YP2区块水平井网井间示踪剂产出影响因素分析及解释模型

2023-10-21马焕焕张永飞张金元杨文博李卫东韩龙飞

云南化工 2023年10期

李育，马焕焕，张永飞，张金元，杨文博，李卫东，韩龙飞，吕栋

(延长油田股份有限公司勘探开发技术研究中心工艺技术研究所，陕西延安 716001)

延长油区内各类压裂水平井的规模化应用，为延长千万吨稳产做出了重要贡献。由于储层地质条件复杂，储层常常伴有复杂多变的显性及隐性天然裂缝，同时，水平井普遍采用体积压裂开发模式，在储层中形成体积缝网，导致在注水的过程中极易形成窜流通道，造成注水开发中后期水平井普遍水窜水淹，严重影响了生产能力。因此，在水平井注水开发的生产过程中，明确水平注采井网井间窜流通道及来水方向是生产制度制定、增产措施布置等稳油控水工作不可缺少的基础。井间示踪监测技术在直井井网的应用已十分广泛，但在水平井注采井间的应用还缺乏相应理论与工程技术。井间示踪剂主要分为三种类型：水溶性化学示踪剂、醇类示踪剂、染料类示踪剂。由于醇类示踪剂易受到细菌降解的影响，染料类易被储层岩石吸附并分配到油相中，只能进行定性解释判断，难以实现定量解释，因此油田上常用的示踪剂主要属于水溶性化学示踪剂的溴化钠、碘化钾。宋岱锋等学者通过示踪剂现场试验，确定了井间联通性及窜流方向[1-11]，但无法对具体情况进行定量分析；杨建敏[12-20]等人建立的解释模型无法对窜流通道情况进行定量表征，也无法为后期堵住提供依据。同时，前人对于示踪剂的使用仅限于直井井网，且只能定性分析哪口井发生窜流，但对于水平井网存在多条窜流通道的定量表征研究很少见到。

通过对YP2区块长6岩心分析及观察，结合区域沉积背景、砂体展布、沉积体系、物源方向特点及各种相标志的综合分析表明，区块长61期为三角洲平原亚相沉积，主要沉积微相有分流河道、分流河道侧翼及分流间湾。分析测试资料显示，长61油藏储层致密，平均有效孔隙度为5.6%～10.8%，空气渗透率为0.25×10-3～3.17×10-3μm3，原始地层压力为 5.8 MPa，压力系数介于0.5～0.7，为典型低孔、特低渗、低压的油藏，平均日产油 4 t/d、日产液 8.14 m3/d。该区块水平井部署于直井井区，形成了不规则的水-直联合井网。由于水平井都是采用体积压裂开发，极易与周围常规井形成多条窜流通道，导致水平井快速出现水窜水淹现象，但对于来水方向、窜流通道展布形态等参数都不明确，且采用的示踪剂监测方法仅能定性分析无法定量。针对上述水平注采井网窜流通道识别与表征的工程难题，本文提出采用数值模拟手段分析水平井网井间示踪剂产出影响因素，并对示踪剂的产出浓度曲线进行分析，揭示井间窜流通道对示踪剂产出浓度的影响规律。基于影响规律分析结果，采用B-P神经网络算法建立井间示踪剂解释模型，为定量识别窜流通道方向及封堵剂用量提供依据，同时为水平井网注水开发发生水淹水窜提供解决方法。

1 基础模型建立

利用数值模拟软件建立水平井网的井间多向示踪剂产出浓度数值模型，见图1。模拟区块油藏参数采用XX长6区块平均值，具体如下：油藏渗透率为 0.95 mD、孔隙度为0.0847、含油饱和度为0.491、泥质含量24.3%、储层厚度为 13.8 m、油藏顶部深度 550 m。

图1 水平井网基础模型

模拟基于水平井采油和直井注水的5点组合井网，水平段长度为 400 m。选取网格步长 2 m×2 m，纵向上分为1个网格，形成650×350×1的网格体系，X网格方向与最大主应力方向平行。水平井分4段压裂，每段压2簇，簇间距 12 m，人工裂缝半长为 100 m。采用EQ-LGR和等效裂缝导流能力的方法对基质-裂缝系统进行处理。本次模拟主要以I1井(左上角)作为示踪剂的注入井进行数值模型，其具体注入参数见表1所示。

表1 示踪剂注入参数设计表

2 井间示踪产出影响因素及规律分析

影响井间示踪剂产出浓度曲线的因素主要包括：示踪剂注入浓度、窜流通道导流能力、后期注水速度、窜流通道厚度及储层渗透率等10个因素。采用控制变量方法分别分析这10个因素对产出浓度曲线的影响。为方便表征对产出示踪剂产出曲线的影响，采用示踪剂曲线中的见剂时间、峰值大小、峰值时间等参数进行刻画。

2.1 窜流通道突进系数

在其他参数保持不变的情况下，分别设置窜流通道导流能力为：2、4、8、12、16 D·cm，进而得到同一时刻不同导流能力窜流通道的示踪剂运移云图和产出浓度曲线(图2)。由图2看出，不同的突进系数主要导致示踪剂产出浓度曲线的见剂时间、峰值大小、峰值时间及曲线斜率存在规律性的差异。随着突进系数的增大，见剂时间变短、峰值增大、峰值时间变短、曲线斜率增大，具体参数如表2所示。

图2 不同突进系数下的示踪剂产出浓度曲线

2.2 窜流通道厚度

在注入示踪剂后，不同的窜流通道厚度将严重影响注入水的流动速度与流量，对示踪剂曲线的见剂时间与曲线峰值大小具有重大影响。因此分别模拟了通道厚度为8、11、14、17、20 m，模拟结果表明，由于窜流通道储集空间的原因，可以明显看出大厚度下示踪剂在平面上的运移速度远远快于小厚度，且随着通道厚度的增加，见剂时间变长、峰值减小、峰值时间变长、曲线斜率减小。

2.3 储层渗透率

在注入示踪剂后，不同储层渗透率将严重影响注入水的波及体积，进而影响示踪剂的扩散运移范围，对见剂时间与曲线峰值大小具有重大影响。分别设置储层渗透率分别为：0.55、0.75、0.95、1.15、1.35 mD，示踪剂云图显示，由于储层的高渗透率，造成示踪剂向周围扩散强度更大；因此，可以明显看出储层高渗透率下示踪剂向水平井井底的运移速度略高于低渗透率。且随着储层渗透率的增加，见剂时间变长、峰值减小、峰值时间变长、曲线斜率减小。

2.4 后期注水速度

在注入示踪剂后，后期注入水的速度决定着示踪剂在窜流通道中的运移速度，对见剂时间与曲线峰值大小具有重大影响。分别设置后期注水速度分别为：5、10、15、20、25、30 m3/d。示踪剂云图显示，随着后期注水速度的加强，加速推进了示踪剂的运移速度，并扩展了示踪剂的波及面积，将会使得示踪剂的累积产出量降低。且随着储层渗透率的增加，见剂时间变长、峰值减小、峰值时间变长、曲线斜率减小。

2.5 示踪剂注入初始浓度

分别设置示踪剂注入初始质量浓度为分别为：31.58、41.58、51.58、61.58、71.58 g/L。在保持示踪剂注入总量不变的情况下，改变注入示踪剂的初始浓度对后期示踪剂的产出曲线影响很小，基本可以忽略，因此示踪剂注入初始浓度对示踪剂产出浓度曲线没有影响，同样各情况下的动态参数也基本保持不变。

2.6 窜流通道长度

设置其他参数保持不变，分别设置不同的窜流通道长度为：200、300、400、500、600 m。窜流通道越近，示踪剂见剂时间越早，扩散范围越大，并随着窜流通道长度的增加，示踪剂见剂时间越晚、峰值时间越晚、峰值大小越小(扩散与吸附越小)。

2.7 示踪剂注入总量

设置其他参数与示踪剂注入体积保持不变的情况下，分别设置不同的示踪剂注入质量浓度为：31.58、41.58、51.58、61.58、71.58 g/L。结果显示，随着示踪剂注入量越大，运移浓度增加，运移速度并没有变化，示踪剂见剂时间与峰值时间都没有发生变化，只是增加了示踪剂产出浓度曲线的峰值大小。

2.8 储层孔隙度

在其他参数保持不变的情况下，分别设置不同的储层孔隙度为：6.47%、8.47%、10.47%、12.47%、14.47%。模拟结果表明，储层孔隙度越大，示踪剂与含油饱和度的运移速度越低，同时造成示踪剂的浓度降低，示踪剂见剂时间变晚、示踪剂浓度峰值变小，同时峰值时间也变晚。

2.9 储层含油饱和度

在其他参数保持不变的情况下，分别设置不同的储层含油饱和度为：52.1%、49.1%、46.1%、43.1%、40.1%。模拟结果表明，储层含油饱和度越大，注入水在窜流通道的窜流量减少，造成示踪剂的运移浓度越高，示踪剂见剂时间与峰值时间都基本不变，只是峰值大小随着含油饱和度的增加而增加。

2.10 注示踪剂前储层压力

在其他参数保持不变的情况下，分别设置不同的储层压力为：3.39、4.39、5.39、6.39、7.39 MPa。模拟结果表明，储层压力对示踪剂含油饱和度的运移基本没有影响。

各因素对几个关键点的影响规律如表3所示。储层压力与示踪剂注入初始浓度对示踪剂产出浓度曲线的形态完全不影响，因此后面建立示踪剂解释模型时不考虑这两个因素。对于示踪剂注入总量与储层含油饱和度只是影响示踪剂的产出浓度曲线峰值大小，因此确定影响示踪剂产出浓度曲线形态的主要因素是：窜流通道突进系数、窜流通道厚度、储层渗透率、储层孔隙度、后期注水速度以及窜流通道长度。

表3 各因素影响规律统计表

3 水平井网井间多向示踪监测解释模型建立

3.1 BP神经网络模型结构优化

利用BP神经网络的方法，建立各影响因素取值、示踪剂曲线关键值与储层相关参数的预测模型，最终得到示踪剂监测解释模型。通过数值模拟软件分别模拟不同的注入总量、注水速度、储层含油饱和度、储层孔隙度、储层渗透率、通道厚度共计88组算例。通过B-P神经网络对88组样本数据开展模型训练与学习。

网络模型(见图3)需要依据储层的可视参数、施工参数与示踪剂产出曲线综合分析，进而对井间的窜流通道参数进行预测分析。因此，确定模型的输入参数主要由储层可视参数：储层厚度、储层渗透率、储层孔隙度以及储层含油饱和度；施工参数：后期注水速度、示踪剂注入总量；示踪剂产出曲线相关参数：见剂时间、峰值时间、峰值大小以及产出浓度上升速度等组成。相对应其输出参数主要由窜流通道突进系数、波及体积以及窜流速度(窜流通道长度)组成。

图3 网络模型结构图

该模型将基于储层相关参数、施工相关参数以及示踪剂产出曲线对井间的窜流通道突进系数、波及体积以及窜流速度进行预测模拟，构成10个输入节点，3个输出节点的网络模型。分别对激活函数、训练函数以及学习率的调研和分析，对三个因素进行全因素设计，进而对网络结构进行优化。根据优化设计方案，以预测值与真实值的相关度作为指标，分别绘制不同激活函数下，不同学习率与训练函数的神经网络模型预测误差图，最终优化结果为：激活函数为tan-sigmoid，学习率为0.4，训练函数为traingd。

3.2 BP神经网络模型建立

根据神经网络迭代次数与均方误差的关系，随着迭代次数的增加，模型训练数据的均方误差越小，最终达到1.1×10-3，具有较好的预测精度；由目标值与模型输出值的回归关系看出，拟合数据基本呈现一个沿45°角，神经网络输出数据与目标数据基本相等。同时，相关系数为0.99354，表明拟合效果较佳。利用26个样本数据对模型进行仿真测试，结果如图4所示。

图4 模型仿真测试结果

根据模型预测结果，3个输出参数的预测相关度都保持在80%以上，表明该模型具有较高的预测精度。同时对该模型进行公式化，如式(1)所示。

(1)

式中，i代表隐含层输出层节点序号；f(x)代表隐含层的激活函数tan-sigmoid函数；w1jl代表输入层到隐含层节点的权值；w2ij代表隐含层到每个输出层节点的权值；θi代表隐含层到输出层每个节点的阈值；g(x)函数为输出层神经元的激活函数purlin，xl代表输入矩阵，yi代表输出矩阵，具体如下。

4 现场应用效果分析

YP2区块周围共有油井数为52口，通过示踪剂监测表明，主要有7口井见剂，说明窜流通道主要分布于这7口井之间。结合7口井示踪剂监测数据结果及该区块物性数据，应用B-P神经建立的示踪剂解释模型对这7口井的窜流通道参数计算如表4所示。窜流通道的突进系数与流动速度主要表征注入流体在通道内流动的能力，突进系数越大，流动能力越强。因此，当注入井周围存在多条窜流通道时，进行单段塞的注入调堵剂难以封堵所有窜流通道。因为各通道突进系数不一，调堵剂总是会沿着突进系数较大的方向进行快速窜流，而对于突进系数相对较小的通道，一直得不到封堵。基于此，在施工之前，应该根据注水井周围窜流通道的个数与突进系数大小，进行分级、多段塞的注入。在分级的基础上，结合总波及体积，计算封堵剂用量如表5所示。通过对YP2注入封堵剂，姚平2井的压降曲线从封堵前的零压状态先抬升到 5.2 MPa，再继续抬升到稳定后 6.5 MPa，表明该封堵有效，如图5所示。之后，继续采用注水开发，该井区受益油井数22口，均日产液 18.77 m3，日产油 8.48 t，含水46.83%，增油幅度达到110%。