大數據分析技術在采油廠油藏開發中的應用淺析

劉馨

摘要：大數據分析技術應用已經遍布商業、醫療、教育等各個行業，圍繞已經進入雙特高開發階段的采油廠的信息化建設現狀與深化應用需求，通過對單井產量預測、套損影響因素分析、注水方案優化調整等油藏研究與開發管理領域的大數據分析技術的實際應用，聚焦實際問題，淺析解決辦法和取得的階段效果，總結算法經驗，并結合數智化采油廠建設，設想大數據分析技術在油田開發中的應用場景，為智能油藏的建設與實施提供解決方案設計參考，助力石油行業數字化轉型、智能化發展。

關鍵詞：大數據分析；數智油藏；測井解釋；注采優化

一、前言

油田單位為國家創造巨大物質財富的同時，積累了豐富的方法經驗和海量的油田開發數據資源。開發至今已進入特高含水后期，面臨著剩余油高度分散、低效無效循環和套損影響加劇、開發調整難度加大、工作量急劇攀升、降本增效、安全環保責任和壓力大等諸多困難和挑戰，決策科學化、管理扁平化、業務綜合化、數據集中化是目前信息化建設的發展趨勢[1]，如何利用信息化技術和海量數據成果實現高效轉型和發展，為油氣領域的發展注入新的活力[2]，是當前亟須解決的重大議題。

油氣藏在勘探開發及其研究與決策過程中，形成巨量的成果及數據，在現有海量化、多樣化的油田開發數據資源基礎上，通過大數據技術，對油田企業生產過程中產生的多元異構數據進行高效、動態處理，及時掌握油田生產的實際情況，及時對油田生產計劃進行調整，賦予數據資產更強的洞察力、決策力和流程優化能力，提高工作質效，實現對數據資產價值的有效挖掘，進而輔助開發生產決策，最大限度滿足油田生產的實際需要，已成為“十四五”及后續的重點攻關方向。大數據分析具有數據量大、速度快、種類多、價值高、真實性強等特點[3]。近年來，大數據分析技術的應用給油田經濟的發展帶來了機遇和挑戰，是目前油田生產中研究和分析的首要目標[4]?；诓捎蛷S應用需求，在單井產量預測、套損影響因素分析、注水方案優化調整等方面開展了大數據分析技術的應用探索，取得了階段成果，為油氣藏研究與決策人員提供全方位的數據處理與可靠決策，極大地提升了油氣藏的研究效率和決策質量[5]。

二、應用實例及效果淺析

（一）單井產量預測

采油單位分解年度產量任務計劃的工作稱之為配產，配產準確率是考量地質開發管控水平的重要指標，需要綜合研判包括靜態、動態、措施、監測等在內的多種資料，而目前單井產量遞減和含水預測主要依靠人工分析和不同軟件實現，尚無統一應用平臺，缺乏專家經驗的繼承性，工作效率較低，有必要運用大數據分析技術，提供精準數據，提升后期決策的精準性[6]，基于現有數據資源，建立不同含水階段、不同措施類型的單井產量遞減和含水預測模型，實現多維度的單井產量遞減和含水預測，支撐油井產量預測和配產工作的提質提效。

借助認知計算平臺試點項目，以采油廠水驅A區塊為例，梳理區塊基礎數據、單井基本信息、油藏基礎數據、單井儲層數據、單井月度生產數據、監測及井史數據作為業務數據，通過數據預處理，完成異常值和缺失值處理和數據歸一化轉換，并按照業務規則將各類業務數據進行清洗合并；通過人工打標簽的方式，完成特高含水后期不同措施類型單井樣本庫構建，形成能夠基本反映A區塊新、老井及措施井單井產量和含水變化規律的樣本知識庫；選取坐標、地層壓力、有效厚度、射開、產量、動液面等48項動靜態參數信息作為建模特征參數，通過相關性分析（見表1）和專家經驗相結合的方式，為老井、新井和措施井三類模型推薦最優特征參數組合進行建模；通過指標預測功能實現新井、老井和措施井產量快速預測。通過與實際產量對比，A區塊兩套層系平均月產偏差率在3.5%以下，效果較為理想。

（二）套損影響因素分析

套損井的出現不僅影響油田穩產基礎，還造成注采井網的不完善，給油田區塊的整體開發帶來不利影響，作為套損形勢嚴峻的采油廠，對套損的防控一直高度重視。然而由于套損成因復雜，包括井身、地質、生產開發及套管本身等幾大因素，而實際套損井中大多是以上多種因素共同作用的結果。業務人員無法通過某個因素判斷套管損壞與否，很多套損井都是滯后一段時間才發現的，更無法通過一個具體的函數表達式給出多個影響因素的關系，去預測預防套損的發生。為了有效預防套損發生，迫切需要運用大數據分析的手段設計實施套損影響因素分析流程（見圖1），有針對性地調整開發參數，達到降低套損發生概率的目的。

采用分類算法，基于井的動態、靜態及套損數據，構建套損分析預測模型，通過《油田開發數據分析共享平臺》提供的分類評估節點，來比較多種分類算法之間的分析性能，檢驗分類模型的準確性和可靠性，分類評估對分類器準確性能評估的指標非常多，概括起來有以下幾類：

（1）整體量化評價指標，包括：混淆矩陣、正確率、錯誤率等；

（2）每一類的評價指標，包括：精度（precision）、召回率（recall）、F1-Measure等；

（3）圖形化評價指標，包括：ROC曲線、PR曲線、lift曲線、Gains曲線、K-S圖，以及ROC面積、PR面積、基尼系數等。

通過對訓練集和召回集的評估，使用梯度提升決策樹算法對訓練集預測的平均準確率為86.37%，對1類型的平均準確率為96.36%，對0類型的平均準確率為86.13%。模型評估中測試集的平均準確率為86.19%，對1類型的平均準確率為92.56%，對0類型的平均準確率為86.02%，說明構建的模型已經具有一定的預測能力，其模型的變量重要性具有參考價值，因此最終選擇梯度提升決策樹分類算法進行套損井成因分析，從中篩選出關鍵影響因素。分析表明井注水量對井的套損情況影響最大，同時影響較大的因素來自連通井的注入和產出狀況，符合油藏認知。

（三）注水方案優化調整

受井網密度大、注采連通關系復雜以及人工分析工作量大、調整難度大等多種因素的影響，傳統的動態分析方法難以找準影響產量的關鍵注水井，也無法對調整結果進行提前預判分析。在當前“提質增效”的新形勢下，需要基于現有數據資源，運用大數據技術，通過數據挖掘精準找尋井間關聯關系，完善注采兩端最優化的配水決策方法，進一步發揮水驅對穩產的支撐作用。

選取A區塊小井距區和B區塊常規井距區作為研究對象，建立產量預測深度學習模型，動態決策井組影響產量的敏感水井以及最優注水量，形成以單井動態數據為基礎，以關聯注水井和敏感注水井精準判別為核心的大數據注水方案技術，并在此基礎上，持續創新發展大數據決策調整技術，形成了由單井到層段的可量化、可優化的注水方案優化設計方法，最終形成以產油最大化為目標的注水優化調整大數據分析技術流程，實現注水井調整由人工經驗分析向智能化分析轉變。

從應用效果看，2019年某區應用大數據決策結果實施調整，跟蹤調整18井次，增油降水效果明顯，2020年，在該區域擴大應用規模，實施調整120井次，增油降水效果顯著。2021年以來，通過不斷完善運用大數據優化決策技術，不斷擴大試驗區域，已累計在以307口油井為中心的36個細化區域開展推廣應用，推廣范圍覆蓋GTZ油層不同井距的復雜注采關系井區，均取得了較好的應用效果，例如：在ZQXB_GTZ區域運用大數據調整方法，調整注水井120井次，日增注水量156方，且連通的93口未措施采油井增油降水效果明顯，日增油約在15t，含水下降0.27個百分點；在B1QDD_GTZ區域運用大數據調整方法，調整注水井132井次，日增注水量可達529方，從吸水剖面資料上看，吸水厚度比例上升5.0個百分點，改善幅度較大，且連通的134口未措施采油井增油降水效果顯著，日增油可達26t，含水下降0.2個百分點。

基于大數據人工智能技術形成的注水層段優化調整技術，分析全過程智能化，快速決策出由井到層段的增油降水方案，效率提高10倍以上，社會效益更加顯著可作為油田開發決策非常有力的拓展和補充，有效應用于油田的生產優化工作，為油田帶來顯著的經濟效益。

（四）測試剖面預測

對注入水驅替方向、剩余油分布層位判別的主要動態監測資料是吸水剖面和產液剖面，通過兩大剖面解釋成果可以了解地下不同油層的吸水、產油及含水狀況，分析儲層動用現狀，識別油層低效無效循環、高含水部位、剩余油層位、層間竄流等問題。然而隨著井數不斷增加，受測試條件和成本限制，無法做到“井井測、時時測”，大數據智能吸水剖面預測勢在必行。

選取實測資料相對豐富、注采關系比較完善、且近10年未有大型注采系統調整的非套損區A作為研究區域，通過對地質、動靜態及監測數據的有效利用，結合數據驅動求解滲流方程和物質平衡方程技術，構建預測模型，找出封堵、措施、井間連通關系、層間壓力干擾等吸水量主控因素，實現吸水剖面的預測。就目前預測結果看，符合率仍然偏低，模型構建和訓練方面仍需優化。

三、應用場景設想

在能源互聯網中，數據的分布尤為廣泛，涉及的領域眾多[7]，采油廠基于油藏業務領域已經開展了多項大數據分析技術的探索應用，對海量數據進行有效處理、分析以及整合，最大程度挖掘數據信息的價值，提高數據處理的工作效率，節省時間，保證數據處理的及時性，分析結果的新鮮度[8]，取得了階段成果。面向“數字化轉型、智能化發展”需求，以數據指導油田生產的智能化發展目標，是當前油田企業降本增效的重要途徑[9]。加強信息化建設是時代發展的必然要求，以大數據分析技術為代表的新興信息化技術在油田開發中的應用空間仍然非常廣闊，能夠促進企業信息化建設能力得到大幅度提升，為企業帶來新的發展契機[10]。

（一）智能測井解釋

基于測井、巖心、地質、動態等信息的多維數據分析和認知計算技術研究，開展大工區、協同化、多資料輔助測井曲線解釋，在現有厚度解釋標準的基礎上，實現厚度劃分、水淹層識別、孔滲飽物性參數及界限、斷點、沉積相信息的智能識別，提高軟件一次識別精度。

（二）智能儲層預測

基于沉積單元級構造圖對微幅度構造自動識別，通過大數據+人工智能深度學習技術，探索井震結合河道砂體精準識別與刻畫方法，實現滲透率、巖石力學特征、剩余油飽和度等儲層參數的精準、快速預測及沉積微相自動預測，解決沒有井點區域或井間河道砂體的精準預測精度不高、技術適應性弱、效率低的問題；通過業務所需數據自動準備、研究任務按工作流聯動、模型智能動態更新，解決目前精描工作崗位劃分細、技術人員業務單一、工作量不均衡、操作周期長等問題。

（三）智能數值模擬

攻關基于機器學習的智能數據分析方法、智能化不確定參數分析與擬合技術，形成智能數據推送及成果自動維護更新、多軟件成果規范化、歸一化、動態化管理方法，形成智能數模成果管控與應用技術，實現智能輔助歷史擬合，提高歷史擬合效率、單井歷史擬合符合率。

（四）優化鉆關運行

依托動態、靜態、監測等資料，利用大數據分析模型、深度學習等人工智能技術，攻關鉆井過程中對鉆關區的自動分析研判，實現關井井位智能優選、關井時間自動優化、鉆關影響及鉆關恢復情況智能預測，輔助分析產量波動變化原因、總結規律認識，有效降低鉆關對產量的影響，提高油田管理水平，確保油田開發生產的平穩運行。

（五）智能開發管理

將生產數據、油藏工程方法、大數據技術有機結合，構建油藏開發調整過程中的智能管理閉環：問題預警——診斷分析——方案優化——派單實施——跟蹤評價，依托統一的數據資源和應用服務資源，構建業務協同工作環境，打通業務和應用壁壘，實現油藏工程一體化方案聯合審查、自動分析預警、智能診斷研判、及時動態調整、精準跟蹤評價，通過智能化手段來實現精準挖潛及降本增效，以智能化驅動油田高質量可持續發展。

四、結語

面臨著提質增效、剩余油高度分散、無效循環和套損影響加劇、開發調整難度加大等諸多挑戰，通過大數據技術，挖掘數據資產潛在價值，借智引力，推進數字化轉型、智能化發展是助力采油廠高質量發展的重要引擎和關鍵舉措，油田開發數據資源具有海量、高增長率和多樣化的特點，應用大數據分析技術挖掘這些復雜信息的有用價值，研究前景十分廣闊

大數據分析技術在采油廠油藏開發中的應用實例表明，運用大數據分析技術，具有傳統手段不可比擬的先進性、科學性和合理性，能夠輔助油田開發調整工作的有序推進，但在技術應用中需要注意以下兩點：一是要持續提升數據資產質量。數據質量是大數據決策分析的基礎，前期的數據融合治理、決策參數的選擇、決策方向的制定決定了決策結果的精準度；二是要結合區塊特征構建模型。深度學習方法建立后，并不是通用于整個油田每一個區塊的，要根據區塊的實際特點、發育特征，增減限制參數，優化計算方法，不斷完善優化建模技術。

參考文獻

[1]薛茹.數據挖掘技術在油田中的應用[J].微型電腦應用，2018，34（05）：26-28.

[2]郭華，范月娟.數據挖掘及其發展探析[J].中國新通信，2018，20（09）：79-80.

[3]劉慈.大數據分析技術在油田生產中的應用研究[J].信息系統工程，2023，No.351（03）：91-93.

[4]張乃文.油田生產中大數據分析技術的研究[J].化學工程與裝備，2019（01）：27+41.

[5]王娟，梁立星，武璠，等.數據挖掘技術在數字化油氣藏研究與決策中的應用[J].鉆采工藝，2018，41（03）：107-109.

[6]李英杰.基于大數據分析技術及其運用的研究[J].北京印刷學院學報，2021，29（08）：149-151.

[7]李士琦.能源互聯網大數據分析技術的研究[J].數碼世界，2017（06）：100.

[8]張娜，武瑛，章玲，等.試析大數據在油田信息化建設中的應用[J].信息系統工程，2021（09）：124-126.

[9]孫曉萍.大數據分析技術在油田生產中的應用研究[J].中國管理信息化，2019，22（09）：171-172.

[10]趙文紅.淺談大數據技術在油田信息化建設中的應用[J].中國管理信息化，2020，23（18）：82-83.