机器学习驱动的二氧化碳气水交替驱开发策略优化方法

doi:10.12388/j.issn.1673-2677.2026.01.013

新疆石油天然气 ›› 2026, Vol. 22 ›› Issue (1): 114-124.DOI: 10.12388/j.issn.1673-2677.2026.01.013

机器学习驱动的二氧化碳气水交替驱开发策略优化方法

苏斌，李俊超，朱晨，李纪新

西安石油大学，陕西西安 710065

收稿日期:2025-06-13 修回日期:2025-12-20 接受日期:2025-12-29 出版日期:2026-03-10 发布日期:2026-03-10
通讯作者: 李俊超（1987-），2015年毕业于北京大学力学专业，博士，教授，目前从事油气藏数值模拟及相关软件研发和教学工作。（E-mail）lijunchao@xsyu.edu.cn
作者简介:苏斌（1997-），西安石油大学机械工程学院在读硕士，目前从事油气藏数值模拟和地应力模拟研究。（E-mail）subinsjl@163.com
基金资助:
国家自然科学基金青年基金项目“陆相中低熟页岩油原位转化开发裂缝动态演化机理研究”（52204047）；国家自然科学基金项目“井下多化学反应生烃放热协同汽大幅度提高稠油采收率基础问题研究”（U23B6003）。

An Optimization Method for CO₂ Water-Alternating-Gas （WAG） Development Strategy Driven by Machine Learning

SU Bin，LI Junchao，ZHU Chen，LI Jixin

Xi'an Shiyou University，Xi'an 710065，Shaanxi，China

Received:2025-06-13 Revised:2025-12-20 Accepted:2025-12-29 Online:2026-03-10 Published:2026-03-10

摘要/Abstract

摘要： 数值模拟方法在CO₂气水交替驱（CO₂-WAG）开发策略优化中虽然具有较高的预测精度，但在多参数组合优化和全局优化中因计算量巨大使其效率受限，难以满足复杂油藏开发方案的高效优化需求。为了解决这一问题，提出了一种基于随机森林模型的数值模拟替代方法，并结合全局优化框架显著提升了开发策略优化的计算效率与预测精度。通过改进的K-Fold交叉验证方法优化模型超参数，构建了能精准捕捉输入参数与开发效果之间复杂非线性关系的替代模型。以随机森林模型的测试集拟合优度（R²）和均方根误差（RMSE）为主要评价指标，验证了模型的预测可靠性，并通过与数值模拟结果对比进一步论证了方法的可行性和精确性。优化中结合循环遍历法探索增油量与CO₂埋存率之间的权衡，提出了多目标下的最优注采策略。优化结果表明，与传统开发方案相比，基于随机森林模型优化后的开发方案能够在显著提高累计产油量的同时增加CO₂埋存量并延迟气窜时间。在某致密油藏的实际模型中，相比样本最优方案，优化方案使累计产油量提升8.6%，CO₂埋存量增加14.5%，气窜时间延迟6年，显著改善了驱替效果和提高了开发效益。

关键词: CO₂-WAG, 致密油藏, 随机森林, 主控因素, 机器学习

Abstract: Although numerical simulation exhibits high predictive accuracy in optimizing development strategies for CO₂ water-alternating-gas （CO₂-WAG） flooding，its limited efficiency cannot facilitate high-efficiency optimization of development plans for complex reservoirs due to the enormous computational burden involved in multi-parameter combinational and global optimization. To address this issue，a surrogate modeling approach based on the random forest algorithm is proposed and integrated with a global optimization framework to greatly enhance computational efficiency and predictive accuracy. By employing an improved K-Fold cross-validation method for hyperparameter optimization，a surrogate model capable of accurately capturing the complex nonlinear relationships between input parameters and development outcomes is constructed. The reliability of the model is validated using the test set of goodness of fit（R²） and root mean square error （RMSE），and its feasibility and precision are further demonstrated through comparisons with numerical simulation results. During the optimization process，an iterative traversal method is employed to explore the trade-off between incremental oil recovery and CO₂ storage efficiency，leading to the proposal of an optimal injection-production strategy meeting multiple objectives. The optimization results reveal that compared with conventional development schemes，the random forest algorithm optimized strategy significantly increases cumulative oil production，enhances CO₂ storage efficiency，and delays gas breakthrough. For a real tight reservoir model，the optimized scheme delivers an increase of 8.6% in cumulative oil production，an improvement of 14.5% in CO₂ storage，and a six-year delay in gas breakthrough，demonstrating significant enhancements in displacement performance and development benefits.

Key words: CO₂-WAG, tight reservoir, random forest, main controlling factor, machine learning

中图分类号:

TE357.45

苏斌, 李俊超, 朱晨, 李纪新.

机器学习驱动的二氧化碳气水交替驱开发策略优化方法 [J]. 新疆石油天然气, 2026, 22(1): 114-124.

SU Bin, LI Junchao, ZHU Chen, LI Jixin.

An Optimization Method for CO₂ Water-Alternating-Gas （WAG） Development Strategy Driven by Machine Learning [J]. Xinjiang Oil & Gas, 2026, 22(1): 114-124.

参考文献

［1］胡永乐，郝明强，陈国利，等. 中国CO₂驱油与埋存技术及实践［J］. 石油勘探与开发，2019，46（4）：716-727.

HU Yongle，HAO Mingqiang，CHEN Guoli，et al. Technologies and practice of CO₂ flooding and sequestration in China［J］. Petroleum Exploration and Development，2019，46（4）： 716-727.

［2］袁士义，马德胜，李军诗，等. 二氧化碳捕集、驱油与埋存产业化进展及前景展望［J］. 石油勘探与开发，2022，49（4）：828-834.

YUAN Shiyi，MA Desheng，LI Junshi，et al. Progress and prospects of carbon dioxide capture，EOR-utilization and storage industrialization［J］. Petroleum Exploration and Development，2022，49（4）： 828-834.

［3］宋新民，王峰，马德胜，等. 中国石油二氧化碳捕集、驱油与埋存技术进展及展望［J］. 石油勘探与开发，2023，50（1）：206-218.

SONG Xinmin，WANG Feng，MA Desheng，et al. Progress and prospect of carbon dioxide capture，utilization and storage in CNPC oilfields［J］. Petroleum Exploration and Development，2023，50（1）： 206-218.

［4］曹小朋，熊英，冯其红，等. 低渗透-致密油藏CO₂驱油与封存协同评价方法［J］. 油气地质与采收率，2023，30（2）：44-52.

CAO Xiaopeng，XIONG Ying，FENG Qihong，et al. Collaborative evaluation method of CO₂ flooding and storage in low-permeability and tight reservoirs［J］. Petroleum Geology and Recovery Efficiency，2023，30（2）： 44-52.

［5］武杨青，翟亮，鲁守飞，等. 碳中和背景下CO₂驱油技术研究进展［J］. 山东化工，2023，52（1）：109-111.

WU Yangqing，ZHAI Liang，LU Shoufei，et al. Progress of CO₂ flooding technology in the context of carbon neutrality［J］. Shandong Chemical Industry，2023，52（1）： 109-111.

［6］高慧梅，何应付，赵淑霞，等. 低渗透油藏CO₂驱气窜影响因素分析及模糊评判预测［J］. 中国海上油气，2014，26（4）：63-66.

GAO Huimei，HE Yingfu，ZHAO Shuxia，et al. Control-factor analysis and fuzzy-evaluation prediction of gas channeling during CO₂ flooding in low-permeability oil reservoirs［J］. China Offshore Oil and Gas，2014，26（4）： 63-66.

［7］李阳. 低渗透油藏CO₂驱提高采收率技术进展及展望［J］. 油气地质与采收率，2020，27（1）：1-10.

LI Yang. Technical advancement and prospect for CO₂ flooding enhanced oil recovery in low permeability reservoirs［J］. Petroleum Geology and Recovery Efficiency，2020，27（1）：1-10.

［8］杜代军，方泽洲，章洋阳，等. 致密油藏CO₂驱响应性防气窜体系的制备及性能［J］. 精细化工，2024，41（5）：1135-1142.

DU Daijun，FANG Zezhou，ZHANG Yangyang，et al. Preparation and properties of responsive channeling prevention system for tight oil reservoir CO₂ flooding［J］. Fine Chemicals，2024，41（5）： 1135-1142.

［9］CHEN S，LI H，YANG D，et al. Optimal parametric design for water-alternating-gas（WAG） process in a CO₂-miscible flooding reservoir［J］. Journal of Canadian Petroleum Technology，2010，49（10）： 75-82.

［10］FANG P，ZHANG Q，ZHOU C，et al. Chemical-assisted CO₂ water-alternating-gas injection for enhanced sweep efficiency in CO₂-EOR［J］. Molecules （Basel，Switzerland），2024，29（16）： 3978.

［11］邹才能，杨智，董大忠，等. 非常规源岩层系油气形成分布与前景展望［J］. 地球科学，2022，47（5）：1517-1533.

ZOU Caineng，YANG Zhi，DONG Dazhong，et al. Formation，distribution and prospect of unconventional hydrocarbons in source rock strata in China［J］. Earth Science，2022，47（5）： 1517-1533.

［12］BAI Y，HOU J，LIU Y，et al. Energy-consumption calculation and optimization method of integrated system of injection-reservoir-production in high water-cut reservoir［J］. Energy，2022，239：121961.

［13］AN Z，ZHOU K，HOU J，et al. Accelerating reservoir production optimization by combining reservoir engineering method with particle swarm optimization algorithm［J］. Journal of Petroleum Science and Engineering，2022，208： 109692.

［14］LI D，WANG X，XIE Y，et al. Analytical calculation method for development dynamics of water-flooding reservoir considering rock and fluid compressibility［J］. Geoenergy Science and Engineering，2024，242： 213250.

［15］HOURFAR F，SALAHSHOOR K，ZANBOURI H，et al. A systematic approach for modeling of waterflooding process in the presence of geological uncertainties in oil reservoirs［J］. Computers & Chemical Engineering，2018，111： 66-78.

［16］JABER A K，AL-JAWAD S N，ALHURAISHAWY A K. A review of proxy modeling applications in numerical reservoir simulation［J］. Arabian Journal of Geosciences，2019，12 （22）： 701.

［17］MAO S，MEHANA M，HUANG T，et al. Strategies for hydrogen storage in a depleted sandstone reservoir from the San Joaquin Basin，California （USA） based on high-fidelity numerical simulations［J］. Journal of Energy Storage，2024，94： 112508.

［18］蒲万芬，靳星，唐晓东，等. 基于BP神经网络的低渗透底水油藏油井见水模式预测模型［J］. 新疆石油天然气，2024，20（2）：37-47.

PU Wanfen，JIN Xin，TANG Xiaodong，et al. Prediction model of water breakthrough patterns of low-permeability bottom water reservoirs based on BP neural network［J］. Xinjiang Oil & Gas，2024，20（2）： 37-47.

［19］MAHDAVIARA M，SHARIFI M，AHMADI M. Toward evaluation and screening of the enhanced oil recovery scenarios for low permeability reservoirs using statistical and machine learning techniques［J］. Fuel，2022，325： 124795.

［20］MENG S，FU Q，TAO J，et al. Predicting CO₂-EOR and storage in low-permeability reservoirs with deep learning-based surrogate flow models［J］. Geoenergy Science and Engineering，2024，233： 212467.

［21］GONG A，ZHANG L. Deep learning-based approach for reservoir fluid identification in low-porosity，low-permeability reservoirs［J］. Physics of Fluids，2025，37 （4）：046611.

［22］李宏波，罗平亚，白杨，等. 机器学习算法概述及其在钻井工程中的应用［J］. 新疆石油天然气，2022，18（1）：1-13.

LI Hongbo，LUO Pingya，BAI Yang，et al. Summary for machine learning algorithms and their applications in drilling engineering［J］. Xinjiang Oil & Gas，2022，18（1）：1-13.

［23］ZHOU W，LIU C，LIU Y，et al. Machine learning in reservoir engineering： a review［J］. Processes，2024，12 （6）： 1219.

［24］YOU J，AMPOMAH W，SUN Q，et al. Machine learning based co-optimization of carbon dioxide sequestration and oil recovery in CO₂-EOR project［J］. Journal of Cleaner Production，2020，26： 120866.

［25］VO THANH H，SHEINI DASHTGOLI D，ZHANG H，et al. Machine-learning-based prediction of oil recovery factor for experimental CO₂-foam chemical EOR：Implications for carbon utilization projects［J］. Energy，2023，278： 127860.

［26］LI H，GONG C，LIU S，et al. Machine learning-assisted prediction of oil production and CO₂ storage effect in CO₂-water-alternating-gas injection（CO₂-WAG）［J］. Applied Sciences，2022，12 （21）： 10958.

［27］KANAANI M，SEDAGHAT A M，AMARZA DEH A，et al. Stacking learning for smart proxy modeling in CO₂-WAG optimization： A techno-economic approach to sustainable enhanced oil recovery［J］. ACS Omega，2025，10 （9），9563-9582.

［28］熊玥雯，向海昀，杨宏楠. 随机森林算法在石油领域的应用［C］//西安石油大学，陕西省石油学会. 2024油气田勘探与开发国际会议论文集Ⅰ，陕西西安：西南石油大学计算机与软件学院，西南石油大学石油与天然气工程学院，2024：616-626.

XIONG Yuewen，XIANG Haiyun，YANG Hongnan. Application of random forest algorithm in petroleum［C］//Xi'an Shiyou University，Shaanxi Petroleum Society. Proceedings of the 2024 International Conference on Oil and Gas Field Exploration and Development I，Xi'an，Shaanxi，China： School of Computer and Software，Southwest Petroleum University，School of Petroleum and Natural Gas Engineering，Southwest Petroleum University，2024： 616-626.

［29］方匡南，吴见彬，朱建平，等. 随机森林方法研究综述［J］. 统计与信息论坛，2011，26（3）： 32-38.

FANG Kuangnan，WU Jianbin，ZHU Jianping，et al. A review of technologies on random forests［J］. Journal of Statistics and Information，2011，26（3）： 32-38.

［30］李正良，彭思思，王涛. 基于k-fold交叉验证的代理模型序列采样方法［J］. 计算力学学报，2022，39（2）：244-249.

LI Zhengliang，PENG Sisi，WANG Tao. A sequential sampling method of surrogate model based on k-fold cross validation［J］. Chinese Journal of Computational Mechanics，2022，39（2）： 244-249.

［31］LOPEZ-ECHEVERRY J S，REIF-ACHERMAN S，ARAUJO-LOPEZ E. Peng-Robinson equation of state： 40 years through cubics［J］. Fluid Phase Equilibria，2017，447： 39-71.

［32］CENTENO G，SÁNCHEZ-REYNA G，ANCHEYTA J，et al. Testing various mixing rules for calculation of viscosity of petroleum blends［J］. Fuel，2011，90（12）： 3561-3570.

［33］MORTAZAVI-MANESH S，SATYRO M，MARRIOTT R A. A semi-empirical Henry's law expression for carbon dioxide dissolution in ionic liquids［J］. Fluid Phase Equilibria，2011，307（2）： 208-215.

［34］BIAU G. Analysis of a random forests model［J］. The Journal of Machine Learning Research，2012，13： 1063-1095.

[1]	刘颖彪, 徐生江, 田龙, 钟尹明, 白佳帅, 钟润豪. 钻井复杂事故预警技术研究进展 [J]. 新疆石油天然气, 2025, 21(2): 15-23.
[2]	宋先知, 王易玮, 杨彦龙, 刘慕臣, 祝兆鹏. 基于有监督与无监督算法的卡钻智能诊断分析 [J]. 新疆石油天然气, 2025, 21(2): 24-34.
[3]	刘维, 谢风猛, 李建超, 刘希峰, 胡斌, 章宇, 高德利. PDC钻头损伤失效的智能识别方法 [J]. 新疆石油天然气, 2025, 21(2): 45-54.
[4]	尹奥博, 李军, 连威, 张辉. 页岩气水平井套管变形机理及控制方法研究进展[J]. 新疆石油天然气, 2025, 21(1): 50-60.
[5]	盛茂, 蒋富民, 胡诗梦, 吕振虎, 孔明炜, 司丽娟, . 非均质砂砾岩储层地应力解释及压裂设计优化 [J]. 新疆石油天然气, 2024, 20(2): 1-.
[6]	钟尹明, 柯迪丽娅·帕力哈提, 白佳帅, 王超尘, 李起豪. 基于GRU神经网络的PDC钻头磨损实时监测模型 [J]. 新疆石油天然气, 2024, 20(2): 21-.
[7]	田龙, 朱智华, 王立伟, 于佳伟, 王一帆. 基于大数据和无监督聚类算法的岩石可钻性表征和预测方法 [J]. 新疆石油天然气, 2024, 20(2): 29-.
[8]	蒲万芬, 靳星, 唐晓东, 白园园, 王遨宇. 基于BP神经网络的低渗透底水油藏油井见水模式预测模型 [J]. 新疆石油天然气, 2024, 20(2): 37-.
[9]	刘凡, 刘裕双, 张震, 李永健, 刘策, 马志虎, . 基于机器学习的堵漏颗粒粒径推荐方法 [J]. 新疆石油天然气, 2024, 20(1): 13-20.
[10]	李嘉成, 田刚, 王俊超, 张腾, 佟亮. 岩心-测井-地震信息二步匹配预测页岩储层层理缝 [J]. 新疆石油天然气, 2024, 20(1): 21-30.
[11]	陈神根, 徐金山, 张鑫, 王瑞, 张莉伟, 李海福. 新疆油田强水敏砾岩油藏二氧化碳驱连通特征 [J]. 新疆石油天然气, 2024, 20(1): 44-51.
[12]	李俊键, 席艺霖, 张媌, 臧传贞. 致密油气窜波及控制体系适用性评价 [J]. 新疆石油天然气, 2024, 20(1): 68-76.
[13]	骆灵, 李义常, 魏立尧. 元宇宙技术群与量子计算赋能CCUS研究现状及趋势#br#[J]. 新疆石油天然气, 2023, 19(3): 86-94.
[14]	李敬松, 刘子雄, 寇双燕, 张秀敏, 刘汝敏, 王金伟. 致密气藏气井产水主控因素研究 [J]. 新疆石油天然气, 2022, 18(4): 20-25.
[15]	王记俊, 周海燕, 孙强, 凌浩川, 杨磊, 敖璐. 窄条带状油藏油井含水上升特征及影响因素[J]. 新疆石油天然气, 2022, 18(3): 77-81.

机器学习驱动的二氧化碳气水交替驱开发策略优化方法

An Optimization Method for CO₂ Water-Alternating-Gas （WAG） Development Strategy Driven by Machine Learning

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

机器学习驱动的二氧化碳气水交替驱开发策略优化方法

An Optimization Method for CO2 Water-Alternating-Gas （WAG） Development Strategy Driven by Machine Learning

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

An Optimization Method for CO₂ Water-Alternating-Gas （WAG） Development Strategy Driven by Machine Learning