海上气田群一体化闭环优化配产研究
时间：2023-01-18 10:50:16 来源：柠檬阅读网 本文已影响 人 
闫正和
(中海石油(中国)有限公司深圳分公司，广东 深圳 518000)
海上气田群联合开发中，各气田生产的天然气利用海底管道在平台或终端汇合，进入生产处理流程，脱碳达标后为下游供气。由于下游对天然气的需求随季节、经济等因素变化，通过天然气田气井配产调整，实现气田调峰成为天然气供给中的重要课题[1-4]。目前，气田调峰配产主要依靠经验方法进行调节，主观性较强，尤其在海上气田群联合开发中，往往很难平衡各个区块、气井的开发状况，整体开发效益不高[5-11]。以数值模拟技术为基础，以气田生产系统为对象，采用智能优化算法实现气田群各区块、气井最优化配产设计是智能气田建设的重要内容[12-15]。但海上气田井距大、井数少，静态资料匮乏且品质不高，造成地质模型准确度较低，基于数值模拟的气田产能预测存在较大的不确定性，因此，将数据同化和气井配产优化相结合的一体化闭环优化方法成为海上智能气田开发的新方向[16]。以数字油气田建设为依托，利用集合卡尔曼滤波(EnKF)数据同化方法，结合气田群生产动态数据，反复校正气田地质模型参数，降低模型不确定性，并以更新后的气田模型为基础，以各气田最终累计产气量为目标，综合利用粒子群最优化算法(PSO)和气藏数值模拟技术开展多约束下的单井配产优化。将该研究应用于南海东部番禺35气田群，实现了海上气田群联合开发的气田调峰及气井配产方案自动优化设计。
海上气田群气井一体化闭环优化配产管理主要包括气田群各气藏基于数据同化方法的自动历史拟合和基于最优化算法的各气藏气井优化配产2个阶段。首先以气田群生产系统作为研究对象，利用基于数据同化的自动历史拟合方法修正气藏地质模型，降低地质模型的不确定性；
然后以更新后的各气藏地质模型为基础，基于数值模拟技术和最优化算法进行气田群联合开发配产优化，确定满足各约束条件下的气田群最优工作制度，同时伴随气田群配产制度的改变，利用新的生产数据实时更新各气藏地质模型，再重新进行气田群气井配产优化过程，随着优化过程的不断进行，最终实现整个气田群开发生产效益的最大化。
数据同化方法采用目前应用最为广泛的集合卡尔曼滤波方法。集合卡尔曼滤波方法是基于Monte Carlo模拟的卡尔曼滤波方法[17-18]，其采用样本协方差作为协方差的近似，在油气藏工程等较大规模的数据同化拟合中大幅提高了计算效率。通过该方法进行实时数据驱动的气田群自动生产历史拟合，即在获取一定时间段的生产历史数据后，采用集合卡尔曼滤波方法对各气藏地质模型中的不确定性参数进行校正。
集合卡尔曼滤波方法计算具体步骤如下：首先，根据已有的硬数据或物理场信息，利用统计方法生成若干气藏地质模型。然后，设定待拟合参数(渗透率等)，通过计算各模型的卡尔曼增益对设定参数进行更新，同时也对状态向量(饱和度、压力)进行更新。在利用新的参数进行下一步计算之前，需要将当前计算得到的饱和度场和压力场进行更新，即修改下一步计算的初始状态。以此类推，直至完成目前所有观测数据的同化，最终获得的各气藏地质模型可作为最终结果，最大程度地真实反演地下储层的物性和流体信息。
气田配产优化是在单井、井组、平台及外输能力等约束条件下，通过合理配置各气藏气井产气量，实现经济或技术指标的最大化。目前大多数研究均着眼于单个气田，使用气藏数值模拟方法建立单井配产与最终累计产气量、净现值等之间的关系，并借助智能优化算法开展配产优化[19]。此次研究结合粒子群智能优化算法，利用数值模拟方法研究多个气田组成的气田群配产优化。
粒子群优化算法通过群体中个体之间的协作和信息共享来寻找最优解[20]，初始化的粒子种群在迭代演化中不断更新其在可行解空间的位置和速度以搜寻最优解方案，粒子群算法流程框架如图1所示。
图1 粒子群优化算法流程图
结合气藏数值模拟技术及最优化智能算法的海上气田群闭环优化配产计算流程为：①基于先验信息生成1组初始气田群地质模型；
②将新获取的某时间段内(可以是1周、1个月等)的生产数据导入气藏地质模型，通过EnKF将计算得到的状态数据与对应的实际监测数据进行数据同化，对各气藏数值模型进行自动拟合，降低各气藏地质模型地质参数的不确定性；
③以自动拟合后的各气藏地质模型为基础，利用PSO，并结合下游用气需求及气井、平台、终端约束条件，进行气田群配产优化，确定当前条件下的最优配产方案；
④不断重复步骤②、③，直至各气田开发生产末期，各气藏地质模型不确定性逐渐降低，获得各阶段气田群气井最优配产方案。
5.1 气田群概况
南海东部番禺35气田群由A、B、C、D 4个孤立的气田组成，气田间通过海底管道与平台α、β及终端Φ连接，共同实现对下游的联合供气，其关系见图2。
图2 番禺35气田群气井、气田、平台、终端的连接关系
4个气田分属4个独立的地质模型。该气田群井数少、静态资料较少，气田地质模型存在较大的不确定性，且地质条件复杂、驱动类型多样、单井地层物性差异大、海底管道直径大小不一，目前气田群协同程度低，联合开发管理难度大。同时，由于下游供气需求不断变化，气田群需进行周期性调峰生产，频繁调峰降产制约了气田整体开发效果。
目前该气田群已经实现了开发监测数字化，各气井的实时生产情况均已汇总到中心管理平台。依托数字气田的基础，利用生产动态数据不断校正各气田地质模型参数，降低模型不确定性，获得更准确的气田开发预测模型，并以此为基础开展多约束下的气井配产优化。
5.2 各气田地质模型自动历史拟合
建立多气田一体化管理平台，加载4个气田的数值模拟模型。各气田模型网格数、流体模型等均不相同，网格边长为10～20 m，分别采用ECLIPSE软件的E100、E300模块进行模拟。由于4个数值模拟模型计算时间差异较大，为了在拟合及优化过程中同步完成，针对不同气田模型选择了不同的并行加速设置，确保每个算例计算时间接近，且均能在10 min内计算完成。各气田模型的基本情况见表1。
表1 各气田数值模拟模型基本情况
在各气田模型模拟完成后，平台自动读取计算结果，并传递给自动历史拟合及自动配产优化模块。平台自动读取各井井口的监测数据，在数据累积达到1 a后，触发自动历史拟合模块，利用当年的新生产数据对模型进行校正。在拟合研究中，将各气井的井口压力作为控制条件，拟合各井的日产气量和日产水量。根据前期地质分析及历史拟合经验，选择不确定性较大且对模拟结果敏感性较高的参数作为自动历史拟合调整参数进行试算，包括孔隙度乘子Mp、渗透率乘子Mk、垂向渗透率比值ηz、初始气水界面的毛管力pc、水体倍数Vw。各参数的变动范围根据地质背景和测井解释数据进行确定，表2为A气田模型中不确定性参数及取值范围。
表2 A气田待拟合参数的取值范围
在使用EnKF进行历史拟合过程中，各气田模型均设置20个实现。图3为拟合过程中4个气田实际日产气与所有实现日产气的对比。由图3可知：随着数据同化的进行，各实现的计算结果逐渐向真实结果靠拢，其中，A气田生产历史最长，数据同化次数最多；
开发后期所有预测模型基本均收敛至实际生产曲线上，即数值模拟模型的计算结果与实际生产数据基本一致，表明模型已具备很高的预测精度。
图3 各气田EnKF拟合曲线收敛过程
在拟合过程中，5类待调整参数逐渐收敛，其中，A气田参数收敛情况见图4。由图4可知：A气田地质模型的孔隙度乘子、渗透率乘子、水体倍数收敛速度较快，说明其敏感性较高；
气水界面上毛管力和垂向渗透率比例收敛速度一般，说明其敏感性相对较低。
图4 A气田不确定性参数的收敛过程
当由数据驱动的模型自动完成调整后，即可获得当前信息下最可靠的气藏模型集合。为了预测各气田未来的开发规律，选择5类参数收敛后各实现的平均值组成平均模型，将该模型作为预测模型进行产量预测。
5.3 气田群气井配产优化
当气田群配产需求发生变化时，可由前述预测模型开展配产智能优化研究。假设下游总供气需求QT为95×104m3/d，需要分摊到4个气田共9口井。为合理分配采气量，使整个气田群的最终累计产气量达到最大，采用PSO算法对各井配产进行优化，优化变量为各井的日产气量Qi(m3/d)，约束条件为：
(1)
同时，结合气藏工程经验，对单井日产气量设置界限，即Qi应为5～30 m3/d。优化目标为采用该配产持续生产10 a(或气藏废弃)时的气田群累计产气量，该值通过数值模拟的方式获得，即分别模拟各气田的生产状况，预测单个气田的累计产气量，通过自动化方法将其累加得到气田群累计产气量。开展单个气田数值模拟时，井口压力最低为7 MPa，当日产气小于1×104m3/d或水气比超过0.001 m3/m3时关井。
采用PSO算法优化各气井配产时，初始设置60个粒子，迭代演化20次后，各粒子对应的目标函数(累计产气量)变化情况如图5所示。由图5可知：演化第1次时累计产气量为14.0×108～18.0×108m3；
随着迭代次数不断增大，最佳方案的累计产气量持续升高，至第16次后保持稳定，取最大值19.1×108m3作为最佳方案的累计产气量。
图5 各粒子目标函数演化情况
在优化完成后，最佳方案的单井配产即可作为实际的配产依据，该配产即为当前数据基础下最佳的配产方案。在该供气需求下，采用传统人为配产技术得到的开发预测结果见图6。由图6可知，智能优化方案10 a累计产气量为19.1×108m3，人为配产方案10 a累计产气量为18.3×108m3，提高了4.2%，优化效果明显。
图6 智能优化方案与人工配产方案开发预测效果对比
(1) 在南海东部海上气田一体化管理平台基础上，结合集合卡尔曼滤波数据同化方法，建立的气田群地质模型自动更新技术能不断同化实时生产数据，调整各气田不确定性参数，有效提高各气田模型预测的准确性。
(2) 以数据同化校正后的气田群地质模型为基础，采用粒子群算法，以最大化各气藏累计产气量为目标，建立了一种有效的多气田联合配产优化方法，在番禺35气田群配产优化实践中，智能优化算法较人工配产方法，累计产气量可提高4.2%。
(3) 该研究实现了以气田群最终产气量最大为目标，满足下游客户用气需求变化的快速合理配产方法，后续将系统升级为实时反应系统后，即可实现气田配产的自动优化、调整，提高了气藏开发的数字化程度。
猜你喜欢 气藏气井气量 川南页岩气井控压生产制度优化方法研究当代化工研究(2022年18期)2022-10-16气田开发中“气藏整体治水”技术理念的形成、发展及理论内涵天然气工业(2022年9期)2022-10-15苏里格气田气井排水采气工艺技术研究油气·石油与天然气科学(2021年3期)2021-09-10一种应用于高含硫气井的智能取垢器系统设计西南石油大学学报(自然科学版)(2021年3期)2021-07-16气井用水合物自生热解堵剂解堵效果数值模拟西南石油大学学报(自然科学版)(2021年3期)2021-07-16非均布导流下页岩气藏压裂水平井产量模拟西南石油大学学报(自然科学版)(2021年3期)2021-07-16做人要有气量，交友要有雅量新传奇(2020年40期)2020-10-23气量可以学习吗意林·全彩Color(2019年8期)2019-11-13王旦的气量小天使·五年级语数英综合(2019年6期)2019-06-27气量三层次领导文萃(2017年10期)2017-06-05
