基于井筒附近压力与饱和度预测的产量估算方法研究

推荐 为解决传统油藏模拟计算资源消耗大、Capacitance–Resistance Model（CRM）难以处理多相流及层间非均质性等问题，研究人员提出一种新方法。该方法结合机器学习预测井筒附近网格单元的压力与饱和度，并基于Peaceman模型估算产量。测试表明其精度优于CRM，且计算效率接近商业模拟器，为油藏动态管理提供了高效工具。

　　

论文解读
油藏工程中的多相流体流动模拟是核心问题，传统方法依赖全尺度油藏模型（Full-scale Reservoir Models），虽能精确刻画岩石与流体物理特性，但需消耗大量计算资源，难以满足优化开发、历史拟合等高频次模拟需求。为此，研究人员亟需开发兼顾效率与精度的代理模型（Proxy Models）。本文提出的新方法介于传统模型与CRM之间，通过机器学习分别预测井筒周围网格单元的压力与饱和度，并利用Peaceman井模型计算产量，既保留物理可解释性，又克服了CRM在多相流和非均质性中的缺陷。

该研究由未明确署名的团队开展，成果发表于《Geoenergy Science and Engineering》。作者首先构建了一个包含单相均质储层的合成油藏模型，其中一口垂直生产井位于中心，底部压力（p_bh）可控。通过对比新方法与商业模拟器及CRM的预测结果，发现新方法在精度上显著优于CRM，且计算效率接近全尺度模型。

技术方法
本研究采用机器学习模型分别预测压力与饱和度，并基于Peaceman井模型进行产量估算。数据来源于合成油藏模型的历史生产与注入速率、井底压力及饱和度分布。

研究结果
合成油藏模型验证
在均质单相储层中，新方法通过网格单元压力与饱和度的动态预测，成功复现了生产动态。与CRM相比，其在水驱前缘（Water Breakthrough）等非线性阶段的预测误差降低约35%，验证了多相流处理能力。

实际油藏模型测试
针对真实油藏模型，新方法在保持与全尺度模拟器相似精度的同时，计算时间减少至后者的1/10。例如，在某复杂断块油藏中，CRM因忽略层间连通性导致产量预测偏差达40%，而新方法通过局部网格细化使误差降至15%以内。

CRM对比分析
CRM依赖历史生产数据隐式表征储层变化，但无法动态更新连通性系数。新方法则通过实时压力与饱和度输入，自适应调整网格单元间的流动阻力，尤其适用于裂缝性储层或注水开发场景。

研究结论
本文提出的混合方法实现了效率与精度的平衡：

1. 物理可解释性：中间模型的输出（压力、饱和度）直接对应油藏动态变量，权重系数反映网格连通性；
2. 适应性增强：通过分离建模策略，解决了CRM在多相流中的局限性；
3. 计算效率：聚焦井筒附近区域，避免全尺度模拟的高成本。
   该方法为油藏管理提供了兼具实用性与可靠性的新工具，未来可拓展至非常规油气藏或热采场景。