李淑霞 于笑 吳伏波 郝永卯

摘要：基于數(shù)值模擬求解的傳統(tǒng)水合物藏產(chǎn)能預(yù)測(cè)方法耗時(shí)長(zhǎng)、效率低，準(zhǔn)確、高效地預(yù)測(cè)天然氣水合物藏產(chǎn)能是目前面臨的難點(diǎn)問(wèn)題?；趯?shí)際海域水合物藏的地質(zhì)數(shù)據(jù)建立大量數(shù)值模擬樣本，利用神經(jīng)網(wǎng)絡(luò)模型對(duì)數(shù)值模擬結(jié)果進(jìn)行學(xué)習(xí)，建立水合物藏產(chǎn)能預(yù)測(cè)的神經(jīng)網(wǎng)絡(luò)模型。同時(shí)，預(yù)測(cè)神狐水合物藏和日本南海水合物藏開(kāi)采2 a的產(chǎn)能，并對(duì)降壓開(kāi)采的壓力進(jìn)行推薦。結(jié)果表明：神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)的準(zhǔn)確率超過(guò)97%；預(yù)測(cè)得到神狐水合物藏2 a的日均產(chǎn)氣量為2 839 m³，最佳開(kāi)采壓力為3 MPa；日本南海水合物藏2 a的日均產(chǎn)氣量為21 523 m³，綜合考慮產(chǎn)氣量和氣水比，最佳開(kāi)采壓力為4 MPa；69%的水合物藏適合的開(kāi)采壓力為3 MPa；但當(dāng)水合物藏的水合物飽和度大于65%、地層絕對(duì)滲透率高于0.1 μm²及原始地層壓力高于20 MPa時(shí)，建議開(kāi)采壓力選擇5 MPa。

關(guān)鍵詞：天然氣水合物； 神經(jīng)網(wǎng)絡(luò)； 產(chǎn)能預(yù)測(cè)； 數(shù)值模擬； 開(kāi)采參數(shù)

中圖分類(lèi)號(hào)：TE 37 文獻(xiàn)標(biāo)志碼：A

引用格式：李淑霞，于笑，吳伏波，等.基于神經(jīng)網(wǎng)絡(luò)的水合物藏降壓開(kāi)采產(chǎn)能預(yù)測(cè)及參數(shù)優(yōu)化［J］.中國(guó)石油大學(xué)學(xué)報(bào)（自然科學(xué)版），2023，47（1）：89-97.

LI Shuxia， YU Xiao， WU Fubo， et al. Prediction and parameter optimization of depressurization productivity of natural gas hydrate reservoirs based on neural network［J］.Journal of China University of Petroleum（Edition of Natural Science），2023，47（1）：89-97.

Prediction and parameter optimization of depressurization productivity of natural gas hydrate reservoirs based on neural network

LI Shuxia^1，2， YU Xiao^1，2， WU Fubo³， HAO Yongmao^1，2

（1.Key Laboratory of Unconventional Oil ＆ Gas Development（China University of Petroleum（East China）） ， Qingdao 266580， China;

2.School of Petroleum Engineering in China University of Petroleum （East China）， Qingdao 266580， China;

3.South China Blue Sky Aviation Oil Company， Hubei Branch， Wuhan 430300， China）

Abstract：In order to develop a fast and efficient numerical simulation technique for productivity prediction of natural gas hydrate reservoirs， a neural network model was established by learning the results of conventional reservoir simulations， in which the learning samples of the new model were established based on the geological data of actual hydrate reservoirs. The model was applied for a two-year period of production prediction of the hydrate reservoirs in the Shenhu and the Nankai Trough regions in terms of depressurization. The simulation results indicate that the prediction accuracy of the neural network model exceeds 97% in comparison with the conventional reservoir simulators. The predicted average gas productions rate for the Shenhu hydrate reservoir is 2839 m³/d， with an optimal production pressure of 3 MPa. For the hydrate reservoir in the Nankai Trough，the predicted two-year average gas productions rate is 21523 m³/d， and the optimal production pressure is recommended as 4 MPa. The results of productivity prediction for various hydrate reservoirs indicate that production pressure of 3 MPa is suitable for nearly 69% of the hydrate reservoirs studied. However， there commended production pressure can be better of 5 MPa for reservoirs with hydrate saturation greater than 65%， the absolute permeability higher than 0.1 μm²and the initial reservoir pressure higher than 20 MPa.

Keywords：natural gas hydrate; neural network; productivity prediction; numerical simulation; production parameters

天然氣水合物具有巨大的儲(chǔ)量和應(yīng)用潛力^［1］，據(jù)統(tǒng)計(jì)，97%的天然氣水合物存在于海域中^［2-3］。目前，天然氣水合物藏的產(chǎn)能預(yù)測(cè)方法主要有解析法^［4-8］、實(shí)驗(yàn)法^［9-14］和數(shù)值模擬法^［15-19］。解析法對(duì)實(shí)際水合物藏進(jìn)行了大量簡(jiǎn)化，且二維以上的解析模型求解難度過(guò)大。目前水合物開(kāi)采的實(shí)驗(yàn)研究主要是實(shí)驗(yàn)室尺度，與實(shí)際水合物藏尺度相差甚遠(yuǎn)。數(shù)值模擬法解決了解析法求解精度低的問(wèn)題，且可以直接模擬大型礦場(chǎng)的開(kāi)采情況，因此被廣泛應(yīng)用于多個(gè)實(shí)際水合物藏^{［15-17，19］}以及含泥巖夾層等特定類(lèi)型的水合物藏^［18］的產(chǎn)能預(yù)測(cè)上。然而，傳統(tǒng)的數(shù)值模擬法在對(duì)大量水合物藏樣本的產(chǎn)能進(jìn)行預(yù)測(cè)時(shí)效率較低。同時(shí)，模擬模型的非線性特征越強(qiáng)，計(jì)算的負(fù)荷越大，嚴(yán)重時(shí)甚至?xí)o(wú)法收斂^［20］。神經(jīng)網(wǎng)絡(luò)方法具有函數(shù)逼近、自學(xué)習(xí)、復(fù)雜分類(lèi)和快速優(yōu)化計(jì)算等能力^［21-22］?；谏窠?jīng)網(wǎng)絡(luò)建立的替代模型結(jié)構(gòu)簡(jiǎn)單、求解容易，有望解決數(shù)值模擬計(jì)算中的問(wèn)題。筆者提出基于神經(jīng)網(wǎng)絡(luò)模型的水合物藏產(chǎn)能預(yù)測(cè)方法。首先收集多個(gè)實(shí)際水合物藏的地質(zhì)參數(shù)，建立數(shù)值模擬模型并求解；然后通過(guò)對(duì)數(shù)值模擬的結(jié)果進(jìn)行學(xué)習(xí)，構(gòu)建神經(jīng)網(wǎng)絡(luò)產(chǎn)能預(yù)測(cè)模型；最后利用建立模型對(duì)實(shí)際水合物藏的開(kāi)采產(chǎn)能進(jìn)行預(yù)測(cè)，并優(yōu)化相關(guān)開(kāi)采參數(shù)。

1 數(shù)值模擬模型建立

1.1 地質(zhì)模型數(shù)據(jù)選取

選取日本南海海槽、中國(guó)南海海域及韓國(guó)郁陵盆地3個(gè)地區(qū)的典型水合物藏作為研究對(duì)象。其中日本南海海槽水合物藏位于日本西南岸太平洋海底^［23］，儲(chǔ)層為高滲透性和高水合物飽和度的砂巖層；中國(guó)南海神狐水合物藏和荔灣水合物藏位于中國(guó)南海北部陸坡^［24］，其儲(chǔ)層主要為泥質(zhì)粉砂巖，滲透率較低；與上述地區(qū)相比，韓國(guó)郁陵盆地水合物藏具有較高的溫度和壓力。影響水合物藏產(chǎn)能的地質(zhì)參數(shù)主要包括儲(chǔ)層厚度、水合物飽和度、孔隙度、滲透率、溫度和壓力等^［25］。通過(guò)文獻(xiàn)調(diào)研，收集了日本南海海槽水合物藏、中國(guó)南海水合物藏和韓國(guó)郁陵盆地水合物藏的相關(guān)地質(zhì)參數(shù)，見(jiàn)表1。

為使神經(jīng)網(wǎng)絡(luò)模型能夠充分對(duì)不同地質(zhì)情況的海域水合物藏產(chǎn)能進(jìn)行預(yù)測(cè)，盡可能保證學(xué)習(xí)數(shù)據(jù)的多樣性，選取日本南海海槽的淤泥層和砂層2、中國(guó)南海神狐海域的SH2和SH7站位、中國(guó)南海荔灣海域的LW3站位、韓國(guó)郁陵盆地UBGH2-6共6組基礎(chǔ)水合物藏地質(zhì)參數(shù)（即表1中的Case1～Case6）用于建立數(shù)值模擬基礎(chǔ)模型。表1中的Test1和Test2則分別為日本2013年和中國(guó)2017年水合物藏試采的案例。

1.2 模型建立

CMG-STARS是集熱力學(xué)、分解動(dòng)力學(xué)和地質(zhì)力學(xué)為一體的模擬軟件，大量研究都證實(shí)了CMG-STARS模擬水合物藏開(kāi)采的可行性^{［16，18-19，30］}。挪威國(guó)家石油公司已將CMG-STARS用作海洋水合物開(kāi)發(fā)研究中的通用模擬器^［31］。本文中使用CMG-STARS建立水合物藏開(kāi)采數(shù)值模擬模型。

模型中考慮水相、氣相、水合物相3相，水、甲烷、水合物3組分質(zhì)量守恒方程分別為

式中，ρ_w、ρ_g和ρ_h分別為水、甲烷、水合物的密度，kg/m³；φ為介質(zhì)的孔隙度；S_w、S_g和S_h分別為水、甲烷、水合物的飽和度；v_w和v_g分別為水和甲烷的流速，m/s；_w、_g和_h分別為水合物分解產(chǎn)生水、甲烷及消耗水合物的質(zhì)量，kg/（m³·s）；q_w和q_g分別為注入或產(chǎn)出的水、氣質(zhì)量，kg/（m³·s）。

考慮熱傳導(dǎo)、熱對(duì)流和水合物的分解吸熱反應(yīng)，水合物開(kāi)采過(guò)程中的能量平衡方程為

式中，T為溫度，K；ρ_R為巖石密度，kg/m³；C_R、C_w、C_g和C_h分別為巖石、水、甲烷、水合物的比熱容，J/（kg·K）；λ_R、λ_w、λ_g和λ_h分別為巖石、水、甲烷、水合物的導(dǎo)熱系數(shù)，W/（m·K）；n_hd為水合物分解消耗的物質(zhì)的量，mol/（m³·s）；ΔH_h為水合物分解時(shí)吸收的熱量，J/mol。

天然氣水合物分解速率的控制方程為

式中，n_h為t時(shí)刻天然氣水合物的物質(zhì)的量，mol；k_d為水合物分解速率常數(shù)，mol/（min·m²·Pa）；p_eq為天然氣水合物三相平衡壓力，Pa；p_g為氣相壓力，Pa；ΔE為分解活化能，Kim實(shí)驗(yàn)得到的取值為78.3 kJ/mol；R為理想氣體常數(shù)，8.3144 J/（mol·K）；T為分解溫度，K；A_hs為球型顆粒的表面積，m²。

建立水合物降壓開(kāi)采的地質(zhì)模型，如圖1所示。模型平面尺寸為500 m×500 m，垂向上包含上覆層、下伏層和水合物層，上覆層和下伏層厚度均為30 m，水合物層厚度根據(jù)表1中案例的不同而變化，且水合物層只包含水合物和自由水。除表1中列出的地質(zhì)參數(shù)外，6個(gè)基礎(chǔ)數(shù)值模擬模型的其余參數(shù)均保持一致，孔隙壓縮系數(shù)C_ф為1×10^-3MPa^-1，巖石密度ρ_R為2600 kg/m³，巖石比熱容C_R為1000 J/（kg·K），巖石導(dǎo)熱系數(shù)λ_R為3.92 W/（m·K），束縛水飽和度S_irw為0.3，束縛氣飽和度S_irg為0.05。采用直井降壓開(kāi)采，開(kāi)采壓力為3、4 和5 MPa。

模擬計(jì)算中使用的毛管力模型為

其中

S^*=（S_w-S_irw）/（1-S_ir_w）.

式中，p_co為毛管閾壓，10^-1MPa；λ_c為Van Genuchten指數(shù)，取值為0.45。

相對(duì)滲透率模型為

K_rw=K_rwo（S^*_w）ⁿ_w， ???（9）

K_rg=K_rgo（S^*_g）ⁿ_g. ???（10）

其中

S^*_w=（S_w-S_irw）/（1-S_irw），

S^*_g=（S_g-S_irg）/（1-S_irw-S_irg） .

式中，K_rw和K_rg分別為液相和氣相相對(duì)滲透率；K_rwo和K_rgo分別為液相和氣相相對(duì)滲透率最大值；n_w和n_g分別為液相和氣相相對(duì)滲透率指數(shù)。

2 神經(jīng)網(wǎng)絡(luò)模型構(gòu)建

BP神經(jīng)網(wǎng)絡(luò)是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)，其模型包含輸入層、隱藏層和輸出層，按照網(wǎng)絡(luò)結(jié)構(gòu)從前向后計(jì)算預(yù)測(cè)值，根據(jù)預(yù)測(cè)值與期望值之間的誤差，利用梯度下降法，從后向前反向修正誤差。BP神經(jīng)網(wǎng)絡(luò)模型的本質(zhì)為黑箱模型，在計(jì)算過(guò)程中并不需要考慮其內(nèi)部復(fù)雜的運(yùn)算邏輯，僅基于輸入和輸出的數(shù)據(jù)構(gòu)建內(nèi)部的計(jì)算過(guò)程。因此BP神經(jīng)網(wǎng)絡(luò)模型可用來(lái)代替數(shù)值模擬，建立水合物藏的產(chǎn)能預(yù)測(cè)模型。

3層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。假設(shè)有m個(gè)輸入層節(jié)點(diǎn)，n個(gè)隱藏層節(jié)點(diǎn)，k個(gè)輸出層節(jié)點(diǎn)。{x}為輸入數(shù)據(jù)集，x_m為輸入層第m個(gè)節(jié)點(diǎn)的輸入，w¹_ij表示輸入層第i個(gè)節(jié)點(diǎn)到隱藏層第j個(gè)節(jié)點(diǎn)的連接

權(quán)重，w²_ij表示隱藏層第i個(gè)節(jié)點(diǎn)到輸出層第j個(gè)節(jié)點(diǎn)的連接權(quán)重，s¹_j表示隱藏層第j個(gè)節(jié)點(diǎn)的輸入，θ（）表示激活函數(shù)，θ（s¹_j）為隱藏層第j個(gè)節(jié)點(diǎn)的輸出，s²_j表示輸出層第j個(gè)節(jié)點(diǎn)的輸入，_k為輸出層第k個(gè)節(jié)點(diǎn)的輸出，{y-}為模型最終的輸出數(shù)據(jù)集。

2.1 數(shù)據(jù)處理

2.1.1 神經(jīng)網(wǎng)絡(luò)樣本數(shù)量擴(kuò)充

神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練需要大量的樣本，但實(shí)際的水合物礦場(chǎng)資料有限。為此，在已建立的6個(gè)基礎(chǔ)模型數(shù)據(jù)上，以各地質(zhì)參數(shù)的10%作為浮動(dòng)范圍，對(duì)樣本進(jìn)行擴(kuò)充，具體取值詳見(jiàn)表2。根據(jù)表2中的參數(shù)數(shù)量，共可以生成13122組試驗(yàn)方案，選擇拉丁超立方抽樣法對(duì)試驗(yàn)方案進(jìn)行抽樣。

在本次試驗(yàn)設(shè)計(jì)中，為保證抽樣得到的試驗(yàn)方案盡可能均勻分布，進(jìn)行多次迭代抽樣并計(jì)算每次抽樣得到的所有樣本的歐式距離最小值，歐式距離是在m維空間中兩個(gè)點(diǎn)之間的真實(shí)距離，即

歐氏距離越小，說(shuō)明兩個(gè)樣本相似度越高，最終選擇迭代次數(shù)內(nèi)最優(yōu)的抽樣方案。每個(gè)基礎(chǔ)模型均抽取200個(gè)樣本，共抽樣得到1200組地質(zhì)參數(shù)組合，形成1200個(gè)數(shù)值模擬模型，應(yīng)用數(shù)值模擬方法對(duì)所有模型進(jìn)行求解，求出降壓開(kāi)采的累積產(chǎn)氣量和累積產(chǎn)水量。部分抽樣參數(shù)及模擬結(jié)果如表3所示。

2.1.2 神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)

神經(jīng)網(wǎng)絡(luò)模型的輸入?yún)?shù)包括6個(gè)水合物藏地質(zhì)參數(shù)（儲(chǔ)層厚度、水合物飽和度、儲(chǔ)層孔隙度、儲(chǔ)層絕對(duì)滲透率、儲(chǔ)層平均溫度和儲(chǔ)層平均壓力）及1個(gè)水合物藏生產(chǎn)參數(shù)（開(kāi)采壓力），共7個(gè)輸入?yún)?shù)。

2.1.3 神經(jīng)網(wǎng)絡(luò)的輸出參數(shù)

生產(chǎn)時(shí)間過(guò)長(zhǎng)會(huì)導(dǎo)致儲(chǔ)層中的水合物全部分解完，此時(shí)其產(chǎn)能主要取決于水合物藏的地質(zhì)儲(chǔ)量，而開(kāi)采時(shí)間過(guò)短則不能很好地反映水合物藏的開(kāi)采情況。因此以水合物藏降壓開(kāi)采2 a^［25］的累積產(chǎn)氣量和累積產(chǎn)水量作為樣本的輸出參數(shù)。

2.1.4 參數(shù)歸一化

由于各輸入?yún)?shù)之間存在不同的量綱，參數(shù)的跨度范圍過(guò)大會(huì)嚴(yán)重影響神經(jīng)網(wǎng)絡(luò)模型的學(xué)習(xí)效果。因此采用線性歸一化方法對(duì)輸入?yún)?shù)進(jìn)行歸一化處理，將所有結(jié)果映射到［0，1］。轉(zhuǎn)換函數(shù)為

2.2 BP神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建

共建立兩個(gè)3層BP神經(jīng)網(wǎng)絡(luò)模型，輸入層節(jié)點(diǎn)個(gè)數(shù)均為7。輸出的目標(biāo)分別為水合物藏開(kāi)采2 a的累積產(chǎn)氣量和累積產(chǎn)水量，兩個(gè)神經(jīng)網(wǎng)絡(luò)模型的輸出層節(jié)點(diǎn)個(gè)數(shù)均為1。通過(guò)逐步試驗(yàn)，確定神經(jīng)網(wǎng)絡(luò)隱藏層節(jié)點(diǎn)數(shù)均為200。

隨機(jī)抽取70%（840組）的試驗(yàn)方案作為學(xué)習(xí)樣本，剩下30%（360組）作為測(cè)試樣本，對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行搭建并訓(xùn)練。將360組測(cè)試樣本的神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果與數(shù)值模擬計(jì)算結(jié)果進(jìn)行比較，結(jié)果如圖3和4所示。從圖3、4中可以看出，神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)結(jié)果與數(shù)值模擬結(jié)果非常接近。

運(yùn)用R²（決定系數(shù)）和E（平均相對(duì)誤差）兩個(gè)指標(biāo)對(duì)神經(jīng)網(wǎng)絡(luò)模型的計(jì)算精度進(jìn)行檢驗(yàn)，其計(jì)算式分別為

R²越接近于1，表示替代模型擬合精度越高；E越接近于0，表示替代模型的預(yù)測(cè)值誤差越小。產(chǎn)氣量和產(chǎn)水量預(yù)測(cè)模型的R²分別為0.995和0.975，平均相對(duì)誤差E分別為0.065和0.084，可以看出神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)的精度較高，準(zhǔn)確率超過(guò)97%，可以滿足產(chǎn)能預(yù)測(cè)的需要。

運(yùn)用建立好的神經(jīng)網(wǎng)絡(luò)模型對(duì)Case1的200個(gè)水合物藏的產(chǎn)能進(jìn)行預(yù)測(cè)，經(jīng)驗(yàn)證其所需時(shí)間不到2 min，而同樣的水合物藏樣本在進(jìn)行數(shù)值模擬時(shí)需要近30 h才可以完成計(jì)算，神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法在保留了數(shù)值模擬準(zhǔn)確性的基礎(chǔ)上，計(jì)算速度提升了900倍。

3 水合物藏產(chǎn)能預(yù)測(cè)及降壓開(kāi)采參數(shù)

3.1 水合物藏產(chǎn)能預(yù)測(cè)實(shí)例

2017年5～7月，中國(guó)地質(zhì)調(diào)查局在神狐海域成功試采60 d^［27］，累積產(chǎn)氣量達(dá)到30.9×10⁴m³，日均產(chǎn)氣量為5151 m³。2013年，日本南海海槽天然氣水合物藏首次進(jìn)行試采^［32］，開(kāi)采持續(xù)6 d，總產(chǎn)氣量約為119500 m³，產(chǎn)氣速率約為20000 m³/d。使用神經(jīng)網(wǎng)絡(luò)模型對(duì)中國(guó)南海神狐水合物藏W17站位和日本南海海槽水合物藏砂層1開(kāi)采2 a的產(chǎn)能進(jìn)行預(yù)測(cè)，兩個(gè)水合物藏的地質(zhì)參數(shù)取值見(jiàn)表1。數(shù)值模擬研究中，中國(guó)南海神狐水合物藏和日本南海海槽水合物藏2017年的開(kāi)采壓力設(shè)定分別為3、4和5 MPa。經(jīng)預(yù)測(cè)中國(guó)南海神狐水合物藏和日本南海海槽水合物藏開(kāi)采2 a的日均產(chǎn)氣量預(yù)測(cè)值分別為2839 和21523 m³。

3.2 水合物藏降壓開(kāi)采參數(shù)

水合物降壓開(kāi)采時(shí)，生產(chǎn)壓力與產(chǎn)氣、產(chǎn)水動(dòng)態(tài)密切相關(guān)。考慮到水合物藏的四相點(diǎn)（氣、水、水合物、冰）壓力為2.56 MPa^［33］，當(dāng)開(kāi)采壓力低于此壓力時(shí)，儲(chǔ)層會(huì)出現(xiàn)結(jié)冰現(xiàn)象，增加了冰堵的風(fēng)險(xiǎn)，因此本研究中的最低開(kāi)采壓力為3 MPa。利用神經(jīng)網(wǎng)絡(luò)模型對(duì)兩個(gè)水合物藏的產(chǎn)氣量和產(chǎn)水量進(jìn)行預(yù)測(cè)并對(duì)比分析，從而推薦各水合物藏的降壓生產(chǎn)壓力。不同開(kāi)采壓力下2 a的產(chǎn)能預(yù)測(cè)結(jié)果如表4所示。

以單位壓降下日產(chǎn)氣量的變化幅度ΔR_g和單位壓降下氣水比的變化幅度ΔR_gw作為推薦開(kāi)采壓力依據(jù)。ΔR_g和ΔR_gw的計(jì)算公式分別為

式中，pwh為高生產(chǎn)壓力，MPa；pwl為低生產(chǎn)壓力，MPa；Qgh和Qgl分別

為高生產(chǎn)壓力和低生產(chǎn)壓力下的平均日產(chǎn)氣量，m3；

Rgwh和Rgwl分別為高生產(chǎn)壓力和低生產(chǎn)壓力下的氣水比。

當(dāng)ΔRg>0時(shí)，說(shuō)明降壓后的日產(chǎn)氣量更高；當(dāng)ΔRgw>0時(shí)，說(shuō)明降壓后的氣水比更高。

日產(chǎn)氣量是產(chǎn)能的主要指標(biāo)，但是氣水比也是影響開(kāi)采經(jīng)濟(jì)效益的重要因素，因此綜合考慮ΔRg和ΔRgw進(jìn)行開(kāi)采壓力推薦，當(dāng)ΔRg<0.2且ΔRgw<0時(shí)，說(shuō)明此時(shí)降低開(kāi)采壓力對(duì)日產(chǎn)氣量的提升有限，且會(huì)降低氣水比，因此認(rèn)為降低前的開(kāi)采壓力pwh更適合該水合物藏。反之，則認(rèn)為降低后的開(kāi)采壓力pwl更適合該水合物藏。

從表4中可以看出，隨著生產(chǎn)壓力的降低，神狐水合物藏的日產(chǎn)氣量和氣水比增長(zhǎng)明顯；日本南海海槽水合物藏日產(chǎn)氣的增長(zhǎng)幅度較小，且氣水比出現(xiàn)降低的情況。根據(jù)計(jì)算的ΔRg和ΔRgw可以得到：在本研究的壓力范圍內(nèi)，開(kāi)采神狐水合物藏時(shí)推薦開(kāi)采壓力為3 MPa；對(duì)于日本南海海槽水合物藏，如果只追求最大的日產(chǎn)氣量，推薦開(kāi)采壓力為3 MPa，如果綜合考慮日產(chǎn)氣量和氣水比，推薦開(kāi)采壓力為4 MPa。

3.3 不同地質(zhì)參數(shù)下的水合物藏降壓開(kāi)采壓力

水合物藏的地質(zhì)參數(shù)不同，其降壓開(kāi)采適合的壓力會(huì)有區(qū)別，在表2中取各地質(zhì)參數(shù)的最大值和最小值，水合物飽和度為0.288～0.77，儲(chǔ)層厚度為9～44 m，地層滲透率為（0.18～1210）×10^-3μm²，孔隙度為0.342～0.66，地層壓力為11.93～25.44 MPa，用于建立大量不同地質(zhì)參數(shù)的水合物藏樣本。將各地質(zhì)參數(shù)在取值范圍內(nèi)均分成10份，由于滲透率的變化范圍較大，先對(duì)滲透率取對(duì)數(shù)后再進(jìn)行均分。然后對(duì)各地質(zhì)參數(shù)的取值進(jìn)行抽樣并隨機(jī)組合，從而對(duì)不同地質(zhì)參數(shù)下的水合物藏開(kāi)采壓力進(jìn)行推薦。由于溫度壓力不匹配會(huì)導(dǎo)致水合物脫離相平衡狀態(tài)，所以不對(duì)溫度壓力進(jìn)行拆分，只按照地層壓力進(jìn)行抽樣，地層溫度為該壓力下對(duì)應(yīng)的相平衡溫度，水合物相平衡計(jì)算公式^［34］為

p_e=8×10^-13exp（0.1052T_e）.（17）

式中，p_e為相平衡壓力，MPa；T_e為相平衡溫度，K。

在各參數(shù)的取值范圍內(nèi)共抽取200組地質(zhì)參數(shù)組合，生產(chǎn)壓力分別為3和5 MPa，共生成400個(gè)水合物藏開(kāi)采樣本，對(duì)各樣本的產(chǎn)氣產(chǎn)水情況進(jìn)行預(yù)測(cè)。按照開(kāi)采壓力推薦標(biāo)準(zhǔn)，綜合考慮單位壓降下日產(chǎn)氣量的變化幅度ΔR_g和單位壓降下氣水比的變化幅度ΔR_gw，對(duì)抽樣得到的各水合物藏開(kāi)采壓力進(jìn)行推薦。200個(gè)不同地質(zhì)參數(shù)組合的水合物藏開(kāi)采樣本中有138個(gè)（占69%）在開(kāi)采壓力為3 MPa時(shí)開(kāi)采效果較好，但是也有一小部分水合物藏適合采用5 MPa的壓力進(jìn)行開(kāi)采。

分別計(jì)算開(kāi)采壓力為3和5 MPa時(shí)不同地質(zhì)參數(shù)取值下所有模型的日產(chǎn)氣量平均值，然后根據(jù)日產(chǎn)氣量平均值計(jì)算單位壓降下日產(chǎn)氣量的變化幅度ΔR_g，結(jié)果如圖5所示。

從圖5中可以看出，水合物層厚度和孔隙度變化對(duì)不同開(kāi)采壓力下的產(chǎn)氣量變化幅度影響趨勢(shì)不明顯，而對(duì)于水合物飽和度高于65%、地層絕對(duì)滲透率高于0.1 μm²和地層壓力高于20 MPa的水合物藏，降低開(kāi)采壓力獲得的產(chǎn)氣量增長(zhǎng)幅度有限，可以采用5 MPa的生產(chǎn)壓力，其余地質(zhì)參數(shù)下的水合物藏建議生產(chǎn)壓力為3 MPa。

4 結(jié) 論

（1）利用BP神經(jīng)網(wǎng)絡(luò)建立的數(shù)值模擬的替代模型，計(jì)算速度提升了900倍，準(zhǔn)確率超過(guò)97%，可以較好地?cái)M合數(shù)值模擬模型的結(jié)果，保留數(shù)值模擬預(yù)測(cè)的精準(zhǔn)性，且解決了數(shù)值模擬效率低的問(wèn)題。

（2）神狐海域水合物藏和日本南海水合物藏開(kāi)采2 a的日均產(chǎn)氣量預(yù)測(cè)值分別為2839和21523 m³。綜合考慮產(chǎn)氣量和氣水比的情況，推薦神狐水合物藏生產(chǎn)壓力為3 MPa，日本南海水合物藏生產(chǎn)壓力為4 MPa。

（3）69%的水合物藏適合采用3 MPa的開(kāi)采壓力；但對(duì)于水合物飽和度大于65%、地層絕對(duì)滲透率高于0.1 μm²和地層壓力高于20 MPa的水合物藏，建議開(kāi)采壓力選擇5 MPa。

參考文獻(xiàn)：

［1］ENGLEZOS P. Clathrate hydrates［J］. Industrial & Engineering Chemistry Research， 1993，32（7）：1251-1274.

［2］陳多福，王茂春，夏斌.青藏高原凍土帶天然氣水合物的形成條件與分布預(yù)測(cè)［J］.地球物理學(xué)報(bào)，2005，48（1）：165-172.

CHEN Duofu， WANG Maochun， XIA Bin. Formation condition and distribution prediction of gas hydrate in Qinghai-Tibet Plateau permafrost［J］. Chinese Journal of? Geophysics， 2005，48（1）：165-172.

［3］MAKOGON Y F. Natural gas hydrates： a promising source of energy［J］. Journal of Natural Gas Science and Engineering， 2010，2（1）：49-59.

［4］MAKOGON I F， MAKOGON Y F. Hydrates of hydrocarbons［M］. Tulsa，Oklahoma： Penn Well Publishing Company，1997：399-411.

［5］GOEL N， WIGGINS M， SHAH S. Analytical modeling of gas recovery from in situ hydrates dissociation［J］. Journal of Petroleum Science and Engineering， 2001，29（2）：115-127.

［6］JI C， AHMADI G， SMITH D H. Natural gas production from hydrate decomposition by depressurization［J］. Chemical Engineering Science， 2001，56（20）：5801-5814.

［7］JI C， AHMADI G， SMITH D H. Constant rate natural gas production from a well in a hydrate reservoir［J］. Energy Conversion & Management， 2003，44（15）：2403-2423.

［8］GERAMI S， POOLADI-DARVISH M. Material balance and boundary-dominated flow models for hydrate-capped gas reservoirs［R］. SPE 102234， 2006.

［9］李淑霞，陳月明，郝永卯，等.多孔介質(zhì)中天然氣水合物降壓開(kāi)采影響因素實(shí)驗(yàn)研究［J］.中國(guó)石油大學(xué)學(xué)報(bào)（自然科學(xué)版），2007，31（4）：56-59.

LI Shuxia， CHEN Yueming， HAO Yongmao， et al. Experimental research on influence factors of natural gas hydrate production by depressurizing in porous media［J］. Journal of China University of Petroleum （Edition of Natural Science）， 2007，31（4）：56-59.

［10］郝永卯，陳月明，李淑霞.天然氣水合物注熱開(kāi)采實(shí)驗(yàn)研究［J］.中國(guó)石油大學(xué)學(xué)報(bào)（自然科學(xué)版），2007，31（4）：60-63.

HAO Yongmao， CHEN Yueming， LI Shuxia. Experimental study on production of natural gas hydrate by thermal stimulation［J］. Journal of China University of Petroleum （Edition of Natural Science）， 2007，31（4）：60-63.

［11］李淑霞，李杰，徐新華，等.天然氣水合物藏注熱水開(kāi)采敏感因素試驗(yàn)研究［J］.中國(guó)石油大學(xué)學(xué)報(bào)（自然科學(xué)版），2014，38（2）：99-102.

LI Shuxia， LI Jie， XU Xinhua， et al. Experimental study on influencing factors for hydrate dissociation in a hot brine injection process［J］. Journal of China University of Petroleum （Edition of Natural Science）， 2014，38（2）：99-102.

［12］李淑霞，徐新華，吳錦謹(jǐn)，等.不同注熱水溫度下水合物開(kāi)采實(shí)驗(yàn)研究［J］.現(xiàn)代地質(zhì)，2013，27（6）：1379-1383.

LI Shuxia， XU Xinhua， WU Jinjin， et al. Experimental investigation of gas hydrate dissociation by hot brine injection with different temperatures［J］. Geoscience， 2013，27（6）：1379-1383.

［13］ZHAO J， ZHU Z， SONG Y， et al. Analyzing the process of gas production for natural gas hydrate using depressurization［J］. Applied Energy， 2015，142（14）：125-134.

［14］CHEN C， YANG L， JIA R， et al. Simulation study on the effect of fracturing technology on the production efficiency of natural gas hydrate［J］. Energies， 2017，10（8）：1241-1256.

［15］ZHAO J， YU T， SONG Y， et al. Numerical simulation of gas production from hydrate deposits using a single vertical well by depressurization in the Qilian mountain permafrost， Qinghai-tibet plateau， China［J］. Energy， 2013，52：308-319.

［16］MYSHAKIN E M， GADDIPATI M， ROSE K， et al. Numerical simulations of depressurization-induced gas production from gas hydrate reservoirs at the walker ridge 313 site， northern Gulf of Mexico［J］. Marine & Petroleum Geology， 2012，34（1）：169-185.

［17］CHEN L， FENG Y， OKAJIMA J， et al. Production behavior and numerical analysis for 2017 methane hydrate extraction test of Shenhu， South China Sea［J］. Journal of Natural Gas Science & Engineering， 2018，53：55-66.

［18］BAI Y， HOU J， LIU Y， et al. Interbed patterns division and its effect on production performance for class I hydrate deposit with mudstone interbed［J］. Energy， 2020，211：118666.

［19］LI S， DING S， WU D， et al. Analysis of stratum subsidence induced by depressurization at an offshore hydrate-bearing sediment［J］. Energy & Fuels， 2021，35（2）：1381-1388.

［20］LUO J， JI Y， LU W. Comparison of surrogate models based on different sampling methods for groundwater remediation［J］. Journal of Water Resources Planning and Management， 2019，145（5）：04019015.

［21］WANG Y D， CHUNG T， ARMSTRONG R T， et al.

ML-LBM： predicting and accelerating steady state flow simulation in porous media with convolutional neural networks［J］. Transport in Porous Media， 2021，138（1）：49-75.

［22］李偉，唐放，侯博恒，等.基于神經(jīng)網(wǎng)絡(luò)的南海東部砂巖油藏采收率預(yù)測(cè)方法［J］.油氣藏評(píng)價(jià)與開(kāi)發(fā)，2021，11（5）：730-735.

LI Wei， TANG Fang， HOU Boheng， et al. A method for oil recovery prediction of sandstone reservoirs in the eastern South China Sea based on neural network［J］. Petroleum Reservoir Evaluation and Development， 2021，11（5）：730-735.

［23］TSUJI Y， ISHIDA H， NAKAMIZU M， et al. Overview of the MITI Nankai Trough wells： a milestone in the evaluation of methane hydrate resources［J］. Resource Geology， 2008，54（1）：3-10.

［24］羅敏，王宏斌，楊勝雄，等.南海天然氣水合物研究進(jìn)展［J］.礦物巖石地球化學(xué)通報(bào)，2013，32（1）：56-69.

LUO Min， WANG Hongbin， YANG Shengxiong， et al. Research advancement of natural gas hydrate in South China Sea［J］. Bulletin of Mineralogy， Petrology and Geochemistry， 2013，32（1）：56-69.

［25］HUANG L， SU Z， WU N， et al. Analysis on geologic conditions affecting the performance of gas production from hydrate deposits［J］. Marine and Petroleum Geology， 2016，77：19-29.

［26］SUN J， NING F， ZHANG L， et al. Numerical simulation on gas production from hydrate reservoir at the 1st offshore test site in the eastern Nankai Trough［J］. Journal of Natural Gas Science & Engineering， 2016，30：64-76.

［27］LI J F， YE J L， QIN X W， et al. The first offshore natural gas hydrate production test in South China Sea［J］. China Geology， 2018，1（1）：5-16.

［28］孫嘉鑫，趙洪寶，曹鑫鑫，等.南海荔灣區(qū)域水合物水平井降壓開(kāi)采模擬研究［J］.科學(xué)技術(shù)與工程，2021，21（24）：10246-10256.

SUN Jiaxin， ZHAO Hongbao， CAO Xinxin， et al. Numerical simulation on depressurization-induced gas production from hydrate reservoirs in the Liwan area， South China Sea using horizontal well［J］.Science Technology and Engineering，2021，21（24）：10246-10256.

［29］MORIDIS G J， KIM J， REAGAN M T， et al. Feasibility of gas production from a gas hydrate accumulation at the UBGH2-6 site of the Ulleung Basin in the Korean East Sea［J］. Journal of Petroleum Science & Engineering， 2013，108（Complete）：180-210.

［30］UDDIN M， COOMBE D， LAW D， et al. Numerical studies of gas-hydrates formation and decomposition in a geological reservoir［R］. SPE 100460， 2006.

［31］REAGAN M， MORIDIS G， JOHNSON J， et al. Field-scale simulation of production from oceanic gas hydrate deposits［J］. Transport in Porous Media， 2015，108（1）：151-169.

［32］YAMAMOTO K. Overview and introduction： pressure core-sampling and analyses in the 2012-2013 MH21 offshore test of gas production from methane hydrates in the eastern Nankai Trough［J］. Marine and Petroleum Geology， 2015，66（2）：296-309.

［33］王志強(qiáng).冰及水合物二次生成對(duì)水合物藏降壓開(kāi)采的影響［D］.青島：中國(guó)石油大學(xué)（華東），2019.

WANG Zhiqiang.Effect of ice and methane hydrate reformation on development of hydrate reservoir by depressurization［D］. Qingdao：China University of Petroleum （East China）， 2019.

［34］劉佳麗.神狐海域水合物藏試開(kāi)采方案優(yōu)化的數(shù)值模擬研究［D］.青島：中國(guó)石油大學(xué)（華東），2018.

LIU Jiali. Numerical study on optimization producing scheme of hydrate reservoirs in Shenhu area［D］. Qingdao： China University of Petroleum （East China）， 2018.

（編輯 李志芬）