让纳若尔油田重复酸压选井选层方法研究及应用

让纳若尔油田重复酸压选井选层方法研究及应用
蒋卫东;孙春柳;高书杰;王胡振;李改海
【摘要】There are more than 550 producing well in Zanarol Oilifeld, of which nearly 60 percent of acid fractured wells have lost effectiveness, and need repeated stimulation. Candidate well selection is one of the key links which affects the re-fracturing effect. Based on the theory research of well selection methods, according to reservoir characteristics of Zanarol oilifeld and stimulated well performance, production statistics, virtual intelligence and production prediction technique have been used to build repeated acid fracturing well selection model, a new way to select carbonate reservoirs and wells. Oilifeld application shows this comprehensive method increased the effective ratio of re-stimulation, productivity and producing degree of single well have been increased by using different re-fracturing technique, playing an important role in keeping the production stable in Zanarol oilifeld.%让纳若尔油田生产井经过酸压改造后其中60%的油井经过多年生产已经失效需要进行重复改造，而选井选层是关系重复改造效果的关键环节。

基于国内外选井选层理论方法研究，针对让纳若尔油田的储层特征条件、以往300余口井改造效果分析以及阿克纠宾酸压井的生产现状，通过产量统计法、人工神经网络法和重复改造产能预测分析建立重复酸压选井模型，形成碳酸盐岩储层选井选层新方法。

现场应用表明，综合选井选层方法进一步提高了酸压改造有效率，提高了单井产能和动用程度，有利于让纳若尔老油田持续稳产。

【期刊名称】《石油钻采工艺》
【年(卷),期】2014(000)002
【总页数】4页(P109-112)
【关键词】哈萨克斯坦;让纳若尔;失效老井;选井选层;数学方法;重复酸压
【作者】蒋卫东;孙春柳;高书杰;王胡振;李改海
【作者单位】中国石油勘探开发研究院，北京100083;中国石油勘探开发研究院，北京100083;渤海石油职业学院，河北任丘062552;东北石油大学石油工程学院，黑龙江大庆 163318;东北石油大学石油工程学院，黑龙江大庆 163318
【正文语种】中文
【中图分类】TE357
让纳若尔油田酸压改造井经过多年生产已经失效需要进行重复改造，而选井选层是关系重复改造效果的关键环节。

Advanced Resources国际公司、斯伦贝谢公司、Intelligent Solutions公司等均开展大量碳酸盐岩重复改造研究工作，其研究方法主要包括产量统计法、神经网络法、虚拟智能技术等［1-3］。

根据复杂碳酸盐岩油田储层特征通过产量统计法、神经网络法及重复改造产能预测分析法3种方法
进行复杂碳酸盐岩重复酸压的选井选层方法研究。

1 重复酸压选井选层方法
1.1 产量统计法
产量统计法是通过将候选井的储层物性参数、生产动态数据和现场施工情况进行综合分析，然后判别出需要重复改造的井。

这种方法直观、快速且成本低，但在致密、存在天然裂缝等非均质性强的油藏，油藏和完井差异对产能影响较大，以产量统计
分析方法来识别具备增产潜能的重复改造候选井准确率较低。

让纳若尔油田失效老井，由于施工压力和用酸量等条件的不同，在地层中产生的酸蚀裂缝形态也不同，而酸蚀裂缝形态是影响油井产量的关键因素。

油井产量与储层参数、施工参数之间存在着非线性关系，因此要选择重复酸压改造的候选井，单纯依靠产量对比是不科学的，必须充分考虑各井渗透率、油层有效厚度、非均质性等条件，以此判别出措施井。

1.2 人工神经网络法
神经网络是利用计算机硬件芯片或软件来模拟人脑的神经元和神经纤维组成的网络，从而形成对复杂现象的认识。

这种认识不是用简单公式来表达，而是以网络上各神经元的参数及各纤维的权值系数来表达。

在使用上分为学习阶段和应用阶段两大步骤。

在学习阶段，用户只需将大量数据及结论（或结果数据）一并交给网络，它将自动完成学习过程。

由于效果与其影响参数之间大多呈复杂的非线性关系，这种关系难以用传统的数学表达式来描述，各因素对改造效果的影响程度不同，而且某些因素之间存在交叉影响现象，因而可以用人工神经网络方法来解决这类高度复杂的非线性问题。

在处理参数间的复杂非线性关系时，利用网络上各神经元的参数而不是用传统数学中的简单表达式［4-7］。

人工神经网络与传统方法的程序比较如图1所示。

图1 传统方法与人工神经网络方法的比较
将已进行重复酸压改造井的静态数据、施工数据和生产动态数据作为学习样本库，对神经网络进行学习和训练。

设定渗透率、孔隙度、含油饱和度、有效厚度、酸液用量、目前产量为输入数据，重复酸压改造后产量为结果数据，给各连接权值分别赋一个区间（–1，1）内的随机数，设定误差函数e，给定计算精度值ξ和最大学
习次数M。

随机选取第k个输入样本及对应期望输出，计算隐含层各神经元的输
入I ip和输出O ip，通过计算误差函数对输出层和隐含层的偏导数，进一步修正
各层连接权值，并计算全局误差E，判断网络误差是否满足要求。

当误差达到预设计算精度ξ或学习次数大于设定的最大次数M，则算法结束，否则，选取下一个
学习样本及对应的期望输出，进入下一轮学习，直至满足精度条件为止，如图2
所示。

图2 神经网络学习过程
1.3 产能预测法
基于垂直裂缝井渗流特征，应用位势理论，推导垂直裂缝井产能公式。

重复改造井产能计算模型的推导过程如下［8-10］。

油层中心有1口垂直裂缝井，裂缝高度等厚于整个油层。

根据复位势理论，平行
于x轴，且与x轴距离为y0的裂缝在整个二维平面上产生的势分布为
式中，φf为垂直裂缝在平面上产生的势，m2/（Pa·s）；Q of为裂缝产能，m3/s；h为油层厚度，m；x f为裂缝半长，m；C 为常量，m2/（Pa·s）。

在（R evf，0）处和缝端（x f，0）的势可分别表示为
式中，φfe为裂缝在泄油半径处产生的势，m2/（Pa·s）；φff为裂缝在裂缝端点
处产生的势，m2/（Pa·s）；R evf为泄油半径，m。

由式（2）可得无限导流能力垂直裂缝产能公式
式中，k为渗透率，m2；p e为泄油半径处的压力，Pa；p f为裂缝缝端压力，Pa；μ为原油黏度，Pa·s；B为原油体积系数。

若裂缝为有限导流能力裂缝，并将裂缝内流动视为平行流，考虑到实际情况中裂缝半长远大于井筒半径，则有
式中，p w为井底流压，Pa；k f为裂缝初始渗透率，m2；ω为裂缝宽度，m。

由式（3）和式（4）可得有限导流垂直裂缝井产能公式为
其中，β为修正系数，根据实际酸压改造井的实际动静态数据分析计算所得。

应用（5）式即可预测重复改造油井的产能。

2 现场应用
选择让纳若尔油田6口候选井，分别采用3种方法进行重复改造选井分析，6口
井基本情况见表1。

表1 让纳若尔油田6口井基本情况井号投产日期/年-月-日渗透率/mD孔隙度/%含油饱和度/%有效厚度/m初期产量/t·d-1 2092 2001-06-26 2.00 12.00 76.00 65.0 95 2449 2000-09-02 6.00 12.03 72.72 44.0 70 3324 2002-09-22 29.41 8.79 78.98 16.6 40 3477 2001-12-13 8.00 11.02 78.00 8.0 46 3561 2004-09-11 14.33 10.78 87.39 37.6 78 3563 2005-07-13 8.99 10.07 79.13 21.2 68
2.1 产量统计法
按照产量统计方法对让纳若尔油田的6口候选井已有产量数据进行统计分析，折
算单位有效厚度月产油量如图3所示。

图3 折算后单位厚度月产油量对比
根据近3个月的折算单位厚度月产油量，按照产能由小到大排序，见表2，2092井、3477井、3324井单位厚度月产量低，表明对应井层控制储量小，物性差，
也可能储层伤害再次改造潜力大。

表2 单位厚度产能排序排序 1 2 3 4 5 6井号 2092 3477 3324 3561 2449 3563 2.2 人工神经网络法
选择让纳若尔油田的50口已进行重复酸压改造井的静态数据、施工数据和生产动态数据作为学习样本库，完成学习过程后，对让纳若尔油田6口候选井进行重复
酸压改造产量预测，6口候选井的输入数据及预测产量见表3。

表3 神经网络法输入数据及预测产量井号第1次酸压酸液用量 /m3第1次酸压
前产量/t·d–1第1次酸压后产量/t·d–1目前产量/t·d–1预测压后产量/t·d–1预测增油量/t·d–1 2092 234.0 7.0 64.0 3.0 54.4 51.4 2449 266.5 23.0 68.0 13.0 73.8 60.8 3324 210.0 10.0 42.0 8.0 73.0 65.0 3477 116.0 5.0 31.0 6.0 9.9 3.9 3561 221.3 13.0 42.0 17.0 22.8 5.8 3563 228.0 23.0 27.0 14.0 21.8 7.8
根据神经网络法预测的重复改造后的产量，按照改造前后增产量的高低，得到神经网络法建议重复改造潜力最大的井为3324井、2449井、2092井。

2.3 产能预测法
应用重复改造产能预测公式，带入6口候选井的相关数据，进行了重复改造产能
预测，预测产量见表4。

表4 重复改造产能预测数据 t/d井号 2092 2449 3324 3477 3561 3563压前产
量 3.00 13.00 8.00 6.0 17.00 14.0预测产量 27.5 63.8 31.7 20.1 36.76 23.9预
测增油量 24.5 50.8 23.7 14.1 19.76 9.9
根据重复改造产能预测结果，按照改造前后增产量的高低，得到建议重复改造排序，见表5。

表5 重复改造产能预测分析建议重复改造排序排序井号1 2449 2 2092 3 3324 4 3561 5 3477 6 3563
从3种选井选层方法的结果来看，产量统计法的重复改造井排序与神经网络法和
产能预测法的出入较大，说明油藏非均质性较强时产量统计法不能区别油藏差异和完井效果的影响。

从神经网络法和产能预测结果来看，6口候选井中3324井、2449井、2092井的重复酸压改造效果较好，应作为优先改造井。

另外3种方法
的预测结果同已有施工数据、生产动态对比来看，神经网络法对复杂碳酸盐岩重复酸压改造的预测结果较理想，是3种方法中最适合复杂碳酸盐岩重复酸压改造选
井选层的方法。

3 结论
针对让纳若尔油田的储层特征条件以及阿克纠宾酸压井的生产现状，研究了重复酸压改造选井选层方法，并对让纳若尔油田6口候选井进行了实际应用，综合3种方法的应用结果，选定3324井、2449井、2092井作为优先酸压改造井。

通过将3种方法的选井结果同已有施工数据、生产动态对比来看，神经网络法对复杂碳酸盐岩重复酸压改造的预测结果较理想，是3种方法中最适合复杂碳酸盐岩重复酸压改造选井选层的方法。

【相关文献】
［1］ CHEN Heryuan, LAWRENCE W Teufel. A new rate-time type curve for analysis of tight-gas linear and radial flows［R］. SPE 63094, 2000.
［2］ GEORGE Dozier, JACK Elbel, EUGENE Fielder, et al.Re-fracturing works［J］. Oilfield Review, 2003, 15(3):38-53.
［3］ NORMAN LILEY J E, STUART Oakley. Dow n hole pressure boosting in natural gas wells: well candidate selection and project progress［R］. SPE 96037, 2012na s.
［4］刘洪，赵金洲，胡永全，等. 模糊神经网络系统在优选压裂井层中的应用［J］.钻采工艺，2002，25(5)：34-37.
［5］杜卫平.重复压裂选井选层人工神经网络方法［J］.钻采工艺，2003，26(4)：106-107. ［6］郭建春，吴建发，赵金洲.压裂酸化选井的人工神经网络软件研制［J］.天然气工业，2004，24(11)：67-70.
［7］位云生，胡永全，赵金洲，等.人工神经网络方法在水力压裂选井评层中的应用［J］.断块油气田，2005，12(4)：42-46.
［8］于巍巍.压裂井产能计算方法研究［D］.成都：西南石油大学，2007.
［9］戴庆，戴江，周宏权.压裂井产能预测理论曲线分析［J］.西南石油大学学报：自然科学版，2009，31(2)：74-78.
［10］王明，朱维耀.低渗透油藏五点井网压裂产能计算及其影响因素［J］.油气地质与采收率，2010，17(3)：83-89.。