📝 摘要

地下数据分析、油藏建模和机器学习技术已被应用于美国内华达州的Brady Hot Springs地热田，以进一步表征地下特征并辅助优化油藏管理。使用TETRAD-G和CMG STARS进行了数百次油藏模拟，以探索不同的注入和生产流量分配，并开发机器学习训练数据集。该过程包括模拟自1979年以来的历史注入和生产，以及预测到2040年的未来性能。基于多层感知器（MLP）、长短期记忆（LSTM）和卷积神经网络（CNN）架构，使用TensorFlow创建和训练了机器学习网络。这些网络以选定的流量、注入温度和现场历史操作数据为输入，预测未来的生产温度。该方法首先在一个简化的单裂缝对井系统中成功测试，随后应用于BHS油藏。使用包含37个模拟场景的初始BHS数据集，训练和验证后的网络预测了六口生产井的生产温度，平均绝对百分比误差低于8%。在另一项补充分析中，对13个BHS地质参数进行的主成分分析显示，垂直裂缝渗透率与断层密度和断层交汇密度相关性最强。基于断层交汇密度作为渗透率代理参数，开发了新的BHS油藏模型。还制定了数据采集计划，包括对三口闲置注入井进行温度测井，油藏模拟表明这些井的井底温度较高。采集的数据有助于校准油藏模型。数据采集活动计划于2021年第一季度进行。

🖥️ CMG软件应用情况总结

项目 内容
所用软件 • CMG STARS（2019版本）：先进过程与热采模拟器，用于Brady Hot Springs地热田的数值模拟
• TETRAD-G：地热模拟器（由Shook and Faulder, 1991开发），用于BHS油藏模拟和ML训练数据生成
• TensorFlow：机器学习框架，用于MLP、LSTM和CNN网络的训练和预测
模型类型 • 三维数值热-水力（TH）双重介质油藏模型
• 约20,000个网格单元
• 包含自1979年以来的历史注入和生产数据、约40口注入井和生产井（包括地表喷气孔和油藏底部流体源）
• 边界条件：顶部和底部恒温，四侧恒压含水层
模拟对象 美国内华达州Brady Hot Springs地热田，模型尺寸约18 km × 10 km × 3.5 km
应用方式 • 历史模拟：模拟自1979年至今的历史注入和生产数据
• 未来预测：预测到2040年在不同油藏操作条件下的未来生产温度和压力
• ML训练数据生成：通过数百次模拟生成机器学习训练数据集
• 模型转换：将TETRAD-G模型转换为CMG STARS模型，以利用其内置的机器学习功能
• 模型验证：对比TETRAD-G和CMG STARS模型的注入/生产流量和压力，获得极佳匹配
• 简化模型测试：使用CMG STARS模拟单裂缝对井系统（Song et al., 2018模型），用于ML方法测试
模型参数 • 初始温度分布（图1）
• 约40口井（注入井、生产井、喷气孔、流体源）
• 主要流动路径连接注入井和生产井
• 双重介质（裂缝-基质）系统
模型验证 • TETRAD-G模型与现场历史数据对比良好（六口生产井平均绝对误差4.4-16.4°C）
• TETRAD-G与CMG STARS在注入/生产流量和压力上匹配极佳
• 生产温度剖面趋势一致，但平均偏差约±5°C（计划进一步细化）
ML预测输入 • 历史生产温度
• 注入温度
• 注入质量流量
• 对于BHS：12个附加通道（4口注入井的温度、压力、质量流量）
• 时间序列长度N=12（可调参数）
ML预测输出 六口生产井的未来生产温度（2020-2040年）
主要结论 • MLP、LSTM和CNN网络均能准确预测单裂缝对井系统的生产温度（MAPE 3.99%-7.34%）
• 在BHS应用中，使用37个模拟场景训练后，六口生产井的温度预测MAPE < 8%，MLP网络平均MAPE约1%，LSTM约2.5%
• 主成分分析显示，垂直裂缝渗透率与断层密度和断层交汇密度相关性最强
• 基于断层交汇密度作为渗透率代理，开发了新的BHS油藏模型
• CMG STARS和TETRAD-G均能有效支持地热储层模拟和ML训练数据生成

文中明确指出（Case117.pdf）：

“Hundreds of reservoir simulations have been conducted in TETRAD-G and CMG STARS to explore different injection and production fluid flow rates and allocations and to develop a training data set for ML.” （摘要部分，第1页）

“BHS reservoir simulations were set up and run in TETRAD-G (Shook and Faulder, 1991) and CMG STARS (Computer Modelling Group Ltd., 2019) to generate a training data set for the ML algorithms.” （第2节，第1页）

“The TETRAD-G model was converted to a CMG STARS model to allow for use of its built-in ML capabilities. An excellent match in injection and production flow rates and pressures was obtained between the TETRAD-G and CMG STARS model.” （第2节，第2页）

致谢部分（第8页）：“We thank Computer Modelling Group for donating the software licenses necessary to enable these simulations.”

🧪 模拟方案与主要结果

1. BHS油藏模型建立（第2节，图1）

模型特征：

  • 三维双重介质（裂缝-基质）热-水力模型

  • 约20,000个网格单元

  • 模型尺寸：~18 km × 10 km × 3.5 km

  • 井位集中在浅部高温异常区

模型输入：

  • 自1979年以来的历史注入和生产数据

  • 约40口井（注入井、生产井、地表喷气孔、底部流体源）

  • 连接注入井和生产井的主要流动路径

  • 边界条件：顶部和底部恒温，四侧恒压含水层

模型验证：

  • TETRAD-G模型与现场历史数据匹配：六口生产井平均绝对误差4.4-16.4°C

  • TETRAD-G与CMG STARS在注入/生产流量和压力上匹配极佳

  • 生产温度剖面趋势一致，平均偏差约±5°C

2. 简化单裂缝对井系统测试（第3节，图2a, 3, 4）

模型来源：Song et al.（2018）单裂缝系统，一注一采

模拟工具：CMG STARS、TOUGH2-CSM、解析方程

ML架构对比结果（20个测试场景，图4）：

网络架构 平均MAPE
MLP（多层感知器） 3.99%
CNN（卷积神经网络） ~6%
LSTM（长短期记忆） 7.34%

LSTM预测示例（图3）：MAPE范围1.69%-20.73%，多数仅几个百分点

关键发现：结合物理参数（注入温度、质量流量）比纯时间序列预测更准确

3. BHS机器学习预测（第3节，图2b, 5, 6）

输入通道（图2b）：

  • 历史生产温度

  • 4口注入井的：温度、压力、质量流量（共12个附加通道）

数据集划分（37个初始场景）：

  • 训练：65%（24个）

  • 验证：10%（3个）

  • 测试：25%（10个）

预测结果（图5）：一口生产井10个测试场景的MAPE：0.17%-3.92%

六口生产井综合结果（图6）：

网络架构 平均MAPE（六口井）
MLP ~1%
LSTM ~2.5%

4. 主成分分析（PCA）与更新油藏模型（第4节，图7-8）

分析的13个地质变量（图7）：

  • 断层密度

  • 断层交汇密度

  • 模拟应力变化（Siler et al., 2018）

  • 滑动趋势

  • 扩张趋势

  • 断层曲率

  • 距断层距离

  • 距接触面距离

  • 地层厚度

  • 三维温度（Siler et al., 2016）

  • 等

关键发现（图7）：

  • 5个主成分代表>80%的数据变异性

  • 垂直裂缝渗透率与断层密度和断层交汇密度相关性最强（热图中暖色表示高相关性）

新油藏模型（图8）：

  • 以断层密度和断层静态应力状态作为渗透率的代理参数

  • 高渗透率区域（红色区块）叠加高断层交汇密度区域（暖色）

  • 用于探索现场潜在未充分开发区域

5. 数据采集计划（第5节，图9）

目标井：

  • 18A-1

  • MGI-1

  • MGI-2

选择依据：

  • 这些井是已闲置数年的原注入井

  • 油藏模型显示井位附近具有良好的近井渗透率

  • TETRAD-G和CMG STARS模拟表明，井底温度已稳定上升，目前足够高，可考虑转为生产井

活动内容：温度测井，以确认（或否定）温度预测，并为油藏模型校准提供井下数据点

计划时间：2021年第一季度（数据采集活动）

✅ 主要结论

  1. CMG STARS与TETRAD-G的有效性：两种模拟器在注入/生产流量和压力上获得极佳匹配，均可有效支持地热储层模拟和ML训练数据生成。CMG STARS转换模型利用了其内置的机器学习能力。

  2. ML预测的准确性：MLP、LSTM和CNN均能准确预测单裂缝系统的生产温度（MAPE 3.99%-7.34%）。在BHS应用中，使用37个模拟场景训练后，六口生产井的温度预测MAPE < 8%，MLP网络平均MAPE约1%。

  3. 输入特征的重要性：结合物理参数（注入温度、质量流量）比纯时间序列预测更准确，这一发现对类似ML应用具有普适意义。

  4. 地质-渗透率相关性：主成分分析揭示，垂直裂缝渗透率与断层密度和断层交汇密度相关性最强，为基于地质数据预测渗透率分布提供了定量依据。

  5. 数据驱动的地热田管理：本研究展示了将数值模拟与机器学习相结合用于地热田优化管理的可行路径——从历史模拟到未来预测，从模型校准到现场数据采集计划。

  6. CMG软件捐赠：Computer Modelling Group为这项研究捐赠了软件许可证，体现了CMG对学术研究的支持。

🏛️ 作者及单位信息

作者 单位
Koenraad F. Beckers 国家可再生能源实验室（NREL）；Heateon
Dmitry Duplyakin 国家可再生能源实验室（NREL）
Michael J. Martin 国家可再生能源实验室（NREL）
Henry E. Johnston 国家可再生能源实验室（NREL）
Drew L. Siler 美国地质调查局（USGS）

会议：第46届地热储层工程研讨会（2021年2月16-18日）

资助：

  • 美国能源部（DOE）能源效率与可再生能源办公室地热技术办公室（DE-FOA-0001956-1551）

  • USGS地热资源调查项目

  • USGS Mendenhall计划（部分资助）

合作方：

  • John Akerley和John Murphy（Ormat Technologies Inc.）

  • David Castineira（QRI Group，志愿顾问）

软件致谢：

“We thank Computer Modelling Group for donating the software licenses necessary to enable these simulations.”（第8页）

💡 补充说明

该论文是地热储层模拟与机器学习交叉领域的典型应用研究，核心创新点在于：

  1. 地热-机器学习融合：首次将CMG STARS数值模拟与MLP、LSTM、CNN三种机器学习架构系统地结合，用于地热田生产温度的时间序列预测，实现了从数值模拟到数据驱动预测的完整工作流。

  2. 双模拟器验证策略：同时使用TETRAD-G和CMG STARS进行模拟，验证了两者在注入/生产流量和压力上的极佳匹配性，增强了模拟结果的可靠性，也为后续研究提供了模型转换的方法学参考。

  3. 简化到复杂的递进验证：从单裂缝对井系统（解析解可用）到BHS复杂地热田的递进验证策略，确保了ML方法在不同复杂度系统中的适用性。

  4. 物理参数约束的ML方法：研究发现，结合注入温度、质量流量等物理参数比纯时间序列预测更准确，这一结论对油气/地热领域的ML应用具有普适意义。

  5. 主成分分析指导油藏模型更新：通过PCA识别断层密度和断层交汇密度与裂缝渗透率的最强相关性，基于此开发了新的油藏模型，为地热田的靶区优选提供了定量依据。

  6. 闭环研究框架：从历史模拟 → 未来预测 → ML训练 → 地质分析 → 油藏模型更新 → 现场数据采集，形成了完整的闭环研究框架。

该研究对从事地热储层工程、油气田开发、机器学习在能源领域应用、以及数值模拟与数据驱动方法结合的工程师和科研人员具有重要的参考价值。

case117

发表评论