基于长短期记忆图注意力网络的CO2驱油井间连通性研究

这项研究对能源与气候的重要性

世界上许多石油仍来自于老沉积油田，提取剩余原油变得越来越困难且成本上升。一种有前景的方法是CO2驱油：向地下注入二氧化碳以推动更多原油产出，同时将本会进入大气的CO2储存在地下。但操作方常常无法直观看到注入气体在井间如何流动。本文提出了一种新的数据驱动方法，以实时“绘制”这些隐蔽的连通关系，帮助提高CO2驱油的效率，并有望在气候层面带来更好的效果。

让不可见的地下通道显形

当CO2被注入油藏时，它不会均匀扩散，而是沿着地下偏好的路径——类似隐蔽的高速公路——流动，这些路径由岩石渗透率差异和既有断层等构造形成。有些注入井会强烈影响特定的生产井，而另一些几乎没有影响。这种模式称为井间连通性，决定了CO2将油扫向生产井的效率，以及有多少气体越过有用层位或过早突破。准确追踪这些连通性对于调整注入与采出方案至关重要，但传统方法通常依赖昂贵的现场试验或简化假设，在复杂油藏中难以奏效。

传统工具的局限

工程师长期依赖压力干扰试验、化学示踪剂和流线模拟等技术来推断井与井之间的连通方式。近年又加入了统计工具和经典机器学习模型。尽管每种方法都能提供见解，但也各有不足：现场试验耗时且昂贵；简化的物理模型在高度变异的地层中可能遗漏重要细节；而常规机器学习常把各口井当作独立的数据流处理，忽视了它们之间随时间演变的相互作用。这些方法也往往假定连通模式随时间固定，尽管在注入过程中CO2前缘、压力和流道都会变化。

一种同时学习时间与空间的智能网络

作者提出了一种混合人工智能模型，旨在同时跟踪井随时间的变化与井间的空间相互影响。模型的一部分是长短期记忆网络（LSTM），擅长从时间序列中学习模式——在这里指的是每口井的日注入与日产量序列。另一部分是图注意力网络（GAT），将井视为网络节点，学习哪些井对彼此影响最大，并为更具影响力的连边分配更高权重。LSTM与GAT结合，可在油藏演化过程中既预测未来产量，又估算注入井与生产井之间连通性的强度并随时间更新。

构建一张动态的井间连通图

为训练该模型，研究者使用了一个广泛研究的三维合成油藏模型（EGG模型），并对八口注入井与四口生产井进行了为期十年的CO2驱油模拟。他们通过考察一口井注入波动在另一口井产量中以滞后形式出现的情况，构建了一张“动态”连通图。采用的度量是最大滞后互相关，用以在滑动时间窗口内推断每条连边的可能强度与时序。只有在相关性足够高且空间上相对接近的井对才被保留为网络中的边。该演化图随后输入GAT，GAT进一步细化各连边的重要性，而LSTM捕捉每口井的日常行为。

新方法的性能如何

该混合模型在数千天的模拟数据上经过严格调优与测试。它在预测气体产率方面取得了较高的准确性，测试集R²约为0.94，说明解释了模拟场中大部分变异。当推断出的连通性图与传统数值模拟得到的详细流动格局相比时，学习到的强连边与高渗透带和密集流动通道相一致。作者还将其方法与一系列其他模型进行了比较，从简单回归到独立的图网络与时间序列方法。总体而言，LSTM–GAT框架在预测准确性和连通性图的现实性方面均优于纯静态图模型，后者明显落后。

对更清洁、更高效采油的意义

对非专业读者而言，本研究的核心信息是：该工作提供了一种更智能、更灵活的方式来跟踪注入CO2在地下的移动路径，利用现代油田每天已在收集的数据。通过将生产历史转化为一张动态的地下连通图，操作方可以更好地决定注入位置、哪些井需要减注以及如何避免低效的气体通道化。尽管本研究是在受控的合成模型上演示，而非真实且复杂的现场数据，但它指向了未来工具的发展方向，有望使CO2驱油在经济性和封存碳效能上都有所提升，从而兼顾短期能源需求与长期气候目标。

引用: Dong, Z., Xu, Y., Lv, W. et al. Research on inter-well connectivity in CO₂ flooding based on long short-term memory graph attention network. Sci Rep 16, 6664 (2026). https://doi.org/10.1038/s41598-026-36910-7

关键词: CO2驱油, 井间连通性, 图神经网络, 产量预测, 提高采收率