近年来,国内很多油田都将注CO2驱油作为一种主要提高原油采收率(CO2-EOR)的举措,该技术能够同时实现CO2的利用和封存,从而能够有效地利用温室气体实现“变废为宝”达到节能减排和低碳环保的目的,最小混相压力(MMP)是CO2驱替过程中的关键参数之一,准确获得CO2与原油之间的MMP对于能否实现CO2混相驱、产生社会经济效益来说都是非常重要的。MMP确定的方法有很多种,最为准确可靠的是实验法,但是实验过程耗时、且实验费用高,对仪器的精密度具有很高的要求,还易受到人为因素的影响。关联式法简单、明了,但结果粗略、适应性有限。状态方程方法具有一定的理论基础,但需要加组分的临界参数,且计算相对复杂,精度不够高。因此,寻找一种能准确预测MMP的方法显得至关重要。首先,本文利用细管驱替实验测定了 6组原油在不同温度下注入纯CO2气体的最小混相压力值。随后,收集相关实验数据,利用传统神经网络模型、改进型神经网络模型以及根据PR状态方程计算最小混相压力,对注入气(纯CO2和非纯CO2)与原油之间的MMP进行预测,以10个影响MMP的参数作为输入变量,分别为:油层温度(TR)、原油中易挥发组分摩尔分数(xvol)、原油中间组分C2-C4组分摩尔分数(xC2-C4)、原油中C5+组分摩尔质量(MWC5+)、注入气的摩尔分数(yCO2、yH2S、yN2、yCH4、yHC)以及注入气的临界温度(Tcm),建立MMP的预测模型,将预测的结果与实验值进行对比,验证所建模型的准确度。最后,分别用4种模型对6组实验值进行预测,以本文实验数据来评价各模型的预测性能。具体来说,本文主要开展了以下四个方面的工作:(1)利用细管驱替实验测定了 6组原油在不同温度下注入纯CO2气体的最小混相压力值,作为检验本文几种不同模型预测性能的实践依据。(2)收集相关的实验数据222组(纯CO2-原油51组,非纯CO2-原油171组),分别利用径向基神经网络(RBF)和最小二乘支持向量机(LSSVM)模型,对两种情况下的MMP进行预测。RBF模型预测值与实验值的平均绝对相对偏差(AARD)分别为8.14%和7.63%;LSSVM模型的AARD分别为3.18%和2.83%。研究发现,RBF和LSSVM两个模型均有较好的训练、预测效果,得到的预测值与原始实验值具有较高的相关性,相比之下,LSSVM模型的预测效果较优。(3)引入灰狼优化算法(GWO)与RBF和LSSVM相结合,分别建立GWO-RBF和GWO-LSSVM改进型模型。结果表明:GWO-RBF和GWO-LSSVM模型能较好地预测纯CO2、非纯CO2与原油之间的最小混相压力,其中GWO-RBF模型的AARD分别为 1.94%和 2.51%;GWO-LSSVM 模型的 AARD 分别为 1.60%和 2.94%。通过 Pearson相关系数和Spearman等级相关系数方法,得出10个影响最小混相压力敏感参数的排序,最后并对新模型进行了验证及有效性评价。(4)将所收集的实验数据用已有预测MMP的关联式和PR状态方程进行计算,这两种方法算得的结果和本文所建立的模型预测结果进行精度对比,综合来看,本文建立的智能模型的预测精度优于传统关联式计算方法和PR状态方程方法,将本文中的6组实验数据分别用4种模型进行预测,从而优选最佳模型,结果显示:RBF模型的AARD为 12.05%,LSSVM 模型的 AARD 为 7.43%,GWO-RBF 模型的 AARD 为 6.17%,GWO-LSSVM模型的AARD为4.47%,其中GWO-LSSVM模型预测效果最好,GWO-RBF模型次之,所建立的几种模型预测值与实验测量值具有较高的吻合度,充分表明了所建立的最小混相压力预测模型具有较高的预测精度。