YP2區塊水平井網井間示蹤劑產出影響因素分析及解釋模型

李 育，馬煥煥，張永飛，張金元，楊文博，李衛東，韓龍飛，呂 棟

(延長油田股份有限公司 勘探開發技術研究中心 工藝技術研究所，陜西 延安 716001)

延長油區內各類壓裂水平井的規模化應用，為延長千萬噸穩產做出了重要貢獻。由于儲層地質條件復雜，儲層常常伴有復雜多變的顯性及隱性天然裂縫，同時，水平井普遍采用體積壓裂開發模式，在儲層中形成體積縫網，導致在注水的過程中極易形成竄流通道，造成注水開發中后期水平井普遍水竄水淹，嚴重影響了生產能力。因此，在水平井注水開發的生產過程中，明確水平注采井網井間竄流通道及來水方向是生產制度制定、增產措施布置等穩油控水工作不可缺少的基礎。井間示蹤監測技術在直井井網的應用已十分廣泛，但在水平井注采井間的應用還缺乏相應理論與工程技術。井間示蹤劑主要分為三種類型：水溶性化學示蹤劑、醇類示蹤劑、染料類示蹤劑。由于醇類示蹤劑易受到細菌降解的影響，染料類易被儲層巖石吸附并分配到油相中，只能進行定性解釋判斷，難以實現定量解釋，因此油田上常用的示蹤劑主要屬于水溶性化學示蹤劑的溴化鈉、碘化鉀。宋岱鋒等學者通過示蹤劑現場試驗，確定了井間聯通性及竄流方向[1-11]，但無法對具體情況進行定量分析；楊建敏[12-20]等人建立的解釋模型無法對竄流通道情況進行定量表征，也無法為后期堵住提供依據。同時，前人對于示蹤劑的使用僅限于直井井網，且只能定性分析哪口井發生竄流，但對于水平井網存在多條竄流通道的定量表征研究很少見到。

通過對YP2區塊長6巖心分析及觀察，結合區域沉積背景、砂體展布、沉積體系、物源方向特點及各種相標志的綜合分析表明，區塊長61期為三角洲平原亞相沉積，主要沉積微相有分流河道、分流河道側翼及分流間灣。分析測試資料顯示，長61油藏儲層致密，平均有效孔隙度為5.6%～10.8%，空氣滲透率為0.25×10-3～3.17×10-3μm3，原始地層壓力為 5.8 MPa，壓力系數介于0.5～0.7，為典型低孔、特低滲、低壓的油藏，平均日產油 4 t/d、日產液 8.14 m3/d。該區塊水平井部署于直井井區，形成了不規則的水-直聯合井網。由于水平井都是采用體積壓裂開發，極易與周圍常規井形成多條竄流通道，導致水平井快速出現水竄水淹現象，但對于來水方向、竄流通道展布形態等參數都不明確，且采用的示蹤劑監測方法僅能定性分析無法定量。針對上述水平注采井網竄流通道識別與表征的工程難題，本文提出采用數值模擬手段分析水平井網井間示蹤劑產出影響因素，并對示蹤劑的產出濃度曲線進行分析，揭示井間竄流通道對示蹤劑產出濃度的影響規律。基于影響規律分析結果，采用B-P神經網絡算法建立井間示蹤劑解釋模型，為定量識別竄流通道方向及封堵劑用量提供依據，同時為水平井網注水開發發生水淹水竄提供解決方法。

1 基礎模型建立

利用數值模擬軟件建立水平井網的井間多向示蹤劑產出濃度數值模型，見圖1。模擬區塊油藏參數采用XX長6區塊平均值，具體如下：油藏滲透率為 0.95 mD、孔隙度為0.0847、含油飽和度為0.491、泥質含量24.3%、儲層厚度為 13.8 m、油藏頂部深度 550 m。

圖1 水平井網基礎模型

模擬基于水平井采油和直井注水的5點組合井網，水平段長度為 400 m。選取網格步長 2 m×2 m，縱向上分為1個網格，形成650×350×1的網格體系，X網格方向與最大主應力方向平行。水平井分4段壓裂，每段壓2簇，簇間距 12 m，人工裂縫半長為 100 m。采用EQ-LGR和等效裂縫導流能力的方法對基質-裂縫系統進行處理。本次模擬主要以I1井(左上角)作為示蹤劑的注入井進行數值模型，其具體注入參數見表1所示。

表1 示蹤劑注入參數設計表

2 井間示蹤產出影響因素及規律分析

影響井間示蹤劑產出濃度曲線的因素主要包括：示蹤劑注入濃度、竄流通道導流能力、后期注水速度、竄流通道厚度及儲層滲透率等10個因素。采用控制變量方法分別分析這10個因素對產出濃度曲線的影響。為方便表征對產出示蹤劑產出曲線的影響，采用示蹤劑曲線中的見劑時間、峰值大小、峰值時間等參數進行刻畫。

2.1 竄流通道突進系數

在其他參數保持不變的情況下，分別設置竄流通道導流能力為：2、4、8、12、16 D·cm，進而得到同一時刻不同導流能力竄流通道的示蹤劑運移云圖和產出濃度曲線(圖2)。由圖2看出，不同的突進系數主要導致示蹤劑產出濃度曲線的見劑時間、峰值大小、峰值時間及曲線斜率存在規律性的差異。隨著突進系數的增大，見劑時間變短、峰值增大、峰值時間變短、曲線斜率增大，具體參數如表2所示。

圖2 不同突進系數下的示蹤劑產出濃度曲線

2.2 竄流通道厚度

在注入示蹤劑后，不同的竄流通道厚度將嚴重影響注入水的流動速度與流量，對示蹤劑曲線的見劑時間與曲線峰值大小具有重大影響。因此分別模擬了通道厚度為8、11、14、17、20 m，模擬結果表明，由于竄流通道儲集空間的原因，可以明顯看出大厚度下示蹤劑在平面上的運移速度遠遠快于小厚度，且隨著通道厚度的增加，見劑時間變長、峰值減小、峰值時間變長、曲線斜率減小。

2.3 儲層滲透率

在注入示蹤劑后，不同儲層滲透率將嚴重影響注入水的波及體積，進而影響示蹤劑的擴散運移范圍，對見劑時間與曲線峰值大小具有重大影響。分別設置儲層滲透率分別為：0.55、0.75、0.95、1.15、1.35 mD，示蹤劑云圖顯示，由于儲層的高滲透率，造成示蹤劑向周圍擴散強度更大；因此，可以明顯看出儲層高滲透率下示蹤劑向水平井井底的運移速度略高于低滲透率。且隨著儲層滲透率的增加，見劑時間變長、峰值減小、峰值時間變長、曲線斜率減小。

2.4 后期注水速度

在注入示蹤劑后，后期注入水的速度決定著示蹤劑在竄流通道中的運移速度，對見劑時間與曲線峰值大小具有重大影響。分別設置后期注水速度分別為：5、10、15、20、25、30 m3/d。示蹤劑云圖顯示，隨著后期注水速度的加強，加速推進了示蹤劑的運移速度，并擴展了示蹤劑的波及面積，將會使得示蹤劑的累積產出量降低。且隨著儲層滲透率的增加，見劑時間變長、峰值減小、峰值時間變長、曲線斜率減小。

2.5 示蹤劑注入初始濃度

分別設置示蹤劑注入初始質量濃度為分別為：31.58、41.58、51.58、61.58、71.58 g/L。在保持示蹤劑注入總量不變的情況下，改變注入示蹤劑的初始濃度對后期示蹤劑的產出曲線影響很小，基本可以忽略，因此示蹤劑注入初始濃度對示蹤劑產出濃度曲線沒有影響，同樣各情況下的動態參數也基本保持不變。

2.6 竄流通道長度

設置其他參數保持不變，分別設置不同的竄流通道長度為：200、300、400、500、600 m。竄流通道越近，示蹤劑見劑時間越早，擴散范圍越大，并隨著竄流通道長度的增加，示蹤劑見劑時間越晚、峰值時間越晚、峰值大小越小(擴散與吸附越小)。

2.7 示蹤劑注入總量

設置其他參數與示蹤劑注入體積保持不變的情況下，分別設置不同的示蹤劑注入質量濃度為：31.58、41.58、51.58、61.58、71.58 g/L。結果顯示，隨著示蹤劑注入量越大，運移濃度增加，運移速度并沒有變化，示蹤劑見劑時間與峰值時間都沒有發生變化，只是增加了示蹤劑產出濃度曲線的峰值大小。

2.8 儲層孔隙度

在其他參數保持不變的情況下，分別設置不同的儲層孔隙度為：6.47%、8.47%、10.47%、12.47%、14.47%。模擬結果表明，儲層孔隙度越大，示蹤劑與含油飽和度的運移速度越低，同時造成示蹤劑的濃度降低，示蹤劑見劑時間變晚、示蹤劑濃度峰值變小，同時峰值時間也變晚。

2.9 儲層含油飽和度

在其他參數保持不變的情況下，分別設置不同的儲層含油飽和度為：52.1%、49.1%、46.1%、43.1%、40.1%。模擬結果表明，儲層含油飽和度越大，注入水在竄流通道的竄流量減少，造成示蹤劑的運移濃度越高，示蹤劑見劑時間與峰值時間都基本不變，只是峰值大小隨著含油飽和度的增加而增加。

2.10 注示蹤劑前儲層壓力

在其他參數保持不變的情況下，分別設置不同的儲層壓力為：3.39、4.39、5.39、6.39、7.39 MPa。模擬結果表明，儲層壓力對示蹤劑含油飽和度的運移基本沒有影響。

各因素對幾個關鍵點的影響規律如表3所示。儲層壓力與示蹤劑注入初始濃度對示蹤劑產出濃度曲線的形態完全不影響，因此后面建立示蹤劑解釋模型時不考慮這兩個因素。對于示蹤劑注入總量與儲層含油飽和度只是影響示蹤劑的產出濃度曲線峰值大小，因此確定影響示蹤劑產出濃度曲線形態的主要因素是：竄流通道突進系數、竄流通道厚度、儲層滲透率、儲層孔隙度、后期注水速度以及竄流通道長度。

表3 各因素影響規律統計表

3 水平井網井間多向示蹤監測解釋模型建立

3.1 BP神經網絡模型結構優化

利用BP神經網絡的方法，建立各影響因素取值、示蹤劑曲線關鍵值與儲層相關參數的預測模型，最終得到示蹤劑監測解釋模型。通過數值模擬軟件分別模擬不同的注入總量、注水速度、儲層含油飽和度、儲層孔隙度、儲層滲透率、通道厚度共計88組算例。通過B-P神經網絡對88組樣本數據開展模型訓練與學習。

網絡模型(見圖3)需要依據儲層的可視參數、施工參數與示蹤劑產出曲線綜合分析，進而對井間的竄流通道參數進行預測分析。因此，確定模型的輸入參數主要由儲層可視參數：儲層厚度、儲層滲透率、儲層孔隙度以及儲層含油飽和度；施工參數：后期注水速度、示蹤劑注入總量；示蹤劑產出曲線相關參數：見劑時間、峰值時間、峰值大小以及產出濃度上升速度等組成。相對應其輸出參數主要由竄流通道突進系數、波及體積以及竄流速度(竄流通道長度)組成。

圖3 網絡模型結構圖

該模型將基于儲層相關參數、施工相關參數以及示蹤劑產出曲線對井間的竄流通道突進系數、波及體積以及竄流速度進行預測模擬，構成10個輸入節點，3個輸出節點的網絡模型。分別對激活函數、訓練函數以及學習率的調研和分析，對三個因素進行全因素設計，進而對網絡結構進行優化。根據優化設計方案，以預測值與真實值的相關度作為指標，分別繪制不同激活函數下，不同學習率與訓練函數的神經網絡模型預測誤差圖，最終優化結果為：激活函數為tan-sigmoid，學習率為0.4，訓練函數為traingd。

3.2 BP神經網絡模型建立

根據神經網絡迭代次數與均方誤差的關系，隨著迭代次數的增加，模型訓練數據的均方誤差越小，最終達到1.1×10-3，具有較好的預測精度；由目標值與模型輸出值的回歸關系看出，擬合數據基本呈現一個沿45°角，神經網絡輸出數據與目標數據基本相等。同時，相關系數為0.99354，表明擬合效果較佳。利用26個樣本數據對模型進行仿真測試，結果如圖4所示。

圖4 模型仿真測試結果

根據模型預測結果，3個輸出參數的預測相關度都保持在80%以上，表明該模型具有較高的預測精度。同時對該模型進行公式化，如式(1)所示。

(1)

式中，i代表隱含層輸出層節點序號；f(x)代表隱含層的激活函數tan-sigmoid函數；w1jl代表輸入層到隱含層節點的權值；w2ij代表隱含層到每個輸出層節點的權值；θi代表隱含層到輸出層每個節點的閾值；g(x)函數為輸出層神經元的激活函數purlin，xl代表輸入矩陣，yi代表輸出矩陣，具體如下。

4 現場應用效果分析

YP2區塊周圍共有油井數為52口，通過示蹤劑監測表明，主要有7口井見劑，說明竄流通道主要分布于這7口井之間。結合7口井示蹤劑監測數據結果及該區塊物性數據，應用B-P神經建立的示蹤劑解釋模型對這7口井的竄流通道參數計算如表4所示。竄流通道的突進系數與流動速度主要表征注入流體在通道內流動的能力，突進系數越大，流動能力越強。因此，當注入井周圍存在多條竄流通道時，進行單段塞的注入調堵劑難以封堵所有竄流通道。因為各通道突進系數不一，調堵劑總是會沿著突進系數較大的方向進行快速竄流，而對于突進系數相對較小的通道，一直得不到封堵。基于此，在施工之前，應該根據注水井周圍竄流通道的個數與突進系數大小，進行分級、多段塞的注入。在分級的基礎上，結合總波及體積，計算封堵劑用量如表5所示。通過對YP2注入封堵劑，姚平2井的壓降曲線從封堵前的零壓狀態先抬升到 5.2 MPa，再繼續抬升到穩定后 6.5 MPa，表明該封堵有效，如圖5所示。之后，繼續采用注水開發，該井區受益油井數22口，均日產液 18.77 m3，日產油 8.48 t，含水46.83%，增油幅度達到110%。

表4 竄流通道參數解釋結果

表5 姚平2井組突進分級表

圖5 不同封堵階段YP2壓降曲線

5 結論

1)通過對各影響因素的分析，得出儲層壓力與示蹤劑注入初始濃度對示蹤劑產出濃度曲線的形態完全不影響，對于示蹤劑注入總量與儲層含油飽和度只是影響示蹤劑的產出濃度曲線峰值大小，而影響示蹤劑產出濃度曲線形態的因素主要有：竄流通道突進系數、竄流通道厚度、儲層滲透率、儲層孔隙度、后期注水速度以及竄流通道長度。

2)基于BP神經網絡輸入輸出參數確定與網絡模型結構優化的基礎，建立了示蹤劑監測解釋模型；根據模型測試預測結果，3個輸出參數的預測相關度都保持在80%以上，表明該模型具有較高的預測精度。