CN104769215A - 用于特征化地下储层裂缝网络中的不确定性的系统和方法 - Google Patents
用于特征化地下储层裂缝网络中的不确定性的系统和方法 Download PDFInfo
- Publication number
- CN104769215A CN104769215A CN201480002986.4A CN201480002986A CN104769215A CN 104769215 A CN104769215 A CN 104769215A CN 201480002986 A CN201480002986 A CN 201480002986A CN 104769215 A CN104769215 A CN 104769215A
- Authority
- CN
- China
- Prior art keywords
- srv
- data
- uncertainty
- subterranean zone
- intrinsic fracture
- 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 50
- 230000003068 static effect Effects 0.000 claims abstract description 10
- 238000012512 characterization method Methods 0.000 claims description 20
- 238000004088 simulation Methods 0.000 claims description 13
- 238000013401 experimental design Methods 0.000 claims description 6
- 230000006872 improvement Effects 0.000 claims description 6
- 239000011435 rock Substances 0.000 claims description 5
- 230000001052 transient effect Effects 0.000 claims description 5
- 230000003542 behavioural effect Effects 0.000 claims 1
- 238000013400 design of experiment Methods 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000013500 data storage Methods 0.000 description 2
- 238000005553 drilling Methods 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005086 pumping Methods 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005538 encapsulation Methods 0.000 description 1
- 238000003050 experimental design method Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000007420 reactivation Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- 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
- E21B43/25—Methods for stimulating production
- E21B43/26—Methods for stimulating production by forming crevices or fractures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Mining & Mineral Resources (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Theoretical Computer Science (AREA)
- Fluid Mechanics (AREA)
- Geochemistry & Mineralogy (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
Abstract
用于特征化地下裂缝网络中的不确定性的方法和系统，所述特征化通过获得天然裂缝网络，获得动态数据，基于所述天然裂缝网络和所述动态数据模拟水力压裂和微震事件，产生经措施改造的储层体积(SRV)，以及量化SRV中的不确定性。还可以包括通过使用实验设计方法缩小所述SRV中的不确定性以及使用静态和/或动态数据来特征化SRV。
Description
技术领域
本发明一般涉及用于特征化地下储层中的裂缝网络的系统和方法，并且具体涉及用于特征化经措施改造的储层体积中的不确定性的系统和方法。
背景技术
在诸如页岩和致密砂岩等的非传统储层中完成井的一个挑战是将水压引起的裂缝与天然裂缝系统成功关联，由此显著增加有效泄油体积，也被称作经措施改造的储层体积(Stimulated Reservoir Volume,SRV)。大的SRV推断那个井有高产出。不幸的是，识别和整合合适的静态(地质的、岩石物理的、地球物理的等)和动态(泵送、产出等)数据集并且理解这些数据集中的内在不确定性，使得难以量化SRV中的不确定性(以及因此难以量化井的生产潜力)。对SRV的合适的量化会允许优化水力压裂的阶段和设计以及钻井的数目，导致显著的成本节省。
对SRV的估计主要依靠微震测量。通过定位水力压裂作业期间记录的微震事件，可以得到关于所引起的水力压裂的方向性、尺寸、生长、和高度的有用信息。微震事件也可用以监控裂缝生长，这允许微震数据被用以提供对SRV的大致估计。尽管微震测量被例行做出，但是缺乏对所述微震数据的工业标准数据收集和处理，导致结果质量中的大大不确定性。
除了做出实际微震测量之外，SRV量化可以使用地质力/水力压裂模拟器来完成，所述地质力/水力压裂模拟器在给定静态和动态信息时预测微震反应。这种模拟器目前在市场上是可购得的，但是不存在用户可以借此在模拟器中识别和整合合适的静态和动态数据连同测得的微震数据以特征化SRV中的不确定性的清晰且流水线式的工作流程。当前技术使用导致了单一的糟糕定义的SRV的特设过程(ad-hoc procedure)，并且完全忽视了与它关联的大大不确定性。
发明内容
本文描述的是用于特征化感兴趣的地下区域中的不确定性的计算机实施的方法的各种方案的实施方式。
公开了一种用于特征化感兴趣的地下区域中的不确定性的计算机实施的方法。所述方法包括：获得天然裂缝网络，获得动态数据，基于所述天然裂缝网络和所述动态数据模拟水力压裂和微震事件，产生经措施改造的储层体积，以及量化SRV中的不确定性。所述方法也可包括通过使用实验设计方法来估计所述SRV中的不确定性并特征化所述SRV。所述特征化可使用静态和/或动态数据来完成。
在另一种实施例中，公开了一种用以实施用于特征化感兴趣的地下区域中的不确定性的方法的计算机系统，所述计算机系统包括数据源或存储设备、至少一个计算机处理器和用户界面。
在还有的另一种实施例中，公开了一种其上具有计算机可读代码的非暂态处理器可读介质，所述计算机可读代码被配置成实施用于特征化感兴趣的地下区域中的不确定性的方法。
提供上述发明内容部分以用简要形式介绍选择的概念，所述部分在以下的具体实施方式部分被进一步描述。所述发明内容不旨在识别所要求主题的关键特征或本质特征，也不旨在用以限制所要求主题的范围。而且，所要求主题不限于解决本公开的任何部分中指出的任何或全部缺点的实施方式。
附图说明
参考以下描述、权利要求和附图，本发明的这些和其他特征会变得更好理解。
图1是说明根据本发明的实施例的方法的流程图；
图2是本发明的实施例的说明；
图3是本发明的实施例的步骤的演示；
图4是本发明的实施例的步骤的演示；
图5是本发明的实施例的步骤的演示；以及
图6概要说明了用于执行根据本发明的实施例的方法的系统。
具体实施方式
本发明可以在系统和要由计算机执行的计算机方法的一般语境中描述和实施。这种计算机可执行指令可以包括可被用于执行特定任务和处理抽象数据类型的程序、例程、对象、组件、数据结构、和计算机软件技术。本发明的软件实施方式可以针对不同计算平台和环境中的应用以不同的语言编码。将要理解，本发明的范围和基础原理不限于任何特定的计算机软件技术。
而且，本领域技术人员会理解本发明可以使用硬件和软件配置的任意一个或组合来实践，包括但不限于具有单个和/或多个处理器计算机的系统、手持设备、平板设备、可编程消费电子产品、迷你计算机、大型主机等。本发明也可以在分布式计算环境中实践，其中任务由通过一个或多个数据通信网络链接的服务器或其他处理设备执行。在分布式计算环境中，程序模块可以位于包括存储器存储设备的本地和远程计算机存储介质中。
此外，与计算机处理器一同使用的诸如CD、预刻录盘或其他等价设备之类的非暂态处理器可读介质，可以包括其上记录有用于引导计算机处理器便于实施和实践本发明的程序装置。这种设备和制品也落入到本发明的精神和范围内。
现在参考附图，将描述本发明的实施例。本发明可以以多种方式实施，包括例如作为系统(包括计算机处理系统)、方法(包括计算机实施的方法)、装置、计算机可读介质、计算机程序产品、图形用户界面、门户网站、或可触知地固定在计算机可读存储器中的数据结构。以下讨论本发明的若干实施例。所述附图仅说明了本发明的典型实施例并且因此不被认为是对其范围和广度的限制。
本发明涉及特征化感兴趣的地下区域中的不确定性。本发明的一种实施例被示出为图1中的方法100。在操作12处，获得感兴趣的地下区域的天然裂缝模型。此天然裂缝模型可基于例如对本地或类似地质的知识、压力信息、钻井日志、地震数据、和/或岩心数据。这些例子不意味着限制。本领域技术人员会理解有大量可能的途径来获得天然裂缝模型。在操作12之前，所述天然裂缝模型可能已被产生并且在操作12处被简单地提供给所述方法。也可作为操作12的一部分来产生所述天然裂缝模型。
如果所述天然裂缝模型在操作12处产生，则其可以使用诸如FracMan或Fraca等软件包，或本领域技术人员已知的其他方法来生成。在一种实施例中，天然裂缝框架可以使用离散裂缝网络(DFN)技术从地质、钻井日志、地震数据、和/或岩心数据中产生。所述天然裂缝模型也可以基于可包括在天然裂缝网络中的压力数据和岩石特性数据。所述压力数据和岩石特性数据可以从岩心数据和钻井日志(尤其是包括有关突破的数据)中确定。这允许天然裂缝模型包括感兴趣的地下区域的地质力学表示。这在图2的面板12A中演示。
再次参考图1，在操作13处，可获得动态现场数据。此动态现场数据可包括例如流体流数据、注入压力、注入量、和/或注入持续时间，包括泵送压力和速率。所述动态现场数据可以是实际在现场使用的数据或者是作为动态现场数据的模拟由用户输入的参数。这在图2的面板13A中演示。
在操作14处，所述天然裂缝模型和动态现场数据可一起使用以生成多阶段水力压裂和由所述水力压裂产生的模拟微震事件。所述微震事件可因为裂缝激活或再激活而发生。这在图2的面板14A演示。
一旦所述微震事件已被模拟，则在操作15处产生经措施改造的储层体积(SRV)。所述SRV例如可通过在所述微震事件周围放置封装来确定。本领域技术人员会理解有许多途径产生所述SRV。例如，可使用凸包(Convex Hull)方法，这常常找到所述SRV的上界估计。替代地，平板裂缝(fracture slab)方法可给出所述SRV的下界估计。这些例子不意味着限制；可使用用于基于模拟的微震事件定义SRV的任意方法。这在图2的面板15A中演示。
依赖于天然裂缝模型的输入数据的不确定性和对水力压裂和微震事件的模拟，在操作15处产生的SRV具有高度的不确定性。输入数据中的不确定性可能来自例如差的数据质量、不足的数据量、差的地下建模、差的水力压裂建模、和/或差的微震事件模拟。SRV中的不确定性使得它用在估计潜在产出量、确定最优水力压裂计划、和/或确定待钻井的数量和位置时是有风险的。
再次参考图1，在操作16处，量化SRV中的不确定性。这可以例如通过使用也被称为实验性设计的实验设计(DOE)来实现。此过程系统地改变一个或多个参数以确认对结果有最大影响并且因此对不确定性有最大影响的参数。例如，这在图2的面板16A和图3中演示。在图3中，天然裂缝网络的输入参数被测试。特别地，天然裂缝朝向、天然裂缝密度、和天然裂缝尺寸被改变。面板21示出了裂缝的朝向21A，在此例子中具有导致1.3x107ft3的SRV 21B的P32～0.01的密度和50ft的平均尺寸；面板22示出了朝向22A，具有导致1.9x107ft3的SRV 22B的P32～0.01的密度和30ft的平均尺寸；面板23示出了朝向23A，具有导致9.2x106ft3的SRV 23B的P32～0.05的密度和50ft的平均尺寸；面板24示出了朝向24A，具有导致8.4x106ft3的SRV 24B的P32～0.05的密度和30ft的平均尺寸；面板25示出了朝向25A，具有导致1.2x107ft3的SRV 25B的P32～0.01的密度和50ft的平均尺寸；面板26示出了朝向26A，具有导致1.6x107ft3的SRV 26B的P32～0.01的密度和30ft的平均尺寸；面板27示出了朝向27A，具有导致7.3x106ft3的SRV 27B的P32～0.05的密度和50ft的平均尺寸；以及面板28示出了朝向28A，具有导致9.2x106ft3的SRV 28B的P32～0.05的密度和30ft的平均尺寸。
在SRV中的不确定性已经在操作16处被评估之后，此不确定性可以在操作17处被缩小。这可以通过使用观察的微震来帮助约束SRV的技术来实现。这些技术可以包括但不限于有限差分建模和聚类算法。
有限差分建模可被用以模拟天然裂缝模型中的微震波形(信号)。所建模的微震波形可与在实际微震勘测期间记录的那些波形进行比较，这可以帮助缩小微震数据中的位置不确定性。具有更精确的微震事件位置允许选择建模的微震和SRV的更合理的结果。有限差分建模也会帮助了解水力压裂期间的岩石破裂模式和微震源机构，这可被用以在如操作12处获得天然裂缝模型时进一步约束压力和天然裂缝输入。
许多不同的聚类算法可被用以帮助缩小不确定性。存在着各种可被用以从观察的微震“云”数据中识别不同聚类或特征(例如，裂缝平面、轮廓)的技术。这可以帮助约束如操作12中的天然裂缝建模所需的一些输入参数。聚类算法会包括诸如坍缩(collapsing)、质心确定等的统计技术，以及诸如波形互相关、多重线分析、联合震源确定和二次差分位置方法等的其他技术。可以使用为了更好约束所述天然裂缝模型而被用以分析观测的微震云的任何算法。
通过在实验设计过程包括产出或流数据来进一步约束SRV的特征化也是可能的。产出或流简档可使用合适的储层流模拟器来估计，所估计的产出或流简档可以接着与观察的产出数据或流简档比较，所述观察的产出数据或流简档是从诸如试井、PLT(生产测井工具)、DTS(分布式温度感测)等技术，甚至在水力压裂阶段层次上(如果这些数据可用的话)，取得的。这种比较通过约束模型参数将进一步缩小可能的SRV的范围，由此使用静态(基于微震)和动态(基于流)特征化来完成闭环。在末尾，工作流程会帮助评价完井或水力压裂程序的功效。
在SRV已经在操作17处被改善后，其可以在操作18处基于对静态和动态数据而观察的改善的SRV来将SRV特征化。这在图4和图5中演示。在这些图中，连同来自图1的操作14的建模的微震数据，用于水力压裂的不同阶段的潜在SRV在面板30、32、34、和36中示出。建模的微震数据被示出为深灰色点。这是为了与浅灰色点的观察的微震数据比较。微震数据也在面板30A、32A、34A和36A中示出。面板30和34以及面板30A和34A是相同的；面板36和36A比面板34和34A更匹配观察的微震。这是SRV的静态特征化。
尽管前述描述和图1以线性方式提出了所述操作，本领域技术人员会理解许多操作可以并行执行或以不同顺序执行。而且要理解，为获得更多数据或结果，重复操作是可能的。
图6概要说明了一种用于执行图1的方法100的系统400。所述系统包括可特别包括数据存储设备或计算机存储器的数据源/存储设备40。所述数据源/存储设备40可包含记录的地震数据、合成的地震数据、或信号或噪声模型。来自数据源/存储设备40的数据可对诸如可编程通用计算机等的处理器42可用。尽管所述图示出了单个处理器，对本发明来说，在一个机器或分布式环境中使用多个处理器也是可以考虑的。处理器42被配置成执行实施方法100的计算机模块。这些计算机模块可包括：用于获得天然裂缝模型的裂缝模块43，所述天然裂缝模型或者来自数据源40或者如先前解释的那样生成一个；用于获得动态现场数据的动态模块44；用于基于天然裂缝模型和动态现场数据生成水力压裂并模拟微震事件的模拟模块45；用于确定SRV的SRV模块46；以及用于确定SRV中的不确定性的不确定性模块47。可包括诸如实验设计模块和/或特征化模块等的其他模块来实施本发明的额外实施例。本领域技术人员会理解这些模块可以多种方式组合并且不必是不同模块；另外，每个模块也可被分成两个或更多个部分；一起执行本发明的方法的模块的任意组合落入到此系统的范围内。所述系统可包括诸如用户界面49等的界面组件。用户界面49可被同时用以显示数据和处理的数据产品，和允许用户选择选项用于实施所述方法的多个方面的选项。作为例子但不是限制，在处理器42上计算的SRV可以在用户界面49上显示，在数据存储设备或存储器40上存储，或同时显示和存储。
尽管在前述说明书中，本发明已经基于它的某些优选实施例被描述，并且已经提出许多细节用于说明目的，对本领域技术人员清晰的是，在不背离本发明的基本原理的情况下，本发明容易改变并且本文描述的某些其他细节可显著变化。另外，应当理解，本文的任意一个实施例中描述的或示出的结构特征或方法步骤也可在其他实施例中使用。
Claims (15)
1.一种用于特征化感兴趣的地下区域中的不确定性的计算机实施的方法，所述方法包括：
a.在计算机处理器处，获得所述感兴趣的地下区域的天然裂缝模型；
b.在所述计算机处理器处，获得与所述感兴趣的地下区域有关的动态现场数据；
c.通过所述计算机处理器，基于所述天然裂缝模型和所述动态现场数据模拟水力压裂和微震事件；
d.通过所述计算机处理器，基于模拟的微震事件产生经措施改造的储层体积(SRV)；以及
e.通过所述计算机处理器，量化所述SRV中的不确定性。
2.如权利要求1所述的方法，还包括缩小所述SRV中的不确定性以得到改善的SRV。
3.如权利要求2所述的方法，还包括通过将所述改善的SRV与观察的微震活动性比较来确定所述改善的SRV的静态特征化。
4.如权利要求2所述的方法，其中缩小所述SRV中的不确定性通过使用聚类算法来完成。
5.如权利要求2所述的方法，其中缩小所述SRV中的不确定性通过有限差分建模来完成。
6.如权利要求2所述的方法，还包括基于动态流数据和流模拟模型确定所述改善的SRV的动态特征化。
7.如权利要求1所述的方法，其中获得所述天然裂缝模型包括：
a.基于地质、钻井日志、地震数据、和岩心数据中的至少一个来生成天然裂缝网络；
b.获得用于所述感兴趣的地下区域的压力数据和岩石特性数据；以及
c.将所述压力数据和所述岩石特性数据与所述天然裂缝网络组合以生成所述天然裂缝模型。
8.如权利要求7所述的方法，其中所述天然裂缝模型通过测井数据和产出数据中的至少一个来约束。
9.如权利要求1所述的方法，其中量化所述SRV中的不确定性包括使用实验设计。
10.一种用于特征化感兴趣的地下区域中的不确定性的系统，所述系统包括：
a.包含代表所述感兴趣的地下区域的数据的数据源；
b.被配置成执行计算机模块的计算机处理器，所述计算机模块包括：
i.用以获得所述感兴趣的地下区域的天然裂缝模型的裂缝模块；
ii.用以获得与所述感兴趣的地下区域有关的动态现场数据的动态模块；
iii.用以基于所述天然裂缝模型和所述动态现场数据模拟水力压裂和微震事件的模拟模块；
iv.用以基于模拟的微震事件产生经措施改造的储层体积(SRV)的SRV模块；以及
v.用以量化所述SRV中的不确定性的不确定性模块；以及
c.用户界面。
11.如权利要求10所述的系统，还包括用以缩小所述SRV中的不确定性的实验设计模块。
12.如权利要求11所述的系统，还包括用以特征化所述SRV的特征化模块。
13.一种其上具有计算机可读代码的非暂态处理器可读介质，所述计算机可读代码被配置成实施用于特征化感兴趣的地下区域中的不确定性的方法，所述方法包括：
a.在计算机处理器处，获得所述感兴趣的地下区域的天然裂缝模型；
b.在所述计算机处理器处，获得与所述感兴趣的地下区域有关的动态现场数据；
c.通过所述计算机处理器，基于所述天然裂缝模型和所述动态现场数据模拟水力压裂和微震事件；
d.通过所述计算机处理器，基于模拟的微震事件产生经措施改造的储层体积(SRV)；以及
e.通过所述计算机处理器，量化所述SRV中的不确定性。
14.如权利要求13所述的非暂态处理器可读介质，其中所述方法还包括缩小所述SRV中的不确定性以得到改善的SRV。
15.如权利要求14所述的非暂态处理器可读介质，其中所述方法还包括通过将所述改善的SRV与观察的微震活动性比较来确定所述改善的SRV的静态特征化。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US13/904,180 | 2013-05-29 | ||
| US13/904,180 US20140358510A1 (en) | 2013-05-29 | 2013-05-29 | System and method for characterizing uncertainty in subterranean reservoir fracture networks |
| PCT/US2014/031879 WO2014193529A2 (en) | 2013-05-29 | 2014-03-26 | System and method for characterizing uncertainty in subterranean reservoir fracture networks |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104769215A true CN104769215A (zh) | 2015-07-08 |
| CN104769215B CN104769215B (zh) | 2018-05-11 |
Family
ID=50625198
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201480002986.4A Active CN104769215B (zh) | 2013-05-29 | 2014-03-26 | 用于特征化地下储层裂缝网络中的不确定性的系统和方法 |
Country Status (6)
| Country | Link |
|---|---|
| US (2) | US20140358510A1 (zh) |
| EP (1) | EP3004534B1 (zh) |
| CN (1) | CN104769215B (zh) |
| AU (2) | AU2014272147A1 (zh) |
| CA (1) | CA2888249A1 (zh) |
| WO (1) | WO2014193529A2 (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106649963A (zh) * | 2016-10-14 | 2017-05-10 | 东北石油大学 | 体积压裂复杂缝网平均裂缝长度和等效裂缝条数确定方法 |
| CN107480411A (zh) * | 2017-10-20 | 2017-12-15 | 合肥工业大学 | 储层压裂效果评价方法及评价系统 |
| CN107742020A (zh) * | 2017-10-09 | 2018-02-27 | 中国石油集团川庆钻探工程有限公司地球物理勘探公司 | 页岩气储层压裂改造体积预测方法 |
| CN110288227A (zh) * | 2019-06-24 | 2019-09-27 | 中国石油大学(北京) | 一种用于评价影响压裂效果主控因素的方法 |
| CN110424938A (zh) * | 2019-08-01 | 2019-11-08 | 重庆市能源投资集团科技有限责任公司 | 联合瞬变电磁、盐度检测和微震的压裂影响范围测试方法 |
| CN112257565A (zh) * | 2020-10-20 | 2021-01-22 | 华北电力大学 | 一种利用最大Hull距离的微震事件检测方法和系统 |
| CN115616659A (zh) * | 2022-10-10 | 2023-01-17 | 中国矿业大学(北京) | 微地震事件的类型确定方法、装置和电子设备 |
Families Citing this family (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9903189B2 (en) | 2013-08-26 | 2018-02-27 | Halliburton Energy Services, Inc. | Real-time stimulated reservoir volume calculation |
| US9529103B2 (en) * | 2013-08-26 | 2016-12-27 | Halliburton Energy Services, Inc. | Identifying overlapping stimulated reservoir volumes for a multi-stage injection treatment |
| US11125912B2 (en) * | 2013-11-25 | 2021-09-21 | Schlumberger Technology Corporation | Geologic feature splitting |
| WO2016039773A1 (en) * | 2014-09-12 | 2016-03-17 | Halliburton Energy Services, Inc. | Analysis of microseismic supported stimulated reservoir volumes |
| CA2974893C (en) * | 2015-01-28 | 2021-12-28 | Schlumberger Canada Limited | Method of performing wellsite fracture operations with statistical uncertainties |
| WO2016140982A1 (en) * | 2015-03-05 | 2016-09-09 | Schlumberger Technology Corporation | Microseismic behavior prediction |
| US9958572B2 (en) * | 2015-03-31 | 2018-05-01 | Halliburton Energy Services, Inc. | Synthetic test beds for fracturing optimization and methods of manufacture and use thereof |
| US10267132B2 (en) * | 2015-12-21 | 2019-04-23 | Baker Hughes, A Ge Company, Llc | Eliminating discrete fracture network calculations by rigorous mathematics |
| US10853533B2 (en) | 2016-05-09 | 2020-12-01 | Schlumberger Technology Corporation | Three-dimensional fracture abundance evaluation of subsurface formation based on geomechanical simulation of mechanical properties thereof |
| US10650107B2 (en) | 2016-05-09 | 2020-05-12 | Schlumberger Technology Corporation | Three-dimensional subsurface formation evaluation using projection-based area operations |
| US10113421B2 (en) * | 2016-05-09 | 2018-10-30 | Schlumberger Technology Corporation | Three-dimensional fracture abundance evaluation of subsurface formations |
| WO2018022114A1 (en) * | 2016-07-29 | 2018-02-01 | Halliburton Energy Services, Inc. | Time-dependent spatial distribution of multiple proppant types or sizes in a fracture network |
| WO2018022115A1 (en) * | 2016-07-29 | 2018-02-01 | Halliburton Energy Services, Inc. | Time-dependent spatial distribution of proppant effects in a discrete fracture network |
| CN106777663B (zh) * | 2016-12-12 | 2020-02-18 | 西南石油大学 | 一种考虑天然裂缝的压裂液滤失速度计算方法 |
| CN106869896B (zh) * | 2017-04-26 | 2018-05-08 | 西南石油大学 | 一种低渗透油气藏直井体积压裂储层改造体积预测方法 |
| US10606967B2 (en) * | 2017-05-02 | 2020-03-31 | Saudi Arabian Oil Company | Evaluating well stimulation to increase hydrocarbon production |
| US10607043B2 (en) | 2017-09-14 | 2020-03-31 | Saudi Arabian Oil Company | Subsurface reservoir model with 3D natural fractures prediction |
| CN109403939A (zh) * | 2018-10-17 | 2019-03-01 | 西南石油大学 | 一种考虑近井区压裂的低渗致密气藏平面供气实验方法 |
| CN110331973B (zh) * | 2019-07-16 | 2022-11-11 | 中国石油大学(华东) | 一种基于分布式光纤声音监测和分布式光纤温度监测的水力压裂监测方法 |
| US10983513B1 (en) | 2020-05-18 | 2021-04-20 | Saudi Arabian Oil Company | Automated algorithm and real-time system to detect MPFM preventive maintenance activities |
| CN111781662B (zh) * | 2020-07-03 | 2021-12-14 | 中国石油大学(北京) | 一种储层裂缝参数获取方法、装置及设备 |
| US11960046B2 (en) * | 2021-01-22 | 2024-04-16 | Saudi Arabian Oil Company | Method for determining in-situ maximum horizontal stress |
| US11525935B1 (en) | 2021-08-31 | 2022-12-13 | Saudi Arabian Oil Company | Determining hydrogen sulfide (H2S) concentration and distribution in carbonate reservoirs using geomechanical properties |
| US11921250B2 (en) | 2022-03-09 | 2024-03-05 | Saudi Arabian Oil Company | Geo-mechanical based determination of sweet spot intervals for hydraulic fracturing stimulation |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110120706A1 (en) * | 2009-11-25 | 2011-05-26 | Halliburton Energy Services, Inc. | Refining Information on Subterranean Fractures |
| WO2012058028A1 (en) * | 2010-10-27 | 2012-05-03 | Exxonmobil Upstream Research Company | Method and system for fracturing a formation |
| CN102565855A (zh) * | 2012-01-02 | 2012-07-11 | 吉林大学 | 油田压裂地面微地震数据处理方法 |
-
2013
- 2013-05-29 US US13/904,180 patent/US20140358510A1/en not_active Abandoned
-
2014
- 2014-03-26 AU AU2014272147A patent/AU2014272147A1/en active Pending
- 2014-03-26 CN CN201480002986.4A patent/CN104769215B/zh active Active
- 2014-03-26 WO PCT/US2014/031879 patent/WO2014193529A2/en active Application Filing
- 2014-03-26 CA CA2888249A patent/CA2888249A1/en not_active Abandoned
- 2014-03-26 AU AU2014101610A patent/AU2014101610B4/en not_active Expired
- 2014-03-26 EP EP14720430.9A patent/EP3004534B1/en active Active
-
2018
- 2018-09-06 US US16/124,054 patent/US20190138672A1/en not_active Abandoned
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110120706A1 (en) * | 2009-11-25 | 2011-05-26 | Halliburton Energy Services, Inc. | Refining Information on Subterranean Fractures |
| WO2012058028A1 (en) * | 2010-10-27 | 2012-05-03 | Exxonmobil Upstream Research Company | Method and system for fracturing a formation |
| CN102565855A (zh) * | 2012-01-02 | 2012-07-11 | 吉林大学 | 油田压裂地面微地震数据处理方法 |
Non-Patent Citations (3)
| Title |
|---|
| S C MAXWELL ET AL: "Simulation of Microseismic Deformation during hydraulic fracturing", 《CSPG CSEG CWLS JOINT ANNUAL CONVENTION》 * |
| SUDIPTA SARKAR ET AL: "uncertainty in microseismic event source locations associated with a fracture stimulation in a tight sand", 《INTERNATIONAL GEOPHYSICAL CONFERENCE AND OIL & GAS EXHIBITION》 * |
| ULRICH ZIMMER: "Calculating stimulated reservoir(SRV) with consideration of uncertainties in microseismic-event locations", 《PROCEEDINGS OF CANADIAN UNCONVENTIONAL RESOURCES CONFERENCE》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106649963A (zh) * | 2016-10-14 | 2017-05-10 | 东北石油大学 | 体积压裂复杂缝网平均裂缝长度和等效裂缝条数确定方法 |
| CN106649963B (zh) * | 2016-10-14 | 2019-10-01 | 东北石油大学 | 体积压裂复杂缝网平均裂缝长度和等效裂缝条数确定方法 |
| CN107742020A (zh) * | 2017-10-09 | 2018-02-27 | 中国石油集团川庆钻探工程有限公司地球物理勘探公司 | 页岩气储层压裂改造体积预测方法 |
| CN107480411A (zh) * | 2017-10-20 | 2017-12-15 | 合肥工业大学 | 储层压裂效果评价方法及评价系统 |
| CN107480411B (zh) * | 2017-10-20 | 2020-10-02 | 合肥工业大学 | 储层压裂效果评价方法及评价系统 |
| CN110288227A (zh) * | 2019-06-24 | 2019-09-27 | 中国石油大学(北京) | 一种用于评价影响压裂效果主控因素的方法 |
| CN110424938A (zh) * | 2019-08-01 | 2019-11-08 | 重庆市能源投资集团科技有限责任公司 | 联合瞬变电磁、盐度检测和微震的压裂影响范围测试方法 |
| CN112257565A (zh) * | 2020-10-20 | 2021-01-22 | 华北电力大学 | 一种利用最大Hull距离的微震事件检测方法和系统 |
| CN115616659A (zh) * | 2022-10-10 | 2023-01-17 | 中国矿业大学(北京) | 微地震事件的类型确定方法、装置和电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104769215B (zh) | 2018-05-11 |
| WO2014193529A3 (en) | 2015-04-02 |
| WO2014193529A2 (en) | 2014-12-04 |
| US20190138672A1 (en) | 2019-05-09 |
| AU2014101610A4 (en) | 2017-06-29 |
| AU2014101610B4 (en) | 2017-08-03 |
| US20140358510A1 (en) | 2014-12-04 |
| EP3004534A2 (en) | 2016-04-13 |
| EP3004534B1 (en) | 2018-04-25 |
| CA2888249A1 (en) | 2014-12-04 |
| AU2014272147A1 (en) | 2015-04-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104769215A (zh) | 用于特征化地下储层裂缝网络中的不确定性的系统和方法 | |
| US11668853B2 (en) | Petrophysical inversion with machine learning-based geologic priors | |
| US10859725B2 (en) | Resource production forecasting | |
| RU2669948C2 (ru) | Оптимизация многоступенчатого проекта нефтяного месторождения в условиях неопределенности | |
| US10422923B2 (en) | Systems and methods for modeling fracture networks in reservoir volumes from microseismic events | |
| CN104755960B (zh) | 基于盆地建模对用于处理地震数据的速度模型的改进 | |
| MX2010010988A (es) | Metodo para determinar un conjunto de valores netos presentes para influenciar la perforacion de un orificio de perforacion e incrementar la produccion. | |
| CN109446735A (zh) | 一种模拟测井数据的生成方法、设备以及系统 | |
| Mancini et al. | Probabilistic forecasting of hydraulic fracturing‐induced seismicity using an injection‐rate driven etas model | |
| CN105093293A (zh) | 低频补偿提高洞穴型碳酸盐岩储层地震量化预测的方法 | |
| Chaikine et al. | A new machine learning procedure to generate highly accurate synthetic shear sonic logs in unconventional reservoirs | |
| Ajisafe et al. | Calibrated complex fracture modeling using constructed discrete fracture network from seismic data in the Avalon shale, New Mexico | |
| Will et al. | Data integration, reservoir response, and application | |
| CN105164552A (zh) | 分析地震数据的方法 | |
| Picozzi et al. | Spatiotemporal evolution of ground‐motion intensity at the Irpinia near‐fault observatory, southern Italy | |
| CN113874864A (zh) | 使用硬约束和软约束训练机器学习系统 | |
| Baroni et al. | Forecasting production in shale and tight reservoirs: a practical simulation method capturing the complex hydraulic fracturing physics | |
| Leines-Artieda et al. | A Machine Learning-Based Data Augmentation Approach for Unconventional Reservoir Characterization Using Microseismic Data and EDFM | |
| Chen et al. | Estimating Stratigraphic Parameters from Well Test Data in Turbidite Reservoirs | |
| Liu et al. | A novel production profiling workflow using microseismic data and distributed temperature sensing data for unconventional reservoirs | |
| US20230323760A1 (en) | Prediction of wireline logs using artificial neural networks | |
| US20230359793A1 (en) | Machine-learning calibration for petroleum system modeling | |
| Barton et al. | Integrated Multi-Disciplinary Approach to Predict Reservoir Performance: The Diyab Reservoir Abu Dhabi | |
| Kabir et al. | Understanding Variable Well Performance in a Chalk Reservoir | |
| Gurjao | Illuminating Strain Fields Generated by Hydraulic Fracturing: From Modeling of Fiber-Optic Response to Fracture Geometry Inversion |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |