基于交替条件期望变换的凝析气藏露点压力预测模型

孙博文，郭 平，伍轶鸣，汪周华，周代余，刘志良

（1.西南石油大学油气藏地质及开发工程国家重点实验室，四川成都610500；2.中国石油塔里木油田分公司勘探开发研究院，新疆库尔勒841000）

在凝析气藏衰竭开发过程中，随着温度、压力的降低，当压力低于第一露点时，原本在凝析气中以气态存在的凝析油将逐渐析出，产生的反凝析现象不仅将凝析油损失在地层中，而且会堵塞地层渗流通道，降低气井产能[1-2]。为防止反凝析现象的产生，开采时常常保持地层压力高于露点压力[3]。为此，准确测定凝析气藏露点压力，对于保障此类气藏高效开发至关重要。

近年来，国内外确定凝析气藏露点压力的方法主要有：实验法、状态方程、人工神经网络、深度学习智能模型等。凝析气藏露点压力的实验测定可根据国家标准《油气藏流体物性分析方法》[4]中的恒质膨胀（CCE）方法，实验测试虽较为准确，但其成本较高、耗时耗力。VALIOLLAHI 等[5]采用改进的Peng-Robinson（PR）状态方程进行凝析气藏露点压力计算，并与Soave- Redlich- Kwong（SRK）和Schmidt-Wenzel（SW）等状态方程进行了精度对比，但热力学模型需要进行各组分的二元系数拟合，且求解收敛性存在一定的问题。除上述方法外，许多新的理论方法也逐渐用于露点压力的预测，HAJI-SAVAMERI等[6]利用改进的径向基函数神经网络（Radical Basis Function，RBF）预测了凝析气藏露点压力，并与多层感知器（Multilayer Perceptron，MLP）算法进行对比；ZHONG 等[7]基于粒子群优化算法（Particle Swarm Optimization，PSO），采用支持向量机（Support Vector Machine，SVM）方法，构建了PSO-SVM露点压力预测模型，新发展的深度学习智能模型虽能进行复杂的非线性回归，且预测精度较高，但其和人工神经网络类似，均无法给出显式模型，且无法进行自我推理解释，矿场应用存在一定局限性。……