油藏管理实时优化

2010-11-16编译徐慧大庆油田第三采油厂

石油石化节能 2010年8期

关键词：油藏油田装置

编译:徐慧 (大庆油田第三采油厂)

审校:李发荣 (大庆油田工程有限公司)

油藏管理实时优化

编译:徐慧 (大庆油田第三采油厂)

审校:李发荣 (大庆油田工程有限公司)

好的油藏管理主要体现在针对一个动态的不确定的环境,通过技术、经济和风险管理来赢得利益、产量和最终可采储量的最大化。技术、物质、财力、地理政治、环境、安全、合作,以及人员方面的局限性限制了众多可行性决策方案的执行。应用新技术可以减少上述局限性,提供更多、更有价值的油藏信息,从而改善油藏特性。

油藏管理实时优化优化模型

10.3969/j.issn.1002-641X.2010.8.005

在井眼中应用智能或“聪明”技术的目的是,当油藏需要干预作业时提供更好的远井特性监测和早期识别。优化井特性意味着少损失产量,降低无效作业机率,以及从生产作业中获得更大的利益。这些技术的经济可行性需要细致的成本-效益分析和风险分析 (图1)。

图1 油气数据源传统框图,技术、经济和风险解释模型,以及决策工具

在偏远油田的开发中,上述技术提供了成本极其有效的解决方案,尤其是它们提供的信息能够从远端的井场进行访问和解释。然而,这些方法还没有发挥其全部潜力,因为它们提供的丰富的数据处理还不够快,没有完全发挥作用。随着动态实时优化油藏模型的开发,这一状况将有所改变,模型能够完成更多传统、繁琐的全规模油田多相油藏模拟。

为实现影响最大化,应采用智能技术,它们提供的信息与标准油藏和生产管理工具、数据库、模型相结合可实时指导油藏优化模型。

1 优化的油藏管理

为了提高效益、成本、产量或是可采储量而进行的油气资源优化,通常将数学模型、油田数据和经验结合到投资影响因素或方法决策中。例如,一个油藏模拟模型输入井测试和井下工具提供的油藏更新数据可以为现有井和未来 (生产和注入)井提供有关生产和油藏采收率的多种选择方案,决策人期望油藏管理者从中选择最好的方案。优化软件有助于油藏管理者进行选择,并当获得新的生产和油藏数据时还可对所选方案的性能进行监测。

如果一个油藏模拟模型不经常用新数据更新,那么进行新的历史拟合时,“优化的”方案很快就变得不相关而可能被搁置一边,又返回到传统反复试验的下降曲线和含水分析中来,这样只了解了生产井中到底发生了什么,而对优化方案却知之甚少。

当新情况涌现且生产数据可获得时,油藏模型和数学优化流程不是一次性经验,需要反复经常地运用。问题之一是,修改油藏模拟历史拟合是一个大劳动量工作,除非以恰当的格式提供系统数据。数据被笨拙、缓慢地集成到各种油藏模拟器中以确保调整模型测量标准来匹配观察到的产量、含水率。油藏压力历史数据通常使油藏模拟适应不了短期生产的精确预测与决策。可进行短期可靠预测的油藏模型是作出生产优化决策的基础。来自智能完井的油田实时数据的有效性的增长为短期、数据驱动油藏优化模型提供了必要的信息。实际上,装备仪器的井可远程启动与测量,并在生产井反馈信息不断更新易操作模型的基础上可实时完成油藏优化。

2 实时优化

实时优化 (RTO)是下游工业经常采用的方法,用于发现全自动或部分自动过程好的 (优化的)控制方法。通过从过程装置中不断收集数据,然后分析数据,确立最优化的装置控制设置。这些设置在装置闭环中直接完成或提供给操作人员 (开环)进行解释和作出进行与否的决定。RTO的主要目标是改善生产装置的应用能力以获得更大的产出,提高作业效率和效益。用新的装置测量数据不断更新该模型,对装置的实际输入-输出的最佳拟合进行反复计算,从而确定出优化控制方向。

RTO方法可用于优化油气储藏、油井生产和油田过程设施的优化。在下游装置中使用的典型RTO系统由五个步骤组成:

◇数据验证

◇模型更新

◇模型基优化

◇优化器命令评价

◇决定采用或放弃优化方案

模型自学过程是系统使用其过去的操作数据来不断进一步开发和改进算法。

基于简化混合模型和多级优化,对油田数据进行集成以对油藏关键特征进行不断的学习,较之全油田范围的优化它更适合于实时作业。在炼化和石油化工行业开发出多级决策程序并进行广泛的测试,它们也可应用于油藏优化。

3 自学模型

混合自学油藏模型在不断地开发和利用,因为数据往往不足,这是实际中常见的,尤其在油藏开发阶段。通过选择合适的模型算法,这些自学模型可以平衡与模型预测能力相匹配数据的精度。混合模型可以采用第一原理结构,包括经验结构方程(如达西定律、理想气体定律、压降关系式),并且在输入数据的基础上确认和更新算法的许多参数值。因此,混合模型常常比原始的第一原理模拟模型更易于开发和控制,同时在模型参数确认使用的数据范围以外保持模型的精确度。

期望的模型结构是自学自适应形式,可优化隔间油藏中多相流体的运移,同时也考虑了井下完井和井口限制,以及经营限制。它应该在满足地面和地下限制的同时不断优化油藏特性。

提出的各种RTO方法都涉及到用于短期计划的动态模型。来自智能完井井的数据变化大,并且难以处理,下游工业使用的稳态RTO方案很难适应。这是描述的模型类型的动态特性和多级优化,多级优化完成处理、学习,以及对不确定性和变化输入作出反映 (图2)。