CN108984886B - 一种反演多层油藏井间动态连通性的方法 - Google Patents
一种反演多层油藏井间动态连通性的方法 Download PDFInfo
- Publication number
- CN108984886B CN108984886B CN201810734411.1A CN201810734411A CN108984886B CN 108984886 B CN108984886 B CN 108984886B CN 201810734411 A CN201810734411 A CN 201810734411A CN 108984886 B CN108984886 B CN 108984886B
- Authority
- CN
- China
- Prior art keywords
- well
- production
- wells
- layer
- coefficient
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000004519 manufacturing process Methods 0.000 claims abstract description 183
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 96
- 238000002347 injection Methods 0.000 claims abstract description 79
- 239000007924 injection Substances 0.000 claims abstract description 79
- 239000007788 liquid Substances 0.000 claims abstract description 39
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 238000012544 monitoring process Methods 0.000 claims abstract description 12
- 239000002245 particle Substances 0.000 claims abstract description 12
- 238000002922 simulated annealing Methods 0.000 claims abstract description 8
- 239000000243 solution Substances 0.000 claims abstract description 8
- 238000000605 extraction Methods 0.000 claims abstract description 4
- 239000012530 fluid Substances 0.000 claims description 41
- 238000010521 absorption reaction Methods 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 5
- 239000003129 oil well Substances 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 2
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims 1
- 229910052739 hydrogen Inorganic materials 0.000 claims 1
- 239000001257 hydrogen Substances 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 3
- 230000008859 change Effects 0.000 abstract description 3
- 239000010410 layer Substances 0.000 description 73
- 230000006870 function Effects 0.000 description 8
- 230000035699 permeability Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 101100084404 Mus musculus Prodh gene Proteins 0.000 description 5
- 238000011161 development Methods 0.000 description 5
- 101150004094 PRO2 gene Proteins 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 4
- 238000000137 annealing Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 239000002356 single layer Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 101100409308 Neurospora crassa (strain ATCC 24698 / 74-OR23-1A / CBS 708.71 / DSM 1257 / FGSC 987) adv-1 gene Proteins 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 239000000700 radioactive tracer Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Animal Husbandry (AREA)
- Mining & Mineral Resources (AREA)
- Agronomy & Crop Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Marine Sciences & Fisheries (AREA)
Abstract
本发明公开了一种反演多层油藏井间动态连通性的方法,根据现场已有监测资料的完善程度和关井情况,建立多层油藏井间动态连通性模型,特别针对不同的关井原因提出不同的解决方法;利用模拟退火粒子群算法对模型进行求解,通过优化动态连通性系数和时间常数使模型预测结果与实际生产动态相吻合,实现各层油藏注采井间动态连通性系数和油水井纵向劈分系数的反演。本发明的有益效果是充分利用现场已有的监测资料,而且充分考虑了油藏现场实际的液量和压力变化以及关停井问题,准确度高、适用性强,对高含水油田增产措施的实施具有重要的参考价值。
Description
技术领域
本发明属于油气田开发技术领域,涉及一种考虑监测资料不完善及关停井情形的多层油藏井间动态连通性反演方法。
背景技术
目前我国大多数油田已进入高含水、特高含水开发阶段,由于储层非均质性、流体流度差异以及注采差异等原因,储层内逐渐形成水流优势通道,导致注入水低效无效循环严重,地层存水率下降,严重影响水驱开发效果。目前用于分析注采井间动态连通状况的方法主要有:井间示踪剂方法、井-地电位方法、微地震方法和试井方法。这些方法测试成本高、解释周期长、会影响油田的正常生产,而且解释结果主要反映平面上的连通状况,对多层油藏的适应性较差,不能有效指导分层的调剖堵水设计,无法满足多层油藏精细开发的技术需求。
申请号200910256524.6(申请公布号为CN 101725346 A)的发明专利公开了一种油藏井间动态连通性反演方法,该方法通过建立一阶线性系统褶积器对注入量信号进行预处理,结合多元回归模型反演井间动态连通性系数,但是该方法仅适用于单层油藏,而且不能考虑油水井关停井的情形,无法满足实际现场需要。申请号201410156033.5(授权公告号为CN 105089649 B)的发明专利公开了一种井间动态连通性模型建立方法,该方法通过引入狄利克雷函数来考虑关停井的状态,并利用贝叶斯理论对所建立的初始连通性模型进行优化,一定程度上提高了计算精度,但仍只适用于单层油藏,而且模型求解时需要渗透率和渗流截面积等难以得到的参数作为初始值,具有一定的局限性。申请号201510456305.8(授权公告号为CN 105019894 B)的发明专利公开了一种多层油藏井间连通性模型建立方法与系统,该方法将油藏系统简化为一系列井间连通单元,然后基于水驱前缘推进理论计算定液或定压模式下的生产动态指标,进而反演得到井间的连通性系数。该方法仅适用于定液或定压生产的情形,而实际油藏生产过程中这两种情况几乎不可能长期保持,因此该假设条件太过于理想化。而且该方法没有充分利用现场已有的各种监测资料(如吸水剖面、产液剖面等),无法有效处理关停井的情形,因此反演时模型多解性太强,实际应用效果较差。
发明内容
本发明所要解决的技术问题是,针对当前多层油藏井间动态连通性模型仅适用于定液或定压生产、无法考虑液量和压力随时间变化,不能使用已有监测资料、无法处理关停井情形等局限性,提供一种准确度高、适用性强的多层油藏井间动态连通性反演方法。本发明的有益效果是可以充分利用现场已有的监测资料,尽可能准确地反演多层油藏的井间动态连通性,而且充分考虑了油田现场实际所面临的液量和压力变化以及关停井难题,因此更便于现场实际应用,对高含水油田增产措施的实施和开发方案调整具有重要的参考价值。
本发明一种反演多层油藏井间动态连通性的方法所采用的技术方案是按照以下步骤进行:
步骤a:根据现场已有监测资料的完善程度和关井情况,建立多层油藏井间动态连通性模型,特别针对不同的关井原因提出不同的解决方法;
步骤b:利用模拟退火粒子群算法对多层油藏井间动态连通性模型进行求解,通过优化动态连通性系数及时间常数使模型预测结果与实际生产动态相吻合,实现各层油藏注采井间动态连通性系数和油水井纵向劈分系数的反演。
进一步,步骤a中多层油藏井间动态连通性模型如式(1)所示:
式中,qkj表示生产井j在第k层的产液量,m3/d;τkij表示第k层注水井i与生产井j之间连通单元的时间常数,month;fi,k表示第i口注水井在第k层的假定注水劈分系数,小数;fi,k’表示第i口注水井在第k层的真实注水劈分系数,小数;Ii表示第i口注水井注水量,m3/d;γi表示第i口注水井吸水剖面判定系数,0或1;λkij表示第k层注水井i与生产井j之间的连通性系数;Pwfj表示生产井j的井底流压,MPa;NI表示注水井井数,整数;NL表示油层的层数,整数。
进一步,当生产井产液剖面已知时,拟合该生产井各层产液量qkj(t);当生产井产液剖面未知时,拟合该生产井的整体产液量qj(t);当注水井吸水剖面已知时,吸水剖面判定系数γ=1;当注水井吸水剖面未知时,吸水剖面判定系数γ=0。
进一步,因地层能量不足而关井时,在多层油藏井间动态连通性模型中引入补偿系数βkij;因含水率过高而关井时,利用人工神经网络对关停井期间应有的产液量进行预测。
进一步,神经网络输入层节点个数为关停井周围的注水井个数,每个节点的训练数据为非关停井期间各注水井的注水量;输出节点个数为1即被关停的生产井,训练数据为非关停井期间该井的产液量。
进一步,所述步骤b具体包括以下步骤:
步骤b1:针对产液剖面已知的生产井,目标函数如式(2),约束条件如式(3)
步骤b2:针对产液剖面未知的生产井,目标函数如式(4),约束条件如式(3)
附图说明
图1为本发明所述的一种反演多层油藏井间动态连通性方法的流程图;
图2为本发明所述的补偿系数求解流程图;
图3为本发明所述的单个神经元计算过程示意图;
图4为本发明所述的模拟退火粒子群算法求解流程图;
图5为本发明具体实施例中油藏地质模型的示意图;
图6为本发明具体实施例中各层渗透率的分布图;
图7为本发明具体实施例中Pro1井第一层模拟产量与拟合产量对比图;
图8为本发明具体实施例中Pro1井第二层模拟产量与拟合产量对比图;
图9为本发明具体实施例中Pro1井第三层模拟产量与拟合产量对比图;
图10为本发明具体实施例中Pro2井模拟产量与拟合产量对比图;
图11为本发明具体实施例中Pro3井模拟产量与拟合产量对比图;
图12为本发明具体实施例中Pro4井模拟产量与拟合产量对比图;
图13为本发明具体实施例中各层注采井间动态连通性系数分布图;
图14为本发明具体实施例中Pro4井模拟产液量、拟合产液量和预测产液量对比图。
具体实施方式
下面结合附图和具体实施例对本发明的实施方式进行详细说明。
本发明方法步骤如图1所示。在多层油藏中,每口注水井在每层的注水量可以视为这个系统的输入信号,每口生产井在每层的产液量可以视为这个系统的输出信号。当生产井有产液剖面时,则该生产井在各层的产液量是已知的,即各层的输出信号是已知的;当生产井没有产液剖面时,则该井的产液量是所有层产液量的叠加,即各层输出信号的叠加。
由于产液量受生产井j在第k层初始产液量的影响,因此产液量预测公式的第一项为:
注水量影响是各注水井在第k层向生产井j方向注水量影响的叠加,所以产液量预测公式的第二项为:
式中,NL表示油层的层数,整数;fi,k表示注水井i在第k层的劈分系数,小数;Ii表示注水井i的注水量,m3/month;λkij表示第k层注水井i与生产井j之间的连通性系数。
产液量预测公式的第三项为井底流压在第k层的影响:
为充分利用油田现场已有的监测资料(尤其是吸水剖面),考虑在产液量预测模型中引入吸水剖面的数据。吸水剖面资料在这里的主要作用是得到各注水井在各层注水量的劈分系数f。如果注水井有吸水剖面,则劈分系数即为真实测量值f';如果注水井没有吸水剖面资料,则根据地层系数对注水量进行劈分,并将劈分值作为f的初始值。各层实际的注水量劈分系数将后续通过对多层油藏井间动态连通性模型的反演得到。
由于实际油藏中可能只有部分井有吸水剖面资料而其他井没有,但是油藏本身是一个复杂的系统,必须将所有的井和层放在一起求解,因此通过引入吸水剖面判定系数γ判断各水井的吸水剖面资料是否完善,并在产液量预测模型中对各井拥有的资料情况进行统一考虑。当注水井本身的吸水剖面已知时,吸水剖面判定系数取值为1;当注水井本身的吸水剖面未知时,吸水剖面判定系数取值为0。此时,模型第二部分为:
因此考虑监测资料不完善情况下的多层井间动态连通模型为:
针对生产井关停井的情形,根据不同的关井原因采取不同的解决方法。
因地层能量不足而关井时,在多层井间动态连通性模型中引入补偿系数βkij,
该系数表示由于某生产井关井而造成的各注水井向其余生产井所额外劈分的连通性系数。生产井正常生产时,补偿系数为0;生产井关井期间,利用补偿系数对井间动态连通性系数进行修正。此时的多层油藏井间动态连通性模型如式(10)所示:
式中,βx kij表示第k层注水井i与生产井j之间的补偿系数。关停井条件下,注采井间动态连通性系数及补偿系数通过迭代方法进行求解,求解过程如图2所示。
为了提高求解精度,在求解补偿系数的过程中,首先根据非关井期间的生产数据得到补偿系数的初始值,求解公式如(11)所示:
式中:λkij为第k层上不包含停产油井的其它各注采井间的连通性系数。
因含水率过高而关井时,利用人工神经网络对非关停井期间的产液量进行拟合并预测关停井期间应有的产液量,进而通过对预测产液量的拟合来反演井间动态连通性系数,以此来反映地层真实信息。
该人工神经网络输入层的节点个数为被关停生产井周围注水井的个数n,隐含层的节点个数为l,选取方法见式(12),输出层的节点个数为m=1,即仅预测关停井应有的产液量。
式中,l表示隐含层节点个数;m表示输入层节点个数;n表示输出层节点个数;a表示调节常数,1~10。
输入层到隐含层的权重为wij,隐含层到输出层的权重为wjk,输入层到隐含层的偏置值为aj,隐含层到输出层的偏置值为bk,单个神经元计算过程的示意图如图3所示。学习效率为η,选取sigmoid函数作为激励函数f(x),见式(13)
当计算值与期望值满足设定条件时,最终得到的输出值即为预测得到的生产井关停井期间应有的产液量。
由于这里引入了关停井期间应有的产液量,因此油藏的注采平衡被打破,需要对多层井间动态连通性模型进行改进。在式(9)中引入注采不平衡项,得到式(14)
式中,q0kj表示对应生产井j在第k层的注采不平衡项。
基于最优化理论利用多层油藏井间动态连通性模型预测得到的产液量对区块内各生产井的实际产液量进行拟合,从而得到各层注采井间的动态连通性系数和油水井在各层的纵向劈分系数。针对产液剖面已知的生产井,目标函数如式(15),约束条件如式(16)
针对产液剖面未知的生产井,目标函数如式(17),约束条件如式(16)
运用模拟退火的粒子群算法对上述优化问题进行求解。模拟退火算法基于对固体退火过程的模拟,用冷却进度表来控制算法的进程,使算法在控制温度徐徐降温并趋于零的过程中求得组合优化问题的相对全局最优解。
粒子群算法将每个可能产生的解表述为群中一个个带有速度与位置的小微粒以及由目标函数所决定的适应度值,通过目前搜索到的最优值来寻找全局最优解。可以将模拟退火算法与粒子群算法相结合,对每个微粒的最优位置进行退火邻域搜索,在充分发挥粒子群算法全局搜索优势的基础上,提高搜索范围,最终增加算法精度。模拟退火的粒子群算法求解流程如图4所示。
将本发明所述方法应用到具体实例如下:
借助数值模拟技术,应用本发明所提供的多层油藏井间动态连通性模型对含有断层的典型油藏进行井间动态连通性反演。
所建模型如图5所示,该模型共有101×101×3=30603个网格,网格长度为10m,平均有效厚度为3m,孔隙度为0.25。由上至下各层为均质,其渗透率分别为600×10-3μm2,800×10-3μm2,1000×10-3μm2,其中第一层上有两条渗透率为1800×10-3μm2的优势通道,第二层上有两条渗透率为200×10-3μm2的低渗条带,第三层有一条渗透率为0×10-3μm2的断层。各层的渗透率分布图如图6所示。采用五点法井网(5注4采)进行开采,五口注水井的井号分别为:Inj1、Inj2、Inj3、Inj4和Inj5,其中Inj1、Inj2、Inj5的吸水剖面已知,Inj3、Inj4的吸水剖面未知。四口生产井的井号分别为:Pro1、Pro2、Pro3和Pro4,其中Pro1的产液剖面已知,Pro2、Pro3、Pro4的产液剖面未知。在第60~80个月之间分别设置地层能量不足和含水率过高两种情形对生产井Pro4进行关井操作,然后分别用补偿系数法和产液量拟合法对多层井间动态连通性系数进行反演。
(1)补偿系数法
Pro1井各层模拟产量与拟合产量的对比结果如图7至图9所示,Pro2、Pro3和Pro4井模拟产量与拟合产量的对比结果如图10至图12所示。反演所得到的正常生产期间各层注采井间的动态连通性系数如表1、2、3所示,注采井间的动态连通图如图13所示,可以发现多层井间动态连通性模型的拟合效果很好,反演结果与模型的实际情况(图6)相吻合,证明了本方法的有效性。
表1第1层油藏注采井间的动态连通性系数
表2第2层油藏注采井间的动态连通性系数
表3第3层油藏注采井间的动态连通性系数
(2)产液量拟合法
采用产液量拟合方法对生产井Pro4在关井期间的产液量进行预测,进而根据预测结果反演井间动态连通性。首先利用Pro4未关井期间周围各注水井的注入量作为神经网络的输入参数,以Pro4未关井期间的正常产液量作为模型的期望值对BP神经网络进行训练,然后以Pro4关井期间各注水井每月的平均日注水量作为为BP神经网络的输入参数,对生产井Pro4在第60~80个月应有的产液量进行预测。
经计算得到期望值与预测值之间的决定系数R2为0.92,拟合精度较高,表明该方法可以较为精确地对关停井产液量进行预测。Pro4井模拟产量与拟合产量的对比结果如图14所示。运用产量拟合方法反演得到各层井间的动态连通性系数如表4、5、6所示。
表4第1层油藏注采井间的动态连通性系数
表5第2层油藏注采井间的动态连通性系数
表6第3层油藏注采井间的动态连通性系数
本发明充分利用生产动态资料、油藏地质资料及各种监测资料,突破了现有模型中油井需定液或定压生产的局限,建立了考虑监测资料不完善及关停井情形的多层油藏井间动态连通性模型,通过模拟退火粒子群算法对模型进行求解,得到各层油藏注采井间的动态连通性系数,进而可绘制各层油藏注采井间的连通性分布图,该方法准确度高、适用性强、更符合油田现场实际,可为油田提高采收率方案的设计提供指导。
以上所述仅是对本发明的较佳实施方式而已,并非对本发明作任何形式上的限制,凡是依据本发明的技术实质对以上实施方式所做的任何简单修改,等同变化与修饰,均属于本发明技术方案的范围内。
Claims (2)
1.一种反演多层油藏井间动态连通性的方法,其特征在于,包括以下步骤:
步骤a:根据现场已有监测资料的完善程度和关井情况,建立多层油藏井间动态连通性模型,特别针对不同的关井原因提出不同的解决方法;
步骤b:利用模拟退火粒子群算法对多层油藏井间动态连通性模型进行求解,通过优化动态连通性系数及时间常数使模型预测结果与实际生产动态相吻合,实现各层油藏注采井间动态连通性系数和油水井纵向劈分系数的反演;
步骤a中所述多层油藏井间动态连通性模型如下式(1)所示:
式中,qkj表示生产井j在第k层的产液量,m3/d;τkij表示第k层注水井i与生产井j之间连通单元的时间常数,month;fi,k表示第i口注水井在第k层的假定注水劈分系数,小数;fi,k ’表示第i口注水井在第k层的真实注水劈分系数,小数;Ii表示第i口注水井注水量,m3/d;γi表示第i口注水井吸水剖面判定系数,0或1;λkij表示第k层注水井i与生产井j之间的连通性系数;Pwfj表示生产井j的井底流压,MPa;NI表示注水井井数,整数;NL表示油层的层数,整数;
因地层能量不足而关井时,在多层油藏井间动态连通性模型中引入补偿系数βkij;所述补偿系数βkij表示由于某生产井关井而造成的各注水井向其余生产井所额外劈分的连通性系数;生产井正常生产时,补偿系数为0;生产井关井期间,利用补偿系数对井间动态连通性系数进行修正;此时的多层油藏井间动态连通性模型如式(10)所示:
式中,βx kij表示第k层注水井i与生产井j之间的补偿系数;关停井条件下,注采井间动态连通性系数及补偿系数通过迭代方法进行求解;
为了提高求解精度,在求解补偿系数的过程中,首先根据非关井期间的生产数据得到补偿系数的初始值,求解公式如(11)所示:
式中:λkij为第k层上不包含停产油井的其它各注采井间的连通性系数;
因含水率过高而关井时,利用人工神经网络对关停井期间应有的产液量进行预测;所述神经网络输入层节点个数为关停井周围的注水井个数,每个节点的训练数据为非关停井期间各注水井的注水量;输出节点个数为1即被关停的生产井,训练数据为非关停井期间该井的产液量;
所述步骤b具体包括以下步骤:
步骤b1:针对产液剖面已知的生产井,目标函数如式(2),约束条件如式(3)
式中,qkj(t)表示步骤a中多层井间动态连通性模型计算得到的生产井j在第k层的产液量,m3/month;表示生产井j在第k层的实际产液量,m3/month;P表示生产井的数目;Nt表示时间步总数;
步骤b2:针对产液剖面未知的生产井,目标函数如式(4),约束条件如式(3)
式中,qj(t)表示步骤a中多层井间动态连通性模型计算得到的生产井j的产液量,m3/month;表示生产井j的实际产液量,m3/month。
2.根据权利要求1所述一种反演多层油藏井间动态连通性的方法,其特征在于:
当生产井产液剖面已知时,拟合该生产井各层产液量qkj(t);当生产井产液剖面未知时,拟合该生产井整体产液量qj(t);当注水井吸水剖面已知时,吸水剖面判定系数γ=1;当注水井吸水剖面未知时,吸水剖面判定系数γ=0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810734411.1A CN108984886B (zh) | 2018-07-06 | 2018-07-06 | 一种反演多层油藏井间动态连通性的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810734411.1A CN108984886B (zh) | 2018-07-06 | 2018-07-06 | 一种反演多层油藏井间动态连通性的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108984886A CN108984886A (zh) | 2018-12-11 |
CN108984886B true CN108984886B (zh) | 2023-04-18 |
Family
ID=64536237
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810734411.1A Active CN108984886B (zh) | 2018-07-06 | 2018-07-06 | 一种反演多层油藏井间动态连通性的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108984886B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110414048B (zh) * | 2019-06-24 | 2023-06-20 | 中国石油化工股份有限公司 | 井间连通性分析方法及装置 |
CN110439515B (zh) * | 2019-06-24 | 2022-11-25 | 中国石油化工股份有限公司 | 注采参数优化方法及装置 |
CN111027249B (zh) * | 2019-12-10 | 2021-02-26 | 北京科技大学 | 一种基于机器学习的井间连通性评价方法 |
CN111753423B (zh) * | 2020-06-24 | 2022-07-12 | 厦门大学 | 一种基于XGBoost的井间动态连通性量化方法 |
CN112081582A (zh) * | 2020-09-21 | 2020-12-15 | 中国石油大学(北京) | 水驱开发油藏中优势通道的预测方法、系统及装置 |
CN112396230B (zh) * | 2020-11-16 | 2022-03-29 | 中国石油大学(华东) | 基于近邻神经网络的油藏地质建模静态参数分布预测方法 |
CN112651175B (zh) * | 2020-12-23 | 2022-12-27 | 成都北方石油勘探开发技术有限公司 | 一种油藏注采方案优化设计方法 |
CN112818508B (zh) * | 2020-12-31 | 2022-04-12 | 中国石油大学(华东) | 稠油油藏蒸汽驱油藏井间连通性识别方法、装置和存储介质 |
CN113958299B (zh) * | 2021-10-25 | 2023-12-29 | 成都恒诺晟华能源科技有限公司 | 一种基于温度测量的水平井吸水剖面反演方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101725346A (zh) * | 2009-12-15 | 2010-06-09 | 中国石油大学(华东) | 油藏井间动态连通性反演方法 |
CN104405348A (zh) * | 2014-10-27 | 2015-03-11 | 中国石油天然气股份有限公司 | 一种溶剂强化水平井间连通的方法 |
CN105019894A (zh) * | 2015-07-29 | 2015-11-04 | 长江大学 | 一种多层油藏井间连通性模型建立方法及系统 |
-
2018
- 2018-07-06 CN CN201810734411.1A patent/CN108984886B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101725346A (zh) * | 2009-12-15 | 2010-06-09 | 中国石油大学(华东) | 油藏井间动态连通性反演方法 |
CN104405348A (zh) * | 2014-10-27 | 2015-03-11 | 中国石油天然气股份有限公司 | 一种溶剂强化水平井间连通的方法 |
CN105019894A (zh) * | 2015-07-29 | 2015-11-04 | 长江大学 | 一种多层油藏井间连通性模型建立方法及系统 |
Non-Patent Citations (3)
Title |
---|
"优势通道综合识别描述方法研究";宋玉龙;《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》;20150615(第06期);第8-51页 * |
利用示踪剂资料讨论塔河缝洞性油藏井间连通方式;周丽梅等;《成都理工大学学报(自然科学版)》;20150430(第02期);全文 * |
水驱开发多层油藏井间连通性反演模型;赵辉等;《石油勘探与开发》;20160229(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108984886A (zh) | 2018-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108984886B (zh) | 一种反演多层油藏井间动态连通性的方法 | |
CN102041995B (zh) | 复杂油藏水淹状况监测系统 | |
Panda et al. | An integrated approach to estimate well interactions | |
CN111441767A (zh) | 油藏生产动态预测方法及装置 | |
CN109948272A (zh) | 基于井间连通性的调堵动态预测方法和系统 | |
CN104060985B (zh) | 一种层状油藏调剖堵水堵剂进入深度测试方法及系统 | |
CN106355540A (zh) | 一种基于gra‑bp神经网络的中小型水库大坝安全评价方法 | |
CN114723095A (zh) | 缺失测井曲线预测方法及装置 | |
CN105045091A (zh) | 基于模糊神经控制系统的疏浚工艺智能决策分析方法 | |
US20230358123A1 (en) | Reinforcement learning-based decision optimization method of oilfield production system | |
CN108595803A (zh) | 基于递归神经网络的页岩气井生产压力预测方法 | |
CN115481565A (zh) | 一种基于lstm和蚁群算法的土压平衡盾构机掘进参数预测方法 | |
CN115563856A (zh) | 一种基于XGBoost与CV交叉函数的多层合采产液剖面劈分方法 | |
Liu et al. | A rapid waterflooding optimization method based on INSIM-FPT data-driven model and its application to three-dimensional reservoirs | |
Zhu et al. | Structural safety monitoring of high arch dam using improved ABC-BP model | |
CN106481315A (zh) | 陆上砂岩油藏单井可采储量快速确定模型及建立方法 | |
CN112539054A (zh) | 地面管网与地下油藏复杂系统生产优化方法 | |
CN106934075B (zh) | 钻井液密度确定方法及静态当量密度确定方法 | |
CN109209361B (zh) | 一种裂缝性特低渗透油藏地层参数预测方法 | |
CN111751878A (zh) | 横波速度的预测方法和装置 | |
CN106156487A (zh) | 一种考虑多河流顶托影响的水库下游水位计算方法 | |
US11501043B2 (en) | Graph network fluid flow modeling | |
CN111160669A (zh) | 多层应力敏感油藏压裂水驱井网及生产制度优化方法 | |
CN111222261B (zh) | 动静参数结合的产量劈分方法 | |
CN112502677B (zh) | 一种基于多元线性回归的注水开发效果评价方法 |
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: 20230727 Address after: 100020 No. 22 North Main Street, Chaoyang District, Beijing, Chaoyangmen Patentee after: CHINA PETROLEUM & CHEMICAL Corp. Address before: 266000 No. 66 Changjiang West Road, Huangdao District, Qingdao City, Shandong Province Patentee before: CHINA University OF PETROLEUM (EAST CHINA) |
|
TR01 | Transfer of patent right |