油气田采出水结垢趋势评价方法与展望

2022-02-17高家朋屈撑囤郭志强单巧丽

石油化工应用 2022年11期

高家朋，鱼涛，屈撑囤，郭志强，单巧丽

（1.西安石油大学化学化工学院，陕西西安 710065；2.陕西省油气田环境污染控制技术与储层保护重点实验室，陕西西安 710065；3.长庆工程设计有限公司，陕西西安 710065）

当前，我国大部分油田开发进入中后期，普遍采用注水开发技术[1]使其保持地层压力以提高原油采出率。出于水资源短缺以及经济的考量，目前大多采用采出水回注的技术[2]，而回注水大多矿化度较高，油井管道结垢严重，给油田的安全生产以及经济效益带来严重影响。因此，更为系统全面的结垢趋势预测以及较高的普遍适用性的结垢模型的建立，这对油田生产开发具有重要意义。

油田采出水结垢类型一般有无机盐结垢[3]（如生成CaCO3沉淀、CaSO4沉淀等）、微生物腐蚀结垢[4]（如硫酸盐还原菌、硫细菌及铁细菌大量繁殖结垢）以及电化学腐蚀结垢等，其中最为常见、危害也最大的结垢类型是无机盐结垢，因此针对该结垢类型的预测研究也最为广泛全面。本文把当前结垢预测方法分为机理性结垢预测、神经网络模型分析两种类型进行梳理总结，以期为将来高效准确的采出水结垢预测研究提供参考。

1 机理性结垢预测及软件开发应用

机理性结垢预测公式的得出多经过大量室内实验，结合结垢机理初步得出经验公式，并进一步结合现场实际情况对经验公式进行修改，其中较为经典的公式有Langelier 饱和指数法[5]、Ryznar 稳定指数法[6]、Davis-Stiff 饱和指数法[7]、Skillman 热力学溶解度法[8]、Oddo-Tomson 饱和指数法[9]等。另一方面，随着计算机软件程序设计的成熟发展，基于这些经验公式的软件也随之得到开发并利用，如ScaleChem 软件等。

1.1 机理性结垢预测模型

1.1.1 Langelier 饱和指数法早期就有研究员Tillmans 对碳酸盐结垢进行研究，他指出平衡条件不仅表明水结垢的趋势，而且表明其腐蚀性能。之后Tillmans 的工作得到了几位研究人员的扩展，直到1934年，Langelier 形成了一个阐述碳酸盐平衡条件的方程式。通过使用这个方程，可以计算平衡时水的pH值。如果实际pH 值高于计算的pH 值，则水有形成水垢的趋势。如果它较低，则水具有溶解碳酸钙的趋势。

式中：SI-饱和指数（the Saturation Index），正指数表示水垢形成，负指数表示腐蚀；pH-实际确定的水样的pH 值；pHS-CaCO3溶解平衡时的pH 值；K-常数，其值取决于总盐浓度和温度；pCa-钙浓度（mol/L）的负对数；pAIK-总碱度（mol/L）的负对数。

张利等[10]以Langelier 饱和指数法为参考，以球霰石溶度积和碳酸氢根离子活度系数为相关参数建立了基于球霰石饱和指数的碳酸钙结垢趋势预测模型，准确率高达90%。曲立英[11]利用Langelier 饱和指数法针对注水管柱结垢进行了分析预测，最终在防垢方面得出有效的结论。

1.1.2 Davis-Stiff 饱和指数法通过这个Langelier 饱和指数法控制淡水处理多年来一直是标准的教科书实践，该方程已被证明适用于总固体浓度高达0.4%的水。然而，大多数油田水含有超过0.4%的盐分，因此通过经验方法，Davis 和Stiff 将Langelier 饱和指数法的应用扩展到高盐浓度的水域。通过使用该方程，可以预测油田水沉积碳酸钙的趋势。

事实上，由于Langelier 饱和指数法主要应用于淡水结垢情况之中，而不同的盐对K 值的影响程度不同，在淡水中这种影响可以忽略不计，但在盐水中必须考虑到这一点。Stiff 等通过用离子强度代替总盐浓度来获得校正，得到各种离子强度下的K 值，进而对Langelier 饱和指数法进行扩展。

式中：SI-饱和指数（the Saturation Index），正指数表示水垢形成，负指数表示腐蚀；pH-实际确定的水样的pH 值；pHS-CaCO3溶解平衡时的pH 值；K-修正系数，由不同温度时离子强度（μ）与修正系数（K）的关系图可查得；pCa-钙浓度（mol/L）的负对数；pAIK-总碱度（mol/L）的负对数。

刘书杰等[12]利用Davis-Stiff 饱和指数法对中东M油田地层水与注入水进行结垢趋势预测，开展了化学防垢优选和金属防垢器防垢效果评价，优选复配后的复合防垢剂HSI 取得了良好的防垢效果，从而控制了注入成本。陈海阳等[13]基于Davis-Stiff 饱和指数法、Oddo-Tomson 饱和指数法以及结垢最大量预测方程，建立了长庆油田多层系集输结垢预测模型，在实际应用中有良好的适应性。

1.1.3 Ryznar 稳定指数法 Langelier 饱和指数法的应用重点是市政供水系统中水管的腐蚀保护，在确定水（就碳酸钙而言）是否在结垢或腐蚀方面是有益的。然而，饱和指数在预测这一点时并不总是可靠的，因为一些具有正指数的水实际上可能具有很强的腐蚀性。为了消除将正饱和指数误解为无腐蚀或结垢的可能性，Ryznar 采用新的经验表达式。

式中：SI-稳定指数（the Stability Index），SAI>6，结垢较轻；SAI≤6，结垢严重；pH-实际确定的水样的pH值；pHS-CaCO3溶解平衡时的pH 值。

吴新民等[14]利用Ryznar 稳定指数法对姬塬油田注入水与地层水进行配伍性研究，得出该油田注入水与采出水配伍性差而产生的结垢现象是造成姬塬长8 储层注水压力高的主要原因之一的结论。

1.1.4 Skillman 热力学溶解度法 Skillman 利用热力学条件的影响和沉淀-溶解平衡理论预测了硫酸钙的结垢趋势，已被列为油田标准（SY/T 5523—2016《油田水分析方法》（现行））。

式中：S-CaSO4结垢预测值，mmol/L；KSP-溶度积常数，由水的离子强度（μ）和温度的关系曲线查得；XCa2+与SO42-的浓度差，mmol/L。

马云等[15]采用Skillman 热力学溶解度法对吴定区块各层系采出水进行不同配比的结垢预测，得出该区域多层系开发油井集输管线中的堵塞物主要是由结垢和腐蚀的相互作用引起的无机物。林刚等[16]采用Ryznar 稳定指数法以及Skillman 热力学溶解度法对闪蒸分液罐罐水分别进行碳酸钙与硫酸钙的结垢预测，得出污水站结垢主要原因是产出水不配伍。

1.1.5 Oddo-Tomson 饱和指数法虽然已经有很多研究人员（如Langelier、Stiff，Davis 等）总结了许多饱和指数公式来确定结垢是否、何时以及在何处发生并在油田中广泛使用，但预测潜在的结垢问题依然可能是一件很困难的事情。Oddo 等对碳酸盐垢预测方法进行了改进，主要是通过考虑井中CO2溶解度随温度、压力、含水率和存在的碳氢化合物的函数的逸度效应和变化的修正项来进一步确定CaCO3饱和度指数；其中硫酸盐垢预测方法（用于石膏、半水合物和硬石膏）易于使用、可靠，并且专为未经化学培训的操作员现场使用而设计。Oddo-Tomson 饱和指数法可应用于任何出现碳酸钙、硫酸钙、硫酸锶或硫酸钡结垢的生产井,该方法不需要测量pH 值，并且可以适应系统中存在的弱酸（例如H2S）和弱有机酸。

倪兵等[17]采用Oddo-Tomson 饱和指数法对高钙镁海水中的硫酸钙进行结垢预测，得出在该环境下的结垢预测趋势预测范围，并提出研究离子浓度与Oddo-Tomson 饱和指数法相结合，可以更准确地预测硫酸钙的结垢趋势。程杰成等[18]以Oddo-Tomson 饱和指数法和硅钼黄法测定低聚硅为基础，建立了大庆油田三元复合驱钙、硅混合垢各阶段结垢的量化预测方法。袁存光等[19]采用Oddo-Tomson 饱和指数法考察含硫酸盐的卤水输送管道的硫酸钙结垢趋势并确定判断方法，预测结果与现场采集的结垢样品的分析结果基本一致。王新强等[20]利用Oddo-Tomson 饱和指数法对陕北某气田气液降压分离系统污水结垢原因进行分析，并成功研究出防垢方法。

1.2 相关软件开发及应用

1.2.1 OLI ScaleChem 软件总部位于美国新泽西州的OLI Systems 公司是一家知识密集型企业，自创立起一直深耕电解质和水化学计算分析领域，迄今已有五十余年的发展历史。其软件产品被广泛应用于油气、化工、矿产、电力、水处理、环保、学术研究等行业，其中产品ScaleChem 被开发用来预测石油和天然气生产、工业水处理和相关应用过程中结垢问题的经典产品，其全面的热力学框架和灵活、优化的界面允许进行多种类型的生产化学计算等优势使得广大结垢方面的研究者所青睐。

谢娟等[21]通过采用ScaleChem 软件对稠化酸返排液与注入水的不同配比混掺进行结垢预测分析，结合预测结果分析得出稠化酸返排液混掺比例不少于60%。柯从玉等[22]通过采用ScaleChem 软件在实验室对延长油田采出水与地表水以及浅层水的配伍进行结垢预测分析并结合现场实验得出最优加药配方体系。王雨等[23]采用ScaleChem 软件模拟净化水在地层条件下的结垢趋势，得出污水配制聚合物溶液的配方。畅平等[24]采用ScaleChem 软件对采出水及其与地表水、地层水的配伍进行结垢预测，得出延长油田长2 储层采出水的复配絮凝处理工艺。朱本智等[25]采用Scale-Chem 软件对渤西油气处理厂的水质进行结垢分析，调整了加药浓度与注药方式，成功控制了该处理厂污水泵结垢问题。

1.2.2 其他软件崔付义等[26]基于Oddo-Tomson 饱和指数法、Langelier 饱和指数法以及Ryznar 稳定指数法3 种结垢预测模型，并针对胜利油田具体注水特征，研制了可进行无机结垢预测的“油井堵塞诊断与解堵决策系统”（Plug1.1）工程软件，预测结果与实验结果较好吻合。

闫方平等[27]利用预测软件OFISTP3.0 对中原油田文72 块注水井进行了结垢预测，预测结果与现场情况基本一致。

2 神经网络模型分析

几年前，阿尔法狗接连战胜人类顶尖围棋高手，一度让大家对人工智能产生好奇与关注。其实人工智能技术早在几十年前就提出，而人工智能的关键技术之一就是深度学习。值得说明的是，深度学习是以神经网络为主要模型的，其主要原因是神经网络模型可以使用误差反向传播算法，从而可以比较好地解决贡献度分配问题[28]。而其实在阿尔法狗出现之前，以深度学习为代表的人工智能技术已经在模式识别、计算机视觉、语音识别与生成、自然语言处理、机器翻译等方面取得了重要进步[29]。因此，2018年图灵奖颁给了对深度学习作出重要贡献的三位科学家：Yoshua Bengio、Geoffrey Hinton 和Yann LeCun。

2.1 部分神经网络模型的应用

人工神经网络是指一系列受生物学和神经科学启发的数学模型。这些模型主要是通过对人脑的神经元网络进行抽象，构建人工神经元，并按照一定拓扑结构来建立人工神经元之间的连接，来模拟生物神经网络。在人工智能领域，人工神经网络也常常简称为神经网络[30]。

基本的深度学习相当于函数逼近问题，即函数或曲面的拟合，所不同的是，这里用作基础函数的是非线性的神经网络函数[31]。由于神经网络的非线性与复杂性，使得它具有更强的表达能力[32]，即从给定的神经网络函数族中可能找到对特定数据集拟合得更好的神经网络。而在油田采出水结垢问题上，一方面，结垢机理尚不明确，成垢大多是由混合垢形式形成，垢共沉积过程相互影响的研究相对较少；另一方面，实际现场环境影响因素极其复杂，各个油田甚至同一个油田的各个油井都可能有不同的特征，很难找到一个准确而全面的机理性的公式。因此，一些研究人员借助神经网络强大的表现能力开展了一系列的结垢研究。

2.1.1 BP 神经网络的应用给定一组神经元，可以将神经元作为节点来构建一个网络。不同的神经网络模型有着不同网络连接的拓扑结构。前馈网络是一种比较直接的拓扑结构[33]。在前馈神经网络中，各神经元分别属于不同的层，每一层的神经元可以接收前一层神经元的信号，并产生信号输出到下一层。第0 层为输入层，最后一层为输出层，其他中间层为隐藏层。整个网络中无反馈，信号从输入层向输出层单向传播（图1）。BP 神经网络则是一种按照误差逆向传播算法训练的多层前馈神经网络（图2）。换言之，相较于单纯前馈神经网络只有前向传播的过程以外，BP 神经网络结构还具有反向传递调整参数的过程，因此BP 神经网络也同样是应用最广泛的神经网络模型之一[34]。

图1 前馈神经网络拓扑图

图2 BP 神经网络拓扑图

从结构上讲，BP 神经网络具有输入层、隐藏层和输出层，因此在构建BP 神经网络模型来预测结垢趋势的过程中，关键的参数有输入向量、神经元、激活函数[35]。

（1）输入向量：输入向量包含在输出层，所有输入向量的加权和即为一个神经元所获得的输入信号的加权和，称之为神经元的净输入。每个输入向量的选择应该是影响输出向量因素较大的一部分参数。

（2）神经元：神经元即为隐藏网络层中的节点，节点赋有初始的权重与阈值，权重即每个神经元所占的份量，而阈值则为偏置项，相当于多元线性回归中的常数项。在误差反向传播过程中，不断修改节点的原有权重与阈值，以致无限接近输出向量。此外，神经元数量选择会导致不同的后果，选择过少，则会出现欠拟合；选择过多，则会出现过拟合。

（3）激活函数：一层神经元的净输入需要经过非线性函数作用后，得到下一层神经元的参数，这传递过程就是前馈传播。其中的非线性函数即为激活函数。激活函数是为了增强网络的表示能力和学习能力，因此该函数的选择是非常重要的。现代神经元的激活通常要求是连续可导（允许少数点上不可导）的非线性函数。可导的激活函数可以直接利用数值优化的方法来学习网络参数，并且该函数及其导函数要尽可能简单，这样有利于提高网络计算效率，他们的值域也要在一个合适的区间内，否则会影响训练的效率和稳定性。常见的激活函数有sigmoid 型函数，指一类S 型曲线函数，为两端饱和函数[36]。常用的sigmoid 函数有Logistic 函数、Tanh 函数。

李帅等[37]利用BP 神经网络建立了三层ANNs 结构，可靠地预测地热流体在井筒中结垢位置。袁兆褀等[38]采用通过测得川西北气矿邛西区块产出水的一系列水质参数，并利用这些参数合理地建立神经网络的结垢预测模型，并最终用现场实测情况验证模型的准确性，结果表明，该模型可以准确预测邛西区块天然气集输管道的结垢。付亚荣等[39]运用BP 神经网络模型对不同油田的采出水地面集输管网结垢情况进行了预测，得到与现场实际结果很高的匹配度，相对误差不超过8%。

2.1.2 BP 神经网络的变种应用 BP 神经网络虽然具有任意复杂的模式分类能力和优良的多维函数映射能力，但依然存在如学习效率过低、易陷入局部最小等一系列固有缺陷，因此各种基于BP 神经网络的改进算法应运而生，如模仿鸟群的粒子群算法（PSO）[40]、模仿生物进化的遗传算法（GA）[41]和模仿布谷鸟特性的布谷鸟算法（CS）[42]等。聂勇恒等[43]利用在BP 神经网络的基础上进行PSO 算法优化，结果表明PSO-BP 神经网络能够更好的拟合模型并且其平均相对误差更小。

2.1.3 小波神经网络应用此外，在结垢方面除了有基于BP 神经算法的改进研究应用外，一些本身优于BP 神经网络的拓扑架构如小波神经网络也有应用。李娜等[44]通过构建小波神经网络模型与BP 神经网络模型相比，小波神经网络确实在收敛速度与学习效率上有着不可比拟的优势。