石油地质与工程
2021年3月PETROLEUM GEOLOGY AND ENGINEERING 第35卷第2期文章编号：1673–8217（2021）02–0044–06
——以渤海L油田为例
姜立富，徐中波，张章，李冰，孟云涛
（中海石油（中国）有限公司天津分公司渤海石油研究院，天津300459）
摘要：针对常规数据分析方法自动化与智能化程度低，难以满足海上油田开发规律深度挖掘的需求，基于标准化数据平台建设和大数据程序开发，在渤海L油田开展了大规模、多专业和复杂生产规律下的油田开发数据的高效分析和应用。结果表明，通过油井生产数据参数相关性分析和产液规律数据挖掘，可完成油井产液能力影响因素分析； 综合储层物性与注采动态等多专业数据，可完成不同井区平面及纵向注水状况分析；结合油藏大数据体构建与机器学习方法，可完成优势产能潜力区域筛选。研究成果直接应用于油田实际措施优选与方案优化后，达到了提高油田精细开发效果的目的。
关键词：大数据；产液结构；分层调配；井位优化；精细开发
中图分类号：TE53 文献标识码：A
Fine development practice of offshore multi-layer oilfield based on big data analysis
--by taking Bohai L oilfield as an example
JIANG Lifu, XU Zhongbo, ZHANG Zhang, LI Bing, MENG Yuntao
(Bohai Petroleum Research Institute, Tianjin Company of CNOOC (China) Co., Ltd., Tianjin 300459, China) Abstract:The conventional data analysis method has low degree of automation and intelligence, which is difficult to meet the needs of deep mining of offshore oilfield development law. Based on the construction of standardized data platform and the development of big data program, the efficient analysis and application of oilfield development data under large-scale, multi professional and complex production rules were carried out in Bohai L oilfield. The results show that through the correlation analysis of oil well production data parameters and the data mining of liquid production law, the analysis of influencing factors of oil well liquid production capacity can be completed. Through the correlation analysis of oil well production data parameters and data mining of liquid production law, the influencing factors of oil well liquid production capacity can be analyzed.
700755
Through the comprehensive analysis of reservoir physical properties and injection production performance data, the plane and vertical water injection situation of different well areas can be analyzed. Combined with reservoir big data volume construction and machine learning method, the region selection of dominant productivity potential can be realized. After the research results are directly applied to the optimization of practical measures and schemes, the purpose of improving the effect of oilfield fine development is achieved.
Key words:big data; fluid production structure; layered deployment; well location optimization; fine development
1 概述可用性评估
L油田位于渤海中部，为岩性–构造层状油藏，纵向上储层数较多，可达40余个小层，由于长期大段合采合注，注采矛盾突出[1]。油田开发面临的突出
收稿日期：2020–10–08；修订日期：2020–11–24。
第一作者简介：姜立富（1987—），男，工程师，现从事海上油田开发研究工作。E–mail：******************。基金项目：国家重大科技专项“渤海油田加密调整及提高采收率油藏工程技术示范”（2016ZX05058001）。
姜立富等．基于大数据分析的海上多层油田精细开发实践·45·
问题包括：部分油井产液受限、平面产液结构不均衡，压力保持状况差、层间压力差异大，局部井网不完善、水驱动用不均衡等[2–3]。随着老区注水开发工作加重和综合调整新平台快速上产，亟需利用已有数据分析油田开发状况，研究油田开发规律，以指导油井解堵、分层调配、完善井网等精细开发工作。但由于开发时间长、油水井数多、层间干扰大，油田开发规律复杂，传统数据分析手段已难以满足实际工作需求。大数据技术具有数据处理量大、处理速度快和方法灵活多样等特点，目前在油田开发中已经广泛应用。韩书婷等[4]指出了大数据在智能油田应用中面临的安全隐患及对策，刘珍[5]通过对大数据环境下油藏经营管理系统研究实现了对油藏经营大数据的快速并行分析，高翔等[6]利用大数据挖掘技术和算法优选完成了不停机间抽工作制度优化，贾德利等[7]使用数据驱动和机器学习算法提出了一套大数据驱动下的精细注水方案优化方法。
结合L油田开发工作需求，基于数据平台建设和大数据程序开发，充分利用地质油藏、测井、动态、测试等方面积累的大量数据，进行全面、准确、高效的计算分析，挖掘数据内部规律，从而指导油田精细开发工作，达到提高油田开发效果的目的。
2 L油田精细开发大数据应用
数据平台建设是大数据开发的基础，目前油田常用的数据平台包括Access、Oracle、Sybase、SQL S
erver等，其中SQL Server是微软公司推出的大型数据库管理系统，基于成熟而强大的关系模型和客户机/服务器模式，能够满足各种类型数据的使用需求[8]。L油田建立了企业级SQL Server数据平台，涵盖了各专业常用数据，采用标准化数据结构设计，实现了数据的高效调取和处理。在数据平台的支撑下，通过python程序开发，引入大数据处理技术，在油井产液规律分析与解堵提液、注水状况综合分析与优化注水、优势产能区域分析与井位优化等方面均取得了较好的应用效果。
2.1 油井产液规律分析与解堵提液
产液结构不均衡和大量油井产液下降是L油田开发中面临的一个很严重的问题[9]，针对这个问题需要对油井产液能力和相关参数进行相关性分析，进而更高效地做好解堵提液措施井的优选工作。借助大数据多因素相关性分析技术，完成了油井日产液与含水率、流压、压差、静压等主要影响因素的分布统计和相关性分析（图1）。图中左上角至右下角连线上的图为对应参数的分布规律，其他横纵坐标交叉点的图为两个参数间的相关性规律。针对油井产液状况，从图中可以看到两方面问题：①日产液量方面，左上角油井日产液分布表现出一个长尾形类似正态分布的特征，曲线均值偏左表明油井产液量普遍偏低，横向曲线跨度大表明单井产液量差异大、产液结构不均衡，特别是曲线左侧低液量区域有一定数据分布，说明部分油井处于低液状态；②压差因素方面，从第四列图中可以看到在大压差数据区有大量低液量、高含水数据点，表明部分油井在高含水阶段、大压差生产的情况下仍然处于低液状态。
利用大数据技术进一步透视分析主要因素的影响状况。首先对产液结构进行分析，得到不同区块油井产液能力分布（图2）。由图2可以看出各区块的产液峰值基本分布在200~300 m3/d，代表了L油田目前油藏和井筒条件下的平均单井产液水平，而各区块峰值左侧均有一定低液量数据区，表明该部分油井产液能力偏低，是后续解堵增油措施优选的重点，而峰值右侧高液量区表明该部分油井产出能力强，代表区块油井产液能力的提升目标，区块提液改善开发效果的体现就是整体产液数据分布状态向高数据区移动。利用数据透视进一步对不同产液能力油井的产液模式进行对比（图3）。由图3可以看出油井产液量一般有四种状态：①始终低液。产液量始终不高，该部分井低液的主要原因是钻完井污染，影响了油井的初期产能；②快速下降。有一定高液量数据区，但大部分数据是低液的，该部分井表现为生产过程中产液量快速下降的特征，主要原因是大压差生产过程中储层微粒运移堵塞，导致产能降低；③解堵提液。数据呈多段式分布，即解堵前液量低，解堵后产能提高、液量增大，代表措施改善油井产能的效果；④高液上升。该部分油井初期即具有一定产液能力，后期可逐渐提液生产，代表了油井正常生产情况下的产液规律。
对于生产压差，L油田在实际生产中观察到大量大压差低液量油井，以及随着提频增大生产压差油井液量下降的情况。通过对日产液与压差、日产液变化率与压差变化率数据进行统计分析（图4），可以看出油田油井目前生产压差普遍大于5.0 MPa，且日产液量低于200 m3的生产数据多集中于大压差油井；在压差变化率是正数（即增大压差）的过程中，部分油井出现产液变化率是负数（即产液下降）的情况，分析表明大压差导致微粒运移，从而堵塞
·46· 石 油 地 质 与 工 程 2021年 第2期
图1 L 油田油井产液能力相关性分析
剑杆织布机
图2 L 油田各区块油井产液能力分布
图3 L 油田不同油井产液模式
储层影响油井产液能力，导致产液量降低。
针对油井产液能力受限的问题，结合上述大数
数字像素
CO2封存
图4 L 油田日产液（日产液变化率）与压差（压差变化率）关系
据分析结果，通过优选措施井位和尝试新的解堵工艺开展了油井产能恢复的研究工作，一方面通过
产
姜立富等．基于大数据分析的海上多层油田精细开发实践 ·47·
无线投票系统液状况分析筛选出具有一定潜力的低液井（部分始终低液井与快速下降井）进行解堵，改善生产效果；另一方面通过合理控制油井生产压差，减缓储层堵塞对油井产液能力的影响。借助大数据完成效果统计并生成可视化雷达图（图5），将措施前后的油井生产状况进行对比，可以看出解堵后油井整
体增液、增油、提升流压的效果明显。在该方法指导下，油田优选并实施措施51井次，整体产液能力提高了5.0%。
图5 L 油田油井解堵措施前后效果对比
2.2 注水状况综合分析与优化注水
在L 油田注水开发的过程中，长期大段合注合采导致平面及纵向压力不均衡现象突出。以C15–C10–C12ST1井区为例（图6a ），该井区3口注水井井口注入量差异较大，每口注水井均存在纵向吸水不均的问题，导致该井区平面井组间地层压力差异超过1.2 MPa ，纵向层间压力差异超过3.0 MPa ，严重影响井区开发效果。
通过大数据技术，调用该井区储层物性、注采动态、PLT 、压力测试等数据，完成细化至单井和纵向层位的注水量劈分计算，实现了井区注水状况可视化分析（图6b ）。图6b 左侧为3口注水井，右侧为井区纵向注水层位，连接条带代表注采连通关系，条带宽度代表阶段注水量的大小。由图可以看出井区注水不均衡问题突出，平面上C15井总注入量最大，纵向上L50层总注入量最大（注水量主要来自C15井），而L90–L110层整体注水不足，特别是C12ST1井在L90–L110层欠注严重，需要补充注水。
通过上述平面与纵向注水状况分析，针对注水不均的问题，采取多种措施结合的方式进行优化注水工作：对超注的L50层进行注水井分层调配，限
图6 L 油田C15–C10–C12ST1井区井位与注水状况分析
制注水量；对欠注的L90–L110层分段酸化增注并增加2口注水井，重点补充亏压井组和层位的注水量。措施实施半年后，平面与纵向压力差异分别下降了0.5 MPa 和1.2 MPa 。按照上述思路，在L 油田进行推广，推动分层调配、注水井分段酸化等优化注水措施30井次，提高了水驱开发效果，油田产能整体自然递减率下降了3.5%。 2.3 优势产能区域分析与井位优化
针对局部井网不完善、水驱动用不均衡的问题，L 油田不断加强调整井与开发井实施力度，每年新增数十口新井以实现稳产上产。随着油田进入中高含水期，多层合注合采后剩余油分布复杂，在新井井位优化方面，常规方法工作量大、经验与精细度
依赖性高。通过结合油藏大数据体构建和机器学习方法
[10–11]
（图7），可以实现优势产能区域可视化分
析，更高效地筛选出潜力高产井位，指导油田井位优化工作。
上述方法具体步骤为：①可视化大数据体构建。利用已钻井的测井数据、生产动态和测试数据，通过
差值方法建立包括有效厚度、渗透率、地层压力、含油饱和度等产能相关参数的大数据体（图8），数据体通过数据点的方式形成代表数字化油藏参数的数据集合。②油井产能机器学习模型建立与训练。整理实际井产能及相关参数数据，形成机器学习训练集与评估集，利用python 中的sklearn 模块，通过算法优选和训练调试，建立L 油田油井产能评估
模
·48· 石 油 地 质 与 工 程 2021年 第2期
型，评估数据集验证表明该模型产能判别准确率超过90.0%。③高产井位筛选。将油田大数据体导入机器学习模型，对数据体内每个数据点进行扫描计算，评估该位置处油井的产能并形成可视化成果图（图9a ），从图中可以明显的看出高产潜力井所在的优势区域。该方法源自实际生产数据，更加匹配油田开发现状，并具有更高的工作效率和更好的可视化效果，对比表明上述方法的结果与常规数模方法及油藏动态认识基本一致（图9b ），已在优势高产区实施的5口油井日产量也比周边老井平均高30 m 3
。结合油田层系与井网设计，通过在高产井潜力区域部署油井，以及在储层发育且连通状况较好，但由于高含水导致的低潜力区域部署注水井，该方法已支持完成油田井位优化20口，进一步完善了注采结构，
提高了目标区块水驱储量动用程度8.0%。
图7 基于大数据体与机器学习的井位优化方法流程
图8 L 油田N 区井位优化大数据体可视化效果
图9 L 油田N 区机器学习法高产潜力区（左）与数模剩余储量（右）对比
3 结论
（1）结合数据平台建设和大数据技术开发，已
完成L 油田开发数据的高效分析和应用，实现了复杂生产规律下的开发规律挖掘，并指导措施优化以达到提高精细开发效果的目的。
（2）基于油井生产数据参数相关性及透视分
析，进行油井产液规律研究，可实现油田解堵措施井位优选及措施效果评价，保障油井产液能力。
（3）通过多专业数据综合计算分析，完成平面与纵向注水状况分析，推动油田优化注水工作，可明显改善地层压力，减缓油田产能自然递减。
（4）结合油藏大数据体构建和机器学习方法，筛选优势产能区域，指导井位优化，可进一步完善油田注采结构，改善水驱储量动用状况
。
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议