基于神經網絡的水合物藏降壓開采產能預測及參數優(yōu)化

李淑霞 于笑 吳伏波 郝永卯

摘要：基于數值模擬求解的傳統(tǒng)水合物藏產能預測方法耗時長、效率低，準確、高效地預測天然氣水合物藏產能是目前面臨的難點問題?；趯嶋H海域水合物藏的地質數據建立大量數值模擬樣本，利用神經網絡模型對數值模擬結果進行學習，建立水合物藏產能預測的神經網絡模型。同時，預測神狐水合物藏和日本南海水合物藏開采2 a的產能，并對降壓開采的壓力進行推薦。結果表明：神經網絡模型預測的準確率超過97%；預測得到神狐水合物藏2 a的日均產氣量為2 839 m³，最佳開采壓力為3 MPa；日本南海水合物藏2 a的日均產氣量為21 523 m³，綜合考慮產氣量和氣水比，最佳開采壓力為4 MPa；69%的水合物藏適合的開采壓力為3 MPa；但當水合物藏的水合物飽和度大于65%、地層絕對滲透率高于0.1 μm²及原始地層壓力高于20 MPa時，建議開采壓力選擇5 MPa。

關鍵詞：天然氣水合物； 神經網絡； 產能預測； 數值模擬； 開采參數

中圖分類號：TE 37 文獻標志碼：A

引用格式：李淑霞，于笑，吳伏波，等.基于神經網絡的水合物藏降壓開采產能預測及參數優(yōu)化［J］.中國石油大學學報（自然科學版），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量和應用潛力^［1］，據統(tǒng)計，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能預測方法主要有解析法^［4-8］、實驗法^［9-14］和數值模擬法^［15-19］。解析法對實際水合物藏進行了大量簡化，且二維以上的解析模型求解難度過大。目前水合物開采的實驗研究主要是實驗室尺度，與實際水合物藏尺度相差甚遠。數值模擬法解決了解析法求解精度低的問題，且可以直接模擬大型礦場的開采情況，因此被廣泛應用于多個實際水合物藏^{［15-17，19］}以及含泥巖夾層等特定類型的水合物藏^［18］的產能預測上。然而，傳統(tǒng)的數值模擬法在對大量水合物藏樣本的產能進行預測時效率較低。同時，模擬模型的非線性特征越強，計算的負荷越大，嚴重時甚至會無法收斂^［20］。神經網絡方法具有函數逼近、自學習、復雜分類和快速優(yōu)化計算等能力^［21-22］?；谏窠浘W絡建立的替代模型結構簡單、求解容易，有望解決數值模擬計算中的問題。筆者提出基于神經網絡模型的水合物藏產能預測方法。首先收集多個實際水合物藏的地質參數，建立數值模擬模型并求解；然后通過對數值模擬的結果進行學習，構建神經網絡產能預測模型；最后利用建立模型對實際水合物藏的開采產能進行預測，并優(yōu)化相關開采參數。

1 數值模擬模型建立

1.1 地質模型數據選取

選取日本南海海槽、中國南海海域及韓國郁陵盆地3個地區(qū)的典型水合物藏作為研究對象。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］，儲層為高滲透性和高水合物飽和度的砂巖層；中國南海神狐水合物藏和荔灣水合物藏位于中國南海北部陸坡^［24］，其儲層主要為泥質粉砂巖，滲透率較低；與上述地區(qū)相比，韓國郁陵盆地水合物藏具有較高的溫度和壓力。影響水合物藏產能的地質參數主要包括儲層厚度、水合物飽和度、孔隙度、滲透率、溫度和壓力等^［25］。通過文獻調研，收集了日本南海海槽水合物藏、中國南海水合物藏和韓國郁陵盆地水合物藏的相關地質參數，見表1。

為使神經網絡模型能夠充分對不同地質情況的海域水合物藏產能進行預測，盡可能保證學習數據的多樣性，選取日本南海海槽的淤泥層和砂層2、中國南海神狐海域的SH2和SH7站位、中國南海荔灣海域的LW3站位、韓國郁陵盆地UBGH2-6共6組基礎水合物藏地質參數（即表1中的Case1～Case6）用于建立數值模擬基礎模型。表1中的Test1和Test2則分別為日本2013年和中國2017年水合物藏試采的案例。

1.2 模型建立

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

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生水、甲烷及消耗水合物的質量，kg/（m³·s）；q_w和q_g分別為注入或產出的水、氣質量，kg/（m³·s）。

考慮熱傳導、熱對流和水合物的分解吸熱反應，水合物開采過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、水合物的導熱系數，W/（m·K）；n_hd為水合物分解消耗的物質的量，mol/（m³·s）；ΔH_h為水合物分解時吸收的熱量，J/mol。

天然氣水合物分解速率的控制方程為

式中，n_h為t時刻天然氣水合物的物質的量，mol；k_d為水合物分解速率常數，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實驗得到的取值為78.3 kJ/mol；R為理想氣體常數，8.3144 J/（mol·K）；T為分解溫度，K；A_hs為球型顆粒的表面積，m²。

建立水合物降壓開采的地質模型，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中列出的地質參數外，6個基礎數值模擬模型的其余參數均保持一致，孔隙壓縮系數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），巖石導熱系數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。采用直井降壓開采，開采壓力為3、4 和5 MPa。

模擬計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，取值為0.45。

相對滲透率模型為

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滲透率；K_rwo和K_rgo分別為液相和氣相相對滲透率最大值；n_w和n_g分別為液相和氣相相對滲透率指數。

2 神經網絡模型構建

BP神經網絡是目前應用最廣泛的神經網絡，其模型包含輸入層、隱藏層和輸出層，按照網絡結構從前向后計算預測值，根據預測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神經網絡模型的本質為黑箱模型，在計算過程中并不需要考慮其內部復雜的運算邏輯，僅基于輸入和輸出的數據構建內部的計算過程。因此BP神經網絡模型可用來代替數值模擬，建立水合物藏的產能預測模型。

3層神經網絡結構如圖2所示。假設有m個輸入層節(jié)點，n個隱藏層節(jié)點，k個輸出層節(jié)點。{x}為輸入數據集，x_m為輸入層第m個節(jié)點的輸入，w¹_ij表示輸入層第i個節(jié)點到隱藏層第j個節(jié)點的連接

權重，w²_ij表示隱藏層第i個節(jié)點到輸出層第j個節(jié)點的連接權重，s¹_j表示隱藏層第j個節(jié)點的輸入，θ（）表示激活函數，θ（s¹_j）為隱藏層第j個節(jié)點的輸出，s²_j表示輸出層第j個節(jié)點的輸入，_k為輸出層第k個節(jié)點的輸出，{y-}為模型最終的輸出數據集。

2.1 數據處理

2.1.1 神經網絡樣本數量擴充

神經網絡學習訓練需要大量的樣本，但實際的水合物礦場資料有限。為此，在已建立的6個基礎模型數據上，以各地質參數的10%作為浮動范圍，對樣本進行擴充，具體取值詳見表2。根據表2中的參數數量，共可以生成13122組試驗方案，選擇拉丁超立方抽樣法對試驗方案進行抽樣。

在本次試驗設計中，為保證抽樣得到的試驗方案盡可能均勻分布，進行多次迭代抽樣并計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維空間中兩個點之間的真實距離，即

歐氏距離越小，說明兩個樣本相似度越高，最終選擇迭代次數內最優(yōu)的抽樣方案。每個基礎模型均抽取200個樣本，共抽樣得到1200組地質參數組合，形成1200個數值模擬模型，應用數值模擬方法對所有模型進行求解，求出降壓開采的累積產氣量和累積產水量。部分抽樣參數及模擬結果如表3所示。

2.1.2 神經網絡的輸入參數

神經網絡模型的輸入參數包括6個水合物藏地質參數（儲層厚度、水合物飽和度、儲層孔隙度、儲層絕對滲透率、儲層平均溫度和儲層平均壓力）及1個水合物藏生產參數（開采壓力），共7個輸入參數。

2.1.3 神經網絡的輸出參數

生產時間過長會導致儲層中的水合物全部分解完，此時其產能主要取決于水合物藏的地質儲量，而開采時間過短則不能很好地反映水合物藏的開采情況。因此以水合物藏降壓開采2 a^［25］的累積產氣量和累積產水量作為樣本的輸出參數。

2.1.4 參數歸一化

由于各輸入參數之間存在不同的量綱，參數的跨度范圍過大會嚴重影響神經網絡模型的學習效果。因此采用線性歸一化方法對輸入參數進行歸一化處理，將所有結果映射到［0，1］。轉換函數為

2.2 BP神經網絡模型的構建

共建立兩個3層BP神經網絡模型，輸入層節(jié)點個數均為7。輸出的目標分別為水合物藏開采2 a的累積產氣量和累積產水量，兩個神經網絡模型的輸出層節(jié)點個數均為1。通過逐步試驗，確定神經網絡隱藏層節(jié)點數均為200。

隨機抽取70%（840組）的試驗方案作為學習樣本，剩下30%（360組）作為測試樣本，對神經網絡模型進行搭建并訓練。將360組測試樣本的神經網絡模型預測結果與數值模擬計算結果進行比較，結果如圖3和4所示。從圖3、4中可以看出，神經網絡模型的預測結果與數值模擬結果非常接近。

運用R²（決定系數）和E（平均相對誤差）兩個指標對神經網絡模型的計算精度進行檢驗，其計算式分別為

R²越接近于1，表示替代模型擬合精度越高；E越接近于0，表示替代模型的預測值誤差越小。產氣量和產水量預測模型的R²分別為0.995和0.975，平均相對誤差E分別為0.065和0.084，可以看出神經網絡模型預測的精度較高，準確率超過97%，可以滿足產能預測的需要。

運用建立好的神經網絡模型對Case1的200個水合物藏的產能進行預測，經驗證其所需時間不到2 min，而同樣的水合物藏樣本在進行數值模擬時需要近30 h才可以完成計算，神經網絡預測方法在保留了數值模擬準確性的基礎上，計算速度提升了900倍。

3 水合物藏產能預測及降壓開采參數

3.1 水合物藏產能預測實例

2017年5～7月，中國地質調查局在神狐海域成功試采60 d^［27］，累積產氣量達到30.9×10⁴m³，日均產氣量為5151 m³。2013年，日本南海海槽天然氣水合物藏首次進行試采^［32］，開采持續(xù)6 d，總產氣量約為119500 m³，產氣速率約為20000 m³/d。使用神經網絡模型對中國南海神狐水合物藏W17站位和日本南海海槽水合物藏砂層1開采2 a的產能進行預測，兩個水合物藏的地質參數取值見表1。數值模擬研究中，中國南海神狐水合物藏和日本南海海槽水合物藏2017年的開采壓力設定分別為3、4和5 MPa。經預測中國南海神狐水合物藏和日本南海海槽水合物藏開采2 a的日均產氣量預測值分別為2839 和21523 m³。

3.2 水合物藏降壓開采參數

水合物降壓開采時，生產壓力與產氣、產水動態(tài)密切相關。考慮到水合物藏的四相點（氣、水、水合物、冰）壓力為2.56 MPa^［33］，當開采壓力低于此壓力時，儲層會出現結冰現象，增加了冰堵的風險，因此本研究中的最低開采壓力為3 MPa。利用神經網絡模型對兩個水合物藏的產氣量和產水量進行預測并對比分析，從而推薦各水合物藏的降壓生產壓力。不同開采壓力下2 a的產能預測結果如表4所示。

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

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

為高生產壓力和低生產壓力下的平均日產氣量，m3；

Rgwh和Rgwl分別為高生產壓力和低生產壓力下的氣水比。

當ΔRg>0時，說明降壓后的日產氣量更高；當ΔRgw>0時，說明降壓后的氣水比更高。

日產氣量是產能的主要指標，但是氣水比也是影響開采經濟效益的重要因素，因此綜合考慮ΔRg和ΔRgw進行開采壓力推薦，當ΔRg<0.2且ΔRgw<0時，說明此時降低開采壓力對日產氣量的提升有限，且會降低氣水比，因此認為降低前的開采壓力pwh更適合該水合物藏。反之，則認為降低后的開采壓力pwl更適合該水合物藏。

從表4中可以看出，隨著生產壓力的降低，神狐水合物藏的日產氣量和氣水比增長明顯；日本南海海槽水合物藏日產氣的增長幅度較小，且氣水比出現降低的情況。根據計算的ΔRg和ΔRgw可以得到：在本研究的壓力范圍內，開采神狐水合物藏時推薦開采壓力為3 MPa；對于日本南海海槽水合物藏，如果只追求最大的日產氣量，推薦開采壓力為3 MPa，如果綜合考慮日產氣量和氣水比，推薦開采壓力為4 MPa。

3.3 不同地質參數下的水合物藏降壓開采壓力

水合物藏的地質參數不同，其降壓開采適合的壓力會有區(qū)別，在表2中取各地質參數的最大值和最小值，水合物飽和度為0.288～0.77，儲層厚度為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參數的水合物藏樣本。將各地質參數在取值范圍內均分成10份，由于滲透率的變化范圍較大，先對滲透率取對數后再進行均分。然后對各地質參數的取值進行抽樣并隨機組合，從而對不同地質參數下的水合物藏開采壓力進行推薦。由于溫度壓力不匹配會導致水合物脫離相平衡狀態(tài)，所以不對溫度壓力進行拆分，只按照地層壓力進行抽樣，地層溫度為該壓力下對應的相平衡溫度，水合物相平衡計算公式^［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。

在各參數的取值范圍內共抽取200組地質參數組合，生產壓力分別為3和5 MPa，共生成400個水合物藏開采樣本，對各樣本的產氣產水情況進行預測。按照開采壓力推薦標準，綜合考慮單位壓降下日產氣量的變化幅度ΔR_g和單位壓降下氣水比的變化幅度ΔR_gw，對抽樣得到的各水合物藏開采壓力進行推薦。200個不同地質參數組合的水合物藏開采樣本中有138個（占69%）在開采壓力為3 MPa時開采效果較好，但是也有一小部分水合物藏適合采用5 MPa的壓力進行開采。

分別計算開采壓力為3和5 MPa時不同地質參數取值下所有模型的日產氣量平均值，然后根據日產氣量平均值計算單位壓降下日產氣量的變化幅度ΔR_g，結果如圖5所示。

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

4 結 論

（1）利用BP神經網絡建立的數值模擬的替代模型，計算速度提升了900倍，準確率超過97%，可以較好地擬合數值模擬模型的結果，保留數值模擬預測的精準性，且解決了數值模擬效率低的問題。

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

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

參考文獻：

［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測［J］.地球物理學報，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.多孔介質中天然氣水合物降壓開采影響因素實驗研究［J］.中國石油大學學報（自然科學版），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采實驗研究［J］.中國石油大學學報（自然科學版），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采敏感因素試驗研究［J］.中國石油大學學報（自然科學版），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，等.不同注熱水溫度下水合物開采實驗研究［J］.現代地質，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.基于神經網絡的南海東部砂巖油藏采收率預測方法［J］.油氣藏評價與開發(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展［J］.礦物巖石地球化學通報，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采模擬研究［J］.科學技術與工程，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.冰及水合物二次生成對水合物藏降壓開采的影響［D］.青島：中國石油大學（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采方案優(yōu)化的數值模擬研究［D］.青島：中國石油大學（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）