闭环管理

（

En KF

，

Ensem-ble Kalman Filter

）

在油藏开发领域的应用创造了条件。

< /p>

在模型降维、

辨识与更新的基础上，

如何 将最优控制理论应用于油藏生产开发，

制订最

优生产策略，以最 大化原油产量或净现值，是闭环油藏管理的核心（图中蓝色部分所示）

。

虽然生产优化算法可以应用于油藏生命周期的任何时段，

但是目前理论研究集中 在水驱条件

下的智能井油藏生产优化。

因为水驱是一次采油阶段 之后最广泛使用的提高原油采收率方法。

油藏闭环管理的两个 过程均属有大系统最优化问题，

研究者最早均通过伴随梯度类算法

进行求解，

该类算法求解效率较高，

但需编写伴随阵嵌入数值 模拟计算中，

实现过程异常复

杂、难以进行实际应用。

无梯度算法无需梯度求解，仅需要利用目标函数值信息，

已成为进

行油藏闭环管理计算的主要发展趋势，主要包括

EnKF

（卡尔曼滤波法）

、

SPSA

（随机扰动近

似算法）

和

QIM-A G

算法等。

EnKF

法是一种基于多模 型的数据同化方法，

它主要通过计算一

个集合的平均敏感性矩阵 来不断地更新模型和拟合观测数据，

该方法程序实现简单、

更新 后

的模型还能较好地反映油藏的不确定性；

SPSA

步最少仅需一次数值模拟扰动计 算即可获得搜索方向，

且该方向期望值为真实梯度；

QIM-A G

算法是在

SPSA

算法基础上形成一 种插值二次模型方法，两种方法计算简单、主要用于进行

油藏生产优化问题求解。

（

2

）摘自《油藏 开发闭合生产优化理论研究》

油藏闭合生产优化管理的主要流 程如图

1.2

所示，

其主要包括油藏自 动历史拟合和油藏

开发生产优化两个阶段。

首先以油藏生产系统 作为研究对象，

利用油藏数值模拟技术通过对

传感器输出的生产 观测数据进行自动历史拟合来修正油藏模型，降低油藏模型的不确定性；

然后以更新后的 油藏模型为基础，

在确定当前油藏的油水的分布后，

基于油藏数 值模拟技术

和优化控制算法进行油田开发生产优化，

确定油藏未 来生产的最优工作制度，

同时伴随油田

工作制度的改变，

利用新的生产观测数据去实时的更新所建立的油藏模型，

再进行新的油 藏

生产优化过程，随着优化过程的不断进行，最终实现油藏开发生产效益的最大化。

根据国内外油藏开发管理技术的发展状况来看，

< br>油藏闭合生产优化管理正是由于能实时

分析和利用生产动态数据、

降低油藏开发的不确定性和风险性因素、

提高油田开发效果的特

点，

引起了越来越多油藏工作者的关注，

因此开展该技 术的研究十分必要。

但目前该技术研

究仍处于起步阶段，

尚无一种稳健、

快速的优化算法和油藏模拟技术相匹配来求解大规模油

藏优化问题，

其实用性仍无法满足实际油田开发的要求。

同时，

该技术目前主要局限于水驱

油藏的优化 管理，

对于在三次采油技术等方面应用研究较少，

因此，

油藏闭合生产优化理论

研究是一项新兴的、

前 瞻性的研究课题，

开展该课题的研究对于实现油气田工程的信息化和

智能化，提高油藏经营管理水平，具有重要理论意义和实用价值。

图

1.2

油藏闭合生产优化管理过程

（

3

）

Introduction

From < A review of closed-loop reservoir management>

With the rapid development of the world economy, the depletion of oil resources increases

year

by

year.

It

is

now

dif?cult

to

?nd

additional

large

oil

?elds.

Therefore,

thedemand

for

exploiting

the

limited

oil

reserves

ef?cientlyand

economically

becomes

increasingly

signi?cant

and

hasattracted

more

global

attention

in

recent

years.

To

achievethis

goal,

an

important

technique

proposed

is

closed-loop

reservoir

management.

It

consists

of

two

steps:

automatic

history matching and reservoir production optimization.

Automatic history matching is a sequential modelupdating method, where the estimate of

uncertain

reservoirproperties

is

updated

continuously

according

to

the

production

measurements

available

at the

time.

Reservoirproduction

optimization

is

a

complete

or

partial

automationprocess for maximizing the development effect within the lifecycle of a reservoir by

optimizing

operational

parameters.

The

main

idea

is

to

exploit

the

oil

reserves

as

near

to

the

desired

optimum

as

possible.

Both

automatic

historymatching

and

reservoir

production

optimization are optimization problems as mentioned by researchers such as Brouwer and Jansen

（

2004

）

, Sarma et al.

（

2005

）

and Wanget al.

（

2 009

）

. These problems can be solved by

optimization theories.

Automatic history matching has been studied since the 1960s

（

Jahns 1966; Wasserman and

Emanuel

1976;

Yangand

Watson

1988

）

,

but

it

is

still

a

very

dif?cult

problem

at

present.

The

existing history matching methods can be broken into two categories. One category is based on

gradient, including ?nite difference approximation of derivative, adjoint gradient

-based methods,

and gradientsimulator methods. The other category is based on gradient-free optimization, such

as

simultaneous

perturbation

stochastic

approximation,

genetic

algorithm,

particleswarm

optimization, and pattern search methods

（

PSMs

）

.Oliver and Chen

（

2011

）

have summarized

the

recent

progress

on

automatic

history

matching.

The

origin

of

solving

reservoir

production