原油沥青质初始沉淀压力实验测定研究

原油温度、压力的改变均会引起原油中沥青质沉淀,造成储层伤害和井筒堵塞。采用自主研发的固相沥青质激光探测装置,通过透光率法探测伊朗南阿油田典型井原油样品在不同温度下的沥青质初始沉淀压力,从而确定沥青质发生沉淀的热力学条件,绘制出沥青质沉淀相包络线。结果表明,该油田油样在44℃、80℃、113℃下的沥青质沉淀点分别为42.8 MPa、39.7 MPa和35.2 MPa,原油沥青质初始沉淀压力随着温度的升高而降低;并且在井筒温度范围内呈线性关系。结合取样井井筒温度压力曲线预测出井筒中沥青质出现沉淀的深度为1 600~1 800 m,对于油田预防沥青质沉淀有极其重要的意义。     

基于PSO-GBDT的CO2-原油最小混相压力预测模型

随着“2060年碳中和目标”的提出，中国油田开发领域CO2气驱采油技术又一次得到了广泛关注。CO2气驱采油既可以实现对碳资源的地下封存，又能够对油田三次采油起到主要作用。但是其驱油效果会受到CO2和原油混相与否的制约，所以需要对CO2-原油体系最小混相压力（Minimum miscibility pressure，MMP）进行精准预测。而传统预测方法时间成本及误差过大，人工智能算法因其计算效率及准确率高便脱颖而出。本文使用随机森林算法对MMP主控因素进行分析，筛选出CO2, H2S, Cj, C2-C5, N2的摩尔分数及油藏温度、平均临界温度等特征变量，采用MLP、GA-RBF、RF、PSO-GBDT、AdaBoost SVR五种智能算法建立MMP预测模型。为此，本文使用了160行的数据库进行预测分析，采用五种不同评估指标及可视化图像对不同模型结果进行对比分析，并验证模型的准确性。最终测试效果证明，在数据有限的情况下，PSO-GBDT模型具有最佳的MMP预测效果，PSO-GBDT平均绝对百分比误差（Mean absolute percentage error，MAPE）为4.89%，均方根误差（ Root mean square error，RMSE）为0.83，测试集R2为0.96。此模型精度最高，灵活性、鲁棒性最强。