用于在使用人工神经网络在储层模拟中模拟管道水力学的系统和方法

摘要

描述了用于实现储层模拟器的方法。该方法包括通过对关于储层条件的初始一组输入数据进行计算，从而获得相应的输出数据，来导出训练数据；训练人工神经网络（“ANN”），从而使用该训练数据执行计算；以及使用经训练的ANN执行对第二组输入数据的计算，从而获得在执行模拟中供储层模拟器使用的相应输出数据。

说明书

背景技术

储层模拟（Reservoir simulation）是采用计算机模型预测诸如石油、水、 和气体之类的储层内的流体的流动的储层工程的领域。储层模拟由石油生产者 用于确定怎样最好地开发新油田，并且用于生成产量预测，投资决策基于该产 量预测以及已开发的油田。

储层模拟在数值上建模储层中的烃类和海水的流动以及流体通过该管道 和装置的流速，该装置包括用于储层的收集和注入设施。影响由储层模拟器计 算的流速的主要因素之一是管道水力学，特别是储层的收集和注入设施的管道 中的压力降。因此，为了准确监控并模拟储层流速，必须精确地计算压力降。

在现有储层模拟中，用于诸如油井管连接的收集和注入设施的压力降数据 是从查找或VLP表格获得的，或者通过使用压力降相关性计算该压力降获得 的。以第一种方法，VLP表格是由使用压力降相关性的模拟器之外的程序计算 的。该VLP表格是多维的，提供作为几个变量的函数的压力降。这变量这些 变量一般包括一个相的表面流速，诸如出水量和气/油比（water cut and gas/oil） 的比值、在管道一端处的压力、和用于组分模拟的一些组分变化的测量，诸如 关键组分摩尔分数或平均分子量。这个方法没有完全获取该流体组分的依赖性 （即，流体中每个组分的摩尔分数，其限制了用于组分模拟的VPN表格的有 用性）。

在第二种方法中，在模拟期间使用压力降相关性计算压力降，因此完全获 取组分依赖性。然而，这可能在计算上代价大，因为既使用于流速、组分、和 压力的值类似于先前计算，在模拟期间，随该流速、流体组分、和压力变化， 也必须实行该计算许多次。

附图说明

可以通过参考结合附图进行的下列描述获得本公开以及其优点的更完整 的理解，其中：

图1说明包括多个井的储层模拟模型的实例。

图2是用于根据一个实施例训练ANN的示例性系统的框图。

图3是使用图2的经训练（trained）ANN执行的一部分储层模拟的示例 性实施例的框图。

图4是由诸如图3的储层模拟器之类的储层模拟器执行的迭代求解过程 （iterative solution procedure）的实施例的流程图。

图5是根据一个实施例使用Beggs和Brill相关性的压力降计算的流程图。

具体实施方式

在实施例的详细说明中，全部采用类似数字标明类似的部件。可以省略诸 如管道、阀门、机泵、紧固件、配件等设备的各项，从而使该描述简化。然而， 本领域技术人员会认识到，能够按照需要采用常规设备。

为了克服上面提到以及其他现有方法的限制，本文中所述的一个或更多实 施例包括采用人工神经网络（“ANN”）作为代理模型的储层模拟器。起初， 如下面参考图5所述，一个实施例使用压力降相关性计算压力降数据并且存储 该输入数据和相应的输出数据（即，压力降），该输入数据包括总质量（或摩 尔）流速、该流体的组成（即，其每个组分的质量或摩尔分数）、在该管道的 入口或出口处的压力、以及与在管道中的位置有关的流体的温度。可替换地， 该输入数据能够包括每个组分的质量或摩尔流速，以及入口或出口压力和温度 分布。在几个时间步骤之后，该相应的输入和输出数据被有利地用于训练该 ANN。可以通过外插法（extrapolation）扩展该先前的输入数据，并且可以在 训练该ANN从而扩展在其上该ANN会精确的范围之前，实行对该外插数据 的额外压力降计算。一旦已经训练该ANN，那么其可以被用作储层模拟器中 的代理模型，从而计算与当前流速、压力、和温度有关的压力降，并且如果该 模拟器需要，那么从而通过使该输入数据关于当前条件扰动来提供数值导数。 周期性地，或者响应于该输入数据从该训练数据的范围的显著偏差，可以再次 实行全压力降计算，从而确保该输入数据仍旧在该ANN在其中提供足够精确 的结果的范围内。也可以存储这些周期性计算，以便当该ANN的精确度变得 无法接受时，可以用来重新训练该ANN。与必须利用压力降相关性相反，使 用该ANN计算该压力降会引起相当大的CPU时间的节省。另外，该模拟器的 精确度会胜过使用VPN表格，给予该模拟有限的能力从而获取组合效果 （compositional effects）。

例如，在许多情况下，使用略微变化的输入运行相同基础模拟数据（base  simulation data），从而评价替换的经营策略是常见的。为了从ANN获得更加 大的优点，能够在第一次模拟运行完成时输出用于经训练ANN的最终参数和 被用于训练该ANN的数据，并且这些参数和数据被用于相同基础模拟模型的 随后运行。如在初始运行中，检查该ANN的精确度，从而确定该输入数据是 否从训练数据的范围偏离，因此如果随后的运行引起与该初始运行显著不同的 条件，那么能够重新训练该ANN。

ANN作为储层模拟器中的代理模型的使用也可以提供为所计算的压力降 提供一些平滑处理的优点。因为流动状态的改变，诸如段塞相对泡状流（slug  versus bubble flow），压力降相关性通常具有不连续性。通常，这些不连续性 不表示真实的物理现象，而是表示该相关性的限制。在数值上不期望不连续性， 因为它们能够使一般被用于储层模拟器中的该Newton迭代法的收敛减慢，乃 至能够阻止该收敛。

图1说明了储层模拟模型100的实例，该模型100包括四个油井102和将 油井连接至终端106的表面管道104的网络。每个油井102都经由井管112被 连接至各自的完井110。

图2是根据一个实施例用于训练用于模拟诸如由模型100（图1）表示的 储层的人工神经网络（“ANN”）201的示例性系统200的方框图。为了举例， 将假设正在训练该ANN201，从而起到供储层模拟器中使用的代理模型的作 用，从而计算与当前流速、压力、和温度有关的压力降，并且如果该模拟器需 要，那么从而通过使该输入数据关于当前条件扰动来提供数值导数。特别是， 如图5中所导出的训练数据202被输入到该ANN201，其输出与目标数据204 相匹配并且被用于生成误差向量206。监督学习模块208利用所接收的误差向 量206按照需要调整该ANN201的加权值。重复这个过程，直到该ANN201 已经收敛，即，直到确定该误差向量在预定范围内。在这一点上，该ANN201 被认为是已经“被训练”。在训练期间，被输入到该ANN201的训练数据包 括如上所述用于计算压力降的输入数据，并且该相应的目标数据包括在该训练 数据推导期间使用压力降相关性计算的该压力降。

将进一步认识到，该训练数据202和目标数据206可以被存储在一个或更 多数据库和/或其他类型的存储器中，并且经由执行存储在计算机可读存储媒体 上的指令的一个或更多处理器来实现该ANN201。另外，尽管未示出，但应当 理解，该系统200也可以包括用于使用户能够在其各个点上与该ANN训练过 程相互作用的各种输入和/或输出装置，并且该系统200可以包括用于实行该系 统的各种功能的一个或更多计算机实现模块。此外，尽管图2中说明了训练该 ANN201的一种方法，但是应当认识到，许多不同的已知训练方法（例如，进 化（evolutionary）、模拟退火、最大期望（expectation-maximization）、和非 参数法）和/或ANN的类型（前馈和再现）可以被用于训练和实现该ANN。

图3是使用ANN201实现（在如参考图2所述的ANN201已经训练之后） 的一部分储层模拟器300的示例性实施例的框图。如在图3中所说明的，响应 于包括流速、流体组分、压力和温度的输入数据302，该ANN201产生输出数 据304，即相应的压力降计算。应当认识到，该输入数据302和输出数据304 可以被存储在一个或更多数据库和/或其他类型的存储器中，并且经由执行存储 在计算机可读存储媒体上的指令的一个或更多处理器来实现该模拟器300和该 ANN201。另外，尽管未示出，但应当理解，该模拟器300也可以包括使用户 能够在该ANN训练过程的各点与该训练过程相互作用的各种输入和/或输出装 置。

现在参考图4，其中说明了在储层模拟器中的迭代求解过程的实施例的流 程图。在步骤400中，使用来自在前面的时间步骤的解或者基于从储层到井眼 的一般流速和压力降的任意估算，将油井和网络流速以及压力初始化。在步骤 402中，使用作为固定边界条件的该储层压力和储层中的流体移动性以及来自 初始估算或先前迭代的流速和压力来评价该油井和网络方程。该网络方程可以 包括压力降方程、组分质量平衡、速率和压力约束方程及其它方程。这个步骤 可以包括迭代，从而确定在井管、管道、以及（可能地）完井中的压力降。在 步骤404中，确定该解是否已经收敛。通常，当使用当前流速和压力计算的压 力降在小容许限度内符合在网络中每个连接的入口和出口之间的压力差时，满 足全部速率和压力约束（即，完全满足或者不超出）时，在小容许限度内满足 质量平衡时，并且在小容许限度内也满足诸如分离器方程（separator equations） 的任何其它方程时，该解收敛。如果不符合以上，执行继续到步骤406，其中， 对线性化油井和网络方程求解，并且更新流速和压力，在这一点上，执行返回 到步骤402。一旦在步骤404中作出确定，该解已经收敛，执行继续到步骤408。

在408中，同时求解储层和油井方程的线性化系统，并且更新流速和压力。 应当注意，可以同时或顺序地求解网络和压力降方程。在步骤410中，确定解 是否已经收敛。如果没有，执行返回到步骤402；否则，执行继续到步骤412， 其中访问在紧接的前面时间步骤中计算的该油井和网络流速，以便使用，并且 执行返回到步骤404。

至少存在两个众所周知的先有技术计算管道中的压力降的方法。在任一方 法中，该管道、井管、或者完井被分为许多段。在第一种方法中，该管道被精 细分段，并且通过计算每个管道段中的压力降而无需迭代地执行压力降计算。 在这方法中，选择该管道段的一端作为起始点，并且在管道段的该端处的压力 被用作边界条件。以该压力评价该流体特性，并且该特性被用于计算在管道段 的另一端处的压力。所计算的压力变为用于下一管道段的边界条件。第二种方 法将该管道更粗略的分段，并且以该管道段的平均压力评价流体特性，然后迭 代，直到该压力收敛（converge）。

现在参考图5，其中说明了根据一个实施例使用Beggs和Brill相关性的压 力降计算的流程图。给定流速、组分、平均温度、和对每段的段压力降的初始 估算，在步骤500中，该状态方程或其他PVT模型被用于计算每个相（例如， 油、气、和水）的流体特性（诸如密度和粘度）。在步骤502中，在步骤500 中所计算的特性被用于计算每个相的体积流量和速率。在步骤504中，计算无 滑移持留率（no-slip holdup）和无量纲数（诸如雷诺数（Reynold's number））， 其中无滑移持留率是液体体积流量与总体积流量的比率。在步骤506中，根据 无滑移持留率和无量纲数确定流动模式。例如，在一个实施例中，流动模式可 以是分离式（508）、间歇式（510）或分布式的（512）。在步骤514中，计 算该摩擦系数和持留率，并将该摩擦系数和持留率用于计算每段中的压力降。 在步骤516中，对该段求和，从而获得整个管道的压力降。

在步骤518中，确定该管道的压力降是否在小容许限度内接近先前计算的 压力降。如果是这样，那么执行在步骤520终止；否则，执行继续到步骤522， 其中为整个管道求解线性化方程，并且更新压力。然后，执行返回到步骤502。

如图2中所说明的，应当认识到，图5中所说明的过程被用于推导用于训 练该ANN的初始训练数据（即，输入和输出数据）。一旦该ANN经训练， 那么该ANN本身被用于执行图5中所说明的过程。

尽管在本文中已经详细描述本发明的某些特性和实施例，但是应当容易理 解，在下列权利要求的保护范围和精神内，本发明涵盖全部更改和提高。此外， 除非如下列权利要求中所述的，在本文中所述的构造和设计的细节中没有意图 限制。此外，本领域技术人员会理解，如竖直或水平定向的各种组分的描述不 是意图作为限制，而是为了便于描述本发明提供的。

例如，尽管该ANN被描述为用作在储层模拟器中用于模拟管道水力学的 代理模型，但是该ANN可以用于建模该储层内的其他特性，用于产生供该模 拟器使用的数据。另外，尽管已经描述了训练该ANN的具体方法，但是许多 不同的已知训练方法的任何一种以及相应的ANN类型可以被用于训练并实现 该ANN201。此外，尽管示出该压力降计算，并且其被描述为使用Beggs和 Brill相关性执行，但是应当认识到，可以有利地使用其他相关性，诸如Hagedorn &Brown、Dukler II、Dunns&Ross、Orkiszewski、和Griffith。因此，显而易 见，可以变更或更改上面公开的特定的说明性实施例，并且全部这些变化被认 为在本发明的保护范围和精神内。同时，权利要求中的术语具有其一般普通的 意义，除非由本专利所有人另外明确并清楚地限定。