《Processes》：Experimental Measurement and Artificial Neural Network Prediction of Dew Point Pressure for Ultra-Deep Condensate Gas
编辑推荐：
对全球含油气盆地油气资源的开发已从浅层延伸至深层储层。露点压力（dew point pressure, Pd）是流体表征和油田开发的关键参数。准确且快速地获取Pd对于超深层凝析气藏的开发至关重要。本工作的目的是通过人工神经网络（artificial neura
对全球含油气盆地油气资源的开发已从浅层延伸至深层储层。露点压力（dew point pressure, Pd）是流体表征和油田开发的关键参数。准确且快速地获取Pd对于超深层凝析气藏的开发至关重要。本工作的目的是通过人工神经网络（artificial neural network, ANN）模型预测凝析气的露点压力。采用实验方法分析了10个超深层凝析气样品，获得了储层温度下的露点压力。共采用113组数据集（包括103组收集数据和10组实测数据）进行ANN模型的训练和测试。结果表明，所建立的ANN模型在测试集上实测值与预测值之间的平均绝对百分相对误差（average absolute percent relative error, AAPRE）为4.9589%。将ANN模型与广泛使用的状态方程（equation of state, EOS）的预测精度进行了比较。统计和图形分析结果表明，ANN模型实现了最小的预测误差。该ANN模型可为不同储层类型开发中的露点压力预测提供必要的指导。
超深层凝析气藏露点压力测量与预测研究解读
一、研究背景与问题
随着全球油气资源勘探开发不断向深层和超深层拓展，深层（>4500 m）和超深层（>6000 m）油气资源探明可采储量分别占总量的40%和49%。凝析气藏作为重要的油气藏类型，具有较高的经济价值和较低的炼制成本。凝析气的相态特征取决于压力–体积–温度（pressure-volume-temperature, PVT）性质，其中露点压力（dew point pressure, Pd）是关键的PVT参数之一。在凝析气藏开采过程中，当压力降至露点压力以下时会发生反凝析现象，形成气液两相区，进而损坏生产设施和输送管道，导致井产能快速下降。因此，准确测定露点压力对于评价流动性能、模拟储层和井筒行为、设计生产设施以及评估储量至关重要。
目前确定凝析气露点压力的主要方法包括实验方法和热力学状态方程（equation of state, EOS）方法。恒组成膨胀（constant composition expansion, CCE）实验能够获得精确可靠的结果，但样品运输成本高昂且耗时较长。在缺乏实验数据的情况下，EOS方法可用于估算露点压力，但其预测精度依赖于流体表征参数、所选EOS模型和调参过程。在超深层高温高压条件下，气体非理想性显著增强，常规热力学模型面临巨大挑战，导致露点压力预测出现较大误差。随着人工智能技术的进步，机器学习方法已被广泛应用于复杂条件下PVT性质的估算。然而，随着凝析气资源勘探开发进入超深层，多数储层温度已超过180 °C，这给实验测定露点压力带来了严峻挑战。因此，建立一种高效、准确的超深层凝析气露点压力预测模型具有重要意义。
二、研究内容与结论
研究人员的主要目标是开发一种具有普遍适用性的人工神经网络（artificial neural network, ANN）模型来预测超深层凝析气的露点压力。研究采用了多深度油田数据集建立了综合可靠的ANN模型，并通过相关性分析确定了模型的输入参数。利用实测的超深层凝析气露点压力数据验证了模型的适用性。此外，还将所开发ANN模型与三种热力学模型的预测精度进行了比较。
实验部分使用了最高工作温度为200 °C、压力为150 MPa的高温高压PVT装置，温度精度为0.01 K，压力精度为0.01 MPa。通过安装在PVT单元前端的蓝宝石窗口观察相态变化，采用高质量成像系统记录露点形成过程。使用密度计（Anton Paar GmbH, Graz, Austria）和气相色谱仪（GC, Agilent Technologies, Santa Clara, CA, USA）分析密度和样品组分。10个凝析气样品采集自中国西北地区不同的超深层气田，储层深度范围为5235–8455 m，储层温度范围为124.50–167.80 °C，储层压力范围为48.83–146.07 MPa。
实验采用CCE测试方法，通过红外激光检测系统透光率变化来确定露点压力。在露点压力以上，流体为单相，透光率随压力降低呈线性增加；到达露点压力时，出现雾状液滴，透光率变化率发生突变，该拐点处的压力即为露点压力。实验测得超深层凝析气样品的露点压力范围为38.20–53.76 MPa。结合流体组分分析发现，露点压力随C7+含量增加呈非线性降低趋势，这是因为C7+含量增加提高了混合物的平均分子量和临界温度，同时增强了分子间吸引力，使气体在给定温度下更易凝结，从而导致露点压力降低。
数据采集方面，研究人员共收集了来自中国多个气田的103组露点压力数据，覆盖多种储层类型，并结合10组实验室PVT测试数据，共计113组数据用于神经网络模型开发。输入参数包括凝析油密度、挥发性烃馏分、储层温度、储层深度和储层压力，输出参数为露点压力值。
三、关键技术方法
研究人员主要采用了以下关键技术方法：（1）高温高压PVT实验装置进行CCE实验，通过红外激光透光率突变测定露点压力；（2）灰色关联分析与皮尔逊相关系数进行输入参数敏感性分析；（3）人工神经网络（ANN）建模，采用四层结构（输入层、两个隐含层、输出层），隐含层各含8个神经元，使用共轭梯度法训练，Sigmoid传递函数，Nguyen–Widrow方法初始化权值，输出层采用线性激活函数；（4）与Peng–Robinson（PR）、Soave–Redlich–Kwong（SRK）和Perturbed-Chain Statistical Associating Fluid Theory（PC-SAFT）三种状态方程模型进行对比验证。
四、研究结果
4.1 实验结果
实验从高于露点压力的储层压力开始，系统呈现单一气相。当压力降至露点压力时，流体透光率下降并出现微小液滴，PVT单元变暗；继续降低压力，液滴逐渐凝结沉降到底部，形成清晰的气–反凝析液界面。10个超深层凝析气样品的露点压力范围为38.20–53.76 MPa。
4.2 变量影响分析
通过灰色关联分析和皮尔逊相关系数对数据集所有参数与露点压力的相关性进行了分析。结果显示，凝析油密度、挥发性烃馏分、储层温度、储层深度和储层压力与露点压力呈正相关，且这些参数与露点压力具有较强相关性。基于敏感性分析结果，最终确定这五个参数为ANN模型的输入参数。
4.3 模型评价参数
采用平均绝对百分相对误差（AAPRE）、平均百分相对误差（APRE）、均方根误差（RMSE）、标准差（SD）和相关系数（R2）等统计指标评价模型性能。
4.4 模型性能评价
ANN模型在训练集、验证集和测试集上的APRE分别为?1.2643%、?3.0097%和0.1872%；AAPRE分别为8.9877%、4.6519%和4.9589%。结果表明ANN模型能够有效预测凝析气的露点压力。交叉图和APRE分布图显示，几乎所有的预测数据点都位于对角线上，模型具有较好的精度和鲁棒性。
4.5 ANN模型与状态方程比较
使用PR、SRK和PC-SAFT三种EOS模型计算了10个测试集数据点的露点压力，并与ANN模型进行比较。PR、SRK和PC-SAFT的AAPRE分别为31.7248%、28.1352%和29.9300%，均远高于ANN模型的4.9589%。交叉图和APRE分布图进一步确认了ANN模型相对于EOS模型具有更高的预测精度。
五、讨论与结论
在超深层储层高温高压条件下，气相非理想性增强。EOS模型预测露点压力依赖于在低温低压条件下拟合实验数据得到的二元交互参数，因此导致预测偏差。相比之下，ANN模型直接从实验数据中捕捉复杂的非线性关系，通过多层架构将五个输入参数映射到露点压力，因此在超深层凝析气露点压力预测中实现了更高的精度。
研究结论指出：本研究采用高温高压PVT装置测量了10个超深层凝析气样品（深度范围5235–8455 m）的实验露点数据，并结合103组从超深层气田收集的数据对ANN模型进行训练和测试。变量影响分析结果表明，凝析油密度、挥发性烃馏分、储层温度、储层深度和储层压力是控制露点压力最重要的参数，因此被选为ANN模型的输入变量。统计和图形分析结果表明，所开发ANN模型的实测值与预测值之间的AAPRE为4.9589%。PR、SRK和PC-SAFT EOS模型的AAPRE分别为31.7248%、28.1352%和29.9300%。与PR、SRK和PC-SAFT EOS模型相比，所开发的ANN模型精度得到验证。本文开发的ANN模型能够以高精度和计算便捷性成功预测露点压力，为超深层凝析气藏露点压力的工程计算提供了指导。需要注意的是，该ANN模型是在当前数据集范围内开发和验证的，超出该数据范围进行外推预测时应谨慎。
