從實時數據監測到生產優化管理

目前一種新的油田管理方式正在形成：利用從智能井或智能油田獲得的連續數據，進行智能化油藏管理。此技術將實時測得的大量數據經過處理后，整合入油藏管理的工作流程中，及時有效地傳輸至工程師的工作臺，如果有異常情況，報警系統就會啟動，通知工程師。實時測量間隔為數秒或數分鐘，測量后儲存于服務器中。總體來說，實時測量的智能化油藏管理系統包含了一個自動化的閉合控制鏈，主要由采集數據、建模、檢測，及控制四個環節構成。

1.采集數據

測量數據過程中，每幾秒就有數據輸入，這些大量的數據中存有一定的異常點和干擾，因此在應用于油藏監測軟件之前需要對數據進行清理工作。可以采用簡單平均法去除干擾點。另外，為了使輸出曲線可視性更好，需要改變數據的時間間隔，比如將時間從10s增至15min。同時，要注意不要出現失誤丟失信息。

經過數據質量控制后，需要進行數據整合工作。所有相關數據需要被整合入一個數據庫中。由于不同的數據庫儲存的數據時間間隔是不同的，因此油藏監控軟件要被設計成可以處理不同時間間隔的數據。

2.模型和檢測

由于在石油生產過程中情況不斷發生變化，因此很難采用一個數學模型描述整個過程，但可以用獲得的不同參數來對油藏實現監測和優化。主要計算的參數包括含水率（WC）、油氣比（GOR）、和虧空比。監測虧空比可以將壓力維持在穩定的水平上，防止壓力的上升和下降。

采用遞減曲線分析軟件將實際生產數據與預計的遞減趨勢相對比，如果偏離過多，則說明有問題出現；物質平衡軟件可以單獨計算每一個穩定的油層壓力。目前，遞減曲線（IPR）可以每2月甚至是每2天傳送一次，使工程師可以密切觀察工作流程(比如監測滲透率的降低等)。

在實時測量環境下，需要處理大量數據。神經網絡和遺傳算法則是處理數據的有力工具。神經網絡從大量數據中獲取其內在的關系。數據越多，神經網絡越能更好的獲取相應的信息。一旦內部關系建立起來了，神經網絡就可以用來進行出砂等情況的預測。

3.控制

經過上述環節之后，就可以對相應的檢測結果做出相應反饋，實施手動或遠程控制避免不良局面的發生。這種方法為工程師爭得了一定搶救時間，在設備遭破壞之前采取保護措施，避免損失。

4.結論

此技術展示了數字化油田的未來，數據處理和模型運行均是自動化的。從平臺到數據庫應有一個自動暢通的數據流通渠道，數據通過模型進行檢測，識別異常情況。

將數據高頻輸入油藏監測模型和實時優化的關鍵是自動化，不能有人為的干預。

盡管實時監測的潛力還沒有充分展示出來，但是已經出現了一些成功的應用實例，比如，Coludrovich等人已經將井底流壓（BHFP）與油藏壓力（從物質平衡模型得到）相結合來計算油井隨時間變化的生產指數（PI）。