CN109063403B - 一种滑溜水压裂优化设计方法 - Google Patents

一种滑溜水压裂优化设计方法 Download PDF

Info

Publication number
CN109063403B
CN109063403B CN201811230314.5A CN201811230314A CN109063403B CN 109063403 B CN109063403 B CN 109063403B CN 201811230314 A CN201811230314 A CN 201811230314A CN 109063403 B CN109063403 B CN 109063403B
Authority
CN
China
Prior art keywords
neural network
network model
proppant
fracturing
construction
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
CN201811230314.5A
Other languages
English (en)
Other versions
CN109063403A (zh
Inventor
周德胜
王海洋
杨静雯
蔡文斌
李宪文
张燕明
符洋
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.)
Xian Shiyou University
Original Assignee
Xian Shiyou University
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 Xian Shiyou University filed Critical Xian Shiyou University
Priority to CN201811230314.5A priority Critical patent/CN109063403B/zh
Publication of CN109063403A publication Critical patent/CN109063403A/zh
Application granted granted Critical
Publication of CN109063403B publication Critical patent/CN109063403B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及石油工程学领域，具体涉及一种滑溜水压裂优化设计方法，利用平行板裂缝模拟系统模拟支撑剂铺置过程，采集实验参数和实验结果数据作为数据样本，实验参数和实验结果分别作为BP神经网络输入层神和输出层经元节点，建立BP神经网络模型；对BP神经网络模型进行训练；将现场需要优化的施工参数进行随机组合生成数值矩阵，归一化处理后带入BP神经网络模型，得到输出结果；对输出结果进行反归一化处理，生成输出矩阵；筛选出平衡高度最大、H因子最小和砂堤前缘距离最小的三组预测结果，并确在输出矩阵中对应的行列数；利用预测结果和对应的输入层的数据，生成三套施工方案。本发明能够指导现场滑溜水压裂施工设计，更好的开发非常规油气储层。

Description

一种滑溜水压裂优化设计方法
技术领域
本发明涉及石油工程学领域，具体涉及的是一种滑溜水压裂优化设计方法，用于滑溜水压裂过程中对施工参数进行优选设计，指导油田现场滑溜水压裂施工设计。
背景技术
非常规油气的有效开发已经成为当前能源领域的热点研究问题，特别是致密储层以及页岩储层，但由于其极低的渗透率以及自生自储的成藏特点，常规的开采方法已经很难适用该类油藏，我国页岩油气、致密油气开发起步晚，无论是勘探技术还是开采技术，都尚未成体系，虽然近年来非常规油气产量已大幅度增加，但在整个化石能源领域其所占的比例仍然很低。滑溜水压裂技术由于其储层改造体积大，易扩展沟通天然裂缝，能够在储层中形成以主裂缝为主的复杂缝网系统从而被广泛应用于开发非常规油气储层。然而为了在储层中形成高导流能力的填砂裂缝，改善滑溜水压裂效果，就必须尽可能优化施工参数优选支撑剂，使得支撑剂有效充填面积最大化。当前油田现场实际压裂优化设计模型主要还是基于Babcock建立的支撑剂沉降模型，但是Babcock沉降模型是基于小排量下的常规压裂液建立的，并没有考虑滑溜水压裂大排量下湍流效应对铺砂形态的影响，而且仅仅利用平衡高度表征铺砂形态，没有表征裂缝入口端砂堤前缘距离的理论公式，该模型已经不适合指导滑溜水压裂施工设计。如何提升滑溜水压裂施工增产效果，建立规范化的滑溜水压裂优化设计模型，是当前大规模有效开发我国非常规页岩气、致密砂岩等非常规储层资源要迫切面对的问题。
发明内容
为解决现有技术中存在的问题，本发明的目的在于：提供一种滑溜水压裂优化设计方法，本发明的方法能够快速从大量数据中优选出三套施工方案，指导现场滑溜水压裂施工设计，更好的开发非常规油气储层。
本发明采用的技术方案如下：
一种滑溜水压裂优化设计方法，包括以下步骤：
步骤一：利用平行板裂缝模拟系统模拟支撑剂铺置过程，将采集的实验参数和实验结果数据作为数据样本，其中实验参数包括压裂液粘度、施工排量、砂比、支撑剂密度、支撑剂粒径、缝高和缝宽，实验结果包括平衡高度、平衡时间和砂堤前缘距离；
步骤二：将实验参数作为BP神经网络输入层神经元节点，实验结果作为BP神经网络输出层神经元节点，建立BP神经网络模型，利用步骤一中采集的数据样本对神经网络模型进行训练，调整模型使得BP神经网络模型达到设定精度，建立起输入层到输出层之间的非线性映射关系；
步骤三，将现场需要优化的施工参数进行随机组合生成数值矩阵，将数值矩阵归一化处理后带入训练好的BP神经网络模型，得到BP神经网络模型的输出结果；
步骤四，对BP神经网络模型的输出结果进行反归一化处理，生成输出矩阵；
步骤五，筛选输出矩阵中平衡高度最大、H因子最小和砂堤前缘距离最小的三组预测结果，并确定这三组预测结果在输出矩阵中对应的行列数；其中，H因子＝砂堤前缘距离/平衡高度；
利用这三组预测结果和这三组预测结果分别对应的输入层的数据，生成三套施工方案。
压裂液粘度范围为1mPa.s-10mPa.s，砂比范围为0.03-0.10，排量范围为5m3/h-10m3/h，缝宽范围为1mm-12mm，支撑剂密度为1540kg/m3～3350kg/m3；支撑剂粒径范围为0.2-1.2mm。
步骤二中，对BP神经网络模型进行训练时，压裂液粘度、施工排量、砂比、支撑剂密度、支撑剂粒径和缝宽中，每个参数取3-5个不同的数值，数据样本不少于45组。
步骤二中，对BP神经网络模型进行训练时，学习率η设置为0.05-0.07；误差设置为0.01-0.05；迭代步长设置为3000-5000；隐层节点数设置范围为3-15；选择自适应lr梯度下降法对神经网络进行训练；随机选择不同条件下的支撑剂铺砂形态数据中的一部分作为检验样本，其余的作为训练样本；验证检验样本与BP神经网络模型预测值之间的相似度高低，通过调整BP神经网络模型隐层节点数来提BP高神经网络模型的精度，当检验样本与BP神经网络模型预测值之间的相似度在0.95以上时，BP神经网络模型达到设定精度。
在MATLAB中，采用函数corrcoef验证检验样本与BP神经网络模型预测值之间的相似度高低。
步骤三中，对现场施工排量和缝高进行优化，优化时，将现场设计缝高H以及现场施工排量Q用相似准则换算为平行板裂缝模型系统下的缝高h和施工排量q，如下式：
Figure BDA0001836984170000031
步骤四中，对BP神经网络模型的输出结果进行反归一化处理后，若存在负数，在MATLAB中利用函数abs将输出矩阵变为正数矩阵。
本发明具有如下有益效果：
滑溜水压裂增产效果取决于填砂裂缝的导流能力，而裂缝的导流能力好坏取决于支撑剂的铺砂形态。对于支撑剂铺砂形态而言，平衡高度越大、砂堤前缘距离越小越好，本发明的滑溜水压裂优化设计方法正是基于这点，利用实验得到的数据样本对建立的BP神经网络模型进行学习训练，使BP神经神经网络模型获得判别压裂液粘度、排量、砂比、支撑剂粒径、支撑剂密度、缝高和缝宽这些参数的经验，以及对预测参数平衡高度、平衡时间、砂堤前缘距离的倾向性认识。在未知铺砂形态情况下，BP神经网络模型将利用已形成的非线性映射关系对输入层的神经元节点数值矩阵进行识别从而对铺砂形态做出预测，然后综合考虑平衡高度和砂堤前缘距离定义了H因子对神经网络预测的铺砂形态进行判别，并利筛选出预测结果中H因子最小、平衡高度最大以及砂堤前缘距离最小的三种施工方案进行对比参考。本发明的滑溜水压裂优化设计方法是针对滑溜水压裂大排量、大液量、低砂比、低粘度的施工特点建立了针对滑溜水压裂的优选设计模型，该模型可以快速的从大量预测数据中优选出三套施工方案，此外BP神经网络模型采用人工智能算法，整体运算速度快、精度高、智能化程度高，操作简单便于在油田现场实际推广应用。
附图说明
图1为本发明滑溜水压裂优化设计方法流程图；
图2为实施例建立的BP神经网络模型结构图；
图3为本发明实施例BP神经网络模型训练结果图。
具体实施方式
下面结合举实施例和附图对本发明的技术方案进一步做出具体的阐述，但本发明不限于以下所列举的实施例。
参照图1，本发明滑溜水压裂优化设计方法，包括以下步骤：
步骤一：利用平行板裂缝模拟系统模拟支撑剂铺置过程，采集实验参数和实验结果数据作为数据样本，其中实验参数包括压裂液粘度、施工排量、砂比、支撑剂密度、支撑剂粒径、缝高和缝宽七种，实验结果包括平衡高度、平衡时间、砂堤前缘距离三种；
步骤二：将七种实验参数作为BP神经网络输入层神经元节点，三种实验结果作为BP神经网络输出层神经元节点，建立BP神经网络模型，并利用步骤一中采集的数据样本对神经网络模型进行训练，调整模型使得BP神经网络模型达到设定精度，从而建立起输入层到输出层之间的非线性映射关系；
步骤三，将现场需要优化的施工参数进行随机组合生成数值矩阵，将数值矩阵归一化处理后带入训练好的BP神经网络模型，得到BP神经网络模型的输出结果；
步骤四，对BP神经网络模型的输出结果进行反归一化处理，生成输出矩阵；
步骤五，筛选输出矩阵中平衡高度最大、H因子最小和砂堤前缘距离最小的三组预测结果，并确定这三组预测结果在输出矩阵中对应的行列数；其中，H因子＝砂堤前缘距离/平衡高度，H因子越小则支撑剂在裂缝中的铺置形态越好；
利用这三组预测结果和这三组预测结果分别对应的输入层的数据，生成三套施工方案。
作为本发明优选的实施方案，压裂液粘度范围为1mPa.s-10mPa.s，砂比范围为0.03-0.10，排量范围为5m3/h-10m3/h，缝宽范围为1mm-12mm，支撑剂密度为1540kg/m3～3350kg/m3；支撑剂粒径范围为0.2-1.2mm。进一步的，支撑剂密度可选择为1540kg/m3、2770kg/m3、3020kg/m3、1890kg/m3、1450kg/m3、2880kg/m3、2600kg/m3和/或3350kg/m3；缝高可选择30cm和/或50cm。
作为本发明优选的实施方案，步骤二中，对BP神经网络模型进行训练时，压裂液粘度、施工排量、砂比、支撑剂密度、支撑剂粒径和缝宽中，每个参数取3-5个不同的数值，不同条件下的支撑剂铺砂形态数据不少于45组。
作为本发明优选的实施方案，步骤二中，对BP神经网络模型进行训练时，学习率η设置为0.05-0.07；误差设置为0.01-0.05；迭代步长设置为3000-5000；隐层节点数设置范围为3-15；选择自适应lr梯度下降法对神经网络进行训练；随机选择不同条件下的支撑剂铺砂形态数据中的一部分作为检验样本，其余的作为训练样本；验证检验样本与BP神经网络模型预测值之间的相似度高低，通过调整BP神经网络模型隐层节点数来提BP高神经网络模型的精度，当检验样本与BP神经网络模型预测值之间的相似度在0.95以上时，BP神经网络模型达到设定精度。其中，在MATLAB中，采用函数corrcoef验证检验样本与BP神经网络模型预测值之间的相似度高低。
作为本发明优选的实施方案，利用平行板裂缝模型系统采集不同条件下的支撑剂铺砂形态数据，步骤三中，对施工排量和缝高进行优化，优化时，将现场设计缝高H以及现场施工排量Q用相似准则换算为平行板裂缝模型系统下的缝高h和施工排量q，如下式：
Figure BDA0001836984170000061
作为本发明优选的实施方案，步骤四中，对BP神经网络模型的输出结果进行反归一化处理后，若存在负数，在MATLAB中利用函数abs将输出矩阵变为正数矩阵。
作为本发明优选的实施方案，所有步骤采用MATLAB软件进行编程，调用MATLAB神经网络工具箱Neural Network Toolbox的程序包，实现上述步骤的建立神经网络模型操作，归一化处理调用premnmx函数、tramnmx函数；反归一化处理调用postmnmx函数；筛选函数调用min函数、max函数、find函数。
本发明实施例的滑溜水压裂优化设计方法按照上述步骤进行，实施例中采用的平行板裂缝模型系统蚕蛹的时专利CN201621455641.7公开的装置，实施例中采用MATLAB软件进行数据处理。
实施例1
本实施例的过程如下：
利用平行板裂缝模型系统模拟支撑剂铺置过程，采集实验参数和实验结果数据，具体实验参数选取与对应的实验结果如表1所示。
表1
Figure BDA0001836984170000062
Figure BDA0001836984170000071
将BP神经网络模型的学习率η设置为0.05，误差设置为0.01，迭代步长设置为5000，利用MATLAB软件建立如图2所示的BP神经网络模型，随机选择表1中的5组数据作为检验样本，其余数据作为训练样本。通过对比模型输出的预测数据和检验样本之间的相似度高低，最终确定隐层神经元个数为8时预测模型效果最佳。训练结果如图3所示，当迭代次数达到1633次时满足精度要求迭代终止；此外利用MATLAB对预测值和真值矩阵之间进行相似度判别，两者相似系数达到0.98，满足精度要求。
长庆油田某页岩储层区块C32井采用滑溜水压裂对储层进行改造，设计压裂缝高42m，平均缝宽5mm，分两簇射孔的压裂段进行优化设计，设计压裂液粘度可选择范围为1-10mPa.s数值间距为1；每簇排量可选择范围为3-10m3/min数值间距为0.5；砂比可选择范围为0.03-0.08数值间距为0.01；支撑剂密度可选择包括1540kg/m3、2770kg/m3、3020kg/m3、1890kg/m3、1450kg/m3、2880kg/m3和2600kg/m3这7种；支撑剂粒径可选择包括0.21mm、0.32mm、0.45mm、0.64mm、0.9mm和1.2mm这6种，将缝高和缝宽利用相似准则折算为缝高70cm、缝宽5mm，每簇排量范围按照相似准则折算为3-10m3/h。
利用已训练好的BP神经网络模型对上述输入层参数进行随机组合生成一个10×15×6×7×6，共计37800种组合的矩阵(37800×7)，归一化处理带入模型利用MATLAB运行计算得出表2所示的三套施工方案以及对应的铺砂形态预测结果。
表2
Figure BDA0001836984170000081
从表2所示的结果可以看出：方案2，3筛选结果一致，这表明此次优选砂堤前缘距离最小的方案正好是H因子最小的方案，其中方案1平衡高度最大，但是砂堤前缘距离较长，含砂量低的区域较大可能会造成裂缝入口端闭合，压裂施工效果差；方案2无砂区微小可以不计，整体铺置均匀，平衡高度适中，综合考虑方案2更适合。
现场实际压裂按照方案2进行施工：压裂液粘度5mPa.s；排量4.5m3/min；砂比0.08；支撑剂密度2880kg/m3；支撑剂粒径0.9mm，压裂结果显示各级裂缝沟通明显，月产量结果表明油气采收率提高了27％，增产效果明显。
实施例2
实施例2应用此前实施例1已经建立好满足精度的BP神经网络模型。延长油田致密砂岩储层区块A12井采用滑溜水压裂对储层进行改造，设计压裂缝高30m，平均缝宽4mm，分两簇射孔的压裂段进行优化设计，设计压裂液粘度可选择范围为2-8mPa.s数值间距为1；每簇排量可选择范围为2-12m3/min数值间距为0.5；砂比可选择范围为0.02-0.08数值间距为0.02；支撑剂密度可选择包括2770kg/m3、3020kg/m3、1890kg/m3、1450kg/m3和2880kg/m3这5种；支撑剂粒径可选择包括0.32mm、0.45mm和0.64mm这3种，将缝高和缝宽利用相似准则折算为缝高50cm、缝宽4mm，每簇排量范围按照相似准则折算为2-12m3/h。
利用已训练好的BP神经网络模型对上述输入层参数进行随机组合生成一个7×21×4×5×3，共计8820种组合的矩阵(8820×7)，归一化处理带入模型利用MATLAB运行计算得出表3所示的三套施工方案以及对应的铺砂形态预测结果。
表3
Figure BDA0001836984170000091
从表3所示的结果可以看出：其中方案1平衡高度最大，但是砂堤前缘距离过长，含砂量低的区域很大会造成裂缝入口端闭合，压裂施工效果差；方案2，3无砂区都很微小可以不计，整体铺置均匀，平衡高度适中，但是方案2平衡高度更大铺砂形态更好，所以综合考虑方案2更适合。
现场实际压裂按照方案2进行施工：压裂液粘度2mPa.s；排量3.5m3/min；砂比0.08；支撑剂密度2880kg/m3；支撑剂粒径0.64mm，压裂结果显示在地层形成复杂缝网，月产量结果表明油气采收率提高了31.3％，增产效果明显。

Claims (7)

1.一种滑溜水压裂优化设计方法，其特征在于，包括以下步骤：
步骤一：利用平行板裂缝模拟系统模拟支撑剂铺置过程，将采集的实验参数和实验结果数据作为数据样本，其中实验参数包括压裂液粘度、施工排量、砂比、支撑剂密度、支撑剂粒径、缝高和缝宽，实验结果包括平衡高度、平衡时间和砂堤前缘距离；
步骤二：将实验参数作为BP神经网络输入层神经元节点，实验结果作为BP神经网络输出层神经元节点，建立BP神经网络模型，利用步骤一中采集的数据样本对神经网络模型进行训练，调整模型使得BP神经网络模型达到设定精度，建立起输入层到输出层之间的非线性映射关系；
步骤三，将现场需要优化的施工参数进行随机组合生成数值矩阵，将数值矩阵归一化处理后带入训练好的BP神经网络模型，得到BP神经网络模型的输出结果；
步骤四，对BP神经网络模型的输出结果进行反归一化处理，生成输出矩阵；
步骤五，筛选输出矩阵中平衡高度最大、H因子最小和砂堤前缘距离最小的三组预测结果，并确定这三组预测结果在输出矩阵中对应的行列数；其中，H因子＝砂堤前缘距离/平衡高度；
利用这三组预测结果和这三组预测结果分别对应的输入层的数据，生成三套施工方案。
2.根据权利要求1所述的一种滑溜水压裂优化设计方法，其特征在于，压裂液粘度范围为1mPa.s-10mPa.s，砂比范围为0.03-0.10，排量范围为5m3/h-10m3/h，缝宽范围为1mm-12mm，支撑剂密度为1540kg/m3～3350kg/m3；支撑剂粒径范围为0.2-1.2mm。
3.根据权利要求1所述的一种滑溜水压裂优化设计方法，其特征在于，步骤二中，对BP神经网络模型进行训练时，压裂液粘度、施工排量、砂比、支撑剂密度、支撑剂粒径和缝宽中，每个参数取3-5个不同的数值，数据样本不少于45组。
4.根据权利要求1所述的一种滑溜水压裂优化设计方法，其特征在于，步骤二中，对BP神经网络模型进行训练时，学习率η设置为0.05-0.07；误差设置为0.01-0.05；迭代步长设置为3000-5000；隐层节点数设置范围为3-15；选择自适应lr梯度下降法对神经网络进行训练；随机选择不同条件下的支撑剂铺砂形态数据中的一部分作为检验样本，其余的作为训练样本；验证检验样本与BP神经网络模型预测值之间的相似度高低，通过调整BP神经网络模型隐层节点数来提BP高神经网络模型的精度，当检验样本与BP神经网络模型预测值之间的相似度在0.95以上时，BP神经网络模型达到设定精度。
5.根据权利要求4所述的一种滑溜水压裂优化设计方法，其特征在于，在MATLAB中，采用函数corrcoef验证检验样本与BP神经网络模型预测值之间的相似度高低。
6.根据权利要求1所述的一种滑溜水压裂优化设计方法，其特征在于，步骤三中，对现场施工排量和缝高进行优化，优化时，将现场设计缝高H以及现场施工排量Q用相似准则换算为平行板裂缝模型系统下的缝高h和施工排量q，如下式：
Figure FDA0001836984160000021
7.根据权利要求1所述的一种滑溜水压裂优化设计方法，其特征在于，步骤四中，对BP神经网络模型的输出结果进行反归一化处理后，若存在负数，在MATLAB中利用函数abs将输出矩阵变为正数矩阵。
CN201811230314.5A 2018-10-22 2018-10-22 一种滑溜水压裂优化设计方法 Active CN109063403B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811230314.5A CN109063403B (zh) 2018-10-22 2018-10-22 一种滑溜水压裂优化设计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811230314.5A CN109063403B (zh) 2018-10-22 2018-10-22 一种滑溜水压裂优化设计方法

Publications (2)

Publication Number Publication Date
CN109063403A CN109063403A (zh) 2018-12-21
CN109063403B true CN109063403B (zh) 2022-09-13

Family

ID=64765238

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811230314.5A Active CN109063403B (zh) 2018-10-22 2018-10-22 一种滑溜水压裂优化设计方法

Country Status (1)

Country Link
CN (1) CN109063403B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111582632B (zh) * 2020-03-26 2023-03-28 西南交通大学 一种地下大空间施工全过程多因素安全阶段性预测方法
CN114427415B (zh) * 2020-09-22 2024-02-23 中国石油化工股份有限公司 Co2压裂增加改造体积的方法、装置、电子设备及介质
CN114595608B (zh) * 2022-03-11 2023-06-27 中国石油大学(华东) 一种压裂施工参数和工作制度参数优化方法及系统
CN117432414B (zh) * 2023-12-20 2024-03-19 中煤科工开采研究院有限公司 顶板磨砂射流成缝的调控方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104700153A (zh) * 2014-12-05 2015-06-10 江南大学 基于模拟退火优化BP神经网络的pH值预测方法
CN108509694A (zh) * 2018-03-13 2018-09-07 西安石油大学 一种基于bp神经网络的支撑剂铺置形态预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW200837593A (en) * 2007-03-07 2008-09-16 Univ Nat Taiwan Science Tech Prediction method of near field photolithography line fabrication using by the combination of taguchi method and neural network

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104700153A (zh) * 2014-12-05 2015-06-10 江南大学 基于模拟退火优化BP神经网络的pH值预测方法
CN108509694A (zh) * 2018-03-13 2018-09-07 西安石油大学 一种基于bp神经网络的支撑剂铺置形态预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
BP神经网络预测压裂井施工参数的研究;欧阳传湘等;《新疆石油天然气》;20090930;第5卷(第03期);第40-44页 *

Also Published As

Publication number Publication date
CN109063403A (zh) 2018-12-21

Similar Documents

Publication Publication Date Title
CN109063403B (zh) 一种滑溜水压裂优化设计方法
CN107545113B (zh) 非常规油气藏水力压裂复杂缝网形成过程模拟方法
CN105095986B (zh) 多层油藏整体产量预测的方法
CN102041995B (zh) 复杂油藏水淹状况监测系统
CN104750896B (zh) 一种缝洞型碳酸盐岩油藏数值模拟方法
CN105386751B (zh) 一种基于油藏渗流模型的水平井测井产能预测方法
CN112343587A (zh) 一种特低渗透油藏优势渗流通道识别表征方法
CN107676085A (zh) 一种海相页岩气水平井测井产能预测方法
CN109815516A (zh) 对页岩气井产能进行预测的方法及装置
CN106150477A (zh) 一种确定单井控制储量的方法
CN104564006A (zh) 一种低渗气井压裂产水能力判断方法
Yao et al. Optimization of fracturing parameters by modified variable-length particle-swarm optimization in shale-gas reservoir
CN114595608A (zh) 一种压裂施工参数和工作制度参数优化方法及系统
CN114547953B (zh) 一种基于优化设计图版的压裂施工参数优化方法及系统
Dapeng et al. An independent fracturing water-flooding development method for shallow low-permeability thin oil layers in multi-layer sandstone reservoirs
CN110717270B (zh) 一种基于数据的油气藏仿真模拟方法
CN116122801A (zh) 一种页岩油水平井体积压裂可压性综合评价方法
Chen et al. Optimization of production performance in a CO2 flooding reservoir under uncertainty
Ma et al. A Data-Driven Oil Production Prediction Method Based on the Gradient Boosting Decision Tree Regression.
CN107832900B (zh) 砂砾岩油藏注水效果评价方法
CN112502677B (zh) 一种基于多元线性回归的注水开发效果评价方法
CN115030714A (zh) 一种致密储层工程甜点的识别方法
CN111625925B (zh) 一种基于色谱分离的三元复合驱注采优化方法
CN111400853B (zh) 封闭边界压裂水平井非稳态产能预测方法及装置
Yuan et al. Enhance horizontal well performance by optimising multistage hydraulic fracture and water flooding

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