📝 摘要

从根本上说，用于分析水驱性能的所有数学模型都隐含了假设，排除了一个或多个力以应对储层非均质性。研究初期进行了一系列敏感性调查，以检验影响层状油藏水驱性能的参数。这些参数旨在衡量水驱过程中各力的贡献：粘滞力、重力和毛管力。此外，还研究了由粘度和重力分异产生的交叉流现象。对影响性能程度较高的参数进行随机采样，以创建一个具有特定输入和目标输出的知识域。在这里，目标输出是油藏模拟器计算的最终采收率。该知识域作为输入（提供的已解决问题）提供给代理模型（人工神经网络），用于在训练过程中调整神经元之间连接的强度，以生成一个能够在一定范围内以极小误差预测此类油藏水驱性能的模型。该模型在输入12个关键参数（流度比、流体密度、倾角、渗透率排序、非均质程度、注入速率、储层厚度、孔隙度、三维渗透率以及储层深度）时，可以预测非均质油藏水驱过程的性能。当系统参数在训练所用数据范围内时，平均绝对百分比误差约为4.6%，误差标准差约为8.7%，模拟结果与ANN预测结果之间的相关系数约为99.1%。

🖥️ CMG软件应用情况总结

项目 内容
所用软件 • CMG WINPROP：用于创建油藏流体PVT属性和组分模型
• CMG IMEX：三维黑油油藏模拟器，用于水驱数值模拟
• CMOST：用于参数敏感性分析和实验设计（Latin Hypercube采样）
模型类型 • 三维黑油模型（单相油、水、气）
• 层状储层模型（10个垂向层，每层不同渗透率）
• 一注一采五点井网模式（注入井位于(1,1)，生产井位于(15,15)）
• 笛卡尔网格：15×15×10 = 2,250个网格单元
模拟对象 层状非均质砂岩油藏的水驱过程，分析流度比、重力、倾角、交叉流、渗透率排序、非均质程度等对水驱性能的影响
应用方式 • 基础模型建立：使用IMEX建立三维层状储层模型，模拟水驱过程
• PVT建模：使用WINPROP创建原油组分和PVT属性（表1列出30+个组分）
• 敏感性分析：使用IMEX进行7组敏感性研究（倾角、流度比、密度差、渗透率排序、注入速率、非均质程度）
• 数据生成：使用CMOST软件结合Latin Hypercube采样方法，随机改变12个关键参数，生成3,000多个求解案例
• 参数优化：利用CMOST进行实验设计，生成训练ANN所需的知识库
基础模型参数 • 储层尺寸：1500×1500×300 ft（X×Y×Z）
• 网格：15×15×10（X×Y×Z）
• 初始压力：4000 psi（@4450 ft）
• 孔隙度：0.3（恒定）
• 几何平均渗透率：475 mD
• Dykstra-Parson系数：0.4（基案例）
• 渗透率各向异性：Kv/Kh可调
• 储层顶部深度：4300 ft
• 生产井最大液量：3500 bbl/day
• 注入井注入量：3900 bbl/day（基案例）
• 模拟周期：15年
敏感性研究参数 • 倾角：0°、30°、-30°、45°、-45°（图5）
• 流度比：0.5、1、5
• 油密度：40、55、60 lb/ft³
• 渗透率排序：基案例、逆序、5种随机分布（表2）
• 注入速率：1000、2000、3900、6000、10000 bbl/day（表3）
• 非均质程度：VDP=0.2、0.4、0.6（图6）
ANN输入参数（12个） 油密度、水密度、储层深度、倾角、注入速率、流度比、储层厚度、渗透率排序、非均质程度、孔隙度、KJ/KI、KV/KI（表4）
ANN结构与性能 • 输入层：12个神经元
• 隐藏层：3层（21-10-3个神经元）
• 输出层：1个神经元（最终采收率）
• 激活函数：LOGSIG
• 训练算法：Levenberg-Marquardt反向传播
• 训练/验证数据划分：70%/30%
• R²=0.99543，相关系数=99.1%
• 平均绝对百分比误差：4.6%
主要结论 • ANN代理模型预测水驱性能的平均绝对百分比误差为4.6%，远优于多项式回归（23.2%）
• 采收率与倾角正相关（重力作用），与流度比负相关
• 渗透率随深度递减（fining downward）时性能最佳；递增（fining upward）时最差
• 存在最优注入速率（本案例约10,000 bbl/day），过高则因水窜而降低采收率
• CMG软件（WINPROP、IMEX、CMOST）能够有效支持水驱数值模拟和代理模型训练数据生成

文中明确指出（Case127.pdf）：

“In this study, objectives were accomplished using CMG (WINPROP, IMEX and CMOST) which is a black oil three-dimension reservoir simulator.” （第4页）

“PVT properties for oil and the gas which used in the model are created using the winprop software and the hydrocarbon composition used are presented in Table 1.” （第5页）

“Based on the above sensitivity study, the physical properties that affect the cross flow due to viscous and gravity forces were randomly changed by CMOST software with Latin Hypercube method used as the sampling method to generate more than 3000 solved examples.” （第12页）

🧪 模拟方案与主要结果

1. 基础模型与敏感性研究（第4-5节）

储层模型（图4）：

  • 尺寸：1500×1500×300 ft

  • 网格：15×15×10（2,250个单元）

  • 10个垂向层，每层不同渗透率（对数正态分布，VDP=0.4，图3）

  • 一注一采（注入井(1,1)，生产井(15,15)）

敏感性研究汇总：

研究编号 参数 取值 主要发现
1-3 倾角 + 流度比 0°/±30°/±45°；M=0.5/1/5 采收率与倾角正相关（图7-10）；重力前缘重塑延迟水突破
4 油密度 40、55、60 lb/ft³ 密度差越大，采收率越高（图11-12）
5 渗透率排序 基案例、逆序、5种随机（表2） 向下变细（fining downward）最优；向上变细最差（图13-14）
6 注入速率 1000-10000 bbl/day（表3） 存在最优值~10,000 bbl/day；过高则水窜（图16）
7 非均质程度 VDP=0.2、0.4、0.6 VDP越大（越非均质），采收率越低（图15）

2. 关键敏感性分析结果

倾角影响（图7，M=5）：

  • 45°倾角 > 30° > 0° > -30° > -45°

  • 上倾注入时重力降低水层流速，延缓水突破

流度比影响（图8-10）：

  • M=0.5（有利）> M=1 > M=5（不利）

  • 高M时重力作用更显著（图9：45°倾角时，M=5 vs M=0.5差异更大）

渗透率排序影响（图13-14）：

  • 向下变细（fining downward）：重力强化性能，采收率最高

  • 向上变细（fining upward）：性能最差

  • 随机分布：介于两者之间

注入速率影响（图16）：

  • 最佳注入速率：约10,000 bbl/day

  • 12,000 bbl/day：水窜，采收率下降

  • 临界注入速率：约3,200 bbl/day

3. ANN代理模型（第5-6节，图17-22）

ANN结构（图17）：

  • 输入层：12个神经元（12个关键参数）

  • 隐藏层：3层（21 → 10 → 3）

  • 输出层：1个神经元（最终采收率）

训练结果（图20）：

  • R² = 0.99543，相关系数 = 99.1%

  • 平均绝对百分比误差 = 4.6%（图18）

  • 训练数据：>3,000个（CMOST Latin Hypercube采样生成）

ANN vs 多项式回归对比（表5，图19-22）：

指标 ANN 多项式回归
平均绝对百分比误差 4.6% 23.2%
R² 0.9954 0.8664
预测稳定性 高（图21） 波动大（图22）

✅ 主要结论

  1. ANN代理模型的有效性：利用CMG IMEX生成的3,000多个模拟案例训练的ANN代理模型，能够以平均4.6%的绝对百分比误差预测层状油藏水驱最终采收率，精度远优于传统多项式回归（23.2%误差）。

  2. 多软件协同工作流：成功建立了WINPROP（PVT建模）→ IMEX（数值模拟）→ CMOST（实验设计/数据生成）→ ANN（代理模型训练）的完整工作流，为类似研究提供了方法论参考。

  3. 水驱性能的关键控制参数：

    • 倾角（重力）：采收率随倾角增加而增加（45° > 30° > 0° > -30° > -45°）

    • 流度比：M值越小（越有利），采收率越高

    • 渗透率排序：向下变细（fining downward）最优，向上变细最差

    • 注入速率：存在最优值（~10,000 bbl/day），过高则水窜

    • 非均质程度：VDP越大，采收率越低

  4. 重力交叉流的作用：重力交叉流通过从上覆层抽吸水降低水层速度，重塑前缘，延迟水突破，提高采收率。其有效性取决于渗透率-深度配置和Kv/Kh比。

  5. CMG软件适用性：CMG IMEX能够有效模拟层状非均质油藏的水驱过程；WINPROP可用于复杂组分PVT建模；CMOST支持高效的实验设计和参数采样，为数据驱动代理模型提供高质量训练数据。

🏛️ 作者及单位信息

作者 单位
Ahmed I. Omar 利比亚国家石油公司（National Oil Corporation, Libya）
Zhangxing Chen 卡尔加里大学（University of Calgary, Canada），NSERC/AI-EES/Foundation CMG工业研究主席，油藏模拟方向
Abdullah E. Khalifa Janzour工程技术学院（College of Engineering Technology – Janzour, Libya）

期刊：Journal of Petroleum and Gas Engineering (JPGE)

卷/期：Vol. 8(7), pp. 60-78

出版年份：2017年9月

收稿日期：2016年3月28日

录用日期：2016年12月6日

文章编号：69B246066017

💡 补充说明

该论文是数据驱动代理模型（ANN）在层状油藏水驱性能预测领域的方法学研究，核心创新点在于：

  1. 系统性参数敏感性研究：系统研究了7组参数（倾角、流度比、密度差、渗透率排序、注入速率、非均质程度）对水驱性能的影响，涵盖了控制水驱过程的三大力（粘滞力、重力、毛管力）及交叉流现象。

  2. 大规模训练数据集：利用CMOST软件结合Latin Hypercube采样方法，随机改变12个关键参数，生成了3,000多个模拟案例，为ANN训练提供了充足的高质量数据。

  3. ANN vs 多项式回归的直接对比：在同一数据集上直接对比了ANN和多项式回归的预测性能，量化证明了ANN的优越性（4.6% vs 23.2%平均绝对误差）。

  4. CMG多软件协同工作流：完整展示了WINPROP（PVT建模）→ IMEX（数值模拟）→ CMOST（实验设计/数据生成）→ ANN（代理模型训练）的工作流，为数据驱动代理模型研究提供了技术路线图。

  5. 工程实践指导意义：研究结果为层状油藏水驱方案设计提供了定量依据，包括：上倾注入优于下倾注入、有利流度比（M<1）是水驱成功的必要条件、存在最优注入速率（过高则水窜）、向下变细的渗透率排序最有利。

  6. 代理模型的实用性：训练好的ANN模型可以在输入12个易测参数后快速预测水驱采收率，避免了耗时的数值模拟和昂贵的现场试验，为快速筛选和初步评估提供了有力工具。

该研究对从事油藏工程、水驱开发、层状非均质油藏模拟、以及数据驱动代理模型在石油工程中应用的工程师和科研人员具有重要的参考价值。

case127

发表评论