机器学习辅助的致密油储层井网、裂缝网络和生产参数多目标联合优化

《Engineering Applications of Artificial Intelligence》:Machine-learning-assisted multi-objective joint optimization of well pattern, fracture network, and production parameters in tight oil reservoirs

【字体: 大 中 小 】 时间:2026年08月28日 来源:Engineering Applications of Artificial Intelligence 9.0

编辑推荐:

   摘要:合理确定井网模式配置、裂缝网络几何形态及注采参数,对提高致密油藏开发效果至关重要。然而,此类联合优化问题具有高维特性和计算密集型模拟的特点,现有的代理辅助多目标进化算法在有限采样预算下往往面临预测不确定性和代理近似不精确的问题。为解决上述挑战,本研究提出了一种机器学习辅

  

摘要:合理确定井网模式配置、裂缝网络几何形态及注采参数,对提高致密油藏开发效果至关重要。然而,此类联合优化问题具有高维特性和计算密集型模拟的特点,现有的代理辅助多目标进化算法在有限采样预算下往往面临预测不确定性和代理近似不精确的问题。为解决上述挑战,本研究提出了一种机器学习辅助的基于分解的多目标进化算法(ML-DMOEA),并建立了井网模式、裂缝网络及注采参数联合优化的集成框架。基于水力压裂水平井和井网模式的等价几何表征,构建了以最大化裂缝控制储量(FCR)和净现值(NPV)为目标的双目标优化模型。通过多目标基准问题和一个代表性致密油藏的实际规模案例研究验证了ML-DMOEA的性能。结果表明,ML-DMOEA实现了优越的收敛性和帕累托前沿近似,同时通过支持向量机(SVM)辅助的候选方案筛选将函数评估次数减少了15%以上。与基准情况相比,优化方案使NPV和FCR分别提高了106.06%和111.29%,动员了约相当于原始地质储量2.33%的额外地质储量。进一步分析表明,联合优化改善了井-裂缝系统与油藏非均质性的空间匹配,同时调控注采动态以抑制优势水流通道并减轻井间干扰。总体而言,所提出的框架为致密油藏开发中高维多目标优化提供了一种计算高效且实际可行的方法。

引言:致密油气资源广泛分布于全球各沉积盆地中,主要富集区包括北美地区的二叠纪盆地、巴肯盆地和蒙特尼盆地,以及中国地区的鄂尔多斯盆地和渤海湾盆地。这些非常规资源已成为全球烃类储量增长和产量扩张的重要贡献者(Tong等,2018;Hu等,2018;Zou等,2015)。受复杂沉积环境和独特成藏机制的控制,致密油藏具有超低基质渗透率、跨微-纳尺度的多尺度孔隙-喉道网络以及显著的空间非均质性(Nelson,2009;Zhou等,2024)。这些固有的岩石物理特性导致了严重的流动阻力,并产生了复杂的流体输运行为,使得常规开发策略在经济上不可行(Zhao等,2021)。

因此,水平井与体积式水力压裂相结合已成为实现致密油藏商业开发的关键技术(Liu,2023)。该方法在油藏中形成多尺度、高导通的裂缝网络,形成改造体积(SRV),从而大幅提高渗透率连通性,增加单井产能和最终采收率(Han等,2021)。不断积累的证据表明,致密油采收率受井网模式配置、裂缝网络设计和注采参数三个关键要素的耦合效应控制。具体而言,裂缝几何形态和导通性主要控制排驱范围和近井流动能力;井间距和方位调控井间干扰和平面波及效率;注采策略决定压力演变和 depletion 强度(Zhang等,2015;Yang等,2021;Li等,2021, 2023;Lei等,2022;Qin等,2023)。这些要素表现出强时空耦合性,并非相互独立。当它们与油藏非均质性协调不足时,可能导致排驱受限、过早水侵、井间干扰加剧和油藏利用不均,最终限制油田规模的开发效果。因此,井网模式配置、裂缝网络设计和注采参数的联合优化对于提高致密油藏开发效率至关重要。

从优化角度看,井网模式配置、裂缝网络设计与注采策略之间的强耦合性使得致密油开发规划成为高维、模拟密集且计算成本高昂的多目标优化问题。井网模式配置涉及侧向长度、井间距和方位角等几何参数(Liu,2008;Tian等,2018;Zhao等,2008)。裂缝网络设计通过簇间距、裂缝半长和支撑剂控制的导通性引入额外的自由度,而注采策略则贡献了控制注采速率、压力管理和 depletion 计划的时间依赖控制变量(Lei等,2020;Xu等,2022;Zhao等,2015)。将这些具有不同物理量纲、数值尺度和操作时间尺度的异质变量整合到统一优化框架中,形成了包含混合连续和离散变量且具有复杂相互依赖关系的高维决策空间。此外,油田开发规划需要同步优化本质上相互冲突的目标,如体积波及效率、最终烃类采收率、资本支出(CAPEX)和净现值(NPV)(Xu等,2025;Zhang等,2020)。这些目标函数的评估依赖于高保真油藏数值模拟,其中计算成本随网格分辨率、地质复杂度和多相流动物理过程非线性增加。在实际计算预算下,这些计算约束严重限制了可用函数评估次数,从而对常规优化方法在实际规模应用中构成了根本性挑战(Meng等,2025)。

在工程实践中,实验设计(DoE)方法与油藏数值模拟相结合已被广泛用于通过参数敏感性分析评估开发效果并识别可行参数组合(Al-Mudhafar等,2018;Guo等,2019)。然而,在实际计算预算内可评估的有限样本数量限制了基于DoE的方法充分探索全局解空间和识别最优开发策略的能力。为克服这一局限,进化算法被越来越多地引入油藏开发规划中,使其能够系统探索复杂的高维参数空间,并增强决策的严谨性和效率(Zhao等,2013)。在这些方法中,多目标进化算法(MOEAs)因其无导数搜索机制和能够在单次优化运行中构建分布均匀的帕累托前沿而备受关注(Rostamian等,2025;Chen等,2022;Zhuang等,2024)。经典框架,如基于支配的NSGA-II和基于分解的MOEA/D,已在广泛的工程优化问题中表现出稳健性能(Zhang和Li,2007;Deb等,2002)。然而,当应用于具有高维决策空间的油藏优化问题时,标准MOEAs需要大量的函数评估次数才能同时维持收敛性和帕累托多样性。在严格计算预算下,随着决策空间维度的增加,MOEAs的性能往往显著下降,表现为帕累托前沿覆盖稀疏和过早收敛。这些局限性对实际规模的油藏优化构成了重大挑战,其中高保真油藏数值模拟严重限制了可用函数评估次数。

高保真油藏数值模拟带来的巨大计算负担推动了代理辅助进化算法(SAEAs)在计算密集型多目标优化中的发展。现有的SAEA框架主要采用基于回归的代理模型来近似目标函数,并通过预测驱动的候选方案筛选或模型引导搜索来减少昂贵函数评估次数(He等,2023;Jin,2011)。最近,这些框架通过集成代理模型、自适应学习策略和机器学习辅助优化框架的整合得到进一步增强(Yu等,2025)。这些方法在各种工程优化应用中表现出令人振奋的性能(Bahrami等,2022)。然而,在具有高维决策空间和有限训练样本的情况下,代理模型往往受到维数灾难、过拟合和预测不确定性的影响,这可能降低模型精度并误导进化搜索过程。

与代理辅助优化的进展并行,多种策略已被提出以应对高维优化的挑战,包括降维、决策变量分组、局部代理建模和基于分解的搜索(Chen等,2026;Omidvar等,2014;Yan等,2024;Zhang等,2018)。这些方法通过降低搜索空间的有效维度、利用变量交互结构或将复杂优化问题分解为可管理的子问题来增强优化效率(Tian等,2021)。然而,实际工程系统中的决策变量通常表现出复杂且高度非线性的相互依赖关系,这对高维优化技术的搜索效率和算法鲁棒性构成了持久挑战。

在这些高维优化策略的基础上,近期研究引入了机器学习辅助的筛选机制以提高有限评估预算下的搜索效率。代表性框架包括多分类器协作搜索、基于排序的学习、基于层次的学习和分解协调分类模型(Chen等,2024a, 2024b;Wei等,2023;Guo等,2025;Sonoda和Nakata,2022)。与直接预测目标值的常规回归代理不同,这些方法侧重于识别有前景的候选方案,从而在有限计算预算下提高评估效率。然而,大多数现有方法主要基于合成基准问题或相对结构化的工程场景进行验证。对于涉及混合连续-离散变量、强非线性耦合和高保真数值模拟的复杂油藏开发优化问题,这些方法的有效性和鲁棒性仍需进一步验证。此外,现有研究很少在统一的高维优化框架内解决井网、裂缝网络和注采参数的整体联合优化问题。

为应对这些挑战,本研究提出了一种机器学习辅助的基于分解的多目标进化算法(ML-DMOEA)。基于该算法,建立了一个面向致密油藏井网模式配置、裂缝网络几何形态和注采参数联合优化的智能多目标优化框架,以裂缝控制储量(FCR)和净现值(NPV)作为竞争优化目标。通过将这些相互关联的设计变量整合到统一优化框架中,所提出的方法能够在有限的模拟评估预算下同时优化井位部署、裂缝设计和生产策略。这一公式为高维油藏开发问题中的多目标决策提供了实用基础。本文其余部分结构如下:

(1)构建单井和井网模式的几何模型以表征水力压裂水平井的排驱和输运行为。然后引入统一的决策变量向量,建立井网模式配置、裂缝网络几何形态和注采参数联合优化的集成数学优化模型。

(2)通过整合优化过程的关键阶段——包括决策变量初始化、油藏数值模拟、目标函数评估和种群更新——建立闭环优化工作流。在此工作流中,所提出的算法在有限评估预算下指导解的进化和子问题更新。

(3)使用MaF基准套件在不同决策空间维度下系统评估ML-DMOEA框架的收敛性能和算法鲁棒性。

(4)以一个代表性致密油藏作为实际规模案例研究,展示高维多目标联合优化和所提方法的实际应用性。此外,系统分析帕累托前沿上的权衡关系和关键决策变量的参数敏感性分布。

(5)最后,全面讨论联合优化策略增强致密油藏开发效果的机制及其实际工程意义。

章节片段

单井裂缝-SRV模型:表征水力压裂水平井的三维配置需要显式表征井筒几何和裂缝网络拓扑结构。本研究基于控制水力裂缝扩展和改造体积形成的物理机制,开发了单井裂缝-SRV模型。如图1A所示,水力压裂水平井系统由四个层级组件组成:主水平井段、裂缝簇、缝内支撑剂和改造体积(SRV)。

整体优化工作流:为井网模式配置、裂缝网络几何形态和注采参数的联合优化开发了集成优化框架。如图3所示,所提出的框架建立了闭环工作流,集成了决策变量生成、油藏数值模拟、目标函数评估、进化解更新和机器学习辅助筛选机制,以提高有限条件下的搜索效率。

实验设置:在PlatEMO平台(Tian等,2017)上通过综合对比实验评估了所提出的ML-DMOEA在高维多目标优化中的有效性和鲁棒性。选择了一套广泛采用的MaF(多目标测试函数)基准问题进行评估。这些基准问题具有多样的目标函数形式、复杂搜索景观和多样的帕累托前沿几何形态,非常适合评估。

油藏描述与模型建立:选择中国渤海湾盆地G致密油藏的一个代表性开发区作为案例研究,以展示井网模式配置、裂缝网络几何形态和注采参数的联合优化。基于实际油田开发需求,使用商业模拟器tNavigator 23.4构建了三维油藏数值模拟模型(图5A)。研究区域范围约为4584米×2579米。

结论:本研究解决了致密油藏井网模式配置、裂缝网络几何形态和注采参数联合优化中的高维性、强参数耦合性和计算密集型油藏数值模拟挑战。提出了一种机器学习辅助的基于分解的多目标进化算法(ML-DMOEA),并将其整合到统一的多目标优化框架中。

基于CRediT的作者贡献声明
金辰:论文审阅与编辑、论文起草、可视化、验证、软件、方法论、研究、形式化分析、数据整理、概念化。
王大刚:论文审阅与编辑、论文起草、验证、监督、项目管理、方法论、研究、概念化。
赵尧:验证、资源、项目管理、方法论、资金获取、数据整理、概念化。
宋扬:论文审阅与...

利益冲突声明
作者声明,他们没有已知的竞争性经济利益或个人关系,这些利益或关系可能影响本文所报告的工作。

致谢
本研究得到中国国家自然科学基金(编号:U22B6005和52174043)、国家油气重大科技专项(编号:2025ZD1406407和2025ZD1406402)、北京市自然科学基金(编号:3242019)、中石油创新基金(编号:2022DQ02-0208)、国家深油气重点实验室(编号:SKLD0G2024-KFZD-06)以及国家留学基金委项目(编号:202406440050)的资助。

金辰|王大刚|赵尧|宋扬|刘晓彤|陈国栋|日本·特里维迪|徐俊杰|宋开平
中国石油大学(北京)油气资源与工程国家重点实验室,北京市,102249,中国
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号