海上油田多层砂岩定向井合采初期产能预测方法及应用——以渤中C油田为例

Prediction Method and Application of Initial Productivity in Combined Production of Multilayer Sandstone Directional Well in Offshore Oilfield—Taking Bozhong C Oilfield as an Example

摘要: 海上油田初期产能评价通常采用基于DST测试资料的比采油指数法，但由于储层物性和流体性质的变化，以及多层合采层间干扰等因素影响，取值具有人为性，造成初期产能预测评价准确性降低。根据海上油田定向井多层合采开发的特点，通过分析储层渗透率、渗透率变异系数、流体性质和层间干扰系数等对产能的影响，建立储层物性参数、渗透率变异系数等参数和比采油指数的关系，提出了综合产能指数法和利用定向井实际投产数据样本通过机器学习法预测评价定向井初期产能。对比分析不同预测方法适用性和预测效果，为海上油田定向井多层合采初期产能预测提供可靠方法，以提高新井初期产量评价预测的准确性。实例应用表明，基于生产井大数据样本应用机器学习法评价预测定向井初期产能，比传统的比采油指数法更加便捷、准确性也较高，具有良好的应用前景。

Abstract: The specific oil recovery index method based on DST test data is usually used to evaluate the ini-tial productivity of offshore oil fields. However, due to the change in reservoir physical and fluid properties, as well as the interference between layers of multi-layer production, the value is ar-tificial, resulting in a decrease in the accuracy of the initial productivity prediction and evaluation. According to the characteristics of multi-layer combined production development of directional Wells in offshore oil fields, the relationship between reservoir physical property parameters, permeability variation coefficient, fluid properties and interlayer interference coefficient and specific oil recovery index is established by analyzing the effects of reservoir permeability, permeability variation coefficient, fluid properties and interlayer interference coefficient on productivity. The comprehensive productivity index method and machine learning method are proposed to predict and evaluate the initial productivity of directional Wells by using the actual production data samples. The applicability and prediction effect of different prediction methods are compared and analyzed to provide a reliable method for the initial productivity prediction of multi-zone combined production of oriented Wells in offshore oil fields, so as to improve the accuracy of the initial production evaluation and prediction of new Wells. The example application shows that the application of the machine learning method to evaluate and predict the initial productivity of directional Wells based on big data samples of production Wells is more convenient and accurate than the traditional specific oil recovery index method, and has a good application prospect.

1. 引言

油层初期产能评价与预测是油藏勘探开发的重要工作，是确定新区产量的关键，海上油田开发的特殊性，使试油、试采常规产能评价方法受到限制。渤海C油田古近系东三段和沙河街组为陆相多层砂岩，纵向含油层段多，为兼顾开发效果与生产成本，初期采用1套层系定向井多层合采的开发方式 [1] [2] [3] 。渤中C油田油井初期产能预测结果决定了钻井工作量和投资规模，能够科学有效地预测油井初期产能 [4] [5] 。

目前定向井初期产能预测一般基于比采油指数预测法，对不同时期多种预测方法预测效果评价较少，本文应用探井DST测试比采油指数法、综合产能指数法和机器学习法对定向井投产初期产能预测效果分析评价，探寻适用定向井多层合采开发初期产能预测方法，使初期产能预测更准确。

2. 油田概况

2.1. 油藏地质特征

渤中C油田构造位于黄河口凹陷中洼南部斜坡带上，主体区为受中部一组大断层控制的复杂断块构造，平面上断层发育有多个断块、多个高点分为不同井区。储层为辫状河三角洲沉积，岩性以中、细粒岩屑长石砂岩为主，东三段平均孔隙度19.4%，渗透率736.2 mD，为中孔中高渗储层；沙一、二段平均孔隙度18.9%，渗透率为254.7 mD，为中孔中渗储层，油层厚度17.2~88.0 m，具有纵向含油层段多，非均质性强的特点，纵向存在多套流体系统，油藏类型为层状构造油藏。

2.2. 测试产能分析

渤中C油田探井测试资料较少，有3口探井4井次测试结果为油层，测试结果见表1。

Table 1. Statistical table of reservoir test data of exploration well test in Bozhong C oilfield

表1. 渤中C油田探井测试油层测试资料统计表

Figure 1. Relation between specific oil production index and fluidity in Bozhong C exploration well

图1. 渤中C油田探井测试比采油指数与流度关系图

由表1、图1可见，试井渗透率计算地层流度与应用试井表皮系数校正比采油指数相关性较好，可以用于开发井初期产能预测计算。但探井DST测试时间短，与开发井稳定生产有差别，且开发井初期为多层合采层间干扰严重，层间干扰系数等也很难定量表征，给开发井初期产能预测带来难题，因此需针对开发井投产初期产能预测进一步研究。

2.3. 开发井初期产能分析

统计渤中C油田投产东三段和沙河街组多层合采的21口生产井，投产初期产能差异较大，投产厚度18.3~88.0 m，日产油23.99~841.59 m³/d，比采油指数0.05~18.7 m³/Mpa.d.m，流度与比采油指数有一定相关性(图2)，说明储层渗透率和流体性质是影响生产井初期产能的主要因素，但还受其他因素影响。

Figure 2. Relation between production specific oil recovery index and mobility of Bozhong C development well

图2. 渤中C油田开发井投产比采油指数与流度关系图

3. 油井初期产能影响因素分析

3.1. 灰度关联法分析初期产能影响因素

根据定向井投产数据，应用灰色关联法找出影响油井初期比采油指数的影响因素。灰色关联分析是指对一个系统发展变化态势的定量描述和比较的方法 [1] ，设其母数列为X0 = {X0(i)|I = 1, 2, …, n}，对比数列为X_j = {X_j(i)|I = 1, 2, …, n} (j = 1, 2, …, m)，其中n为井数，m为参数个数ρ为分辨系数，通常取0.5。则X_j(i)与X0(i)的关联系数ξ可表示为：

${\xi }_j\left(i\right)=\frac{Mi{n}_{j}Mi{n}_i{\Delta }_j\left(i\right)+\rho Ma{x}_{j}Ma{x}_i{\Delta }_j\left(i\right)}{{\Delta }_j\left(i\right)+\rho Ma{x}_{j}Ma{x}_i{\Delta }_j}$ (1)

Table 2. Basic data table of production interval of development well in Bozhong C oilfield

表2. 渤中C油田开发井投产层段基础数据表

Table 3. Specific oil recovery index of development wells and correlation of various parameters in Bozhong C oilfield

表3. 渤中C油田开发井比采油指数与各参数关联系数表

依据开发井初期产能影响因素，选取油田开发井投产层段基础数据表(表2)作为比较数列，求出比采油指数与各参数的灰色关联度。计算结果见表3，计算结果表明对比采油指数影响较大的主要参数为：电阻率、地层流度、渗透率。

3.2. 地层流度

渗透率是反映储集层物性最重要的参数 [6] [7] ，根据定向井产能公式可知，油井产量与储层渗透率成正比，与原油粘度成反比。渤中C油田DST测试结果表明，地层流度是影响产能的主要因素。

3.3. 层间干扰因素

Figure 3. Relation between oil production intensity and perforation thickness of single well in Bozhong C oilfield

图3. 渤中C油田单井采油强度与射孔厚度的关系

渤中C油田生产井射孔井段长，合采层数多，层间干扰大，从渤中C油田单井采油强度与射孔厚度的关系(图3)中可以看出，射孔厚度大于35 m后，随着射孔厚度的增加，采油强度反而下降，表明层间干扰对初期产能影响，使得采油强度下降。

3.4. 地层电阻率和含油饱和度

地层电阻率和含油饱和度既是评价油藏石油地质储量、储集层油相渗流能力的重要参数，即含油饱和度越高、油相渗流能力越强。油田测试资料表明，含油饱和度越大，油井产能(比采油指数)也越高(见图4)。

Figure 4. Relation between product of resistivity and oil saturation and specific oil production index

图4. 电阻率与含油饱和度乘积与比采油指数关系图

4. 多层合采定向井初期产能预测方法及对比

不同的产能评价预测方法适应不同时期勘探开发，探井DST测试比采油指数法主要应用区块开发初期，能够满足ODP对区块产能总体认识，为开发规模、投资和排采工艺等提供依据；开发井产能综合指数法适用开发初期开展试验区或部分开发井区投产，对后继开发井的产能预测评价，可以提高单井初期产能预测的准确率，为下步开发方案实施提供依据；智能算法机器学习法是近年随着大数据的应用，新出现的产能预测方法，预测的准确率主要受样本数量和算法优化的影响，样本数量越多，预测结果越准确。

4.1. 探井DST测试比采油指数预测法

渤中C油田开发井投产前，根据投产厚度和生产压差预测出生产井的初期产能，油井初期产能计算公式如下：

$Qo=\alpha \times \beta \times \gamma \times Jo\times \Delta P\times h$ (2)

式中，α为层间干扰系数，β为测试时间校正系数，γ为表皮校正系数，Jo为推荐比采油指数m³/(MPa.d.m)，h为油井射孔有效厚度m； $\Delta P$ 为油井生产压差Mpa。

考虑了层间干扰和测试时间的影响，根据生产井合采层数和单层厚度等确定层间干扰系数0.3~0.7，测试时间校正系数0.6，预测16口井，有50%的井预测产能误差在20%以内，结果物性好的井预测产量偏低，物性差的井预测产量偏高(见图5)。

Figure 5. Comparison between initial production and actual production predicted by the DST recommended ratio oil recovery index

图5. 探井DST推荐比采油指数预测初期产量与实际产量对比图

4.2. 生产井综合产能指数预测法

渤中C油田定向井投产初期产能与预测有较大差异，主要是因为油层厚度、渗透率和层间干扰系数等因素引起。根据投产井的初期实际生产数据，利用实际比采油指数与投产层参数的相关关系进行预测，参考影响因素分析结果，结合油藏工程理论，确定复合参数(R*K)/(μ*Vk)作为特征参数值，电阻率R和渗透率k为生产层的厚度加权平均值、Vk为投产层渗透率变异系数，μ为地层原油粘度，预测模型相关系数较高(R²为0.9606)，预测14口井初期产量(以预测产量误差在20%以内为准)单井预测符合率为71%，如新投产A40井预测产量为332 m³/d，实际投产初期日产油324.5 m³/d，误差为3% (图6)。

Figure 6. Relationship between comprehensive flow coefficient and specific oil recovery index of producing wells

图6. 生产井综合流动系数与比采油指数关系图

4.3. 机器学习预测方法

本次机器学习应用随机森林算法，是一种个体学习器全部为决策树的同质集成学习器 [8] [9] [10] 。随机森林模型由多棵决策树模型组成，在进行预测时，由多棵决策树进行联合预测，精度较高 [11] [12] [13] [14] [15] 。机器学习计算结果对日产油影响因素进行排序，依次为：电阻率、渗透率、含烃饱和度、生产厚度、泥质含量和孔隙度等。

考虑了油田开发井投产层段基础数据的影响，预测28口井(图7)，有53%的井预测产能误差在20%以内，93%的井预测产能误差在30%以内，结果表明机器学习预测法具有较高的准确率。

Figure 7. Machine learning yield prediction results

图7. 机器学习产量预测结果

5. 结论与认识

1) 影响油井初期产能的主要因素包括电阻率、地层流度以及渗透率，且电阻率、地层流度以及渗透率均与比采油指数呈正比。

2) 探井DST测试比采油指数法适用于开发初期，可满足ODP对产能认识需要；开发井产能综合指数法建立复合参数产能预测模型，可以提高单井初期产能的预测精度；在学习数据样本足够的前提下，机器学习法可以考虑更多初期产能影响因素，能够更快捷、智能地达到较好的预测效果，提高预测精度。

3) 油井初期产能的准确预测可以减小开发风险，定向井多层合采初期产能受到多种因素的影响，通过C油田实例应用，可以利用大数据收集同一区域油藏地质特征相同的定向井投产初期产能数据，作为学习样本，通过优化机器学习算法建立一套适合海上油气田油井初期产能预测的新方法，为提高单井初期产能预测准确率提供可靠的科学依据。

基金项目

中国海油十四五重大专项“海上深层/超深层油气勘探地质作业关键技术研究”(KJGG2022-0405)；中海油能源发展股份有限公司重大科研专项(课题)“深层深井地层压力预测监测技术研究”(HFKJ-ZX-GJ-2023-05-01)。

NOTES

^*通讯作者。