本文介绍了一种利用机器学习技术来评估和预测残余油带（ROZ）中CO2提高采收率（EOR）和CO2存储能力的方法。残余油带由于地质条件多样，位于主产层的油水界面以下，历史上被认为使用传统的一次采开采法开发经济上不可行。然而，它们代表了适合CO2封存和存储的巨大地下体积。本研究引入了机器学习技术来评估/预测ROZs中的油开采潜力和CO2存储能力。
研究框架基于向机器学习模型提供来自多次CO2注入ROZs的模拟运行中获得的数据。该数据集包括关键的地质和操作属性作为输入（厚度、渗透率/Kh、孔隙度、Sorw、Sorg、生产井BHP、注入速度、地层水矿化度）。目标是预测CO2存储能力和油开采潜力，消除进行耗时且昂贵的储层模拟的必要性。该方法在岩心和矿场尺度模型中进行了测试。
研究结果表明，累积油产量与sorw、CO2注入速度、储层渗透率之间存在显著的正相关性，而生产井BHP和垂直渗透率与水平渗透率比值显示负相关性。相反，ROZs中的累积CO2存储与生产井BHP、储层厚度和CO2注入速度呈正相关，而与储层渗透率呈负相关。所提出的ANN模型在预测CO2-EOR和存储性能方面被证明具有高准确性。特别是，测试的累积油产量和CO2存储模型的R2值在0.9到0.98之间，平均绝对百分比误差小于10%。此外，这些模型作为优化操作参数（如生产者BHP和CO2注入率）的改进储层管理工具非常有价值。这些发现已通过实际现场数据进行了严格验证，证实模型预测与实际结果之间高度一致。开发的模型可以作为评估ROZs中CO2-EOR和存储的快速技术和成本效益工具。使用实际ROZs现场数据证明了ANN预测与实际数据之间的一致性，使其非常适合现场应用。
CMG软件应用情况
CMG软件在本文中被用于创建一个三维储层模型，以评估CO2注入提高采收率（EOR）的效果，并确定通过束缚空间、溶解和构造捕集在储层中封存的CO2量。该模型由36个x方向网格、36个y方向网格和10个z方向网格组成，水平网格尺寸为120英尺和122英尺。采用五点井网评估CO2注入的EOR和碳捕集、利用和存储（CCUS）。CMG软件用于模拟CO2注入过程，并生成用于训练机器学习模型的数据集。
4011705 (12)作者单位
休斯顿大学石油工程系。
