基于KAN代理模型与NSGA-III的裂缝性油藏FAWAG提高采收率多目标优化

《Results in Engineering》：Multi-Objective Optimization of FAWAG EOR in Fractured Reservoirs using a KAN-Based Surrogate and NSGA-III

　　

天然裂缝性油藏（NFRs）蕴藏着全球大量的石油储量，然而其严重的非均质性和双重孔隙结构给采收带来了重大挑战。标准提高采收率（EOR）技术，如水-气交替注入（WAG），常常因注入流体沿高渗透裂缝网络窜流而绕过被圈闭的基质原油，导致早期气突破和较差的波及效率。泡沫辅助水-气交替注入（FAWAG）缓解了流体流度问题，但利用高保真数值模拟优化其多参数操作空间，对于油田尺度的决策而言，计算成本过高。为克服这一局限，本研究提出了一种集成的、代理辅助的优化框架。利用高分辨率动态油藏模拟器，生成了包含2000个FAWAG操作情景的数据集。研究人员开发了一种集成Kolmogorov-Arnold网络（KAN）、XGBoost和TabNet的高级集成架构KTX-Fusion，以近似复杂的非线性油藏动态。在400个留出测试集上，KTX-Fusion代理模型展现出卓越的预测精度，R2达到0.9970，平均绝对百分比误差（MAPE）为0.58%，同时将单次评估时间缩短至一秒以内。将训练好的代理模型与非支配排序遗传算法III（NSGA-III）耦合，成功识别出36种帕累托最优操作策略，在累计产油量与流体处理约束之间取得平衡。对帕累托集进行含水率和气油比（GOR）的二次筛选，进一步在不同经济与资源约束下优化了候选操作方案。所提出的方法为复杂裂缝介质中实时EOR优化提供了一个高精度、计算高效且可扩展的决策支持框架。

基于KAN代理模型与NSGA-III的裂缝性油藏FAWAG提高采收率多目标优化研究解读

一、研究背景与问题

随着常规石油储量开发难度日益增大，全球能源格局正经历根本性转变，行业关注点逐渐转向复杂地质构造，其中天然裂缝性油藏（NFRs）占据了全球剩余石油储量的相当比例。然而，这类油藏固有的非均质性和双重孔隙结构特征给高效油气采收带来了显著挑战。其广泛分布的高渗透裂缝网络往往导致采收效果不佳，注入流体倾向于沿裂缝窜流，绕过储存在低渗透基质块中的大量原油，造成波及效率低下，大部分原油被圈闭而无法采出。

在一次采油阶段，裂缝性油藏的采收效率极低，通常超过80%的原油滞留地下。二次采油采用注水或注气维持地层压力，但在裂缝性油藏中，注入流体沿最小阻力路径快速通过高渗透裂缝网络，形成"盗流带"，绕过富含原油的低渗透基质块，导致波及效率差并出现早期水突破或气突破。这一局限性促使研究人员转向提高采收率（EOR）技术领域。在各类EOR技术中，热力方法如蒸汽辅助重力泄油（SAGD）主要针对稠油，通常不适用于典型裂缝性油藏的储层地质条件；化学EOR方法如碱-表面活性剂-聚合物（ASP）驱旨在降低界面张力和改善流度比，但其效果常因碳酸盐岩表面的严重化学吸附而受限；混相气注入是另一项强有力的技术，但其成功高度依赖于波及效率。

为提升性能，水-气交替注入（WAG）等混合策略得到广泛应用。WAG的基本原理是利用水的高宏观波及效率控制气相流度，同时受益于气体的优异微观驱替效率。然而大量研究表明，该策略在裂缝性油藏中表现不佳，主要源于注入气体与油藏流体之间显著的流度差异，促进了粘性指进和重力超覆，导致气相快速沿高渗透裂缝窜流。

裂缝中气体窜流和过高气相流度问题推动了基于泡沫的缓解技术的发展。研究人员将表面活性剂随气相注入，使泡沫生成剂直接输送到气体侵入区域，促进稳定气泡的形成，从根本上改变气体的流动行为。泡沫并非以整体流体形式流动，而是以气泡集合形式存在，产生强大的流动阻力，有效将气相表观粘度提高数个数量级。该阻力在高渗透区域（裂缝）远高于低渗透区域（基质），产生近乎理想的流度转向效应。这一概念随后发展为泡沫辅助水-气交替注入（FAWAG）工艺。实验和模拟研究均证实FAWAG可有效封堵裂缝，迫使驱替流体进入先前未波及的基质，在油田尺度裂缝性碳酸盐岩模型中，相比传统WAG可提高高达20%的增量采收率。

然而，FAWAG工艺引入了额外的复杂性。设计FAWAG项目涉及在优化高维空间中优化众多相互依赖的参数，如表面活性剂浓度、注入速率和生产目标。使用传统油藏模拟器探索这一高维空间计算成本极高，单次优化过程可能需要数千次模拟，每次持续数小时至数天，形成关键瓶颈，使全面优化和实时决策几乎不可能实现，阻碍了该强效EOR方法在油田尺度的应用。

二、研究内容与结论

针对上述瓶颈，本研究提出了一种以数据驱动代理模型为核心的新型工作流。研究首先利用高保真数值模拟器生成全面数据集，随后用该数据集训练和验证基于人工智能的代理模型，作为全模拟器的计算高效代理。这一快速准确的代理模型随后被用于优化框架中，以确定最优操作参数。主要目标是在最小化水和气产量的同时最大化石油产量，从而降低相关运营成本。

研究基于Warren和Root双重孔隙度模型建立了裂缝性油藏流动方程，描述了裂缝和基质域中的质量守恒、达西流动以及孔隙间质量传递。在裂缝中引入表面活性剂以生成泡沫，泡沫通过大幅降低气相流度，驱替围绕上部基质块的气体屏障，使驱替流体得以进入这些基质块并采出圈闭原油。同时，FAWAG循环中的水相负责驱扫油藏下部区域和任何剩余可动油。

研究构建了KTX-Fusion集成架构，整合Kolmogorov-Arnold网络（KAN）、XGBoost和TabNet三种异构模型，通过堆叠集成策略由元学习器学习最优组合方式。该代理模型在400个留出测试集上实现R²为0.9970、平均绝对百分比误差（MAPE）为0.58%的预测精度，单次评估时间降至一秒以内。将训练好的代理模型与非支配排序遗传算法III（NSGA-III）耦合，成功识别出36种帕累托最优操作策略，在累计产油量与流体处理约束之间取得平衡。对帕累托集进行含水率和气油比（GOR）的二次筛选，进一步在不同经济与资源约束下优化了候选操作方案。

三、关键技术方法

研究人员采用的主要关键技术方法包括：一是基于Warren和Root模型的双重孔隙度油藏模拟方法，建立裂缝-基质质量交换的等效连续介质模型；二是拉丁超立方采样或类似实验设计方法生成2000个FAWAG操作情景的高保真模拟数据集；三是KTX-Fusion集成代理模型架构，堆叠KAN、XGBoost和TabNet三种异构基学习器，由元学习器学习最优预测组合；四是非支配排序遗传算法III（NSGA-III）多目标优化算法，用于识别帕累托最优前沿；五是含水率和气油比（GOR）的二次筛选策略，在帕累托集基础上进一步细化候选方案。

四、研究结果

4.1 代理模型性能验证

KTX-Fusion集成代理模型在400个留出测试集上展现出卓越的预测精度，R²达到0.9970，平均绝对百分比误差（MAPE）仅为0.58%。这一结果验证了集成学习策略在捕捉FAWAG复杂非线性油藏动态方面的有效性，同时将单次评估时间压缩至一秒以内，相比高保真模拟器实现了数量级的计算加速。

4.2 多目标优化结果

将训练好的KTX-Fusion代理模型与NSGA-III算法耦合进行多目标优化，成功识别出36种帕累托最优操作策略。这些策略在最大化累计产油量与满足流体处理约束之间实现了最优权衡，为工程决策提供了多样化的候选操作方案。

4.3 二次筛选与方案细化

对帕累托最优集进行含水率和气油比（GOR）的二次筛选，进一步在不同经济与资源约束下细化了候选操作方案。这一步骤使优化结果能够适应不同的现场约束条件，增强了框架的实用性和灵活性。

五、讨论与结论

本研究提出的集成框架有效弥合了EOR物理与数据科学之间的研究空白，开发了一种不仅能够高精度预测FAWAG复杂动态，还能利用预测能力导航其操作设计中固有复杂权衡的综合工作流。该方法的三大主要贡献包括：构建全面动态油藏模型生成代表性数据集；设计和验证专门针对FAWAG性能预测的高精度鲁棒集成代理模型；识别帕累托最优生产策略前沿，为裂缝性油藏FAWAG项目的经济和技术成功提供宝贵决策工具。

研究结论表明，所提出的方法为复杂裂缝介质中实时EOR优化提供了一个高精度、计算高效且可扩展的决策支持框架。该框架能够作为油田操作的强效决策支持工具，帮助工程师在产量生命周期中系统性地确定最优操作参数组合，包括注水速率、注气速率、泡沫浓度和产油速率等关键操作变量，从而最大化FAWAG工艺在裂缝性油藏中的技术经济成效。该研究发表于《Results in Engineering》。