1. 课程导入与目标设定

在Eclipse油藏数值模拟工作中，历史拟合是把静态地质模型与动态生产数据“对齐”的关键环节。工程师通过调整渗透率、相渗曲线、水体大小、断层传导率、井指数等参数，使模拟计算出的产量、压力、含水率等曲线尽可能贴近实测数据。而产量曲线与误差判读，正是判断“模型是否可信、下一步该调什么”的直接依据。可以说，不会读曲线、不会量化误差，历史拟合就只能靠感觉反复试算，既低效又难以复现。

本课程围绕“看得懂曲线、算得清误差、定得准方向”三个目标展开。学完后，你应当能够：独立完成从实测数据整理到Eclipse输出曲线对比的完整流程；用统一口径计算单井与全油田的拟合误差指标；根据曲线形态（趋势、相位、幅度、平台）反推可能的参数问题；并形成一份可交付的拟合质量评估结论。下面先建立整体工作流的认知框架。

为什么误差判读比“调参”更重要

很多初学者把历史拟合理解为“不断改参数直到曲线重合”，但真正决定效率的是先判读、后调整。同一段偏差，可能来自完全不同的原因：全油田产油量整体偏高，可能是地质储量偏大或相渗曲线残余油饱和度设置不当；某口井见水时间明显提前，更可能是井间传导率过高或水体能量偏强；而单井产量在某个时间点突然跳变，往往要回到SCHEDULE井史里核对是否漏掉了关井、换层或工作制度变更。若不做判读就盲目调渗透率，很容易“按下葫芦浮起瓢”，把已经拟合好的指标又破坏掉。

因此本课程强调一个基本纪律：每次调整只针对一类可解释的偏差，调整后重新计算误差并记录变化。这样拟合过程才可追溯、可复现，也便于团队交接。

误差指标的统一口径

曲线“看起来差不多”不能作为验收标准。工程上常用均方根误差（RMSE）与相对误差来量化。以产油量为例，设实测值为 \(q_{obs,i}\)，模拟值为 \(q_{sim,i}\)，共 \(n\) 个时间点，则：

RMSE = sqrt( Σ(q_sim,i − q_obs,i)² / n )
相对误差 = RMSE / mean(q_obs) × 100%

需要特别注意三点：一是时间单位必须统一（Eclipse中SM3/DAY与M3/DAY混用是常见错误）；二是统计区间要分段，投产初期、稳产期、见水后的误差含义不同，混在一起算会掩盖问题；三是不同指标分开统计，产油、产水、井底压力不能简单相加。示例中若某井稳产期实测平均产油 80 m³/d，RMSE 为 6 m³/d，则相对误差约 7.5%，属于可接受范围；若见水后含水率RMSE超过 0.08，则需要重点排查水体与相渗。

学习路径与实战任务清单

本课程后续将按“数据—运行—对比—量化—判读—调整”的顺序推进。为让学习更有抓手，建议你在开课前准备好一个可运行的Eclipse算例（含SCHEDULE井史与实测生产数据），并完成以下任务清单：

• 任务一：整理一份实测产量数据表，统一为 m³/d 与 day，标注缺失值与异常点处理方式。
• 任务二：在Eclipse中输出至少3口井的WOPR、WWCT、WBHP曲线，并与实测数据叠图。
• 任务三：按稳产期与见水期分段，计算产油量RMSE与相对误差，形成单井误差排序表。
• 任务四：针对误差最大的1口井，写出“曲线形态—可能原因—拟调整参数”的判读记录。
• 任务五：完成一轮参数调整并复算误差，比较调整前后的指标变化，说明是否达到收敛标准。

把上述流程走通一遍，你就具备了历史拟合中最核心的“读图—量化—定位—验证”能力。接下来的章节将逐项展开数据准备细节、Eclipse输出设置、曲线叠图技巧与误差判读方法，帮助你把这套工作流真正落到自己的算例上。