📝 摘要
相对渗透率在多孔介质多相流表征中起着重要作用。这些数据作为油藏模拟模型的输入参数，用于确定相分布、残余饱和度并预测油藏的未来动态。相对渗透率的不准确表征会导致油藏速度场的错误表示、产量预测的不准确，并导致错误决策，如井位选择不当或采收技术选择错误。此外，在具有大量数据的模拟中（如包含多个网格块的油藏），处理时间可能长达数天。针对这些困难，本文提出了一种利用前馈人工神经网络预测相对渗透率曲线的方法，以在短时间内改善模拟模型。输入变量包括生产井和注入井的历史数据，分析基于这些数据与相对渗透率曲线之间的相关性。该方法被证明是历史拟合的一种替代方法，因为网络呈现低误差，预测值非常接近或等于历史值，从而以更少的计算需求获得更好的产量预测。

关键词：人工神经网络，历史拟合，相对渗透率

🖥️ CMG软件应用情况总结

项目 内容
所用软件 CMG IMEX（黑油模拟器）
模型类型 黑油模型
研究对象 UNISIM-I基准模型（基于巴西Campos盆地Namorado油田）
网格系统 角点网格，81×58×20个网格，38,466个活跃网格
井数 4口原始生产井 + 10口后期生产井 + 11口注入井
生产历史 4,018天
相对渗透率模型 Brooks & Corey模型
优化参数 Corey指数、最大相对渗透率、临界饱和度等
神经网络架构 前馈网络，sigmoid激活函数，反向传播
训练函数 SCG、LM、BR（Levenberg-Marquardt最优）
误差指标 归一化均方误差（NMSE < 0.09为合格）

文中明确指出：使用CMG IMEX进行油藏模拟，生成生产/注入数据用于神经网络训练（第2.1.1节）。

📊 研究方法与流程

整体工作流程：

  1. 基于Brooks & Corey模型随机生成200条相对渗透率曲线（参数：n_w, k_rw_max, S_wc, S_orw）

  2. 将曲线输入CMG IMEX模拟UNISIM-I-H模型，获得产油量、产水量、气油比、井底流压等输出

  3. 以模拟输出为输入，训练前馈神经网络预测相对渗透率参数

  4. 比较预测值与真实值，通过NMSE评估网络性能

  5. 选择最优网络（NMSE < 0.09），用于产量预测验证

固定时间周期模拟（初步方法）：

  • 训练网络预测固定时间步长内的相对渗透率

  • 生成了20个合格网络（NMSE < 0.09），最佳网络NMSE低至0.0395（ANN 8）

  • 发现最小网络规模需求：单层时至少174个神经元，或多层但每层<100个神经元

  • 局限性：只能预测固定时间段，不适用于实际动态油藏

变时间周期模拟（改进方法）：

  • 将时间作为输入变量，使用累计产量数据替代绝对产量

  • 测试了三种训练函数：SCG（快但精度差）、LM（平衡）、BR（慢但精度高）

  • 选择Levenberg-Marquardt算法（NMSE=0.1359，时间10,874秒）

训练数据量优化：

 
 
训练数据量 训练时间 NMSE
100 1,524秒 0.1404
200 4,132秒 0.1652
500 10,874秒 0.1359
1,000 124,567秒 0.1311

选择500个模型作为最优平衡（精度与时间）

最终网络配置：

  • 架构：[50 100]（两层，50和100个神经元）

  • 训练函数：Levenberg-Marquardt

  • 训练数据：500条随机生成的相对渗透率曲线

产量预测结果（图3-5）：

  • 预测值（蓝色）明显优于原始模拟值（灰色），更接近历史数据（红点）

  • 产水量和BHP改善最为显著

  • 注射井和生产井均表现良好

未来产量预测能力（图6-7）：

  • 用120个时间步训练，预测未来1年产量

  • 预测产量平均误差18%，验证了基于历史数据预测未来产量的潜力

✅ 主要结论

  1. 建立了基于前馈ANN的相对渗透率参数预测方法，使用生产/注入历史数据作为输入，Brooks & Corey模型参数作为输出。

  2. 最优网络配置为[50 50]或[50 100]两层结构，采用Levenberg-Marquardt训练函数，500个训练模型。

  3. 预测误差降低约20%，计算时间从数天降至约10小时，比传统历史拟合方法更快且不损失精度。

  4. 历史拟合是一个不适定反问题，该方法可通过向输入添加噪声生成多组可能解，在短时间内找到适合模型的不同曲线。

  5. 用120个时间步训练后，未来1年产量预测误差18%，展示了预测潜力。

🏛️ 作者及单位信息

作者 单位
Nathália Seiler Spada 圣保罗大学（Universidade de São Paulo），矿业与石油工程系，Santos – SP – Brazil
Cleyton de Carvalho Carneiro 圣保罗大学，矿业与石油工程系，Santos – SP – Brazil
Rafael dos Santos Gioria 圣保罗大学，矿业与石油工程系，Santos – SP – Brazil

通讯邮箱：nathalia.spada@usp.br
收稿日期：2020年2月26日
录用日期：2020年6月6日
发表时间：2020年12月1日
会议：Rio Oil & Gas Expo and Conference 2020
文章编号：040

致谢：

  • 圣保罗大学理工学院及InTRA研究组

  • Petrobras通过FUSP提供资助

  • CMG（Computer Modelling Group Ltd.）提供软件许可

补充说明：该论文的核心创新在于将人工神经网络与油藏模拟相结合，利用历史生产数据反向推断相对渗透率参数，从而加速历史拟合过程。该方法不仅减少了计算时间，还保留了历史拟合的精度，为油藏工程师提供了一种新的工作流程。

如需提取论文中的特定图表（如预测曲线对比图、训练函数对比图、NMSE对比表等）或翻译全文/特定章节，可以继续为您处理。

case67

发表评论