一种反演水淹层混合水电阻率的新方法

注水开发油田储层水淹后电性特征变化复杂,混合水（注入水和原生地层水的混合液）矿化度不仅受注入水和原生地层水矿化度的控制,还受水淹程度等因素影响,造成混合水电阻率和岩电参数的动态变化,为水淹层的识别和剩余油饱和度的评价带来较大困难。以渤海S油田为例,利用图论多分辨率聚类算法对测井相进行划分,建立了测井相约束下的束缚水饱和度评价模型;根据岩电实验数据讨论了岩电参数随地层水矿化度变化的规律,提出水淹层中胶结指数和饱和度指数与混合水矿化度的函数关系。在此基础上,通过迭代反演得到水淹层剩余油饱和度和混合水电阻率,实现了水淹层的定量评价。研究结果表明：（1）利用图论多分辨率聚类算法可以对测井相进行有效划分,基于测井相约束的束缚水饱和度模型精度高于未分相的结果;（2）水淹层储层胶结指数和饱和度指数随混合水矿化度增大而增大,二者具有明显的幂函数关系;（3）该方法划分水淹层结果与S油田产出剖面测井测量结果吻合率为92.3%,明显提高了水淹层的评价精度。     

基于机器学习的海上多层砂岩油藏精细注水开发实践

针对海上多层水驱砂岩油田作业成本高、小层测试数据少所导致的产、吸状况不清的问题,提出一种可同时学习多种井况条件的小层产、吸剖面预测模型。首先综合考虑影响小层产、吸状况的静态地质条件和动态开发特征,筛选并构造出主控因素,建立样本数据库。然后构建了巧妙的循环将神经网络算法和智能优化算法进行融合,内层循环以反向传播(back propagation, BP)神经网络为模型框架,遍历所有井样本,实现多维主控因素与产、吸剖面的机器学习;中层循环以量子进化算法为优化手段,实现神经网络内部权重和阈值自动优化;外层循环以测试误差为控制条件,保证模型的可靠性与最优化。最后将产、吸剖面预测模型应用于渤海P油田,分别对73口油井和84口水井的样本数据进行交叉验证,结果表明模型的平均测试误差仅为6.60%、4.36%。示例井组经分层调配等措施的综合治理之后,实现了井组日增油63 m³/d,综合含水率下降6%。该研究成果对老油田的精细注水和优化调整具有一定的指导意义。