数据驱动的复杂油藏注采生产优化技术研究进展

宋来明 王春秋 卢川 丁祖鹏 李桂亮 檀朝东 程时清

1.中海油研究总院有限责任公司；2.中国石油大学(北京)石油工程学院；3.西安中控天地科技开发有限公司

复杂油藏是一种重要的油藏类型，具有某种特殊性，包括多重油藏水动力系统、复杂多孔介质、复杂油藏流体等［1］。在多层油藏中，纵向非均质性很大程度上影响着低渗透层的有效开发。在油藏注水开发时，常出现单层突破、层间干扰、注采不平衡等问题［2］。在连通程度较大的地层中，窜流现象严重，注水效果不佳，水驱波及体积小，加重了层间矛盾，致使油井含水率迅速增加。地下油水分布格局也发生重大变化，由原始的连片剩余油分布状态变为“整体高度分散、局部相对富集”。因此，水驱开发老油田存在注采关系复杂、驱替场动态变化频繁、无效水循环严重等生产问题。水驱动用程度低，严重影响油田的采收率及开发效益，需要对油藏进行注采连通分析和生产优化［3］。油田进入到深度精细开发的新阶段，亟需解决的问题是进一步提高水驱波及体积和驱油效率，从而提高采收率。基于大数据的自动历史拟合方法，强化对储层非均质物性及连通性的认识，降低对剩余油分布预测的不确定性，可实现油藏开发全生命周期的精确描述预测和智能调整。智能计算方法具有很强的处理大规模复杂非线性动力学系统的能力，已在预测和优化方面得到了广泛应用［4-5］。基于智能计算的注采参数优化方法，可使可控参数自动适应不可控的油藏特性，优化出最佳注采参数，指导开发方案合理编制，提供最优注入方案，实现复杂油藏的科学管理，完成油藏地质、注采、现场管理三方面协调统一，指导注水开发高效运行，实现提高采收率的目的［6］。

1 油藏注采智能分析优化技术

在数字油田的背景下，油藏开发正在获取大量来自不同来源、不同时间尺度、不同结构和不同质量的数据，数据库中存储的数据量早已超出传统机理模型的分析能力，因此，数据驱动方法被广泛应用［7］。利用大数据人工智能技术建立合理的油田生产计划和有效的决策支持系统，可为油藏中后期开发生产提供重要技术保障。

油藏生产优化的目标是通过调整油水井的注采参数，改变地下流体的分布状态，提高波及系数，从而实现目标函数最大化。

智能油田开发理论和方法在生产动态分析、自动历史拟合、注采连通性分析、井网井位优化、提高采收率措施优化、注采井筒智能优化调控、地面管网生产优化等关键环节取得了新进展，促进了油藏工程、大数据、机器学习方法以及智能优化算法等多领域多学科的交叉融合。

1.1 生产动态分析

生产动态分析是依据生产资料分析注采信号间的响应关系，是油田进行优化注采关系及确定提高采收率方法的重要基石。与传统的生产动态分析方法相比，数据驱动方法不需要建立复杂的物理模型，具有简洁和适用性强的特点，能够满足油藏开发各个阶段的数据分析需要。

机器学习模型作为初始数据驱动模型，可以在已知生产数据和测试资料的基础上，建立油田数据与产量之间的响应关系，对油井的生产情况进行分析与预测［8］。郑爱维等［9］利用偏最小二乘法对油田完井参数、地质参数、工程参数等41项数据进行分析，从而确定产能主控因素，展现出大数据技术强大的分析能力。传统的曲线拟合方法主要关注生产数据，没有充分利用其他类型的数据进行预测。Gupta等［10］建立自回归集成模型预测产量，充分利用了多源数据。但是，常规算法还不能够挖掘到数据的时间序列信息。深度学习算法的出现，为这一问题带来了新的解决途径。Zhan等［11］利用长短期记忆神经网络（LSTM）算法预测产量，这种方法可以捕获时间序列信息及数据间的非线性关系。

数据驱动方法能够融合多源数据，分析油藏生产动态。这些方法都是建立在数据量充足的条件下，由于油藏开发过程的复杂，导致不同数据的采集密度及精度有很大不同，这会直接影响数据驱动方法的精度。研发更精密的监测设备，利用数据增强、迁移学习手段解决数据质量差的难题，将是未来研究重点。

1.2 自动历史拟合

历史拟合被称为一种反问题，主要是因为历史拟合过程需要找到一些模型参数（例如渗透率、孔隙度、断层走向）来匹配一些给定的测量值（例如石油产量、天然气产量、井底流压）。传统的历史匹配试错法需要工程师调整每个不确定的参数来获得精确的模型，非常耗时和低效。自动历史拟合将静态模型与动态数据相结合，通过算法同时控制大量参数，从而提高可靠性，减少运行时间［12］。

目前已有许多学者寻求提高历史拟合求解效率的方法。Agbalaka等［13］提出基于卡尔曼滤波的自动历史拟合方法，并考虑了岩石物理性质的非均质性，但该方法假设输入参数服从高斯分布，限制了其使用范围。Lee等［14］提出基于粒子群算法的自动历史拟合方法。但粒子群算法的优化效率主要受控制参数的影响，参数过多容易使模型陷入局部最优，参数过少则会导致模型精度不够。随着深度学习方法的发展与应用，自动历史拟合迎来了新的契机。Canchumuni等［15］提出基于数据同化与自编码器相结合的自动历史拟合方法，该方法可以在更新模型的同时合理地保留地质特征，并取得了较好的拟合效果。

对于大规模复杂油藏进行历史拟合，很难确定应该提取哪些特征，因为数据具有很强的非线性，并且呈现非高斯分布。以大数据和深度学习为基础的新一代人工智能深刻影响并改变了科学研究的范式。深度学习算法能够从数据中提取非线性特征，构建油藏参数与潜在低维连续变量的映射，并进行油藏参数更新，解决复杂油藏历史拟合问题。

1.3 注采连通性分析

注采连通性是油田生产评价的关键环节之一，可为优势通道识别、注水井位部署、注采关系优化等提供重要的技术支持［16］。传统研究方法包括试井分析［17］、示踪剂测试［18］、地球化学［19］等。虽然这些方法判别的结果较为直观、准确，但试井分析法在实施时会影响油田生产的正常进行，示踪剂方法需要进行复杂的现场样本采集工作，地球化学需要进行大量的化学实验分析工作。

动态反演法是当前油藏连通性研究的一种热门数据驱动方法。其基于注采动态数据，研究注水井注入参数与生产井指标之间的关系，反演出注入井和生产井之间的动态连通性，并运用反演得到相应的系数对井间动态连通性进行定量的评价。该方法无需进行额外的工程作业，只需要完备的油田开发数据资料即可分析出油藏的注采连通关系。Heffer等［20］首次提出了一种基于Spearman秩相关分析的注采连通关系判别方法，认为注采数据的变化关系可以反映注采井间的连通关系，然而该方法很难处理多井干扰情况。Albertoni等［21］提出了一种基于多元线性回归的连通性研究方法，通过计算回归系数来表征连通性。Yousef等［22］建立了一种基于水电相似理论的阻容模型，该模型不仅考虑了注水信号衰减性和时滞性的影响，且能够进行关井情况下的井间连通程度反演。Kaviani等［23］提出利用多井生产指数（MPI）的方法计算连通性指数，该方法可以考虑井网井位、表皮因数、注入速率和井底压力的影响。Liu等［24］提出了利用扩展卡尔曼滤波计算井间连通性的自适应方法，可监测和跟踪连通性的变化，打破了“稳态系统”这一假设。近年来，决策树、人工神经网络等机器学习算法被广泛应用。尚福华等［25］建立基于分类回归树算法的注采连通性分析模型。这种方法具有较高的判别速度且易于操作，但只能实现注采连通关系的自动判别分类，不能定量描述连通程度。Demiryurek等［26］首次提出一种基于神经网络的敏感性分析方法来判断井间连通性，但所建的网络模型是单层神经网络，无法实现复杂的关系映射。Liu等［27］利用非线性扩散滤波器对井底压力进行预处理，以捕捉衰减性和时滞性，建立了基于井底压力数据的人工神经网络模型评估井间连通性。

虽然多元线性回归、人工神经网络法等动态反演法模型已取得较大进展，但纯数据驱动方法没有考虑背后的物理规律和科学理论，缺乏物理解释性、自学习能力，且实时性差，难以实现知识的有效更新。以阻容模型为代表，考虑了油藏工程知识、控制方程、专家经验等约束，采用机理和数据驱动相融合的建模方式将成为研究连通性分析的重要途径。

1.4 井网井位优化

井网井位的部署在油田开发过程中有着十分重要的意义。在过去的研究中，井网井位优化主要以经济净现值为目标函数建立数学模型，利用智能优化算法来求解最优解。由于涉及到大量的决策变量、约束条件以及油藏响应的非线性，井网井位优化是一个非常具有挑战性的问题。

井位优化方法大致分为梯度法和无梯度法。Zandvliet等［28］研究了生产约束对最佳井位的影响，并利用基于梯度的优化方法确定最佳井位。然而，梯度算法需要利用目标函数对渗流参数求取导数，在约束条件复杂、目标函数离散时，求解难度大大增加。针对无梯度法，Emerick等［29］提出一种基于遗传算法的井位优化方法，该方法可同时优化井数、井位和井轨迹。Al-Ismael等［30］考虑了油气开采的环境影响，应用差分进化算法寻找在区域压力平衡约束下产生最大净现值的最佳井位。

结合机器学习与智能优化算法，建立井网井位与注采参数联合优化模型，可同时提升模型的准确性和速度，且便于并行处理。

1.5 提高采收率措施优化

油田开发中后期，通常采取向油层注入热流体、化学剂、气体溶剂或水力压裂等措施提高采收率。

神经网络、强化学习等机器学习算法已应用于热采措施优化。Guevara等［31］利用强化学习方法优化蒸汽注入速率，结果表明该方法可以极大地提高净现值。Ersagin等［32］建立基于人工神经网络的循环注汽优化模型，展现了机器学习方法在提高采收率措施领域的巨大潜力。水力压裂是致密储层开发的重要措施，裂缝网络的有效识别和表征对于裂缝介质的开采至关重要。Chen等［33］选择映射能力强的反向传播神经网络和概率神经网络建立模型，预测水力压裂裂缝和自然裂缝之间的相互作用模式。注水开发决策是油田生产中的关键，整个过程中存在大量的不确定性。Hourfar等［34］首次尝试将生产优化问题公式化，利用强化学习方法进行注水方案优化，为油藏生产优化提供了新思路。Ma等［35］利用 DQN、DDQN、Dueling-DDQN和 DDPG等4种深度强化学习优化算法，通过调整注水量实现地质不确定性情况下油田的注水开发净现值最大化。Jia等［36］提出基于数据驱动的精细注水方案优化方法。这种方法充分发挥了数据驱动技术的自动化、智能化优势，可以准确指导老油田精细注水方案的设计与实施。Miftakhov等［37］提出基于像素数据的深度强化学习方法，通过改变注水量使净现值最大化。其中，使用压力和含水饱和度的网格分布作为像素数据，使智能体能够通过提取岩石物理特征和井间相对位置来学习储层的物理性质。

在提高采收率措施优化过程中，生产动态数据的样本不确定性太强，受客观或主观的随机干扰太大，边界条件难以精确描述，多变量目标函数耦合严重，多个数学模型之间相互协同和交互融合难度大，这些都是亟需解决的难题。

1.6 注采井筒智能优化调控

通过对各单井流量进行优化调控，使注入水流入剩余油富集区域，对于提高采收率、最大化经济效益具有重要意义。注入井与受效采油井在平面上、层段上关系复杂，地质分析的连通状态与实际的连通状态吻合度差；层系封堵不完善，很多采油井存在有采无注、油层互串的现象，导致油层动用不均衡，开发效果差。分层注水和分层采油从本质上属于同一系统，但应用时往往按照独立工艺技术实施，未发挥出协同效应［38］。注采井筒智能优化调控，即建立油藏注入能量与油层供液适应的注采装置协同优化运行控制策略，实现注采平衡、供排协调、井筒参数实时调节。

注采井筒智能优化调控的核心设备是井下流量控制装置，主要包括流入控制装置(ICD)、流入控制阀门(ICV)和自动流入控制装置(AICD)等。Shahkarami等［39］使用贝叶斯算法确定最佳的ICD设计参数。Hamid等［40］提出基于人工神经网络预测结垢速率的方法，可预测ICV处的结垢，从而为油井设计完善的完井和流体处理系统。AICD［41］可实现油水比例检测和流入阻力的自动调整，达到控水、控气和增油的目的。

如何利用大数据、强化学习、深度神经网络等AI技术确定井下流量设备的设计参数，并实时调节其运行参数，将是注采井筒智能优化调控领域的研究重点。

1.7 地面管网生产优化

油田注水、集输地面管网生产优化是油藏开发生产全过程数字化运行和智能化管理的重要内容。

Zhou等［42］建立了最优注水策略和地面管网运行控制方案的混合整数非线性规划(MINLP)模型，该模型考虑了管网流量、压力和技术等各种约束条件，能够实现油藏和地面管网的整体注水优化。姚彬等［43］建立了老区块注水管网改扩建模型，可优化新建管段的位置和管径、各站的外输压力和流量、管道的流量和流向以及建设和运行费用。檀朝东等［44］为了实现对油气集输系统联合站能耗的预测，利用关联规则理论确定影响能耗的关键因素，建立了具有混沌时间序列特性的能耗多变量时序混沌预测模型。数字孪生模型可以模拟、诊断、调控物理实体在现实环境中的状态和行为，实现虚拟地面管网的仿真优化。李柏松等［45］分析了数字孪生体在管道设计、调度优化、管道设备运行维护、管道全生命周期管理等方面的应用前景。张宏等［46］结合非线性有限元方法、机器学习算法与智能优化算法，建立了地质灾害段管道结构安全数字孪生机理模型，可用于地质灾害段管道的定量安全评价。

将油藏、井筒与地面管网耦合在一起进行协同优化，以实现注水开发效益的最大化，是一项富有挑战性的课题，数字孪生技术或可促进其下一步发展。

2 注采生产优化智能算法

油藏开发具有复杂非线性、多约束条件、多目标优化的特点，多目标智能优化、复杂约束优化和代理辅助进化算法等智能优化算法可以很好地解决上述问题。

2.1 多目标智能优化

在油田勘探过程中，许多生产优化问题普遍面临着多目标优化，如利润最大化、采收率最大化、生产成本最小化、开发风险最小化等。优化过程中多个目标可能是相互制约的关系，且涉及大量的决策变量，使得优化过程的计算量较大。

多目标智能优化可以分两类主要方法［47］：帕累托（Pareto）方法和非Pareto方法。非Pareto方法旨在对不同的目标进行优先排序，并将多目标问题转化为单目标问题，而Pareto方法旨在近似Pareto解集，即Pareto前沿。Zhao等［48］将非Pareto方法与代理模型相结合，提出一种基于代理辅助填充准则的Pareto秩学习方案，以有效地处理基于仿真的优化问题。Mayo等［49］提出一种基于多目标进化算法的多目标优化工作方案，可以在各种场景下确定一组最优热采施工参数。

为了能够实现更全面、更高效的油藏管理，亟需构建基于机器学习先进理论的多目标优化算法。

2.2 复杂约束优化

实际油藏开发优化过程中，通常需要考虑边界约束和状态约束［50］，只有满足这两种约束条件，才能保证优化方案的适用性。对于边界约束来说主要包括井底流压和注入量、采出量的极值，而状态约束为将数值模拟器的输出结果作为约束条件加以限制。

非梯度复杂约束优化算法的主要问题是，当优化变量的维数达到一定范围时，计算成本高昂，并且在每次迭代中评估目标函数时需要运行复杂的数值模型。与非梯度优化算法相比，当目标函数可微时，基于梯度的优化方法对复杂优化问题的计算效率更高。Chen等［51］提出一种在线性和非线性复杂约束下的高效生产优化方法，将增广拉格朗日法应用于优化注水施工参数，以最大化生产净现值。Liu等［52］提出一种改进的字典法来求解具有非线性约束的多目标鲁棒生产优化问题。但当优化变量存在离散变量时，基于梯度的方法不可直接应用。

机器学习算法可以有效解决生产优化中具有复杂非线性映射关系的问题，将大数据、机器学习、智能优化算法结合，形成一套计算效率高且适用于优化离散变量的复杂约束优化流程刻不容缓。

2.3 代理辅助进化算法

生产优化的主要目标是找到每口井的最佳生产方案，以最大化净现值或油气产量。由于目标函数的非线性，寻找最优开发方案是一项具有挑战性的工作。数值模拟是计算目标函数值的常用方法，它可以高精度地预测不同开发方案下的油藏动态，但这种方法往往需要耗费较长时间。代理辅助进化算法是解决昂贵问题的有效方法，通过设计计算量小的函数来逼近每个目标函数，同时优化涉及到的大量决策变量。

姚为英等［53］建立基于支持向量机的代理模型，并利用粒子群算法进行优化求解，从而增强配产配注方案的现场可实施性。张凯等［54］提出基于主成分分析和代理模型相结合的生产注采优化方法，可在保证精度的前提下对变量进行降维，解决油藏大规模变量注采优化的难题。

但上述模型均是纯数据驱动，在模型训练过程中并未考虑问题背后的物理规律和科学理论。将物理约束、专家经验、机器学习和智能优化算法深入融合，使代理优化模型鲁棒性强、运行高效，将是下一步的研究重点。

3 结论

（1）智能油气藏开发技术就是基于数据、机理与智能算法的交叉融合形成复杂油藏系统模型，通过综合应用数值模拟、油藏工程方法、机器学习，以更简洁的操作、更快的速度对油藏生产分析优化。

（2）单一的机理模型缺乏自学习能力、实时性和自适应性，难以实现知识和事例的有效更新。纯数据驱动在模型训练过程中并未考虑问题背后的物理规律和科学理论，缺乏解释性。

（3）应用大数据、强化学习、深度神经网络等AI技术替代传统的物理解析过程，将专家经验、工程控制等先验信息融合到机器学习模型的训练中，采用机理和数据驱动相融合的建模方式将成为研究智能油气藏开发的重要途径。

（4）利用数字孪生技术对物理油藏进行高保真度地描述，建立实时映射，实现油田开发全生命周期一体化动态变化的实时监测、分析与控制，是未来智能油藏的发展趋势。