CN109800521A - 一种基于机器学习的油水相对渗透率曲线计算方法 - Google Patents
一种基于机器学习的油水相对渗透率曲线计算方法 Download PDFInfo
- Publication number
- CN109800521A CN109800521A CN201910078370.XA CN201910078370A CN109800521A CN 109800521 A CN109800521 A CN 109800521A CN 201910078370 A CN201910078370 A CN 201910078370A CN 109800521 A CN109800521 A CN 109800521A
- Authority
- CN
- China
- Prior art keywords
- oil
- relative permeability
- curve
- water relative
- value
- 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.)
- Pending
Links
- 230000035699 permeability Effects 0.000 title claims abstract description 107
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 100
- 238000004364 calculation method Methods 0.000 title claims abstract description 17
- 238000010801 machine learning Methods 0.000 title claims abstract description 13
- 238000013528 artificial neural network Methods 0.000 claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000012512 characterization method Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 239000004519 grease Substances 0.000 claims abstract description 11
- 208000035126 Facies Diseases 0.000 claims abstract description 10
- 238000011160 research Methods 0.000 claims abstract description 9
- 239000011148 porous material Substances 0.000 claims abstract description 5
- 238000006073 displacement reaction Methods 0.000 claims abstract description 4
- 238000005452 bending Methods 0.000 claims description 9
- 230000001537 neural effect Effects 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 4
- 230000008595 infiltration Effects 0.000 claims description 4
- 238000001764 infiltration Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 239000012530 fluid Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 239000002002 slurry Substances 0.000 claims description 3
- 238000009738 saturating Methods 0.000 claims description 2
- 230000003068 static effect Effects 0.000 abstract description 2
- 238000013459 approach Methods 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 6
- 239000011435 rock Substances 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 229910052500 inorganic mineral Inorganic materials 0.000 description 3
- 239000011707 mineral Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- YGANSGVIUGARFR-UHFFFAOYSA-N dipotassium dioxosilane oxo(oxoalumanyloxy)alumane oxygen(2-) Chemical compound [O--].[K+].[K+].O=[Si]=O.O=[Al]O[Al]=O YGANSGVIUGARFR-UHFFFAOYSA-N 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000010433 feldspar Substances 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 229910052627 muscovite Inorganic materials 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000010453 quartz Substances 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于机器学习的油水相对渗透率曲线计算方法,包括以下步骤:建立表征油水相对渗透率曲线特征的模型;油水相对渗透率曲线样本的预处理;采用神经网络图灵机训练样本及检验模型;预测油水相对渗透率曲线。本发明利用机器学习的计算方法得出油水相对渗透率曲线,速度快,成本低,考虑了油水粘度、孔隙度、渗透率、孔隙结构、矿物成分、沉积相带和驱替条件等动态和静态因素,符合实际矿场应用,为油水相对渗透率曲线的研究提供了新思路。
Description
技术领域
本发明属于油田开发数据挖掘技术领域,具体地说,涉及一种基于机器学习的油水相对渗透率曲线计算方法。
背景技术
目前国内外人工智能技术迅猛发展,机器学习技术作为其中的一个大方向,正在不断的应用于油气田开发领域。油水相对渗透率曲线是反映油藏油水渗流特征的重要曲线,是油田进行开发方案设计、油田动态计算、油藏数值模拟中不可缺少的基础数据,所以其研究价值非常大。计算油水相对渗透率曲线的方法主要有以下两大类:
第一,目前多数研究油水相对渗透率曲线的方法多为实验方法。主要是根据所取得的岩心,通过实验来研究其影响因素。影响油水相对渗透率曲线的因素非常多,包括岩石润湿性、油水饱和顺序、温度、孔隙结构以及油水粘度比等,大量文献已经阐述了各因素对油水相对渗透率曲线的影响。从岩心所得数据来看,其对井底周围的地层状况反映较为准确,由于油藏的复杂性,并不能完全反映整个区块的实际状况。同时实验方法计算相对渗透率曲线耗时较长,成本高,数据量受岩心数量的约束大。
第二,由实验得出的油水相对渗透率曲线有其局限性,因此有人提出了利用油田生产动态数据等生产数据来计算能反映整个油藏情况的油水相对渗透率曲线。该方法虽然可以计算油水相对渗透率曲线,但是不能反映影响油水相对渗透率曲线的相关因素,缺乏一定的依据性。
综上所述,目前研究油水相对渗透率曲线的方法较为有限,均有其相应的局限性,还需要继续深入研究;另外,结合机器学习的方法研究油水相对渗透率曲线的方法为空白。
发明内容
有鉴于此,本发明针对上述的问题,提供了一种基于机器学习的油水相对渗透率曲线计算方法。
为了解决上述技术问题,本发明公开了一种基于机器学习的油水相对渗透率曲线计算方法,包括以下步骤:
步骤1、建立表征油水相对渗透率曲线特征的模型;
步骤2、油水相对渗透率曲线样本的预处理;
步骤3、采用神经网络图灵机训练样本及检验模型;
步骤4、预测油水相对渗透率曲线。
可选地,所述步骤1中的建立表征油水相对渗透率曲线特征的模型具体为:
S1.1、在图像中提取出等渗点、端点值反应油水相对渗透率曲线的表征值;
S1.2、使用基于Freeman链码的曲线表征方法表征油水相对渗透率曲线的弯曲特征,求得每条油水相对渗透率曲线的链码值,用于表征曲线的变化形态;
S1.3、将上述参数整理成向量形式,构成样本的数据的输出。
可选地,所述的使用基于Freeman链码的曲线表征方法表征油水相对渗透率曲线的弯曲特征具体为:
选择一个已细化的二值化图像中的端点作为参考点,与其相邻的像素分别在8个不同的位置上,给它们赋予方向值0~7,称为0~7位链码方向值,一个线条用Freeman链码的码值串来表示,称为该线条图形的链码;
曲线的链码表示:
式中,MN—曲线的Freeman链码表示,S—曲线的起点,ai—方向;
给出一条曲线,将其二值化为一个9×9的点阵图,以S为起始点,E为终点,根据链码方向值,下一像素点在初始点的u方位,则第一位数为u;同理,下一位点在上一位点的方向值即为其链码值,逐点判断,直到终点E(an),得出链码值;
首先,在油水相对渗透率曲线中提取实际值等渗点d,油相相对渗透率曲线的两个端点值(Swc,kroc)和(Sor,0),水相相对渗透率曲线的两个端点值(Swc,0)和(Sor,krwr);
其次,将油水相对渗透率曲线进行二值化处理,图像大小细化为20×20像素,由Freeman链码方法,得出分别表示两条相对渗透率曲线弯曲特点的链码值Mo和Mw;
式中,d—等渗点,小数;Swc—束缚水饱和度,小数;Sor—残余油饱和度,小数;kroc—束缚水饱和度下油相相对渗透率,小数;krwr—残余油饱和度下水相相对渗透率,小数;Mo—油相曲线链码值;Mw—水相曲线链码值;
根据每条油水相对渗透率曲线的特征,求得每一个样本中油水相对渗透率曲线的表征值。
可选地,所述步骤S2中的油水相对渗透率曲线样本的预处理具体为:
收集油水相对渗透率曲线样本;对于不同沉积微相类型,用数字1,2,3…依次表示;对于岩性,采用A,B,C…按含量依次表示;对于物性参数,用渗透率、孔隙度等表示;对于流体性质,用油水粘度表示;对于微观孔隙结构,用平均粒径、孔喉半径、分选系数、均质系数表示;对于驱替条件,用压力、温度、注入体积倍数等表示;
上述数据构成样本的输入,油水相对渗透率曲线的表征值构成样本的输出,即形成样本集。
可选地,研究的沉积相带为河流相,河流相的沉积微相具体为:心滩微相—1;边滩微相—2;河套充填微相—3;天然堤—4;决口扇—5;泛滥盆地—6;河底滞留沉积—7;
岩性为常规砂岩,常规砂岩的矿物成分具体为:长石—A;石英—B;白云母—C;重矿物——D;岩屑—E。
可选地,所述步骤S3中采用神经网络图灵机训练样本及检验模型具体为:
根据预处理的样本集,划分出训练集和测试集,利用神经图灵机算法训练样本,控制器采用BP神经网络,通过迭代法优化神经网络的权重,使得预测值与实际值误差最小,采用均方误差建立目标函数,其损失函数为:
其中,yi表示归一化后的油水相对渗透率曲线的输出特征,yθ(xi)表示神经网络的预测值,θ表示神经网络的权重系数;
BP神经网络控制器在优化之后,对参数进行微调,损失值稳定在0.01上下,效果良好;隐层神经元个数在[31,35]之间,平均误差变化不大;
得到性能良好的基于BP神经网络的神经图灵机模型,利用该模型进行油水相对渗透率曲线预测。
可选地,所述步骤4中的步预测油水相对渗透率曲线具体为:经过步骤3模型训练好之后,选取油藏实际数据,将数据输入到模型内,生成预测数据;利用预测数据,借助MATLAB,结合相关特征值,对Freeman链码进行还原,实现自动绘制油水相对渗透率曲线。
与现有技术相比,本发明可以获得包括以下技术效果:
1)本发明结合机器学习方法,充分考虑影响油水相对渗透率曲线的动态和静态因素,形成一种预测油水相对渗透率曲线的新方法。
2)本发明结合曲线描述技术,充分刻画油水相对渗透率曲线的弯曲特征,可反映具有不同性质岩石的曲线特征差异性。
3)本发明训练好的神经图灵机模型,可以迅速调用得出油水相对渗透率曲线,在保证精度的同时,求解方法简单高效,克服了现有技术的不足。
当然,实施本发明的任一产品并不一定需要同时达到以上所述的所有技术效果。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是本发明Freeman链码方向示意图。
图2是本发明曲线示意图。
图3是本发明Freeman链码图例。
图4是本发明油水相对渗透率曲线样本1。
图5是本发明油水相对渗透率曲线样本2。
图6是本发明油水相对渗透率曲线样本3。
图7是本发明油水相对渗透率曲线样本4。
图8是本发明表征预测精度的神经网络损失图。
图9是本发明基于BP神经网络的神经图灵机示意图。
图10是本发明油水相对渗透率曲线计算步骤图。
图11是本发明油水相对渗透率曲线预测图。
具体实施方式
以下将配合实施例来详细说明本发明的实施方式,藉此对本发明如何应用技术手段来解决技术问题并达成技术功效的实现过程能充分理解并据以实施。
本发明公开了一种基于机器学习的油水相对渗透率曲线计算方法,包括以下步骤:
S1、建立表征油水相对渗透率曲线特征的模型:
针对一定数量的样本集,首先要把以图像给出的油水相对渗透率曲线特征提取出来,形成既能深刻反映油水相对渗透率曲线特点,又能满足机器学习的输出的数据结构。
S1.1、在图像中提取出等渗点、端点值等明显反应油水相对渗透率曲线的表征值;
S1.2、使用基于Freeman链码的曲线表征方法表征油水相对渗透率曲线的弯曲特征,求得每条油水相对渗透率曲线的链码值,用于表征曲线的变化形态。
S1.3、将上述参数整理成向量形式,构成样本的数据的输出。
Freeman链码的使用方法如下:
选择一个端点(已细化的二值化图像)作为参考点,与其相邻的像素分别在8个不同的位置上,给它们赋予方向值0~7(如图1),称为0~7位链码方向值,一个线条可以用Freeman链码的码值串来表示,称为该线条图形的链码。
曲线的链码表示,
式中,MN—曲线的Freeman链码表示,S—曲线的起点,ai—方向。
如图2,给出一条曲线,可将其二值化为一个9×9的点阵图,如图3,S为起始点,E(an)为终点。以初始点为例,根据链码方向值,下一像素点在初始点的6方位,则第一位数为6;同理,下一位点在上一位点的方向值即为其链码值,逐点判断,直到终点E(an),得出链码值。根据链码方向值可判断,此线段可表示为M=67670776;
首先,如图4所示,在油水相对渗透率曲线中提取实际值等渗点d,油相相对渗透率曲线的两个端点值(Swc,kroc)和(Sor,0),水相相对渗透率曲线的两个端点值(Swc,0)和(Sor,krwr);
其次,将油水相对渗透率曲线进行二值化处理,图像大小细化为为20×20像素,由Freeman链码方法,得出分别表示两条相对渗透率曲线弯曲特点的链码值Mo和Mw;
如图4-图7,选择样本1到样本4举例,借助MATLAB辅助,可得其Freeman链码值如表1所示:
表1样本1到样本4的Freeman链码值
样本1 | 样本2 | 样本3 | 样本4 | |
M<sub>O</sub> | 777776706077000 | 77777670606077000 | 777776706077000 | 76776676706077000 |
M<sub>W</sub> | 010101011112112 | 010101011212121 | 01010100121212 | 0101010112121212 |
由端点值和Freeman链码,求得每一个样本的油水相对渗透率曲线的表征值。
S2、油水相对渗透率曲线样本的预处理:
收集油水相对渗透率曲线样本;对于不同沉积微相类型,可用数字1,2,3…依次表示;对于矿物成分,可以采用A,B,C…按含量依次表示;对于物性参数,可用渗透率、孔隙度等表示;对于流体性质,可用油水粘度表示。对于微观孔隙结构,可用平均粒径、孔喉半径、分选系数、均质系数等表示;对于驱替条件,可用压力、温度、注入体积倍数等表示。
研究的沉积相带主要为河流相,河流相的沉积微相具体为:
心滩微相—1;边滩微相—2;河套充填微相—3;天然堤—4;决口扇—5;泛滥盆地—6;河底滞留沉积—7。
研究的岩性为常规砂岩,常规砂岩的矿物成分具体为:
长石—A;石英—B;白云母—C;重矿物——D;岩屑—E。
上述数据构成样本的输入,油水相对渗透率曲线的表征值构成样本的输出,即形成样本集。
S3、采用神经网络图灵机训练样本及检验模型:
可选取某油田近年来积累的样本数据,样本数量控制在50至200之间,经研究,该规模的样本集训练效果较好。
利用神经网络训练样本,通过迭代法优化神经网络的权重,使得预测值与实际值误差最小,采用均方误差建立目标函数,其损失函数为:
其中,yi表示归一化后的油水相对渗透率曲线的输出特征,yθ(xi)表示神经网络的预测值,θ表示神经网络的权重系数。
本实施例中,选取70个样本,其中10个为测试集;选取BP神经网络作为控制器,其输入层神经元个数为12,输出层神经元为7,中间增加一个隐层;初始化神经网络权重,利用低度下降算法计算式(2)损失值,使其最小,并不断迭代优化神经网络权重,反复训练并对比损失函数图的稳定值;采用网格搜索算法,对隐层神经元个数进行调整,确定最优神经元个数。
经过在测试集上的验证与调整,测试集的计算精确度如表2所示:
表2测试集样本预测值与实际值对比
平均误差为2.23%。
结合图8,BP神经网络控制器在上述优化之后,对参数进行微调,损失值稳定在0.01上下,效果良好;隐层神经元个数在[31,35]之间,平均误差变化不大。
如图9,得到性能良好的基于BP神经网络的神经图灵机模型,可利用该模型进行油水相对渗透率曲线预测。
S4、预测油水相对渗透率曲线:
模型训练好之后,选取油藏实际数据,将数据输入到模型内,生成预测数据;利用预测数据,借助MATLAB,结合相关特征值,对Freeman链码进行还原,实现自动绘制油水相对渗透率曲线。
结合图10,完成神经网络的一套训练及预测流程,经过调参之后,得出一个高性能的模型,并且能够自动实现油水相对渗透率曲线的绘制工作。
实施例1
在数据集中选取一组样本,描述部分参数:沉积微相为心滩微相;主要矿物成分为长石、石英以及白云母;渗透率为380mDc,孔隙度0.34;油水粘度分别为0.52x10-3/Pa.s、1280.6x10-3/Pa.s等参数。
经过步骤S1、S2,对样本标准化处理,调用上述神经图灵机,可迅速得出油水相对渗透率曲线特征值输出;根据输出结果,对数据进行还原,绘制油水相对渗透率曲线,如图11所示,预测效果理想,油水相对渗透率曲线能很好的反映整个油藏情况。
上述说明示出并描述了发明的若干优选实施例,但如前所述,应当理解发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述发明构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离发明的精神和范围,则都应在发明所附权利要求的保护范围内。
Claims (7)
1.一种基于机器学习的油水相对渗透率曲线计算方法,其特征在于,包括以下步骤:
步骤1、建立表征油水相对渗透率曲线特征的模型;
步骤2、油水相对渗透率曲线样本的预处理;
步骤3、采用神经网络图灵机训练样本及检验模型;
步骤4、预测油水相对渗透率曲线。
2.根据权利要求1所述的计算方法,其特征在于,所述步骤1中的建立表征油水相对渗透率曲线特征的模型具体为:
S1.1、在图像中提取出等渗点、端点值反应油水相对渗透率曲线的表征值;
S1.2、使用基于Freeman链码的曲线表征方法表征油水相对渗透率曲线的弯曲特征,求得每条油水相对渗透率曲线的链码值,用于表征曲线的变化形态;
S1.3、将上述参数整理成向量形式,构成样本的数据的输出。
3.根据权利要求2所述的计算方法,其特征在于,所述的使用基于Freeman链码的曲线表征方法表征油水相对渗透率曲线的弯曲特征具体为:
选择一个已细化的二值化图像中的端点作为参考点,与其相邻的像素分别在8个不同的位置上,给它们赋予方向值0~7,称为0~7位链码方向值,一个线条用Freeman链码的码值串来表示,称为该线条图形的链码;
曲线的链码表示:
式中,MN—曲线的Freeman链码表示,S—曲线的起点,ai—方向;
给出一条曲线,将其二值化为一个9×9的点阵图,以S为起始点,E为终点,根据链码方向值,下一像素点在初始点的u方位,则第一位数为u;同理,下一位点在上一位点的方向值即为其链码值,逐点判断,直到终点E(an),得出链码值;
首先,在油水相对渗透率曲线中提取实际值等渗点d,油相相对渗透率曲线的两个端点值(Swc,kroc)和(Sor,0),水相相对渗透率曲线的两个端点值(Swc,0)和(Sor,krwr);
其次,将油水相对渗透率曲线进行二值化处理,图像大小细化为20×20像素,由Freeman链码方法,得出分别表示两条相对渗透率曲线弯曲特点的链码值Mo和Mw;
式中,d—等渗点,小数;Swc—束缚水饱和度,小数;Sor—残余油饱和度,小数;kroc—束缚水饱和度下油相相对渗透率,小数;krwr—残余油饱和度下水相相对渗透率,小数;Mo—油相曲线链码值;Mw—水相曲线链码值;
根据每条油水相对渗透率曲线的特征,求得每一个样本中油水相对渗透率曲线的表征值。
4.根据权利要求1所述的计算方法,其特征在于,所述步骤S2中的油水相对渗透率曲线样本的预处理具体为:
收集油水相对渗透率曲线样本;对于不同沉积微相类型,用数字1,2,3…依次表示;对于岩性,采用A,B,C…按含量依次表示;对于物性参数,用渗透率、孔隙度等表示;对于流体性质,用油水粘度表示;对于微观孔隙结构,用平均粒径、孔喉半径、分选系数、均质系数表示;对于驱替条件,用压力、温度、注入体积倍数等表示;
上述数据构成样本的输入,油水相对渗透率曲线的表征值构成样本的输出,即形成样本集。
5.根据权利要求4所述的计算方法,其特征在于,研究的沉积相带为河流相,河流相的沉积微相具体为:心滩微相—1;边滩微相—2;河套充填微相—3;天然堤—4;决口扇—5;泛滥盆地—6;河底滞留沉积—7;
岩性为常规砂岩,常规砂岩的矿物成分具体为:长石—A;石英—B;白云母—C;重矿物——D;岩屑—E。
6.根据权利要求1所述的计算方法,其特征在于,所述步骤S3中采用神经网络图灵机训练样本及检验模型具体为:
根据预处理的样本集,划分出训练集和测试集,利用神经图灵机算法训练样本,控制器采用BP神经网络,通过迭代法优化神经网络的权重,使得预测值与实际值误差最小,采用均方误差建立目标函数,其损失函数为:
其中,yi表示归一化后的油水相对渗透率曲线的输出特征,yθ(xi)表示神经网络的预测值,θ表示神经网络的权重系数;
BP神经网络控制器在优化之后,对参数进行微调,损失值稳定在0.01上下,效果良好;隐层神经元个数在[31,35]之间,平均误差变化不大;
得到性能良好的基于BP神经网络的神经图灵机模型,利用该模型进行油水相对渗透率曲线预测。
7.根据权利要求1所述的计算方法,其特征在于,所述步骤4中的步预测油水相对渗透率曲线具体为:经过步骤3模型训练好之后,选取油藏实际数据,将数据输入到模型内,生成预测数据;利用预测数据,借助MATLAB,结合相关特征值,对Freeman链码进行还原,实现自动绘制油水相对渗透率曲线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910078370.XA CN109800521A (zh) | 2019-01-28 | 2019-01-28 | 一种基于机器学习的油水相对渗透率曲线计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910078370.XA CN109800521A (zh) | 2019-01-28 | 2019-01-28 | 一种基于机器学习的油水相对渗透率曲线计算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109800521A true CN109800521A (zh) | 2019-05-24 |
Family
ID=66560397
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910078370.XA Pending CN109800521A (zh) | 2019-01-28 | 2019-01-28 | 一种基于机器学习的油水相对渗透率曲线计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109800521A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112016212A (zh) * | 2020-08-28 | 2020-12-01 | 北京科技大学 | 一种基于渗流控制方程的储层纵向非均质性评价方法 |
CN112612997A (zh) * | 2020-12-29 | 2021-04-06 | 中国石油大学(华东) | 一种基于深度学习的油水相对渗透率曲线计算方法 |
CN112800589A (zh) * | 2021-01-08 | 2021-05-14 | 中国石油大学(华东) | 一种基于人工智能的油水两相流相对渗透网格粗化方法 |
CN113029892A (zh) * | 2020-03-17 | 2021-06-25 | 中国海洋石油集团有限公司 | 基于区域统计规律的油水相对渗透率曲线合理性评价方法 |
CN113806998A (zh) * | 2020-06-16 | 2021-12-17 | 中国石油化工股份有限公司 | 一种储层相渗曲线仿真方法 |
CN114066084A (zh) * | 2021-11-19 | 2022-02-18 | 中国科学院地质与地球物理研究所 | 一种基于机器学习的相渗曲线预测方法及系统 |
US11402315B2 (en) | 2020-07-06 | 2022-08-02 | Landmark Graphics Corporation | Estimating relative permeability and capillary pressures of a geological formation based on multiphase upscaling |
CN115618750A (zh) * | 2022-12-16 | 2023-01-17 | 中国石油大学(华东) | 一种基于耦合神经网络的地下油水渗流代理模型 |
NL2030948B1 (en) * | 2022-02-15 | 2023-08-21 | Inst Geology & Geophysics Cas | Method of predicting a relative permeability curve based on machine learning |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101916441A (zh) * | 2010-08-06 | 2010-12-15 | 西北工业大学 | 一种数字图像中基于Freeman链码的曲线匹配方法 |
CN102418518A (zh) * | 2011-04-12 | 2012-04-18 | 北京师范大学 | 神经网络模拟交会图识别油层水淹级别的方法 |
CN108288092A (zh) * | 2018-01-09 | 2018-07-17 | 中国海洋石油集团有限公司 | 一种利用核磁共振t2谱形态获取致密砂岩渗透率的方法 |
CN108593514A (zh) * | 2018-03-26 | 2018-09-28 | 中国石油化工股份有限公司 | 基于储层物性的油水相对渗透率表征处理方法 |
CN109209361A (zh) * | 2018-08-29 | 2019-01-15 | 西安石油大学 | 一种裂缝性特低渗透油藏地层参数预测方法 |
-
2019
- 2019-01-28 CN CN201910078370.XA patent/CN109800521A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101916441A (zh) * | 2010-08-06 | 2010-12-15 | 西北工业大学 | 一种数字图像中基于Freeman链码的曲线匹配方法 |
CN102418518A (zh) * | 2011-04-12 | 2012-04-18 | 北京师范大学 | 神经网络模拟交会图识别油层水淹级别的方法 |
CN108288092A (zh) * | 2018-01-09 | 2018-07-17 | 中国海洋石油集团有限公司 | 一种利用核磁共振t2谱形态获取致密砂岩渗透率的方法 |
CN108593514A (zh) * | 2018-03-26 | 2018-09-28 | 中国石油化工股份有限公司 | 基于储层物性的油水相对渗透率表征处理方法 |
CN109209361A (zh) * | 2018-08-29 | 2019-01-15 | 西安石油大学 | 一种裂缝性特低渗透油藏地层参数预测方法 |
Non-Patent Citations (1)
Title |
---|
靳秋霞 等: "基于Freeman链码的二维曲线匹配", 《计算机应用》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113029892B (zh) * | 2020-03-17 | 2022-12-13 | 中国海洋石油集团有限公司 | 基于区域统计规律的油水相对渗透率曲线合理性评价方法 |
CN113029892A (zh) * | 2020-03-17 | 2021-06-25 | 中国海洋石油集团有限公司 | 基于区域统计规律的油水相对渗透率曲线合理性评价方法 |
CN113806998A (zh) * | 2020-06-16 | 2021-12-17 | 中国石油化工股份有限公司 | 一种储层相渗曲线仿真方法 |
CN113806998B (zh) * | 2020-06-16 | 2024-06-04 | 中国石油化工股份有限公司 | 一种储层相渗曲线仿真方法 |
US11402315B2 (en) | 2020-07-06 | 2022-08-02 | Landmark Graphics Corporation | Estimating relative permeability and capillary pressures of a geological formation based on multiphase upscaling |
CN112016212A (zh) * | 2020-08-28 | 2020-12-01 | 北京科技大学 | 一种基于渗流控制方程的储层纵向非均质性评价方法 |
CN112612997A (zh) * | 2020-12-29 | 2021-04-06 | 中国石油大学(华东) | 一种基于深度学习的油水相对渗透率曲线计算方法 |
CN112800589A (zh) * | 2021-01-08 | 2021-05-14 | 中国石油大学(华东) | 一种基于人工智能的油水两相流相对渗透网格粗化方法 |
CN112800589B (zh) * | 2021-01-08 | 2022-09-09 | 中国石油大学(华东) | 一种基于人工智能的油水两相流相对渗透网格粗化方法 |
CN114066084A (zh) * | 2021-11-19 | 2022-02-18 | 中国科学院地质与地球物理研究所 | 一种基于机器学习的相渗曲线预测方法及系统 |
CN114066084B (zh) * | 2021-11-19 | 2022-07-29 | 中国科学院地质与地球物理研究所 | 一种基于机器学习的相渗曲线预测方法及系统 |
NL2030948B1 (en) * | 2022-02-15 | 2023-08-21 | Inst Geology & Geophysics Cas | Method of predicting a relative permeability curve based on machine learning |
CN115618750A (zh) * | 2022-12-16 | 2023-01-17 | 中国石油大学(华东) | 一种基于耦合神经网络的地下油水渗流代理模型 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109800521A (zh) | 一种基于机器学习的油水相对渗透率曲线计算方法 | |
CN110334431A (zh) | 一种低渗透致密气藏单井控制储量计算及剩余气分析方法 | |
CN113553780B (zh) | 一种基于机器学习的地层孔隙压力预测方法 | |
CN111027211B (zh) | 一种考虑孔喉受限机理的致密油藏流体模拟方法及在注气开发模拟的应用 | |
CN108009716A (zh) | 一种水平井体积压裂效果影响因素多层次评价方法 | |
CN104750896B (zh) | 一种缝洞型碳酸盐岩油藏数值模拟方法 | |
CN110288258A (zh) | 一种高含水油藏剩余油挖潜方法 | |
CN109214026A (zh) | 一种页岩气水平井初期产能预测方法 | |
CN108843312B (zh) | 油田储层层内非均质性综合评价方法 | |
CN114427432B (zh) | 一种气藏剩余气开发潜力确定方法 | |
CN108229062A (zh) | 基于敏感性微观参数预测胶结充填体力学响应特性的方法 | |
CN114638401A (zh) | 一种基于历史及预测油藏知识的剩余油分布预测方法及装置 | |
CN106501146B (zh) | 一种致密油藏物性上限确定方法及装置 | |
CN116658155A (zh) | 一种页岩气井产量预测的方法 | |
CN111950112B (zh) | 一种适用于底部封闭的碳酸盐岩储层动态分析方法 | |
CN109209361B (zh) | 一种裂缝性特低渗透油藏地层参数预测方法 | |
CN112049629B (zh) | 一种基于甲型水驱特征曲线的缝洞型油藏采收率预测方法 | |
CN105022856B (zh) | 预测高弯度曲流河储层内部结构的储层建模方法 | |
CN112539054B (zh) | 地面管网与地下油藏复杂系统生产优化方法 | |
CN106874560A (zh) | 一种傍河水源地优化布井方法 | |
CN111950111B (zh) | 一种适用于底部开放的碳酸盐岩储层动态分析方法 | |
CN110486008A (zh) | 一种径向复合油藏的参数解释方法及系统 | |
CN114460639B (zh) | 页岩油储层渗透率的预测方法及装置 | |
CN106802986A (zh) | 一种稠油边底水油藏多轮co2吞吐评价方法 | |
CN108242025B (zh) | 基于信息熵-区间数的砂岩油藏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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230714 Address after: 266400 No. 66, Changjiang West Road, Huangdao District, Qingdao, Shandong Applicant after: CHINA University OF PETROLEUM (EAST CHINA) Applicant after: CHINA PETROLEUM & CHEMICAL Corp. Address before: 266580 No. 66 Changjiang West Road, Huangdao District, Qingdao, Shandong. Applicant before: CHINA University OF PETROLEUM (EAST CHINA) |
|
TA01 | Transfer of patent application right | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190524 |
|
RJ01 | Rejection of invention patent application after publication |