《闭环油藏管理的理论基础》由会员分享,可在线阅读,更多相关《闭环油藏管理的理论基础(7页珍藏版)》请在金锄头文库上搜索。
1、1.1 闭环油藏管理的理论基础(1)摘自现代控制理论在闭环油藏管理中的应用闭环油藏管理CLRM(ClosedLoop Reservoir Management)最早由 Brouwer、Jansen人于 2004年提出,是基于智能油田技术而发展起来的一项新兴的研究课题。其核心是利用数值模拟技术,以油田生产系统为对象,将数据同化(即历史拟合)和生产优化两个过程相结合,通过不断吸收和同化观测数据来更新油藏地质模型和确定油藏流体的分布,并采用优化控制算法对油田开发进行生产优化,确定油水井的最优生产制度,实现油藏开发效益的最大化。该理念的灵感主要源于气象学、海洋学处理大规模流动模型时常用的数据同化技术,
2、以及过程控制领域处理不确定、非线性和多尺度优化的基于模型的控制理论。CLRM将油藏管理考虑成基于模型的闭环控制过程,其核心主要包括模型降维、基于数据同化的模型更新以及基于油藏模型的优化控制 3个方面,基本原理图所示。图 1.1 闭合油藏管理示意图上图顶部的系统由油藏、油井和设备组成。传统油藏模型维数较高,一般包含上百万个状态变量(各网格中心压力和饱和度)。因此,CLRM首先面临的就是模型降维问题,即如何将高维模型不可控的空间维省去,得到较低维数的模型以便于在线辨识和参数更新(上图绿色部分所示)。2004年Doren等人首次将本征正交分解法应用于多井油藏水驱优化,将高维模型的4040个状态降低至
3、20100个,模型降维后优化策略与原高维模型的优化结果几乎一致,而计算时间只有以前的 30%60%。图中红色部分所示,油藏工程师通常采用自动历史拟合方法,通过对油藏生产数据的拟合来描述油藏地质模型和流体参数等。但是测井、试井等方法数据采集周期长、数据量少,导致油藏建模误差较大,预测精度十分受限。智能井永久式井下传感器技术使得直接获取的油藏参数越来越多,大量监测数据的积累为集合卡尔曼滤波(En KF,Ensem-ble Kalman Filter)在油藏开发领域的应用创造了条件。在模型降维、辨识与更新的基础上,如何将最优控制理论应用于油藏生产开发,制订最优生产策略,以最大化原油产量或净现值,是闭
4、环油藏管理的核心(图中蓝色部分所示)。虽然生产优化算法可以应用于油藏生命周期的任何时段,但是目前理论研究集中在水驱条件下的智能井油藏生产优化。因为水驱是一次采油阶段之后最广泛使用的提高原油采收率方法。油藏闭环管理的两个过程均属有大系统最优化问题,研究者最早均通过伴随梯度类算法进行求解,该类算法求解效率较高,但需编写伴随阵嵌入数值模拟计算中,实现过程异常复杂、难以进行实际应用。无梯度算法无需梯度求解,仅需要利用目标函数值信息,已成为进行油藏闭环管理计算的主要发展趋势,主要包括EnKF(卡尔曼滤波法)、SPSA(随机扰动近似算法)和QIM-AG算法等。EnKF法是一种基于多模型的数据同化方法,它主
5、要通过计算一个集合的平均敏感性矩阵来不断地更新模型和拟合观测数据,该方法程序实现简单、更新后的模型还能较好地反映油藏的不确定性;SPSA算法是一种有效的梯度近似算法,每个迭代步最少仅需一次数值模拟扰动计算即可获得搜索方向,且该方向期望值为真实梯度;QIM-AG算法是在SPSA算法基础上形成一种插值二次模型方法,两种方法计算简单、主要用于进行油藏生产优化问题求解。(2)摘自油藏开发闭合生产优化理论研究油藏闭合生产优化管理的主要流程如图1.2所示,其主要包括油藏自动历史拟合和油藏开发生产优化两个阶段。首先以油藏生产系统作为研究对象,利用油藏数值模拟技术通过对传感器输出的生产观测数据进行自动历史拟合
6、来修正油藏模型,降低油藏模型的不确定性;然后以更新后的油藏模型为基础,在确定当前油藏的油水的分布后,基于油藏数值模拟技术和优化控制算法进行油田开发生产优化,确定油藏未来生产的最优工作制度,同时伴随油田工作制度的改变,利用新的生产观测数据去实时的更新所建立的油藏模型,再进行新的油藏生产优化过程,随着优化过程的不断进行,最终实现油藏开发生产效益的最大化。 根据国内外油藏开发管理技术的发展状况来看,油藏闭合生产优化管理正是由于能实时分析和利用生产动态数据、降低油藏开发的不确定性和风险性因素、提高油田开发效果的特点,引起了越来越多油藏工作者的关注,因此开展该技术的研究十分必要。但目前该技术研究仍处于起
7、步阶段,尚无一种稳健、快速的优化算法和油藏模拟技术相匹配来求解大规模油藏优化问题,其实用性仍无法满足实际油田开发的要求。同时,该技术目前主要局限于水驱油藏的优化管理,对于在三次采油技术等方面应用研究较少,因此,油藏闭合生产优化理论研究是一项新兴的、前瞻性的研究课题,开展该课题的研究对于实现油气田工程的信息化和智能化,提高油藏经营管理水平,具有重要理论意义和实用价值。图 1.2 油藏闭合生产优化管理过程(3)Introduction From With the rapid development of the world economy, the depletion of oil resourc
8、es increases year by year. It is now difcult to nd additional large oil elds. Therefore, the demand for exploiting the limited oil reserves efciently and economically becomes increasingly signicant and has attracted more global attention in recent years. To achieve this goal, an important technique
9、proposed is closed-loop reservoir management. It consists of two steps: automatic history matching and reservoir production optimization.Automatic history matching is a sequential model updating method, where the estimate of uncertain reservoir properties is updated continuously according to the pro
10、duction measurements available at the time. Reservoir production optimization is a complete or partial automation process for maximizing the development effect within the lifecycle of a reservoir by optimizing operational parameters. The main idea is to exploit the oil reserves as near to the desire
11、d optimum as possible. Both automatic history matching and reservoir production optimization are optimization problems as mentioned by researchers such as Brouwer and Jansen (2004), Sarma et al. (2005) and Wang et al. (2009). These problems can be solved by optimization theories.Automatic history ma
12、tching has been studied since the 1960s (Jahns 1966; Wasserman and Emanuel 1976; Yang and Watson 1988), but it is still a very difcult problem at present. The existing history matching methods can be broken into two categories. One category is based on gradient, including nite difference approximati
13、on of derivative, adjoint gradient-based methods, and gradient simulator methods. The other category is based on gradient-free optimization, such as simultaneous perturbation stochastic approximation, genetic algorithm, particle swarm optimization, and pattern search methods (PSMs). Oliver and Chen
14、(2011) have summarized the recent progress on automatic history matching. The origin of solving reservoir production problems using optimization theories can be traced back to Lee and Aronofsky (1958). They used a linear programming method to maximize the net present value of production for a homoge
15、neous reservoir. Later, some other papers appeared in journals such as Operation Research, Man- agement Science, and Journal of Petroleum Technology. However, most papers published before the 1980s did not pay enough attention to optimization algorithms, and successful applications were very rare (A
16、ronofsky and Williams 1962; Wattenbarger 1970; Mc Farland et al. 1984). With the advances in optimization algorithms and com-puting power, research has increased greatly since the 1980s (Sequeira et al. 2002; Chaco n et al. 2004; Barragan et al. 2005; Gunnerud and Foss 2010; Knudsen and Foss 2013; Tavallali et al. 2013).In order to nd out under which operational parameters at current reservoir