重油生产热恢复概况.

热增强油回收(EOR)仍然是提取在储油层条件下无法自然流动的重原油和比特质的一种基石技术,蒸汽辅助重力排水、循环蒸汽刺激(CSS)和蒸汽洪水等方法依赖注入热——典型的蒸汽形式——来降低油粘度和提高流动性,这些过程受储油层内多相流、热传导和地质力变化的制约,使它们在本质上变得复杂和无线。

准确预测热回收性能 — — 包括生产率、蒸汽-油比(SOR)和回收系数 — — 对经济可行性和运行规划至关重要。 传统的储油层模拟方法虽然很强健,但计算成本昂贵,往往需要几周的校准。 人工智能(AI)提供了一种变革性替代方法,能够快速地、以数据为动力进行预测,从而能够实时适应新的测量。

AI 用于热恢复预测的技术

人工智能,特别是机器学习(ML)和深层学习(DL),已经成为一种预测热回收性能的强大工具。 这些模型从历史场数据、合成模拟输出或两者的组合中学习,以识别传统分析模型无法轻易捕捉的规律。

返回任务的监督学习

热回收预测中常用的受监督的学习算法包括随机林、梯度增压机(XGBoost, LightGBM)和支持向量回归。 这些模型采用注入温度、储油层渗透性、孔隙性、初始油饱和度等输入特征,以及预测累积石油产量或瞬间SOR等连续变量的运行历史。 例如,在阿塔巴斯卡油砂中经过SAGD操作数据培训的随机森林模型,可以在适当的特性工程后预测月产量,误差不到5%。

深层学习和经常性神经网络

由于热回收数据本质上基于时间序列(温度剖面、压力下降、注射率随时间推移),经常神经网络(RNN)和长期短期内存(LSTM)网络表现出了优越的性能. LSTM模型可以吸收日常操作测量的序列,并输出储油层反应周或数月后的预报. 这些模型现在正在被整合到实时监测仪表板中,当关键性能指标偏离了预测信封时,提醒工程师.

空间数据进化神经网络

神经网络(CNN)越来越多地应用于地质和地球物理数据 — — 如三维地震量、抗震影像或井状阵列 — — 以描述影响蒸汽兼容性的储油层异质性。 CNN可以预测蒸汽突破可能发生在何处,让操作人员主动调整注入剖面。

数据要求和管道挑战

建立有效的热回收AI模型需要高质量的具有代表性的数据集。

  • 每日注射率和产量(石油、水、蒸汽)
  • 底孔温度和压力
  • 储水层属性(孔径、渗透性、净薪厚度)
  • 完成细节(井间距、穿孔间隔)
  • 流体特性(在储油层条件下的维度、密度、 API重力)

然而,许多油田的数据很少或吵闹,仪器故障或人工记录错误造成的缺口必须使用域认识方法来估算,此外,数据分布往往在蒸汽室增加和压力耗尽时,随着蒸汽室的变迁而发生非固定的 -- -- 后备行为变化。为了保持预测准确性,模型必须定期重新训练或用在线学习算法更新。 热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热热

案例研究:热恢复领域应用中的AI

为了说明现实世界的影响,请考虑加拿大麦克默雷形成公司(McMurray Formation)的SAGD项目。 工程师们历来使用一个有限偏差模拟器,为每个新的井垫建造和校准需要三个星期。 在安装了梯度激发的ML代位模型之后,在模拟器的历史输出方面接受了培训,预测时间以相当精确的精确度下降到不到一分钟。 该模型允许快速评估数十种蒸汽喷射方案,两年内将蒸汽-油比提高了12%。

另一种应用发生在加利福尼亚州的循环蒸汽刺激(CSS)场. LSTM网络接受了200口井15年运行数据的培训,模型预测了峰值油速率和循环寿命,使操作者能够优化每口井的循环数量,避免将不必要的蒸汽注入耗尽区,从而在保持生产水平的同时,每桶蒸汽成本降低了9%。

AI-Driven预测的好处和限制

密钥优点

  • 描述:[AI模型以秒计评价数千场景,而基于物理的模拟器则需要小时或天数.
  • 适配性:模型可以使用新的场数据进行更新,而无需从零开始重建.
  • 平面识别:[ AI捕获非线性关系和相互作用,这些关系和相互作用在闭式方程中难以编码.
  • 不确定的量化:概率AI方法(如贝叶斯神经网络)提供围绕预测的置信间隔,协助基于风险的决定.

考虑的限制

AI不是银弹。 仅根据历史数据训练的模型可能无法推断到隐形储层条件或操作变化—— 这个问题被称为] 分配转移[。例如,如果在培训集中引入新的蒸汽注入模式,模型的预测可能不可靠。 此外,AI模型需要针对盲测试集进行认真验证,最好对储层进行物理理解。黑盒模型可能难以审计,因此,像SHAP或LIME 那样的解释性AI(XAI)方法越来越被采用来解释哪些特征能驱动预测。

与数字双胞胎和IOT传感器的整合

下一个前沿是将AI预测模型与数字双胞胎——从井、管道和蒸汽发电机上安装的IOT设备接收实时传感器数据的物理资产虚拟复制件结合起来。 用于SAGD操作的数字双胞胎可以摄取光纤温度测量(分布温度感测、DTS),并自动重新训练AI模型,以随着蒸汽室几何变化调整其预测。 这种闭路系统能够自主控制蒸汽注射,其中AI剂可以不进行人干预,每小时决定最佳注射率。

与常规的基于时间表的操作相比,早期测试这些集成系统已经显示出高达15%的热效率。 关键的挑战仍然是网络安全和数据延迟性;然而,边缘计算解决方案正在通过直接在井址处理数据来缓解这些担忧。 Directus 这样的Fleet数据管理平台非常适合在维持治理和审计线索的同时,将传感器数据流向AI推论引擎。

未来展望:混合物理-AI模型

研究人员正在超越纯粹的数据驱动方法,转向将热流和流体流的局部微分方程直接纳入神经网络的失落功能的物理知情神经网络. PINN即使使用有限的培训数据,也能产生物理上一致的预测,它们也暗含地遵守了保存规律. 合成热恢复案例的早期结果显示,PINNs能够与计算时间的一小部分匹配数值模拟器的精度.

另一个有希望的方向是强化学习(RL),以进行最佳的闭路控制。在这个范式中,RL剂与储油层模拟器(或数字双胞胎)相互作用,学习在最大限度地增加累计石油产量的同时尽量减少蒸汽使用的政策。这些剂已经在学术基准中测试过,目前正在实际实地数据中试验。

最后,AI工具的民主化意味着,小的运营商现在可以通过云API或边缘设备访问预先训练过的模型,降低进入障碍. 政府资助的举措[继续发布热回收的开放数据集和基准模型,加速整个行业的创新.

关键外卖摘要

  • AI对热回收性能提供快速,准确的预测,使得实时决策得以进行,优化.
  • 深层学习模型(LSTM、CNN)在捕捉水库数据的时间和空间依赖性方面表现突出。
  • 能否成功部署取决于数据质量、模型验证和与现有外地基础设施的整合。
  • 混合物理-AI模型和数字双胞胎代表了下一波创新浪潮,有望提高效率和可持续性。
  • 随着AI技术的成熟,它在热回收中的作用将从预测工具扩展到自主场管理的核心部分.

投资于建设强力数据管道、培训特定领域人工智能模型以及提高员工技能的经营者,在向更聪明、更可持续的重石油开采过渡的过程中,将获得显著的竞争优势。