基于改進粒子群算法的不規則井網自動優化*

丁帥偉 姜漢橋 周代余 趙 冀 曠曦域 白 鵬

(1.中國石油大學(北京)石油工程教育部重點實驗室 北京 102249；2.中國石油塔里木油田分公司勘探開發研究院 新疆庫爾勒 841000； 3.云南省煤炭地質勘查院 云南昆明 650218)

基于改進粒子群算法的不規則井網自動優化*

丁帥偉1姜漢橋1周代余2趙 冀2曠曦域2白 鵬3

(1.中國石油大學(北京)石油工程教育部重點實驗室 北京 102249；2.中國石油塔里木油田分公司勘探開發研究院 新疆庫爾勒 841000； 3.云南省煤炭地質勘查院 云南昆明 650218)

深水油藏由于其特殊的油藏條件和開發特點，一般采用“少井高產”的高效開發模式，井網類型多為不規則井網，因此利用傳統的規則井網部署方法進行井位的部署將不再適用。本文從慣性權值、速度更新策略和位置更新策略等三方面對標準粒子群算法進行了改進，建立了井位和井型自動優化模型，并利用改進的算法進行了求解。實例應用表明，本文對標準粒子群優化算法的改進是有效的，利用本文優化方法進行直井、水平井和定向井等不規則井網的優化是可行的。本文方法可以為深水油田高速開發模式的建立提供基礎，同時為陸上油藏不規則井網部署提供參考。

井網自動優化；不規則井網；標準粒子群算法；改進粒子群算法；深水油藏

合理井網研究在油藏開發中一直是重要的課題之一，據調研國內主要是基于油藏工程方法及專家經驗部署規則型井網。與常規的陸上和淺海油氣藏井網類型不同，深水油氣藏(油藏埋深位于水深400 m之下[1])目前多為不規則井網開發，且采用“稀井高產”的開發策略，面臨技術要求高、作業難度大和投資風險高等諸多難題和挑戰[2]。對于不規則井網的部署和優化，國內鮮有報道[3-5]，國外比較具有代表性的方法是基于各種數學優化方法,如遺傳算法、多面體方法、人工神經網絡、蟻群算法和模擬退火法等完成井位的優化選擇[6-15]。粒子群算法[16](PSO)是模擬鳥群覓食行為的一種基于迭代的最優化算法，相對于上述幾種優化算法較為簡單且收斂性很好,但對于解決的問題不同，粒子群算法的適應性和收斂性仍存在問題。

基于上述研究現狀和深水油藏的開發特點，本文利用改進粒子群優化算法建立了深水油藏不規則井網井位和井型優化研究模型，并進行了實例應用。

1 方法原理

開展不規則井網井位和井型優化，需要建立相應的井軌跡優化模型，并求解模型的最優值。本文在最優值的求解問題中對粒子群算法進行了改進，并通過編程實現自動優化，每個粒子代表一種可能的最優布井方案，所有粒子都有一個適應度值，而且在最優化過程中每個粒子在解的空間中記憶、追隨當前的最優粒子。

1.1 改進粒子群優化算法(MPSO)

為了克服標準粒子群算法的早熟收斂和收斂性能差等缺點，國內外學者對標準粒子群算法的改進也有較多研究。慣性權值w、加速因子c1和c2決定了粒子群算法的收斂性，Martinez和Gonzalo[16]根據不同的w、c1和c2取值提出了不同的改進PSO算法，分別是CP-PSO、PP-PSO和G-PSO，并且證明CP-PSO具有最好的收斂和搜索性能。不同的PSO算法的w、c1和c2取值如圖1所示，縱坐標變量Φ=(c1+c2)/2;對于標準粒子群算法，w=0.721，Φ=1.193。

本文綜合目前已有的改進策略和方法，從以下3個方面對標準粒子群算法進行改進。

1) 慣性權值w的改進。

慣性權值是保持粒子飛行速度的系數，目前一些學者對慣性權值的改進進行了相關的研究。本文采用其中的非線性化調整策略對慣性權值進行改進,即

圖1 不同的PSO對應的w和Φ

式(1)中：t為當前迭代次數；tmax為最大迭代次數；wmax=0.9，wmin=0.2。

2) 速度更新策略的改進。

自然界中雁群的飛行距離比孤雁單飛的距離增加71%，其原因是雁群常常以“一”字形或“人”字形飛行[17]。基于雁群飛行的啟示，本文從以下2個方面對速度更新策略進行改進:一方面，考慮到雁群飛行過程中后面的每只大雁都緊隨其前面的那只較強壯的大雁飛行，后面每只大雁的全局極值可以用其前面的那只大雁的個體極值代替(頭雁除外)，因此可以用pi-1(t)代替速度更新公式中的pg(t)；另一方面，雁群在飛行的過程中除了依靠自身的經驗進行決策，還需要借鑒雁群中其他大雁的經驗，因此其到目前為止得到的個體極值pi(t)可以由考慮雁群中其他大雁的適應度值pai代替(頭雁除外)。最終，速度更新公式變為以下形式

vi(t+1)=wvi(t)+c1k1(pai(t)-

xi(t))+c2k2(pi -1(t)-xi(t))

(2)

(3)

式(2)、(3)中：pai(t)為新的個體極值；pi-1(t)為新的全局極值；xi(t)為粒子在迭代次數t時的飛行位置；k1、k2是[0,1]范圍內的隨機數；f(xi)為粒子i的當前適應度值。

3) 位置更新策略的改進。

在雁群飛行過程中，其飛行的速度和時間都是在不斷發生變化的。本文采用考慮飛行時間的不斷變化，對位置更新公式做如下改進：

xi(t+1)=xi(t)+K(t)vi(t+1)

(4)

1.2 優化模型建立

對于井位和井型的優化，只需要確定目標井井口坐標和井底坐標。本文把井位優化問題簡化為求解2個點(跟部和趾部)的最優坐標問題，建立的井軌跡優化模型如圖2所示。

圖2 井軌跡優化模型

本文建立的優化模型可以同時優化3種類型井的井位和井軌跡，分別是直井、水平井和定向井。對于定向井，只要確定跟部(hx,hy,hz)和趾部(tx,ty,tz)兩點的坐標，即可以確定其井位(hx,hy)和井軌跡Iw。直井模型和水平井模型其實是定向井模型的2種特殊情況，當為直井時，hx=tx,hy=ty；當為水平井時，tz-hz=0。

在粒子群優化算法中，只需要用三維空間中的2個粒子表示所要優化井的跟部和趾部坐標，即可在三維空間中進行目標函數的自動迭代尋優。

1.3 模型初始化

模型初始化就是粒子群算法中初始粒子位置的選擇，采取隨機初始化的方法。對于直井的優化，由于不需要考慮井軌跡的優化，只需要初始化井的平面x、y坐標即可;但對于定向井或水平井的優化，需要根據井型優化模型，同時初始化井的跟部坐標(hx,hy,hz)和趾部坐標(tx,ty,tz)。

1.4 目標評價函數建立

由于深水油田開發一般以投資期內效益最大化為目標，為此本次井位和井型優化以凈現值(NPV)最大為尋優終止條件，即選取NPV作為目標評價函數。評價函數模型為

(5)

其中

(6)

(7)

(8)

表1 NPV計算的經濟參數取值

1.5 約束條件和無效布井方案處理

為了保證布井的結果更加符合實際情況，在算法的計算過程中需要加一些約束條件。本文提出的優化算法考慮了2口井之間的最小井距限制，其約束條件為

為有效泄油半徑)

(9)

xi,yi∈Z+

(10)

xL≤xi≤xU

(11)

yL≤yi≤yU

(12)

式(9)～(12)中：(xi,yi)和(xj,yj)分別為井i，j的位置，i,j=1,2,…,Nwell，i≠j；Z+表示正整數；xU、yU表示x、y方向有效網格上界；xL、yL表示x、y方向有效網格下界。

在自動優化的過程中，若任一口井布置在了無效網格中或者任意2口井優化的井軌跡出現相交的情況，就會采取懲罰性措施，即該粒子或本次布井方案不進行適應度值(NPV)評價，而是直接將本次布井結果的適應度值(NPV)賦為0。

以上井位和井型優化方法的自動化實現主要結合計算機匯編語言VB、Matlab和油藏數值模擬商業軟件Eclipse進行混合編制，具體優化步驟如下。

1) 種群的初始化：根據要優化的井數和井位坐標維數，定義種群的大小和維數，并隨機產生初始迭代步狀態下的粒子的飛行速度和飛行位置，其中用2個粒子分別代表要優化的井的跟部和趾部的坐標，每個粒子的維數是三維；

2) 計算適應度值：調用數模軟件進行完整運算以及NPV計算模型(式(5))，計算每種布井方案的適應度值；

3) 個體極值更新：基于每種布井方案的適應度值計算結果，比較粒子當前適應度值和個體極值，更新每個粒子的歷史最優適應度值；

4) 粒子個體極值計算：按照每個粒子的最優適應度值進行排序，根據式(3)計算粒子的個體極值，第一個粒子的個體極值保持不變；

5) 粒子全局極值計算：用前一個粒子的個體極值代替后一個粒子的全局極值，第一個粒子的全局極值保持不變；

6) 速度和位置的更新：根據式(2)～(4)，計算每個粒子的速度和位置；

7) 如果滿足預先設定的迭代次數，則計算停止，否則轉向步驟2)。

2 實例應用

PUNQ-S3模型是由某實際油藏模型經過粗化形成的測試油藏模型(圖3)，該模型通常被用于測試模型或算法的穩定性和優劣[19-21]。該油藏被一個活躍的水體所環繞，構造頂部位置有一氣頂；油藏頂部深度約為2 340 m，原始地層壓力為23.8 MPa，平均滲透率為269.37 mD，平均孔隙度為0.2，原油黏度為3.47 mPa·s，初始含油飽和度為0.8，原始油藏地質儲量為1 584萬t；劃分的網格數為19×28×5，步長為180 m×180 m×4.4 m，其中有效網格1 761個，縱向上劃分為5個小層，平面有效網格大概有352個。該油藏的初始布井方案中只有6口直井生產井，分別圍繞著油氣界面。

圖3 PUNQ-S3油藏三維模型滲透率分布(a)和含油飽和度分布(b)

為了驗證本文算法的優勢，分別利用本文的改進粒子群優化算法(MPSO)和已有的CP-PSO算法，結合定向井優化模型進行6口定向井衰竭式開發井位和井型的優化部署，其中粒子種群數和最大迭代次數設為50和100。

圖4為MPSO和CP-PSO布井方案最終NPV結果對比，對于MPSO和CP-PSO都采用運行3次取平均值的方法，其中藍色實線和紅色實線分別代表MPSO和CP-PSO平均值，虛線代表3次MPSO和CP-PSO迭代結果。由圖4可以看出，相對于CP-PSO算法，改進粒子群優化算法(MPSO)的布井方案具有一定的優勢。當迭代步長小于60時，2種算法的NPV差別不大，MPSO算法的優勢主要體現在后面的迭代步中，說明本文新算法在迭代次數增加時仍然具有較高的收斂精度。對比最終的NPV可知，CP-PSO方案的NPV為7.34×109元人民幣，MPSO方案的NPV為8.25×109元人民幣，本文改進算法提高了12.4%。由此可見，本文對標準粒子群算法的改進是有效的，利用改進粒子群算法和定向井優化模型進行定向井衰竭式開發井位和井型的優化部署是可行的。

圖4 改進粒子群算法和CP-PSO算法布井方案NPV對比

圖5為改進粒子群算法和CP-PSO算法井位和井型優化結果對比圖。由圖5可知，2種方法的優化結果是6口生產井基本上都為水平井或定向井，且圍繞油氣界面分布，但MPSO布井結果圍繞油氣界面分布較CP-PSO更為均勻些，且井段長度較短，距離邊水較遠。因此，該油藏的最優布井方案應該是圍繞油氣界面進行均勻布井，遠離邊水，且采用水平井或定向井進行開發，井段長度不宜過長。

圖5 改進粒子群算法和CP-PSO算法布井方案井位對比(黑色實圈代表生產井)

3 結論

從慣性權值、速度更新策略和位置更新策略對標準粒子群算法進行了改進，建立了油藏不規則井網井位和井型優化模型，并利用改進粒子群優化算法，結合計算機匯編語言和數值模擬軟件實現了不規則井網的自動優化部署。實例證明相同的迭代條件下，改進粒子群優化算法相對于標準粒子群算法能夠找到更優的全局極值，這種改進是有效的。本文方法的部署結果具有明顯的優勢，可用于深水油藏井位和井型的優化部署。

[1] 張煜，馮永訓.海洋油氣田開發工程概論[M].北京:中國石化出版社，2011.

[2] 秦延龍，王世澎，馮士明.國外深水油田開發模式淺析[J].中國造船，2009，50(增刊1)：120-125.

Qin Yanlong,Wang Shipeng,Feng Shiming.The analysis of oversea deepwater oilfield development mode[J].Shipbuilding of China，2009，50(S1)：120-125.

[3] 李曉明.一種新型混合優化算法及其在優化油田開發中的應用[D].成都：原西南石油學院,2004：4.

[4] 王玉普，計秉玉，郭萬奎.大慶外圍特低滲透特低豐度油田開發技術研究[J].石油學報，2006:27(6)：70-74.

Wang Yupu，Ji Bingyu，Guo Wankui.Effective development technique for peripheral reservoirs with ultra low permeability and ultra low abundance in Daqing Oilfield [J].Acta Petrolei Sinica,2006:27(6)：70-74.

[5] 甘云雁，張士誠，劉書杰，等.整體壓裂井網與裂縫優化設計新方法[J].石油學報，2011,32(2)：290-294.Gan Yunyan,Zhang Shicheng,Liu Shujie,et al.A new method for well pattern optimization and integral fracturing design in low permeability reservoirs[J].Acta Petrolei Sinica,2011,32(2)：290-294.

[6] GüYAGüLER B,HORNE R N,ROGERS L,et al.Optimization of well placement in a Gulf of Mexico waterflooding project[J].SPE Reservoir Evaluation & Engineering,2002,5(3):229-236.

[7] BADRU O,KABIR C S.Well placement optimization in field development[R].SPE 84191,2003.

[8] BANGERTH W,KLIE H,WHEELER M F,et al.On optimization algorithms for the reservoir oil well placement problem[J].Computational Geosciences,2006,10(3):303-319.

[9] BOUZARKOUNA Z,DING D Y,AUGER A.Well placement optimization with the covariance matrix adaptation evolution strategy and meta-models[J].Computational Geosciences,2012,16(1):75-92.

[10] YETEN B,DURLOFSKY L J,AZIZ K.Optimization of nonconventional well type,location,and trajectory[J].SPE Journal,2003,8(3):200-210.

[11] LITVAK M，GANE B，WILLIAMS G,et al.Field development optimization technology[R].SPE 106426,2007.

[12] MONTES G,BARTOLOME P,UDIAS A L.The use of genetic algorithms in well placement optimization[C].SPE 69439,2001.

[13] MORALES A N,NASRABADI H,ZHU D.A modified genetic algorithm for horizontal well placement optimization in gas condensate reservoirs[R].SPE 135182,2010.

[14] ONWUNALU J.Optimization of nonconventional well placement using genetic algorithms and statistical proxy[D].California:Stanford University,2006.

[15] YETEN B.Optimum deployment of nonconventional wells[D].California:Stanford University,2003.

[17] 劉金洋.粒子群優化算法的研究與改進[D].哈爾濱：哈爾濱工業大學，2006：41-42.

[18] ONWUNALU J E,DURLOFSKY L J.Application of a particle swarm optimization algorithm for determining optimum well location and type[J].Computational Geosciences,2010,14(1):183-198.

[19] DING S W,JIANG H Q,LI J J,et al.Optimization of well placement by combination of a modified particle swarm optimization algorithm and quality map method[J].Computational Geosciences,2014,18(5):747-762.

[20] GU Y,OLIVER D S.History matching of the PUNQ-S3 reservoir model using the ensemble Kalman filter[J].SPE journal,2005,10(2):217-224.

[21] LI L,JAFARPOUR B.A variable-control well placement optimization for improved reservoir development[J].Computational Geosciences,2012,16(4):871-889.

(編輯：楊 濱)

Automatic optimization of irregular well pattern based on modified particle swarm algorithm

Ding Shuaiwei1Jiang Hanqiao1Zhou Daiyu2Zhao Ji2Kuang Xiyu2Bai Peng3

(1.KeyLaboratoryforPetroleumEngineeringoftheMinistryofEducation,ChinaUniversityofPetroleum,Beijing102249,China; 2.ResearchInstituteofExplorationandDevelopment,TarimOilfieldCompany,PetroChina,Korla,Xinjiang841000,China; 3.YunnanProvinceCoalGeologyProspectingInstitute,Kunming,Yunnan650218,China)

Higher yield with fewer wells strategy is usually adopted in the development of deep water reservoir due to the relatively special reservoir property and development condition. So using traditional regular well pattern deployment method is not adaptable for the high efficiency development mode because of the irregular well pattern. The standard particle swarm algorithm is improved from such aspects as inertia weight factor, update strategies of velocity and position, and the automatic optimization model of well location and type is established and solved. The application results show that the modified standard particle swarm algorithm is effective and feasible to optimize the irregular well patterns of vertical, horizontal and deviated wells. The proposed method can apply in establishing high efficiency development mode for deep water oil field and irregular well pattern deployment onshore.

automatic well pattern optimization; irregular well pattern; standard particle swarm algorithm; modified particle swarm algorithm; deep water reservoir

丁帥偉,男,在讀博士研究生,主要從事油藏工程與油藏數值模擬方面的研究。地址：北京市昌平區府學路18號(郵編：102249)。 E-mail:shwding@126.com。

1673-1506(2016)01-0080-06

10.11935/j.issn.1673-1506.2016.01.012

TE324；TE53

A

2015-04-13 改回日期：2015-08-18

*“十二五”國家科技重大專項“西非深水油氣田注采優化及高效開發模式研究(編號：2011ZX05030-005-05)”部分研究成果。

丁帥偉,姜漢橋,周代余，等.基于改進粒子群算法的不規則井網自動優化[J].中國海上油氣，2016,28(1)：80-85.

Ding Shuaiwei,Jiang Hanqiao,Zhou Daiyu,et al.Automatic optimization of irregular well pattern based on modified particle swarm algorithm[J].China Offshore Oil and Gas,2016,28(1):80-85.