《人工智能在非常规油气储层中的应用（识别最佳位置）》朴茨茅斯大学博士论文294页

摘要

在过去的十年中，非常规油藏的油气生产变得越来越普遍，对了解和分析这些资源的地球化学、岩石物理和地质力学特性的要求也越来越高。

最近智能技术的发展，如机器学习技术、模糊逻辑和优化算法，为来自不同学科的科学家提供了一个强大的工具来分析其数据。这些方法，同样可以用于上游产业，以提高油田开发的效率。

在这项研究中，作为西非未来发展的高潜力候选油田，将对Nene Marine油田进行分析，以找到其最佳生产区（甜蜜点）。与页岩层互层的Djeno地层的致密砂岩是该油田的主要生产区。首先，将采用常规的储层评估方法对储层进行分类，并检测出最佳区位。为此，将根据现有数据计算各种储层属性，包括岩石物理、地球化学和地质力学参数。为了验证结果，将把确定的甜区与Djeno地层的现有流动性数据进行比较。之后，将构建一个储层生产区的三维模型。

致密砂油藏的开发，除了对油藏性质的全面研究外，还需要一个精确的刺激计划，以使项目经济。因此，我们将为尼内油田提出一个全面的水力压裂分析。

作为补充，先进的人工智能技术，包括有监督和无监督的ML技术（模糊C-Means（FCM）、层次聚类、K-Means、Logistic回归、K-Nearest Neighbors（KNN）、随机森林和Boosting），以及深度学习（DL）方法将被用来识别最佳点。此外，还将介绍一种新的水库分类方法（Quick Analyser），该方法基于截止值或最佳值而工作。将考虑在Nene油田应用这种方法，并将对阿曼的另一个油田进行演示。在检查了所提出的甜区识别方法的准确性后，将对所有的方法进行比较，并确定最佳方法。

本研究中智能技术的另一个应用是剪切速度波的估计（地质力学分析的一个重要参数），它是通过使用模糊推理系统和优化算法的整合来完成的。最后，将说明ML技术（无监督学习）在储层分类中的应用，通过使用地震SEGY数据，对一个北美油田进行分类。这项研究的结果显示了先进的人工智能技术在石油工业中的巨大潜力。

第1章：简介

1.1 动机

对于石油公司来说，储层分析一直是一个具有挑战性的过程。将现有的数据，包括岩石物理、地球化学和地质力学参数结合起来的过程是耗时和复杂的，而且最终的结果通常显示出较低的准确性。人工智能（AI）技术的最新进展为每个科学领域的数据分析提供了精确的方法，这也可以应用于油藏分析。在本研究中，人工智能被应用于非常规油藏的开发，这种新的工具对非常规油藏的开发具有重要意义。

1.2 引言

尽管一些非常规资源，如重油和油砂，已经开发了一段时间，但从深层非常规资源，如页岩气和页岩油，大规模生产石油和天然气是最近发生的。德克萨斯州中部的巴奈特页岩的成功，为北美其他一些成功的页岩区带来了机遇（Bowker，2003；Parshall，2008；Alexander等人，2011；Ratner和Tiemann，2014），包括Fayetteville、Haynesville、Marcellus、Woodford、Eagle Ford、Montney、Niobrara、Wolfcamp和Bakken。虽然页岩矿在过去十年左右一直是焦点，但非常规资源的范围更广。

非常规油藏的主要特征包括低至超低的渗透率和低至中等的孔隙度。因此，与常规资源相比，从这些储层生产碳氢化合物需要不同的开采技术。非常规储层必须被刺激，以可接受的流速生产碳氢化合物，以回收商业数量的碳氢化合物。非常规油藏的渗透率大多低于0.1mD，而渗透率高于0.1mD的油藏一般被认为是常规油藏（Zou，2013）。

但这在实践中并不明确，因为储层的渗透率从来不是一个恒定的值，而且储层的渗透率异质性，无论是常规的还是非常规的，通常都很高。在大多数常规储层中，页岩被认为是源岩或封层，因为它们的渗透率很低，但巴奈特页岩矿区已经证明，页岩可以成为重要的储层。页岩是地球上最丰富的沉积岩层，但不是所有的页岩都是油气层，也不是所有的页岩储层都是一样的。没有一个独特的地质或岩石物理参数可以决定非常规储层的高油气产量，但有两类变量很重要：储层质量和完井质量（Miller等人，2011；Cipolla等人，2011）。完井质量衡量裂缝启动的潜力，这是由有效刺激非常规油藏所需的地质力学参数决定的。储层质量是生产力的衡量标准，由使非常规储层成为可行的开发对象的岩石物理参数决定，包括TOC、热成熟度、有效孔隙度、流体饱和度、在位气体和孔隙压力（Miller等人，2011；Cipolla等人，2011）。

由于非常规地层的紧密性，开发这些资源与开发常规储层有很大不同。与开发常规储层相比，从致密地层中生产碳氢化合物往往不仅需要钻更多的井，而且还需要现代技术，包括水平钻井和水力压裂技术。

事实证明，水平钻井和多级水力压裂技术的结合是许多页岩和其他致密油藏经济生产油气的关键。这些新技术中的重要变量和参数包括水平井模式、水力压裂设计、阶段数和穿孔群。各种井距试点是常用的，各种水力压裂操作方案也经常被测试，以优化井的位置（Waters等人，2009；Du等人，2011；Warpinski等人，2014)。

1.3 问题说明

在过去的几十年里，石油工业已经开发出了一些技术，使其有能力在陆上沉积盆地的这些储层开发过程中钻出更长的横向管道并完成更多的阶段。尽管新技术的发展推动了开采成本的下降，但在非常规油藏中开采油气仍然是风险和资本密集型的，（Ahmed和Meehan，2016）。这些技术只能生产不到10%的页岩油，而且致密油藏的石油采收率也很低（Sheng等人，2017）。

非常规资源的生产性能高度依赖于在具有优质岩石特性和良好生产潜力的储层区间准确布置水平井和压裂阶段。然而，由于许多运营商没有确定储层的特征，他们盲目地钻探和刺激。由于缺乏更好的替代方法，他们采用试验和错误的方法进行钻探和刺激，（Vasilis等人，2012）。

许多人不了解储层的压裂能力（页岩脆性、应力和粘土含量），也不了解他们的井是否被放置在有机物丰富（总有机物含量或碳氢化合物含量高）的区域。根据最近关于美国页岩的报告（Welling and Company 2012和Hart Energy E & P Magazine 2012），每10口页岩气井中就有3口取得了商业成功，而被开发的压裂阶段中，多达60%的压裂阶段对生产有贡献，其余40%的压裂阶段对生产的贡献很小，如果有的话。相应地，73%的运营商承认他们对地下世界的了解不够，无法开发出有效的压裂设计。事实上，在美国每年钻探的15000口水平井中，只有不到10%进行了测井（SPE应用技术研讨会2012）。

非常规资源开发是资本密集型的，因此，运营商需要立即拥有现金流。许多运营商在为一个密集的开发项目做准备时，时间和资金已经很紧张了。获取急需的储层数据的试验计划需要时间，而所需的技术可能会增加初始资本支出。目前常见的做法是完全避免测井，而是依靠 "统计钻井"（不管垂直和横向的异质性，每隔200至300英尺就打一口水平井）和 "几何压裂"（沿横向均匀分布的阶段）。

在 "统计钻井 "中，钻井时往往不考虑地质情况。为此，在一个区域内使用相同的模式和完井方法钻出大量的水平井眼。统计钻井的做法导致许多油井被放置和完成在矿物学和岩石特性不利的储层区间，导致生产性能低于预期，以及与过多的阶段放置、马力和支撑剂有关的不必要的成本。这些做法会导致产量不稳定或低于预期。当钻井成本很低时，这些做法已被证明只是部分有效（Ahmed和Meehan，2016）。

1.4 研究问题

➢ 我们如何使用新型人工智能（AI）技术来改善非常规油田的开发？

➢ 产量不一致会不会是油井和裂缝设计不当的直接结果？

➢ 通过更好地了解非常规油藏的独特属性，是否有可能降低商业和技术风险？

➢ 能否预测和抵消那些可能妨碍盈利的因素？

➢ 是否有可能利用人工智能（AI）技术展示一个多学科数据驱动的工作流程，以便在开发非常规资源区（UPR）时提供一个全面的、具有成本效益的做法？

➢ 水力压裂井能否通过避免统计钻井而使产量最大化？

➢ 是否有可能通过人工智能分析所有现有的数据，来确定甜蜜点并确定最佳刺激区间？

➢ 能否确定对生产力有最大影响的因素？

➢ 是否有可能将侧向钻井降落在远景区间内，并保持在远景区间内的位置，以达到提高钻井效率的目的？(引导油井通过甜区以提高产量)？

➢ 人工智能技术能否胜过储层分类的常规方法？

1.5 方法学

为了解决上述问题，我们提供了一个数据驱动的工作流程（多学科），并建立了模型，提供了描述和验证油井结构的能力，解决了页岩和致密层的产量预测问题，以及一个实用的油田开发设计和优化平台，同时将页岩油气开发相关的风险、不确定性和成本降到最低。这种方法依赖于对刺激岩量从近井口附近向地层深处的传播进行建模。这个工作流程（见表1.1和图1.1）确定了岩石物理学、完井、地质学、地球化学、地质力学、经济学之间的联系，并采用了地质和工程因素，可以结合地质描述和作业条件来解决速率性能问题，从而掌握了解和分析非常规资源的重要因素。

表1.1: 博士工作流程（挑战、价值和解决方案）。

挑战	价值观	解决方案
数据的可用性和可访问性	确定水库的特征，以确定和优先考虑未来的开发地点	在区域层面上了解地下环境
水库非均质性和质量低	确定甜点	应用人工智能技术识别和量化总有机含量最高的区域
确认碳氢化合物	找到在生产性能中最重要的因素	利用人工智能技术估算岩石的地质力学性质和原位应力，以表征岩石的力学性质和应力状态
确定放置油井的最佳位置和优先确定钻井位置	确定最佳井的位置、间距、方向和横向长度。	确定孔隙度、流体饱和度和流体类型
确定未来的开发位置、井的间距、方向和横向长度	识别断裂屏障和地质危险因素	确定适当的碳氢化合物，并验证总有机含量
验证烃回收率	确认碳氢化合物并确定	用岩芯样品校准测井测量值，以验证渗透性、孔隙度、矿物学、饱和度和岩性。
确定井的间距、方向和横向长度	优化现场开发计划和经济效益	验证碳氢化合物的位置、可回收性和生产能力。利用人工智能技术优化现场开发计划
提高生产力	降低成本和风险，尽量减少假设，避免不必要的复杂性	通过人工智能(AI)完善预测储层模型和经济效益

图1.1: 多学科数据驱动的工作流程。

1.6 目的

本博士研究项目的目的是证明在致密气或页岩气层中钻出的单个井筒可以通过水力压裂的方式实现产量最大化，而不是在试验和错误的基础上钻出无数口井并进行水力压裂（统计钻井）。这在欧洲尤其重要，因为那里有土地面积的限制和钻井的限制。

1.7 目标

❖ 找到并采用人工智能技术来改善非常规油藏的开发。

❖ 了解并评估非常规油藏的复杂特征、油藏质量以及致密层或页岩层的完井质量。

❖ 通过分析和确定岩石物理学、地质力学、地球化学和地质学等关键储层特性，提高生产力，优化致密气或页岩气藏的生产性能（油井性能），以确定刺激 "甜蜜点 "的最佳区间。

❖ 考虑到最佳工程实践（完成/刺激），通过优化阶段安置和间距，设计有效的压裂处理。

❖ 通过人工智能技术展示一个多学科数据驱动的工作流程，为开发非常规资源（UPR）提供一个全面、经济、高效的指导。

1.8 布局

本论文的布局如下。从广义上讲，这项工作提出了一个水力压裂的多学科数据驱动的工作流程，并为非常规资源开采（URP）的开发提供了全面的指导。图1.2展示了基于现有数据集的博士项目总体布局。

图1.2：博士生研究大纲。