CN108765562B - 基于三维地质模型的油气产能评价方法 - Google Patents

基于三维地质模型的油气产能评价方法 Download PDF

Info

Publication number
CN108765562B
CN108765562B CN201810550306.2A CN201810550306A CN108765562B CN 108765562 B CN108765562 B CN 108765562B CN 201810550306 A CN201810550306 A CN 201810550306A CN 108765562 B CN108765562 B CN 108765562B
Authority
CN
China
Prior art keywords
productivity
dimensional
oil
capacity
reservoir
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.)
Active
Application number
CN201810550306.2A
Other languages
English (en)
Other versions
CN108765562A (zh
Inventor
包兴
翟志伟
侯红
相兴华
于伟东
石悦
张传达
姬长春
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanxi Institute Of Energy
Original Assignee
Shanxi Institute Of Energy
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanxi Institute Of Energy filed Critical Shanxi Institute Of Energy
Priority to CN201810550306.2A priority Critical patent/CN108765562B/zh
Publication of CN108765562A publication Critical patent/CN108765562A/zh
Application granted granted Critical
Publication of CN108765562B publication Critical patent/CN108765562B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/05—Geographic models
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Geometry (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Development Economics (AREA)
  • Biomedical Technology (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Graphics (AREA)
  • Remote Sensing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明提供了一种基于三维地质模型的油气产能评价方法，在某一研究区块内，获取三维地质参数，择取三维地质建模方法构建三维储层属性体；获取若干已知产能油井的约束参数，根据所述三维储层属性体分别获取所述若干已知产能油井的预测产能；判断所述已知产能油井的预测产能与所述已知产能油井的已知产能的比值达到预定阈值，获取所述研究区块内未知产能油井的约束参数，根据所述三维储层属性体获取所述未知产能油井的预测产能。本发明提供的基于三维地质模型的油气产能评价方法充分考虑储层三维地质的不确定性和非均质性对产能评价的影响，同时加入有关油井产能的约束参数对产能评价的影响，提高了预测精度，降低了油田开发风险。

Description

基于三维地质模型的油气产能评价方法
技术领域
本发明涉及地质勘探开发技术领域，特别是涉及一种基于三维地质模型的油气产能评价方法。
背景技术
油气产能评价与预测是油气勘探和开发领域的一项基本任务，对油气产能进行正确评价不仅可以检验油气勘探的成果，而且能够为油气田开发提供最基本的依据。
目前应用比较多的产能评价方法都是基于数理统计方法的，主要是通过优选出与产能密切相关的因素和已知井点实际产能之间构建复杂的函数关系来进行，以此模式来预测产能。然而该方法存在两点不足之处：(1)传统的数理统计方法预测产能都是基于将井点上采集的参数转换为一维分布，再取目的层段的平均值得到的。这种方式的弊端是转换后的一维分布无法从三维空间的层次上研究岩相变化、砂体的展布规模和展布特征对产能的影响；(2)常规的基于井点上的一维分布数据没有考虑储层三维空间的不确定性和非均质性对产能的影响。
发明内容
基于此，有必要针对上述提到的至少一个问题，提供一种基于三维地质模型的油气产能评价方法。
一种基于三维地质模型的油气产能评价方法，在某一研究区块内，实施以下技术步骤：
获取所述研究区块内的三维地质参数，择取三维地质建模方法构建三维储层属性体；
获取所述研究区块内若干已知产能油井的约束参数，根据所述三维储层属性体分别获取所述若干已知产能油井的预测产能；
判断所述已知产能油井的预测产能与所述已知产能油井的已知产能的比值达到预定阈值，获取所述研究区块内未知产能油井的约束参数，根据所述三维储层属性体获取所述未知产能油井的预测产能。
本发明提供的基于三维地质模型的油气产能评价方法充分考虑储层三维地质的不确定性和非均质性对产能评价的影响，同时加入有关油井产能的约束参数对产能评价的影响，提高了预测精度，降低了油田开发风险。
附图说明
图1为本发明一实施例中基于三维地质模型的油气产能评价方法的流程图；
图2为本发明一实施例中的三维储层属性体择取流程图；
图3为本发明一实施例中的已知产能单井的产能预测流程图；
图4为本发明一实施例中的已知产能油井的产能预测流程图。
具体实施方式
为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的较佳实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容的理解更加透彻全面。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
本发明提供了一种基于三维地质模型的油气产能评价方法，如图1所示，在某一研究区块内，实施技术步骤S100～步骤S300：
步骤S100：获取所述研究区块内的三维地质参数，择取三维地质建模方法构建三维储层属性体。地质模型是一个三维网格体，这些网格建立在表层、断层和层位的基础之上，其决定了储层的构造和几何形态，网格中的每一个节点都有一系列属性，比如孔隙度，渗透率，含油饱和度等等。三维地质建模就是将地质、测井、地球物理资料和各种解释结果或者概念模型综合在一起生成三维定量随机模型。三维地质参数获取自岩心分析数据、测井数据、录井数据和试油数据等，油气产能主要受研究区块内目的层段的物性、含油饱和度和有效厚度控制等因素的影响。油气产能预测方法的基本思想是充分分析研究区域内已有的测井、岩心分析、试油和实际生产等产生的数据的基础上，通过合适的三维地质建模方法建立起储层产能与测井数据之间的函数关系，进而再利用储层的初始静态特征参数评价和预测储层的产能。三维地质建模方法常用的至少有三种：确定性建模方法、序贯指示方法和多点地质统计学方法。其中确定性建模是对井间未知区给出确定性的预测结果，即从已知确定性资料的控制点(井点)出发，推测出点间(井间)确定的、唯一的和真实的储层参数；序贯指示方法序贯指示模拟是指示模拟的典型代表，是一种应用比较广泛的随机模拟方法，既可用于连续变量的模拟又可用于离散或类型变量的模拟。该方法不受正态分布假设的约束，是通过一系列的门槛值，估计某一类型变量或离散化的连续变量低于某一门槛值的概率，以此确定随机变量的分布，其可以在模拟时对不同的变量采用不同的变差函数，从而在模拟过程中同时考虑不同变量的各自特点。多点地质统计学方法是相对于传统的基于变差函数的两点地质统计学而言的，它着重表达多点之间的相关性以弥补两点地质学的不足，该方法综合了基于象元和基于目标算法的优点，应用“训练图像”代替变差函数表达地质变量的空间结构性，训练图像能够较好的体现地下储层的三维形态及展布规律，同时采用非迭代的算法，很容易忠实硬数据，为储层参数的模拟奠定了基础。上述方法的复杂程度有所不同，后期应用时的计算量也有较大差异，首先需要选择出较为适合的三维地质建模方法，在已经获知单井数据的基础上，采用验证建模方法获取的预测值与实际产能值对比的方式挑选出最适合的建模方法，如图2所示，具体步骤为步骤S110～步骤S130：
步骤S110：获取研究区块内某一已知产能单井三维地质参数，选择三维地质建模方法中的一个并据以构建已知产能单井的三维储层属性体。例如，在确定性建模方法、序贯指示方法和多点地质统计学方法中选择确定性建模方法，将三维地质参数应用于确定性建模方法中，即将获取自岩心资料、测井资料、录井资料和动态资料的已知产能单井数据应用到确定性地质模型中，获取到针对该已知产能单井的三维储层属性体。
步骤S120：获取已知产能单井的约束参数，根据已知产能单井的三维储层属性体获取已知产能单井的预测产能。在步骤S110获取到的针对已知产能单井的三维储层属性体基础之上，加入实际生产中的约束参数，如井控范围数据和层控范围数据等，获取针对已知产能单井的预测产能，即采用预测方法获取到一个预测值，如图3所示，详细步骤包括：
步骤S121：选择已知产能单井的三维储层属性体中的产能评价参数作为输入神经元输入到BP神经网络中，构成储层产能预测BP网络模型。根据三维地质建模方法获取的三维储层属性体得到多项产能评价参数，不同三维地质建模方法获取到的产能评价参数会有所不同。神经网络由于采用了人类大脑式的分布式储层方式，因而具有较好的容错性，使得神经网络的预测识别知识是在一定的神经网络结构基础上，根据一定的学习方式，通过向示例自动学习而获得的。BP(Back Propagation)网络是1986年出现的一种基于误差反向传播的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP神经网络具有输入层神经元、输出层神经元，还有一层或多层隐藏层神经元，利用导师学习算法，输入学习样本，使用反向传播算法对网络的权值和偏差进行反复的调整训练，使输出的向量与期望向量尽可能地接近，当网络输出层的误差平方和小于指定的误差时训练完成，记录训练网络的权值和误差。理论上，含有二个隐藏层的BP网络可以满足任意精度近似任何连续非线性函数。优选的，本发明储层产能预测BP网络模型中设有2层结构的隐含层，且每层中设有10个隐层神经元。BP神经网络可以模拟复杂的非线性规律，是分析多元非线性关系一个比较好的方法，详细技术思路、方法和内容相关领域技术人员能够了解，因并非本发明的改进点，在此不作更多赘述。将产能评价参数作为输入神经元输入到BP神经网络中，而把产能预测值作为输出神经元，如此构成储层产能预测BP网络模型。
优选的，产能评价参数可选用储层孔隙度、储层渗透率、储层含油饱和度、储层净毛比(NTG)、渗透率变异系数、渗透率突进系数和渗透率级差等，储层孔隙度是指储层中所含可动流体体积占储层岩石体积的百分比，与产能正相关；储层渗透率是影响储层产能的重要因素，决定了流体在储层中的渗流方向和强度；储层含油饱和度是储层流体中含油量大小的反映，含油饱和度越大，表示储层中流体中的油含量越高；储层净毛比指地质模型中某一岩层平面上某一点处垂向上各网格中对地质储量有贡献的网格岩石体积(或厚度)之和与该层岩石平面上该点处垂向上所有网格岩石总体积(或厚度)的比值。渗透率变异系数是渗透率的标准偏差与渗透率的平均值之比，渗透率突进系数是渗透率的最大值与渗透率的平均值之比。渗透率级差是渗透率的最大值与渗透率的最小值之比。渗透率变异系数、渗透率突进系数和渗透率级差能够反映储层内非均质性对产能预测的影响。
步骤S122：设定储层产能预测BP网络模型的训练迭代次数和收敛误差阈值，获取已知产能单井的预测产能。设置训练迭代次数，可验证获取到的收敛误差是否达到收敛误差阈值，若达到则说明预测产能数据较为可信，但训练迭代次数和收敛误差阈值设置越高，计算量越大，所耗费的时间和对设备的要求就越高。例如，设置某一次单井产能预测的训练迭代次数到11396次时，网络达到设定误差收敛阈值，用时15秒，预测产能与实际产能两者之间的相关系数R2达到了0.9987，效果非常好，验证了网络设计及训练的有效性和准确性，为接下来准确地预测产能提供了技术保证。优选的，经验证，多点地质统计学方法往往能够获得较优的预测值，因而优选多点地质统计学方法为三维地质建模方法。
步骤S130：当判断到已知产能单井的预测产能达到预定单井产能阈值，确定三维地质建模方法为构建三维储层属性体的三维地质建模方法。通过步骤S120获取到一个针对已知产能单井的预测产能，该预测产能是通过择取三维地质建模方法以及相关预测方法获取的预测数据，同时已知产能单井的实际产能为已知数据，将预测产能数值与实际产能数值相比较，就能知道该预测产能所使用的三维地质建模方法是否能够符合要求，预定单井产能阈值为一个范围值，例如日均产能的预定单井产能阈值为0.15吨～0.25吨，预测产能为0.18吨，则说明该三维地质建模方法符合性良好，可用，如预测产能为0.5吨，说明该三维地质建模方法符合性较差，则不可用，需更换其他三维地质建模方法继续进行验证。
步骤S200：获取研究区块内若干已知产能油井的约束参数，根据三维储层属性体分别获取若干已知产能油井的预测产能。通过步骤S100获知应该采取何种三维地质建模方法较为合适，之后需要针对区块内若干已知产能油井进行整体预测，才能够进一步准确地了解研究区块内的储层产能，不同的约束参数，获取到的数值准确性不相同。约束参数包括井控参数和层控参数，井控参数包括平面网格范围，通常采用正方形的形式，如3×3(每个网格边长为300m或30m等)、5×5或7×7等，根据每口油井的生产层位范围设定层控参数。如图4所示，该步骤具体过程为：
步骤S210：选择三维储层属性体中包括的产能评价参数作为输入神经元输入到BP神经网络中，构成储层产能预测BP网络模型。
步骤S220：设定研究区块内的井控参数和层控参数，根据储层产能预测BP网络模型获取到已知产能油井的预测产能。也即将已知产能油井的产能预测值作为BP网络模型输出神经元输出。
步骤S300：判断已知产能油井的预测产能与已知产能油井的已知产能的比值达到预定阈值，获取研究区块内未知产能油井的约束参数，根据三维储层属性体获取未知产能油井的预测产能。上述预定阈值可仅包含产能百分比数据，也可同时包含符合数量百分比数据，例如研究区块内有300口井，已知产能油井为30口，分散在研究区块内，已知产能油井的预测产能为7.2吨/日，实际已知产能为6吨/日，已知产能油井的预测产能与已知产能油井的已知产能的比值为83.3％，而预定阈值为80％，说明上述预测方法和约束参数可用，或者研究区块内已知产能油井30口，预测产能符合预定阈值的已知产能油井有24口，预定阈值中还包含有符合数量百分比70％，则进一步说明上述预测方法和约束参数可用。将未知产能油井的约束参数相应应用到上述预测方法中，即可得出未知产能油井的较为准确的预测产能。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (8)

1.一种基于三维地质模型的油气产能评价方法，其特征在于，在某一研究区块内，实施以下技术步骤：
获取所述研究区块内的三维地质参数，择取三维地质建模方法构建三维储层属性体；
获取所述研究区块内若干已知产能油井的约束参数，根据所述三维储层属性体分别获取所述若干已知产能油井的预测产能；
判断所述已知产能油井的预测产能与所述已知产能油井的已知产能的比值达到预定阈值，获取所述研究区块内未知产能油井的约束参数，根据所述三维储层属性体获取所述未知产能油井的预测产能；
所述择取三维地质建模方法构建三维储层属性体的步骤具体包括：
获取研究区块内某一已知产能单井三维地质参数，选择三维地质建模方法中的一个并据以构建所述已知产能单井的三维储层属性体；
获取所述已知产能单井的约束参数，根据所述已知产能单井的三维储层属性体获取所述已知产能单井的预测产能；
当判断到所述已知产能单井的预测产能达到预定单井产能阈值，确定所述三维地质建模方法为构建三维储层属性体的三维地质建模方法。
2.根据权利要求1所述的基于三维地质模型的油气产能评价方法，其特征在于，所述三维地质建模方法选自确定性建模方法、序贯指示方法和多点地质统计学方法中的一种。
3.根据权利要求1所述的基于三维地质模型的油气产能评价方法，其特征在于，根据所述已知产能单井的三维储层属性体获取所述已知产能单井的预测产能的步骤具体包括：
选择所述已知产能单井的三维储层属性体中的产能评价参数作为输入神经元输入到BP神经网络中，构成储层产能预测BP网络模型；
设定所述储层产能预测BP网络模型的训练迭代次数和收敛误差阈值，获取所述已知产能单井的预测产能。
4.根据权利要求1所述的基于三维地质模型的油气产能评价方法，其特征在于，所述获取所述若干已知产能油井的预测产能的具体步骤包括：
选择所述三维储层属性体中包括的产能评价参数作为输入神经元输入到BP神经网络中，构成储层产能预测BP网络模型；
设定所述研究区块内的井控参数和层控参数，根据所述储层产能预测BP网络模型获取到所述已知产能油井的预测产能。
5.根据权利要求4所述的基于三维地质模型的油气产能评价方法，其特征在于，所述产能评价参数包括储层孔隙度、储层渗透率、储层含油饱和度、储层净毛比、渗透率变异系数、渗透率突进系数和渗透率级差。
6.根据权利要求4所述的基于三维地质模型的油气产能评价方法，其特征在于，所述井控参数包括平面网格范围，根据每口油井的生产层位设定所述层控参数。
7.根据权利要求4所述的基于三维地质模型的油气产能评价方法，其特征在于，所述储层产能预测BP网络模型中设有2层结构的隐含层，每层中设有10个隐层神经元。
8.根据权利要求1所述的基于三维地质模型的油气产能评价方法，其特征在于，所述三维地质参数获取自岩心分析数据、测井数据、录井数据和试油数据。
CN201810550306.2A 2018-05-31 2018-05-31 基于三维地质模型的油气产能评价方法 Active CN108765562B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810550306.2A CN108765562B (zh) 2018-05-31 2018-05-31 基于三维地质模型的油气产能评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810550306.2A CN108765562B (zh) 2018-05-31 2018-05-31 基于三维地质模型的油气产能评价方法

Publications (2)

Publication Number Publication Date
CN108765562A CN108765562A (zh) 2018-11-06
CN108765562B true CN108765562B (zh) 2022-08-16

Family

ID=64001508

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810550306.2A Active CN108765562B (zh) 2018-05-31 2018-05-31 基于三维地质模型的油气产能评价方法

Country Status (1)

Country Link
CN (1) CN108765562B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11549359B2 (en) 2020-05-11 2023-01-10 Saudi Arabian Oil Company Systems and methods to identify and quantify field development opportunities through integration of surface and sub-surface data
CN113107463A (zh) * 2021-04-22 2021-07-13 中国石油天然气集团有限公司 一种储层非均质性评价方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104134101A (zh) * 2014-07-23 2014-11-05 中国石油集团川庆钻探工程有限公司 低渗透储层天然气产能预测方法
CN104850682A (zh) * 2015-04-17 2015-08-19 长江大学 基于位置的多点地质统计学建模方法
CN105096007A (zh) * 2015-08-27 2015-11-25 中国石油天然气股份有限公司 基于一种改进的神经网络的油井产量预测方法及其装置
KR101657890B1 (ko) * 2015-04-06 2016-09-20 서울대학교산학협력단 다목적 유전 알고리즘과 실물옵션에 기반한 저류층의 생산성 평가 방법
CN106014399A (zh) * 2016-05-31 2016-10-12 中国石油大学(北京) 一种非均质地层高精度三维地应力模型建立方法
CN106096249A (zh) * 2016-06-02 2016-11-09 中国石油大学(北京) 一种裂缝性油气储层的定量评价方法
CN107590550A (zh) * 2017-07-26 2018-01-16 长江大学 有关超低渗透储层油田产能评价及预测的方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9229127B2 (en) * 2013-02-21 2016-01-05 Saudi Arabian Oil Company Methods program code, computer readable media, and apparatus for predicting matrix permeability by optimization and variance correction of K-nearest neighbors

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104134101A (zh) * 2014-07-23 2014-11-05 中国石油集团川庆钻探工程有限公司 低渗透储层天然气产能预测方法
KR101657890B1 (ko) * 2015-04-06 2016-09-20 서울대학교산학협력단 다목적 유전 알고리즘과 실물옵션에 기반한 저류층의 생산성 평가 방법
CN104850682A (zh) * 2015-04-17 2015-08-19 长江大学 基于位置的多点地质统计学建模方法
CN105096007A (zh) * 2015-08-27 2015-11-25 中国石油天然气股份有限公司 基于一种改进的神经网络的油井产量预测方法及其装置
CN106014399A (zh) * 2016-05-31 2016-10-12 中国石油大学(北京) 一种非均质地层高精度三维地应力模型建立方法
CN106096249A (zh) * 2016-06-02 2016-11-09 中国石油大学(北京) 一种裂缝性油气储层的定量评价方法
CN107590550A (zh) * 2017-07-26 2018-01-16 长江大学 有关超低渗透储层油田产能评价及预测的方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
Geological, isothermal, and isobaric 3-D model construction in early stage of geothermal exploration;M P Saputra et al.;《IOP Conference Series Earth and Environmental Science 》;20160930;第1-14页 *
三维地质建模技术在油藏描述中的应用――以大庆油田T区块为例;郭祥等;《中外能源》;20131015(第10期);第48-51页 *
利用测井资料预测储层产能;韩雪等;《吉林大学学报(地球科学版)》;20101126;第40卷(第S1期);第102-105页 *
柴东三湖地区天然气成因及成藏特征研究;沙威等;《天然气技术与经济》;20160628;第10卷(第3期);第21-23,62页 *
油气运聚过程的综合分析模拟;吴东胜等;《质科技情报》;20060330(第2期);第69-74页 *
测井资料在温西三区块三间房组油藏三维地质建模中的应用;赵毅等;《测井技术》;20170820;第41卷(第4期);第467-472页 *

Also Published As

Publication number Publication date
CN108765562A (zh) 2018-11-06

Similar Documents

Publication Publication Date Title
US7415401B2 (en) Method for constructing 3-D geologic models by combining multiple frequency passbands
US7054752B2 (en) Method for optimizing production of an oil reservoir in the presence of uncertainties
Chen et al. Assisted history matching of channelized models by use of pluri-principal-component analysis
AU2001288441A1 (en) Method for constructing 3-D geologic models by combining multiple frequency passbands
US8818781B2 (en) Method for operating an oil pool based on a reservoir model gradually deformed by means of cosimulations
CN102418518A (zh) 神经网络模拟交会图识别油层水淹级别的方法
CN107316341B (zh) 一种多点地质统计学沉积相建模方法
CN108765562B (zh) 基于三维地质模型的油气产能评价方法
Yanshu et al. A three-dimensional model of deep-water turbidity channel in Plutonio oilfield, Angola: From training image generation, optimization to multi-point geostatistical modelling
Deutsch Conditioning reservoir models to well test information
CN108665545A (zh) 录井参数三维地质模型建立方法
Costa et al. A new methodology to reduce uncertainty of global attributes in naturally fractured reservoirs
US11927717B2 (en) Optimized methodology for automatic history matching of a petroleum reservoir model with Ensemble Kalman Filter (EnKF)
Deutsch et al. Geostatistical determination of production uncertainty: Application to Firebag project
CN112287532B (zh) 一种缘控地震驱动建模方法
CN115421181B (zh) 一种基于深度学习的三维地质模型相控属性建模方法
Gorell Using geostatistics to aid in reservoir characterization
Disiyona et al. Uncertainty Analysis Workflow to Estimate Oil and Gas Reserves as A Guideline for Field Development Planning
Disiyona Uncertainty Analysis Workflow to Estimate Oil and Gas Reserves as A Guideline for Field
McLennan et al. Best Practice Reservoir Characterization for the Alberta Oilsands
Suliman Investigation of Consistency Between Deterministic and Probabilistic Reserves Estimates Using Reservoir Simulation
Khamees EVALUATING UNCERTAINTY IN THE VOLUME OF OIL IN PLACE IN MISHRIF RESERVOIR
Tork Geostatistical History Matching of a real case study petroleum system
CN117993158A (zh) 一种预测底水气藏气井见水规律的方法及系统
Ma et al. Introduction to Model Upscaling, Validation and History Match

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