基于广义回归神经网络的CO2驱最小混相压力预测

针对传统的最小混相压力预测方法应用不便或误差较大等问题,提出利用广义回归神经网络进行CO2驱最小混相压力预测。以油藏温度、C5+分子量、中间组分摩尔分数、挥发组分摩尔分数为输入变量,以最小混相压力为输出变量,建立广义回归神经网络预测模型,对CO2驱最小混相压力进行预测,将结果与其他预测方法进行对比,并做误差分析。实例计算结果表明,广义回归神经网络用于CO2驱最小混相压力预测是可行的,且具有精度高、收敛快、适用范围广、使用简便等特点。     

不同油藏压力下CO2驱最小混相压力实验研究

CO2-原油体系的最小混相压力是影响CO2驱开发效果的关键因素。随油藏开发阶段的不断深入,当油藏压力低于原始饱和压力后,溶解在原油中的溶解气会部分脱出。油藏流体组分及其高压物性也会发生变化,影响CO2-原油体系的最小混相压力,利用原始地层流体样品测试得到的最小混相压力不再适用。为此,以中国西部某油田8个典型区块为例,进行细管实验测试和多组分数值模拟,对不同油藏压力下的最小混相压力进行系统研究。与其他油田相比,研究区各油藏油样的C1摩尔含量较高,为31.12%~51.69%,平均为43.25%;C2-C6摩尔含量较低,为8.0%~18.48%,平均仅为11.3%。细管实验和数值模拟结果表明,在原始地层压力下,CO2均与8个典型区块地层原油样品发生混相驱替,但不同区块CO2驱最小混相压力差异很大,其值为17.60~41.18 MPa。当油藏压力低于原始饱和压力后,CO2驱最小混相压力主要呈微小幅度下降的趋势。随脱气压力进一步降低,油相组分构成中,C1N2摩尔含量呈递减趋势、C7+和C24+组分呈递增趋势,而中间组分(C2和C3+)摩尔含量变化较小。在各级脱气压力下,脱出气体以C1为主,中间组分摩尔含量仅在最后一级脱气压力下急剧升高。CO2-原油混相带出现在注入CO2波及前缘靠近注入端的位置,混相带随着驱替的进行而逐渐变宽。     

低渗透油藏CO_2驱最小混相压力预测研究

注CO2提高低渗透油藏采收率研究中,最小混相压力是CO2驱过程中的重要参数。以国内某低渗透油藏流体为研究对象,在室内相态实验研究基础上,综合运用多级接触和多因素回归分析方法,考虑原油组分和温度,建立适合目标油藏实际的CO2最小混相压力预测公式。与传统经验公式相比,该公式提高了典型区块最小混相压力的预测精度,为现场确定最小混相压力提供了简单、可靠的计算方法,为低渗透油藏CO2驱最小混相压力的预测提供了新的思路。     

N_2对CO_2最小混相压力的影响

向复杂断块油藏注入CO_2,既可通过混相驱提高原油采收率,又可节约成本,封存大量温室气体,减缓温室效应。由于断层封闭性及CO_2混相均受压力影响,又因注入CO_2中常混有N_2,因此,文中深入研究N_2对CO_2-原油最小混相压力的影响。通过Win Prop模块模拟计算了原油分子摩尔质量为170~360 g/mol,油藏温度为310~360 K,N_2摩尔分数至10%,约2 000种情况下的混相压力,得到N_2影响的CO_2混相压力与纯CO_2混相压力比值(Fimp)表达式。结果显示,Fimp与注入气体中N_2的摩尔分数成正比,不同组成的原油对Fimp没有影响,得到了N_2存在情况下CO_2-原油最小混相压力的表达式。与CO_2混相实验结果及已发表公式计算结果对比发现,该表达式能准确计算N_2存在情况下CO_2-原油混相压力,为CO_2混相驱提高原油采收率及筛选断块油气藏实施混相驱提供理论依据。     

二氧化碳-原油体系最小混相压力预测模型

二氧化碳-原油体系的最小混相压力（CCMMP）是CO₂ 驱油方案设计的关键参数之一。为了提高CCMMP的预测精度,利用实验测定的46个二氧化碳-原油体系最小混相压力数据,选取油藏温度、原油中的挥发组分、中间组分、C₅₊、注入二氧化碳中所含的甲烷、乙烷 丁烷、氮气和硫化氢的含量8个因素,运用统计与回归理论建立了8参数的CCMMP预测模型。并将本模型和已经发表的9种方法预测的46个油样的最小混相压力结果进行了对比,结果表明本模型的预测精度大幅度提高。利用该模型对吉林油田CO₂ 驱油试验区的5口井油样的CCMMP进行了预测,并与实验结果进行了对比,相对误差范围0.05%～3.39%,进一步验证了本模型的可靠性。     

超低渗透油藏CO2驱最小混相压力实验

利用常规方法测量超低渗透油藏CO₂-原油最小混相压力时,存在测量周期长、工作量大等问题,且不能直接观察到CO₂与原油的混相状态。为了确定杏河超低渗透油藏CO₂-原油的最小混相压力,采用界面张力法对杏河油藏CO₂和原油进行室内实验。结果表明：随着平衡压力的升高,原油中溶解CO₂的量增多, CO₂-原油之间界面张力的变化可分为2个阶段,且均呈逐渐减小的线性关系;当平衡压力从4 MPa增大到28 MPa时, CO₂-原油之间的界面张力由17.72 mN/m降到1.56 mN/m。界面张力法测得杏河油藏最小混相压力值为22.5 MPa,略大于细管实验测得的最小混相压力值22.3 MPa,由于二者数值相差仅0.9%,表明界面张力法测量超低渗透油藏最小混相压力具有较好的准确性。通过上述研究,确定了杏河油藏最小混相压力,为杏河油藏注CO₂增产开发方案的制定提供了理论支持,但是由于最小混相压力高于油藏目前压力（17.5 MPa）,在目前油藏条件下CO₂与原油不能实现混相。     

CO_2细管模型驱油效果研究

鉴于气驱技术对开发低渗透油藏的良好效果,运用了目前最可靠的测量最小混相压力的细管实验方法,进行了对CO2气体与原油最小混相压力的预测研究.详述了细管实验的实验条件、实验方法、具体步骤与原理.分析结果得到了注采压差、采油速度和采收率随驱替压力的变化规律,并测量了原油与CO2作用的最小混相压力,给出了合理的驱替压力范围,为油藏开采提供了参考依据.     

N2对非纯CO2驱油效果的影响

N2是驱油用CO2中常见的杂质气体,N2的存在会影响最小混相压力（MMP）和CO2驱的效果.采用延长油田原油和岩心进行了细管实验和岩心驱替实验,注入4种摩尔分数分别为0,5％,10％,15％的N2与CO2混合气体,根据细管实验确定MMP;采用高于纯CO2的MMP 20％的压力和等于MMP 50％的压力进行岩心驱替实验.细管实验结果表明,N2的存在会显著增大MMP,CO2中含摩尔分数5％的N2会使MMP增大29.34％,10％会使MMP增大64.07％;岩心驱替实验表明,N2的混入对CO2驱产生了不利影响.对于CO2混相驱,N2的摩尔分数越高,采收率的提高值越低,N2的摩尔分数对非混相CO2驱的影响较小.     

超临界CO2动态混相驱过程机理研究

以国内CS油田注CO2混相驱典型实例为基础,在油藏地层流体注CO2驱膨胀实验和细管最小混相压力实验拟合基础上,建立一维组分注气驱细管模型.应用所建立的模型,模拟研究CO2注入过程中油气两相组成、油气两相黏度、密度和界面张力等动态特性参数沿注气井到生产井距离的变化规律.以及注气量和注气压力对动态特性参数的影响规律.研究结果显示:CO2在原油中的溶解能力强,工程混相条件下,摩尔含量达到0.7.注入CO2抽提原油中的中间烃,甚至C19+以上的重烃,与地层油在前缘达到混相.CO2注入量增加,混相带增长,CO2波及区域增加,有利于驱油效率增加.随着注入压力的提高,从非混相到混相,CO2在地层油中的溶解量增加,界面张力降低,油的黏度降低.达到混相后,继续增加压力对驱油影响变小.     

溶度差法计算地层油-CO2体系的最小混相压力

从分子间作用力角度,利用经典溶度理论和PR-EOS状态方程,在油藏条件下推导出地层油的溶度参数计算公式,并结合纯气体溶度计算公式,对不同油藏条件下的地层油-CO2最小混相压力进行理论计算。该方法仅需油藏温度、地层油组分(C1—C3+6)和C3+6分子质量3组参数。研究表明,在分析了中国17个陆相沉积特点地层油的细管测试实验结果基础上,得出地层油-CO2体系达到混相时,两者的溶度差与C3+6组分的分子质量存在较好的线性关系,利用该关系可以反求出地层油-CO2体系达到混相所需的压力,为数值模拟的修正和油藏工程方案设计提供了1种可行的计算方法。     

The Use of Optimization Procedures to Estimate Minimum Miscibility Pressure

An important factor in the design of gas injection projects is the minimum miscibility pressure (MMP). A new genetic algorithm (GA)–based correlation and two neural network models (one of them is trained by back propagation [BP] algorithm and another is trained by particle swarm optimization algorithm) have been developed to estimate the CO₂–oil MMP. The correlation and models use the following key input parameters: reservoir temperature, molecular weight of C⁺ ₅, and mole percentage of the volatiles and intermediate components (for the first time, the mole percentages are used as independent variables). Then results are validated against experimental data and finally compared with commonly used correlations reported in the literature. The results show that the neural network model trained by BP algorithm and the correlation that has been developed by GA can be applied effectively and afford high accuracy and dependability for MMP forecasting.     

基于BP神经网络的低温提氦工艺优化

氦气是国家重要性战略物资之一,目前氦气的主要工业来源仍是从天然气中提取。为进一步优化低温提氦工艺,降低工艺能耗水平,对已有低温提氦工艺进行了改进,以一级提氦塔进料温度、压力、回流比、制冷剂高压、低压压力和制冷剂流量6个参数为变量,建立基于BP神经网络算法的综合能耗及提氦浓度预测模型,并对模型进行检验,并运用训练好的BP神经网络对改进工艺的综合能耗及粗氦浓度进行了预测。研究表明:BP模型训练效果较好,可用于综合能耗和粗氦体积分数的预测;通过训练误差分析,确定了模型隐藏层节点数为8时BP模型预测结果最优;利用确定好的BP神经网络预测出最优工艺生产参数,在满足粗氦体积分数不小于63.5%的基础上,综合能耗降低了18.08%。     

人工神经网络技术在油田储层物性预测中的应用――以西峰油田为例

与传统的测井资料解释和信息处理技术相比较,在对非均质性较强、物性参数级差较大的储集层物性预测中,人工神经网络技术具有极强的自适应和自学习能力,其通过很强的非线性映射,能够精确地建立储集层参数与测井响应之间的非线性模型。在论述神经网络技术基本原理的基础上,对西峰油田延安组和延长组储层的物性参数(孔隙度和渗透率等)进行了预测,取得了较理想的结果。预测结果表明:渗透率参数级差不大(<102)时,预测精度高;渗透率的变化范围较大(>103)时,对具有高渗透率储层的预测精度高,而对具有低渗透率储层的预测值相对误差较大。     

基于MATLAB的BP神经网络在储层物性预测中的应用

在阐述BP神经网络模型结构的基础上.根据取心井段储层物性与测井信息的关系,选取相应的测井曲线,运用MATLAB神经网络工具箱中特定的函数对建立的神经网络模型进行训练,使得储层物性(孔隙度、渗透率)和测井响应之间具有较强的非线性映射关系,在一定的条件下运用该模型可对研究区未知样本的物性参数进行预测.实例研究表明,预测准确性较高,显示出BP神经网络对储层预测的潜在优势和实用价值.     

BP神经网络在中压加氢裂化装置多方面预测中的应用研究

应用Matlab软件构建了三层BP神经网络,并对中压加氢裂化装置转化率、喷气燃料干点和高压换热器壳程压降等方面进行了预测,结果表明BP神经网络模型准确度受样本数据质量、网络隐藏层节点数目影响较大,对中压加氢裂化工艺参数、产品性质、高换设备状态等均展示出较好预测能力。其中,对加氢裂化转化率预测的准确度最低,相对误差为±（5%～10%）;对喷气燃料干点预测的准确度较高,相对误差为±（0.15%～2.0%）;对高压换热器壳程压降值预测的绝对误差为±0.03 MPa以内,满足换热器状态监测要求。     

用界面张力法测定CO2与原油的最小混相压力

采用悬滴法,测定了在模拟地层温度为356.5K、压力为8.54~23.43MPa时的CO₂与原油间的界面张力.实验发现,CO₂与原油间的界面张力随压力的增加近似呈线性下降趋势.对该数据进行了线性回归,并用外推法计算出当界面张力为零时的最小混相压力为24.17MPa,与实验观测达到一次接触混相状态时的压力(23.43MPa)相比,相对误差为3.16%.采用界面张力确定CO₂与原油间的最小混相压力,既可通过直接观测接触混相状态确定,也可利用所测界面张力数据进行估算,操作简单易行,且耗时少.     

联合神经网络在储层参数预测中的研究与应用

地质储层参数在建立地质模型中起着关键作用,储层参数通过井资料获得。常规测井解释中多通过经验公式或简化地质条件建立模型计算储层参数。提出了新的神经网络模型,基于BP神经网络、RBF神经网络、支持向量回归并通过单层感知器共同构成联合神经网络模型。该网络模型在储层参数预测过程中能针对单一神经网络的不足而自适应调节网络结构,使预测效果达到最优,避免了单一网络在参数预测时的缺点,提高了预测的准确性。选取了同一地区的3口油井进行训练和验证实验,实验结果表明,联合神经网络模型优于单一的人工神经网络模型。     

应用BP神经网络预测石脑油热裂解产物收率

采用BP神经网络模型建立了石脑油裂解产物收率的预测方法。BP神经网络模型的输入层设12个结点,输出层设22结点,设一层隐含层。在保证学习训练数据具有代表性的情况下,BP神经网络模型的预测结果与实验数据相比,误差约为5%。BP神经网络模型的预测结果比非线性回归方法的预测结果要好。BP神经网络模型的外延性不强,外延的部分数据预测结果偏差较大。在能够保证基础学习训练数据的准确性和合理选取的条件下,BP神经网络模型能够应对乙烯装置原料变化频繁的情况。