宋俊強(qiáng),李曉山,王碩,顧開放,潘虹,王鑫
(中國(guó)石油 新疆油田分公司 勘探開發(fā)研究院,新疆 克拉瑪依 834000)
致密油藏壓裂水平井產(chǎn)量初期遞減快,后期遞減慢,呈現(xiàn)兩段或多段式遞減特征,導(dǎo)致單一經(jīng)驗(yàn)?zāi)P彤a(chǎn)量預(yù)測(cè)難度大且準(zhǔn)確度低;而準(zhǔn)確預(yù)測(cè)單井產(chǎn)量是提高開發(fā)效果及經(jīng)濟(jì)效益的基礎(chǔ)。
現(xiàn)有的產(chǎn)量預(yù)測(cè)方法包括經(jīng)驗(yàn)法[1-2]、現(xiàn)代產(chǎn)量遞減分析法[3]、神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)法[4]和數(shù)值模擬法[5-6]。這些方法大多以統(tǒng)計(jì)數(shù)據(jù)為基礎(chǔ),只考慮產(chǎn)量隨時(shí)間的變化,難以匹配壓裂水平井的多流態(tài)生產(chǎn)特征[7-8],無法準(zhǔn)確評(píng)價(jià)水平井全生命周期產(chǎn)量。因此,基于不同經(jīng)驗(yàn)遞減模型適用條件,前人提出了一系列組合模型。如按遞減率變化速率相等處為組合點(diǎn)的組合模型,但是出現(xiàn)遞減率相同的節(jié)點(diǎn)必須有足夠長(zhǎng)的生產(chǎn)時(shí)間,難以實(shí)現(xiàn)不同生產(chǎn)階段的產(chǎn)量預(yù)測(cè)[9];以產(chǎn)量為組合點(diǎn),雖然預(yù)測(cè)模型跳躍現(xiàn)象明顯減弱,但不符合遞減率連續(xù)性特征,同時(shí)早期階段也無法預(yù)測(cè)[10];將不同模型賦予不同的權(quán)重,建立目標(biāo)函數(shù),通過最優(yōu)化算法,確定最佳的預(yù)測(cè)方法組合,雖可適用于不同的生產(chǎn)階段,但失去了各模型的物理意義,且增大了擬合難度[11]。
筆者從經(jīng)驗(yàn)遞減模型與流態(tài)的關(guān)聯(lián)性出發(fā),提出了以邊界控制流時(shí)間為節(jié)點(diǎn)的新型組合模式,同時(shí)根據(jù)節(jié)點(diǎn)處的產(chǎn)量相等和遞減率相等,推導(dǎo)出了新型分段產(chǎn)量預(yù)測(cè)模型,并給出了邊界控制流時(shí)間及該模型的求解方法,可預(yù)測(cè)不同生產(chǎn)階段的單井全生命周期產(chǎn)量。
根據(jù)Arps 產(chǎn)量遞減模型[12],當(dāng)遞減指數(shù)為0 時(shí),可特殊化為指數(shù)遞減,其特點(diǎn)是單位時(shí)間內(nèi)產(chǎn)量下降與產(chǎn)量成比例,即遞減率為定值,為現(xiàn)場(chǎng)常用模型,其產(chǎn)量和時(shí)間的關(guān)系為
指數(shù)遞減的遞減率:
而借鑒的SEPD 模型,則是一個(gè)基于經(jīng)驗(yàn)的公式[13],其表達(dá)式如下:
該模型的遞減率:
前人通過對(duì)不同經(jīng)驗(yàn)遞減模型與滲流流態(tài)特征相關(guān)性研究,總結(jié)不同經(jīng)驗(yàn)?zāi)P偷倪m用階段[14]。其中,Arps 遞減模型以邊界控制流為主導(dǎo),主要適用于生產(chǎn)后期產(chǎn)量擬合預(yù)測(cè);SEPD 模型以不穩(wěn)定流和過渡流為主導(dǎo),主要適用于生產(chǎn)前期產(chǎn)量預(yù)測(cè);兩者的組合節(jié)點(diǎn)可用邊界控制流時(shí)間控制[15-16]。本文采用指數(shù)模型與SEPD模型進(jìn)行組合:
為了使模型連續(xù),使2 個(gè)模型在節(jié)點(diǎn)處的遞減率、產(chǎn)量全都相等,可推出指數(shù)模型的初始產(chǎn)量、遞減率與SEPD模型參數(shù)的相關(guān)公式:
將(6)式代入(5)式,形成改進(jìn)后的新型分段遞減模型:
諸多學(xué)者對(duì)致密油藏壓裂水平井的滲流規(guī)律進(jìn)行了研究,普遍把壓裂水平井的流動(dòng)階段劃分為早期線性流階段、擬徑向流階段、復(fù)合線性流階段和邊界控制流階段[7-8]。理論上,利用經(jīng)驗(yàn)?zāi)P瓦M(jìn)行產(chǎn)量預(yù)測(cè),其預(yù)測(cè)結(jié)果與油井生產(chǎn)歷史中的流態(tài)階段有關(guān),不同流態(tài)階段的預(yù)測(cè)結(jié)果不同。邊界控制流作為壓裂水平井在線性流之后常表現(xiàn)出的一種流動(dòng)特征,其在物質(zhì)平衡時(shí)間與規(guī)整化產(chǎn)量的雙對(duì)數(shù)曲線上為斜率等于-1的直線。
物質(zhì)平衡時(shí)間:
規(guī)整化產(chǎn)量:
在變壓生產(chǎn)時(shí)的物質(zhì)平衡時(shí)間與規(guī)整化產(chǎn)量的雙對(duì)數(shù)曲線上,可將線性流斜率為-1/2的切線與邊界控制流斜率為-1 的切線的交點(diǎn)作為邊界控制流時(shí)間點(diǎn)(圖1),但該交點(diǎn)對(duì)應(yīng)的時(shí)間為物質(zhì)平衡時(shí)間,需進(jìn)一步轉(zhuǎn)化為實(shí)際生產(chǎn)下的邊界控制流時(shí)間,才能運(yùn)用于新型分段遞減模型[13-14]。研究表明,到達(dá)邊界控制流后期,產(chǎn)量較低,累計(jì)產(chǎn)量降低,物質(zhì)平衡時(shí)間快速增加,實(shí)際生產(chǎn)時(shí)間的變化速度較物質(zhì)平衡時(shí)間的變化速度小,導(dǎo)致實(shí)際生產(chǎn)時(shí)間隨物質(zhì)平衡時(shí)間在后期變的較為平緩。這種特征與Langmuir 吸附曲線形態(tài)相似,可用其建立物質(zhì)平衡時(shí)間與實(shí)際生產(chǎn)時(shí)間的關(guān)系,再將判別出的物質(zhì)平衡時(shí)間條件下邊界控制流時(shí)間代入擬合公式,即可獲取實(shí)際生產(chǎn)下的邊界控制流時(shí)間(圖2):
綜上所述,可針對(duì)已到達(dá)邊界控制流時(shí)間的生產(chǎn)井進(jìn)行判別計(jì)算,構(gòu)建廣義回歸神經(jīng)網(wǎng)絡(luò)(GRNN)學(xué)習(xí)數(shù)據(jù)體。
依據(jù)邊界控制流時(shí)間的確定方法,只能判斷已達(dá)到邊界控制流時(shí)間的晚期生產(chǎn)井,對(duì)未達(dá)到邊界控制流時(shí)間的生產(chǎn)井需要進(jìn)行預(yù)測(cè),才能使用(7)式進(jìn)行分段產(chǎn)量預(yù)測(cè)。油藏開始受到邊界控制流影響的時(shí)間和油藏半徑有關(guān),并且與擴(kuò)散常數(shù)成反比,邊界控制流時(shí)間的簡(jiǎn)易計(jì)算公式為[17]
對(duì)致密油藏壓裂水平井而言,其井控半徑與水平井段長(zhǎng)度、壓裂級(jí)數(shù)、裂縫半長(zhǎng)以及井距具有一定的相關(guān)性,而裂縫半長(zhǎng)與壓裂液體積、支撐劑量相關(guān)。考慮原油黏度和綜合壓縮系數(shù)在同一油藏變化不大,壓裂水平井的邊界控制流時(shí)間可用孔隙度、滲透率、水平井段長(zhǎng)度、壓裂級(jí)數(shù)、井距、壓裂液體積和支撐劑量的非線性函數(shù)表示。
GRNN 是一種以非線性回歸為基礎(chǔ)的神經(jīng)網(wǎng)絡(luò)模型[18],具有數(shù)據(jù)樣本的要求較少,概率意義明確,具較好的泛化能力,可逼近任意類型的函數(shù)[19],因此可采用GRNN對(duì)邊界控制流時(shí)間進(jìn)行預(yù)測(cè)。
本文在GRNN 學(xué)習(xí)過程中,輸入層單元為孔隙度、滲透率、水平井段長(zhǎng)度、壓裂級(jí)數(shù)、井距、壓裂液體積和加砂量7 種;模式層中神經(jīng)元節(jié)點(diǎn)數(shù)k為學(xué)習(xí)樣本數(shù),其神經(jīng)元傳遞函數(shù):
求和層有2 個(gè)神經(jīng)元,分別為Pi的算術(shù)求和神經(jīng)元與加權(quán)求和神經(jīng)元;輸出層只有1 個(gè)單元,即邊界控制流時(shí)間,其值為加權(quán)求和神經(jīng)元與算術(shù)求和神經(jīng)元的比值。
上述學(xué)習(xí)過程中最主要的參數(shù)為光滑因子,其較小時(shí)導(dǎo)致模型無法收斂,較大時(shí)易出現(xiàn)過擬合現(xiàn)象[20],因此通常設(shè)置其取值范圍為0~1。光滑因子優(yōu)化通常采用果蠅算法、粒子群算法、蝙蝠算法等,考慮粒子群算法具有較高的準(zhǔn)確度[20-21],本文采用該算法。
粒子群算法是模擬鳥類覓食,用一群粒子來實(shí)現(xiàn)全局搜索尋優(yōu)智能算法[21],每個(gè)粒子具有位置、速度和適應(yīng)度3 個(gè)特征屬性。粒子在空間中運(yùn)動(dòng),通過跟蹤、比較新粒子與個(gè)體極值和群體極值的適應(yīng)度,來獲取最優(yōu);其速度與位置的變化可通過(13)式和(14)式計(jì)算;適應(yīng)度函數(shù)按計(jì)算實(shí)際值與預(yù)測(cè)值之間的均方差處理。
粒子速度:
粒子位置:
適應(yīng)度:
本算法中粒子為GRNN 的平滑因子,具體粒子群算法優(yōu)化GRNN算法的實(shí)現(xiàn)過程如下。
①考慮樣本數(shù)據(jù)之間存在量綱差,為避免產(chǎn)生較大誤差,對(duì)輸入樣本進(jìn)行歸一化處理:
②設(shè)定粒子數(shù)目、權(quán)重因子、學(xué)習(xí)因子、循環(huán)迭代次數(shù)、最大速度、最小速度和粒子位置,隨機(jī)初始化粒子位置和速度。
③將歸一化后的學(xué)習(xí)樣本和初始化粒子位置(粒子位置即光滑因子)代入GRNN 中,訓(xùn)練GRNN 模型,確定適應(yīng)度值。
④更新粒子的個(gè)體極值和群體極值,優(yōu)化粒子位置和速度,確定新粒子的位置。
⑤判斷適應(yīng)度值是否滿足結(jié)束條件,若不滿足,重復(fù)步驟②—④;若滿足,輸出粒子位置,并將其映射到GRNN中,訓(xùn)練GRNN模型。
⑥訓(xùn)練完成后,將預(yù)測(cè)參數(shù)帶入優(yōu)化的GRNN中,計(jì)算預(yù)測(cè)值(表1)。
表1 邊界控制流時(shí)間的學(xué)習(xí)樣本及模型預(yù)測(cè)結(jié)果比較Table 1.Learning samples and model prediction results for BDF time
根據(jù)推導(dǎo)的新型分段產(chǎn)量預(yù)測(cè)模型及邊界控制流時(shí)間確定方法,提出了新型分段產(chǎn)量模型的評(píng)價(jià)預(yù)測(cè)流程。該模型以流態(tài)劃分為基礎(chǔ),未達(dá)到邊界控制流時(shí),可利用前期的生產(chǎn)數(shù)據(jù)采用SEPD 模型用迭代試差和最小二乘法直接擬合出模型參數(shù)[13];達(dá)到邊界控制流時(shí)間后,采用全局連續(xù)的分段最小二乘法曲線擬合求解。
迭代試差和最小二乘法擬合求解方法:①將分段模型中的SEPD模型兩端取雙對(duì)數(shù),變成lnq與tn的關(guān)系;②假設(shè)n為定值,可用生產(chǎn)數(shù)據(jù)構(gòu)建出lnq與tn的關(guān)系,即用最小二乘法擬合得出特定n下的擬合度;③n的取值范圍為0~1,n按0.001步長(zhǎng)不斷迭代,可求出不同n下的擬合度;④通過比較擬合度,可求出lnq與tn的最佳線性擬合關(guān)系下的n,通過最佳線性關(guān)系的斜率與截距可求出相應(yīng)的參考產(chǎn)量及特征弛豫時(shí)間;⑤將求出的參考產(chǎn)量、特征弛豫時(shí)間及預(yù)測(cè)的邊界控制流時(shí)間代入(7)式,求出新型分段產(chǎn)量預(yù)測(cè)模型。
全局連續(xù)的分段最小二乘法擬合求解方法:①將分段模型(7)式進(jìn)行兩端雙對(duì)數(shù)處理,變成線性函數(shù);②按照(17)式構(gòu)建擬合均方差誤差函數(shù)f(qo,n,τ);③假設(shè)n為定值,可用邊界控制流時(shí)間前的實(shí)際數(shù)據(jù)構(gòu)建出lnq與tn的線性關(guān)系后,采用最小二乘法擬合得出特定n下的參考產(chǎn)量及特征松弛時(shí)間;④將特定n下的參考產(chǎn)量、特征松弛時(shí)間、預(yù)測(cè)的邊界控制流時(shí)間及實(shí)際對(duì)應(yīng)的產(chǎn)量代入誤差函數(shù)f(qo,n,τ),求出其誤差;⑤將n以0.001的步長(zhǎng)迭代,計(jì)算出不同n下的誤差函數(shù),求出擬合誤差函數(shù)最小時(shí)的模型參數(shù),即為分段模型擬合度最佳的參數(shù)。
擬合誤差函數(shù):
以瑪湖油田早期壓裂水平井MH6004 井為例,進(jìn)行模型分析。該井孔隙度為11.4%,滲透率為2.80 mD,水平井段長(zhǎng)度為938 m,壓裂級(jí)數(shù)為12,井距為400 m,壓裂液體積為13 535 m3,加砂量為836 m3。設(shè)定粒子數(shù)目為30,權(quán)重因子為0.6,學(xué)習(xí)因子為2,循環(huán)迭代100 次,最大速度為0.01,最小速度為-0.01,粒子最大值為1,粒子最小值為0.01;計(jì)算得出的光滑因子為0.011 8,邊界控制流時(shí)間為807 d。
為降低生產(chǎn)波動(dòng)的影響,將生產(chǎn)數(shù)據(jù)按月平均日產(chǎn)油量處理,按常規(guī)產(chǎn)量預(yù)測(cè)方法,用指數(shù)式擬合達(dá)到邊界控制流之后的生產(chǎn)數(shù)據(jù),設(shè)計(jì)平均產(chǎn)油1 t/d為廢棄產(chǎn)量,預(yù)測(cè)累計(jì)產(chǎn)油量達(dá)4.30×104t。同時(shí)利用本文模型、SEPD 模型、指數(shù)模型分別按邊界控制流之前的早期階段(2~25 月)及邊界控制流之后(2~33 月)擬合預(yù)測(cè),對(duì)比不同預(yù)測(cè)方法所得結(jié)果的差異(圖3、圖4)。結(jié)果表明:針對(duì)早期與到達(dá)邊界控制流后,在相同擬合階段下,本文模型比SEPD 模型和指數(shù)模型的擬合度高,其預(yù)測(cè)誤差小于5%(表2),而SEPD 模型預(yù)測(cè)產(chǎn)量明顯偏高,指數(shù)模型預(yù)測(cè)產(chǎn)量偏低。造成該現(xiàn)象的原因是SEPD模型以不穩(wěn)定流和過渡流為主導(dǎo),擬合預(yù)測(cè)時(shí)遞減率逐漸減小,但實(shí)際生產(chǎn)過程到邊界控制流后遵循指數(shù)規(guī)律,遞減率幾乎不發(fā)生變化,導(dǎo)致其預(yù)測(cè)結(jié)果比常規(guī)方法大;指數(shù)模型較適用于生產(chǎn)中后期的邊界控制流階段,而壓裂水平井生產(chǎn)前期主要以裂縫的線性流和不穩(wěn)定流為主,產(chǎn)量從迅速下降到緩慢下降轉(zhuǎn)變,導(dǎo)致利用指數(shù)擬合時(shí),遞減 率較大,預(yù)測(cè)產(chǎn)量偏低。
表2 不同模型預(yù)測(cè)結(jié)果對(duì)比Table 2.Comparison of prediction results from different models
(1)SEPD 模型以不穩(wěn)定流和過渡流為主導(dǎo),指數(shù)模型以邊界控制流為主導(dǎo),進(jìn)而通過2 個(gè)模型在邊界控制流時(shí)間處的產(chǎn)量相等和遞減率相等,推導(dǎo)得到了以邊界控制流時(shí)間為節(jié)點(diǎn)的新型分段產(chǎn)量預(yù)測(cè)模型。
(2)提出了物質(zhì)平衡時(shí)間與真實(shí)生產(chǎn)時(shí)間的擬合轉(zhuǎn)換關(guān)系,形成了生產(chǎn)條件下邊界控制流時(shí)間確定方法;同時(shí)邊界控制流時(shí)間與地質(zhì)、工程等參數(shù)具有非線性相關(guān)特征,可通過GRNN 算法,根據(jù)相關(guān)已知參數(shù)進(jìn)行早期井邊界控制流時(shí)間的預(yù)測(cè)。
(3)以邊界控制流時(shí)間為節(jié)點(diǎn)的新型分段產(chǎn)量預(yù)測(cè)模型,對(duì)于早期及到達(dá)邊界控制流后的晚期生產(chǎn)井,均具有較高的預(yù)測(cè)精度,可解決SEPD模型及指數(shù)模型預(yù)測(cè)結(jié)果偏高或偏低的問題。
符號(hào)注釋
c1、c2——學(xué)習(xí)因子;
Ct——綜合壓縮系數(shù),MPa-1;
d、m、α、β——相關(guān)擬合系數(shù);
Di——遞減初期遞減率,d-1;
Dt——遞減率,d-1;
E——適應(yīng)度,即均方差;
Gbest——群體極值;
k——神經(jīng)元節(jié)點(diǎn)數(shù),正整數(shù);
K——滲透率,mD;
M——樣本個(gè)數(shù);
n——時(shí)間指數(shù),無因次,范圍為0~1;
NP——累計(jì)產(chǎn)油量,m3;
pr——地層壓力,MPa;
pwf——井底流壓,MPa;
Pi——模式第i層的輸出;
Pbest——個(gè)體極值;
q——產(chǎn)油量,m3;
qi——遞減初期產(chǎn)油量,t/d;
qo——參考產(chǎn)量,t/d;
q(ti)——ti時(shí)間下的真實(shí)產(chǎn)量,t/d;
r1、r2——分別為[0,1]的隨機(jī)數(shù);
re——井控半徑,m;
t——時(shí)間,d;
tcd——物質(zhì)平衡時(shí)間,d;
telf——邊界控制流時(shí)間,d;
tmax——實(shí)際生產(chǎn)最大時(shí)間,d;
tture——實(shí)際生產(chǎn)時(shí)間,d;
vi——第i次循環(huán)時(shí)當(dāng)前粒子的速度;
vi+1——第i+1次循環(huán)時(shí)當(dāng)前粒子的速度;
xi——第i次循環(huán)時(shí)當(dāng)前粒子的位置;
xi+1——第i+1次循環(huán)時(shí)當(dāng)前粒子的位置;
X——神經(jīng)網(wǎng)絡(luò)輸入變量;
Xi——第i個(gè)神經(jīng)元對(duì)應(yīng)的學(xué)習(xí)樣本;
-Xi——?dú)w一化后的第i個(gè)神經(jīng)元對(duì)應(yīng)的學(xué)習(xí)樣本;
Yi——第i個(gè)預(yù)測(cè)學(xué)習(xí)樣本值;
yi——第i個(gè)真實(shí)學(xué)習(xí)樣本值;
φ——孔隙度,%;
μ——黏度,mPa·s;
σ——光滑因子;
τ——特征弛豫時(shí)間,d;
ω——權(quán)重因子,一般取0.4~0.9;
Δp——壓差,MPa。