低压低产页岩气井智能生产优化方法

2022-08-25祝启康林伯韬杨光王俐佳陈满

石油勘探与开发 2022年4期

祝启康，林伯韬，杨光，王俐佳，陈满

（1. 中国石油大学（北京）人工智能学院，北京 102249；2. 中国石油大学（北京）安全与海洋工程学院，北京 102249；3. 中国石油大学（北京）信息科学与工程学院，北京 102249；4. 四川页岩气勘探开发有限责任公司，四川内江 641100；5. 中国石油西南油气田公司四川长宁天然气开发有限责任公司，四川长宁 644000）

0 引言

单井产量预测是评价气井生产状况、编制开发方案的重要参考依据，是实现气井智能化生产的关键。目前预测气井产量的方法有数学建模和人工智能算法。常用的数学建模方法包括数值模拟、解析解分析和递减曲线分析。数值模拟方法评价页岩气藏产量准确性较高，但建立模型需要大量的地质资料[1-5]。解析解分析基于页岩气的吸附解吸和扩散规律建立产量模型，理论求解过程复杂，且建模一般需要试井数据[6-8]。递减曲线分析基于生产井的产量历史数据进行产量预测及可采储量估算，主要方法有Arps递减、幂指数递减、扩展指数递减和 Duong递减[9-11]，这种方法适合预测长期产量变化，对日产量预测精度低。

随着机器学习理论与技术的发展，神经网络模型开始广泛应用于石油工程领域。吴新根等[12]引入前馈神经网络（BP）预测油田产量效果良好。Calvette等[13]讨论了长短期记忆神经网络（LSTM）模型预测油气产量相比油藏数值模拟的优势。Wang等[14]使用集成方法、线性回归、支持向量机、回归树、高斯过程回归、LSTM等5种模型预测油井产量，发现LSTM模型的预测结果最准确。Lee等[15]使用 LSTM模型预测加拿大Alberta地区页岩气井的月产量，论证了LSTM相比递减曲线分析的优势。由于LSTM模型具有产量预测精度高、所需数据量小的优点，更加适用于非常规油气产量预测，因而被广泛应用于生产现场的快速分析。学者们对LSTM模型不断进行优化，如Kocoglu等[16]使用基于贝叶斯优化的 Bi-LSTM 模型预测水平井产量，预测精度比LSTM模型有所提高。Zhan等[17]用集成学习方法组合了两种特性不同的LSTM模型，极大地提高了模型预测的准确性。Song等[18]提出基于粒子群优化的LSTM模型预测新疆油田日产油量，选取油嘴尺寸与产量为特征量，预测准确性较高。邱凯旋[19]选取油管压力、套管压力、储集层温度等7个特征量，采用LSTM模型对鄂尔多斯盆地连续生产1～4年的气井生产数据进行建模预测，预测结果精度较高。

四川南部地区部分页岩气井在生产中后期出现地层压力低、井筒积液、气井排酸等问题，需要定期关井恢复地层压力或者进行排水修井作业，稳产时间短、生产数据连续性差，建立LSTM产量预测模型需要针对性优化。此外，当前川南地区低产页岩气井生产还存在 3个突出问题：①气井生产中后期，井内积液、地层压力衰减快等问题使单井日产量变化幅度大，产量波动难以把握，导致工程师对生产过程中出现的井口压力突然降低、产量低于携液流量等问题预料不足，错失生产工艺介入的最佳时机。②由于井内压力不足，依靠经验设计间开方案、采取定时或定压自动间开的生产方式难以准确把握气井产量恢复时间。③生产过程中压降难以控制，地层压降过快会导致裂缝中支撑剂失效，降低储集层渗流能力，影响气井产能。

针对上述问题，本文提出一种适用于低压低产页岩气井的智能生产优化方法，由LSTM产量预测模型、积液预警和间歇控制等子程序和可调式油嘴、数控关井阀门等硬件组成。通过单井产量预测和可调式油嘴精确控压，实现维持页岩气井增产稳产以及对常见异常工况的预警功能，提供针对低压低产页岩气井生产过程的解决方案。

1 气井智能生产优化的系统架构

油气田智能化生产是未来石油工业的发展趋势之一。经过信息化建设的井场可以在现有气井生产系统的基础上进行优化，添加分析预测、控压调产、自动间开、积液预警等自动生产与辅助决策功能，实现“一井一策”的生产管理模式，提升油气田的自动化与智能化水平。实现智能化生产的关键在于对气井生产状况的提前预判和存在问题的实时反馈，准确预测产量是智能化生产的核心工作。通过预测气井产量确定单井合理生产方案，控制气井压降速率，保障油气藏增产稳产，也是页岩气田后期生产管理的基础工作。

气井生产优化的系统架构主要由硬件层、控制层、算法层和应用层组成，分层实现不同功能，每一层都向上层提供服务，向下层下达指令（见图1）。每层内含多个模块以实现具体功能，同层模块间可互相交换数据。硬件层负责收集并向上层传递生产数据，接收控制信号执行对应硬件动作。控制层作为中介层，将上层命令解释为控制信号发往硬件层。算法层将传入的生产数据进一步加工处理后向上层传递，向下层发出调产、调压等任务指令。应用层直接与工程师交互，负责展示生产信息、监测预警生产状态，向下层传递工程师的指令。在该架构下，向各层分别添加对应的功能模块即可拓展气井生产系统的功能，实现对页岩气井的生产优化。

2 智能生产优化方法

2.1 智能生产优化流程

利用 LSTM 算法建立页岩气井智能生产优化方法，由图1中各个模块配合完成，工作步骤包括：①由设置在气井中的传感器采集气井生产数据。②采用研究区气井的生产历史数据对产量预测模型进行训练，得到包含气井生产特征的模型。③由运行在井场计算机上的产量预测模型实时接收气井生产数据，预测气井未来产量变化。④工程师参考预测数据制定生产计划，配置各项参数。⑤根据未来产量变化，及时提醒工程师可能发生的积液等风险。⑥通过可调式油嘴控制气井压降速率，并在未来预期产量不足时控制关井阀门自动间歇生产。⑦监测可调式油嘴附近是否有水合物形成。⑧使用新的生产数据更新产量预测模型。

2.2 LSTM神经网络原理

循环神经网络（RNN）是一类以序列数据为输入，在序列的演进方向进行递归且所有节点按链式连接的递归神经网络[3]。RNN的结构决定了它适用于时序预测问题，其内部结构可以提取历史数据的特征信息，用于对未来数据的预测。但RNN无法处理数据的长期依赖问题。长短期记忆神经网络（LSTM）是RNN的一种变体，LSTM 通过加入门结构和记忆单元状态，使其对数据中的短期和长期信息均能较好利用，提升了算法的预测能力。模型使用LSTM发掘页岩气井历史生产数据与未来产量的关系。由于长宁区块页岩气井生产数据连续性较差，直接作训练集精度不佳，本文通过数据清洗和特征值添加的方式降低这种影响。

2.3 产量预测模型设计

通过对模型特征量的选择、数据集的制作、网格搜索优化调参等方法，训练出综合表现最好的 LSTM产量预测模型。

2.3.1 研究区概况

四川长宁区块位于扬子板块西缘四川盆地川南低陡断折带与娄山褶皱带结合部位[20]，主力储集层以五峰组—龙马溪组页岩为主，为富含有机质的黑色泥页岩[21]。储集层埋深2 000～4 000 m，优质储集层厚度30～50 m，属于典型的页岩气[20,22]。

长宁页岩气采气模式与北美相似，投产前期为获取较高的初期日产气量，多采用套管直接放喷的生产方式，导致地层能量迅速衰减，井筒积液提前出现[23]。在生产的中后期，部分平台气井出现积液、地层能量不足等问题，产量降低，有柱塞排水或间歇关井的需求。通过观察页岩气井在经历不同关井时间后开井第1天的产量变化发现，当关井时间在数小时至数十小时时，气井产量基本不受影响，可认为产量的时间连续性正常。关井时间超过数天，一般油压、套压等会发生明显变化，影响后续产量。

2.3.2 数据预处理

训练数据来自长宁区块页岩气井。为避免地质因素和钻完井工艺对气井产量的影响，选择同区块差异较小的16口气井。考虑到油田生产数据常用时间单位，模型将训练数据步长设置为1 d。以1 d生产数据为1组，共10 000组数据。对生产数据使用Spearman相关系数进行关联性分析（见表1）。原始生产数据包括井口套管压力、井口油管压力、输气压力、产水量、产气量、水气比等 6个特征量，由于输气压力与产气量相关性较低，分析后选取除输气压力外的 5个特征量作为模型输入变量的一部分。

表1 Spearman相关系数分析结果

由于长宁区块气井生产数据的时间连续性较差，为提高模型预测精度，使模型适用于低产页岩气井的生产方式，引入变量“关井时间”，以井口套管压力、井口油管压力、产水量、产气量、水气比、关井时间6个特征量作为LSTM产量预测模型的输入。对“关井时间”的定义是，若气井在当日以后连续关井n天，则将当日对应的“关井时间”设为n，若正常生产则当日对应的“关井时间”为0。引入“关井时间”变量既可以消除因长时间关井导致的产量波动变化，又可以通过模型提前预测开井后的气井产量。加入“关井时间”变量后，即可删除日产量为 0的数据。为避免生产数据不连续影响精度，选取气井连续生产200 d以上的生产数据组成训练集。对于因为传感器失灵导致数据集中出现空缺数据的情况，若空缺 1个数据，采用平均值法填充；若空缺数据较多且连续或集中于开关井时间附近，则直接放弃该段数据。

在开始训练之前，采用最大最小归一化方法对训练数据归一化，把输入值控制在0～1以提高模型训练效果。

2.3.3 网格搜索优化

模型使用网格搜索法优化神经网络模型的超参数。选择与模型精度相关的LSTM层数、全连接网络层数、LSTM 神经元数量、丢弃神经元概率、遍历次数、批尺寸、学习率、优化器等 8个超参数，绘制学习曲线调参。将超参数的取值范围划为合理的数等份，尝试各超参数的取值组合，以均方误差的大小比较模型优劣，最优超参数组合见表2。训练时发现当模型的LSTM层数超过 2层时，再继续增加模型层数对模型精度提升十分有限，但会导致模型的训练消耗更多计算资源，因此2个LSTM层为最优选择。

表2 以模型C为例的最优超参数组合

2.4 LSTM神经网络变体预测能力对比

在 Wang等[14]的研究成果基础上对比循环神经网络（RNN）、长短期记忆神经网络（LSTM）、门循环单元（GRU）等3种时序预测算法的优劣。GRU是基于LSTM的改进算法，它将LSTM中的遗忘门和输入门合并成更新门，同时合并了数据单元状态和隐藏状态，模型结构相较 LSTM更为简单。3种时序预测算法对页岩气井日产量预测能力对比显示，RNN表现最差，GRU的表现与LSTM接近（见表3）。考虑到GRU的结构比LSTM更简单，收敛速度更快，将GRU作为产量预测模型的备选算法，两者训练过程基本相同。

表3 3种时序预测算法对页岩气井日产量预测能力对比

2.5 不同预测时长的LSTM模型对比

随机选取4口页岩气井共计2 400组数据组成测试集。建立基于30 d数据预测1 d产量（A模型）、基于30 d数据预测5 d产量（B模型）、基于30 d数据预测10 d产量（C模型）3个模型，通过决定系数比较3种模型对未来1～10 d产量预测表现（见表4）。同一模型的决定系数随预测时间增加呈减小趋势。在预测未来1 d时，3种模型的决定系数近似。在预测未来1～5 d时，B、C模型的决定系数近似。表明预测时间越长，模型的预测精确度越低；预测同一天时，3种模型的准确度近似，但总体表现A模型最好、B模型中等、C模型最差。

表4 3种模型预测未来1～10 d产量的决定系数对比

3个不同预测时长 LSTM模型在测试集上的表现显示（见图2），A模型预测产量变化幅度最为准确，B模型其次，C模型仅能预测产量变化趋势。说明随预测时间延长，模型整体的预测精度会降低。在产量大幅波动或频繁关井的时间段（见图2a、图2c），3个模型拟合效果均较差，说明气井积液或频繁关井会降低模型的预测精度。综上所述，在设计产量预测模型时应结合A、B、C模型，在预测1～5 d产量时参考A、B模型的预测结果，预测5～10 d产量时参考C模型。

图2 3个不同预测时长LSTM模型在测试集上的表现

2.6 “关井时间”变量对 LSTM产量预测模型精度的影响

为验证加入“关井时间”变量对模型预测精度的影响，选取气井关井前后生产数据片段10份，分别测试加入和未加入“关井时间”的模型对开井当日产量的预测能力，结果均显示加入该变量后模型预测精度得到提升（见图3）。

图3 关井时间变量对LSTM产量预测模型精度的影响

2.7 积液预警、间歇生产和油嘴控压模块设计

根据Turner临界携液流量模型[24]计算发生积液时的临界流量。当预测产量低于临界携液流量时，结合油管和套管压差变化[25]，可判断积液并及时预警。

对页岩气井的间歇生产，由于产量受多因素影响，生产状态不稳定，无规则可循。以定时或定压的方式决定间歇期的方法具有很大随机性。LSTM 模型的预测结果能反映未来10 d产量变化趋势，通过模型预测值提前判断气井是否进入间歇期，由程序实现自动间歇，能提高间歇效果，避免气井过度生产损伤地层。可调式油嘴能稳定页岩气井的产量和压力，提高产能。该方法适用于生产中晚期的页岩气井，在采气时通过改变油嘴直径以限制井内压降速率在一合理区间内，避免地层压力衰竭过快损伤储集层。采用实时采集压力数据、判断压力变化速率、调整油嘴大小、采集下阶段压力数据 4步循环控制井口压降，维持气井压降在合理区间（见图4）。①井口压力传感器每分钟采集一次压力数据，为避免生产波动影响压力数据采集，取1 h内压力平均值，与上一小时的压力平均值相减得到Δp。②生产初期，将逐级改变油嘴口径的生产数据传入远程监控平台，通过绘制流体流动指数与油嘴口径的关系曲线，结合实时生产分析等工具，确定最合适生产的油嘴口径，判断合理降压区间Δpmin～Δpmax，传入计算控制部分执行。③当气井压降超出设定的合理压降区间时，即 Δp＜Δpmin或 Δp＞Δpmax时，可调式油嘴判断应调大还是调小口径，每次改变一个最小调节量（直径变化0.2 mm）。通过不断重复该步骤，使气井压降回归至合理区间。④后台采集数据监测油嘴工作状态，在必要时人为干预油嘴口径变化，避免形成水合物堵塞油嘴、油嘴分压过大等生产安全问题。

图4 可调式油嘴控压生产控制流程图

3 现场应用

3.1 试验井选取

选取四川南部长宁区块某平台 2口井作为试验井1和试验井2。为验证优化效果，选择同区块2口井作为对照井1和对照井2，对照井仅采集生产数据。4口井均在投产初期参与试验，其中试验井 2与对照井 1的钻完井、压裂和生产情况近似，是理想的对照对象。试验井在试验期间控压生产，生产情况稳定，排水正常，井筒内无积液或积液位置很低，放压生产时井口压力和日产气量递减较快，控压后井口压力保持较好。对照井 1放压生产，产量波动频繁，但无积液风险。对照井 2放压生产，产量多次突降后又恢复正常，进入衰竭期后有一定积液风险（见表5、图5）。

表5 试验井和对照井基本信息表

图5 试验井和对照井试验期间日产气量曲线（a）与累计产气量曲线（b）

3.2 提产效果分析

利用RTA油气藏递减分析软件绘制气井产能曲线（见图6），产能曲线的斜率可以直观地反映气井产能，斜率越小表示气井产能越大。试验井 2的斜率小于对照井1，表明通过控压可使生产井保持较高的产能。最终可采储量预测曲线（见图7）显示，试验井2的最终可采储量是对照井1的115.38%。说明智能生产优化方法对气井产能提升效果较好（见表6）。

图6 气井产能曲线

图7 最终可采储量预测曲线

表6 产能分析数据表

3.3 产量预测效果分析

预测产量与实际产量对比图显示（见图8），模型预测产量变化趋势整体准确，多数预测值的误差小于等于15%。但从试验开始（第0天），试验井的预测值较真实值整体偏低。为此，在第 250天使用试验期间生产数据对模型进行二次训练，之后预测偏差明显减小，解决了模型在试验井上预测值整体偏低的问题（见图8a、图8b）。分析认为，其原因在于，加入可调式油嘴后，试验井的生产特征发生改变，基于原有生产数据的LSTM模型未掌握这一特征，需要及时对模型进行更新。对照井1整体预测结果较差（见图8c）的原因为该井在试验期间数次停产修井，人为干预降低了模型的预测精度，认为可采用该井试验期间生产数据对模型进行二次训练以改善预测效果。