从实时数据监测到生产优化管理

目前一种新的油田管理方式正在形成：利用从智能井或智能油田获得的连续数据，进行智能化油藏管理。此技术将实时测得的大量数据经过处理后，整合入油藏管理的工作流程中，及时有效地传输至工程师的工作台，如果有异常情况，报警系统就会启动，通知工程师。实时测量间隔为数秒或数分钟，测量后储存于服务器中。总体来说，实时测量的智能化油藏管理系统包含了一个自动化的闭合控制链，主要由采集数据、建模、检测，及控制四个环节构成。

1.采集数据

测量数据过程中，每几秒就有数据输入，这些大量的数据中存有一定的异常点和干扰，因此在应用于油藏监测软件之前需要对数据进行清理工作。可以采用简单平均法去除干扰点。另外，为了使输出曲线可视性更好，需要改变数据的时间间隔，比如将时间从10s增至15min。同时，要注意不要出现失误丢失信息。

经过数据质量控制后，需要进行数据整合工作。所有相关数据需要被整合入一个数据库中。由于不同的数据库储存的数据时间间隔是不同的，因此油藏监控软件要被设计成可以处理不同时间间隔的数据。

2.模型和检测

由于在石油生产过程中情况不断发生变化，因此很难采用一个数学模型描述整个过程，但可以用获得的不同参数来对油藏实现监测和优化。主要计算的参数包括含水率（WC）、油气比（GOR）、和亏空比。监测亏空比可以将压力维持在稳定的水平上，防止压力的上升和下降。

采用递减曲线分析软件将实际生产数据与预计的递减趋势相对比，如果偏离过多，则说明有问题出现；物质平衡软件可以单独计算每一个稳定的油层压力。目前，递减曲线（IPR）可以每2月甚至是每2天传送一次，使工程师可以密切观察工作流程(比如监测渗透率的降低等)。

在实时测量环境下，需要处理大量数据。神经网络和遗传算法则是处理数据的有力工具。神经网络从大量数据中获取其内在的关系。数据越多，神经网络越能更好的获取相应的信息。一旦内部关系建立起来了，神经网络就可以用来进行出砂等情况的预测。

3.控制

经过上述环节之后，就可以对相应的检测结果做出相应反馈，实施手动或远程控制避免不良局面的发生。这种方法为工程师争得了一定抢救时间，在设备遭破坏之前采取保护措施，避免损失。

4.结论

此技术展示了数字化油田的未来，数据处理和模型运行均是自动化的。从平台到数据库应有一个自动畅通的数据流通渠道，数据通过模型进行检测，识别异常情况。

将数据高频输入油藏监测模型和实时优化的关键是自动化，不能有人为的干预。

尽管实时监测的潜力还没有充分展示出来，但是已经出现了一些成功的应用实例，比如，Coludrovich等人已经将井底流压（BHFP）与油藏压力（从物质平衡模型得到）相结合来计算油井随时间变化的生产指数（PI）。