参考文章:产量预测建模 4: 粒计算的角度
本文仅对相关文献进行了解后整理出的一些个人理解,里面的很多内容还比较粗糙,有待修正。
根据近几年石油天然气产量预测的文献,机器学习在其中扮演的角色越来越多,传统方法的局限性慢慢由机器学习方法补足,但机器学习方法也存在一些局限性。传统方法,如DCA方法,仅仅根据其历史数据来预测显然是不太可靠的,当生产条件或者井的数量发生变化,便会影响其预测结果。而机器学习方法则是提取影响油田产量的相关特征来训练模型,最终达到较好的预测效果。而正因如此,特征的影响因子就显得很重要了,可能有些无关的特征会干扰预测模型,形成所谓的噪声。另一方面,建模和预测都是动态的,随时间而改变,故建立的模型也是适应一段时期的,需要根据不同的时期进行调整。因此,可以将产量预测问题按不同粒度去建模,根据不同的粒度梳理出相应的输入输出,理清产量预测中涉及的相关属性然后作出相应的调整。
将产量预测问题按不同粒度去建模
1. 按时长划分
从预测时长的角度, 可以分为长期、中期、短期.
1.1 长期预测
对油田整个生命周期进行建模, 以年为单位.
输入: 油田的地质信息, 包括: 反演结果解释、地层构造、开发方案 (逐渐增加油井数量); 产量历史数据等等.
输出 (预测):
- 油田的 (静态) 总储量.
- 油田的开采储量 (技术可采储量 > 经济可采储量).
- 油田各阶段 (上升期、稳产期、下降期) 各自的时长与产量.
- 下降期开始预测油田动态储量.
- 下降期产量与上升加稳产期产量比例.
注: 上升期和稳产期主要靠自身的压力把油喷出来. 下降期才靠注水等增产措施.
1.2 中期预测
以月为单位进行分析.
输入: 产量历史数据, 措施历史数据.
输出:
- 接下来几个月的产量;
- 措施建议;
- 阶段转换预警 (如从稳产期转向减产期, 或从减产期转向亏损期).
1.3 短期预测
以日为单位进行分析.
1.3.1
输入: 前段时间日产量.
输出: 近期日产量.
一般而言, 用线性或衰减模型拟合就行. 反正意义也不大.
1.3.2
另一种[6]:
输入: 油管头压力(生产井) 、油管头温度(生产井) 、气举量(生产井)、套管压力(生产井)、生产管汇压力、注水量 、注水管汇压力、注水压力
输出: 产油量、产气量、产水量(单位:天)
2. 按区域划分
2.1 油田
2.1.1
对长期运行的实际油田进行分析,它们的特征是石油生产的“老化”[7],这里我认为应该就是处于石油产量衰减期的油田。文献里主要针对的是需要采用增产措施的油田。
增产措施: 注水、压裂等。
输入: 平均注射速率、生产井的数量、注水井数量、每口生产井的注入井数量
输出: 下个月的总产油率
2.1.2
对特高含水期的油田分析 [5]。
这类油田含水率特高,我的理解是该类油田也是处在衰减期的,因此通过注水增产,结果就会导致油田含水率变高。
输入: 新井数、新井产量、去年投产的油井数、去年投产的油井产油贡献、最近2年投产的油井数、最近2年投产的油井产油贡献、……、最近9年投产的油井数量、最近9年投产的油井的产油贡献、最近10年及之前投产的油井数量、最近10年及之前投产的油井的产油贡献、注水井数量、月注入量、含水率、生产天数、剩余可采储量、新区使用的可采储量、 老区新增可采储量、增产井数、增产增油量和原油价格。(生产影响因素和历史生产数据)
输出: 油田的月产量或者年产量。
2.2 井组
我理解的井组就是每类井的集合。
2.2.1
对水平井建立预测模型,以井组为单位进行分析 [2]。
三个步骤:
1.从垂直测井数据帧中提取特征。
2.将提取的特征插值到水平井位置,并将特征合并到生产数据帧中。
3.为水平井生产建立预测模型,目的是找到最佳点(油气藏“甜点”表示油气富集的、具有经济开采价值的地区)。
输入: 垂直井的特征
输出: 水平井的产量
垂直井和水平井之间有什么关联吗?这里需要专业人士的回答。
2.2.2
以井组为单位进行分析 [1]。不过这里看的一篇文献是针对天然气处理,不知道换成石油是否会有影响。
输入: 井组的月平均产量、增量
输出: 井组接下来几个月的产量.
2.3 单井
这里主要是根据每篇文献的内容整理出来的输入输出,一些输入可能会重复,不过可以根据讨论将哪些输入结合。
2.3.1
以单井来分析 [8]:
输入: 过去的油井动态数据(如油管头压力(THP)、井底流动压力
输出: 接下来几个月的产量
2.3.2
另一种 [3]:
输入: 控制参数(注入速率和生产井底压力)、先前含水率和生产速率。
输出: 总速率和含水率(是否是当前还是后一段时间的,在文献中还未看出来)
2.3.3
另一种 [4]:
适用于整个生命周期。
输入: 单井数量,(生产井和注水井)
输出: 整个油藏的石油产量
影响:增产措施(例如,acid-fracturing(酸化压裂,酸压裂
))。
考虑生产井数量的变化来匹配和预测整个油藏的石油产量。
由于采油井数量的增加,传统的数据收集分析方法不能满足石油产量的增加。(如DCA方法,只适用于产量开始下降的生产后期)
参考文献:
[1]:A Better Way To Forecast Production From Unconventional Gas Wells
[2]:A data-driven workflow for predicting horizontal well
production using vertical well logs
[3]:Data-Driven End-To-End Production Prediction of Oil Reservoirs by
EnKF-Enhanced Recurrent Neural Networks
[4]:Prediction of Production in Oil Reservoirs by Considering Change in
Number of Production Wells
[5]: Production prediction at ultra-high water cut stage via
Recurrent Neural Network
[6]:基于人工神经网络的注水开发油藏产量预测
[7]:Oil production forecast models based on sliding window regression
[8]:An Artificial Intelligence Neural Networks Driven Approach to Forecast Production in Unconventional Reservoirs – Comparative Analysis with Decline Curve