用于预测和控制油气储层压力的系统和方法技术方案

本公开涉及用于预测和控制油气储层压力的系统和方法。公开了用于生成用于预测油气田的油气储层的压力分布的时间演变的经训练的图神经网络模型的计算机实现的方法。获得油气田的一个或更多个储层的地质储层信息和初始空间压力分布；基于地质储层信息和初始空间压力分布生成所选扇区的计算扇区模型，所选扇区包括形成栅格或网格的多个建模单元。使用计算扇区模型生成所选扇区的模拟时空压力分布的训练集，其中每个时空压力分布针对对应的训练注入生产计划生成。使用油气田的一个或更多个储层的地质储层信息和初始空间压力分布初始化所选扇区的图神经网络模型。然后可以使用所选扇区的模拟时空压力分布的训练集训练图神经网络模型。经网络模型。经网络模型。

【技术实现步骤摘要】
用于预测和控制油气储层压力的系统和方法


[0001]本公开内容涉及用于预测和控制油气储层压力以优化油气生产的基于神经网络的系统和方法。

技术介绍

[0002]将油气(例如，天然气、石油等)储层的储层压力维持在合理的水平对于确保油气生产的连续性至关重要，这最终旨在提高油气采收率。在此和在下文中，储层压力是指流体(例如，石油、水、分离剂等)在储层的地质构造的孔隙和裂缝中的压力，其对应于负责使流体在储层内移动的储层的流体动力能。
[0003]压力维持方案的实现通常包括注入井的钻井，其中，用于压力维持的注入流体最常见的是水和分离剂或残余气体。压力维持方案的有效性主要依赖于注入井位置的正确性以及注入流体被注入到储层的速率与油气提取的速率的平衡。这通常被称为与油气储层或其一部分(例如，储层的扇区)的给定压力维持要求(PMR)相一致的注入生产计划(IPP)。监测储层压力和IPP性能的标准方法是在稳态储层条件下通过测量仪测量井底压力。这种操作通常需要调动专门的井介入装备以及长时间关闭生产井或注入井。
[0004]因此，由于整体的物流繁琐和生产的自愿损失，实际上不可能同时获取所有井的压力数据。可替选地，储层模拟模型用于模拟生产
‑
注入方案，以了解不同区域上的合成压力分布。然而，储层模型的预测性能在很大程度上取决于储层模型匹配的质量，这通常随着可用的测量压力数据的稀疏性而劣化。此外，优化涉及密集的储层模拟，这通常需要大量的时间、精力和计算资源。因此，使用这种方法不可能进行时间约束决策。更具体地，为了确保足够的储层压力维持，IPP的平衡是要解决的主要目标函数。本领域中已知的以下方法半解析地定义IPP，下面讨论它们中的一些：
[0005]空隙替换率(VRR)管理：
[0006]VRR通常被认为是适当储层压力维持的直接指标，因为它表示储层的特定区域中的注入体积与同一时间段内抽采的生产体积之间的比率。VRR通常被认为足以将储层压力维持在期望水平。由此，工程师将储层在空中分成通常称为扇区的小段，并操纵每个扇区的生产和注入目标，使每个扇区的总注入和总抽采的比率保持在1以上。然而，这种方法的局限性在于：这种方法不能获得注水的有效性，注水通常在远离主储层段的地方降低。对含水层中注水损失的估计相当模糊，这需要详细的数值模拟。这种额外的工作并不能提供日常操作所需的实用性。
[0007]生产系统优化(PSO)：
[0008]找到生产
‑
注入目标的正确平衡以实现期望的压力维持的另一方法是使用PSO模型，其比先前技术更复杂。在PSO工作流中，以适当水平的操作约束建立井和地面网络模型，并跨不同的井分配不同的生产和注入目标，内置的优化器找到满足所需VRR目标的最佳井生产和注入速率。PSO平台可以包括几个物料平衡模型，将各个扇区表示为罐，其可以给出各个罐压力的数学估计以评估生产
‑
注入计划的适当性。快速处理时间使得该方法适用于
短期生产计划，然而，它固有地缺乏储层模型的区域和垂直粒度(因为它使用每罐或扇区的平均储层性质)，这阻碍了可能需要额外的注入井钻井来支持储层维持方案的受影响最大的区域的识别。此外，保持井、地面网络和储层模型的最新性是确保储层压力的正确可预测性的关键，这需要大量的精力和时间。
[0009]综合资产建模(IAM)：
[0010]综合资产建模被认为是用于优化储层开发方案(包括压力维持)的圣杯；它通过综合平台将地面网络、井和全尺寸储层模拟模型相结合。使用综合资产模型来运行不同的优化场景，以不仅在短期满足储层压力维持目标，而且在中长期也满足储层压力维持目标。尽管所有的技术充分，但是由于大量的计算时间，这种技术不能用于日常的优化工作，完成少数优化场景可能需要几天时间。
[0011]电容电阻模型(CRM)：
[0012]CRM是支持连续储层管理和优化过程的简单快速的优化工具，它建立在电阻器
‑
电容器电路的物质平衡和信号处理上，其中每个电路由每储层的注入器
‑
生产井对表示。该优化的结果是连续性因子计算，其基于每个注入器
‑
生产井对的生产和注入数据被匹配。剩余的油气图被结合用于填充钻井建议和优化。分析这些对的连续性以提出关于例如重新分配注水的活动的建议，以通过一致性处理来减少水循环。重要的是要注意，由于匹配是基于对注入速率变化的生产反应，因此如果在注入历史中存在多个中断，则该模型工作良好。如果生产和注入水平在长时间内不改变，则解决方案可能是不稳定的。此外，每个注入器
‑
生产井对消耗一定的孔体积，如果增加新的井或新的层段(新的穿孔)，则孔体积会改变。应在计算中考虑这些变化。因此，通常需要多次历史匹配运行来获得有用的CRM模型。
[0013]US 2021/0049467涉及实现可学习物理引擎的图神经网络系统以理解和控制物理系统。在US 2021/0049467中讨论的物理系统包括通过机械接头联接的机械主体，并且由静态图和动态图表示。图处理神经网络处理输入图例如静态图和动态图，以提供输出图例如预测的动态图。图处理神经网络是可微分的，并且可以用于控制和/或强化学习。Tobias Pfaff等人在2021年国际表征学习大会(International Conference on Learning Representations，ICLR)中发表的会议论文LEARNING MESH
‑
BASED SIMULATION WITH GRAPH NETWORKS涉及用于使用图神经网络来学习基于网格的模拟的类似图神经网络系统。
[0014]通常，神经网络是机器学习模型，其采用非线性处理单元的互连层来预测接收的输入的输出。一些神经网络除了输出层之外还包括隐藏层。每个(隐藏)层的输出被用作到网络中的下一层(即，下一隐藏层或输出层)的输入。网络的每一层根据相应网络参数集(处理单元连接权重、激活函数参数等)的当前值从接收到的输入生成输出。如上面提及的现有技术参考文献中详细讨论的，一些神经网络表示和处理包括由边缘连接的节点的图结构。图可以是多重图，其中节点可以通过多个边缘连接。节点和边缘可以具有相关联的节点特征和边缘特征。这些可以使用节点更新函数和边缘更新函数来更新，这可以通过诸如多层感知器(MLP)的传统神经网络来实现。例如使用训练集结果通过监督学习来训练这样的图神经网络模型，尤其是在尽可能准确地确定实现节点更新函数和边缘更新函数和/或图编码器功能的神经网络的网络参数的情况下。

技术实现思路

[0015]本说明书描述了一种新颖的神经网络系统和方法，其可以被实现为一个或更多个位置中的一个或更多个计算机上的计算机程序，以处理表示与一个或更多个抽取井和一个或更多个注入井相关联的油气储层的时空动力学的数据。该系统和方法可以用于通过利用先进机器学习技术的强度来预测储层的不同区域上的压力分布来优化压力维持方案的性能，而无需运行将需要大得多的计算资源的常规全尺寸储层模型。...

【技术保护点】

【技术特征摘要】
1.一种用于生成经训练的图神经网络模型GNNM的计算机实现的方法，所述经训练的GNNM用于预测油气田的油气储层的压力分布的时间演变，所述方法包括：获得所述油气田的一个或更多个储层的地质储层信息和初始空间压力分布；基于所述地质储层信息和所述初始空间压力分布生成所选扇区的计算扇区模型，所选扇区包括形成栅格或网格的多个建模单元；使用所述计算扇区模型生成所选扇区的模拟时空压力分布的训练集，每个时空压力分布针对对应的训练注入生产计划TIPP生成；使用所述油气田的一个或更多个储层的地质储层信息和初始空间压力分布对所选扇区的GNNM进行初始化；以及使用所选扇区的模拟时空压力分布的训练集对所述GNNM进行训练。2.根据权利要求1所述的方法，还包括：从所述油气田的历史匹配的储层模拟模型获得时空压力分布；以及其中，从由所述油气田的历史匹配的储层模拟模型获得的时空压力分布获得所选扇区的初始空间压力分布。3.根据权利要求1所述的方法，其中，所述GNNM包括一个或更多个图处理单元，所述一个或更多个图处理单元被配置成处理输入图以获得输出图，每个输出图具有图结构，所述图结构具有多个节点和边缘，其中，所述输入图表示所选扇区在时间t处的全局储层参数和时空压力分布，并且所述输出图表示所选扇区在时间t+Δt处的全局储层参数和时空压力分布。4.根据权利要求3所述的方法，其中，所述节点与所述计算扇区模型的对应单元的局部储层压力相关联，并且其中，所述边缘与流体渗透率或流体透过率相关联，所述流体渗透率或流体透过率与所述计算扇区模型的相邻单元之间的连接性相关联。5.根据权利要求3所述的方法，其中，对所述GNNM进行初始化和/或处理输入图包括：生成方向导数图并将所述方向导数图与所述输入图连接以形成梯度图。6.根据权利要求5所述的方法，还包括：建立递归图网络RGN，所述RGN将所述梯度图与从所述油气田的历史匹配的储层模拟模型获得的时空压力分布相结合；以及通过使使用所述GNNM预测的时空压力分布与地面实况时空压力分布之间的差的和最小化来优化所述RGN。7.根据权利要求1所述的方法，其中，所述训练集包括所选扇区的多于103或多于104个时空压力分布，其中，每个时空压力分布对应于不同的TIPP，并且其中，每个时空压力分布包括所选扇区的多于103或104个空间压力分布的时间序列；以及/或者其中，所述油气田的历史匹配的储层模拟模型提供所述油气储层的地质特征，并且允许针对每个注入生产计划提取三维储层压力分布的时间序列。8.一种用于控制油气田的油气储层的储层压力的计算机实现的方法，包括：获得扇区图神经网络模型GNNM，所述扇区GNNM被训练用于预测所述油气储层的所选扇区的时空压力分布；至少部分地基于所述油气储层的测量的压力分布，将所述扇区GNNM推广到所述油气储
层的储层GNNM；获得与所述油气储层相关联的当前注入生产计划CIPP；使用所述储层GNNM和所述CIPP预测所述油气储层的压力分布；以及基于所述油气储层的所预测的压力分布调整所述CIPP以优化从所述油气储层的油气提取。9.根据权利要求8所述的方法，其中，通过根据权利要求1至7中的一项所述的方法获得经训练的扇区GNNM。10.根据权利要求9所述的方法，其中，所述扇区GNNM和所述储层GNNM包括使用编码器
‑
处理器
‑
解码器架构的网格
‑
图神经网络模型。11.根据权利要求8所述的方法，所述方法还包括：获得包括与第一储层GNNM不同的网络参数的第二储层GNNM；至少部分地基于所述油气储层的一组测量的时空储层压力分布来计算所述第一储层GNNM和第二储层GNNM的可靠性度量；以及基于所述可靠性度量来选择第一储层GNNM或第二储层GNNM以预测所述油气储层的储层压力分布。12.根据权利要求8所述的方法，其中，调整所述...

【专利技术属性】
技术研发人员：穆罕默德，
申请(专利权)人：阿布扎比国家石油公司，
类型：发明
国别省市：