基于大數據分析的海上多層油田精細開發實踐
——以渤海L 油田為例

姜立富，徐中波，張 章，李 冰，孟云濤

（中海石油（中國）有限公司天津分公司渤海石油研究院，天津 300459）

1 概述

L 油田位于渤海中部，為巖性-構造層狀油藏，縱向上儲層數較多，可達40 余個小層，由于長期大段合采合注，注采矛盾突出[1]。油田開發面臨的突出 問題包括：部分油井產液受限、平面產液結構不均衡，壓力保持狀況差、層間壓力差異大，局部井網不完善、水驅動用不均衡等[2-3]。隨著老區注水開發工作加重和綜合調整新平臺快速上產，亟需利用已有數據分析油田開發狀況，研究油田開發規律，以指導油井解堵、分層調配、完善井網等精細開發工作。但由于開發時間長、油水井數多、層間干擾大，油田開發規律復雜，傳統數據分析手段已難以滿足實際工作需求。大數據技術具有數據處理量大、處理速度快和方法靈活多樣等特點，目前在油田開發中已經廣泛應用。韓書婷等[4]指出了大數據在智能油田應用中面臨的安全隱患及對策，劉珍[5]通過對大數據環境下油藏經營管理系統研究實現了對油藏經營大數據的快速并行分析，高翔等[6]利用大數據挖掘技術和算法優選完成了不停機間抽工作制度優化，賈德利等[7]使用數據驅動和機器學習算法提出了一套大數據驅動下的精細注水方案優化方法。

結合L 油田開發工作需求，基于數據平臺建設和大數據程序開發，充分利用地質油藏、測井、動態、測試等方面積累的大量數據，進行全面、準確、高效的計算分析，挖掘數據內部規律，從而指導油田精細開發工作，達到提高油田開發效果的目的。

2 L 油田精細開發大數據應用

數據平臺建設是大數據開發的基礎，目前油田常用的數據平臺包括Access、Oracle、Sybase、SQL Server 等，其中SQL Server 是微軟公司推出的大型數據庫管理系統，基于成熟而強大的關系模型和客戶機/服務器模式，能夠滿足各種類型數據的使用需求[8]。L 油田建立了企業級SQL Server 數據平臺，涵蓋了各專業常用數據，采用標準化數據結構設計，實現了數據的高效調取和處理。在數據平臺的支撐下，通過python 程序開發，引入大數據處理技術，在油井產液規律分析與解堵提液、注水狀況綜合分析與優化注水、優勢產能區域分析與井位優化等方面均取得了較好的應用效果。

2.1 油井產液規律分析與解堵提液

產液結構不均衡和大量油井產液下降是L 油田開發中面臨的一個很嚴重的問題[9]，針對這個問題需要對油井產液能力和相關參數進行相關性分析，進而更高效地做好解堵提液措施井的優選工作。借助大數據多因素相關性分析技術，完成了油井日產液與含水率、流壓、壓差、靜壓等主要影響因素的分布統計和相關性分析（圖1）。圖中左上角至右下角連線上的圖為對應參數的分布規律，其他橫縱坐標交叉點的圖為兩個參數間的相關性規律。針對油井產液狀況，從圖中可以看到兩方面問題：①日產液量方面，左上角油井日產液分布表現出一個長尾形類似正態分布的特征，曲線均值偏左表明油井產液量普遍偏低，橫向曲線跨度大表明單井產液量差異大、產液結構不均衡，特別是曲線左側低液量區域有一定數據分布，說明部分油井處于低液狀態；②壓差因素方面，從第四列圖中可以看到在大壓差數據區有大量低液量、高含水數據點，表明部分油井在高含水階段、大壓差生產的情況下仍然處于低液狀態。

利用大數據技術進一步透視分析主要因素的影響狀況。首先對產液結構進行分析，得到不同區塊油井產液能力分布（圖2）。由圖2 可以看出各區塊的產液峰值基本分布在200～300 m3/d，代表了L 油田目前油藏和井筒條件下的平均單井產液水平，而各區塊峰值左側均有一定低液量數據區，表明該部分油井產液能力偏低，是后續解堵增油措施優選的重點，而峰值右側高液量區表明該部分油井產出能力強，代表區塊油井產液能力的提升目標，區塊提液改善開發效果的體現就是整體產液數據分布狀態向高數據區移動。利用數據透視進一步對不同產液能力油井的產液模式進行對比（圖3）。由圖3 可以看出油井產液量一般有四種狀態：①始終低液。產液量始終不高，該部分井低液的主要原因是鉆完井污染，影響了油井的初期產能；②快速下降。有一定高液量數據區，但大部分數據是低液的，該部分井表現為生產過程中產液量快速下降的特征，主要原因是大壓差生產過程中儲層微粒運移堵塞，導致產能降低；③解堵提液。數據呈多段式分布，即解堵前液量低，解堵后產能提高、液量增大，代表措施改善油井產能的效果；④高液上升。該部分油井初期即具有一定產液能力，后期可逐漸提液生產，代表了油井正常生產情況下的產液規律。

對于生產壓差，L 油田在實際生產中觀察到大量大壓差低液量油井，以及隨著提頻增大生產壓差油井液量下降的情況。通過對日產液與壓差、日產液變化率與壓差變化率數據進行統計分析（圖4），可以看出油田油井目前生產壓差普遍大于5.0 MPa，且日產液量低于200 m3的生產數據多集中于大壓差油井；在壓差變化率是正數（即增大壓差）的過程中，部分油井出現產液變化率是負數（即產液下降）的情況，分析表明大壓差導致微粒運移，從而堵塞儲層影響油井產液能力，導致產液量降低。

圖1 L 油田油井產液能力相關性分析

圖2 L 油田各區塊油井產液能力分布

圖3 L 油田不同油井產液模式

圖4 L 油田日產液（日產液變化率）與壓差（壓差變化率）關系

針對油井產液能力受限的問題，結合上述大數 據分析結果，通過優選措施井位和嘗試新的解堵工 藝開展了油井產能恢復的研究工作，一方面通過產液狀況分析篩選出具有一定潛力的低液井（部分始終低液井與快速下降井）進行解堵，改善生產效果；另一方面通過合理控制油井生產壓差，減緩儲層堵塞對油井產液能力的影響。借助大數據完成效果統計并生成可視化雷達圖（圖5），將措施前后的油井生產狀況進行對比，可以看出解堵后油井整體增液、增油、提升流壓的效果明顯。在該方法指導下，油田優選并實施措施51 井次，整體產液能力提高了5.0%。

圖5 L 油田油井解堵措施前后效果對比

2.2 注水狀況綜合分析與優化注水

在L 油田注水開發的過程中，長期大段合注合采導致平面及縱向壓力不均衡現象突出。以C15-C10-C12ST1 井區為例（圖6a），該井區3 口注水井井口注入量差異較大，每口注水井均存在縱向吸水不均的問題，導致該井區平面井組間地層壓力差異超過1.2 MPa，縱向層間壓力差異超過3.0 MPa，嚴重影響井區開發效果。

通過大數據技術，調用該井區儲層物性、注采動態、PLT、壓力測試等數據，完成細化至單井和縱向層位的注水量劈分計算，實現了井區注水狀況可視化分析（圖6b）。圖6b 左側為3 口注水井，右側為井區縱向注水層位，連接條帶代表注采連通關系，條帶寬度代表階段注水量的大小。由圖可以看出井區注水不均衡問題突出，平面上C15 井總注入量最大，縱向上L50 層總注入量最大（注水量主要來自C15 井），而L90-L110 層整體注水不足，特別是C12ST1 井在L90-L110 層欠注嚴重，需要補充注水。

圖6 L 油田C15-C10-C12ST1 井區井位與注水狀況分析

通過上述平面與縱向注水狀況分析，針對注水不均的問題，采取多種措施結合的方式進行優化注水工作：對超注的L50 層進行注水井分層調配，限 制注水量；對欠注的L90-L110 層分段酸化增注并增加2 口注水井，重點補充虧壓井組和層位的注水量。措施實施半年后，平面與縱向壓力差異分別下降了0.5 MPa 和1.2 MPa。按照上述思路，在L 油田進行推廣，推動分層調配、注水井分段酸化等優化注水措施30 井次，提高了水驅開發效果，油田產能整體自然遞減率下降了3.5%。

2.3 優勢產能區域分析與井位優化

針對局部井網不完善、水驅動用不均衡的問題，L 油田不斷加強調整井與開發井實施力度，每年新增數十口新井以實現穩產上產。隨著油田進入中高含水期，多層合注合采后剩余油分布復雜，在新井井位優化方面，常規方法工作量大、經驗與精細度依賴性高。通過結合油藏大數據體構建和機器學習方法[10-11]（圖7），可以實現優勢產能區域可視化分析，更高效地篩選出潛力高產井位，指導油田井位優化工作。

上述方法具體步驟為：①可視化大數據體構建。利用已鉆井的測井數據、生產動態和測試數據，通過差值方法建立包括有效厚度、滲透率、地層壓力、含油飽和度等產能相關參數的大數據體（圖8），數據體通過數據點的方式形成代表數字化油藏參數的數據集合。②油井產能機器學習模型建立與訓練。整理實際井產能及相關參數數據，形成機器學習訓練集與評估集，利用python 中的sklearn 模塊，通過算法優選和訓練調試，建立L 油田油井產能評估模型，評估數據集驗證表明該模型產能判別準確率超過90.0%。③高產井位篩選。將油田大數據體導入機器學習模型，對數據體內每個數據點進行掃描計算，評估該位置處油井的產能并形成可視化成果圖（圖9a），從圖中可以明顯的看出高產潛力井所在的優勢區域。該方法源自實際生產數據，更加匹配油田開發現狀，并具有更高的工作效率和更好的可視化效果，對比表明上述方法的結果與常規數模方法及油藏動態認識基本一致（圖9b），已在優勢高產區實施的5 口油井日產量也比周邊老井平均高30 m3。結合油田層系與井網設計，通過在高產井潛力區域部署油井，以及在儲層發育且連通狀況較好，但由于高含水導致的低潛力區域部署注水井，該方法已支持完成油田井位優化20 口，進一步完善了注采結構，提高了目標區塊水驅儲量動用程度8.0%。

圖7 基于大數據體與機器學習的井位優化方法流程

圖8 L 油田N 區井位優化大數據體可視化效果

圖9 L 油田N 區機器學習法高產潛力區（左）與數模剩余儲量（右）對比

3 結論

（1）結合數據平臺建設和大數據技術開發，已完成L 油田開發數據的高效分析和應用，實現了復雜生產規律下的開發規律挖掘，并指導措施優化以達到提高精細開發效果的目的。

（2）基于油井生產數據參數相關性及透視分析，進行油井產液規律研究，可實現油田解堵措施井位優選及措施效果評價，保障油井產液能力。

（3）通過多專業數據綜合計算分析，完成平面與縱向注水狀況分析，推動油田優化注水工作，可明顯改善地層壓力，減緩油田產能自然遞減。

（4）結合油藏大數據體構建和機器學習方法，篩選優勢產能區域，指導井位優化，可進一步完善油田注采結構，改善水驅儲量動用狀況。