📝 摘要
CO₂与水交替注入（WAG）工艺已被广泛应用于许多成熟油田，以有效提高石油产量并在地下永久封存碳。除了数值模拟，使用智能工具评估WAG过程中的不确定性以及预测技术或经济性能显得尤为重要。本研究提出了对水-CO₂交替注入工艺的综合评价，利用从合格的数值数据集生成的人工神经网络模型。总共两个不确定的储层参数和三个地面操作因素被设计为每个三层ANN模型的输入变量，以预测在5、15、25和35个注入周期后的一系列WAG生产性能。从技术角度来看，通过整合生成的网络模型，准确地反映了参数与重要输出（包括采油率、CO₂产量和净CO₂封存量）之间的关系。更重要的是，由于网络可以模拟一系列注入过程，这些技术问题的连续变化得到了很好的呈现，这表明了本研究中ANN的独特应用。对于给定的财政条件，包括对一般CO₂驱项目在可能油价范围内的充分关注，还简要介绍了经济指标。利用ANN模型，几种特定情况下净现值的优化结果清楚地表明了在当前提高采收率项目中，根据不稳定的油价所体现的盈利能力，最重要的是为每个不同情景提供了最相关的注入方案。显然，本研究中应用传统ANN的方法可以自适应地调整用于任何其他EOR项目，特别是由于模型已证明其经济分析的灵活能力，该方法有望与其他经济工具结合以全面评估项目。
🖥️ CMG软件应用情况总结
| 项目 | 内容 |
|---|---|
| 所用软件 | • CMG GEM（组分模拟器）：用于WAG过程的3D动态模拟 • CMG WINPROP（相态模拟软件包）：用于PVT分析和最小混相压力（MMP）计算 |
| 模型类型 | 3D组分模拟器，Peng-Robinson状态方程，五点井网，等温 |
| 模拟对象 | 参照Farnsworth油田Morrow砂岩地层的CO₂-水交替注入（WAG）过程 |
| 应用方式 | • 数据生成：使用CMG GEM进行263次不同参数组合的WAG过程数值模拟，生成训练和验证人工神经网络（ANN）所需的数据集 • PVT匹配：使用WINPROP进行PVT实验数据（DLT、ST）的回归匹配，验证原油物性 • MMP计算：使用WINPROP的多次混合池方法计算CO₂与原油的最小混相压力 |
| 油藏模型（表1） | • 网格：565.84 m × 565.84 m × 9.15 m，五点井网 • 网格尺寸：10.48 m × 10.48 m × 1.52 m • 孔隙度：0.029 – 0.21（非均质） • 渗透率：绝对渗透率（Kh）非均质，Kv/Kh = 0.1 – 1 • 初始油藏压力：31.026 MPa（底部层） • 初始油藏温度：58.75°C • 初始水饱和度：0.6 – 0.725 • 油藏深度：2362 m，储层厚度9.15 m |
| 流体模型（表2） | • 伪组分：9个（CO₂, N₂-CH₄, C₂H₆, C₃H₈, iC₄-nC₅, C₆-C₉, C₁₀-C₁₄, C₁₅-C₁₉, C₂₀₊） • EOS：Peng-Robinson状态方程（式1-2） • MMP：18.92 MPa（低于油藏压力，实现混相驱） |
| 相对渗透率（图1） | • 油-水、气-液相对渗透率曲线（图1a, 1b） • 三相相对渗透率（Stone模型，图1c） |
| 操作条件 | • 注入井约束：水注入速率86.36 m³/d，CO₂注入速率5435.57 sm³/d • 生产井约束：最小井底压力13.79 MPa • 输入变量： – 井距（D）：200 – 400 m – WAG比（WAG）：0.5 – 3.5（CO₂/水注入时间比） – 单周期时长（T）：30 – 90天 – 初始水饱和度（Sw）：0.6 – 0.725 – 垂向渗透率比（Kv/Kh）：0.1 – 1 • 输出目标：采油率、累计CO₂产量、净CO₂封存量（在5, 15, 25, 35个注入周期） |
| 总模拟案例数 | 263个 |
| ANN训练方案 | 50%训练，20%验证，30%测试 |
文中明确指出：
“A 3D reservoir is modeled in GEM (CMG) (2016, Computer Modelling Group Ltd., Calgary, AB, Canada) with a five-spot well pattern scale…” （第2.1节）
“In total, nine pseudo-hydrocarbon and non-hydrocarbon components of a referenced crude oil are verified in WINPROP (CMG) to validate PVT testing data from laboratory measurements…” （第2.2节）
🧪 模拟方案与主要结果
1. 基准案例分析（第4.1节）
-
基准案例参数：井距300 m，初始水饱和度0.67，Kv/Kh=0.5，WAG比=1，T=60天。
-
模拟结果：25个周期后采油率约22.5% OIP，气体突破发生在第5个周期内（图4）。
2. ANN模型生成与验证（第4.2节）
| 目标参数 | 整体R² | 整体RMSE (%) |
|---|---|---|
| 采油率 | 0.985-0.992 | 2.0-3.1 |
| 累计CO₂产量 | 0.986-0.997 | 1.3-2.7 |
| 净CO₂封存量 | 0.981-0.988 | 2.3-2.9 |
-
所有模型的R² > 0.98，RMSE < 3.2%，预测精度高（表3，图7）。
-
成功生成了预测5、15、25、35周期性能的单一ANN模型（权重和偏置见表4），可模拟注入过程的时间序列变化。
3. 技术关系验证（第4.3节）
-
储层参数（图8）：
-
低Kv/Kh（高渗透率各向异性）有利于提高采油率和CO₂封存（重力作用）。
-
低初始水饱和度有利于提高采油率和CO₂封存。
-
-
操作参数（图9）：
-
最佳WAG比约为1.0-1.5，过高（>2.5）会导致采油率下降和CO₂产量上升（早期突破）。
-
周期时长T越长，各项指标越好，但WAG比是更关键的设计参数。
-
-
井距（图10）：
-
大井距有利于提高采油率和CO₂封存，推迟气体突破。
-
WAG比低时，井距影响更显著。
-
4. 经济分析（NPV优化）（第4.3节）
-
使用ANN模型，对6种不同储层组合（Sw=0.6/0.7，Kv/Kh=0.1/0.5/1）进行NPV优化（油价35-65 $/bbl，表5-6）。
-
优化结果：最佳井距、WAG比和周期时长因储层条件而异。WAG比0.5在多数情况下经济最优（与技术上最佳WAG比1不同）。
-
NPV随油价上升而增加，且低油价（35$/bbl）下项目仍可实现正利润（图11）。
-
NPV并非随注入周期单调增加，在某些情况下15或25周期达到最大，表明存在最优项目周期。
✅ 主要结论
-
ANN预测成功：利用CMG GEM生成的263个数据样本，成功训练了三个高精度ANN模型（R²>0.98），能够预测不同WAG注入阶段（5, 15, 25, 35周期）的采油率、CO₂产量和净CO₂封存量。
-
单一网络多周期输出：与以往仅预测最终结果的研究不同，本研究的ANN模型可同时预测多个时间点的性能，为注入调度提供更丰富的信息。
-
技术与经济优化差异：技术上最优的WAG比（~1）与经济上最优的WAG比（~0.5）不同，体现了经济分析在EOR项目决策中的重要性。
-
CMG软件适用性：CMG GEM和WINPROP能够有效模拟CO₂-WAG过程，提供可靠的PVT匹配和相态计算，生成的数值数据可用于ANN等智能方法的训练。
🏛️ 作者及单位信息
-
作者: Si Le Van, Bo Hyun Chon
-
单位: 韩国仁荷大学（Inha University），能源资源工程系
该论文是CO₂提高采收率（CO₂-EOR）与人工神经网络（ANN）相结合的应用研究。研究的核心创新点在于：
-
时间序列预测：与传统ANN只预测最终结果不同，本研究训练的网络能同时预测多个时间点（5, 15, 25, 35周期）的WAG性能，更符合工程实际需求。
-
技术与经济双维度分析：不仅通过ANN验证了参数间的技术关系（渗透率各向异性、WAG比等对采收率的影响），还进一步将ANN用于NPV优化，揭示了技术最优和经济最优参数的差异。
-
完整的方法论展示：从CMG GEM数值模拟生成数据 → WINPROP PVT匹配 → MATLAB ANN训练与验证 → 技术关系分析 → 经济优化，形成了完整的研究链条，该方法可推广至其他EOR项目。
该研究对从事CO₂-EOR、WAG工艺优化、以及利用机器学习方法进行油气田开发方案智能决策的工程师和研究人员具有重要的参考价值。