曹 冲 程林松 张向阳 贾 品 时俊杰

(中国石油大学(北京)石油工程学院,北京 102249)

引言

地下流体在多孔介质中的流动往往涉及多尺度、多变量、多物理场的耦合.现有的产量预测方法包括经验曲线法[1-3]、(半)解析方法[4-6]及数值模拟法[7-11].因为模型的假设条件及方程的局限性,无法真实准确地刻画实际油藏生产过程,从而造成了产量预测结果不确定性.尽管低渗,特低渗及非常规油气资源的开发已成为当前研究热点问题,人们对地下复杂的油气渗流机理的认识仍不完善[12-15],这也限制了这些传统方法的适用性.此外,综合考虑多种力学问题的耦合渗流问题存在机理表征困难,模型求解难度大,计算不收敛等问题.因此,实际油田中的多变量,多尺度和非线性数据给传统产量预测模型带来了巨大的挑战[16-18].

近年来,人工智能技术,大数据分析方法由于其强大的学习及预测能力在工业界得到了广泛应用.同时,油田中存在的地质−油藏−流体−工艺数据给数据建模技术应用在石油行业提供了可能性.吴新根等[19]应用BP 神经网络预测罗马什金油田年产量,与Weng 旋回模型预测结果相比,人工神经网络是一种可行的石油产量外推预测方法.李留仁等[20]采用3 层BP 神经网络预测了12 个月的月产油量,预测月产油量误差在10%以内.邢明海等[21]以多层前馈神经网络和函数连接神经网络为基础,研究了5 种不同的组合方式下的油田总产量.Chithra 等[22]利用高阶神经网络模型预测……