張 凱, 趙興剛, 張黎明, 張華清, 王浩臣,陳國棟, 趙孟杰, 姜云啟, 姚 軍

(1.中國石油大學(華東)石油工程學院,山東青島 266580; 2.中國石油大學(華東)理學院,山東青島 266580)

隨著人工智能等新一代信息技術的迅速發(fā)展以及油田開發(fā)技術需求的不斷提高,智能油田的發(fā)展日益受到關注和重視,智能油田技術已成為各大石油公司未來布局的重點研究領域,紛紛投入巨資研究、搶占技術制高點。智能油田的智能意味著油田是智能的個體,能夠“感知”“分析”“思考”和“決策”。面對開發(fā)過程中的動態(tài)分析、自動歷史擬合、開發(fā)方案優(yōu)化及提高采收率措施優(yōu)選等主要生產(chǎn)問題,能夠基于實時大數(shù)據(jù)“感知”油藏開發(fā)中的問題,利用先進的模型“分析”存在的問題,通過智能優(yōu)化方法“思考”最佳策略與方案,最終輔助油田工程師“決策”現(xiàn)場實施。因此理論方法是智能油田開發(fā)的核心。盡管近年來智能油田開發(fā)理論與方法發(fā)展迅速,但是目前研究仍多停留在對以往方法的改進,未形成體系化突破,整體上仍處于發(fā)展起步階段。針對油田大數(shù)據(jù)以及動態(tài)優(yōu)化策略的需求,目前該領域的研究主要集中在兩大領域:數(shù)據(jù)與油藏工程方法相融合的油田大數(shù)據(jù)分析理論,以及數(shù)據(jù)、模型與智能算法相融合的數(shù)據(jù)與模型雙驅動的智能優(yōu)化理論。筆者從智能油田的基本理念以及研究現(xiàn)狀入手,針對智能油田開發(fā)過程中存在的主要生產(chǎn)問題進行分析,瞄準兩大主要研究領域,對主流和前沿理論與方法分別進行闡述和分析,并對未來發(fā)展趨勢進行總結與探討。

1 智能油田的基本理念、開發(fā)特點及國內(nèi)外研究現(xiàn)狀

1.1 智能油田的基本理念

智能油田是在數(shù)字油田的基礎上,充分利用大數(shù)據(jù)、機器學習以及智能算法等新一代信息技術,使油田具備觀察(實時采集監(jiān)測數(shù)據(jù))、思考(大數(shù)據(jù)分析方法)、決策(機器學習及智能優(yōu)化方法)以及執(zhí)行(智能油氣井調(diào)控設備)的能力,智能油田技術基于全方位的互聯(lián)互通,有效整合油田運行的各個系統(tǒng)[1]。智能油田管理具有顯著的實時性:智能井設備實時收集井下工況以及壓力、溫度等數(shù)據(jù)并傳輸?shù)降孛?地面管理平臺實時分析數(shù)據(jù);機器學習及智能優(yōu)化方法實時優(yōu)化決策;控制系統(tǒng)實時反饋到智能井設備控制液流[2]。目前智能油田技術因其極快的分析速度、超常的穩(wěn)定性和遠高于人力的可重復性使得在地震解釋、鉆井決策、壓裂優(yōu)化、產(chǎn)量預測等石油工程領域得到廣泛的關注與應用。

1.2 智能油田開發(fā)的基本特點

智能油田涉及大量數(shù)據(jù)整合、分析、處理,面臨嚴峻考驗,大數(shù)據(jù)分析方法能夠融合多源數(shù)據(jù),分析油藏生產(chǎn)動態(tài)[3]。智能化平臺對油田數(shù)據(jù)進行采集形成數(shù)據(jù)倉庫并進行可視化展示和表達。目前智能油田大數(shù)據(jù)廣泛應用于異常井自動識別、異常井智能診斷、開關井計劃制定、油井清防蠟預測等方面?；谥悄苡吞锎髷?shù)據(jù)分析技術,油田管理能夠減輕對復雜物理模擬的依賴,構建一系列能夠快速反饋的機器學習模型。通過綜合應用數(shù)值模擬模型、機器學習模型、油藏工程簡化模型等多模型,以更簡潔的操作、更快的速度模擬、分析復雜油藏系統(tǒng)[4]。智能優(yōu)化理論方法能夠實時優(yōu)化生產(chǎn)開發(fā)方案,制定油田各項工程技術措施。結合智能油田大數(shù)據(jù)分析技術及方法,如構建代理模型代替計算耗時的數(shù)值模擬,智能算法能夠實現(xiàn)多目標魯棒優(yōu)化決策、復雜約束處理等工程難題的快速求解。隨著計算資源快速增加,以及大數(shù)據(jù)分析、機器學習方法、智能優(yōu)化算法等前沿理論方法的深度應用,構建具備全面感知、自動控制、預測趨勢、優(yōu)化決策等特點的智能油田具有強烈的現(xiàn)實意義。

1.3 智能油田技術的國內(nèi)外應用

目前國內(nèi)外頂尖石油公司開展智能油田建設已初見成效[5]。在國際上,貝克休斯(Baker Hughes)以Predix工業(yè)互聯(lián)網(wǎng)平臺為基礎,通過人工智能、云計算技術開發(fā)了油田開發(fā)管理系統(tǒng)。斯倫貝謝(Schlumberger)在微軟Azure云計算平臺上構建了勘驗開發(fā)認知環(huán)境。雪佛龍(Chevron)開發(fā)了油藏生產(chǎn)應用系統(tǒng),利用共享信息平臺整合各類生產(chǎn)數(shù)據(jù)[11]。哈里伯頓(Halliburton)聚焦邊緣計算、智能機器人等領域并應用到油氣勘探和生產(chǎn)開發(fā)中[11]。殼牌(Shell)在馬來西亞建成首批智能油氣田。道達爾(Total)與Google聯(lián)手率先將人工智能技術應用于油氣勘探開發(fā)地質(zhì)數(shù)據(jù)的處理分析[13]。在國內(nèi),中國石化基于物聯(lián)網(wǎng)、云計算等技術,推出油田勘探開發(fā)業(yè)務協(xié)同平臺和勘探開發(fā)云中心,并啟動了勝利海洋、中原普光、江漢涪陵、西北三廠等4家智能油氣田示范區(qū)建設。中國石油發(fā)布了國內(nèi)油氣行業(yè)首個“夢想云”智能云平臺并獲得斯倫貝謝、華為、微軟等多家企業(yè)技術支持,充分利用油氣生產(chǎn)物聯(lián)網(wǎng)系統(tǒng)、工程技術物聯(lián)網(wǎng)系統(tǒng)等技術加速推動數(shù)字化油田向智能油田的轉型;中海油致力于構建勘探開發(fā)協(xié)同工作環(huán)境和海陸協(xié)同工作體系,已經(jīng)啟動海上井口平臺智能化改造試點工作。

2 智能油田開發(fā)中的生產(chǎn)問題

2.1 生產(chǎn)動態(tài)分析

生產(chǎn)動態(tài)分析通過生產(chǎn)資料來分析各類注采信號的聯(lián)動響應關系,為井間連通性分析、剩余油分布預測、生產(chǎn)曲線預測等提供有力依據(jù),是油田進行注采關系優(yōu)化以及設計其他增產(chǎn)措施的前提和基礎。考慮儲層流體流動呈強非線性特征以及注采井之間互相干擾,生產(chǎn)動態(tài)分析是典型的多變量、非線性問題。傳統(tǒng)的油藏工程方法往往基于單井信號進行分析且未考慮其他注采信號的影響，導致計算精度難以得到保證。

近年來,人工神經(jīng)網(wǎng)絡、支持向量機和群體智能等機器學習方法在生產(chǎn)動態(tài)分析領域得到了廣泛的應用。Sun等[6]利用長短期記憶神經(jīng)網(wǎng)絡方法對油田產(chǎn)量進行預測,相比于傳統(tǒng)的遞減曲線分析方法在預測精度上得到了明顯的提高;蔡駿馳[7]利用基于粒子群優(yōu)化的最小二乘支持向量機方法對頁巖氣藏進行了產(chǎn)量預測應用,結果表明該方法具有良好的收斂性和預測精度;Balashov等[8]利用無監(jiān)督聚類的機器學習方法對油藏測井曲線進行分析,利用地層性質(zhì)與油井產(chǎn)量之間的關聯(lián)特性可以有效提高預測精度。

相比于傳統(tǒng)的油藏工程和數(shù)值模擬方法,機器學習方法具有以下優(yōu)勢:①數(shù)據(jù)驅動,無需復雜的物理建模過程,模型簡潔且具有更強的適用性;②更強的映射能力,能夠更加精準地反映生產(chǎn)數(shù)據(jù)之間的非線性響應關系;③更強的魯棒性,機器學習模型無需依賴專家經(jīng)驗能夠應用于相近的油藏數(shù)據(jù);④自我學習能力,模型通過梯度或無梯度方法自動更新參數(shù),能夠滿足油田生產(chǎn)不同階數(shù)據(jù)分析的需要。

2.2 自動歷史擬合

自動歷史擬合基于油藏數(shù)值模擬技術通過對生產(chǎn)歷史數(shù)據(jù)擬合修正油藏數(shù)值模型參數(shù),是進一步了解油藏地下流體分布、預測油藏生產(chǎn)動態(tài)以及進行油田開發(fā)方案評估的重要手段[9]。隨著油氣田開發(fā)智能化的不斷推進,生產(chǎn)決策對油藏數(shù)值模型的精度要求越來越高,另外儲層流動機制復雜、非線性強、數(shù)值模擬計算耗時,因此自動歷史擬合是一個高維、求解難度大、計算耗時長的反問題。通?；谪惾~斯概率推理框架建立歷史擬合目標函數(shù)為

(1)

式中,dobs為生產(chǎn)動態(tài)數(shù)據(jù);g為油藏數(shù)值模擬器;m為油藏模型參數(shù);g(m)為數(shù)值模擬參數(shù);CM和CD為模型參數(shù)的協(xié)方差矩陣;mpr為油藏模型先驗參數(shù)。

在過去的二十多年中已有大量文獻研究提高歷史擬合求解效率,包括基于集合的數(shù)據(jù)同化方法,如集合卡爾曼濾波[10]等,基于線性與高斯假設,求解高效收斂快速,但是難以解決強非線性問題;基于最小化的隨機類優(yōu)化方法[11],如隨機梯度近似算法、進化優(yōu)化等,結合矩陣分解方法求解更加靈活,對問題沒有作過多假設,但是收斂速度慢、計算耗時。近年來,機器學習領域的變革性突破為自動歷史擬合技術的更新?lián)Q代帶來了新的契機。張凱等[12]提出使用數(shù)據(jù)驅動的進化計算求解裂縫性油藏裂縫網(wǎng)絡反演,實現(xiàn)快速求解非線性自動歷史擬合問題。

2.3 注采關系優(yōu)化

自動歷史擬合獲得可靠油藏模型后需要進行注采關系優(yōu)化找出目前狀態(tài)下最優(yōu)注采調(diào)控方案,通過調(diào)整油水井注采參數(shù)改變地下流體分布狀態(tài),提高水驅波及系數(shù),從而最大化油藏開發(fā)經(jīng)濟效益[13]。通常將油藏視為一個復雜的動態(tài)系統(tǒng),以最大產(chǎn)油量或經(jīng)濟效益為目標建立注采關系優(yōu)化數(shù)學模型,不僅要考慮穩(wěn)油控水,還需要考慮單井生產(chǎn)界限(如最大、最小注采量)、區(qū)塊總注入量及單井含水率等工程約束。通常以凈現(xiàn)值(NPV)作為生產(chǎn)優(yōu)化性能指標得到簡化的目標函數(shù)表達式為

(2)

約束條件為

c(x)≤0,xl≤x≤xu.

式中,x為井控變量(如井底壓力或油水井流量);n為控制時間步數(shù);Qo,t、Qw,t和Qi,t分別為時間步t對應的產(chǎn)油、產(chǎn)水和注水速度,m3/d;ro、rw和ri分別為原油價格、水處理成本和注水成本,元/m3;b為平均年利率,%;pt為經(jīng)過的時間,a;c(x)為決策變量約束(如現(xiàn)場操作約束、物理約束等);xl和xu分別為下邊界和上邊界。

注采關系優(yōu)化求解算法可分為梯度優(yōu)化算法和無梯度算法,梯度類優(yōu)化方法如序列二次規(guī)劃等使用伴隨方法獲取梯度信息,收斂快速但容易陷入局部最優(yōu)且梯度獲取困難,而無梯度方法如隨機近似梯度算法[14]不需要使用伴隨方法。近年來,啟發(fā)式算法因其具有良好的全局性搜索能力廣受關注,但是收斂需要大量數(shù)值模擬調(diào)用次數(shù),計算昂貴。借助機器學習輔助進化計算等前沿技術,采用并行計算方法構建智能優(yōu)化體系是實現(xiàn)復雜油藏快速高效優(yōu)化的發(fā)展方向。

2.4 井網(wǎng)井位優(yōu)化

油田開發(fā)前期的設計和開發(fā)中后期的調(diào)整中均不可避免的涉及井網(wǎng)井位的部署。在過去的研究中,大量的進化算法、隨機算法等智能算法被用于解決井網(wǎng)井位優(yōu)化問題,通過合理配置井的數(shù)量、位置、形狀、類型、布井時機等參數(shù)使油田整體生產(chǎn)經(jīng)濟效益最大。通常,選取經(jīng)濟凈現(xiàn)值構建井網(wǎng)井位優(yōu)化數(shù)學模型,優(yōu)化變量包括井數(shù)、位置、時間等。井網(wǎng)優(yōu)化求解方法可劃分為解析方法、油藏數(shù)值模擬試驗和基于數(shù)值模擬技術的最優(yōu)化方法。李陽等[15]提出了矢量井網(wǎng)方法,可根據(jù)滲透率的性質(zhì)調(diào)整某個方向上的井距以達到均衡驅替的目的。Zhang等[16]使用非結構化網(wǎng)格剖分方法實現(xiàn)了在復雜油藏條件下生成大規(guī)模高質(zhì)量的三角形和四邊形自適應井網(wǎng)(圖1)。馮其紅等[17]建立了致密油多級壓裂水平井井網(wǎng)參數(shù)分級優(yōu)化數(shù)學模型提高尋優(yōu)效率。

圖1三角形和四邊形自適應井網(wǎng)優(yōu)化前后對比

井網(wǎng)井位優(yōu)化研究面臨復雜大規(guī)模油藏高維求解難題、離散變量優(yōu)化問題以及計算昂貴問題。筆者認為,借助于遷移學習、高效動態(tài)取樣、多任務學習等機器學習技術,研究智能算法或可促進井網(wǎng)井位優(yōu)化的進一步發(fā)展。

2.5 提高采收率措施優(yōu)化

通過向油層注入化學物質(zhì)、蒸汽、混相氣等,或采用生物技術、壓裂技術改變原油性質(zhì)或儲層性質(zhì)等提高采收率措施對于注水開發(fā)中后期油田具有重要意義。隨著機器學習技術的發(fā)展,人工神經(jīng)網(wǎng)絡、決策樹、數(shù)據(jù)挖掘等技術廣泛應用于提高采收率措施優(yōu)化。

在壓裂措施優(yōu)化領域,Chen等[18]使用較強映射能力的BP神經(jīng)網(wǎng)絡和概率神經(jīng)網(wǎng)絡預測人工壓裂裂縫和自然裂縫之間的相互作用模式,比傳統(tǒng)的回歸技術更好地捕捉被研究系統(tǒng)的非線性;在蒸汽驅優(yōu)化領域,Ersahin等[19]建立人工神經(jīng)網(wǎng)絡模型優(yōu)化循環(huán)注汽技術。在聚合物驅優(yōu)化領域,Sun等[20]使用粒子群優(yōu)化和人工神經(jīng)網(wǎng)絡方法對聚合物驅技術進行優(yōu)化,計算速度快且具有更高的魯棒性。目前提高采收率措施優(yōu)化研究面臨優(yōu)化參數(shù)的設計需要專家經(jīng)驗、問題非線性強、受多重因素影響等問題。

3 智能油田開發(fā)中的大數(shù)據(jù)與機器學習方法

3.1 數(shù)據(jù)特征與復雜關系

油田大數(shù)據(jù)具有數(shù)據(jù)量大、非結構數(shù)據(jù)、內(nèi)部關聯(lián)復雜等特點,數(shù)據(jù)分析處理技術旨在分析所收集的數(shù)據(jù)并確定其中影響相對應模型性能的關鍵因素?；跈C器學習方法的大數(shù)據(jù)分析與處理技術發(fā)展迅速,其中特征選擇和敏感性分析是兩個典型的有力工具。

特征選擇是從原始特征中選擇出一些最有效特征以降低數(shù)據(jù)集維度的過程,是提高學習算法性能的一個重要手段,也是模式識別中關鍵的數(shù)據(jù)預處理步驟[21]。對于油田開發(fā)中的任務,其采集到的數(shù)據(jù)中存在大量冗余特征。以井間連通性分析為例,日產(chǎn)液量與累積產(chǎn)液量等特征屬于冗余特征,利用特征選擇去除數(shù)據(jù)中與連通性分析的無關因素,不僅減少過擬合、提高模型泛化能力,還可以使模型獲得更好的解釋性,增強對特征和特征值之間的理解[22]。

敏感性分析是指從定量分析的角度研究相關因素發(fā)生變化時對某一個或一組關鍵指標影響程度[23]。在油田開發(fā)中敏感性分析通常用于選擇針對某一特定任務的主要影響因素或參數(shù)。如圖2所示,基于神經(jīng)網(wǎng)絡模型進行敏感性分析確定井間連通程度的結果,輸出節(jié)點對輸入節(jié)點的敏感性分析可用于分析生產(chǎn)井的產(chǎn)液量對注水井的注水量的敏感性,敏感系數(shù)小表明注水井對生產(chǎn)井貢獻小、連通程度差;敏感系數(shù)越大表明兩者之間關聯(lián)性越大、連通程度越好。

圖2 基于特征選擇和敏感性分析實現(xiàn)井間連通性分析

3.2 深度學習建模

深度學習建模是從數(shù)據(jù)樣本中學習從而生成符合樣本分布的新數(shù)據(jù),為油田開發(fā)中存在的諸多問題提供了新的解決思路。尤其是變分自編碼器[24](VAE)以及對抗神經(jīng)網(wǎng)絡[25](GAN)等深度學習模型在工程領域獲得廣泛關注。VAE模型結合變分概率推理方法與自動編碼器神經(jīng)網(wǎng)絡結構,能夠將高維數(shù)輸入壓縮成符合特定分布的低維連續(xù)變量。GAN模型由生成器和判別器組成,通過動態(tài)博弈過程最終達到納什均衡點,生成器能夠生成符合樣本數(shù)據(jù)分布的數(shù)據(jù)。

目前應用深度生成模型進行數(shù)字巖心重構以及自動歷史擬合等方面的研究已經(jīng)取得較大的進展?；诩系臄?shù)據(jù)同化方法依賴于高斯假設無法直接求解非高斯參數(shù)場反演問題,如復雜沉積相油藏歷史擬合,使用深度生成模型構建地質(zhì)相參數(shù)與潛在低維連續(xù)變量的映射進行地質(zhì)相的重參數(shù)化,可以解決復雜地質(zhì)相歷史擬合問題。

3.3 序列數(shù)據(jù)預測

序列數(shù)據(jù)分析是通過頻域或時域方法獲取數(shù)據(jù)的重要統(tǒng)計信息和其他特征,在統(tǒng)計學、模式識別等科學和工程領域有重要應用。時間序列數(shù)據(jù)是序列數(shù)據(jù)的一種,通?；谙惹坝^測數(shù)據(jù)通過相應模型產(chǎn)生未來的時間信號,是油田開發(fā)生產(chǎn)中序列數(shù)據(jù)分析中的重要內(nèi)容。時間序列數(shù)據(jù)具有數(shù)據(jù)量大、維度高、關聯(lián)性強等特點,觀測周期往往長達數(shù)月甚至數(shù)年,同一時間下可能觀測到大量樣本。這為時間序列數(shù)據(jù)的處理帶來了很大的困難,也使預測具有很強的不確定性。

通常處理時間序列預測問題的模型[26]有物理模型、統(tǒng)計模型以及人工神經(jīng)網(wǎng)絡模型等。油田開發(fā)中的時間序列數(shù)據(jù)由于油藏物性差異明顯使物理模型難以得到廣泛應用。此外,油田生產(chǎn)開發(fā)是一個不斷變化的動態(tài)過程,統(tǒng)計學方法難以實現(xiàn)模型的自適應更新。以人工神經(jīng)網(wǎng)絡為代表的機器學習模型能夠自動更新模型參數(shù),大大提高了預測能力的泛化性和魯棒性。如圖3所示,基于深度學習方法構建多層卷積神經(jīng)網(wǎng)絡能夠快速預測剩余油。

圖3 基于深度卷積神經(jīng)網(wǎng)絡的剩余油預測流程

3.4 知識遷移學習

遷移學習是將某個領域或任務上學習到的知識應用到不同但相關的領域或問題中。在油田開發(fā)中遷移學習可用于學習過往油田開發(fā)調(diào)控的經(jīng)驗為新油藏和開發(fā)的新階段設計最優(yōu)方案,其最大的優(yōu)勢在于通過借鑒以往油田開發(fā)的經(jīng)驗和實例提高新方案設計的準確性和效率。以注水開發(fā)油藏為例(圖4),根據(jù)遷移學習不同的實現(xiàn)方法可以分為以下3類:

(1)基于實例的遷移。從源域中挑選出對目標域訓練有用的實例[27],如圖4(a)所示,應用此類方法可以挑選出與目標井的地層參數(shù)、當前生產(chǎn)制度相似的已有案例,對這些案例進行學習和訓練,高效進行新井注采方案的設計。

(2)基于特征的遷移。通過找出源域與目標域之間共同的特征表示并利用這些特征進行知識遷移[28],如圖4(b)所示,面對已有方案中的海量數(shù)據(jù)應用此類方法可以將數(shù)據(jù)的特征對應起來,更好地利用源域已有的有標記數(shù)據(jù)樣本進行分類訓練。

(3)基于模型的遷移。將源域中訓練好的模型應用到目標域上進行預測,充分利用模型之間的相似性與關聯(lián)性[29],如圖4(c)所示,在油田開發(fā)中使用目標油藏過去某個時刻的已訓練模型,只需要對改變的有限參數(shù)進行訓練即可得到新的模型,快速完成開發(fā)預測工作。

圖4 遷移學習示意圖

4 智能油田開發(fā)中的優(yōu)化理論與方法

4.1 機器學習加速昂貴優(yōu)化

單次油藏數(shù)值模擬往往需要幾分鐘到數(shù)小時甚至數(shù)天,因此油田開發(fā)生產(chǎn)中的優(yōu)化問題是典型的昂貴優(yōu)化問題。完全依賴于數(shù)值模擬計算的傳統(tǒng)優(yōu)化方法計算效率低、難以快速收斂。近年來,機器學習代理模型輔助生產(chǎn)優(yōu)化方法廣受關注,使用代理模型代替優(yōu)化過程中部分油藏數(shù)值模擬計算大幅度提升計算資源利用效率從而加速優(yōu)化。Golzari等[30]提出了一種動態(tài)更新的人工神經(jīng)網(wǎng)絡方法并借助遺傳算法遞歸采樣解決生產(chǎn)優(yōu)化問題。Babaei等[31]對比了多種不同代理模型以及集成代理模型在解決多模型魯棒生產(chǎn)優(yōu)化問題時的效果。Chen等[32]提出使用全局加局部代理模型機器學習方法逼近油藏數(shù)值模擬(圖5),全局代理模型借助優(yōu)化求解器平滑局部最優(yōu)值,而局部代理模型在當前最優(yōu)解附近區(qū)域建立準確的近似模型加速優(yōu)化收斂。

圖5 基于全局加局部代理模型輔助的生產(chǎn)優(yōu)化方法

4.2 大規(guī)模協(xié)同優(yōu)化方法

實際油藏模型在優(yōu)化時井數(shù)多、時間步數(shù)多,是典型的大規(guī)模優(yōu)化問題,隨著問題規(guī)模增加,代理模型的精度將會顯著降低。協(xié)同優(yōu)化[33]是解決大規(guī)模優(yōu)化問題的有效方法,基于分而治之的思路,將一個大規(guī)模優(yōu)化問題分解成若干小的子問題,然后分別優(yōu)化各個子問題,同時優(yōu)化變量被分解成若干小的低維子變量,其基礎框架包括:大規(guī)模問題分解,將原始的大規(guī)模問題分解為一系列規(guī)模更小、更易求解的子問題;子問題群協(xié)同優(yōu)化,使用優(yōu)化算法協(xié)同地優(yōu)化子問題群,得到原問題的最優(yōu)解。

大規(guī)模問題分解需要滿足不破壞問題相關性且子問題與子問題之間無交互性或具有弱交互性[34]。對于大規(guī)模油藏生產(chǎn)優(yōu)化問題可以將原油藏分解為一系列流動單元,流動單元間無干涉或存在弱干涉作用。原始的大規(guī)模油藏優(yōu)化調(diào)控轉變?yōu)槎鄠€流動單元的協(xié)同調(diào)控,為每個流動單元構建相應的低維度代理模型,有效緩解維數(shù)災難問題。

圖6(a)為一個油藏實例的滲透率場與井位分布,可以看出該油藏油水井數(shù)多,對應生產(chǎn)優(yōu)化問題的調(diào)控難度大。圖6(b)為傳統(tǒng)進化算法、代理輔助進化算法以及基于分治策略的代理輔助進化算法在上述油藏問題上的優(yōu)化調(diào)控性能。傳統(tǒng)進化算法受到維數(shù)災難的影響算法收斂速度慢,而代理輔助方法能夠更加充分地利用數(shù)值模擬資源得到較優(yōu)的開發(fā)方案。得益于解空間規(guī)模的有效縮減,分治算法的收斂性能顯著優(yōu)于無分治算法得到更高經(jīng)濟效益的開發(fā)方案。對于包含有多個流動單元的大規(guī)模油藏生產(chǎn)優(yōu)化問題,分而治之算法提供了一種新的和行而有效的求解思路。

圖6 某油藏實例及其流動單元分組結果

4.3 多目標生產(chǎn)優(yōu)化

油藏生產(chǎn)優(yōu)化有效益、成本和風險等多種目標,這些目標可能潛在地相互沖突,決策者需要多個風險評估和資產(chǎn)管理的最優(yōu)權衡解決方案。比如在油藏生產(chǎn)開發(fā)過程中需要最大化長期經(jīng)濟效益、短期經(jīng)濟效益以及采收率,同時需要最小化注水量、產(chǎn)水量、開發(fā)風險等多個目標。多目標優(yōu)化通過權衡這些目標找到一組最優(yōu)方案即帕累托前沿,數(shù)學表達式為

(3)

式中,x為決策變量;f為目標函數(shù);m為目標函數(shù)個數(shù);X為可行域。

Liu等[35]首次將梯度法用來解決多目標魯棒生產(chǎn)優(yōu)化問題,然而梯度法需要明確變量函數(shù)關系并且算法效果極易受到Pareto前沿形狀和連續(xù)性的影響,致使優(yōu)化效果變差。與梯度算法不同,無梯度算法由于其良好的全局搜索性能廣受關注。Zhao等[36]和Zhang等[37]提出使用機器學習模型如高斯過程、分類器等輔助多目標優(yōu)化方法,在有限的計算資源下該策略可高效求解多目標優(yōu)化問題并成功應用于魯棒生產(chǎn)優(yōu)化問題。如何將技術前沿的機器學習模型嵌入到適配的多目標優(yōu)化算法形成精準高效的多目標生產(chǎn)優(yōu)化策略是未來研究多目標生產(chǎn)優(yōu)化的大趨勢。

4.4 復雜約束優(yōu)化

實際油藏生產(chǎn)優(yōu)化過程需要考慮多種約束條件以滿足優(yōu)化方案在現(xiàn)場的實用性,典型的約束條件包括一般線性邊界約束與強非線性狀態(tài)約束,邊界約束主要考慮控制變量為注采量和井底壓力的上下邊界,狀態(tài)約束為將數(shù)值模擬器的輸出結果作為約束條件加以限制[38]。油藏約束生產(chǎn)優(yōu)化為典型的強非線性、不等式多變量、多條件約束問題,且目標函數(shù)和約束條件均為計算耗時的昂貴求解問題。油藏約束生產(chǎn)優(yōu)化主要針對兩方面的難題進行處理:一方面是如何解決目標函數(shù)和約束條件計算耗時問題;另一方面是如何針對不同的約束條件提高約束優(yōu)化的效率。

基于伴隨梯度結合拉格朗日懲罰函數(shù)的方法是最常用的方法,通過獲取目標函數(shù)和約束條件的梯度信息并構建帶有約束項的新目標函數(shù)進行優(yōu)化,基于伴隨的方法需要編寫嵌入油藏數(shù)值模擬器的梯度讀取程序,這對于大部分商業(yè)數(shù)值模擬器是無法實現(xiàn)的。無導數(shù)優(yōu)化方法處理油田生產(chǎn)約束優(yōu)化問題[39]能夠通過隨機搜索可行解且無需侵入模擬器而具有顯著優(yōu)勢,但是通常需要耗費大量的計算資源。基于代理輔助的約束生產(chǎn)優(yōu)化方法被認為是目前效率較高以及普適性較好的一種方法[40]。針對目標函數(shù)以及約束條件分別構建代理模型,并利用約束技術進行模型的耦合求解,如圖7所示。

圖7 基于代理輔助的約束生產(chǎn)優(yōu)化方法

基于代理輔助的約束生產(chǎn)優(yōu)化方法目前研究相對較少,應從以下幾個方面展開研究:代理模型精度仍需要提高,尤其是非線性極強的油藏模型;提出高效的約束處理技術,多種約束條件的存在導致最優(yōu)解可能位于可行域邊界以及多個離散可行域等復雜情形;約束與計算成本共存導致問題難度大大增加,需要利用機器學習方法探索更加高效的處理方法。

4.5 多任務遷移優(yōu)化

多任務優(yōu)化即在油藏生產(chǎn)優(yōu)化過程中并行優(yōu)化多個模型,從多油藏模型中獲取知識進行模型間知識遷移,以提高每個油藏模型的優(yōu)化性能[29]。將傳統(tǒng)魯棒生產(chǎn)優(yōu)化方法中的多個模型看作多個任務,同時運行,建立油藏知識庫,打破數(shù)據(jù)孤島,實現(xiàn)油藏屬性的遷移學習以提高魯棒優(yōu)化性能同時使生產(chǎn)策略更優(yōu)。

石油工程領域內(nèi)知識遷移早有應用,比如油藏經(jīng)典經(jīng)驗公式、版圖的運用等。Gupta等[41]提出多任務MFEA算法,是優(yōu)化和進化計算領域的一種新范式。Bali等[42]改進MFEA算法并提出自適應遷移強度的MFEA-II算法。圖8為3個形狀、滲透率場不同但是其他性質(zhì)相同的單層油藏模型進行生產(chǎn)優(yōu)化的結果。結果表明,遷移算法的生產(chǎn)優(yōu)化結果顯著優(yōu)于無遷移算法,多任務間的知識遷移可以應用在油藏生產(chǎn)優(yōu)化中,后續(xù)研究中該方法將會繼續(xù)應用到井網(wǎng)井位、注采關系優(yōu)化。

圖8 多任務生產(chǎn)優(yōu)化實例結果

5 結束語

智能油田開發(fā)理論和方法涉及油藏工程、油田大數(shù)據(jù)、機器學習方法以及智能優(yōu)化算法等多領域多學科的交叉融合。目前研究在地震測井解釋、生產(chǎn)動態(tài)分析、油藏歷史擬合以及注采關系、井網(wǎng)井位、提高采收率措施優(yōu)化等油田生產(chǎn)開發(fā)關鍵環(huán)節(jié)取得了突破,近年來有加快發(fā)展趨勢。但是目前研究仍停留在對以往方法的改進,未形成體系化突破,整體上仍處于初步階段。要實現(xiàn)智能油田開發(fā)理論及方法的進一步深化研究,需要解決以下關鍵問題:①數(shù)據(jù)與油藏工程的交叉融合,構建完善的油田靜態(tài)、動態(tài)大數(shù)據(jù)分析理論體系,基于油田大數(shù)據(jù)特點,結合大數(shù)據(jù)研究領域前沿理論,立足油田開發(fā)中的油藏工程問題及方法,繼續(xù)深入研究油田靜態(tài)、動態(tài)數(shù)據(jù)分析方法,并形成完整的理論體系;②數(shù)據(jù)、模型與智能算法的交叉融合,構建數(shù)據(jù)驅動結合模型驅動加速智能算法的優(yōu)化理論體系,一方面綜合應用數(shù)據(jù)、油藏系統(tǒng)模型輔助優(yōu)化算法,整合數(shù)據(jù)驅動計算快速與模型驅動計算準確的優(yōu)勢,另一方面針對油田開發(fā)中的優(yōu)化問題存在非線性、高維、大規(guī)模、多約束多目標等特點,發(fā)展適用于油田開發(fā)工程問題的代理輔助優(yōu)化、遷移學習多任務優(yōu)化、分而治之協(xié)同優(yōu)化等智能優(yōu)化算法;③基于數(shù)據(jù)與物理規(guī)律融合形成復雜油藏系統(tǒng)模型精準構建和快速優(yōu)化是油田生產(chǎn)開發(fā)智能化的核心。發(fā)展至今,復雜油藏系統(tǒng)模型包括油藏數(shù)值模擬模型、降解模型、簡化模型、機器學習模型以及交叉模型等,研究不同場景綜合應用各種模型最大化提升模擬計算效率,在此基礎上對生產(chǎn)問題實現(xiàn)快速優(yōu)化。