位候选点,简称井点;b为井点j的数量;
步骤402:选用覆盖度函数,使井控面积更加符合实际情况,覆盖度函数具体公式如下:
;
式中,f ij 为覆盖度函数,d ij 为井点j到网格点i的距离,m;π为圆周率;R max 、R min 分别为井控最大、最小外延半径,m;
步骤403:综合考虑油井的理论收益、相对开发难度、单井潜力产能建立多目标优化模型,目标函数F(x)由f(x 1 )、f(x 2 )、f(x 3 ),其中f(x 1 )表示总井控储量,f(x 2 )表示单井井控储层均质程度,f(x 3 )为单井井控储层流动系数;目标函数F(x)如下:
。
优选地,所述f(x 1 )表示总井控储量,代表油井最大理论收益,具体公式如下:
;
式中,f ij 为覆盖度函数;N为剩余油总地质储量,m3;Y ij 为j井点覆盖i网格点为1,否则为0;λ i 为i网格点所占剩余油总地质储量N的权重。
优选地,所述f(x 2 )表示单井井控储层均质程度,代表单井最小开发难度,具体公式如下:
;
式中,f ij 为覆盖度函数;Y ij 为j井点覆盖i网格点为1,否则为0;K i 为i网格点渗透率;为j井点覆盖下网格点的平均渗透率。
优选地,所述f(x 3 )表示单井井控储层流动系数,代表最大单井潜力产能,具体公式如下:
;
式中,为j井点覆盖下网格点的平均渗透率;Y ij 为j井点覆盖i网格点为1,否则为0;h为网格有效厚度;K j 为j井点渗透率,d;K jo 为j井点油相渗透率,d;μ jo 为j井点油相粘度,mPa.s。
优选地,所述步骤5的具体约束条件如下:
约束条件1:考虑到施工要求,对总井数进行约束:
;
约束条件2:对井间距离进行约束:
;
式中,P为总井数;d j 表示两井点之间的距离。
优选地,所述优化算法为粒子群算法,所述步骤6具体步骤如下:
初始化一群粒子,粒子的位置和飞行速度根据目标函数进行自动更新,更新公式为:
;
;
其中,;
;
式中,为第k+1次迭代时的粒子速度;/>为第k+1次迭代时的粒子位置;/>为第k次迭代时的粒子速度;/>为第k次迭代时的个体最优值粒子在第k次迭代的个体极值;为第k次迭代时的群体最优值粒子在第k次迭代的群体极值;k为目前的迭代次数;ω为惯性权重;c 1 和c 2 为学习因子;r 1 和r 2 是在服从U(0,1)分布的随机数;T max 为最大迭代次数;
为了防止粒子在进化初期快速聚集在局部最优解周围,使粒子在全局领域内大范围的搜索,让c 1 取较大的值,c 2 取较小的值。在搜索后期为了便于让粒子快速、准确地收敛于全局最优解,提高算法收敛速度和精度,设置c 1 取较小的值,c 2 取较大的值;
步骤601:设置k=0,在步骤3得到的井位候选区域内初始化种群种各粒子的位置x i 、飞行速度v i ,设置种群数量、最大迭代次数T max 、惯性权重ω;
步骤602:利用目标函数计算每个粒子的目标函数值,并保证个体满足约束条件;
步骤603:对于种群中每个粒子,将粒子的目标函数值与个体历史极值P best 比较,若优于个体极值P best ,则保留这个值并将其作为当前最好位置;否则还是保留个体历史极值P best ;
步骤604:对于种群中每个粒子,将粒子的目标函数值与群体历史极值g best 比较,若优于群体极值g best ,则保留这个值并将其作为当前的群体最好位置;否则还是保留群体历史极值g best ;
步骤605:将得到的个体极值和群体极值带入位置和飞行速度公式得到新的位置和飞行速度;
步骤606:通过支配关系更新非劣解,并进行非劣解集的更新存档;
步骤607:若满足终止条件,则输出Pareto集合,否则令k=k+1,返回到步骤602重新执行;所述终止条件为达到最大迭代次数或者达到所期望的目标函数值。
优选地,所述步骤6中,在获得的目标函数的解的集合中,根据收益、开发难度或产能对油藏不同开发阶段的影响选取最终结果;选取最大油井收益、最小开发难度或者最大单井潜力产能作为最终结果;或选择各因素均衡优化下的结果作为最优井位。
与现有技术相比,本发明的有益效果如下:
本发明首先将影响产油的因素作为评价指标,避免重复模拟计算,减少工作量;同时采用易得参数,减少对油井历史数据的依赖,使本方法可应用于油气田开发前、中、后期,适应性更强。本发明基于覆盖度函数理论和外延井控半径,提供的参数计算方法更符合实际情况。在该方法中,通过将井控半径范围内的地质区域分为完全覆盖和非线性覆盖两个部分,以更好地反映地质情况的不确定性和数模的随机性;完全覆盖区域与实际地质情况相符,而非线性覆盖区域用于处理地质情况的变化和不确定性,更符合实际情况。本发明将多目标优化模型与约束条件带入粒子群算法求解,能够同时满足油井最大理论收益、最小开发难度以及最大单井潜力产能,对油气田的开发具有实际意义。
附图说明
图1是本发明井位选取方法流程图;
图2是本发明粒子群算法流程图;
图3是本发明实施例2中C油藏油、水相相对渗透率曲线;
图4是本发明实施例2中C油藏含油饱和度分布图;
图5是本发明实施例2中C油藏未来累计产油曲线。
具体实施方式
为了使本发明发技术方案和优点更清楚,下面结合附图以及具体实施例对本发明作进一步详细说明。
实施例1
一种基于多目标粒子群优化的油藏井位选取方法,其流程图如图1所示,包括如下步骤:
步骤1、建立油藏数值模拟模型,将所述油藏数值模拟模型划分网格;
步骤2、读取油藏模拟资料,确定油藏可动用潜力的评价指标;
步骤3、确定各评价指标的权重,计算油藏可动用综合潜力,并以此划分井位候选区;
步骤4、综合考虑油井的理论收益、相对开发难度、单井潜力产能建立多目标优化模型;
步骤5、对所述多目标优化模型的目标函数设置约束条件;
步骤6、根据优化算法对所述目标函数求解,每个解对应一个井位;
步骤7、在获得的目标函数的解的集合中,根据收益、开发难度或产能选取最终结果,从而确定井位。
所述步骤2具体步骤如下:
步骤201:读取油藏数值模拟资料,包括:油藏渗透率K、孔隙度φ、含油饱和度S o 、油相相对渗透率K ro 、水相相对渗透率K rw 、流线密度n、井控半径r e 、油相粘度μ o 、水相粘度μ w 、地面原油密度ρ o 、原油体积系数B o ;
步骤202:确定油藏可动用潜力的评价指标,所述评价指标分别为剩余油可采储量丰度I o 、优势潜力丰度系数A和流线密度n,剩余油可采储量丰度I o 和优势潜力丰度系数A的计算公式如下:
;
;
式中,I o 为剩余油可采储量丰度,kg/m2;h为地层厚度,m2;φ为孔隙度,小数;S o 为含油饱和度,小数;S or 为残余油饱和度,小数;ρ o 为地面原油密度,kg/m3;B o 为原油体积系数,小数;A为优势潜力丰度系数;K ro 为油相相对渗透率;K rw 为水相相对渗透率;μ o 、μ w 分别为油、水相粘度,mPa.s。
所述步骤3具体步骤如下:
步骤301:将剩余油可采储量丰度I o 、优势潜力丰度系数A和流线密度n归一化到[0,1]区间,归一化公式如下:
;
;
;
式中,F(I oi )、F(A i )、F(n i )分别表示I oi 、A i 、n i 对应的归一化值;i为网格点,I omax 、I omin 分别为油藏所有网格中剩余油可采储量丰度I o 的最大值、最小值;A max 、A min 分别为油藏所有网格中优势潜力丰度系数A的最大值、最小值;n max 、n min 分别为油藏所有网格中流线密度n的最大值、最小值;
步骤302:根据专家调查权重法确定各评价指标的权重;
步骤303:将各评价指标的权重带入下述公式,得到可动用综合潜力评价系数FO i ,计算公式如下:
;
式中,FO i 为网格点i的可动用综合潜力评价系数;i为网格点;a为网格点i的数量;θ 1 、θ 2 、θ 3 、θ 4 为权重系数,其中θ 1 +θ 2 =1,θ 3 +θ 4 =1;
FO i 越高代表可动用综合潜力越大,以此划分区域大且有油相流通可能性更大的区块,并将该区块作为井位候选区。
所述步骤4具体步骤如下:
步骤401:给定集合i=(1,2,...,a),j=(1,2,...,b),设定决策变量X i 、Y ij :
;
;
其中,i为网格点;a为网格点i的数量;j为井位候选点,简称井点;b为井点j的数量;
步骤402:选用覆盖度函数,使井控面积更加符合实际情况,覆盖度函数具体公式如下:
;
式中,f ij 为覆盖度函数,d ij 为井点j到网格点i的距离,m;π为圆周率;R max 、R min 分别为井控最大、最小外延半径,m;
步骤403:综合考虑油井的理论收益、相对开发难度、单井潜力产能建立多目标优化模型,目标函数F(x)由f(x 1 )、f(x 2 )、f(x 3 ),其中f(x 1 )表示总井控储量,f(x 2 )表示单井井控储层均质程度,f(x 3 )为单井井控储层流动系数;目标函数F(x)如下:
。
所述f(x 1 )表示总井控储量,代表油井最大理论收益,具体公式如下:
;
式中,f ij 为覆盖度函数;N为剩余油总地质储量,m3;Y ij 为j井点覆盖i网格点为1,否则为0;λ i 为i网格点所占剩余油总地质储量N的权重。
所述f(x 2 )表示单井井控储层均质程度,代表单井最小开发难度,具体公式如下:
;
式中,f ij 为覆盖度函数;Y ij 为j井点覆盖i网格点为1,否则为0;K i 为i网格点渗透率;为j井点覆盖下网格点的平均渗透率。
所述f(x 3 )表示单井井控储层流动系数,代表最大单井潜力产能,具体公式如下:
;
式中,为j井点覆盖下网格点的平均渗透率;Y ij 为j井点覆盖i网格点为1,否则为0;h为网格有效厚度;K j 为j井点渗透率,d;K jo 为j井点油相渗透率,d;μ jo 为j井点油相粘度,mPa.s。
所述步骤5的具体约束条件如下:
约束条件1:考虑到施工要求,对总井数进行约束:
;
约束条件2:对井间距离进行约束:
;
式中,P为总井数;d j 表示两井点之间的距离。
优选地,所述优化算法为粒子群算法,所述步骤6具体步骤如下:
初始化一群粒子,粒子的位置和飞行速度根据目标函数进行自动更新,更新公式为:
;
;
其中,;
;
式中,为第k+1次迭代时的粒子速度;/>为第k+1次迭代时的粒子位置;/>为第k次迭代时的粒子速度;/>为第k次迭代时的个体最优值粒子在第k次迭代的个体极值;为第k次迭代时的群体最优值粒子在第k次迭代的群体极值;k为目前的迭代次数;ω为惯性权重;c 1 和c 2 为学习因子;r 1 和r 2 是在服从U(0,1)分布的随机数;T max 为最大迭代次数;
步骤601:设置k=0,在步骤3得到的井位候选区域内初始化种群种各粒子的位置x i 、飞行速度v i ,设置种群数量、最大迭代次数T max 、惯性权重ω;
步骤602:利用目标函数计算每个粒子的目标函数值,并保证个体满足约束条件;
步骤603:对于种群中每个粒子,将粒子的目标函数值与个体历史极值P best 比较,若优于个体极值P best ,则保留这个值并将其作为当前最好位置;否则还是保留个体历史极值P best ;
步骤604:对于种群中每个粒子,将粒子的目标函数值与群体历史极值g best 比较,若优于群体极值g best ,则保留这个值并将其作为当前的群体最好位置;否则还是保留群体历史极值g best ;
步骤605:将得到的个体极值和群体极值带入位置和飞行速度公式得到新的位置和飞行速度;
步骤606:通过支配关系更新非劣解,并进行非劣解集的更新存档;
步骤607:若满足终止条件,则输出Pareto集合,否则令k=k+1,返回到步骤602重新执行;所述终止条件为达到最大迭代次数或者达到所期望的目标函数值。
优选地,所述步骤6中,在获得的目标函数的解的集合中,根据收益、开发难度或产能对油藏不同开发阶段的影响选取最终结果;选取最大油井收益、最小开发难度或者最大单井潜力产能作为最终结果;或选择各因素均衡优化下的结果作为最优井位。
实施例2
下面以C油藏为例对本发明的技术方案进行说明:
步骤1、建立C油藏均质渗透率概念模型,网格为200×200,厚度为10m,在该模型边部打一口的生产井A,读取该模型进行模拟生产5年后的数据输出;
步骤2、步骤201:读取C油藏数值资料,见表1,油、水相相对渗透率曲线见图3,含油饱和度见图4;
表1 油藏数值资料
;
步骤202:确定剩余油可采储量丰度I o 、优势潜力丰度系数A和流线密度n为油藏可动用潜力的评价指标,剩余油可采储量丰度I o 和优势潜力丰度系数A的计算公式如下:
;
;
式中,I o 为剩余油可采储量丰度,kg/m2;h为地层厚度,m2;φ为孔隙度,小数;S o 为含油饱和度,小数;S or 为残余油饱和度,小数;ρ o 为地面原油密度,kg/m3;B o 为原油体积系数;A为优势潜力丰度系数;K ro 为油相相对渗透率;K rw 为水相相对渗透率;μ o 、μ w 分别为油、水相粘度,mPa.s。
步骤3、步骤301:将剩余油可采储量丰度I o 、优势潜力丰度系数A和流线密度n归一化到[0,1]区间,归一化公式如下:
;
;
;
式中,F(I oi )、F(A i )、F(n i )分别表示I oi 、A i 、n i 对应的归一化值;i为网格点,I omax 、I omin 分别为油藏所有网格中剩余油可采储量丰度I o 的最大值、最小值;A max 、A min 分别为油藏所有网格中优势潜力丰度系数A的最大值、最小值;n max 、n min 分别为油藏所有网格中流线密度n的最大值、最小值;
步骤302:根据专家调查权重法确定各评价指标的权重;
步骤303:将各评价指标的权重带入下述公式,得到可动用综合潜力评价系数FO,计算公式如下:
;
式中,FO i 为网格点i的可动用综合潜力评价系数;i为网格点;a为网格点i的数量;
将θ 1 =0.5,θ 2 =0.5,θ 3 =0.4,θ 4 =0.6带入公式得:
;
FO i 越高代表可动用综合潜力越大,实际油藏数据大多服从正态分布,峰值基本在0.5左右,因此在筛选时,为了进一步缩小候选区域,将所有FO i 低于0.5的网格点筛除,将所有FO i 高于0.5的网格点作为井位候选区域。由于井生产状况与井周联系密切,所以将单独存在的、FO i 高于0.5的网格点也筛除。
步骤4、步骤401:给定集合i=(1,2,...,a),j=(1,2,...,b),设定决策变量X i 、Y ij :
;
;
其中,i为网格点;a为网格点i的数量;j为井位候选点,简称井点;b为井点j的数量;
步骤402:选用覆盖度函数,使井控面积更加符合实际情况,覆盖度函数具体公式如下:
;
式中,f ij 为覆盖度函数,d ij 为井点j到网格点i的距离,m;π为圆周率;
步骤403:综合考虑油井的理论收益、相对开发难度、单井潜力产能建立多目标优化模型,目标函数F(x)由f(x 1 )、f(x 2 )、f(x 3 ),其中f(x 1 )表示总井控储量,f(x 2 )表示单井井控储层均质程度,f(x 3 )为单井井控储层流动系数;目标函数F(x)如下:
。
所述f(x 1 )表示总井控储量,代表油井最大理论收益,具体公式如下:
;
式中,f ij 为覆盖度函数;N为剩余油总地质储量,m3;Y ij 为j井点覆盖i网格点为1,否则为0;λ i 为i网格点所占剩余油总地质储量N的权重。
所述f(x 2 )表示单井井控储层均质程度,代表单井最小开发难度,具体公式如下:
;
式中,f ij 为覆盖度函数;Y ij 为j井点覆盖i网格点为1,否则为0;K i 为i网格点渗透率;为j井点覆盖下网格点的平均渗透率。
所述f(x 3 )表示单井井控储层流动系数,代表最大单井潜力产能,具体公式如下:
;
式中,为j井点覆盖下网格点的平均渗透率;Y ij 为j井点覆盖i网格点为1,否则为0;h为网格有效厚度;K j 为j井点渗透率,d;K jo 为j井点油相渗透率,d;μ jo 为j井点油相粘度,mPa.s。
步骤5、约束条件1:考虑到施工要求,对总井数进行约束:
;
约束条件2:对井间距离进行约束:
;
式中,d j 表示两井点之间的距离。
步骤6、初始化一群粒子,粒子的位置和飞行速度根据目标函数进行自动更新,更新公式为:
;
;
其中,;
;
式中,为第k+1次迭代时的粒子速度;/>为第k+1次迭代时的粒子位置;/>为第k次迭代时的粒子速度;/>为第k次迭代时的个体最优值粒子在第k次迭代的个体极值;为第k次迭代时的群体最优值粒子在第k次迭代的群体极值;k为目前的迭代次数;ω为惯性权重;c 1 和c 2 为学习因子;r 1 和r 2 是在服从U(0,1)分布的随机数;T max 为最大迭代次数;
步骤601:设置k=0,在步骤3得到的井位候选区域内初始化种群种各粒子的位置x i 、飞行速度v i ,设置种群数量为50、最大迭代次数T max 为200次、惯性权重ω为0.73;
步骤602:利用目标函数计算每个粒子的目标函数值,并保证个体满足约束条件;
步骤603:对于种群中每个粒子,将粒子的目标函数值与个体历史极值P best 比较,若优于个体极值P best ,则保留这个值并将其作为当前最好位置;否则还是保留个体历史极值P best ;
步骤604:对于种群中每个粒子,将粒子的目标函数值与群体历史极值g best 比较,若优于群体极值g best ,则保留这个值并将其作为当前的群体最好位置;否则还是保留群体历史极值g best ;
步骤605:将得到的个体极值和群体极值带入位置和飞行速度公式得到新的位置和飞行速度;
步骤606:通过支配关系更新非劣解,并进行非劣解集的更新存档;
步骤607:本实施例计算至200代停止迭代,井位以X、Y网格坐标形式给出,本实施例为了便于查看,将优选出的两口井控储层均质程度、井控储层流动系数做平均数。井位优选方案如表2所示:
表2 井位优选方案
。
若以井控储量最大为选取标准,则方案1为最优方案,该方案井控储量最大,为22.244×103m³,井控均质程度为0.33,井控储层流动系数为1.12;若以井控储层流动系数为选取标准,则方案8为最优方案,该方案井控储层流动系数最大,为1.18,井控均质程度为0.31,井控储量为19.76×103m³;也可综合各因素考虑选取合适的方案,在此不过多赘述。
本实施例以方案1(157、102)和(132、124)为最优井位,使用油藏数值模拟软件CMG进行模拟,以日产油不小于60m³进行预测生产13年,累计产油曲线见图5,可得方案1两口井累计产油551618.3m³,且累计产油曲线呈现线性增长,生产稳定,说明该油井稳产期长,证明本发明的井位选取方法的准确性。
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,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于多目标粒子群优化的油藏井位选取方法,其特征在于,包括如下步骤:
步骤1、建立油藏数值模拟模型,将所述油藏数值模拟模型划分网格;
步骤2、读取油藏模拟资料,确定油藏可动用潜力的评价指标;
步骤3、确定各评价指标的权重,计算油藏可动用综合潜力,并以此划分井位候选区;
步骤4、综合考虑油井的理论收益、相对开发难度、单井潜力产能建立多目标优化模型;
步骤5、对所述多目标优化模型的目标函数设置约束条件;
步骤6、根据优化算法对所述目标函数求解,每个解对应一个井位;
步骤7、在获得的目标函数的解的集合中,根据收益、开发难度或产能选取最终结果,从而确定井位。
2.根据权利要求1所述的基于多目标粒子群优化的油藏井位选取方法,其特征在于,所述步骤2具体步骤如下:
步骤201:读取油藏数值模拟资料,包括:油藏渗透率K、孔隙度φ、含油饱和度S o 、油相相对渗透率K ro 、水相相对渗透率K rw 、流线密度n、井控半径r e 、油相粘度μ o 、水相粘度μ w 、地面原油密度ρ o 、原油体积系数B o ;
步骤202:确定油藏可动用潜力的评价指标,所述评价指标分别为剩余油可采储量丰度I o 、优势潜力丰度系数A和流线密度n,剩余油可采储量丰度I o 和优势潜力丰度系数A的计算公式如下:
;
;
式中,I o 为剩余油可采储量丰度,kg/m2;h为地层厚度,m2;φ为孔隙度,小数;S o 为含油饱和度,小数;S or 为残余油饱和度,小数;ρ o 为地面原油密度,kg/m3;B o 为原油体积系数,小数;A为优势潜力丰度系数;K ro 为油相相对渗透率;K rw 为水相相对渗透率;μ o 、μ w 分别为油、水相粘度,mPa.s。
3.根据权利要求1所述的基于多目标粒子群优化的油藏井位选取方法,其特征在于,所述步骤3具体步骤如下:
步骤301:将剩余油可采储量丰度I o 、优势潜力丰度系数A和流线密度n归一化到[0,1]区间,归一化公式如下:
;
;
;
式中,F(I oi )、F(A i )、F(n i )分别表示I oi 、A i 、n i 对应的归一化值;i为网格点,I omax 、I omin 分别为油藏所有网格中剩余油可采储量丰度I o 的最大值、最小值;A max 、A min 分别为油藏所有网格中优势潜力丰度系数A的最大值、最小值;n max 、n min 分别为油藏所有网格中流线密度n的最大值、最小值;
步骤302:根据专家调查权重法确定各评价指标的权重;
步骤303:将各评价指标的权重带入下述公式,得到可动用综合潜力评价系数FO i ,计算公式如下:
;
式中,FO i 为网格点i的可动用综合潜力评价系数;i为网格点;a为网格点i的数量;θ 1 、θ 2 、θ 3 、θ 4 为权重系数,其中θ 1 +θ 2 =1,θ 3 +θ 4 =1;
FO i 越高代表可动用综合潜力越大,以此划分区域大且有油相流通可能性更大的区块,并将该区块作为井位候选区。
4.根据权利要求1所述的基于多目标粒子群优化的油藏井位选取方法,其特征在于,所述步骤4具体步骤如下:
步骤401:给定集合i=(1,2,...,a),j=(1,2,...,b),设定决策变量X i 、Y ij :
;
;
其中,i为网格点;a为网格点i的数量;j为井位候选点,简称井点;b为井点j的数量;
步骤402:选用覆盖度函数,使井控面积更加符合实际情况,覆盖度函数具体公式如下:
;
式中,f ij 为覆盖度函数,d ij 为井点j到网格点i的距离,m;π为圆周率;R max 、R min 分别为井控最大、最小外延半径,m;
步骤403:综合考虑油井的理论收益、相对开发难度、单井潜力产能建立多目标优化模型,目标函数F(x)由f(x 1 )、f(x 2 )、f(x 3 ),其中f(x 1 )表示总井控储量,f(x 2 )表示单井井控储层均质程度,f(x 3 )为单井井控储层流动系数;目标函数F(x)如下:
。
5.根据权利要求4所述的基于多目标粒子群优化的油藏井位选取方法,其特征在于,所述f(x 1 )表示总井控储量,代表油井最大理论收益,具体公式如下:
;
式中,f ij 为覆盖度函数;N为剩余油总地质储量,m3;Y ij 为j井点覆盖i网格点为1,否则为0;λ i 为i网格点所占剩余油总地质储量N的权重。
6.根据权利要求4所述的基于多目标粒子群优化的油藏井位选取方法,其特征在于,所述f(x 2 )表示单井井控储层均质程度,代表单井最小开发难度,具体公式如下:
;
式中,f ij 为覆盖度函数;Y ij 为j井点覆盖i网格点为1,否则为0;K i 为i网格点渗透率;为j井点覆盖下网格点的平均渗透率。
7.根据权利要求4所述的基于多目标粒子群优化的油藏井位选取方法,其特征在于,所述f(x 3 )表示单井井控储层流动系数,代表最大单井潜力产能,具体公式如下:
;
式中,为j井点覆盖下网格点的平均渗透率;Y ij 为j井点覆盖i网格点为1,否则为0;h为网格有效厚度;K j 为j井点渗透率,d;K jo 为j井点油相渗透率,d;μ jo 为j井点油相粘度,mPa.s。
8.根据权利要求1所述的基于多目标粒子群优化的油藏井位选取方法,其特征在于,所述步骤5的具体约束条件如下:
约束条件1:考虑到施工要求,对总井数进行约束:
;
约束条件2:对井间距离进行约束:
;
式中,P为总井数;d j 表示两井点之间的距离。
9.根据权利要求1所述的基于多目标粒子群优化的油藏井位选取方法,其特征在于,所述优化算法为粒子群算法,所述步骤6具体步骤如下:
初始化一群粒子,粒子的位置和飞行速度根据目标函数进行自动更新,更新公式为:
;
;
其中,;
;
式中,为第k+1次迭代时的粒子速度;/>为第k+1次迭代时的粒子位置;/>为第k次迭代时的粒子速度;/>为第k次迭代时的个体最优值粒子在第k次迭代的个体极值;/>为第k次迭代时的群体最优值粒子在第k次迭代的群体极值;k为目前的迭代次数;ω为惯性权重;c 1 和c 2 为学习因子;r 1 和r 2 是在服从U(0,1)分布的随机数;T max 为最大迭代次数;
步骤601:设置k=0,在步骤3得到的井位候选区域内初始化种群种各粒子的位置x i 、飞行速度v i ,设置种群数量、最大迭代次数T max 、惯性权重ω;
步骤602:利用目标函数计算每个粒子的目标函数值,并保证个体满足约束条件;
步骤603:对于种群中每个粒子,将粒子的目标函数值与个体历史极值P best 比较,若优于个体极值P best ,则保留这个值并将其作为当前最好位置;否则还是保留个体历史极值P best ;
步骤604:对于种群中每个粒子,将粒子的目标函数值与群体历史极值g best 比较,若优于群体极值g best ,则保留这个值并将其作为当前的群体最好位置;否则还是保留群体历史极值g best ;
步骤605:将得到的个体极值和群体极值带入位置和飞行速度公式得到新的位置和飞行速度;
步骤606:通过支配关系更新非劣解,并进行非劣解集的更新存档;
步骤607:若满足终止条件,则输出Pareto集合,否则令k=k+1,返回到步骤602重新执行;所述终止条件为达到最大迭代次数或者达到所期望的目标函数值。
10.根据权利要求1所述的基于多目标粒子群优化的油藏井位选取方法,其特征在于,所述步骤6中,在获得的目标函数的解的集合中,根据收益、开发难度或产能对油藏不同开发阶段的影响选取最终结果;选取最大油井收益、最小开发难度或者最大单井潜力产能作为最终结果;或选择各因素均衡优化下的结果作为最优井位。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311374480.3A CN117350162A (zh) | 2023-10-23 | 2023-10-23 | 一种基于多目标粒子群优化的油藏井位选取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311374480.3A CN117350162A (zh) | 2023-10-23 | 2023-10-23 | 一种基于多目标粒子群优化的油藏井位选取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117350162A true CN117350162A (zh) | 2024-01-05 |
Family
ID=89370729
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311374480.3A Pending CN117350162A (zh) | 2023-10-23 | 2023-10-23 | 一种基于多目标粒子群优化的油藏井位选取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117350162A (zh) |
-
2023
- 2023-10-23 CN CN202311374480.3A patent/CN117350162A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110110419B (zh) | 一种基于多目标学习的tbm掘进参数预测方法 | |
CN109948841B (zh) | 一种基于深度学习的水驱开发油田剩余油分布的预测方法 | |
CN106353809B (zh) | 一种压裂裂缝网络的反演表征方法 | |
CN104615862A (zh) | 基于进化算法的高含水油田确定井位的方法 | |
CN113052371A (zh) | 基于深度卷积神经网络的剩余油分布预测方法及装置 | |
CN108804382B (zh) | 一种参数自动反求方法和装置 | |
CN109426672B (zh) | 基于不确定地质模型的油藏注采参数优化方法 | |
Karkevandi-Talkhooncheh et al. | Application of hybrid adaptive neuro-fuzzy inference system in well placement optimization | |
CN113610945B (zh) | 一种基于混合神经网络的地应力曲线预测方法 | |
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 | |
CN114723095A (zh) | 缺失测井曲线预测方法及装置 | |
CN107939372B (zh) | 针对小断块油藏的最优井位部署方法和装置 | |
CN114004100B (zh) | 一种油藏辅助历史拟合和优化模拟方法 | |
CN116305850A (zh) | 一种基于随机森林模型的地层热导率预测方法 | |
CN117350162A (zh) | 一种基于多目标粒子群优化的油藏井位选取方法 | |
CN109190297B (zh) | 一种大型地下厂房对穿锚索锚固参数优化方法 | |
CN108133286B (zh) | 一种基于地面沉降替代模型的地下水多目标计算方法 | |
CN109117517A (zh) | 一种基于遗传算法与地下水模型的基坑降水优化设计方法 | |
CN111222261B (zh) | 动静参数结合的产量劈分方法 | |
CN114139432A (zh) | 利用神经网络技术的裂缝性油藏co2驱流动模拟方法 | |
CN110956388A (zh) | 一种海上油气藏增产方案生成方法 | |
CN116629112B (zh) | 一种基于科学智能的油藏属性参数反演方法及系统 | |
CN113627761B (zh) | 一种岩土工程涌突水概率预测的并行评价方法 | |
CN116976146B (zh) | 耦合物理驱动和数据驱动的压裂井产量预测方法与系统 | |
CN114575801B (zh) | 基于流线模拟的水驱注采井液量优化方法及装置 |
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 |