推荐星级：
- 1
- 2
- 3
- 4
- 5
基于流线聚类人工智能方法的水驱油藏流场识别
资料介绍
以某碳酸盐岩油藏注水开发为例,提出针对流线模拟结果的流场识别方法。在流线模拟计算完成后,利用基于Ocean平台自行编写的插件将流线数据导出,并通过Python编程语言进行后续数据处理及聚类分析,直观反映不同开发阶段水驱油藏流场分布。采用密度峰值聚类算法作为流线聚类主要算法,以轮廓系数算法作为聚类评价算法,选取合理的聚类数,并对不同聚类算法结果进行对比。当聚类数相同时,密度峰值聚类算法比K-means、层次聚类、谱聚类算法对不同类型流线区分能力更强且轮廓系数较高,说明了算法的有效性。依据流线聚类结果可对流场进行量化处理,有效识别油藏中无效注水循环通道以及具有开发潜力的区域,同时可对同一注采井间流线进行细分,描述注采井间水相驱动能力大小分布,为注水优化、井网层系调整、深部调剖等方案决策提供依据。图10表3参23
部分文件列表
| 文件名 | 大小 |
| 基于流线聚类人工智能方法的水驱油藏流场识别.pdf | 850K |
部分页面预览
（完整内容请下载后查看）石 油 勘 探 与 开 发
312
2018 年4 月
PETROLEUM EXPLORATION AND DEVELOPMENT
Vol.45 No.2
文章编号：1000-0747(2018)02-0312-08
DOI: 10.11698/PED.2018.02.14
基于流线聚类人工智能方法的水驱油藏流场识别
贾虎，邓力珲
（油气藏地质与开发工程国家重点实验室 西南石油大学，成都 610500）
基金项目：中国石油科技创新基金（2017D-5007-0202）
摘要：以某碳酸盐岩油藏注水开发为例，提出针对流线模拟结果的流场识别方法。在流线模拟计算完成后，利用基
于 Ocean 平台自行编写的插件将流线数据导出，并通过 Python 编程语言进行后续数据处理及聚类分析，直观反映不
同开发阶段水驱油藏流场分布。采用密度峰值聚类算法作为流线聚类主要算法，以轮廓系数算法作为聚类评价算法，
选取合理的聚类数，并对不同聚类算法结果进行对比。当聚类数相同时，密度峰值聚类算法比 K-means、层次聚类、
谱聚类算法对不同类型流线区分能力更强且轮廓系数较高，说明了算法的有效性。依据流线聚类结果可对流场进行
量化处理，有效识别油藏中无效注水循环通道以及具有开发潜力的区域，同时可对同一注采井间流线进行细分，描
述注采井间水相驱动能力大小分布，为注水优化、井网层系调整、深部调剖等方案决策提供依据。图 10 表 3 参 23
关键词：水驱开发；水驱效率；流场识别；流线模拟；聚类算法；人工智能
中图分类号：TE344；TE341
文献标识码：A
Oil reservoir water flooding flowing area identification based on the
method of streamline clustering artificial intelligence
JIA Hu, DENG Lihui
(State Key Laboratory of Oil and Gas Reservoir Geology and Exploitation in Southwest
Petroleum University, Chengdu 610500, China)
Abstract: For the case of carbonate reservoir water flooding development, the flow field identification method based on streamline
modeling result was proposed. The Ocean for Petrel platform was used to build the plug-in that exported the streamline data, and the
subsequent data was processed and clustered through Python programming, to display the flow field with different water flooding
efficiencies at different time in the reservoir. We used density peak clustering as primary streamline cluster algorithm, and Silhouette
algorithm as the cluster validation algorithm to select reasonable cluster number, and the results of different clustering algorithms were
compared. The results showed that the density peak clustering algorithm could provide better identified capacity and higher Silhouette
coefficient than K-means, hierachical clustering and spectral clustering algorithms when clustering coefficients are the same. Based on
the results of streamline clustering method, the reservoir engineers can easily identify the flow area with quantification treatment, the
inefficient water injection channels and area with developing potential in reservoirs can be identified. Meanwhile, streamlines between
the same injector and productor can be subdivided to describe driving capacity distribution in water phase, providing useful information
for the decision making of water flooding optimization, well pattern adjustment and deep profile.
Key words: water flooding; water flooding efficiency; flow field identification; streamline simulation; cluster algorithm; artificial
intelligence
引用：贾虎, 邓力珲. 基于流线聚类人工智能方法的水驱油藏流场识别[J]. 石油勘探与开发, 2018, 45(2): 312-319.
JIA Hu, DENG Lihui. Oil reservoir water flooding flowing area identification based on the method of streamline clustering
artificial intelligence[J]. Petroleum Exploration and Development, 2018, 45(2): 312-319.
导致无效水循环[1]，降低水驱效率。为了更好描述水驱
0 引言
油藏特征，前人通过水驱特征曲线[2]及井间连通性模
型[3]对水驱流场进行了表征。同时，侯玉培等[1,4-5]在流
场识别方面做了大量研究，建立了流场评价体系，采
取层次分析法对流场进行了评价，但层次分析法需要
中国陆相沉积的碎屑岩和海相沉积的碳酸盐岩油
藏，储集层非均质性较强，且目前许多高含水砂岩油
藏历经长期水驱开发后剩余油分布杂乱且分散，难以
有效认识水驱油藏动用规律，导致注水开发效率低下。 人为设置评价权重，因此方案决策存在不确定性。在
同时地层在经历长时间流体冲刷后易形成优势通道，
地质模型基础上，前人通过流线模拟对生产数据进行
2018 年 4 月
贾虎 等：基于流线聚类人工智能方法的水驱油藏流场识别
313
拟合并分析了流体运移规律及流动轨迹[6-10]。与根据孔
渗饱分布确定流场强弱的常规方法相比，流线模拟可
更准确且直观地显示出流体主要流通区域。此外，可
依据注水对采油的贡献量对水驱油藏进行注水优化、
水驱控制、井网优化[11-18]。主流的油藏数值模拟软件
如Petrel RE 虽可准确计算流线分布并依据上述方法进
行方案优化，但缺乏量化分析流场的方法，且离散的
流线分布无法代表实际流场，也无法区分水相驱动能
力不同的流动区域。通过对商业软件Petrel RE 进行二
次开发实现了流线聚类功能，可对水相驱动能力不同
的流线进行区分并加以分析，为水驱流场识别提供了
一种新的研究手段。
1.1 特征参数提取
聚类算法需依据样本特征对其进行聚类，因此需
提取出具有区分度且便于实际应用的流线特征，本文
提取的流线特征及公式见表1。其中流线油水体积比由
Vow 表示，若该值较大，则代表沿该流线方向未被注入
水波及到的油较多。流线油水流速比由参数vow 表示，
该值越大，则表示沿该流线方向水驱油能力越强。
表 1 流线特征及公式
流线特征描述
公式
na
流线中点位置 x 轴坐标
Xa
Ya
=
=
x
na
na
∑
ab
b=1
na
流线中点位置 y 轴坐标
油水体积比
=
y
ab
∑
b=1
na
na
聚类方法又被称为无监督学习，是人工智能方法
的分支之一。不同于通过注采井间配位对流线进行归
类的分析方式，本文采用聚类算法[19]对流线依据其空
间位置及流线性质进行聚类，提取出流场潜在的分布
结构。聚类算法以最大化类与类间的差异并最小化类
内差异为原则对流线进行聚类，能确保每一类流线均
可最大程度表征其所在的流场，同时区分出不同类型
的流线，该类无监督学习算法对经验公式与人为评价
依赖度较小，因此对不同类型油藏均具有较好的适
用性。
Vow
S
S
∑
∑
oab
wab
b=1
b=1
na
na
油水流速比
vow
=
v
oab
v
∑
∑
wab
b=1
b=1
因为流线在z 轴方向跨度不大，故选择流线中点x，
y 轴坐标表征流线位置。同时，由于流线模拟计算的数
值耗散问题，部分流线可能出现油水两相流速均接近0
的情况，因此无法通过流体流速直接表征流线位置的
水相驱动能力。此外，对于水驱后期的流场，水相渗
透率往往较高，而流体饱和度为线性增加的属性，因
此对驱动能力区分效果不明显，故本文采用油水体积
比及油水流速比表征流线位置水相驱动能力，该方式
可对水相饱和度较低而油相饱和度较高的流线进行细
分，同时对水相饱和度大于一定程度的流线进行一定
的粗化，从而最大程度反映不同水相驱动能力的流场
分布。
本文以某碳酸盐岩油藏为例，通过流线聚类方法，
对水相驱动能力不同的流线进行区分并进一步对同一
注采井间流线进行细分，开展流场精细化描述，找出
潜在优势流场，为水驱流场调整与提高采收率方案决
策提供科学依据与技术支撑。
1 流线聚类
参数选取的意义在于将流线依据其空间位置、驱
替效率、波及效率进行聚类，将具有类似性质的流线
归为一类，从而识别出具有开发价值的油藏区域，为
后期注水优化、井网层系调整、深部调剖等方案决策
提供科学依据和技术支撑。
流线模拟以流线表示流体长期冲刷而形成的优势
通道，模拟地层流体的流动轨迹。本文通过流线模拟
方法表征流场，以油藏流体在一定时间步长内均沿流
线方向流动为基本假设，流线轨迹通过流线追踪算
法[20]获取，在获取流线轨迹后通过求解沿流线方向的
一维质量守恒方程，即可得到流体沿流线的饱和度分
布，并显示油藏流体流动规律。
在进行特征提取后，需对每条流线的特征参数进
行归一化处理以便之后的聚类分析。
1.2 聚类分析
流线模拟结果表征了流体性质在离散流线轨迹上
的分布，因此需对流线信息加以提取才可得到流场分
布的具体描述。本文通过流线聚类的方法将流场分为
不同流动区域，识别出不同类型流场分布以及该类流
场特性，通过这些信息便可针对性地进行后续油藏开
发方案设计。流线聚类步骤包括特征参数提取，聚类
分析及聚类评价。
聚类分析是一种用于寻找数据之间内在结构的技
术。聚类算法有密度峰值、K-means、谱聚类、层次聚
类算法等，其中由于密度峰值聚类算法对数据结构区
分能力较强且其结果不具有随机性，因此本文采用此
法。密度峰值聚类算法[19]的基本原理为，依据与样本
性质类似的样本数量的多少作为样本密度，选取局部
区域内密度最大点作为聚类中心，同时确保其与其他
全部评论(0)