一种聚合物驱后粘土颗粒调剖效果的预测方法与流程

1.本发明涉及石油开采技术领域，具体涉及一种聚合物驱后粘土颗粒调剖效果的预测方法。


背景技术：

2.水驱油田进入开发中后期，由于储层非均质性、流体流度差异以及注采差异等原因，地层中逐渐形成水驱优势通道，低效及无效注入水循环严重。由此油藏含水逐渐上升，而产量逐年下降。稳油控水、提高水驱效率成为中高含水非均质油藏亟需解决的难题。
3.聚合物驱作为老油田稳产及增产的重要接替技术，在国内外油田都得到广泛应用。我国大庆、胜利、大港等油田都进行了矿场试验并取得了较好的开发效果。聚合物驱是化学驱中最早投入工业应用的一种提高采收率的方法。仅在大庆油田，聚合物驱已经形成了1000万吨的生产规模，为我国的石油工业发展做出了巨大贡献。
4.聚合物驱是一种驱替流体流度控制技术。该技术主要是在注入水中掺入一定数量的聚丙烯酰胺或者黄原胶，以达到提高驱替相粘度、降低驱替相相对渗透率的目的。聚合物驱可以降低水油流度比，同时聚合物由于岩石的吸附作用可增加水相的渗流阻力，较大幅度的扩大注入水的波及体积，改善粘性指进和舍进现象，以提高油藏的最终采收率。
5.但是聚合驱后恢复水驱后，由于聚合物溶液与水的流度比存在较大差异，存在严重的注入水指进现象，油井水淹速度加快。同时，地下存在大量的残留聚合物，约占聚合物总注入量的90％，若此部分聚合物从油井中产出，势必会加重地面水的处理费用，并造成一定程度的环境污染。为了在聚合物驱后进一步提高采收率，需封堵地层中的高渗透层段，迫使后续注入水发生液流转向。粘土颗粒可以与地层中的残留聚合物形成具有一定强度的絮凝体，其可以起到深部调驱、液流转向的作用，为聚合物驱后残留聚合物再利用的一个重要方向。
6.目前关于聚合物驱后粘土颗粒调剖效果预测方法的研究，主要是数值模拟方法，其研究周期长、操作繁琐。


技术实现要素：

7.本发明的目的在于提供一种聚合物驱后粘土颗粒调剖效果的预测方法，通过建立大量的油藏数值模型模拟不同静动态参数对聚合物驱后粘土颗粒调剖效果的影响，并基于此建立聚合物驱后粘土颗粒调剖效果预测模型，可简便快捷、且更可靠地预测聚合物驱后粘土颗粒调剖的开发效果。
8.为了实现以上目的，本发明采用以下技术方案：
9.本发明提供一种聚合物驱后粘土颗粒调剖效果的预测方法，该预测方法包括以下步骤：
10.s100、获取目标油藏的地质特征参数及开发动态数据；
11.s200、建立代表油藏特征的概念数值模型，模拟不同油藏静动态参数对聚合物驱
后粘土颗粒调剖效果的影响；
12.s300、基于s200的模拟结果，采用多元回归分析或人工神经网络建立聚合物驱后粘土颗粒调剖效果的预测模型；
13.s400、将待预测油藏的静动态参数代入所述预测模型，得到预测的粘土颗粒调剖效果。
14.基于本发明的预测方法，优选的，s100中所述目标油藏的地质特征参数及开发动态数据包括：
15.油层厚度、平均渗透率、平均孔隙度、渗透率变异系数、初始含油饱和度、油藏原始压力、油藏温度、地层原油粘度、注入水粘度、聚合物黏度、聚合物浓度、井网、生产井生产流量、注聚合物时机和聚合物注入体积。
16.基于本发明的预测方法，优选的，s200中所述油藏静动态参数包括渗透率级差、原油粘度、优势通道渗透率、优势通道厚度、粘土颗粒注入时机和粘土颗粒溶液注入体积。
17.基于本发明的预测方法，优选的，s200中所述概念数值模型的井网为五点井网，生产井位于中心，四口注水井位于模型四角；模拟不同油藏静动态参数对聚合物驱后粘土颗粒调剖效果的影响时，各概念数值模型注聚合物时机均为含水率60％，注入体积均为0.3pv。
18.基于本发明的预测方法，优选的，s200中所述概念数值模型在模拟不同油藏静动态参数对聚合物驱后粘土颗粒调剖效果的影响时，以最终采收率和采收率增值为依据，且均需要模拟以下三种油藏开发方式：
19.1)水驱；
20.2)水驱—聚合物驱—后续水驱；
21.3)水驱—聚合物驱—水驱—粘土颗粒调剖—水驱。
22.基于本发明的预测方法，优选的，s200中模拟渗透率级差或原油粘度对聚合物驱后粘土颗粒调剖效果的影响的过程包括：
23.建立不同渗透率级差或原油粘度的概念数值模型多个，各模型分别模拟先水驱，当含水率为60％时注入聚合物段塞0.3pv，然后转后续水驱0.0026pv时注入浓度为3％的粘土颗粒悬浮液0.0026pv，最后再进行水驱。其中，在含水率60％时注入聚合物0.3pv，是为了模拟油田在刚进入中高含水期便开展聚合驱的过程。
24.基于本发明的预测方法，优选的，s200中模拟优势通道渗透率或优势通道厚度对聚合物驱后粘土颗粒调剖效果的影响的过程包括：
25.修改概念数值模型局部网格的渗透率将具有一定厚度的优势通道添加到概念数值模型中去，分别建立不同优势通道渗透率或不同优势通道厚度的概念数值模型多个；各模型分别模拟先水驱，当含水率为60％时注入聚合物段塞0.3pv，然后转后续水驱0.0026pv时注入浓度为3％的粘土颗粒悬浮液0.0026pv，最后再进行水驱。
26.基于本发明的预测方法，优选的，s200中模拟粘土颗粒注入时机或粘土颗粒溶液注入体积对聚合物驱后粘土颗粒调剖效果的影响的过程包括：
27.以聚合物驱后续水驱的水段塞体积作为粘土颗粒注入时机的表征，分别模拟后续水驱为0.0026～0.0494pv时，注入浓度为3％的粘土颗粒悬浮液0.0026pv，最后再进行水驱；或
28.分别模拟先水驱，当含水率为60％时注入聚合物段塞0.3pv，然后转后续水驱0.0026pv时注入浓度为3％的粘土颗粒悬浮液模拟0.0009～0.0158pv，然后再进行水驱。
29.基于本发明的预测方法，优选的，s300中采用多元回归分析所建立的聚合物驱后粘土颗粒调剖效果的预测模型为：
30.分别将渗透率级差、原油粘度、优势通道渗透率、优势通道厚度、粘土颗粒注入时机和粘土颗粒溶液注入体积依次设定为x1,x2,x3,x4,x5,x6，而最终采收率及提高采收率分别设定为y1,y2，则：
[0031][0032][0033]
基于本发明的预测方法，优选的，s300中采用人工神经网络建立聚合物驱后粘土颗粒调剖效果的预测模型的过程包括：
[0034]
分别将渗透率级差、原油粘度、优势通道渗透率、优势通道厚度、粘土颗粒注入时机和粘土颗粒溶液注入体积依次设定为x1,x2,x3,x4,x5,x6，而最终采收率及提高采收率分别设定为y1,y2，记x＝(x1,x2,x3,x4,x5,x6)，y＝y1或者y＝y2；以x作为输入向量，y作为输出向量，(x,y)作为样本，建立起人工神经网络的训练样本集；
[0035]
人工神经网络采用3层结构；其中输入层6个节点，分别对应x1,x2,x3,x4,x5,x6；1个隐层共5个节点；输出层1个节点，对应y1或y2；分别从最终采收率和采收率增值两个角度，建立起聚合物驱后粘土颗粒调剖的人工神经网络模型；
[0036]
将训练样本集导入到人工神经网络模型中进行训练，得到聚合物驱后粘土颗粒调剖效果的预测模型。
[0037]
本发明通过建立大量的数值模型，模拟不同油藏静态参数、动态参数对聚合物驱后粘土颗粒调剖效果的影响。在此基础上，采用多元回归分析和人工神经网络两种方法建立效果预测模型，可简便快捷的预测聚合物驱后粘土颗粒调剖的开发效果。
附图说明
[0038]
图1a为实施例中的油藏概念数值模型的平面俯视图。
[0039]
图1b为实施例中的油藏概念数值模型的立体图。
[0040]
图2a为实施例中最终采收率随渗透率级差的变化曲线图。
[0041]
图2b为实施例中采收率增值随渗透率级差的变化曲线图。
[0042]
图3a为实施例中最终采收率随原油粘度的变化曲线图。
[0043]
图3b为实施例中采收率增值随原油粘度的变化曲线图。
[0044]
图4a为实施例中最终采收率随优势通道渗透率的变化曲线图。
[0045]
图4b为实施例中采收率增值随优势通道渗透率的变化曲线图。
[0046]
图5a为实施例中最终采收率随优势通道厚度的变化曲线图。
[0047]
图5b为实施例中采收率增值随优势通道厚度的变化曲线图。
[0048]
图6为实施例中最终采收率及采收率增值随粘土颗粒注入时机的变化曲线图。
[0049]
图7为实施例中最终采收率及采收率增值随粘土颗粒溶液注入体积的变化曲线图。
[0050]
图8为实施例中聚合物驱后粘土颗粒调剖最终采收率的交汇图。
[0051]
图9为实施例中聚合物驱后粘土颗粒调剖采收率增值的交汇图。
[0052]
图10为实施例中bp网结构图。
[0053]
图11为实施例中最终采收率人工神经网络模型的收敛图。
[0054]
图12为实施例中最终采收率训练结果与实际值的对比图。
[0055]
图13为实施例中采收率增值人工神经网络模型的收敛图。
[0056]
图14为实施例中采收率增值训练结果与实际值的对比图。
具体实施方式
[0057]
为了更清楚地说明本发明，下面结合优选实施例对本发明做进一步的说明。本领域技术人员应当理解，下面所具体描述的内容是说明性的而非限制性的，不应以此限制本发明的保护范围。
[0058]
本发明实施例部分以一具体实施例对所提供的聚合物驱后粘土颗粒调剖效果的预测方法进行详细说明：
[0059]
以某油田实际油藏及流体数据为基础建立大量概念数值模型，分别模拟研究了储层非均质性(渗透率级差)、原油粘度、优势通道等油藏参数和粘土颗粒注入时机、注入体积等注入参数对聚驱后粘土颗粒调剖提高采收率的影响。
[0060]
概念数值模型的基本参数设置如下：31
×
31
×
11网格系统(如图1a和图1b所示)，油层厚度为63m，平均渗透率为5.25μm2，平均孔隙度为33.45％，渗透率变异系数为0.45，初始含油饱和度为70％，油藏原始压力为14.28mpa，油藏温度为65℃，地层原油粘度为70mpa
·
s，注入水粘度为0.49mpa
·
s，聚合物黏度为12mpa
·
s，聚合物浓度1750mg/l。五点井网，油井以定液量400m3/d生产，对参数进行敏感性分析时各模型注聚时机均为含水率60％，注入体积均为0.3pv。
[0061]
各个模型均需要模拟三种油藏开发方式：
[0062]
1)水驱；
[0063]
2)水驱—聚合物驱—后续水驱(简称聚合物驱)；
[0064]
3)水驱—聚合物驱—水驱—粘土颗粒调剖—水驱(简称粘土颗粒调剖)
[0065]
需要指出的是，聚合物驱的采收率增值是相对于水驱而言的，而粘土颗粒调剖的采收率增值是相对于聚合物驱而言。
[0066]
敏感性分析：
[0067]
影响聚合物驱后粘土颗粒调剖的因素很多，包括油藏静态地质参数和注入参数。目前有关聚合物驱后粘土颗粒调剖的敏感性研究，未能考虑到油田现场遇到的大孔道及原油粘度适应性问题。为此，本发明在前人研究的基础上，增加了原油粘度、优势通道渗透率和优势通道厚度3项因素，可以预测不同原油粘度、存在不同级别优势通道的油藏在聚合物驱后实施粘土颗粒调剖的效果，从而弥补了该领域的空白，并且使得预测模型更加完善准确。
[0068]
(1)储层非均质性
[0069]
建立不同渗透率级差1～40的概念数值模型20个，模拟当含水率为60％时注入聚合物段塞0.3pv，然后转后续水驱0.0026pv时注入浓度为3％的粘土颗粒悬浮液0.0026pv，最后再进行水驱。如图2a和图2b所示，随着渗透率级差的增大，聚合物驱和粘土颗粒调剖的最终采收率都降低。与聚合物驱类似，粘土颗粒调剖的采收率增值也随着渗透率级差的增大出现了先增大后减小的趋势。但是粘土颗粒调剖采收率增值的峰值点处的渗透率级差要比聚合物驱偏大。这是由于粘土颗粒与残留聚合物发生反应，生成的絮凝体具有更强的封堵功效，其调剖作用要比聚合驱更显著。
[0070]
(2)原油粘度
[0071]
目前关于聚合物驱后粘土颗粒调剖的效果预测未能考虑原油粘度的影响，而原油粘度对于流度比的调控影响很大。油田实践表明，在稠油油藏和普通黑油油藏实施粘土颗粒调剖的增油效果是不一样的，因此本发明增加了有关原油粘度的敏感性分析。
[0072]
在渗透率级差8的模型基础上，建立原油粘度从15mpa
·
s至200mpa
·
s的概念数值模型20个，模拟当含水率为60％时注入聚合物段塞0.3pv，然后转后续水驱0.0026pv时注入浓度为3％的粘土颗粒悬浮液0.0026pv，最后再进行水驱。如图3a和图3b所示，随着原油粘度的增大，聚合物驱和粘土颗粒调剖的最终采收率都降低。与聚合物驱类似，粘土颗粒调剖的采收率增值也随着原油粘度的增大出现了先增大后减小的趋势。但是粘土颗粒调剖采收率增值的峰值点处的原油粘度要比聚合物驱偏大。这是由于粘土颗粒调剖生成的絮凝体具有更大的粘度，能够更好的调节水油流度比，能够更进一步扩大波及系数。
[0073]
(3)优势通道
[0074]
水驱油田进入开发中后期，由于储层非均质性、流体流度差异以及注采差异等原因，地层中逐渐形成水驱优势通道，低效及无效注入水循环严重。粘土颗粒调剖所形成的絮凝体能够有效的封堵优势通道，从而达到调整吸水剖面、提高储量动用程度的目的。以往预测聚合物驱后粘土颗粒调剖效果的方法中未考虑优势通道的影响，导致预测效果与实际效果偏差大。
[0075]
在渗透率级差8的模型基础上，通过修改局部网格的渗透率将具有一定厚度的优势通道添加到模型当中去，分别建立不同优势通道渗透率和不同优势通道厚度的概念数值模型。假定优势通道厚度为1m，建立优势通道渗透率10～80μm2的概念数值模型8个；假定优势通道渗透率为40μm2，建立优势通道厚度0～3m的概念数值模型9个。随着优势通道渗透率(或者优势通道厚度)的增大，聚合物驱和粘土颗粒调剖的最终采收率都会降低。但是与聚合物驱不同的是，粘土颗粒调剖的采收率增值随着势通道渗透率(或者优势通道厚度)的增大，出现了先增大后减小的趋势，而且峰值点处的优势通道渗透率值(或厚度值)都要比聚合驱去偏大(如图4a和图4b、图5a和图5b)。这主要是由于粘土颗粒调剖生成的絮凝体的阻力效应要比聚合物更强，能够封堵更大渗透率和厚度的优势通道。
[0076]
(4)粘土颗粒注入时机
[0077]
以聚合物驱后续水驱的水段塞体积作为粘土颗粒注入时机的表征。利用渗透率级差8的模型，在其他参数不变的情况下，分别模拟后续水为0.0026～0.0494pv时，注入粘土颗粒悬浮液0.0026pv，最后再进行水驱的效果。模拟结果见图6所示，从图6中看出，尽管粘土颗粒的注入量相同，注入时机越早粘土颗粒调剖的提高采收率效果越好。早期注入时地
下残留聚合物的浓度较高，粘土颗粒与残留聚合物的反应更加充分，生成的新体系的调剖作用就更加明显。
[0078]
(5)粘土颗粒溶液注入体积
[0079]
利用渗透率级差8的概念数值模型，在其他参数不变的情况下，分别模拟注入浓度为3％的粘土颗粒悬浮液0.0009～0.0158pv，然后再水驱的效果，其效果如图7所示。从图7得到，随注入体积的增加，反应生成的絮凝体就越多，其在多孔介质中的滞留量也就愈大，调剖作用也就越明显，越有利于扩大波及体积、提高采收率。当粘土颗粒注入体积增加到一定程度时，地层中的残留聚合物反应殆尽，反应生成的絮凝体量达到顶峰，其调剖作用也接近最大限度，此时的提高采收率值上升变缓。
[0080]
开发效果预测：
[0081]
分别采用多元回归分析和人工神经网络方法建立不同储层静动态参数与残留聚合物再利用效果的统计关系，并以此作为残留聚合物再利用效果预测的理论依据。
[0082]
一、多元回归分析
[0083]
多元回归分析是通过对大量数据进行数理统计分析，找出与各主要相关因素间的量化关系，建立起相应的回归模型。如变量之间的关系是线性的称之为线性回归，否则称之为非线性回归。非线性回归通常有两种形式：一种形式上是非线性的，但经变量替换可线性化，也称为一类非线性回归；另外一种另一种非线性回归模型不论在形式上，还是实质上都是非线性的，称为第二类非线性回归。第一类非线性回归因变量与自变量的关系是非线性的，而与未知参数的关系是线性的。因此，可以通过变量代换的方法，将多元非线性回归模型转化为多元线性回归模型。例如：
[0084]
y＝a+be
x
+cln(x)+ε
ꢀꢀꢀꢀꢀ
(1)
[0085]
令x'1＝e
x
，x'2＝ln(x)，则上式就可变换为多元线性回归模型：
[0086]
y＝a+bx'1+cx'2+ε
ꢀꢀꢀꢀꢀ
(2)
[0087]
多元线性回归是用来回归实际数据的一种非常有效的方法。设影响因变量y的自变量为x1、x2、
……
、xm，则多元线性回归模型的一般形式为：
[0088][0089]
在回归分析中一般采用普通最小二乘法对回归系数进行估计，最小二乘法原理是观测值与回归值之差为残差，要求残差平方和q达到最小。假设为点(x1，x2，
……
，xm)处的回归值，记
[0090][0091]
为了求得q的极值，使回归模型与实际数据的总体误差最小。必有下列方程：
[0092][0093]
根据线性方程组的一般解法求出b1、b2、
……
、bm。将b1、b2、
……
、b
m m带入式(5)即
可进行相应预测。本发明中首先通过研究不同油藏静动态条件下粘土颗粒调剖的效果，确定相关因素与调剖效果的函数关系，进而建立多元回归模型。
[0094]
分别将储层渗透率级差、原油粘度、优势通道渗透率、优势通道厚度、粘土颗粒注入时机以及粘土颗粒溶液注入体积依次设定为x1,x2,x3,x4,x5,x6，而最终采收率及提高采收率分别设定为y1,y2。
[0095]
1)粘土颗粒调剖最终采收率的多元回归模型
[0096]
粘土颗粒调剖最终采收率与各因素的回归关系式：
[0097][0098]
聚合物驱后粘土颗粒调剖最终采收率的交汇图如图8所示，经过相关性检验，得到相关系数为0.98669，表明多元回归的效果显著。
[0099]
2)粘土颗粒调剖采收率增值的多元回归模型
[0100]
粘土颗粒调剖采收率增值与各因素的回归关系式：
[0101][0102]
聚合物驱粘土颗粒调剖采收率增值的交汇图如图9所示，经过相关性检验，得到相关系数为0.96618，表明多元回归的效果显著。
[0103]
二、人工神经网络
[0104]
人工神经网络(artificial neural network)是由大量的、同时也是很简单的处理单元通过广泛的互相连接而形成的复杂网络系统。人工神经网络具有的自学习功能，对于其预测客观事物的未来发展趋势具有重要的意义。对于给定的训练样本集，它能够不断地根据环境的变化调整处理单元间的连接权值，通过如此反复的学习训练来构造输入量与输出量之间的内在联系。已训练好的人工神经网络可以在给定输入量的条件预测出相应的输出量。
[0105]
人工神经网络的结构是分层的，每一层单元的输出只与后面单元的输入相联。广泛应用的bp网络为前馈网络的一种，其神经单元的输入输出关系，采用单调上升的非线性变换。bp网络通常由输入层，输出层和若干隐层组成。输入信号从输入层节点，依次传过各隐层节点，然后传到输出节点，每一层节点的输出只影响下一层节点输入。网络的拓朴结构如图10所示。
[0106]
为方便起见，同样分别将储层渗透率级差、原油粘度、优势通道渗透率、优势通道厚度、粘土颗粒溶液注入时机以及注入体积依次设定为x1,x2,x3,x4,x5,x6，而最终采收率及采收率增值分别设定为y1,y2。记x＝(x1,x2,x3,x4,x5,x6),y＝y1或者y＝y2。以x作为输入向量，y作为输出向量，(x,y)作为样本，建立起人工神经网络的训练样本集。而人工神经网络采用3层结构，其中输入层6个节点(分别对应影响聚驱后粘土颗粒调剖效果的6个油藏静动态参数)，1个隐层共5个节点，输出层1个节点(对应聚驱后粘土颗粒调剖的最终采收率或采收率增值)。分别从最终采收率和采收率增值两个角度，建立起聚驱后粘土颗粒调剖的人工
神经网络模型。
[0107]
1)粘土颗粒调剖最终采收率的人工神经网络模型
[0108]
将样本集导入到人工神经网络模型中进行训练，训练误差与训练步数的关系曲线如图11所示。从图11中可以看出，经过200步训练后，该模型的训练误差不再发生改变，误差已小于9
×
10-3
。将最终采收率人工神经网络模型的训练结果与实际值进行对比(图12)，可以看出应用人工神经网络方法预测聚驱后粘土颗粒调剖的最终采收率，方法可靠，效果显著。
[0109]
2)粘土颗粒调剖采收率增值的人工神经网络模型
[0110]
将样本集再次导入到人工神经网络模型中进行训练，训练误差与训练步数的关系曲线如图13。从图13中可以看出，经过400步训练后，该模型的训练误差不再发生改变，误差已小于9
×
10-3
。
[0111]
将提高采收率人工神经网络模型的训练结果与实际值进行对比，从图14可以看出应用人工神经网络方法预测残留聚合物再利用的提高采收率，方法可靠，效果显著。
[0112]
本发明分别采用多元回归分析和人工神经网络两种方法建立残留聚合物在利用效果预测方法，油藏工程人员可以根据工作需要任意选择其中一种即可。从预测结果与实际模拟值的对比来看，人工神经网络的预测结果更为准确。
[0113]
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定，对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。