CO2與原油最小混相壓力模擬預(yù)測(cè)及實(shí)驗(yàn)測(cè)定.pdf

1、CO2捕獲、利用與封存(CCUS)技術(shù)是實(shí)現(xiàn)節(jié)能減排和低碳環(huán)保的主要手段。CO2提高原油采收率(CO2-EOR)技術(shù)能夠同時(shí)實(shí)現(xiàn)CO2的利用和封存，是CCUS技術(shù)中最為重要且經(jīng)濟(jì)有效的CO2利用方式。CO2與油藏原油間的最小混相壓力(MMP)是CO2驅(qū)替過程中的關(guān)鍵參數(shù)之一，是區(qū)分CO2混相驅(qū)和非混相驅(qū)的界限。準(zhǔn)確估計(jì)CO2與原油的最小混相壓力對(duì)于提高CO2混相驅(qū)替效率、降低操作成本、產(chǎn)生社會(huì)經(jīng)濟(jì)效益來(lái)說都是非常重要的。
　　各種

2、MMP確定方法中，實(shí)驗(yàn)測(cè)量法操作復(fù)雜、耗時(shí)較長(zhǎng)且花費(fèi)較大，而理論計(jì)算方法則更為快速、簡(jiǎn)便、經(jīng)濟(jì)。因此，本文擬建立四種不同類型的理論模型，即Winprop流體相態(tài)模型、傳統(tǒng)神經(jīng)網(wǎng)絡(luò)模型、改進(jìn)型神經(jīng)網(wǎng)絡(luò)模型以及改進(jìn)型數(shù)值關(guān)聯(lián)式，對(duì)純CO2注入和含雜質(zhì)CO2注入兩種情況下的MMP進(jìn)行計(jì)算和模擬預(yù)測(cè)。本文以10個(gè)影響MMP的參數(shù)，即油層溫度（TR）、原油中易揮發(fā)組分摩爾分?jǐn)?shù)（xvol）、原油中C2-C4組分摩爾分?jǐn)?shù)(xC2-4)、原油中C5-C

3、6組分摩爾分?jǐn)?shù)（xC5-6）、原油中C7+組分分子量(MWC7+)、注入氣中CO2及四個(gè)雜質(zhì)摩爾分?jǐn)?shù)（即yCO2、yC1、yN2、yH2S和yHC），作為輸入變量建立本文的理論計(jì)算公式或模型。通過與實(shí)驗(yàn)測(cè)量值及已有關(guān)聯(lián)式的計(jì)算結(jié)果進(jìn)行對(duì)比驗(yàn)證模型的可靠性和準(zhǔn)確度。隨后，采用長(zhǎng)細(xì)管實(shí)驗(yàn)法測(cè)量CO2與模擬油樣間的MMP，并分別用幾種模型來(lái)進(jìn)行預(yù)測(cè)，以實(shí)際實(shí)驗(yàn)數(shù)據(jù)來(lái)評(píng)價(jià)各模型的預(yù)測(cè)性能。
　　具體來(lái)說，本文主要從以下五個(gè)方面進(jìn)行研究:<

4、br>　　(1)將某個(gè)選定的原油特性參數(shù)數(shù)據(jù)導(dǎo)入Winprop軟件，模擬CO2與原油混相過程中的相態(tài)及性質(zhì)變化，擬合PVT參數(shù)以建立更為準(zhǔn)確的流體相態(tài)模型;調(diào)整狀態(tài)方程(EOS)參數(shù)，用多級(jí)接觸混相模擬計(jì)算CO2與原油混相過程的最小混相壓力，并探究CO2與該油樣的混相機(jī)理。
　　(2)收集匯總數(shù)據(jù)，分別建立反向傳播神經(jīng)網(wǎng)絡(luò)(BPNN)與徑向基神經(jīng)網(wǎng)絡(luò)（RBFNN）模型，同時(shí)對(duì)純CO2注入和含雜質(zhì)CO2注入兩種情況下的CO2-原油M

5、MP進(jìn)行模擬預(yù)測(cè)。通過適當(dāng)?shù)木幊陶{(diào)整網(wǎng)絡(luò)模型參數(shù)，找尋出最優(yōu)的網(wǎng)絡(luò)模型結(jié)構(gòu)參數(shù)值。研究發(fā)現(xiàn)，BPNN和RBFNN均有較好的預(yù)測(cè)效果，訓(xùn)練和測(cè)試數(shù)據(jù)預(yù)測(cè)值與實(shí)驗(yàn)值均有較高的相關(guān)性，但相對(duì)來(lái)說，BPNN有更好的泛化能力和適應(yīng)度。此外，可擴(kuò)展性分析顯示了所建立模型在任意參數(shù)值區(qū)間內(nèi)的良好預(yù)測(cè)精度。
　　(3)利用遺傳算法(GA)和粒子群算法(PSO)空間參數(shù)尋優(yōu)技術(shù)，對(duì)BPNN網(wǎng)絡(luò)模型的初始權(quán)值、偏置值進(jìn)行優(yōu)化預(yù)處理，以改善單一神經(jīng)網(wǎng)絡(luò)

6、模型易陷入局部最優(yōu)或過度擬合的缺陷。將優(yōu)化后的權(quán)值和偏置值代入神經(jīng)網(wǎng)絡(luò)模型中作為初始特征值，建立GA-BPNN和PSO-BPNN改進(jìn)型神經(jīng)網(wǎng)絡(luò)模型，并與單一BPNN模型的預(yù)測(cè)結(jié)果進(jìn)行對(duì)比，發(fā)現(xiàn):GA-BPNN和PSO-BPNN的預(yù)測(cè)精度均高于BPNN，兩種改進(jìn)型模型的測(cè)試AAD值比BPNN分別減少了32.65％和22.93％。相比較而言，GA-BPNN比PSO-BPNN有更好的泛化能力。GA-BPNN的靈敏度分析結(jié)果顯示，由于地下油層流

7、體與CO2注入氣各組分間的交互作用機(jī)理的復(fù)雜性，MMP的變化趨勢(shì)隨每個(gè)參數(shù)值的變化而改變。
　　(4)通過對(duì)已有預(yù)測(cè)MMP的理論關(guān)聯(lián)式進(jìn)行分析，考查各影響參數(shù)表達(dá)形式、理論關(guān)系式類型、復(fù)雜度等對(duì)預(yù)測(cè)精度的影響，進(jìn)而構(gòu)建本文的改進(jìn)型數(shù)值關(guān)聯(lián)式，以直觀反映MMP與各影響因素間的關(guān)聯(lián)度。結(jié)果對(duì)比顯示該改進(jìn)型關(guān)聯(lián)式的計(jì)算結(jié)果與實(shí)驗(yàn)值吻合度很高，且預(yù)測(cè)精度優(yōu)于其他理論關(guān)聯(lián)式。改進(jìn)型關(guān)聯(lián)式的預(yù)測(cè)精度比GA-BPNN模型略低，但可以很直觀地反映

8、出MMP與各影響因素間的非線性關(guān)系，且關(guān)聯(lián)式的結(jié)構(gòu)更為簡(jiǎn)便?？蓴U(kuò)展性分析結(jié)果顯示了改進(jìn)型關(guān)聯(lián)式的良好適應(yīng)性。MMP與10個(gè)影響參數(shù)間的相關(guān)性大小為:TR＞xC5-C6＞MC7+＞xvol＞yH2S＞yHC＞yCO2＞yC1＞yN2＞xC2-C4。
　　(5)采用填砂管模型測(cè)定了純CO2氣體與模擬油樣在40℃下的MMP值，作為進(jìn)一步檢驗(yàn)本文幾種不同模型預(yù)測(cè)性能的實(shí)踐依據(jù)。根據(jù)一系列不同壓力下的驅(qū)替實(shí)驗(yàn)結(jié)果，最終得到的MMP值為8.2