油田聚驅(qū)系統(tǒng)低溫集輸可行性預(yù)測(cè)模型
——以大慶油田某區(qū)塊為例

趙洪洋， 李鳴浩， 王迪， 楊振江

(1.國(guó)家管網(wǎng)油氣調(diào)控中心， 北京 100007； 2.東北石油大學(xué)石油工程學(xué)院， 大慶 163318)

低溫集輸生產(chǎn)工藝技術(shù)是一種以節(jié)能降耗為目標(biāo)，以科學(xué)化的生產(chǎn)管理為依據(jù)，通過(guò)提高生產(chǎn)控制水平，從而實(shí)現(xiàn)少投入、增效益的有效手段。國(guó)內(nèi)外的眾多專家學(xué)者對(duì)該技術(shù)進(jìn)行了廣泛的研究討論[1-4]。韓善鵬等[5]對(duì)板北油田的不加熱集油問(wèn)題進(jìn)行研究，通過(guò)對(duì)含水率高于80%的含水原油進(jìn)行集油管道剪切攪拌模擬實(shí)驗(yàn)，以原油的起始黏壁溫度為低溫集輸界限，借助PIPEPHASE軟件進(jìn)行模擬，得出板北油田的高含水油井以集油溫度不高于17.5 ℃作為低溫集輸界限。魯曉醒等[6]通過(guò)對(duì)高含水期油井在低于原油凝點(diǎn)以下進(jìn)行低溫集輸實(shí)驗(yàn)，利用可視化實(shí)驗(yàn)裝置，發(fā)現(xiàn)黏壁溫度下集油管線出現(xiàn)壓降突增的現(xiàn)象，并確定實(shí)際生產(chǎn)條件下黏壁溫度均低于原油凝點(diǎn)3～4 ℃。賈治淵[7]通過(guò)對(duì)原油黏壁規(guī)律的研究，結(jié)合產(chǎn)出液的流動(dòng)性與原油的黏壁情況，通過(guò)對(duì)3種含蠟原油和3種稠油進(jìn)行剪切試驗(yàn)，不斷控制剪切速率，模擬管流沖刷作用下的凝油黏壁過(guò)程，發(fā)現(xiàn)起始黏壁溫度低于凝點(diǎn)0～4 ℃且油溫高于起始凝壁溫度，凝油黏壁現(xiàn)象不明顯，建議將起始黏壁溫度作為不加熱集輸?shù)倪吔鐪囟取Ｓ纱丝梢?jiàn)，低溫集輸工藝技術(shù)已經(jīng)在油田水驅(qū)系統(tǒng)中得到了廣泛的應(yīng)用并取得良好的成效。但是，隨著油田的開(kāi)發(fā)生產(chǎn)，開(kāi)采方式由水驅(qū)生產(chǎn)轉(zhuǎn)為聚驅(qū)和三元復(fù)合驅(qū)等多種開(kāi)發(fā)模式。而聚驅(qū)油氣集輸系統(tǒng)和三元驅(qū)系統(tǒng)由于采出液含聚合物，成分復(fù)雜，流動(dòng)性變化較大，無(wú)法廣泛地實(shí)施低溫集輸工藝技術(shù)[8-10]。以大慶油田某區(qū)塊為例，該區(qū)塊內(nèi)采用低溫集輸工藝技術(shù)生產(chǎn)的水驅(qū)井占80%，而聚驅(qū)井采用低溫集輸工藝技術(shù)的僅占19%。因此需要對(duì)影響油田聚驅(qū)系統(tǒng)低溫集輸生產(chǎn)的各因素進(jìn)行相關(guān)性分析并建立準(zhǔn)確的預(yù)測(cè)模型以指導(dǎo)油田生產(chǎn)。

現(xiàn)根據(jù)大慶油田某聚驅(qū)采油區(qū)塊油井的生產(chǎn)運(yùn)行情況，針對(duì)環(huán)境因素、集輸管線規(guī)格、油井生產(chǎn)情況及產(chǎn)出液物性參數(shù)4個(gè)方面，對(duì)油田聚驅(qū)系統(tǒng)低溫集輸可行性影響因素進(jìn)行相關(guān)性分析，并根據(jù)分析結(jié)果建立油田聚驅(qū)系統(tǒng)低溫集輸可行性預(yù)測(cè)模型，實(shí)現(xiàn)油田聚驅(qū)系統(tǒng)低溫集輸生產(chǎn)技術(shù)的推廣與應(yīng)用。

1 區(qū)塊概述

該聚驅(qū)采油區(qū)塊位于大慶油田，冬季寒冷有雪，春秋季風(fēng)多，最冷月平均氣溫-18.5 ℃，最熱月平均氣溫23.3 ℃，晝夜溫差較大。該試驗(yàn)區(qū)塊內(nèi)共有4座轉(zhuǎn)油站，其中水驅(qū)采油站1座，聚驅(qū)采油站3座，共計(jì)481口油井，均采用雙管摻水集輸有流程，產(chǎn)液含水率在90%左右，區(qū)塊內(nèi)各項(xiàng)設(shè)施比較完善，各站場(chǎng)員工配備齊全，應(yīng)急搶險(xiǎn)施工能力較強(qiáng)，具備良好的低溫集輸試驗(yàn)條件，各轉(zhuǎn)油站生產(chǎn)情況如表1所示。為保證實(shí)驗(yàn)數(shù)據(jù)采集的數(shù)據(jù)量和數(shù)據(jù)準(zhǔn)確性，通過(guò)安裝可視化儀表，將相關(guān)數(shù)據(jù)采集到監(jiān)測(cè)端設(shè)備，再無(wú)線遠(yuǎn)傳至數(shù)據(jù)接收儲(chǔ)存平臺(tái)，如圖1所示。

圖1 可視化設(shè)備數(shù)據(jù)采集點(diǎn)示意圖Fig.1 Schematic diagram of data collection points for visualization equipment

2 油田聚驅(qū)系統(tǒng)低溫集輸相關(guān)性分析

由于油田聚驅(qū)系統(tǒng)低溫集輸技術(shù)的影響因素較多，而各因素之間相互制約，導(dǎo)致無(wú)法通過(guò)某一因素制定油井的低溫集輸界限，因此需要對(duì)諸多因素的影響程度進(jìn)行分析[11-15]。目前，常用的求解影響因素相關(guān)性的數(shù)學(xué)模型包括層次分析法、回歸分析法和灰色關(guān)聯(lián)度法。其中，層次分析法主要依賴專家評(píng)審打分，對(duì)各層次的影響因素依據(jù)人為的判斷進(jìn)行分析，具有較強(qiáng)的主觀性?；貧w分析法需要的數(shù)據(jù)量大，在求解相關(guān)性的過(guò)程中計(jì)算步驟多且輸出結(jié)果不穩(wěn)定，而灰色關(guān)聯(lián)度理論系統(tǒng)主要是通過(guò)對(duì)影響因素進(jìn)行權(quán)重分析，把過(guò)于分散的信息集中處理。但是，灰色關(guān)聯(lián)度法在對(duì)影響因素的權(quán)重分析過(guò)程中，個(gè)人的主觀因素影響較大，因此采用熵權(quán)法對(duì)各影響因素的權(quán)重進(jìn)行計(jì)算，從而計(jì)算出合理的相關(guān)度分析結(jié)果。

令每種影響因素與其對(duì)應(yīng)的低溫集輸可行性構(gòu)成一組影響度數(shù)據(jù)，利用熵權(quán)法計(jì)算低溫集輸影響因素的客觀權(quán)重，建立相應(yīng)的初始相關(guān)因素矩陣。

表1 區(qū)塊內(nèi)轉(zhuǎn)油站生產(chǎn)情況匯總Table 1 Summary of production at transfer stations in the block

(1)

式(1)中：i為影響低溫集輸?shù)母黜?xiàng)因素；j為所采集數(shù)據(jù)的數(shù)量；xmn為第m個(gè)影響因素的第n個(gè)樣本數(shù)，m=1,2,…,i，n=1,2,…,j。

為提高相關(guān)性分析結(jié)果的準(zhǔn)確性，對(duì)數(shù)據(jù)進(jìn)行無(wú)量綱化處理使其消除量綱并具有可比性，從而解決同質(zhì)化問(wèn)題，即

(2)

無(wú)量綱化后的數(shù)據(jù)矩陣為

(3)

計(jì)算第m個(gè)影響因素下的第n個(gè)樣本數(shù)的比重Pmn為

(4)

根據(jù)信息熵的計(jì)算公式得到各項(xiàng)影響因素的信息熵為

(5)

計(jì)算權(quán)重，公式為

(6)

根據(jù)式(1)所建立的數(shù)學(xué)模型，以油井的井口回壓與限制最高回油壓力差值作為各組數(shù)據(jù)的參考數(shù)列即母序列，設(shè)母序列為X0={x0(k)|k=1,2,…,m}，則可計(jì)算母序列X0對(duì)于第i個(gè)影響因素Xi的影響公式為

ξi(k)=

(7)

式(7)中：ρ∈[0,1]為分辨系數(shù)。

從而可以通過(guò)關(guān)聯(lián)度計(jì)算公式計(jì)算各影響因素的關(guān)聯(lián)度，即

(8)

式(8)中：wk為權(quán)重。

3 油田聚驅(qū)系統(tǒng)低溫集輸可行性預(yù)測(cè)模型

目前，對(duì)于數(shù)學(xué)預(yù)測(cè)模型主要包括通過(guò)對(duì)大數(shù)據(jù)處理的智能預(yù)測(cè)算法以及對(duì)少量數(shù)據(jù)進(jìn)行處理分析的經(jīng)驗(yàn)?zāi)Ｐ蚚16-18]。常用的智能預(yù)測(cè)算法包括混合蛙跳法、煙花算法等，智能算法的計(jì)算精度較高，但需要依據(jù)較大的樣本數(shù)據(jù)量，通過(guò)不斷的機(jī)器學(xué)習(xí)訓(xùn)練進(jìn)行預(yù)測(cè)，最終建立相應(yīng)的預(yù)測(cè)模型。BP神經(jīng)網(wǎng)絡(luò)具有非線性映射能力強(qiáng)、自學(xué)習(xí)和自適應(yīng)性高等優(yōu)點(diǎn)，其通過(guò)自身的訓(xùn)練，學(xué)習(xí)某種規(guī)則，為求解得到一組恰當(dāng)?shù)臋?quán)值，從而使在給定輸入值時(shí)得到接近期望輸出值的結(jié)果，如圖2所示。

圖2 油田低溫集輸神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型Fig.2 The neural network prediction model of low temperature gathering and transportation

其數(shù)學(xué)表達(dá)式為

(9)

式(9)中：x1,x2,…,xp為影響因素矩陣(輸入層)；wk1,wk2,…,wkp為各影響因素的權(quán)重(連接權(quán))；uk為線性組合結(jié)果；θk為閾值；yk為神經(jīng)元k的輸出(預(yù)測(cè)結(jié)果)。

(10)

相應(yīng)的輸出狀態(tài)為

(11)

輸出單元i所接受的迭加信號(hào)為

(12)

網(wǎng)絡(luò)的最終輸出為

(13)

為確定一組理想的權(quán)值函數(shù)，引用函數(shù)度量一組給定的權(quán)值下實(shí)際輸出與理想輸出的差異。

(14)

由此，求權(quán)值函數(shù)變?yōu)榍髽O小值的過(guò)程，即

(15)

(16)

令

(17)

對(duì)輸入單元到隱單元的權(quán)重wjk為

(18)

此處

(19)

可知所有權(quán)的修正量都有如下形式

(20)

4 實(shí)例應(yīng)用

圖3 各影響因素權(quán)重圖Fig.3 The weight diagram of each influencing factor

圖4 各影響因素關(guān)聯(lián)度Fig.4 The correlation degree of each influencing factor

對(duì)該區(qū)塊內(nèi)每座轉(zhuǎn)油站各選取5口油井加裝電子監(jiān)控設(shè)備采集不同月份的關(guān)鍵生產(chǎn)數(shù)據(jù)，從而進(jìn)行油井低溫集輸影響因素相關(guān)性分析。通過(guò)對(duì)所采集的數(shù)據(jù)進(jìn)行分析，計(jì)算得到的各影響因素的權(quán)重如圖3所示，關(guān)聯(lián)度如圖4所示。計(jì)算分析表明，關(guān)聯(lián)度大于0.2的因素有：環(huán)境溫度(0.69)、產(chǎn)液量(0.36)、含聚濃度(-0.32)和集油管線長(zhǎng)度(-0.25)，其中，環(huán)境溫度與產(chǎn)液量對(duì)低溫集輸影響呈正相關(guān)，含聚濃度和管長(zhǎng)對(duì)低溫集輸?shù)挠绊懗守?fù)相關(guān)。根據(jù)計(jì)算結(jié)果，選取環(huán)境溫度、產(chǎn)液量、含聚濃度和集油管線長(zhǎng)度作為低溫集輸可行性預(yù)測(cè)模型的主要控制因素。

現(xiàn)根據(jù)低溫集輸可行性分析結(jié)果，利用神經(jīng)網(wǎng)絡(luò)法建立油井低溫集輸可行性預(yù)測(cè)模型。根據(jù)相關(guān)性分析結(jié)果，以環(huán)境溫度、油井產(chǎn)液量、集油管線長(zhǎng)度和產(chǎn)液含聚濃度作為影響因素控制變量，熵權(quán)法計(jì)算所得權(quán)重作為因素權(quán)重，代入預(yù)測(cè)模型進(jìn)行訓(xùn)練學(xué)習(xí)，結(jié)果如表2、圖5、圖6所示。

根據(jù)圖5、圖6發(fā)現(xiàn)，模型訓(xùn)練學(xué)習(xí)平均方誤差均小于0.1，R2回歸趨近于1，滿足模型計(jì)算精度要求。通過(guò)對(duì)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)結(jié)果分析可發(fā)現(xiàn)，經(jīng)過(guò)10個(gè)周期的學(xué)習(xí)后，模型的訓(xùn)練誤差趨于平穩(wěn)，變化能力有所提高，訓(xùn)練結(jié)果整體誤差集中在±15%。因此，通過(guò)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)法所建立的聚驅(qū)系統(tǒng)低溫集輸預(yù)測(cè)模型能夠較準(zhǔn)確地判斷出各油井是否能夠?qū)崿F(xiàn)低溫集輸生產(chǎn)，為指導(dǎo)油田聚驅(qū)系統(tǒng)節(jié)能降耗生產(chǎn)提供了理論依據(jù)。

結(jié)合低溫集輸工藝技術(shù)預(yù)測(cè)模型，對(duì)該區(qū)塊內(nèi)4座轉(zhuǎn)油站共計(jì)481口油井的低溫集輸可行性進(jìn)行預(yù)測(cè)并進(jìn)行現(xiàn)場(chǎng)應(yīng)用實(shí)踐，結(jié)果如圖7所示。

通過(guò)對(duì)不同月份的各油井進(jìn)行運(yùn)行實(shí)驗(yàn)，預(yù)測(cè)準(zhǔn)確率約為95.94%，預(yù)測(cè)模型具有較強(qiáng)的魯棒性。通過(guò)對(duì)預(yù)測(cè)結(jié)果與實(shí)際生產(chǎn)情況對(duì)比分析，各轉(zhuǎn)油站全年不同月份可實(shí)現(xiàn)低溫集輸生產(chǎn)的油井?dāng)?shù)量隨著季節(jié)的變化波動(dòng)明顯，其中，對(duì)于產(chǎn)液含聚較低的1#轉(zhuǎn)油站和2#轉(zhuǎn)油站內(nèi)油井，夏季均可實(shí)現(xiàn)低溫集輸生產(chǎn)，而對(duì)于產(chǎn)液含聚較高的3#轉(zhuǎn)油站和4#轉(zhuǎn)油站，可實(shí)現(xiàn)低溫集輸生產(chǎn)的油井比例偏低，因此在實(shí)際生產(chǎn)中，可考慮在根據(jù)環(huán)境溫度變化設(shè)定不同的油井最高回油壓力限制，從而降低生產(chǎn)運(yùn)行能耗。

表2 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型訓(xùn)練結(jié)果Table 2 Training results of neural network prediction model

圖5 誤差直方圖Fig.5 Error histogram

圖6 訓(xùn)練梯度、MU因子和泛化能力變化Fig.6 Changes in training gradient, MU factor and generalization ability

圖7 區(qū)塊各轉(zhuǎn)油站低溫集輸預(yù)測(cè)結(jié)果與實(shí)際生產(chǎn)情況Fig.7 The prediction results of low-temperature gathering and transportation each transfer station in the block and the actual production situation

5 結(jié)論

(1)采用熵權(quán)法-灰色關(guān)聯(lián)法對(duì)油田聚驅(qū)系統(tǒng)低溫集輸可行性的影響因素進(jìn)行分析發(fā)現(xiàn)，環(huán)境溫度為主要影響因素，其次為產(chǎn)液量、含聚濃度和集油管線長(zhǎng)度，因此在制定油田聚驅(qū)系統(tǒng)低溫集輸生產(chǎn)方案時(shí)應(yīng)根據(jù)油井的實(shí)際生產(chǎn)情況，對(duì)不同月份制定相應(yīng)的生產(chǎn)運(yùn)行方案，以實(shí)現(xiàn)低溫集輸生產(chǎn)。

(2)根據(jù)油田聚驅(qū)系統(tǒng)低溫集輸影響因素相關(guān)性分析結(jié)果，通過(guò)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)法建立聚驅(qū)系統(tǒng)低溫集輸可行性預(yù)測(cè)模型。通過(guò)對(duì)油田實(shí)驗(yàn)區(qū)塊進(jìn)行應(yīng)用后發(fā)現(xiàn)，預(yù)測(cè)結(jié)果準(zhǔn)確率可達(dá)到95.94%，模型具有較強(qiáng)的魯棒性，能夠?yàn)橛吞锕?jié)能降耗生產(chǎn)提供指導(dǎo)性幫助。