基于機器學習的二次采油高耗水層識別方法研究

沈旭東， 劉慧卿， 張郁哲， 許宏亮, 范 欣, 馬良宇， 尚雄濤

1油氣資源與探測國家重點實驗室·中國石油大學(北京) 2中國石化華北油氣分公司采氣一廠 3中國石油集團長城鉆探工程有限公司 4中國石油遼河油田安全環保技術監督中心 5中海石油(中國)有限公司天津分公司 6中國石油長慶油田分公司采油二廠

0 引言

我國油田多為陸相沉積，層間非均質性嚴重，長期的注水開發加劇了層間、層內矛盾進而導致部分層位注入量大、注入強度高、注入水低效循環。高耗水層的形成極大程度降低了油田的開發效益，增加了油田的開發成本。因此，高耗水層的準確識別與評價對于后續實施治理措施，挖潛剩余油以及提高油田開發效益都具有重要意義[1]。

目前，國內外學者主要通過單井壓力測試[2- 8]、測井解釋[9- 11]等方式進行高耗水層的識別與評價研究，忽略了注采井間的相互作用。部分學者鑒于上述不足，采用模糊數學法[12- 15]綜合處理多種動、靜態因素指標，取得了較為理想的結果，但指標權重選取的經驗性較強，存在主觀性。針對上述問題，本文基于勝利油田Z1區塊的實際情況建立了數值模型，選取特征值和評價指標對層狀油藏儲層耗水能力進行定量表征，并建立了高耗水層的識別與評價流程。新方法從含水率及導數曲線出發，綜合考慮了注采井和地層的動靜態參數，提高了評價結果的客觀性，同時也避免了傳統試井解釋等方法需進行關井測試的局限，保證了生產的持續進行。此外，通過隨機森林算法，可有效降低傳統圖版擬合法在擬合過程中所造成的誤差，提高擬合精度進而提高評價結果的準確性。該方法可有效進行層狀油藏高耗水層的識別與評價從而為高耗水層的治理與生產制度的優化提供理論支持。

1 數值模型的建立與參數處理

1.1 數值模型的建立

高耗水層的形成主要受地質、流體、開發三方面因素的共同影響[16- 19]，綜合分析勝利油田Z1區塊動、靜態資料，選取9類影響因素，并結合該區塊的基本參數，建立多層數值模型進行研究，Z1區塊基本參數及數值模型參數見表1。

表1 Z1區塊基本參數及數值模型參數

1.2 參數的處理及影響因素分析

基于Z1區塊的基本參數建立層狀油藏層間非均質數值模型，繪制含水率、含水率導數隨PV數的變化曲線，結果如圖 1所示。含水率導數可通過式(1)進行計算：

圖1 五層模型含水率及導數曲線

(1)

通過圖1可知：層狀油藏注水開發過程中含水率曲線呈現多段上升特征，相應地，導數曲線具有多峰特征且峰值個數與油藏儲層數一致。峰值的出現反映了注入水前緣到達生產井井底而導致含水率快速上升的現象。由于含水率導數峰值出現時的PV數具有明顯的滲流力學意義，可有效反映注入水在不同層位的流動特征。基于Z1區塊的基本參數，建立雙層油藏數值模型，選取含水率導數峰值所對應的PV數作為特征值，結合表1依次設置模型參數進行影響因素敏感性分析，確定不同因素對特征值的影響程度,結果表明：儲層面積、注采井距、油水黏度比、儲層平均含水飽和度對油藏和儲層的含水率導數曲線形態及特征值大小均具有顯著影響，選取油水黏度比、儲層平均含水飽和度作為示例，結果如圖2所示。

注:μr—油水黏度比,無因次；Swi—儲層平均含水飽和度,無因次；C1—雙層數值模型頂部儲層；C2—雙層數值模型底部儲層。圖2 不同模型參數下儲層含水率導數曲線

2 基于機器學習算法的特征值預測

由于注采井距與井網控制面積、儲層面積間存在固定的倍數關系，因此引入相對井控面積Ar進行整合，計算公式見式(2)：

(2)

式中：Ar—相對井控面積，無因次；

A井—井網控制面積，km2；

A—儲層面積，km2；

d—注采井距，km。

根據Z1區塊的基本參數，依次改變儲層面積并設置相對井控面積(取值為0.02～0.5，間隔區間為0.02)，結合式(2)計算對應的注采井距。在此基礎上，改變儲層平均含水飽和度(取值為0.382、0.45、0.5、0.55)、油水黏度比(取值為1、2.5、5、10、15)，共建立500組數值模型進行模擬，統計不同相對井控面積、儲層平均含水飽和度、油水黏度比情況下特征值的變化情況,結果如圖3所示。

圖3 相對井控面積與含水率導數峰值PV數散點圖

由于含水率導數峰值出現的無因次時間受相對井控面積、儲層初始含水飽和度、油水黏度比的共同影響，通過數值模擬繪制圖版工作量巨大，且在數值讀取過程中易產生較大誤差。采用機器學習的方法可對不同情況下的特征值進行有效預測從而極大地減少計算工作量，同時減少目標點位于圖版曲線之間進行插值時產生的誤差，進而對油藏高耗水層的發育情況進行更加準確的表征。機器學習算法中線性回歸、神經網絡算法一般用于處理海量數據，隨機森林是常用的小樣本機器學習方法，在解決小樣本、非線性及高維模式識別中表現出許多特有的優勢。針對圖3中的數據，采用隨機森林法建立含水率導數峰值無因次時間預測模型。選取475組作為訓練樣本，25組作為驗證樣本進行研究。

基于475組訓練樣本，構建800棵隨機決策樹形成隨機森林，采用10折交叉驗證法驗證模型的預測精度，在訓練前隨機重置了原始數據的順序，選擇均方誤差作為評判標準時，訓練精度為99.48%，采用相關系數作為評判標準時，訓練精度為99.01%，訓練集的結果如圖4(a)所示。基于訓練完成的模型，將25組驗證集數據代入模型進行驗證分析，驗證結果如圖4(b)所示。可以看出：采用隨機森林算法預測平均準確率為98.23%，該算法對于小樣本集數據有著較高的適應性，該算法可對特征值進行準確預測。

圖4 基于隨機森林算法的訓練集與驗證集分析結果對比圖

3 高耗水層識別與評價流程的建立

3.1 高耗水層評價指標的建立

由于高耗水層具有注入強度大、注入量大的雙重特征，引入儲層耗水能力評價因子Fi、相對耗水能力評價因子Fri對層狀油藏儲層耗水能力進行評價，計算公式見式(3)～式(4)。

(3)

(4)

(5)

(6)

(7)

(8)

(9)

(10)

基于上述評價指標并結合勝利油田Z1區塊的基本情況制定了該區塊高耗水層分級標準，如表2所示。

表2 高耗水層分級標準

3.2 高耗水層識別與評價流程的建立

基于隨機森林特征值預測算法、高耗水層識別與評價指標，建立高耗水層識別與評價流程，流程如下：

(1)收集目標區塊地質、流體、井網及生產動態資料。

(2)基于目標區塊的地質、流體、生產動態參數建立機理模型，根據模擬結果建立特征值訓練集,編制特征值預測程序。

(3)根據各層生產動態資料計算采收率，在此基礎上計算各儲層平均含水飽和度，結合井網面積以及注采井距計算各注采井對的井控面積與相對井控面積(式2)。

(4)基于井網特征參數與油藏地質資料計算油藏孔隙體積，繪制注采井對含水率導數曲線，記錄含水率導數峰值出現時所對應的實際時間和累計注入量。

(5)根據各儲層的平均含水飽和度、相對井控面積，通過特征值預測程序計算注入水在各儲層到達生產井井底時的累計注入量，結合含水率導數曲線各峰值出現的實際時間計算不同見水次序下儲層的注入速率，并以注采井對注入速率為約束條件選取誤差最小的組合進行儲層匹配。

(6)根據各儲層的注入速率計算注入能力差異系數(式5)并繪制洛倫茲曲線，計算儲層注入能力差異系數與完全均質線的包絡面積V，當包絡面積大于0.3時需針對儲層高耗水層的發育情況進行進一步識別。

(7)計算耗水能力評價因子(式3)與相對耗水能力評價因子(式4)，根據表 2的評價標準完成高耗水層的識別與評價。

根據上述流程繪制層狀油藏高耗水層識別與評價流程圖，如圖5所示。

圖5 高耗水層識別與評價流程圖

4 高耗水層識別與評價實例

選取勝利油田Z1區塊Z1- 3井組進行研究，其中Z1- 3與Z1P5、Z1P6、Z1P7構成注采井對，Z1P5、Z1P6、Z1P7均合采兩套砂體。根據Z1- 3注入數據分別繪制Z1P5、Z1P6、Z1P7含水率及導數曲線，結果如圖 6所示。可以看出,該井組生產井含水率導數曲線均具有明顯的多峰特征，記錄各生產井峰值對應的PV數并計算高耗水層識別與評價指標，結果如表3所示。

圖6 Z1- 3井組生產井動態曲線

表3 Z1- 3井組高耗水層識別與評價指標計算結果及識別結果統計表

由表3結果表明：在Z1- 3井組中，Z1- 3與Z1P5、Z1P6井間發育強高耗水層，該結果與現場認識一致，所建立的高耗水層識別與評價方法可靠。

5 結論

(1)層狀油藏含水率導數曲線具有多峰特征，峰值個數與油藏儲層個數一致；峰值出現時所對應的PV數主要受儲層面積、儲層平均含水飽和度、流體黏度比、注采井距影響。

(2)當流體黏度比、儲層平均含水飽和度一定時，特征值與相對井控面積呈現良好的線性相關關系。

(3)根據不同黏度比、儲層平均含水飽和度條件下相對井控面積—特征值之間的關系建立了基于隨機森林算法的特征值預測方法，該方法可有效對

不同初始地質、流體、開發條件下的特征值進行準確預測。

(4)通過高耗水層的典型特征和特征值預測方法建立了層狀油藏高耗水層識別與評價流程，將該流程應用于勝利油田Z1區塊取得了較為理想的效果。該流程可有效解決層狀油藏高耗水層的識別與評價問題，并為后續高耗水層的治理技術的選擇提供參考。