基于代理模型的页岩储层CO2循环注入优化与靶区筛选工作流研究

为解决页岩储层CO2吞吐（HnP）优化中多变量耦合效应导致的计算成本高、传统方法（如OFAT）局限性等问题，研究人员提出了一种结合多组分输运模型与最小二乘支持向量机（LS-SVM）代理模型的优化工作流。该研究通过遗传算法（GA）优化操作参数，使Eagle Ford页岩油藏的CO2 HnP采收率从11.64%提升至19.13%，并揭示了低气油比黑油储层更适宜CO2吞吐的关键机制，为页岩油藏高效开发提供新思路。

　　

在页岩油气开发领域，如何提高超低渗储层的采收率一直是行业难题。传统的一次采油技术对页岩油藏的采收率通常不足7%，而CO₂吞吐（HnP）技术虽被证明有效，却因储层参数与操作策略的复杂耦合效应难以优化。更棘手的是，商业模拟软件常忽略分子扩散、纳米限域效应等关键输运机制，而传统单因素分析法（OFAT）无法捕捉变量间的非线性交互作用。面对这些挑战，宾夕法尼亚州立大学的研究团队在《Fuel》发表了一项突破性研究，提出了一种融合多组分输运模型与机器学习代理模型的创新工作流，成功将Eagle Ford页岩的CO₂ HnP采收率提升64%。

研究采用三大关键技术：基于粘性流-分子扩散-Knudsen扩散耦合的多组分输运模型构建单井CO₂ HnP数值模拟；利用最小二乘支持向量机（LS-SVM）建立高精度代理模型替代计算昂贵的组分模拟；结合遗传算法（GA）进行多参数同步优化。所有数据均来自Eagle Ford页岩的储层参数和操作历史。

方法
研究首先建立考虑页岩特有传输机制的数值模型，通过LS-SVM代理模型将训练样本量压缩至80-150组，其预测精度显著优于LSTM、GA-BP神经网络和XGBoost算法。

储层模型和优化案例
以渗透率40-1300 nD的Eagle Ford页岩为对象，设计三阶段优化场景：第一场景对比短周期多轮次与长周期少轮次HnP效果；第二场景基于基线参数优化注入量、焖井时间等操作变量；第三场景筛选储层靶区，发现深层低气油比（GOR）黑油储层因CO₂溶胀效应显著而更具潜力。

训练样本量对代理模型性能的影响
LS-SVM在仅80组训练数据下即实现R²>0.95，验证其小样本优势。优化后CO₂注入量增加促进原油混合深度，使采收率突破19%。

结论
该工作流首次系统整合了页岩输运机制与机器学习优化，证实：1）操作参数需协同优化，单纯延长焖井时间反而不经济；2）CO₂注入体积是增产核心，每增加10³m³可使采收率提升1.2%；3）深层低GOR黑油储层因强溶胀效应成为CO₂ HnP理想靶区。研究为页岩油藏数字化优化提供了可推广的方法论，其LS-SVM-GA框架亦可拓展至其他提高采收率（EOR）技术评估。