CN103380424A - 用于在使用人工神经网络在储层模拟中模拟管道水力学的系统和方法 - Google Patents
用于在使用人工神经网络在储层模拟中模拟管道水力学的系统和方法 Download PDFInfo
- Publication number
- CN103380424A CN103380424A CN2011800663945A CN201180066394A CN103380424A CN 103380424 A CN103380424 A CN 103380424A CN 2011800663945 A CN2011800663945 A CN 2011800663945A CN 201180066394 A CN201180066394 A CN 201180066394A CN 103380424 A CN103380424 A CN 103380424A
- Authority
- CN
- China
- Prior art keywords
- ann
- training
- group
- data
- input data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 9
- 238000012549 training Methods 0.000 claims abstract description 55
- 238000004088 simulation Methods 0.000 claims abstract description 48
- 239000012530 fluid Substances 0.000 claims description 20
- 238000013213 extrapolation Methods 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 8
- 230000008569 process Effects 0.000 description 11
- 239000003129 oil well Substances 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 239000003795 chemical substances by application Substances 0.000 description 5
- 241001074085 Scophthalmus aquosus Species 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 244000265913 Crataegus laevigata Species 0.000 description 1
- 230000002301 combined effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B43/00—Methods or apparatus for obtaining oil, gas, water, soluble or meltable materials or a slurry of minerals from wells
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B17/00—Systems involving the use of models or simulators of said systems
- G05B17/02—Systems involving the use of models or simulators of said systems electric
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Mining & Mineral Resources (AREA)
- Geology (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geochemistry & Mineralogy (AREA)
- Fluid Mechanics (AREA)
- Environmental & Geological Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Feedback Control In General (AREA)
Abstract
描述了用于实现储层模拟器的方法。该方法包括通过对关于储层条件的初始一组输入数据进行计算，从而获得相应的输出数据，来导出训练数据；训练人工神经网络（“ANN”），从而使用该训练数据执行计算；以及使用经训练的ANN执行对第二组输入数据的计算，从而获得在执行模拟中供储层模拟器使用的相应输出数据。
Description
背景技术
储层模拟（Reservoir simulation）是采用计算机模型预测诸如石油、水、和气体之类的储层内的流体的流动的储层工程的领域。储层模拟由石油生产者用于确定怎样最好地开发新油田，并且用于生成产量预测，投资决策基于该产量预测以及已开发的油田。
储层模拟在数值上建模储层中的烃类和海水的流动以及流体通过该管道和装置的流速，该装置包括用于储层的收集和注入设施。影响由储层模拟器计算的流速的主要因素之一是管道水力学，特别是储层的收集和注入设施的管道中的压力降。因此，为了准确监控并模拟储层流速，必须精确地计算压力降。
在现有储层模拟中，用于诸如油井管连接的收集和注入设施的压力降数据是从查找或VLP表格获得的，或者通过使用压力降相关性计算该压力降获得的。以第一种方法，VLP表格是由使用压力降相关性的模拟器之外的程序计算的。该VLP表格是多维的，提供作为几个变量的函数的压力降。这变量这些变量一般包括一个相的表面流速，诸如出水量和气/油比（water cut and gas/oil）的比值、在管道一端处的压力、和用于组分模拟的一些组分变化的测量，诸如关键组分摩尔分数或平均分子量。这个方法没有完全获取该流体组分的依赖性（即，流体中每个组分的摩尔分数，其限制了用于组分模拟的VPN表格的有用性）。
在第二种方法中，在模拟期间使用压力降相关性计算压力降，因此完全获取组分依赖性。然而，这可能在计算上代价大，因为既使用于流速、组分、和压力的值类似于先前计算，在模拟期间，随该流速、流体组分、和压力变化，也必须实行该计算许多次。
附图说明
可以通过参考结合附图进行的下列描述获得本公开以及其优点的更完整的理解，其中：
图1说明包括多个井的储层模拟模型的实例。
图2是用于根据一个实施例训练ANN的示例性系统的框图。
图3是使用图2的经训练（trained）ANN执行的一部分储层模拟的示例性实施例的框图。
图4是由诸如图3的储层模拟器之类的储层模拟器执行的迭代求解过程（iterative solution procedure）的实施例的流程图。
图5是根据一个实施例使用Beggs和Brill相关性的压力降计算的流程图。
具体实施方式
在实施例的详细说明中，全部采用类似数字标明类似的部件。可以省略诸如管道、阀门、机泵、紧固件、配件等设备的各项，从而使该描述简化。然而，本领域技术人员会认识到，能够按照需要采用常规设备。
为了克服上面提到以及其他现有方法的限制，本文中所述的一个或更多实施例包括采用人工神经网络（“ANN”）作为代理模型的储层模拟器。起初，如下面参考图5所述，一个实施例使用压力降相关性计算压力降数据并且存储该输入数据和相应的输出数据（即，压力降），该输入数据包括总质量（或摩尔）流速、该流体的组成（即，其每个组分的质量或摩尔分数）、在该管道的入口或出口处的压力、以及与在管道中的位置有关的流体的温度。可替换地，该输入数据能够包括每个组分的质量或摩尔流速，以及入口或出口压力和温度分布。在几个时间步骤之后，该相应的输入和输出数据被有利地用于训练该ANN。可以通过外插法（extrapolation）扩展该先前的输入数据，并且可以在训练该ANN从而扩展在其上该ANN会精确的范围之前，实行对该外插数据的额外压力降计算。一旦已经训练该ANN，那么其可以被用作储层模拟器中的代理模型，从而计算与当前流速、压力、和温度有关的压力降，并且如果该模拟器需要，那么从而通过使该输入数据关于当前条件扰动来提供数值导数。周期性地，或者响应于该输入数据从该训练数据的范围的显著偏差，可以再次实行全压力降计算，从而确保该输入数据仍旧在该ANN在其中提供足够精确的结果的范围内。也可以存储这些周期性计算，以便当该ANN的精确度变得无法接受时，可以用来重新训练该ANN。与必须利用压力降相关性相反，使用该ANN计算该压力降会引起相当大的CPU时间的节省。另外，该模拟器的精确度会胜过使用VPN表格，给予该模拟有限的能力从而获取组合效果（compositional effects）。
例如，在许多情况下，使用略微变化的输入运行相同基础模拟数据（basesimulation data），从而评价替换的经营策略是常见的。为了从ANN获得更加大的优点，能够在第一次模拟运行完成时输出用于经训练ANN的最终参数和被用于训练该ANN的数据，并且这些参数和数据被用于相同基础模拟模型的随后运行。如在初始运行中，检查该ANN的精确度，从而确定该输入数据是否从训练数据的范围偏离，因此如果随后的运行引起与该初始运行显著不同的条件，那么能够重新训练该ANN。
ANN作为储层模拟器中的代理模型的使用也可以提供为所计算的压力降提供一些平滑处理的优点。因为流动状态的改变，诸如段塞相对泡状流（slugversus bubble flow），压力降相关性通常具有不连续性。通常，这些不连续性不表示真实的物理现象，而是表示该相关性的限制。在数值上不期望不连续性，因为它们能够使一般被用于储层模拟器中的该Newton迭代法的收敛减慢，乃至能够阻止该收敛。
图1说明了储层模拟模型100的实例，该模型100包括四个油井102和将油井连接至终端106的表面管道104的网络。每个油井102都经由井管112被连接至各自的完井110。
图2是根据一个实施例用于训练用于模拟诸如由模型100（图1）表示的储层的人工神经网络（“ANN”）201的示例性系统200的方框图。为了举例，将假设正在训练该ANN201，从而起到供储层模拟器中使用的代理模型的作用，从而计算与当前流速、压力、和温度有关的压力降，并且如果该模拟器需要，那么从而通过使该输入数据关于当前条件扰动来提供数值导数。特别是，如图5中所导出的训练数据202被输入到该ANN201，其输出与目标数据204相匹配并且被用于生成误差向量206。监督学习模块208利用所接收的误差向量206按照需要调整该ANN201的加权值。重复这个过程，直到该ANN201已经收敛，即，直到确定该误差向量在预定范围内。在这一点上，该ANN201被认为是已经“被训练”。在训练期间，被输入到该ANN201的训练数据包括如上所述用于计算压力降的输入数据，并且该相应的目标数据包括在该训练数据推导期间使用压力降相关性计算的该压力降。
将进一步认识到，该训练数据202和目标数据206可以被存储在一个或更多数据库和/或其他类型的存储器中，并且经由执行存储在计算机可读存储媒体上的指令的一个或更多处理器来实现该ANN201。另外，尽管未示出，但应当理解，该系统200也可以包括用于使用户能够在其各个点上与该ANN训练过程相互作用的各种输入和/或输出装置，并且该系统200可以包括用于实行该系统的各种功能的一个或更多计算机实现模块。此外，尽管图2中说明了训练该ANN201的一种方法，但是应当认识到，许多不同的已知训练方法（例如，进化（evolutionary）、模拟退火、最大期望（expectation-maximization）、和非参数法）和/或ANN的类型（前馈和再现）可以被用于训练和实现该ANN。
图3是使用ANN201实现（在如参考图2所述的ANN201已经训练之后）的一部分储层模拟器300的示例性实施例的框图。如在图3中所说明的，响应于包括流速、流体组分、压力和温度的输入数据302，该ANN201产生输出数据304，即相应的压力降计算。应当认识到，该输入数据302和输出数据304可以被存储在一个或更多数据库和/或其他类型的存储器中，并且经由执行存储在计算机可读存储媒体上的指令的一个或更多处理器来实现该模拟器300和该ANN201。另外，尽管未示出，但应当理解，该模拟器300也可以包括使用户能够在该ANN训练过程的各点与该训练过程相互作用的各种输入和/或输出装置。
现在参考图4，其中说明了在储层模拟器中的迭代求解过程的实施例的流程图。在步骤400中，使用来自在前面的时间步骤的解或者基于从储层到井眼的一般流速和压力降的任意估算，将油井和网络流速以及压力初始化。在步骤402中，使用作为固定边界条件的该储层压力和储层中的流体移动性以及来自初始估算或先前迭代的流速和压力来评价该油井和网络方程。该网络方程可以包括压力降方程、组分质量平衡、速率和压力约束方程及其它方程。这个步骤可以包括迭代，从而确定在井管、管道、以及（可能地）完井中的压力降。在步骤404中，确定该解是否已经收敛。通常，当使用当前流速和压力计算的压力降在小容许限度内符合在网络中每个连接的入口和出口之间的压力差时，满足全部速率和压力约束（即，完全满足或者不超出）时，在小容许限度内满足质量平衡时，并且在小容许限度内也满足诸如分离器方程（separator equations）的任何其它方程时，该解收敛。如果不符合以上，执行继续到步骤406，其中，对线性化油井和网络方程求解，并且更新流速和压力，在这一点上，执行返回到步骤402。一旦在步骤404中作出确定，该解已经收敛，执行继续到步骤408。
在408中，同时求解储层和油井方程的线性化系统，并且更新流速和压力。应当注意，可以同时或顺序地求解网络和压力降方程。在步骤410中，确定解是否已经收敛。如果没有，执行返回到步骤402；否则，执行继续到步骤412，其中访问在紧接的前面时间步骤中计算的该油井和网络流速，以便使用，并且执行返回到步骤404。
至少存在两个众所周知的先有技术计算管道中的压力降的方法。在任一方法中，该管道、井管、或者完井被分为许多段。在第一种方法中，该管道被精细分段，并且通过计算每个管道段中的压力降而无需迭代地执行压力降计算。在这方法中，选择该管道段的一端作为起始点，并且在管道段的该端处的压力被用作边界条件。以该压力评价该流体特性，并且该特性被用于计算在管道段的另一端处的压力。所计算的压力变为用于下一管道段的边界条件。第二种方法将该管道更粗略的分段，并且以该管道段的平均压力评价流体特性，然后迭代，直到该压力收敛（converge）。
现在参考图5，其中说明了根据一个实施例使用Beggs和Brill相关性的压力降计算的流程图。给定流速、组分、平均温度、和对每段的段压力降的初始估算，在步骤500中，该状态方程或其他PVT模型被用于计算每个相（例如，油、气、和水）的流体特性（诸如密度和粘度）。在步骤502中，在步骤500中所计算的特性被用于计算每个相的体积流量和速率。在步骤504中，计算无滑移持留率（no-slip holdup）和无量纲数（诸如雷诺数（Reynold's number）），其中无滑移持留率是液体体积流量与总体积流量的比率。在步骤506中，根据无滑移持留率和无量纲数确定流动模式。例如，在一个实施例中，流动模式可以是分离式（508）、间歇式（510）或分布式的（512）。在步骤514中，计算该摩擦系数和持留率，并将该摩擦系数和持留率用于计算每段中的压力降。在步骤516中，对该段求和，从而获得整个管道的压力降。
在步骤518中，确定该管道的压力降是否在小容许限度内接近先前计算的压力降。如果是这样，那么执行在步骤520终止；否则，执行继续到步骤522，其中为整个管道求解线性化方程，并且更新压力。然后，执行返回到步骤502。
如图2中所说明的，应当认识到，图5中所说明的过程被用于推导用于训练该ANN的初始训练数据（即，输入和输出数据）。一旦该ANN经训练，那么该ANN本身被用于执行图5中所说明的过程。
尽管在本文中已经详细描述本发明的某些特性和实施例，但是应当容易理解，在下列权利要求的保护范围和精神内，本发明涵盖全部更改和提高。此外，除非如下列权利要求中所述的，在本文中所述的构造和设计的细节中没有意图限制。此外，本领域技术人员会理解，如竖直或水平定向的各种组分的描述不是意图作为限制，而是为了便于描述本发明提供的。
例如，尽管该ANN被描述为用作在储层模拟器中用于模拟管道水力学的代理模型，但是该ANN可以用于建模该储层内的其他特性，用于产生供该模拟器使用的数据。另外，尽管已经描述了训练该ANN的具体方法，但是许多不同的已知训练方法的任何一种以及相应的ANN类型可以被用于训练并实现该ANN201。此外，尽管示出该压力降计算，并且其被描述为使用Beggs和Brill相关性执行，但是应当认识到，可以有利地使用其他相关性，诸如Hagedorn&Brown、Dukler II、Dunns&Ross、Orkiszewski、和Griffith。因此，显而易见，可以变更或更改上面公开的特定的说明性实施例，并且全部这些变化被认为在本发明的保护范围和精神内。同时，权利要求中的术语具有其一般普通的意义，除非由本专利所有人另外明确并清楚地限定。
Claims (24)
1.一种用于实现储层模拟器的方法，所述方法包括：
通过对关于储层条件的初始的一组输入数据执行计算，从而获得关于储层条件的相应输出数据，来推导训练数据；
训练人工神经网络（“ANN”），从而使用所述训练数据执行所述计算；以及
使用所述经训练ANN对关于储层条件的第二组输入数据执行所述计算，从而获得在执行模拟中供所述储层模拟器使用的相应输出数据。
2.如权利要求1所述的方法，其特征在于，所述ANN包括用于模拟管道水力学的代理模型。
3.如权利要求2所述的方法，其特征在于，所述初始的一组输入数据和所述第二组输入数据中的每个都包括流速、流体组分、入口压力、出口压力和流体温度分布中的至少一个。
4.如权利要求2所述的方法，其特征在于，所述输出数据包括压力降。
5.如权利要求1所述的方法，进一步包括，在所述训练之前，通过外插法扩展所述初始的一组输入数据。
6.如权利要求1所述的方法，进一步包括在所述使用之后，重新训练所述ANN。
7.如权利要求6所述的方法，其特征在于，响应于确定所述ANN的精确度已经降到可接受水平以下，执行所述重新训练。
8.如权利要求6所述的方法，其特征在于，周期性地执行所述重新训练。
9.如权利要求1所述的方法，进一步包括通过使所述第二组输入数据关于当前条件扰动，使用所述ANN提供数值导数。
10.如权利要求1所述的方法，其特征在于，在采用所述ANN的所述储层模拟器的第一次运行之后，在使用所述ANN的所述储层模拟器的后续运行中重新使用所述初始的一组输入数据和相应输出数据。
11.一种计算机可读媒体，在其上已经存储了由处理器可执行的指令，以执行这样的方法，所述方法包括：
通过对关于储层条件的初始的一组输入数据执行计算，从而获得相应输出数据，来推导训练数据；
训练人工神经网络（“ANN”），从而使用所述训练数据执行所述计算；以及
使用所述经训练ANN对关于储层条件的第二组输入数据执行所述计算，从而获得在执行模拟中供所述储层模拟器使用的相应输出数据。
12.如权利要求11所述的计算机可读媒体，其特征在于，所述ANN包括用于模拟管道水力学的代理模型，其中所述初始的一组输入数据和所述第二组输入数据的每个都包括流速、流体组分、入口压力、出口压力、和流体温度分布中的至少一个，并且其中所述输出数据包括压力降。
13.如权利要求11所述的计算机可读媒体，其特征在于，所述方法进一步包括，在所述训练之前，通过外插法扩展所述初始的一组输入数据。
14.如权利要求11所述的计算机可读媒体，其特征在于，所述方法进一步包括，响应于确定所述ANN的精确度已经降到可接受水平以下，重新训练所述ANN。
15.如权利要求11所述的计算机可读媒体，其特征在于，所述方法进一步包括通过使所述第二组输入数据关于当前条件扰动，使用所述ANN提供数值导数。
16.如权利要求11所述的计算机可读媒体，其特征在于，所述方法进一步包括，在采用所述ANN的所述储层模拟器的第一次运行之后，在使用所述ANN的所述储层模拟器的后续运行中，重新使用所述初始的一组输入数据和相应输出数据。
17.一种用于实现储层模拟器的系统的系统，所述系统包括：
用于通过对关于储层条件的初始的一组输入数据执行计算，从而获得相应输出数据，来推导训练数据的装置；
用于训练人工神经网络（“ANN”），从而使用所述训练数据执行所述计算的装置；以及
用于使用所述经训练ANN对关于储层条件的第二组输入数据执行所述计算，从而获得在执行模拟中供所述储层模拟器使用的相应输出数据的装置。
18.如权利要求17所述的系统，其特征在于，所述ANN包括用于模拟管道水力学的代理模型，其中所述初始的一组输入数据和所述第二组输入数据的每个都包括流速、流体组分、入口压力、出口压力、和流体温度分布中的至少一个，并且其中所述输出数据包括压力降。
19.在如权利要求17所述的系统，进一步包括用于在所述训练之前通过外插法扩展所述初始的一组输入数据的装置。
20.如权利要求17所述的系统，进一步地包括用于重新训练所述ANN的装置。
21.一种用于实现储层模拟器的系统，所述系统包括：
用于通过对关于储层条件的初始的一组输入数据执行计算，从而获得相应输出数据，来推导训练数据的计算机实现模块；
用于训练人工神经网络（“ANN”），从而使用所述训练数据执行所述计算的计算机实现模块；以及
用于使用所述经训练ANN对关于储层条件的第二组输入数据执行所述计算，从而获得在执行模拟中供所述储层模拟器使用的相应输出数据的计算机实现模块。
22.如权利要求21所述的系统，其特征在于，所述ANN包括用于模拟管道水力学的代理模型，其中所述初始的一组输入数据和所述第二组输入数据的每个都包括流速、流体组分、入口压力、出口压力、和流体温度分布中的至少一个，并且其中所述输出数据包括压力降。
23.如权利要求21所述的系统，进一步包括用于在所述训练之前通过外插法扩展所述初始的一组输入数据的计算机实现模块。
24.如权利要求21所述的系统，进一步包括用于重新训练所述ANN的计算机实现模块。
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/US2011/023128 WO2012105934A1 (en) | 2011-01-31 | 2011-01-31 | System and method for using an artificial neural network to simulate pipe hydraulics in a reservoir simulator |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103380424A true CN103380424A (zh) | 2013-10-30 |
| CN103380424B CN103380424B (zh) | 2016-10-12 |
Family
ID=46602990
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201180066394.5A Expired - Fee Related CN103380424B (zh) | 2011-01-31 | 2011-01-31 | 用于在使用人工神经网络在储层模拟中模拟管道水力学的系统和方法 |
Country Status (9)
| Country | Link |
|---|---|
| US (1) | US10055684B2 (zh) |
| EP (1) | EP2671167A4 (zh) |
| CN (1) | CN103380424B (zh) |
| AU (1) | AU2011357784B2 (zh) |
| BR (1) | BR112013019329A2 (zh) |
| CA (1) | CA2825189C (zh) |
| EA (1) | EA201391111A1 (zh) |
| MX (1) | MX2013008812A (zh) |
| WO (1) | WO2012105934A1 (zh) |
Families Citing this family (38)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2564309A4 (en) | 2010-04-30 | 2017-12-20 | Exxonmobil Upstream Research Company | Method and system for finite volume simulation of flow |
| CA2803068C (en) | 2010-07-29 | 2016-10-11 | Exxonmobil Upstream Research Company | Method and system for reservoir modeling |
| CA2803066A1 (en) | 2010-07-29 | 2012-02-02 | Exxonmobil Upstream Research Company | Methods and systems for machine-learning based simulation of flow |
| GB2502432B (en) | 2010-09-20 | 2018-08-01 | Exxonmobil Upstream Res Co | Flexible and adaptive formulations for complex reservoir simulations |
| US9652741B2 (en) | 2011-07-08 | 2017-05-16 | Box, Inc. | Desktop application for access and interaction with workspaces in a cloud-based content management system and synchronization mechanisms thereof |
| US9394783B2 (en) | 2011-08-26 | 2016-07-19 | Schlumberger Technology Corporation | Methods for evaluating inflow and outflow in a subterranean wellbore |
| US9404327B2 (en) | 2011-08-26 | 2016-08-02 | Schlumberger Technology Corporation | Methods for evaluating borehole volume changes while drilling |
| EP2756382A4 (en) | 2011-09-15 | 2015-07-29 | Exxonmobil Upstream Res Co | MATRIX AND VECTOR OPERATIONS OPTIMIZED IN LIMITED INSTRUCTION ALGORITHMS THAT COMPLETE EOS CALCULATIONS |
| US9773051B2 (en) | 2011-11-29 | 2017-09-26 | Box, Inc. | Mobile platform file and folder selection functionalities for offline access and synchronization |
| US9575981B2 (en) | 2012-04-11 | 2017-02-21 | Box, Inc. | Cloud service enabled to handle a set of files depicted to a user as a single file in a native operating system |
| US9794256B2 (en) | 2012-07-30 | 2017-10-17 | Box, Inc. | System and method for advanced control tools for administrators in a cloud-based service |
| EP2901363A4 (en) | 2012-09-28 | 2016-06-01 | Exxonmobil Upstream Res Co | ERROR REMOVAL IN GEOLOGICAL MODELS |
| CN104884974A (zh) * | 2012-12-05 | 2015-09-02 | 兰德马克绘图国际公司 | 利用人工神经网络进行3d地震数据深度转换的系统和方法 |
| US10235383B2 (en) | 2012-12-19 | 2019-03-19 | Box, Inc. | Method and apparatus for synchronization of items with read-only permissions in a cloud-based environment |
| US9953036B2 (en) | 2013-01-09 | 2018-04-24 | Box, Inc. | File system monitoring in a system which incrementally updates clients with events that occurred in a cloud-based collaboration platform |
| US10599671B2 (en) | 2013-01-17 | 2020-03-24 | Box, Inc. | Conflict resolution, retry condition management, and handling of problem files for the synchronization client to a cloud-based platform |
| US10725968B2 (en) | 2013-05-10 | 2020-07-28 | Box, Inc. | Top down delete or unsynchronization on delete of and depiction of item synchronization with a synchronization client to a cloud-based platform |
| US10846074B2 (en) | 2013-05-10 | 2020-11-24 | Box, Inc. | Identification and handling of items to be ignored for synchronization with a cloud-based platform by a synchronization client |
| US9946974B2 (en) | 2013-06-10 | 2018-04-17 | Exxonmobil Upstream Research Company | Determining well parameters for optimization of well performance |
| GB2515192B (en) | 2013-06-13 | 2016-12-14 | Box Inc | Systems and methods for synchronization event building and/or collapsing by a synchronization component of a cloud-based platform |
| US9805050B2 (en) * | 2013-06-21 | 2017-10-31 | Box, Inc. | Maintaining and updating file system shadows on a local device by a synchronization client of a cloud-based platform |
| US20150242747A1 (en) * | 2014-02-26 | 2015-08-27 | Nancy Packes, Inc. | Real estate evaluating platform methods, apparatuses, and media |
| SG11201605999PA (en) * | 2014-03-12 | 2016-08-30 | Landmark Graphics Corp | Simplified compositional models for calculating properties of mixed fluids in a common surface network |
| US10519759B2 (en) * | 2014-04-24 | 2019-12-31 | Conocophillips Company | Growth functions for modeling oil production |
| US10530854B2 (en) | 2014-05-30 | 2020-01-07 | Box, Inc. | Synchronization of permissioned content in cloud-based environments |
| WO2016018723A1 (en) | 2014-07-30 | 2016-02-04 | Exxonmobil Upstream Research Company | Method for volumetric grid generation in a domain with heterogeneous material properties |
| EP3213126A1 (en) | 2014-10-31 | 2017-09-06 | Exxonmobil Upstream Research Company | Handling domain discontinuity in a subsurface grid model with the help of grid optimization techniques |
| CA2963092C (en) | 2014-10-31 | 2021-07-06 | Exxonmobil Upstream Research Company | Methods to handle discontinuity in constructing design space for faulted subsurface model using moving least squares |
| NO345487B1 (en) | 2015-05-12 | 2021-03-01 | Halliburton Energy Services Inc | Enhancing oilfield operations with cognitive computing |
| US10839114B2 (en) | 2016-12-23 | 2020-11-17 | Exxonmobil Upstream Research Company | Method and system for stable and efficient reservoir simulation using stability proxies |
| GB2580243A (en) * | 2017-12-18 | 2020-07-15 | Landmark Graphics Corp | Recurrent neural network model for multi-stage pumping |
| CA3082472A1 (en) * | 2017-12-26 | 2019-07-04 | Landmark Graphics Corporation | Effective representation of complex three-dimensional simulation results for real-time operations |
| US10634081B2 (en) * | 2018-02-05 | 2020-04-28 | Toyota Jidosha Kabushiki Kaisha | Control device of internal combustion engine |
| CA3140567A1 (en) * | 2019-05-17 | 2020-11-26 | Schlumberger Canada Limited | System and method for managing wellsite event detection |
| US11555943B2 (en) | 2020-03-20 | 2023-01-17 | Saudi Arabian Oil Company | Method for identifying misallocated historical production data using machine learning to improve a predictive ability of a reservoir simulation |
| US11867604B2 (en) * | 2020-05-11 | 2024-01-09 | Saudi Arabian Oil Company | Real-time estimation of formation hydrocarbon mobility from mud gas data |
| US11512580B2 (en) | 2020-05-11 | 2022-11-29 | Saudi Arabian Oil Company | Real-time estimation of reservoir porosity from mud gas data |
| US11668847B2 (en) | 2021-01-04 | 2023-06-06 | Saudi Arabian Oil Company | Generating synthetic geological formation images based on rock fragment images |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5845271A (en) * | 1996-01-26 | 1998-12-01 | Thaler; Stephen L. | Non-algorithmically implemented artificial neural networks and components thereof |
| US5862513A (en) * | 1996-11-01 | 1999-01-19 | Western Atlas International, Inc. | Systems and methods for forward modeling of well logging tool responses |
| US6269351B1 (en) * | 1999-03-31 | 2001-07-31 | Dryken Technologies, Inc. | Method and system for training an artificial neural network |
| US20020152030A1 (en) * | 2001-02-16 | 2002-10-17 | Schultz Roger L. | Downhole sensing and flow control utilizing neural networks |
| US20090294122A1 (en) * | 2006-05-24 | 2009-12-03 | Jens Henrik Hansen | Flow simulation in a well or pipe |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5659666A (en) | 1994-10-13 | 1997-08-19 | Thaler; Stephen L. | Device for the autonomous generation of useful information |
| US6236894B1 (en) * | 1997-12-19 | 2001-05-22 | Atlantic Richfield Company | Petroleum production optimization utilizing adaptive network and genetic algorithm techniques |
| NO310322B1 (no) * | 1999-01-11 | 2001-06-18 | Flowsys As | Maling av flerfasestromning i ror |
| US7231305B2 (en) * | 2003-08-07 | 2007-06-12 | Schlumberger Technology Corporation | Flow rate determination |
| AU2007211294B2 (en) * | 2006-01-31 | 2012-05-10 | Landmark Graphics Corporation | Methods, systems, and computer-readable media for real-time oil and gas field production optimization using a proxy simulator |
| US8046314B2 (en) * | 2007-07-20 | 2011-10-25 | Schlumberger Technology Corporation | Apparatus, method and system for stochastic workflow in oilfield operations |
| US8670960B2 (en) * | 2010-03-16 | 2014-03-11 | Schlumberger Technology Corporation | Proxy methods for expensive function optimization with expensive nonlinear constraints |
-
2011
- 2011-01-31 BR BR112013019329A patent/BR112013019329A2/pt not_active IP Right Cessation
- 2011-01-31 CA CA2825189A patent/CA2825189C/en active Active
- 2011-01-31 US US13/980,608 patent/US10055684B2/en active Active
- 2011-01-31 MX MX2013008812A patent/MX2013008812A/es unknown
- 2011-01-31 AU AU2011357784A patent/AU2011357784B2/en not_active Ceased
- 2011-01-31 WO PCT/US2011/023128 patent/WO2012105934A1/en active Application Filing
- 2011-01-31 EP EP11857923.4A patent/EP2671167A4/en not_active Withdrawn
- 2011-01-31 EA EA201391111A patent/EA201391111A1/ru unknown
- 2011-01-31 CN CN201180066394.5A patent/CN103380424B/zh not_active Expired - Fee Related
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5845271A (en) * | 1996-01-26 | 1998-12-01 | Thaler; Stephen L. | Non-algorithmically implemented artificial neural networks and components thereof |
| US5862513A (en) * | 1996-11-01 | 1999-01-19 | Western Atlas International, Inc. | Systems and methods for forward modeling of well logging tool responses |
| US6269351B1 (en) * | 1999-03-31 | 2001-07-31 | Dryken Technologies, Inc. | Method and system for training an artificial neural network |
| US20020152030A1 (en) * | 2001-02-16 | 2002-10-17 | Schultz Roger L. | Downhole sensing and flow control utilizing neural networks |
| US20090294122A1 (en) * | 2006-05-24 | 2009-12-03 | Jens Henrik Hansen | Flow simulation in a well or pipe |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103380424B (zh) | 2016-10-12 |
| WO2012105934A1 (en) | 2012-08-09 |
| EP2671167A4 (en) | 2018-01-31 |
| CA2825189A1 (en) | 2012-08-09 |
| AU2011357784B2 (en) | 2015-11-05 |
| US10055684B2 (en) | 2018-08-21 |
| MX2013008812A (es) | 2014-09-11 |
| US20130304679A1 (en) | 2013-11-14 |
| EP2671167A1 (en) | 2013-12-11 |
| BR112013019329A2 (pt) | 2018-07-10 |
| CA2825189C (en) | 2017-06-20 |
| EA201391111A1 (ru) | 2013-12-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103380424A (zh) | 用于在使用人工神经网络在储层模拟中模拟管道水力学的系统和方法 | |
| AU2011357784A1 (en) | System and method for using an artificial neural network to simulate pipe hydraulics in a reservoir simulator | |
| US8805660B2 (en) | Method and system for coupling reservoir and surface facility simulations | |
| KR101706245B1 (ko) | 디지털 오일필드에서 인공신경망을 이용한 생산량 제어방법 | |
| CA2392063A1 (en) | Method and program for simulating a physical system using object-oriented programming | |
| AU2014398210B2 (en) | Multi-stage linear solution for implicit reservoir simulation | |
| RU2577256C1 (ru) | Система и способ для моделирования пласта-коллектора с помощью запрашиваемых данных | |
| Enab et al. | Artificial neural network based design for dual lateral well applications | |
| Burnell et al. | Future directions in geothermal modelling | |
| CN116882218B (zh) | 一种油藏数值模拟方法、装置、计算机设备及存储介质 | |
| US20160179751A1 (en) | Viariable structure regression | |
| EP4269747A1 (en) | System and method for effective hydrocarbon reservoir pressure prediction and control | |
| Garg et al. | Modeling free surface flows using stabilized finite element method | |
| Elkamel | An artificial neural network for predicting and optimizing immiscible flood performance in heterogeneous reservoirs | |
| Abbasi et al. | Reduced basis method for managed pressure drilling based on a model with local nonlinearities | |
| US20190114552A1 (en) | Method for simulating the thermo-fluid dynamic behavior of multiphase fluids in a hydrocarbons production and transport system | |
| CA3224217A1 (en) | Method of performing a numerical solving process | |
| Ignatyev et al. | The features of building the Integrated Model for development of two gas-condensate formations of Urengoyskoe field | |
| CN109615108A (zh) | 基于元学习的多任务油田生产动态拟合模型 | |
| Faraji et al. | Modelling gas condensate viscosity below the dew point using Fuzzy Logic approach | |
| Putcha | Integration of Numerical and Machine Learning Protocols for Coupled Reservoir-Wellbore Models: A Study for Gas Lift Optimization | |
| CN111126650B (zh) | 用于油田仿真系统的模型构建方法和装置 | |
| Ikhwanda et al. | 122 Development of Numerical Methods for Estimating Fluid Flow Path in Fractured Geothermal Reservoir | |
| Hasan | Optimization and Control of Petroleum Reservoirs | |
| Irmann-Jacobsen et al. | Subsea Gas Compression for a Greenfield Long Distance Tie-Back to an Onshore LNG Facility |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20161012 Termination date: 20170131 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |