智能油田开发中的大数据及智能优化理论和方法研究现状及展望

张 凯, 赵兴刚, 张黎明, 张华清, 王浩臣,陈国栋, 赵孟杰, 姜云启, 姚 军

(1.中国石油大学(华东)石油工程学院,山东青岛 266580; 2.中国石油大学(华东)理学院,山东青岛 266580)

随着人工智能等新一代信息技术的迅速发展以及油田开发技术需求的不断提高,智能油田的发展日益受到关注和重视,智能油田技术已成为各大石油公司未来布局的重点研究领域,纷纷投入巨资研究、抢占技术制高点。智能油田的智能意味着油田是智能的个体,能够“感知”“分析”“思考”和“决策”。面对开发过程中的动态分析、自动历史拟合、开发方案优化及提高采收率措施优选等主要生产问题,能够基于实时大数据“感知”油藏开发中的问题,利用先进的模型“分析”存在的问题,通过智能优化方法“思考”最佳策略与方案,最终辅助油田工程师“决策”现场实施。因此理论方法是智能油田开发的核心。尽管近年来智能油田开发理论与方法发展迅速,但是目前研究仍多停留在对以往方法的改进,未形成体系化突破,整体上仍处于发展起步阶段。针对油田大数据以及动态优化策略的需求,目前该领域的研究主要集中在两大领域:数据与油藏工程方法相融合的油田大数据分析理论,以及数据、模型与智能算法相融合的数据与模型双驱动的智能优化理论。笔者从智能油田的基本理念以及研究现状入手,针对智能油田开发过程中存在的主要生产问题进行分析,瞄准两大主要研究领域,对主流和前沿理论与方法分别进行阐述和分析,并对未来发展趋势进行总结与探讨。

1 智能油田的基本理念、开发特点及国内外研究现状

1.1 智能油田的基本理念

智能油田是在数字油田的基础上,充分利用大数据、机器学习以及智能算法等新一代信息技术,使油田具备观察(实时采集监测数据)、思考(大数据分析方法)、决策(机器学习及智能优化方法)以及执行(智能油气井调控设备)的能力,智能油田技术基于全方位的互联互通,有效整合油田运行的各个系统[1]。智能油田管理具有显著的实时性:智能井设备实时收集井下工况以及压力、温度等数据并传输到地面;地面管理平台实时分析数据;机器学习及智能优化方法实时优化决策;控制系统实时反馈到智能井设备控制液流[2]。目前智能油田技术因其极快的分析速度、超常的稳定性和远高于人力的可重复性使得在地震解释、钻井决策、压裂优化、产量预测等石油工程领域得到广泛的关注与应用。

1.2 智能油田开发的基本特点

智能油田涉及大量数据整合、分析、处理,面临严峻考验,大数据分析方法能够融合多源数据,分析油藏生产动态[3]。智能化平台对油田数据进行采集形成数据仓库并进行可视化展示和表达。目前智能油田大数据广泛应用于异常井自动识别、异常井智能诊断、开关井计划制定、油井清防蜡预测等方面。基于智能油田大数据分析技术,油田管理能够减轻对复杂物理模拟的依赖,构建一系列能够快速反馈的机器学习模型。通过综合应用数值模拟模型、机器学习模型、油藏工程简化模型等多模型,以更简洁的操作、更快的速度模拟、分析复杂油藏系统[4]。智能优化理论方法能够实时优化生产开发方案,制定油田各项工程技术措施。结合智能油田大数据分析技术及方法,如构建代理模型代替计算耗时的数值模拟,智能算法能够实现多目标鲁棒优化决策、复杂约束处理等工程难题的快速求解。随着计算资源快速增加,以及大数据分析、机器学习方法、智能优化算法等前沿理论方法的深度应用,构建具备全面感知、自动控制、预测趋势、优化决策等特点的智能油田具有强烈的现实意义。

1.3 智能油田技术的国内外应用

目前国内外顶尖石油公司开展智能油田建设已初见成效[5]。在国际上,贝克休斯(Baker Hughes)以Predix工业互联网平台为基础,通过人工智能、云计算技术开发了油田开发管理系统。斯伦贝谢(Schlumberger)在微软Azure云计算平台上构建了勘验开发认知环境。雪佛龙(Chevron)开发了油藏生产应用系统,利用共享信息平台整合各类生产数据[11]。哈里伯顿(Halliburton)聚焦边缘计算、智能机器人等领域并应用到油气勘探和生产开发中[11]。壳牌(Shell)在马来西亚建成首批智能油气田。道达尔(Total)与Google联手率先将人工智能技术应用于油气勘探开发地质数据的处理分析[13]。在国内,中国石化基于物联网、云计算等技术,推出油田勘探开发业务协同平台和勘探开发云中心,并启动了胜利海洋、中原普光、江汉涪陵、西北三厂等4家智能油气田示范区建设。中国石油发布了国内油气行业首个“梦想云”智能云平台并获得斯伦贝谢、华为、微软等多家企业技术支持,充分利用油气生产物联网系统、工程技术物联网系统等技术加速推动数字化油田向智能油田的转型;中海油致力于构建勘探开发协同工作环境和海陆协同工作体系,已经启动海上井口平台智能化改造试点工作。

2 智能油田开发中的生产问题

2.1 生产动态分析

生产动态分析通过生产资料来分析各类注采信号的联动响应关系,为井间连通性分析、剩余油分布预测、生产曲线预测等提供有力依据,是油田进行注采关系优化以及设计其他增产措施的前提和基础。考虑储层流体流动呈强非线性特征以及注采井之间互相干扰,生产动态分析是典型的多变量、非线性问题。传统的油藏工程方法往往基于单井信号进行分析且未考虑其他注采信号的影响，导致计算精度难以得到保证。

近年来,人工神经网络、支持向量机和群体智能等机器学习方法在生产动态分析领域得到了广泛的应用。Sun等[6]利用长短期记忆神经网络方法对油田产量进行预测,相比于传统的递减曲线分析方法在预测精度上得到了明显的提高;蔡骏驰[7]利用基于粒子群优化的最小二乘支持向量机方法对页岩气藏进行了产量预测应用,结果表明该方法具有良好的收敛性和预测精度;Balashov等[8]利用无监督聚类的机器学习方法对油藏测井曲线进行分析,利用地层性质与油井产量之间的关联特性可以有效提高预测精度。

相比于传统的油藏工程和数值模拟方法,机器学习方法具有以下优势:①数据驱动,无需复杂的物理建模过程,模型简洁且具有更强的适用性;②更强的映射能力,能够更加精准地反映生产数据之间的非线性响应关系;③更强的鲁棒性,机器学习模型无需依赖专家经验能够应用于相近的油藏数据;④自我学习能力,模型通过梯度或无梯度方法自动更新参数,能够满足油田生产不同阶数据分析的需要。

2.2 自动历史拟合

自动历史拟合基于油藏数值模拟技术通过对生产历史数据拟合修正油藏数值模型参数,是进一步了解油藏地下流体分布、预测油藏生产动态以及进行油田开发方案评估的重要手段[9]。随着油气田开发智能化的不断推进,生产决策对油藏数值模型的精度要求越来越高,另外储层流动机制复杂、非线性强、数值模拟计算耗时,因此自动历史拟合是一个高维、求解难度大、计算耗时长的反问题。通常基于贝叶斯概率推理框架建立历史拟合目标函数为

(1)

式中,dobs为生产动态数据;g为油藏数值模拟器;m为油藏模型参数;g(m)为数值模拟参数;CM和CD为模型参数的协方差矩阵;mpr为油藏模型先验参数。

在过去的二十多年中已有大量文献研究提高历史拟合求解效率,包括基于集合的数据同化方法,如集合卡尔曼滤波[10]等,基于线性与高斯假设,求解高效收敛快速,但是难以解决强非线性问题;基于最小化的随机类优化方法[11],如随机梯度近似算法、进化优化等,结合矩阵分解方法求解更加灵活,对问题没有作过多假设,但是收敛速度慢、计算耗时。近年来,机器学习领域的变革性突破为自动历史拟合技术的更新换代带来了新的契机。张凯等[12]提出使用数据驱动的进化计算求解裂缝性油藏裂缝网络反演,实现快速求解非线性自动历史拟合问题。

2.3 注采关系优化

自动历史拟合获得可靠油藏模型后需要进行注采关系优化找出目前状态下最优注采调控方案,通过调整油水井注采参数改变地下流体分布状态,提高水驱波及系数,从而最大化油藏开发经济效益[13]。通常将油藏视为一个复杂的动态系统,以最大产油量或经济效益为目标建立注采关系优化数学模型,不仅要考虑稳油控水,还需要考虑单井生产界限(如最大、最小注采量)、区块总注入量及单井含水率等工程约束。通常以净现值(NPV)作为生产优化性能指标得到简化的目标函数表达式为

(2)

约束条件为

c(x)≤0,xl≤x≤xu.

式中,x为井控变量(如井底压力或油水井流量);n为控制时间步数;Qo,t、Qw,t和Qi,t分别为时间步t对应的产油、产水和注水速度,m3/d;ro、rw和ri分别为原油价格、水处理成本和注水成本,元/m3;b为平均年利率,%;pt为经过的时间,a;c(x)为决策变量约束(如现场操作约束、物理约束等);xl和xu分别为下边界和上边界。

注采关系优化求解算法可分为梯度优化算法和无梯度算法,梯度类优化方法如序列二次规划等使用伴随方法获取梯度信息,收敛快速但容易陷入局部最优且梯度获取困难,而无梯度方法如随机近似梯度算法[14]不需要使用伴随方法。近年来,启发式算法因其具有良好的全局性搜索能力广受关注,但是收敛需要大量数值模拟调用次数,计算昂贵。借助机器学习辅助进化计算等前沿技术,采用并行计算方法构建智能优化体系是实现复杂油藏快速高效优化的发展方向。

2.4 井网井位优化

油田开发前期的设计和开发中后期的调整中均不可避免的涉及井网井位的部署。在过去的研究中,大量的进化算法、随机算法等智能算法被用于解决井网井位优化问题,通过合理配置井的数量、位置、形状、类型、布井时机等参数使油田整体生产经济效益最大。通常,选取经济净现值构建井网井位优化数学模型,优化变量包括井数、位置、时间等。井网优化求解方法可划分为解析方法、油藏数值模拟试验和基于数值模拟技术的最优化方法。李阳等[15]提出了矢量井网方法,可根据渗透率的性质调整某个方向上的井距以达到均衡驱替的目的。Zhang等[16]使用非结构化网格剖分方法实现了在复杂油藏条件下生成大规模高质量的三角形和四边形自适应井网(图1)。冯其红等[17]建立了致密油多级压裂水平井井网参数分级优化数学模型提高寻优效率。

图1三角形和四边形自适应井网优化前后对比

井网井位优化研究面临复杂大规模油藏高维求解难题、离散变量优化问题以及计算昂贵问题。笔者认为,借助于迁移学习、高效动态取样、多任务学习等机器学习技术,研究智能算法或可促进井网井位优化的进一步发展。

2.5 提高采收率措施优化

通过向油层注入化学物质、蒸汽、混相气等,或采用生物技术、压裂技术改变原油性质或储层性质等提高采收率措施对于注水开发中后期油田具有重要意义。随着机器学习技术的发展,人工神经网络、决策树、数据挖掘等技术广泛应用于提高采收率措施优化。

在压裂措施优化领域,Chen等[18]使用较强映射能力的BP神经网络和概率神经网络预测人工压裂裂缝和自然裂缝之间的相互作用模式,比传统的回归技术更好地捕捉被研究系统的非线性;在蒸汽驱优化领域,Ersahin等[19]建立人工神经网络模型优化循环注汽技术。在聚合物驱优化领域,Sun等[20]使用粒子群优化和人工神经网络方法对聚合物驱技术进行优化,计算速度快且具有更高的鲁棒性。目前提高采收率措施优化研究面临优化参数的设计需要专家经验、问题非线性强、受多重因素影响等问题。

3 智能油田开发中的大数据与机器学习方法

3.1 数据特征与复杂关系

油田大数据具有数据量大、非结构数据、内部关联复杂等特点,数据分析处理技术旨在分析所收集的数据并确定其中影响相对应模型性能的关键因素。基于机器学习方法的大数据分析与处理技术发展迅速,其中特征选择和敏感性分析是两个典型的有力工具。

特征选择是从原始特征中选择出一些最有效特征以降低数据集维度的过程,是提高学习算法性能的一个重要手段,也是模式识别中关键的数据预处理步骤[21]。对于油田开发中的任务,其采集到的数据中存在大量冗余特征。以井间连通性分析为例,日产液量与累积产液量等特征属于冗余特征,利用特征选择去除数据中与连通性分析的无关因素,不仅减少过拟合、提高模型泛化能力,还可以使模型获得更好的解释性,增强对特征和特征值之间的理解[22]。

敏感性分析是指从定量分析的角度研究相关因素发生变化时对某一个或一组关键指标影响程度[23]。在油田开发中敏感性分析通常用于选择针对某一特定任务的主要影响因素或参数。如图2所示,基于神经网络模型进行敏感性分析确定井间连通程度的结果,输出节点对输入节点的敏感性分析可用于分析生产井的产液量对注水井的注水量的敏感性,敏感系数小表明注水井对生产井贡献小、连通程度差;敏感系数越大表明两者之间关联性越大、连通程度越好。

图2 基于特征选择和敏感性分析实现井间连通性分析

3.2 深度学习建模

深度学习建模是从数据样本中学习从而生成符合样本分布的新数据,为油田开发中存在的诸多问题提供了新的解决思路。尤其是变分自编码器[24](VAE)以及对抗神经网络[25](GAN)等深度学习模型在工程领域获得广泛关注。VAE模型结合变分概率推理方法与自动编码器神经网络结构,能够将高维数输入压缩成符合特定分布的低维连续变量。GAN模型由生成器和判别器组成,通过动态博弈过程最终达到纳什均衡点,生成器能够生成符合样本数据分布的数据。

目前应用深度生成模型进行数字岩心重构以及自动历史拟合等方面的研究已经取得较大的进展。基于集合的数据同化方法依赖于高斯假设无法直接求解非高斯参数场反演问题,如复杂沉积相油藏历史拟合,使用深度生成模型构建地质相参数与潜在低维连续变量的映射进行地质相的重参数化,可以解决复杂地质相历史拟合问题。

3.3 序列数据预测

序列数据分析是通过频域或时域方法获取数据的重要统计信息和其他特征,在统计学、模式识别等科学和工程领域有重要应用。时间序列数据是序列数据的一种,通常基于先前观测数据通过相应模型产生未来的时间信号,是油田开发生产中序列数据分析中的重要内容。时间序列数据具有数据量大、维度高、关联性强等特点,观测周期往往长达数月甚至数年,同一时间下可能观测到大量样本。这为时间序列数据的处理带来了很大的困难,也使预测具有很强的不确定性。

通常处理时间序列预测问题的模型[26]有物理模型、统计模型以及人工神经网络模型等。油田开发中的时间序列数据由于油藏物性差异明显使物理模型难以得到广泛应用。此外,油田生产开发是一个不断变化的动态过程,统计学方法难以实现模型的自适应更新。以人工神经网络为代表的机器学习模型能够自动更新模型参数,大大提高了预测能力的泛化性和鲁棒性。如图3所示,基于深度学习方法构建多层卷积神经网络能够快速预测剩余油。

图3 基于深度卷积神经网络的剩余油预测流程

3.4 知识迁移学习

迁移学习是将某个领域或任务上学习到的知识应用到不同但相关的领域或问题中。在油田开发中迁移学习可用于学习过往油田开发调控的经验为新油藏和开发的新阶段设计最优方案,其最大的优势在于通过借鉴以往油田开发的经验和实例提高新方案设计的准确性和效率。以注水开发油藏为例(图4),根据迁移学习不同的实现方法可以分为以下3类:

(1)基于实例的迁移。从源域中挑选出对目标域训练有用的实例[27],如图4(a)所示,应用此类方法可以挑选出与目标井的地层参数、当前生产制度相似的已有案例,对这些案例进行学习和训练,高效进行新井注采方案的设计。

(2)基于特征的迁移。通过找出源域与目标域之间共同的特征表示并利用这些特征进行知识迁移[28],如图4(b)所示,面对已有方案中的海量数据应用此类方法可以将数据的特征对应起来,更好地利用源域已有的有标记数据样本进行分类训练。

(3)基于模型的迁移。将源域中训练好的模型应用到目标域上进行预测,充分利用模型之间的相似性与关联性[29],如图4(c)所示,在油田开发中使用目标油藏过去某个时刻的已训练模型,只需要对改变的有限参数进行训练即可得到新的模型,快速完成开发预测工作。

图4 迁移学习示意图

4 智能油田开发中的优化理论与方法

4.1 机器学习加速昂贵优化

单次油藏数值模拟往往需要几分钟到数小时甚至数天,因此油田开发生产中的优化问题是典型的昂贵优化问题。完全依赖于数值模拟计算的传统优化方法计算效率低、难以快速收敛。近年来,机器学习代理模型辅助生产优化方法广受关注,使用代理模型代替优化过程中部分油藏数值模拟计算大幅度提升计算资源利用效率从而加速优化。Golzari等[30]提出了一种动态更新的人工神经网络方法并借助遗传算法递归采样解决生产优化问题。Babaei等[31]对比了多种不同代理模型以及集成代理模型在解决多模型鲁棒生产优化问题时的效果。Chen等[32]提出使用全局加局部代理模型机器学习方法逼近油藏数值模拟(图5),全局代理模型借助优化求解器平滑局部最优值,而局部代理模型在当前最优解附近区域建立准确的近似模型加速优化收敛。

图5 基于全局加局部代理模型辅助的生产优化方法

4.2 大规模协同优化方法

实际油藏模型在优化时井数多、时间步数多,是典型的大规模优化问题,随着问题规模增加,代理模型的精度将会显著降低。协同优化[33]是解决大规模优化问题的有效方法,基于分而治之的思路,将一个大规模优化问题分解成若干小的子问题,然后分别优化各个子问题,同时优化变量被分解成若干小的低维子变量,其基础框架包括:大规模问题分解,将原始的大规模问题分解为一系列规模更小、更易求解的子问题;子问题群协同优化,使用优化算法协同地优化子问题群,得到原问题的最优解。

大规模问题分解需要满足不破坏问题相关性且子问题与子问题之间无交互性或具有弱交互性[34]。对于大规模油藏生产优化问题可以将原油藏分解为一系列流动单元,流动单元间无干涉或存在弱干涉作用。原始的大规模油藏优化调控转变为多个流动单元的协同调控,为每个流动单元构建相应的低维度代理模型,有效缓解维数灾难问题。

图6(a)为一个油藏实例的渗透率场与井位分布,可以看出该油藏油水井数多,对应生产优化问题的调控难度大。图6(b)为传统进化算法、代理辅助进化算法以及基于分治策略的代理辅助进化算法在上述油藏问题上的优化调控性能。传统进化算法受到维数灾难的影响算法收敛速度慢,而代理辅助方法能够更加充分地利用数值模拟资源得到较优的开发方案。得益于解空间规模的有效缩减,分治算法的收敛性能显著优于无分治算法得到更高经济效益的开发方案。对于包含有多个流动单元的大规模油藏生产优化问题,分而治之算法提供了一种新的和行而有效的求解思路。

图6 某油藏实例及其流动单元分组结果

4.3 多目标生产优化

油藏生产优化有效益、成本和风险等多种目标,这些目标可能潜在地相互冲突,决策者需要多个风险评估和资产管理的最优权衡解决方案。比如在油藏生产开发过程中需要最大化长期经济效益、短期经济效益以及采收率,同时需要最小化注水量、产水量、开发风险等多个目标。多目标优化通过权衡这些目标找到一组最优方案即帕累托前沿,数学表达式为

(3)

式中,x为决策变量;f为目标函数;m为目标函数个数;X为可行域。

Liu等[35]首次将梯度法用来解决多目标鲁棒生产优化问题,然而梯度法需要明确变量函数关系并且算法效果极易受到Pareto前沿形状和连续性的影响,致使优化效果变差。与梯度算法不同,无梯度算法由于其良好的全局搜索性能广受关注。Zhao等[36]和Zhang等[37]提出使用机器学习模型如高斯过程、分类器等辅助多目标优化方法,在有限的计算资源下该策略可高效求解多目标优化问题并成功应用于鲁棒生产优化问题。如何将技术前沿的机器学习模型嵌入到适配的多目标优化算法形成精准高效的多目标生产优化策略是未来研究多目标生产优化的大趋势。

4.4 复杂约束优化

实际油藏生产优化过程需要考虑多种约束条件以满足优化方案在现场的实用性,典型的约束条件包括一般线性边界约束与强非线性状态约束,边界约束主要考虑控制变量为注采量和井底压力的上下边界,状态约束为将数值模拟器的输出结果作为约束条件加以限制[38]。油藏约束生产优化为典型的强非线性、不等式多变量、多条件约束问题,且目标函数和约束条件均为计算耗时的昂贵求解问题。油藏约束生产优化主要针对两方面的难题进行处理:一方面是如何解决目标函数和约束条件计算耗时问题;另一方面是如何针对不同的约束条件提高约束优化的效率。

基于伴随梯度结合拉格朗日惩罚函数的方法是最常用的方法,通过获取目标函数和约束条件的梯度信息并构建带有约束项的新目标函数进行优化,基于伴随的方法需要编写嵌入油藏数值模拟器的梯度读取程序,这对于大部分商业数值模拟器是无法实现的。无导数优化方法处理油田生产约束优化问题[39]能够通过随机搜索可行解且无需侵入模拟器而具有显著优势,但是通常需要耗费大量的计算资源。基于代理辅助的约束生产优化方法被认为是目前效率较高以及普适性较好的一种方法[40]。针对目标函数以及约束条件分别构建代理模型,并利用约束技术进行模型的耦合求解,如图7所示。

图7 基于代理辅助的约束生产优化方法

基于代理辅助的约束生产优化方法目前研究相对较少,应从以下几个方面展开研究:代理模型精度仍需要提高,尤其是非线性极强的油藏模型;提出高效的约束处理技术,多种约束条件的存在导致最优解可能位于可行域边界以及多个离散可行域等复杂情形;约束与计算成本共存导致问题难度大大增加,需要利用机器学习方法探索更加高效的处理方法。

4.5 多任务迁移优化

多任务优化即在油藏生产优化过程中并行优化多个模型,从多油藏模型中获取知识进行模型间知识迁移,以提高每个油藏模型的优化性能[29]。将传统鲁棒生产优化方法中的多个模型看作多个任务,同时运行,建立油藏知识库,打破数据孤岛,实现油藏属性的迁移学习以提高鲁棒优化性能同时使生产策略更优。

石油工程领域内知识迁移早有应用,比如油藏经典经验公式、版图的运用等。Gupta等[41]提出多任务MFEA算法,是优化和进化计算领域的一种新范式。Bali等[42]改进MFEA算法并提出自适应迁移强度的MFEA-II算法。图8为3个形状、渗透率场不同但是其他性质相同的单层油藏模型进行生产优化的结果。结果表明,迁移算法的生产优化结果显著优于无迁移算法,多任务间的知识迁移可以应用在油藏生产优化中,后续研究中该方法将会继续应用到井网井位、注采关系优化。

图8 多任务生产优化实例结果

5 结束语

智能油田开发理论和方法涉及油藏工程、油田大数据、机器学习方法以及智能优化算法等多领域多学科的交叉融合。目前研究在地震测井解释、生产动态分析、油藏历史拟合以及注采关系、井网井位、提高采收率措施优化等油田生产开发关键环节取得了突破,近年来有加快发展趋势。但是目前研究仍停留在对以往方法的改进,未形成体系化突破,整体上仍处于初步阶段。要实现智能油田开发理论及方法的进一步深化研究,需要解决以下关键问题:①数据与油藏工程的交叉融合,构建完善的油田静态、动态大数据分析理论体系,基于油田大数据特点,结合大数据研究领域前沿理论,立足油田开发中的油藏工程问题及方法,继续深入研究油田静态、动态数据分析方法,并形成完整的理论体系;②数据、模型与智能算法的交叉融合,构建数据驱动结合模型驱动加速智能算法的优化理论体系,一方面综合应用数据、油藏系统模型辅助优化算法,整合数据驱动计算快速与模型驱动计算准确的优势,另一方面针对油田开发中的优化问题存在非线性、高维、大规模、多约束多目标等特点,发展适用于油田开发工程问题的代理辅助优化、迁移学习多任务优化、分而治之协同优化等智能优化算法;③基于数据与物理规律融合形成复杂油藏系统模型精准构建和快速优化是油田生产开发智能化的核心。发展至今,复杂油藏系统模型包括油藏数值模拟模型、降解模型、简化模型、机器学习模型以及交叉模型等,研究不同场景综合应用各种模型最大化提升模拟计算效率,在此基础上对生产问题实现快速优化。