Tong yang
很好??? 2019-03-08 17:38:29.0
机器学习法解决注入井选位难题
对于大多数常规储层，数值模拟可以为新井选取最佳位置，提供比较有价值的预测信息。然而，在 Lost Hills油田的作业中，由于其硅藻岩的储层低渗透率且高孔隙度、弱岩石强度但强渗吸作用，其数值模拟结果并不理想。机器学习 (ML)方法不需要特定的物理模型，可以提供具有足够数据的良好模拟结果，是井位布置的最佳选择。Lost Hills油田位于美国加利福尼亚州贝克斯菲尔德西北约45英里处。它发现于1910年，1970年代后期引入水力压裂。1992年进入水驱开发阶段并成为目前主要的生产方法。主要的储集岩类型是硅藻岩，它是由硅藻和单细胞生物的积累形成的。平均生产层厚度约为800~1000英尺，到储层底部的深度约为2000英尺，预计原始地层储量超过20亿桶。在油田开发的注入井建造中，井位的选择非常重要，开发商也经历了几种不同的方法。
ML算法和Voronoi图
K均值聚类算法是一种无监督学习算法，与监督算法相反，无监督学习算法不需要提供准确答案。K聚类算法通过迭代来识别每个聚类的成员，其步骤简略为：1.随机生成每个集合的图心，集合的数量K由用户输入；2.将每个数据点分配到最近的图心，以便创建K个集合；3.不断更新每个集合的新图心，使到图心的欧几里德距离达到最小；4.重复步骤2和3，直到达到收敛。SVM是受监督的ML算法，对于监督学习算法，必须提供答案以训练和构建预测模型。SVM有两个主要应用：分类和回归。在该项研究中主要使用了分类功能。Voronoi图是将空间划分为围绕某个点的区域，并使区域的边界与两个最近的点等距。在油藏工程中，这些边界代表着无流动边界。特别是在难以估算的无流量边界的储层中，比如Lost Hills油田，Voronoi图表示近似的泄油面积。
数据分析与模型构建
数据采集：作业人员共收集了三类数据，即油藏数据、第一年石油生产率数据和完井数据。大多数储层和生产数据都是结构化数据，但是，大多数完井数据都是非结构化的，并且信息的类型不一致，数据也经常丢失。为了建立一套一致的训练数据，设定了以下标准：除了油井数据之外，还从Lost Hills油田3D Earth模型中查询了每个Voronoi单元的当前地下原油储量（COIP）。基于生产井的Voronoi图重叠在3D模型之上，然后，沿着Voronoi单元边界垂直切割3D模型，并计算Voronoi单元的COIP值。使用了3000多口井的数据用于建造模型的结构框架，其中大约一半用于定义属性数据和油藏描述。历史产量是假设产量与渗透率成正比根据渗透率分配的。
聚类结果和分析：通过六个属性将输入数据分类为两类，0级和1级。属性分别是支撑剂、缓冲剂、泥浆等。这两个类别显示出明显的特征，即1类生产井是品质较好的储层，并且具有较大程度的水力压裂。第1类的所有分布和均值均高于第0类。在储层质量优越且水力压裂程度高的地区的油井往往是生产效果较好的生产井。尽管在K集群中没有使用原油产量，但结果清楚地表明，1类生产井比0类生产井的产量要高很多。1类生产井的平均产量是0类生产井的1.76倍。采用SVM构建预测模：使用K聚类结果，构建并训练SVM输入数据集，输入的数据集被随机分成两个子集，训练集和测试集。测试数据不用于训练但用于测试训练模型的预测程度。使用网格搜索方法确定正则化参数以防
止过度拟合。训练和测试精度分别为0.997和0.987。为了估计输入属性的灵敏度，计算出了影响因子。根据调查结果和Lost Hills油田现场条件，开发了以下工作流程来选择注入井位置：最终，通过引入一种ML方法，帮助选择了注入井位置。该方法确定了大约550个井候选位置，这些位置被推荐给Lost Hills油田开发团队，并对所有候选位置进行了排序。井选址工作流程包括历史数据分析、泄油面积估算、ML模型训练和候选位置估算。利用K-means聚类和统计方法分析和识别出更好的生产井特征。
Voronoi图提供了对剩余油储量和非泄油区域相对较好的评估，因为Voronoi图可以近似于无渗透边界。对SVM模型进行了培训，根据生产能力对位置进行排序。新颖的工作流程为新井位置选择提供了更系统的方法，使开发团队能够基于数据驱动做出成功决策。
来源：石油圈
本文来源 网站，文章版权归原作者及原出处所有，内容为个人观点，并不代表本站赞同其观点和对其真实性负责，本站只提供参考并不构成任何投资及应用建议。我们已经尽可能的对作者和来源进行了通告，如有异议请及时联系我们，我们将根据著作权人的要求，立即更正或者删除有关内容。
本文内容为作者个人观点，OILUP仅提供信息发布平台
评论
0
1
1