CN108320102A - 基于改进人工蜂群算法的注汽锅炉配汽优化方法 - Google Patents
基于改进人工蜂群算法的注汽锅炉配汽优化方法 Download PDFInfo
- Publication number
- CN108320102A CN108320102A CN201810108923.7A CN201810108923A CN108320102A CN 108320102 A CN108320102 A CN 108320102A CN 201810108923 A CN201810108923 A CN 201810108923A CN 108320102 A CN108320102 A CN 108320102A
- Authority
- CN
- China
- Prior art keywords
- bee
- steam
- formula
- well group
- vapour
- 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
- 238000002347 injection Methods 0.000 title claims abstract description 65
- 239000007924 injection Substances 0.000 title claims abstract description 65
- 238000005457 optimization Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 43
- 239000000243 solution Substances 0.000 claims abstract description 62
- 238000010793 Steam injection (oil industry) Methods 0.000 claims abstract description 32
- 238000010795 Steam Flooding Methods 0.000 claims abstract description 17
- 230000003044 adaptive effect Effects 0.000 claims abstract description 15
- 230000008521 reorganization Effects 0.000 claims abstract description 15
- 238000009825 accumulation Methods 0.000 claims abstract description 11
- 238000013178 mathematical model Methods 0.000 claims abstract description 11
- 235000013305 food Nutrition 0.000 claims abstract description 6
- 230000001186 cumulative effect Effects 0.000 claims abstract description 4
- 241000256844 Apis mellifera Species 0.000 claims description 126
- 239000003921 oil Substances 0.000 claims description 68
- 239000007789 gas Substances 0.000 claims description 27
- 238000005215 recombination Methods 0.000 claims description 21
- 230000006798 recombination Effects 0.000 claims description 15
- 239000012530 fluid Substances 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 12
- 239000011435 rock Substances 0.000 claims description 12
- 238000006073 displacement reaction Methods 0.000 claims description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 6
- 239000010779 crude oil Substances 0.000 claims description 6
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 6
- 230000006872 improvement Effects 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 claims description 5
- 230000015572 biosynthetic process Effects 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 claims description 3
- 101000911390 Homo sapiens Coagulation factor VIII Proteins 0.000 claims description 3
- 230000000739 chaotic effect Effects 0.000 claims description 3
- 102000057593 human F8 Human genes 0.000 claims description 3
- 239000003345 natural gas Substances 0.000 claims description 3
- 229940047431 recombinate Drugs 0.000 claims description 3
- 238000010025 steaming Methods 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 238000004134 energy conservation Methods 0.000 claims 1
- 239000011148 porous material Substances 0.000 claims 1
- 239000004575 stone Substances 0.000 claims 1
- 230000035699 permeability Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 240000008543 Ficus hispida Species 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012913 prioritisation Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 2
- 239000004519 grease Substances 0.000 description 2
- 235000012907 honey Nutrition 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 241000256837 Apidae Species 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000002615 epidermis Anatomy 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 239000003129 oil well Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 210000003491 skin Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Feedback Control In General (AREA)
- Complex Calculations (AREA)
Abstract
本发明涉及的是基于改进人工蜂群算法的注汽锅炉配汽优化方法，它建立了蒸汽驱注汽锅炉配汽优化数学模型，引入混沌优化算子产生人工蜂群算法的初始解，依据雇佣蜂的贡献度对雇佣蜂进行自适应动态重组，保证种群的多样性，同时引入极值扰动算子对雇佣蜂个体极值和全局最优值实施随机扰动；在改进人工蜂群算法求解过程中，不同蒸汽驱注汽锅炉配汽方案对应于不同的食物源，每个食物源的适应度用建立的蒸汽驱注汽锅炉配汽优化数学模型获取的累积油汽比进行评价，最后得到的具有最大累积油汽比的食物源即为最优的蒸汽驱注汽锅炉配汽方案。本发明利用改进的人工蜂群算法对注汽锅炉配汽的主要参数即各井组每天的注汽量进行优化，获得最优解。
Description
技术领域
本发明涉及油汽田开发优化应用领域蒸汽驱开采过程中注汽锅炉配汽方案的优化，具体涉及基于改进人工蜂群算法的注汽锅炉配汽优化方法。
背景技术
随着全球经济的不断发展，人们对石油的需求越来越多。但是，可利用的石油资源随着不断的开釆也逐渐减少，因此如何高效开采稠油油藏变得越来越重要。蒸汽驱作为开采稠油油藏的一种行之有效的方法，可取得较好的开发效果，是稠油油藏开采的主要发展方向。蒸汽驱是将水蒸汽作为热能载体注入地层加热稠油，大幅度降低稠油粘度，将原油驱动至生产井采出，提高原油流动能力，从而提高原油产量和采收率。它已成为世界范围内的开采稠油的主要技术之一。
注汽锅炉别名湿蒸汽发生器，是油田注蒸汽热采的关键设备。注汽锅炉将高温高压的湿蒸汽注入油井，实现油层中原油温度的升高，降低粘稠度，将稠油的流动性增强，使原油的开采率可以得到大幅度提升。在蒸汽驱开采过程中，一个注汽锅炉可以同时对多个井组连续注入蒸汽。如果井组注汽量过高，蒸汽在地层中推进速度快，只能驱扫流度较大的部位，且使蒸汽过快地窜入生产井，蒸汽波及程度低，影响蒸汽驱开发效果。如果井组注汽量过低，又将使蒸汽所携带的热量大量地散失到上下盖层，热量损失较大，降低了蒸汽驱开发效果。注汽量是蒸汽驱施工方案中非常重要的参数，较好地确定这个参数可以提高采收率并且能有效延长生产井寿命，获得蒸汽驱油藏最大采收率和最佳经济效果。
目前，在蒸汽驱开采过程中，注汽锅炉为多个井组平均地分配注汽量。由于每个井组的油藏情况不同，注汽锅炉平均分配注汽量，这样有的井组注汽量过高，有的井组注汽量过低，生产效果不是很理想。随着蒸汽驱开采规模的不断扩大，注汽锅炉如何为多个井组优化地分配注汽量，提高各个井组的经济效益，己成为一个亟待解决的问题。由于蒸汽驱注汽锅炉配汽优化是一个复杂的多因素交叉影响的非线性动态优化问题，因此按照传统的方法求解配汽优化方案是非常困难的。
人工蜂群算法是一种高效的群智能算法。它模仿蜜蜂的采蜜行为进行搜索，蜜蜂根据各自的分工进行不同的活动，并实现蜂群信息的共享和交流，从而找到问题的最优解。它具有控制参数少、全局优化能力强、易于实现等优点。人工蜂群算法已被证明在某些应用领域比粒子群优化(PSO)算法和差分进化(DE)算法更有效，广泛地用于解决各种优化问题，包括各类工程优化问题。然而，与其他优化算法一样，人工蜂群算法也存在收敛速度慢的问题。
发明内容
本发明的目的是提供基于改进人工蜂群算法的注汽锅炉配汽优化方法，这种基于改进人工蜂群算法的注汽锅炉配汽优化方法用于解决在蒸汽驱开采过程中现有注汽锅炉配汽方案不合理的问题。
本发明解决其技术问题所采用的技术方案是：这种基于改进人工蜂群算法的注汽锅炉配汽优化方法：
步骤一：建立蒸汽驱注汽锅炉配汽优化数学模型；
在稠油蒸汽驱中，一个注汽锅炉同时为多个井组连续注入蒸汽，根据质量守恒和能量守恒原理，建立蒸汽驱注汽锅炉配汽优化数学模型，该模型满足以下假设条件：①经过几个蒸汽吞吐周期后，地层压力小于5MPa，适于进行蒸汽驱开采；②驱替过程是均质油藏中的一维流动过程，油层厚度大于10m；③油藏中的流体分为蒸汽区、热流体区、原油富集区、原始油藏区4个区，且各自向前推进，各区之间不存在过渡区，当某一区不存在时，其顺序不会改变；④油藏流体和岩石是不可压缩的，且在流动过程中不发生化学反应；⑤蒸汽区中不存在天然气和蒸汽，只存在不流动油和蒸汽(水)；⑥油藏上下盖层性质相同且只有垂向热损失；以各井组累积油汽比之和为优化目标，建立了目标函数F：
Vkp＝AkT·hkn·φk (4)
式中：F为待优化性能指标函数，fk表示第k个井组n个月累积油汽比；n为蒸汽驱连续注入蒸汽时间，单位为月；num为注汽锅炉同时注入蒸汽的井组数；xki(i＝1,2,3,…,n)为第k个井组第i个月每天的注汽量，单位为m3；Nkp为第k个井组n个月累积产油量，单位为m3；EkRo为第k个井组油的综合驱替系数；Rks为第k个井组溶解气油比，单位为m3/m3；Skoi为第k个井组原始含油饱和度；ρkoi为第k个井组原始油密度，单位为kg/m3；Vkp为第k个井组孔隙体积，单位为m3；ρkgsc为第k个井组气体在标准状况下的密度，单位为kg/m3；AkT为第k个井组井网面积，单位为m2；hkn为第k个井组油层有效厚度，单位为m；φk为第k个井组孔隙度；EkA为第k个井组面积扫油效率；为第k个井组油相拟驱替效率；WkJ为第k个井组累积注入蒸汽量，单位为m3；monthi为第i个月的天数，单位为d；
模型约束条件：
xmin≤xki≤xmax(k＝1,2,3,…,num,i＝1,2,…,n) (7)
式中：xmin为井组每天最小注汽量，单位为m3；xmax为井组每天最大注汽量，单位为m3；xki为第k个井组第i个月每天的注汽量，单位为m3；GL为注汽锅炉每天提供的总蒸汽量，单位为m3；
目标函数式(1)和约束条件式(7)、式(8)构成蒸汽驱注汽锅炉配汽方案优化数学模型；
步骤二：获取某稠油油藏区各井组的油藏描述、地层原始条件、地下流体属性、地下岩石属性、注入井、生产井相关参数；
步骤三：设定改进人工蜂群算法参数，所述的改进人工蜂群算法参数包括：种群规模SN，蜜源个数N，维数D，最大迭代次数Iter_Max，限制次数Limit，食物源的取值范围[min,max]，雇佣蜂个体极值停滞步数阈值Tid，全局最优值停滞步数阈值Tgd；
步骤四：初始迭代次数iter＝0，按照混沌优化算子产生初始解Xi＝(xi,1,xi,2,...,xi,D)，i＝1,2,…,SN；
步骤五：根据公式(1)计算解Xi(i＝1,2,…,SN)的适应度值f(Xi)，保存种群最优解Pgbest；
步骤六：雇佣蜂i利用式(9)进行解更新，产生新解Vi，计算适应度值f(Vi)；如果新解Vi比Xi好，则Xi＝Vi，trial(i)＝0；否则原解Xi不变，trial(i)＝trial(i)+1；
vi,j＝xi,j+φi,j·(xi,j-xk,j) (9)
式中：φi,j是[-1,1]间的随机数；k∈{1,2,…,SN}是随机选择的一个解，且k≠i；j∈{1,2,…,D}是随机选择的一个维度，trial(i)记录雇佣蜂i的解Xi的适应度值f(Xi)连续limit次没有改变的次数
步骤七：观察蜂按照轮盘赌选择机制，依据式(10)计算选择概率p(Xi)，选出具有较优适应度值的蜜蜂个体，然后由式(9)搜索产生一个新解Vi，计算适应度值f(Vi)；如果新解Vi比Xi好，则Xi＝Vi，trial(i)＝0；否则原解Xi不变，trial(i)＝trial(i)+1；
式中：f(Xi)为解Xi的适应度值；
步骤八：如果trial(i)＞Limit，则雇佣蜂i被舍弃，变成侦察蜂，利用公式(11)产生一个新的解Xi，trial(i)＝0；
xi,j＝xmin,j+rand(0,1)·(xmax,j-xmin,j) (11)
式中：rand(0,1)是位于[0,1]间的一个随机数，xmin,j和xmax,j分别是第j维变量的最小值和最大值；
步骤九：执行自适应动态重组算子，保存较好解；
步骤十：执行极值扰动算子，保存种群最优解和雇佣蜂个体极值；
步骤十一：计算iter＝iter+1，判断iter＞Iter_Max是否满足，若满足则输出最优解，否则跳到步骤六。
上述方案步骤四中混沌优化算子为：
混沌搜索是将混沌状态引入优化变量中，通过施加混沌扰动，使其按系统内在规律进行遍历，公式如下：
yn+1＝μ·yn·(1-yn) (12)
式中：μ是混沌吸引子，当μ＝4时，系统进入混沌状态，生成混沌变量yn(n＝1,2,...)，其值在[0,1]区间内变化；
混沌优化算子具体实现过程如下：
步骤1：初始化种群个数N，控制参数μ＝4，i＝1；
步骤2：随机产生y0＝(y01,y02,…,y0D)，其中D为优化问题的维数，y0中不能包含0.25、0.5和0.75这3个数值。
步骤3：按照式(12)生成yi＝(yi1,yi2,…,yiD)；
步骤4：按照式(13)将yi映射为种群个体Xi＝(xi1,xi2,…,xiD)；
xi,j＝xmin,j+yi,j·(xmax,j-xmin,j) (13)
步骤5：计算i＝i+1，判断i＞N，满足条件则结束，否则返回步骤3。
上述方案步骤九中自适应动态重组算子为：
设雇佣蜂共有m个，每次迭代后，雇佣蜂个体极值修改的个数为s，则公式(14)中η表示整个雇佣蜂的贡献度，
η＝s/m (14)
该算子依据贡献度η，利用差分算法思想，实现雇佣蜂的自适应动态重组。首先，分别应用公式(15)和(16)，确定雇佣蜂重组的个数N和幅度F；然后，随机选择3个雇佣蜂Xi、Xr1和Xr2，应用公式(17)计算Xi重组后雇佣蜂X'i；最后，比较X'i与Xi，保留较好的，
N＝(1-η)·m (15)
X'i＝Xi+F·(Xr1-Xr2) (17)
式(15)和(16)看出贡献度η越小，重组的雇佣蜂个数越多，重组的幅度越大，重组后的新雇佣蜂X'i与原雇佣蜂Xi变化的程度也就越大，帮助跳出局部最优，加快收敛速度；反之，贡献度η越大，重组的雇佣蜂个数越少，重组的幅度也越小，重组后的新雇佣蜂X'i与原雇佣蜂Xi变化的程度也就越小，有助于开采更高精度的解。
上述方案步骤十中极值扰动算子为：
极值扰动公式为
式中：为第i个雇佣蜂的个体极值，为第i个雇佣蜂扰动后的个体极值；Pgbest为全局最优值，P'gbest为扰动后全局最优值；tid和tgd分别为雇佣蜂个体极值和全局最优值进化停滞步数；Tid和Tgd分别为雇佣蜂个体极值和全局最优值需要扰动的停滞步数阈值；U(0,1)为均匀分布在[0,1]之间的随机数。
本发明具有以下有益效果：
1、本发明利用改进的人工蜂群算法对注汽锅炉配汽的主要参数即各井组每天的注汽量进行优化，获得最优解。该方法操作更简单，收敛速度更快，参数优化更精确，因此，该方法实施后，能够更精确优化注汽锅炉为各井组每天分配的注汽量，实现注汽锅炉配汽方案动态调整，指导注汽锅炉配汽方案合理编制，最大限度地提高采收率，提高经济效益。
2、本发明提供了一种自适应动态重组的混沌极值扰动人工蜂群算法。该算法引入混沌优化算子产生初始解，依据雇佣蜂的贡献度对雇佣蜂进行自适应动态重组，保证种群的多样性，同时引入极值扰动算子对雇佣蜂个体极值和全局最优值实施随机扰动，加快了收敛速度，提高了种群的可进化能力。
3、本发明具有智能化的特征，缩短了注汽锅炉配汽参数调整的时间，提高了注汽锅炉配汽方案优化的自动化程度，提高各个井组的累积油汽比。
4、本发明用于稠油油藏区确定蒸汽驱注汽锅炉配汽方案，为一种注汽锅炉在蒸汽驱多个井组中优化分配蒸汽的确定方法，解决了现有注汽锅炉在蒸汽驱多个井组中分配蒸汽方案非最优的问题。
附图说明
图1为本发明的流程图。
图2辽河齐40块油田，井组1累积油汽比对比图(采用本发明的优化方法与现有方法性能比较)。(注：ABC算法指的是标准的人工蜂群算法)。
图3辽河齐40块油田，井组2累积油汽比对比图(采用本发明的优化方法与现有方法性能比较)。(注：ABC算法指的是标准的人工蜂群算法)。
图4辽河齐40块油田，井组3累积油汽比对比图(采用本发明的优化方法与现有方法性能比较)。(注：ABC算法指的是标准的人工蜂群算法)。
图5辽河齐40块油田，井组4累积油汽比对比图(采用本发明的优化方法与现有方法性能比较)。(注：ABC算法指的是标准的人工蜂群算法)。
具体实施方式
下面结合附图对本发明作进一步的说明：
参阅图1，这种基于改进人工蜂群算法的注汽锅炉配汽优化方法：
步骤一：建立蒸汽驱注汽锅炉配汽优化数学模型，该蒸汽驱注汽锅炉配汽优化数学模型是依据质量守恒定律和能量守恒定律得到的解析模型。
在稠油蒸汽驱中，一个注汽锅炉同时为多个井组连续注入蒸汽，根据质量守恒和能量守恒原理，建立蒸汽驱注汽锅炉配汽优化数学模型，该模型满足以下假设条件：①经过几个蒸汽吞吐周期后，地层压力小于5MPa，适于进行蒸汽驱开采；②驱替过程是均质油藏中的一维流动过程，油层厚度大于10m；③油藏中的流体分为蒸汽区、热流体区、原油富集区、原始油藏区4个区，且各自向前推进，各区之间不存在过渡区，当某一区不存在时，其顺序不会改变；④油藏流体和岩石是不可压缩的，且在流动过程中不发生化学反应；⑤蒸汽区中不存在天然气和蒸汽，只存在不流动油和蒸汽(水)；⑥油藏上下盖层性质相同且只有垂向热损失；以各井组累积油汽比之和为优化目标，建立了目标函数F：
Vkp＝AkT·hkn·φk (4)
式中：F为待优化性能指标函数，fk表示第k个井组n个月累积油汽比；n为蒸汽驱连续注入蒸汽时间，单位为月；num为注汽锅炉同时注入蒸汽的井组数；xki(i＝1,2,3,…,n)为第k个井组第i个月每天的注汽量，单位为m3；Nkp为第k个井组n个月累积产油量，单位为m3；EkRo为第k个井组油的综合驱替系数；Rks为第k个井组溶解气油比，单位为m3/m3；Skoi为第k个井组原始含油饱和度；ρkoi为第k个井组原始油密度，单位为kg/m3；Vkp为第k个井组孔隙体积，单位为m3；ρkgsc为第k个井组气体在标准状况下的密度，单位为kg/m3；AkT为第k个井组井网面积，单位为m2；hkn为第k个井组油层有效厚度，单位为m；φk为第k个井组孔隙度；EkA为第k个井组面积扫油效率；为第k个井组油相拟驱替效率；WkJ为第k个井组累积注入蒸汽量，单位为m3；monthi为第i个月的天数，单位为d；
模型约束条件：
xmin≤xki≤xmax(k＝1,2,3,…,num,i＝1,2,…,n) (7)
式中：xmin为井组每天最小注汽量，单位为m3；xmax为井组每天最大注汽量，单位为m3；xki为第k个井组第i个月每天的注汽量，单位为m3；GL为注汽锅炉每天提供的总蒸汽量，单位为m3；
目标函数式(1)和约束条件式(7)、式(8)构成蒸汽驱注汽锅炉配汽方案优化数学模型；
步骤二：获取某稠油油藏区各井组的油藏描述、地层原始条件、地下流体属性、地下岩石属性、注入井、生产井相关参数；
步骤三：设定改进人工蜂群算法参数，所述的改进人工蜂群算法参数包括：种群规模SN，蜜源个数N，维数D，最大迭代次数Iter_Max，限制次数Limit，食物源的取值范围[min,max]，雇佣蜂个体极值停滞步数阈值Tid，全局最优值停滞步数阈值Tgd；
步骤四：初始迭代次数iter＝0，按照混沌优化算子产生初始解Xi＝(xi,1,xi,2,...,xi,D)，i＝1,2,…,SN；
本步骤中在改进人工蜂群算法中提出了混沌优化算子，
混沌搜索是将混沌状态引入优化变量中，通过施加混沌扰动，使其按系统内在规律进行遍历，公式如下：
yn+1＝μ·yn·(1-yn) (12)
式中：μ是混沌吸引子。当μ＝4时，系统进入混沌状态，生成混沌变量yn(n＝1,2,...)，其值在[0,1]区间内变化。
该算子具体实现过程如下：
步骤1：初始化种群个数N，控制参数μ＝4，i＝1。
步骤2：随机产生y0＝(y01,y02,…,y0D)，其中D为优化问题的维数，y0中不能包含0.25、0.5和0.75这3个数值。
步骤3：按照式(12)生成yi＝(yi1,yi2,…,yiD)；
步骤4：按照式(13)将yi映射为种群个体Xi＝(xi1,xi2,…,xiD)；
xi,j＝xmin,j+yi,j·(xmax,j-xmin,j) (13)
步骤5：计算i＝i+1，判断i＞N，满足条件则结束，否则返回步骤3。
步骤五：根据公式(1)计算解Xi(i＝1,2,…,SN)的适应度值f(Xi)，保存种群最优解Pgbest；
步骤六：雇佣蜂i利用式(9)进行解更新，产生新解Vi，计算适应度值f(Vi)；如果新解Vi比Xi好，则Xi＝Vi，trial(i)＝0；否则原解Xi不变，trial(i)＝trial(i)+1；
vi,j＝xi,j+φi,j·(xi,j-xk,j) (9)
式中：φi,j是[-1,1]间的随机数；k∈{1,2,…,SN}是随机选择的一个解，且k≠i；j∈{1,2,…,D}是随机选择的一个维度，trial(i)记录雇佣蜂i的解Xi的适应度值f(Xi)连续limit次没有改变的次数
步骤七：观察蜂按照轮盘赌选择机制，依据式(10)计算选择概率p(Xi)，选出具有较优适应度值的蜜蜂个体，然后由式(9)搜索产生一个新解Vi，计算适应度值f(Vi)；如果新解Vi比Xi好，则Xi＝Vi，trial(i)＝0；否则原解Xi不变，trial(i)＝trial(i)+1；
式中：f(Xi)为解Xi的适应度值；
步骤八：如果trial(i)＞Limit，则雇佣蜂i被舍弃，变成侦察蜂，利用公式(11)产生一个新的解Xi，trial(i)＝0；
xi,j＝xmin,j+rand(0,1)·(xmax,j-xmin,j) (11)
式中：rand(0,1)是位于[0,1]间的一个随机数，xmin,j和xmax,j分别是第j维变量的最小值和最大值；
步骤九：执行自适应动态重组算子，保存较好解；
本步骤在改进人工蜂群算法中提出了自适应动态重组算子。
设雇佣蜂共有m个，每次迭代后，雇佣蜂个体极值修改的个数为s，则公式(14)中η表示整个雇佣蜂的贡献度。
η＝s/m (14)
该算子依据贡献度η，利用差分算法思想，实现雇佣蜂的自适应动态重组。首先，分别应用公式(15)和(16)，确定雇佣蜂重组的个数N和幅度F；然后，随机选择3个雇佣蜂Xi、Xr1和Xr2，应用公式(17)计算Xi重组后雇佣蜂X'i；最后，比较X'i与Xi，保留较好的。
N＝(1-η)·m (15)
X'i＝Xi+F·(Xr1-Xr2) (17)
式(15)和(16)可以看出贡献度η越小，重组的雇佣蜂个数越多，重组的幅度越大，重组后的新雇佣蜂X'i与原雇佣蜂Xi变化的程度也就越大，可以帮助跳出局部最优，加快收敛速度；反之，贡献度η越大，重组的雇佣蜂个数越少，重组的幅度也越小，重组后的新雇佣蜂X'i与原雇佣蜂Xi变化的程度也就越小，有助于开采更高精度的解。
步骤十：执行极值扰动算子，保存种群最优解和雇佣蜂个体极值；
本步骤在改进人工蜂群算法中提出了极值扰动算子。
极值扰动公式为
式中：为第i个雇佣蜂的个体极值，为第i个雇佣蜂扰动后的个体极值；Pgbest为全局最优值，P'gbest为扰动后全局最优值；tid和tgd分别为雇佣蜂个体极值和全局最优值进化停滞步数；Tid和Tgd分别为雇佣蜂个体极值和全局最优值需要扰动的停滞步数阈值；U(0,1)为均匀分布在[0,1]之间的随机数。
步骤十一：计算iter＝iter+1，判断iter＞Iter_Max是否满足，若满足则输出最优解，否则跳到步骤六。
本发明的原理：人工蜂群算法是一种高效的群智能算法。它模仿蜜蜂的采蜜行为进行搜索，蜜蜂根据各自的分工进行不同的活动，并实现蜂群信息的共享和交流，从而找到问题的最优解。人工蜂群算法包含了3种不同类型的蜜蜂：雇佣蜂、观察蜂和侦察蜂。雇佣蜂负责寻找新的解，并且将得到的寻找信息传递给观察蜂；观察蜂共享雇佣蜂的信息后，以某种算法选择一个较好的解，继续进行新的搜索；如果雇佣蜂的解在连续limit次没有改变，那么它将变成侦察蜂，并且它的解被舍弃，然后侦察蜂随机搜寻新的解。
虽然人工蜂群算法在许多优化问题中都表现出优于粒子群(PSO)、差分进化(DE)等算法的性能，较好的平衡了探索和开采的能力。但是由于进化方式和选择策略的影响，使算法在快速收敛的同时，增加了限入局部最优或早熟收敛的概率。为了克服上述缺陷，本发明提出的自适应动态重组的混沌极值扰动人工蜂群算法可有效地解决上述问题。该算法引入混沌优化算子产生初始解，依据雇佣蜂的贡献度对雇佣蜂进行自适应动态重组，保证种群的多样性，同时引入极值扰动算子对雇佣蜂个体极值和全局最优值实施随机扰动，加快了收敛速度，提高了种群的可进化能力。
保密性实验：利用本发明所述方法对辽河齐40块油田注汽锅炉配汽优化。
以辽河齐40块油田的某注汽锅炉为例，该锅炉同时为井组1、井组2、井组3、井组4连续66月注入蒸汽，下面分以下步骤具体说明本发明的实施方式。
步骤一：建立蒸汽驱注汽锅炉配汽优化数学模型；
步骤二：获取辽河齐40块油田油藏区的各井组油藏描述(井网面积、油层深度、油层有效厚度、油层总厚度、渗透率、孔隙度、岩石导热率)、地层原始条件(地层原始压力、地层原始温度、地层原始水饱和度、地层原始油饱和度、地层原始气饱和度)、地下流体属性(地下油密度、地下气体密度、溶解汽油比、地面条件下原油粘度)、地下岩石属性(水渗透率指数、油渗透率指数、气渗透率指数、蒸汽渗透率指数、残余水饱和度、水相残余油饱和度、气相残余油饱和度、在油水曲线上水的端点相对渗透率、在油水曲线上油的端点相对渗透率、在油气曲线上气的端点相对渗透率)、注入井和生产井(注汽压力、绝热层半径、注汽管子外半径、套管外半径、注汽井水泥环外半径、采油井半径、注汽井表皮因子、采油井表皮因子)相关参数。
步骤三：利用本发明所述方法对辽河齐40块油田注汽锅炉配汽优化时，指定的改进人工蜂群算法各相关参数值见表1。
表1辽河齐40块油田注汽锅炉配汽方案优化时改进人工蜂群算法相关参数设置
步骤四：初始迭代次数iter＝0，按照混沌优化算子产生初始解Xi＝(xi,1,xi,2,...,xi,D)，i＝1,2,…,SN；
步骤五：根据建立的蒸汽驱注汽锅炉配汽优化数学模型，计算每个解的适应度值f(Xi)，保存种群最优解Pgbest；
步骤六：雇佣蜂i(i＝1,2,…,N)进行解更新，产生新解Vi，计算适应度值f(Vi)；如果新解Vi比Xi好，则Xi＝Vi，trial(i)＝0；否则原解Xi不变，trial(i)＝trial(i)+1；
步骤七：观察蜂按照轮盘赌选择机制，计算选择概率p(Xi)，选出具有较优适应度值的蜜蜂个体，然后搜索产生一个新解Vi，计算适应度值f(Vi)；如果新解Vi比Xi好，则Xi＝Vi，trial(i)＝0；否则原解Xi不变，trial(i)＝trial(i)+1；
步骤八：如果trial(i)＞Limit，则雇佣蜂i被舍弃，变成侦察蜂，产生一个新的解Xi，trial(i)＝0；
步骤九：依据贡献度η，利用差分算法思想，实现雇佣蜂的自适应动态重组，保存较好解；
步骤十：执行极值扰动算子，保存种群最优解和雇佣蜂个体极值；
步骤十一：计算iter＝iter+1，判断iter＞Iter_Max是否满足，若满足则输出最优解，否则跳到步骤六。
本发明具有智能化的特征，缩短了注汽锅炉配汽参数调整的时间，提高了注汽锅炉配汽方案优化的自动化程度，提高各个井组的累积油汽比。表2是以现有注汽锅炉配汽方案与本发明优化方案对比，其中本发明优化方案的累积油汽比相对于现有方案井组1提高了8.97％，井组2提高了9.52％，井组3提高了11.42％，井组4提高了16.76％。本发明与常规方法相比，辽河齐40块油田的各井组累积油汽比均有不同程度的提高，说明采用此优化方案可以有效地提高油田的经济效益。
表2辽河齐40块油田现有方案和优化方案模拟运行66个月的性能指标结果
Claims (4)
1.一种基于改进人工蜂群算法的注汽锅炉配汽优化方法，其特征在于：这种基于改进人工蜂群算法的注汽锅炉配汽优化方法：
步骤一：建立蒸汽驱注汽锅炉配汽优化数学模型；
在稠油蒸汽驱中，一个注汽锅炉同时为多个井组连续注入蒸汽，根据质量守恒和能量守恒原理，建立蒸汽驱注汽锅炉配汽优化数学模型，该模型满足以下假设条件：①经过几个蒸汽吞吐周期后，地层压力小于5MPa，适于进行蒸汽驱开采；②驱替过程是均质油藏中的一维流动过程，油层厚度大于10m；③油藏中的流体分为蒸汽区、热流体区、原油富集区、原始油藏区4个区，且各自向前推进，各区之间不存在过渡区，当某一区不存在时，其顺序不会改变；④油藏流体和岩石是不可压缩的，且在流动过程中不发生化学反应；⑤蒸汽区中不存在天然气和蒸汽，只存在不流动油和蒸汽(水)；⑥油藏上下盖层性质相同且只有垂向热损失；以各井组累积油汽比之和为优化目标，建立了目标函数F：
Vkp＝AkT·hkn·φk (4)
式中：F为待优化性能指标函数，fk表示第k个井组n个月累积油汽比；n为蒸汽驱连续注入蒸汽时间，单位为月；num为注汽锅炉同时注入蒸汽的井组数；xki(i＝1,2,3,…,n)为第k个井组第i个月每天的注汽量，单位为m3；Nkp为第k个井组n个月累积产油量，单位为m3；EkRo为第k个井组油的综合驱替系数；Rks为第k个井组溶解气油比，单位为m3/m3；Skoi为第k个井组原始含油饱和度；ρkoi为第k个井组原始油密度，单位为kg/m3；Vkp为第k个井组孔隙体积，单位为m3；ρkgsc为第k个井组气体在标准状况下的密度，单位为kg/m3；AkT为第k个井组井网面积，单位为m2；hkn为第k个井组油层有效厚度，单位为m；φk为第k个井组孔隙度；EkA为第k个井组面积扫油效率；为第k个井组油相拟驱替效率；WkJ为第k个井组累积注入蒸汽量，单位为m3；monthi为第i个月的天数，单位为d；
模型约束条件：
xmin≤xki≤xmax (k＝1,2,3,…,num,i＝1,2,…,n) (7)
式中：xmin为井组每天最小注汽量，单位为m3；xmax为井组每天最大注汽量，单位为m3；xki为第k个井组第i个月每天的注汽量，单位为m3；GL为注汽锅炉每天提供的总蒸汽量，单位为m3；
目标函数式(1)和约束条件式(7)、式(8)构成蒸汽驱注汽锅炉配汽方案优化数学模型；
步骤二：获取某稠油油藏区各井组的油藏描述、地层原始条件、地下流体属性、地下岩石属性、注入井、生产井相关参数；
步骤三：设定改进人工蜂群算法参数，所述的改进人工蜂群算法参数包括：种群规模SN，蜜源个数N，维数D，最大迭代次数Iter_Max，限制次数Limit，食物源的取值范围[min,max]，雇佣蜂个体极值停滞步数阈值Tid，全局最优值停滞步数阈值Tgd；
步骤四：初始迭代次数iter＝0，按照混沌优化算子产生初始解Xi＝(xi,1,xi,2,...,xi,D)，i＝1,2,…,SN；
步骤五：根据公式(1)计算解Xi(i＝1,2,…,SN)的适应度值f(Xi)，保存种群最优解Pgbest；
步骤六：雇佣蜂i利用式(9)进行解更新，产生新解Vi，计算适应度值f(Vi)；如果新解Vi比Xi好，则Xi＝Vi，trial(i)＝0；否则原解Xi不变，trial(i)＝trial(i)+1；
vi,j＝xi,j+φi,j·(xi,j-xk,j) (9)
式中：φi,j是[-1,1]间的随机数；k∈{1,2,…,SN}是随机选择的一个解，且k≠i；j∈{1,2,…,D}是随机选择的一个维度，trial(i)记录雇佣蜂i的解Xi的适应度值f(Xi)连续limit次没有改变的次数；
步骤七：观察蜂按照轮盘赌选择机制，依据式(10)计算选择概率p(Xi)，选出具有较优适应度值的蜜蜂个体，然后由式(9)搜索产生一个新解Vi，计算适应度值f(Vi)；如果新解Vi比Xi好，则Xi＝Vi，trial(i)＝0；否则原解Xi不变，trial(i)＝trial(i)+1；
式中：f(Xi)为解Xi的适应度值；
步骤八：如果trial(i)＞Limit，则雇佣蜂i被舍弃，变成侦察蜂，利用公式(11)产生一个新的解Xi，trial(i)＝0；
xi,j＝xmin,j+rand(0,1)·(xmax,j-xmin,j) (11)
式中：rand(0,1)是位于[0,1]间的一个随机数，xmin,j和xmax,j分别是第j维变量的最小值和最大值；
步骤九：执行自适应动态重组算子，保存较好解；
步骤十：执行极值扰动算子，保存种群最优解和雇佣蜂个体极值；
步骤十一：计算iter＝iter+1，判断iter＞Iter_Max是否满足，若满足则输出最优解，否则跳到步骤六。
2.根据权利要求1所述的基于改进人工蜂群算法的注汽锅炉配汽优化方法，其特征在于：所述的步骤四中混沌优化算子为：
混沌搜索是将混沌状态引入优化变量中，通过施加混沌扰动，使其按系统内在规律进行遍历，公式如下：
yn+1＝μ·yn·(1-yn) (12)
式中：μ是混沌吸引子，当μ＝4时，系统进入混沌状态，生成混沌变量yn(n＝1,2,...)，其值在[0,1]区间内变化；
混沌优化算子具体实现过程如下：
步骤1：初始化种群个数N，控制参数μ＝4，i＝1；
步骤2：随机产生y0＝(y01,y02,…,y0D)，其中D为优化问题的维数，y0中不能包含0.25、0.5和0.75这3个数值。
步骤3：按照式(12)生成yi＝(yi1,yi2,…,yiD)；
步骤4：按照式(13)将yi映射为种群个体Xi＝(xi1,xi2,…,xiD)；
xi,j＝xmin,j+yi,j·(xmax,j-xmin,j) (13)
步骤5：计算i＝i+1，判断i＞N，满足条件则结束，否则返回步骤3。
3.根据权利要求2所述的基于改进人工蜂群算法的注汽锅炉配汽优化方法，其特征在于：所述的步骤九中自适应动态重组算子为：
设雇佣蜂共有m个，每次迭代后，雇佣蜂个体极值修改的个数为s，则公式(14)中η表示整个雇佣蜂的贡献度，
η＝s/m (14)
该算子依据贡献度η，利用差分算法思想，实现雇佣蜂的自适应动态重组。首先，分别应用公式(15)和(16)，确定雇佣蜂重组的个数N和幅度F；然后，随机选择3个雇佣蜂Xi、Xr1和Xr2，应用公式(17)计算Xi重组后雇佣蜂X′i；最后，比较X′i与Xi，保留较好的，
N＝(1-η)·m (15)
X′i＝Xi+F·(Xr1-Xr2) (17)
式(15)和(16)看出贡献度η越小，重组的雇佣蜂个数越多，重组的幅度越大，重组后的新雇佣蜂X′i与原雇佣蜂Xi变化的程度也就越大，帮助跳出局部最优，加快收敛速度；反之，贡献度η越大，重组的雇佣蜂个数越少，重组的幅度也越小，重组后的新雇佣蜂X′i与原雇佣蜂Xi变化的程度也就越小，有助于开采更高精度的解。
4.根据权利要求3所述的基于改进人工蜂群算法的注汽锅炉配汽优化方法，其特征在于：所述的步骤十中极值扰动算子为：
极值扰动公式为
式中：为第i个雇佣蜂的个体极值，为第i个雇佣蜂扰动后的个体极值；Pgbest为全局最优值，P′gbest为扰动后全局最优值；tid和tgd分别为雇佣蜂个体极值和全局最优值进化停滞步数；Tid和Tgd分别为雇佣蜂个体极值和全局最优值需要扰动的停滞步数阈值；U(0,1)为均匀分布在[0,1]之间的随机数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810108923.7A CN108320102B (zh) | 2018-02-05 | 2018-02-05 | 基于改进人工蜂群算法的注汽锅炉配汽优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810108923.7A CN108320102B (zh) | 2018-02-05 | 2018-02-05 | 基于改进人工蜂群算法的注汽锅炉配汽优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108320102A true CN108320102A (zh) | 2018-07-24 |
| CN108320102B CN108320102B (zh) | 2021-09-28 |
Family
ID=62903249
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810108923.7A Active CN108320102B (zh) | 2018-02-05 | 2018-02-05 | 基于改进人工蜂群算法的注汽锅炉配汽优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108320102B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111986041A (zh) * | 2019-05-22 | 2020-11-24 | 中国石油天然气股份有限公司 | 油藏开发方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102606120A (zh) * | 2012-01-12 | 2012-07-25 | 倪红梅 | 基于随机扰动粒子群算法的蒸汽驱注采方案确定方法 |
| CN104239981A (zh) * | 2014-10-11 | 2014-12-24 | 中冶南方工程技术有限公司 | 一种基于多目标优化算法的能源动态平衡与优化调度方法 |
| CN107145934A (zh) * | 2017-05-09 | 2017-09-08 | 华侨大学 | 一种基于增强局部搜索能力的人工蜂群优化方法 |
| WO2017197626A1 (zh) * | 2016-05-19 | 2017-11-23 | 江南大学 | 改进人工蜂群优化的极限学习机方法 |
-
2018
- 2018-02-05 CN CN201810108923.7A patent/CN108320102B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102606120A (zh) * | 2012-01-12 | 2012-07-25 | 倪红梅 | 基于随机扰动粒子群算法的蒸汽驱注采方案确定方法 |
| CN104239981A (zh) * | 2014-10-11 | 2014-12-24 | 中冶南方工程技术有限公司 | 一种基于多目标优化算法的能源动态平衡与优化调度方法 |
| WO2017197626A1 (zh) * | 2016-05-19 | 2017-11-23 | 江南大学 | 改进人工蜂群优化的极限学习机方法 |
| CN107145934A (zh) * | 2017-05-09 | 2017-09-08 | 华侨大学 | 一种基于增强局部搜索能力的人工蜂群优化方法 |
Non-Patent Citations (3)
| Title |
|---|
| 倪红梅: "基于智能计算的蒸汽驱开发效果预测与参数优化方法研究", 《中国博士学位论文全文数据库 工程科技Ⅰ辑》 * |
| 倪红梅; 刘永建; 李盼池: "基于HABC-RBF神经网络的蒸汽驱预测方法", 《吉林大学学报(信息科学版)》 * |
| 刘文章: "稠油油田由蒸汽吞吐转入蒸汽驱开采的技术策略", 《石油钻采工艺》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111986041A (zh) * | 2019-05-22 | 2020-11-24 | 中国石油天然气股份有限公司 | 油藏开发方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108320102B (zh) | 2021-09-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kumar et al. | Rainwater harvesting in India: some critical issues for basin planning and research | |
| CN103745022B (zh) | 聚合物驱后变流线调整方法 | |
| Axelsson et al. | Sustainable management of geothermal resources | |
| CN104695928B (zh) | 一种裂缝性致密油藏直井体积改造产能评价方法 | |
| CN107527119A (zh) | 基于改进的多目标量子遗传算法的水资源优化调度方法 | |
| Omenda et al. | Country update report for Kenya 2010-2014 | |
| NO335833B1 (no) | Optimalisering av oljebrønnproduksjon med hensyn til reservoar- og finans-usikkerhet | |
| CN107829718A (zh) | 基于均衡水驱理念的油藏井网及注采方案优化设计方法 | |
| Benti et al. | Overview of geothermal resources utilization in Ethiopia: Potentials, opportunities, and challenges | |
| Ikonnikova et al. | Factors influencing shale gas production forecasting: Empirical studies of Barnett, Fayetteville, Haynesville, and Marcellus Shale plays | |
| CN107766978A (zh) | 不规则井网的智能优化方法 | |
| CN109753671A (zh) | 一种基于鱼群算法的油藏精确井位优化方法 | |
| Pratama et al. | Study of sustainable production in two-phase liquid dominated with steam cap underlying brine reservoir by numerical simulation | |
| CN108320102A (zh) | 基于改进人工蜂群算法的注汽锅炉配汽优化方法 | |
| CN108224820A (zh) | 一种干热岩地层井网结构 | |
| Omenda et al. | Geothermal country update report for Kenya: 2014 | |
| Ma et al. | Numerical simulation of the heat production potential of Guide Basin in China considering the heterogeneity and anisotropy of the reservoir | |
| CN109209361A (zh) | 一种裂缝性特低渗透油藏地层参数预测方法 | |
| Phankamolsil et al. | Analysis of Potential Site for Managed Aquifer Recharge Scheme in the Upper Greater Mae Klong Irrigation Project, Thailand | |
| Limin et al. | Development strategy for thin limestone reservoir-a case study of AD oilfield in Iraq | |
| CN116384166B (zh) | 气藏注气提采与协同建库优化方法、系统、设备及介质 | |
| Stefansson et al. | Sustainable utilization of geothermal energy resources | |
| Umar et al. | A review of geothermal energy resources for electricity generation in Oman | |
| Shan et al. | Study on Parameter Optimization During Hot Water Flooding in Ordinary Heavy Oil Reservoirs | |
| Wei et al. | A New Approximate Gradient Algorithm Applied in Constrained Reservoir Production Optimization |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231007 Address after: Room 2202, 22 / F, Wantong building, No. 3002, Sungang East Road, Sungang street, Luohu District, Shenzhen City, Guangdong Province Patentee after: Shenzhen dragon totem technology achievement transformation Co.,Ltd. Address before: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province Patentee before: Dragon totem Technology (Hefei) Co.,Ltd. Effective date of registration: 20231007 Address after: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province Patentee after: Dragon totem Technology (Hefei) Co.,Ltd. Address before: 163319 development road 199, Daqing high tech Development Zone, Heilongjiang Patentee before: NORTHEAST PETROLEUM University |
|
| TR01 | Transfer of patent right |