基于机器学习的火驱注采关系分析
火驱（火烧油层）是一种高效的油藏开发方法，能够在较短时间内形成高温高压环境，加速原油流动，提高采收率。然而，火驱过程中，油层内的物质和温度分布不均匀往往会导致采收率的不稳定和采油效率的降低。由于注水开发具有生产井见效稳定，响应敏感等优点，现有研究多以水驱开发为背景，忽略了火驱生产注采开发的复杂性。为了解决这个问题，研究火驱井间注采关系是非常必要的。传统方式通过油藏静态资料分析，成本高且对油层环境有一定影响，利用生产动态资料与机器学习能够经济高效得出注采井间关联性结果。 本文对火驱注气生产与注水生产进行了简单分析，以红浅1井区先导试验区为研究对象，利用矿场静态资料与生产动态资料进行了火驱井间注采关系分析。首先利用静态资料与生产概况初步了解试验区火驱井间注采状况，其次选择实际火驱生产资料，利用机器学习三种算法（决策树、随机森林和AdaBoost算法）建立对应三种模型，筛选了各井组影响火驱产量的主要影响指标（主特征）。然后建立了适合矿场火驱生产的主特征-多元注采关联模型，利用一阶线性系统分析减小注采数据因时滞效应带来的误差，量化了火驱注采井的井间关联性，结果与实际矿场结果进行了对比。最后利用多元注采关联模型与三种机器学习模型结合主特征变量对生产井井的产液量进行预测。 结果表明，红浅1井区先导试验区火驱生产注采井间情况复杂，依靠传统的生产动态数据与注采关联分析难以准确描述;各井组因储层物性的不同，注采关联的主特征也不相同，针对以产油量为目标，选择合适的主特征能够明确火驱注采井之间的关联动态,有助于建立关联模型;建立的主特征-多元注采关联模型能够有效的计算出火驱注采井间关联系数，经过一阶线性系统优化后，模型拟合精度更高，能够更准确的描述火驱注采井间关联性，其结果与矿场实际生产特征和示踪剂结果吻合;神经网络在预测产液量方面更具优势，合适的学习样本数量和机器学习模型能够有效提升预测结果，明确火驱的注采井间关系。
油藏开发;火驱注采;机器学习;井间关联性;温度分布
西安石油大学
硕士
石油与天然气工程
袁士宝
2023
中文
TE357.44
2023-08-28（万方平台首次上网日期，不代表论文的发表时间）