閆正和

(中海石油(中國)有限公司深圳分公司，廣東 深圳 518000)

0 引 言

海上氣田群聯(lián)合開發(fā)中，各氣田生產(chǎn)的天然氣利用海底管道在平臺或終端匯合，進入生產(chǎn)處理流程，脫碳達標后為下游供氣。由于下游對天然氣的需求隨季節(jié)、經(jīng)濟等因素變化，通過天然氣田氣井配產(chǎn)調整，實現(xiàn)氣田調峰成為天然氣供給中的重要課題[1-4]。目前，氣田調峰配產(chǎn)主要依靠經(jīng)驗方法進行調節(jié)，主觀性較強，尤其在海上氣田群聯(lián)合開發(fā)中，往往很難平衡各個區(qū)塊、氣井的開發(fā)狀況，整體開發(fā)效益不高[5-11]。以數(shù)值模擬技術為基礎，以氣田生產(chǎn)系統(tǒng)為對象，采用智能優(yōu)化算法實現(xiàn)氣田群各區(qū)塊、氣井最優(yōu)化配產(chǎn)設計是智能氣田建設的重要內(nèi)容[12-15]。但海上氣田井距大、井數(shù)少，靜態(tài)資料匱乏且品質不高，造成地質模型準確度較低，基于數(shù)值模擬的氣田產(chǎn)能預測存在較大的不確定性，因此，將數(shù)據(jù)同化和氣井配產(chǎn)優(yōu)化相結合的一體化閉環(huán)優(yōu)化方法成為海上智能氣田開發(fā)的新方向[16]。以數(shù)字油氣田建設為依托，利用集合卡爾曼濾波(EnKF)數(shù)據(jù)同化方法，結合氣田群生產(chǎn)動態(tài)數(shù)據(jù)，反復校正氣田地質模型參數(shù)，降低模型不確定性，并以更新后的氣田模型為基礎，以各氣田最終累計產(chǎn)氣量為目標，綜合利用粒子群最優(yōu)化算法(PSO)和氣藏數(shù)值模擬技術開展多約束下的單井配產(chǎn)優(yōu)化。將該研究應用于南海東部番禺35氣田群，實現(xiàn)了海上氣田群聯(lián)合開發(fā)的氣田調峰及氣井配產(chǎn)方案自動優(yōu)化設計。

1 海上氣田群氣井一體化閉環(huán)配產(chǎn)思路

海上氣田群氣井一體化閉環(huán)優(yōu)化配產(chǎn)管理主要包括氣田群各氣藏基于數(shù)據(jù)同化方法的自動歷史擬合和基于最優(yōu)化算法的各氣藏氣井優(yōu)化配產(chǎn)2個階段。首先以氣田群生產(chǎn)系統(tǒng)作為研究對象，利用基于數(shù)據(jù)同化的自動歷史擬合方法修正氣藏地質模型，降低地質模型的不確定性；然后以更新后的各氣藏地質模型為基礎，基于數(shù)值模擬技術和最優(yōu)化算法進行氣田群聯(lián)合開發(fā)配產(chǎn)優(yōu)化，確定滿足各約束條件下的氣田群最優(yōu)工作制度，同時伴隨氣田群配產(chǎn)制度的改變，利用新的生產(chǎn)數(shù)據(jù)實時更新各氣藏地質模型，再重新進行氣田群氣井配產(chǎn)優(yōu)化過程，隨著優(yōu)化過程的不斷進行，最終實現(xiàn)整個氣田群開發(fā)生產(chǎn)效益的最大化。

2 基于數(shù)據(jù)同化的氣藏自動歷史擬合

數(shù)據(jù)同化方法采用目前應用最為廣泛的集合卡爾曼濾波方法。集合卡爾曼濾波方法是基于Monte Carlo模擬的卡爾曼濾波方法[17-18]，其采用樣本協(xié)方差作為協(xié)方差的近似，在油氣藏工程等較大規(guī)模的數(shù)據(jù)同化擬合中大幅提高了計算效率。通過該方法進行實時數(shù)據(jù)驅動的氣田群自動生產(chǎn)歷史擬合，即在獲取一定時間段的生產(chǎn)歷史數(shù)據(jù)后，采用集合卡爾曼濾波方法對各氣藏地質模型中的不確定性參數(shù)進行校正。

集合卡爾曼濾波方法計算具體步驟如下：首先，根據(jù)已有的硬數(shù)據(jù)或物理場信息，利用統(tǒng)計方法生成若干氣藏地質模型。然后，設定待擬合參數(shù)(滲透率等)，通過計算各模型的卡爾曼增益對設定參數(shù)進行更新，同時也對狀態(tài)向量(飽和度、壓力)進行更新。在利用新的參數(shù)進行下一步計算之前，需要將當前計算得到的飽和度場和壓力場進行更新，即修改下一步計算的初始狀態(tài)。以此類推，直至完成目前所有觀測數(shù)據(jù)的同化，最終獲得的各氣藏地質模型可作為最終結果，最大程度地真實反演地下儲層的物性和流體信息。

3 基于數(shù)值模擬的氣井配產(chǎn)優(yōu)化算法

氣田配產(chǎn)優(yōu)化是在單井、井組、平臺及外輸能力等約束條件下，通過合理配置各氣藏氣井產(chǎn)氣量，實現(xiàn)經(jīng)濟或技術指標的最大化。目前大多數(shù)研究均著眼于單個氣田，使用氣藏數(shù)值模擬方法建立單井配產(chǎn)與最終累計產(chǎn)氣量、凈現(xiàn)值等之間的關系，并借助智能優(yōu)化算法開展配產(chǎn)優(yōu)化[19]。此次研究結合粒子群智能優(yōu)化算法，利用數(shù)值模擬方法研究多個氣田組成的氣田群配產(chǎn)優(yōu)化。

粒子群優(yōu)化算法通過群體中個體之間的協(xié)作和信息共享來尋找最優(yōu)解[20]，初始化的粒子種群在迭代演化中不斷更新其在可行解空間的位置和速度以搜尋最優(yōu)解方案，粒子群算法流程框架如圖1所示。

圖1 粒子群優(yōu)化算法流程圖

4 海上氣田群閉環(huán)優(yōu)化配產(chǎn)計算流程

結合氣藏數(shù)值模擬技術及最優(yōu)化智能算法的海上氣田群閉環(huán)優(yōu)化配產(chǎn)計算流程為：①基于先驗信息生成1組初始氣田群地質模型；②將新獲取的某時間段內(nèi)(可以是1周、1個月等)的生產(chǎn)數(shù)據(jù)導入氣藏地質模型，通過EnKF將計算得到的狀態(tài)數(shù)據(jù)與對應的實際監(jiān)測數(shù)據(jù)進行數(shù)據(jù)同化，對各氣藏數(shù)值模型進行自動擬合，降低各氣藏地質模型地質參數(shù)的不確定性；③以自動擬合后的各氣藏地質模型為基礎，利用PSO，并結合下游用氣需求及氣井、平臺、終端約束條件，進行氣田群配產(chǎn)優(yōu)化，確定當前條件下的最優(yōu)配產(chǎn)方案；④不斷重復步驟②、③，直至各氣田開發(fā)生產(chǎn)末期，各氣藏地質模型不確定性逐漸降低，獲得各階段氣田群氣井最優(yōu)配產(chǎn)方案。

5 應用實例

5.1 氣田群概況

南海東部番禺35氣田群由A、B、C、D 4個孤立的氣田組成，氣田間通過海底管道與平臺α、β及終端Φ連接，共同實現(xiàn)對下游的聯(lián)合供氣，其關系見圖2。

圖2 番禺35氣田群氣井、氣田、平臺、終端的連接關系

4個氣田分屬4個獨立的地質模型。該氣田群井數(shù)少、靜態(tài)資料較少，氣田地質模型存在較大的不確定性，且地質條件復雜、驅動類型多樣、單井地層物性差異大、海底管道直徑大小不一，目前氣田群協(xié)同程度低，聯(lián)合開發(fā)管理難度大。同時，由于下游供氣需求不斷變化，氣田群需進行周期性調峰生產(chǎn)，頻繁調峰降產(chǎn)制約了氣田整體開發(fā)效果。

目前該氣田群已經(jīng)實現(xiàn)了開發(fā)監(jiān)測數(shù)字化，各氣井的實時生產(chǎn)情況均已匯總到中心管理平臺。依托數(shù)字氣田的基礎，利用生產(chǎn)動態(tài)數(shù)據(jù)不斷校正各氣田地質模型參數(shù)，降低模型不確定性，獲得更準確的氣田開發(fā)預測模型，并以此為基礎開展多約束下的氣井配產(chǎn)優(yōu)化。

5.2 各氣田地質模型自動歷史擬合

建立多氣田一體化管理平臺，加載4個氣田的數(shù)值模擬模型。各氣田模型網(wǎng)格數(shù)、流體模型等均不相同，網(wǎng)格邊長為10～20 m，分別采用ECLIPSE軟件的E100、E300模塊進行模擬。由于4個數(shù)值模擬模型計算時間差異較大，為了在擬合及優(yōu)化過程中同步完成，針對不同氣田模型選擇了不同的并行加速設置，確保每個算例計算時間接近，且均能在10 min內(nèi)計算完成。各氣田模型的基本情況見表1。

表1 各氣田數(shù)值模擬模型基本情況

在各氣田模型模擬完成后，平臺自動讀取計算結果，并傳遞給自動歷史擬合及自動配產(chǎn)優(yōu)化模塊。平臺自動讀取各井井口的監(jiān)測數(shù)據(jù)，在數(shù)據(jù)累積達到1 a后，觸發(fā)自動歷史擬合模塊，利用當年的新生產(chǎn)數(shù)據(jù)對模型進行校正。在擬合研究中，將各氣井的井口壓力作為控制條件，擬合各井的日產(chǎn)氣量和日產(chǎn)水量。根據(jù)前期地質分析及歷史擬合經(jīng)驗，選擇不確定性較大且對模擬結果敏感性較高的參數(shù)作為自動歷史擬合調整參數(shù)進行試算，包括孔隙度乘子Mp、滲透率乘子Mk、垂向滲透率比值ηz、初始氣水界面的毛管力pc、水體倍數(shù)Vw。各參數(shù)的變動范圍根據(jù)地質背景和測井解釋數(shù)據(jù)進行確定，表2為A氣田模型中不確定性參數(shù)及取值范圍。

表2 A氣田待擬合參數(shù)的取值范圍

在使用EnKF進行歷史擬合過程中，各氣田模型均設置20個實現(xiàn)。圖3為擬合過程中4個氣田實際日產(chǎn)氣與所有實現(xiàn)日產(chǎn)氣的對比。由圖3可知：隨著數(shù)據(jù)同化的進行，各實現(xiàn)的計算結果逐漸向真實結果靠攏，其中，A氣田生產(chǎn)歷史最長，數(shù)據(jù)同化次數(shù)最多；開發(fā)后期所有預測模型基本均收斂至實際生產(chǎn)曲線上，即數(shù)值模擬模型的計算結果與實際生產(chǎn)數(shù)據(jù)基本一致，表明模型已具備很高的預測精度。

圖3 各氣田EnKF擬合曲線收斂過程

在擬合過程中，5類待調整參數(shù)逐漸收斂，其中，A氣田參數(shù)收斂情況見圖4。由圖4可知：A氣田地質模型的孔隙度乘子、滲透率乘子、水體倍數(shù)收斂速度較快，說明其敏感性較高；氣水界面上毛管力和垂向滲透率比例收斂速度一般，說明其敏感性相對較低。

圖4 A氣田不確定性參數(shù)的收斂過程

當由數(shù)據(jù)驅動的模型自動完成調整后，即可獲得當前信息下最可靠的氣藏模型集合。為了預測各氣田未來的開發(fā)規(guī)律，選擇5類參數(shù)收斂后各實現(xiàn)的平均值組成平均模型，將該模型作為預測模型進行產(chǎn)量預測。

5.3 氣田群氣井配產(chǎn)優(yōu)化

當氣田群配產(chǎn)需求發(fā)生變化時，可由前述預測模型開展配產(chǎn)智能優(yōu)化研究。假設下游總供氣需求QT為95×104m3/d，需要分攤到4個氣田共9口井。為合理分配采氣量，使整個氣田群的最終累計產(chǎn)氣量達到最大，采用PSO算法對各井配產(chǎn)進行優(yōu)化，優(yōu)化變量為各井的日產(chǎn)氣量Qi(m3/d)，約束條件為：

(1)

同時，結合氣藏工程經(jīng)驗，對單井日產(chǎn)氣量設置界限，即Qi應為5～30 m3/d。優(yōu)化目標為采用該配產(chǎn)持續(xù)生產(chǎn)10 a(或氣藏廢棄)時的氣田群累計產(chǎn)氣量，該值通過數(shù)值模擬的方式獲得，即分別模擬各氣田的生產(chǎn)狀況，預測單個氣田的累計產(chǎn)氣量，通過自動化方法將其累加得到氣田群累計產(chǎn)氣量。開展單個氣田數(shù)值模擬時，井口壓力最低為7 MPa，當日產(chǎn)氣小于1×104m3/d或水氣比超過0.001 m3/m3時關井。

采用PSO算法優(yōu)化各氣井配產(chǎn)時，初始設置60個粒子，迭代演化20次后，各粒子對應的目標函數(shù)(累計產(chǎn)氣量)變化情況如圖5所示。由圖5可知：演化第1次時累計產(chǎn)氣量為14.0×108～18.0×108m3；隨著迭代次數(shù)不斷增大，最佳方案的累計產(chǎn)氣量持續(xù)升高，至第16次后保持穩(wěn)定，取最大值19.1×108m3作為最佳方案的累計產(chǎn)氣量。

圖5 各粒子目標函數(shù)演化情況

在優(yōu)化完成后，最佳方案的單井配產(chǎn)即可作為實際的配產(chǎn)依據(jù)，該配產(chǎn)即為當前數(shù)據(jù)基礎下最佳的配產(chǎn)方案。在該供氣需求下，采用傳統(tǒng)人為配產(chǎn)技術得到的開發(fā)預測結果見圖6。由圖6可知，智能優(yōu)化方案10 a累計產(chǎn)氣量為19.1×108m3，人為配產(chǎn)方案10 a累計產(chǎn)氣量為18.3×108m3，提高了4.2%，優(yōu)化效果明顯。

圖6 智能優(yōu)化方案與人工配產(chǎn)方案開發(fā)預測效果對比

6 結論和建議

(1) 在南海東部海上氣田一體化管理平臺基礎上，結合集合卡爾曼濾波數(shù)據(jù)同化方法，建立的氣田群地質模型自動更新技術能不斷同化實時生產(chǎn)數(shù)據(jù)，調整各氣田不確定性參數(shù)，有效提高各氣田模型預測的準確性。

(2) 以數(shù)據(jù)同化校正后的氣田群地質模型為基礎，采用粒子群算法，以最大化各氣藏累計產(chǎn)氣量為目標，建立了一種有效的多氣田聯(lián)合配產(chǎn)優(yōu)化方法，在番禺35氣田群配產(chǎn)優(yōu)化實踐中，智能優(yōu)化算法較人工配產(chǎn)方法，累計產(chǎn)氣量可提高4.2%。

(3) 該研究實現(xiàn)了以氣田群最終產(chǎn)氣量最大為目標，滿足下游客戶用氣需求變化的快速合理配產(chǎn)方法，后續(xù)將系統(tǒng)升級為實時反應系統(tǒng)后，即可實現(xiàn)氣田配產(chǎn)的自動優(yōu)化、調整，提高了氣藏開發(fā)的數(shù)字化程度。