稠油井智能轉周分析技術研究及應用

楊耀忠，趙洪濤，馬承杰，岳 龍，趙 峰，張繼慶

（1.中國石化勝利油田分公司信息化管理中心，山東東營 257000；2.中國石化勝利油田分公司石油開發中心，山東東營 257000）

稠油油藏約占全世界已發現石油資源的2/3。由于稠油的黏度高、流動性差，造成稠油開采難度大，對開發技術要求高，目前熱力開采依然是稠油開發的主要方式［1-4］。勝利油田探明熱采稠油儲量為6.8×108t，已動用5.5×108t，近年來稠油年產量平均為440×104t，約占油田總產量的1/5，是油田增儲上產的主陣地之一。經過多年的開發，勝利油田稠油油藏普遍進入高輪次吞吐階段，周期產量和油汽比逐輪次下降，開發效果逐漸變差。相比水驅開發，稠油井產能相對較高，但稠油注汽轉周的措施費用和運行成本較高。對于注汽轉周時機的確定與優化是影響稠油油藏效益開發的關鍵，主要通過兩種方法實現：一種是基于油藏數值模擬方法預測蒸汽吞吐周期產量［5-6］，結合動態經濟評價，確定最佳稠油注汽轉周時機，該方法需要通過CMG 等軟件模擬與生產實際聯動，技術要求高，難以大規模礦場應用；另一種方法是通過人工經驗進行稠油注汽轉周周期的確定，依賴于技術人員的水平，大多數稠油井的產量和效益難以達到預期指標。隨著大數據和人工智能技術的進步，通過對稠油井智能轉周分析技術的研究，探索解決稠油開發生產中的稠油注汽轉周措施方案編制周期長、稠油注汽轉周時機不準、措施增油效果不佳等問題的方法。以勝利油田勝科采油管理區稠油井為例，建立大數據模型樣本庫，采用神經網絡技術預測稠油井產量和效益，通過分析稠油注汽轉周井影響產量和完全成本的因素，預測稠油注汽轉周井的產量和效益。經過2021 年近1 a 的應用，共注汽轉周165 口井次，比2020 年同期措施有效增油率提升了約17%，提高了稠油注汽轉周措施方案的編制效率和開發效益。

1 神經網絡算法優選

以神經網絡為代表的人工智能算法具有自學習能力、復雜分類功能和聯想記憶功能等優點，在油井產量預測中有著廣泛的應用［7-10］。通過對稠油注汽轉周預測的算法進行研究，結合各種神經網絡算法的特點，優選適合稠油注汽轉周井預測的神經網絡算法。

1.1 梯度提升回歸算法

梯度提升回歸（GBDT）算法是一種迭代的決策樹算法，通過構造特征刻畫序列的周期和趨勢效應，利用Boosting 方式得到回歸結果。研究證明某些情況下其預測效果優于傳統時序預測方法，適用于預測小區級別的天粒度、小時粒度的短期流量數據。

1.2 自回歸差分移動平均模型算法

自回歸差分移動平均模型（ARIMA）算法是在平穩的時間序列基礎上建立起來的，適合預測短周期的流量數據。將非平穩時間序列轉化為平穩時間序列，然后將因變量僅對它的滯后值以及隨機誤差項的現值和滯后值進行回歸建立模型。

在建立稠油注汽轉周預測模型時，所采用的數據是跨年度、月度和日度的海量數據。如果直接基于GBDT 和ARIMA 算法構建預測模型，則會由于時間粒度周期短和時間周期記憶不穩定等問題，導致稠油井周期數據無法正常學習，難以精準預測稠油井產量和完全成本。

1.3 長短時記憶神經網絡

長短時記憶（LSTM）神經網絡是一種改進的循環（RNN）神經網絡，它能夠保存數據樣本間的順序關系，即每一次決策都參考了上一次的狀態。通過學習歷史數據趨勢，預測未來的發展趨勢。

LSTM 神經網絡既能較好解決RNN 神經網絡梯度消失問題，又能提高多元時間序列的建模能力。因此，采用LSTM 神經網絡對數據中的特征進行挖掘和學習，能夠得到比較理想的稠油注汽轉周預測模型。主要步驟包括：①對所選數據集進行相關性分析，并建立數據模型樣本庫。②通過選取部分稠油井數據作為訓練集和驗證集來進行交叉驗證，并保留一部分測試數據對數據模型進行評價。③在選取多區塊稠油井數據進行交叉驗證時，出現對于低產量的稠油注汽轉周井預測準確率不高的問題，采取對產量和完全成本等異常數據進行篩選和刪除的方法，優化生產時間和注汽周期等相關參數，完善稠油注汽轉周預測模型。

2 數據處理與稠油注汽轉周預測模型構建

提取稠油井各周期的生產參數，對數據進行樣本標定，利用大數據技術，建立稠油注汽轉周預測模型，該模型包含產量預測和完全成本預測兩個功能。根據稠油井的注汽及生產情況，預測未來30 d的生產情況；結合產量和完全成本，篩選出未來30 d從產量和完全成本角度需要稠油注汽轉周的井，并按稠油注汽轉周時間的緊迫性分級預警。

2.1 數據選取

收集試點區塊400余口稠油注汽轉周井的生產數據，共計5 300 余輪次，83 萬余條結構化數據。原始數據為日度數據的形式，特征個數為70，通過累積產液量、注汽量、生產時間、排量和井口溫度等數據項進行較為全面的因素分析。

區別以往只依賴專家經驗對獲取的特征參數進行分析，利用相關性分析、專家經驗和實際預測效果比較相結合，選取適合大數據模型訓練的稠油注汽轉周井的23萬條生產數據作為特征樣本數據。

采用Pearson（皮爾遜）相關系數矩陣，排除人為選取參數的干擾，以稠油井靜、動態歷史參數為基礎，通過相關系數量化各參數對注汽周期內產量的影響程度［9］，確定新的影響因素，為本區塊稠油井的后續稠油注汽轉周預測模型的制定提供參考。

Pearson 相關系數用來衡量兩個數據集合是否在一條直線上，從而判斷定距變量間的線性關系。相關系數的絕對值越大，相關性越強。相關性強度判斷標準為：［0，0.2］為極弱相關或無相關，（0.2，0.4］為弱相關，（0.4，0.6］為中等程度相關，（0.6，0.8］為強相關，（0.8，1］為極強相關。據此計算各參數與產量和完全成本的相關系數，確定相關性。

2.2 產量和完全成本相關性分析

將稠油井產量和完全成本業務字段作為主要目標值，將累積產液量、注汽量、生產時間、排量和井口溫度等作為產量的相關業務字段，將生產時間、泵深、沖次、沖程、日產液量、日產油量和井口溫度等作為完全成本的相關業務字段，分別計算Pear?son 和Spearman 相關系數。對稠油井動、靜態數據表的業務字段進行篩選，計算它們與產量和完全成本的業務相關性。

2.2.1 產量相關性分析

首先，通過Pearson 相關系數矩陣分析，識別影響參數，再與專家經驗和實際預測效果相對比，選取適合大數據模型訓練的特征參數。分析45 個參數的相關系數計算結果，從中選取相關系數絕對值大于等于0.016 的參數作為產量的訓練輸入特征，即累積產液量、注汽量、井口溫度、注汽干度、燜井時間、生產時間、排量和回壓等13個參數（圖1）。

圖1 產量主要影響參數相關性計算結果Fig.1 Correlation calculation results of main influencing factors of production

2.2.2 完全成本相關性分析

在產量數據分析的基礎上，選擇5 口井對其進行完全成本相關性分析。通過將業務相關數據代入到Pearson 和Spearman 相關系數計算模型中進行相關性分析，分析相關系數計算結果，選取相關系數為0.07～0.43 的作為完全成本的訓練輸入特征，相關性參數包括：生產時間、泵深、沖程、沖次、回壓、含水率、上行電流、下行電流、耗電量、井口溫度、日產液量和日產油量共12個參數（圖2）。

圖2 完全成本主要影響參數相關性計算結果Fig.2 Correlation calculation results of main influencing factors of full cost

2.3 樣本及數據質量分析

2.3.1 樣本質量分析

蒸汽吞吐稠油井一個周期內分為排水期、高峰期、穩產期和遞減期4 個階段［11-12］。排水期的產量較低，含水率較高；高峰期，產量較高，達到峰值，含水率迅速下降；穩產期，生產周期較長，產量和含水率基本平穩，該階段是保證油井整體效益的根本；由于前期消耗導致地層壓力虧空，遞減期的動液面下降較快，產量降低較快。這4個階段的產量呈現不同的特征，需要對樣本數據進行相應處理。

區別以往人工樣本標定，對23萬條稠油注汽轉周井的生產數據實現樣本自動分割和標定，即按時間序列自動識別每口井遞減階段，并提取成樣本，每一周期數據為一個樣本。因稠油井生產時間長，產量隨著注汽轉周措施的實施而波動，因此每口稠油井樣本不適合直接作為訓練樣本進行輸入，需要將每口井的歷史生產數據進行樣本標定，將1 口井標定為多個樣本，形成最終的訓練數據（圖3）。

圖3 CQC128-P14-0井訓練樣本集1Fig.3 Training sample set1 of Well CQC128-P14-0

為準確預測日度生產情況，對周期樣本進行二次樣本標定，即以各個周期為界限，每20 個數據為一個樣本，進行迭代樣本標定（圖4）。

圖4 周期樣本二次標定Fig.4 Secondary calibration of cycle samples

2.3.2 數據預處理和數據質量分析

數據預處理主要包括：①數據清洗。主要是剔除原始數據集中的重復數據，平滑噪聲數據，處理缺失值和異常值等。②數據集成。將多個數據源中的數據結合起來并統一存儲。③數據變換。通過平滑聚集、數據概化和規范化等方式，將數據轉換成適用于數據挖掘的形式。④數據歸約。通過數據集成優化方式，不但能夠產生更小但保持原數據完整性的新數據集，而且能夠減少無效、錯誤數據，以及大幅縮減數據挖掘所需的時間、降低儲存數據的成本。

數據預處理一方面是要提高稠油注汽轉周井產量數據的質量，另一方面是要讓數據更好地適應稠油注汽轉周預測模型。在稠油注汽轉周產量樣本數據的處理過程中對試算井數據進行質量分析，對關井期間和排水期或其他原因導致的異常數據進行清理。如C-X425稠油井，通過對該井第1周期數據進行分析，找出生產周期內的返排水期異常數據以及下泵轉抽作業關井、停電以及上作業等導致的異常數據（圖5），進行數據清理和歸約，以確保樣本庫數據的準確性和可靠性。

圖5 C-X425稠油井第1周期數據預處理方法示意Fig.5 Schematic diagram of preprocessing method for firstcycle data of C-X425 heavy oil well

2.4 稠油注汽轉周預測模型構建

通過采用大數據人工智能技術進行多種算法測試，找到適合稠油注汽轉周規律的預測算法，再結合稠油注汽轉周的歷史產量數據和影響相關性的主要特征參數，構建稠油注汽轉周預測模型，從而準確預測稠油注汽轉周產量。

LSTM 神經網絡通過“門”結構實現信息的處理功能，使用sigmoid 函數和按位乘法的操作，經過遺忘門、輸入門、記憶門和輸出門的邏輯結構處理，對樣本庫標定數據進行計算，實現預測目標。“門”結構邏輯算法通過以下4步來實現（圖6）。

圖6 LSTM神經網絡的邏輯門結構示意Fig.6 Logic gate structure of LSTM neural network

第1 步，遺忘門。遺忘門的工作就是接受上一個單元模塊傳過來的輸出值，并決定要保留和遺忘哪個部分，在第t時間步記憶單元遺忘層的值ft的計算公式為：

第2 步，輸入門。輸入門的工作是根據上一次輸出和本次輸入來計算當前輸入的單元狀態，當第t時間步輸入的信息通過輸入門，在第t時間步記憶單元輸入層的值ot和隱藏層狀態的值ht的計算公式分別為：

第3 步，記憶門。記憶門的工作是用來控制是否將在第t時間步的數據并入單元狀態中的控制單位。記憶單元隱藏層狀態Ct在第t時間步的計算公式為：

第4 步，輸出門。輸出門的工作是決定有多少輸出信息可以傳遞到后面的神經網絡中。在第t時間步記憶單元輸出層的值it和最終記憶單元的輸出值的計算公式分別為：

2.5 預測模型應用效果

草4沙四區塊位于東營凹陷南斜坡東段樂安油田中區，是勝利油田勝科采油管理區所轄稠油區塊中油井數最多、產量最高的單元。探明石油地質儲量為670×104t，50 ℃地面脫氣原油黏度為1 000～26 000 mPa?s，屬于中高孔、中高滲透、具有弱邊水的層狀構造稠油油藏，開發方式主要為注氮氣輔助蒸汽吞吐開發。該單元于2005 年投產，2005 至2009 年為產能建設階段，累積投產新井80 口，階段累積產油量為42.2×104t，2009 至2012 年為穩產階段，階段累積產油量為75.7×104t，2012 至2019 年為產能逐漸遞減階段，2020 年該單元已有稠油井120口，年產油量為6×104t，占石油開發中心稠油產量的18.1%。目前由于該單元稠油井的平均注汽轉周達12輪次，地層壓力下降，含水率上升，措施效果逐漸變差，單元產量逐漸下降，開發難度加大。

通過選取2020 年1—10 月勝科采油管理區60口稠油井日度生產數據進行預測分析，識別影響樣本庫的相關性的主要參數，利用相關性分析、業務經驗和實際預測效果比較相結合，選取適合預測模型的生產數據，并在45個日度生產數據和注汽參數中優選出生產時間、泵深、排量、沖程、轉速、回壓、日產液量、含水率、電流和井口溫度等22 個參數作為測試相關性的主要參數。

將測試數據集和其對應的關鍵參數作為LSTM神經網絡的輸入樣本，并對稠油注汽轉周預測模型進行測試，獲得稠油井產量預測模型及月度完全成本預測模型，隨機抽取樣本的80%作為LSTM 神經網絡預測樣本庫模型，從而準確預測周期產量及完全成本。表1為勝科采油管理區稠油注汽轉周產量預測樣本庫，表2 為2021 年某月度勝科采油管理區完全成本預測樣本庫。

表1 勝科采油管理區稠油注汽轉周產量預測樣本庫Table1 Sample database of production prediction after steam injection cycle of heavy oil in Shengke oil production management area

表2 2021年某月度勝科采油管理區完全成本預測樣本庫Table2 Sample database of full cost prediction in a month of 2021 in Shengke oil production management area

2.6 稠油注汽轉周預測模型優化

系統根據源頭數據更新頻率對稠油井從產量和完全成本兩個維度進行稠油注汽轉周時機預測，為采油管理區相關技術人[員提供快捷的分析預測服務。采用2020 年1—10 月勝科采油管理區的稠油注汽轉周井數據進行預測分析，發現油井產量低于2 t 的預測準確率小于70%。通過對稠油注汽轉周預測模型的反復測試，確定影響稠油低產井預測準確率主要包括2 個因素：①異常數據點。②影響油井產量低于2 t的相關性參數。為此，對稠油注汽轉周預測模型進行優化，主要優化環節為輸入特征的優選和模型參數優選。輸入特征的優選主要包括增加或剔除特征值及特征融合，模型參數的優化主要是優化模型迭代次數、學習率及模型結構等。

按照稠油注汽轉周預測模型的優化流程（圖7），將2021 年1—10 月稠油注汽轉周的165 口井的數據通過剔除異常產量數據和優化影響油井產量低于2 t的相關性參數的方式進行進一步預測。

圖7 稠油注汽轉周預測模型優化流程Fig.7 Optimization process of predictive model for steam injection cycle of heavy oil

稠油注汽轉周預測模型經優化后，預測準確率明顯提升，例如C-X424 井第7 周期產量預測，模型優化前產量預測準確率僅為74%，對輸入特征參數重新進行優選后，準確率提升至96%（圖8）。

圖8 C-X424井第7周期產量預測結果對比Fig.8 Comparison of predicted seventh-cycle production from Well C-X424

3 應用實例

3.1 稠油井產量預測

用勝科采油管理區165口稠油井進行稠油注汽轉周預測模型的驗證，其中C-211 和C-X427 等116口稠油井產量預測準確率大于等于90%（圖9a，9b），占總井數的70%（圖9d）；C-X425等140口稠油井產量預測準確率大于等于80%（圖9c），占總井數的85%（圖9d）。

圖9 預測產量與實際產量對比Fig.9 Comparison between predicted production and actual production

3.2 稠油井完全成本預測

結合實際業務需求，通過對稠油井完全成本構成進行分析，確定模型構建方法和技術路線，按照稠油注汽轉周井的完全成本進行模型構建。

通過科目費用歸類及影響參數調整和模型優化，對165口稠油注汽轉周井進行完全成本預測，其中C-1 等140 口井的完全成本預測準確率大于80%（圖10），占總井數的70%。

圖10 C-1井完全成本預測Fig.10 Full cost prediction of Well C-1

3.3 稠油注汽轉周預測效果分析

稠油注汽轉周的產量和完全成本預測模型的應用效果主要體現在以下三點：①稠油注汽轉周措施方案的編制時間由原來3～5 d縮短到1～2 d。②通過對產量和完全成本的預測，可計算出稠油井的效益轉周有效期，提高了稠油注汽轉周措施有效率。③截至2021 年10 月，稠油注汽轉周井措施增油量為7×104t，2020年同期同區塊措施增油量為6×104t，措施增油量增加了1×104t，措施有效增油率提升約為17%。實踐證實，LSTM 神經網絡算法比較適合稠油井生產經營規律的預測分析，稠油注汽轉周預測模型可提升油藏經營的效益和效率。

4 結論

結合稠油注汽井周期性生產的特點，采用LSTM 神經網絡對稠油注汽轉周井的產量和完全成本進行智能預測，解決了稠油井計劃轉周順序和數量，以及注汽轉周措施方案的優選等難題。針對稠油注汽轉周預測模型構建中參數相關性分析和樣本篩選等難點，在相關系數矩陣計算分析中增加了注汽轉周相關性參數，更加完整地找出影響稠油井產量和完全成本變化的相關性參數，樣本數據篩選采用單周期和多周期樣本數據標定，確保了樣本數據的準確性。經過反復測試和迭代優化，提高了稠油注汽轉周預測模型的精準度和可靠性。首次將完全成本預測經營指標應用在油藏經營分析決策中，提高了采油管理區生產經營決策的科學性。通過2021年在勝科采油管理區應用，措施有效增油率提升約為17%，稠油注汽轉周井的措施方案編制效率提升了1倍。

符號解釋

bc——隱藏層中的常數；

bf——遺忘層中的常數；

bi——記憶單元中的常數；

b0——輸出層中常數；

Ct——記憶單元第t時間步隱藏層狀態；

ft——第t時間步記憶單元遺忘層的值；

ht——輸入層第t時間步記憶單元隱藏層狀態的值；

it——第t時間步記憶單元輸入層的值；

ot——第t時間步記憶單元輸入層的值；

t——隱藏層記憶單元的時間長度；

Uc——隱藏層中上一時間步輸出值對應的權重；

Uf——遺忘層中上一時間步輸出值對應的權重；

Ui——記憶單元中上一時間步輸出值對應的權重；

U0——輸出層中上一時間步輸出值對應的權重；

V0——輸出層中隱藏層狀態對應的權重；

Wc——隱藏層中輸入對應的權重；

Wf——遺忘層中輸入對應的權重；

Wi——記憶單元中輸入對應的權重；

W0——輸入層中輸入對應的權重；

xt——第t時間步時的輸入；

θc——隱藏層激活函數；

θf——遺忘層的激活函數；

θh——對隱藏層狀態值的激活函數；

θi——輸出層激活函數；

θ0——輸入層激活函數。