CN111364953B - 一种基于图神经网络的井间动态连通性识别方法及系统 - Google Patents
一种基于图神经网络的井间动态连通性识别方法及系统 Download PDFInfo
- Publication number
- CN111364953B CN111364953B CN202010157632.4A CN202010157632A CN111364953B CN 111364953 B CN111364953 B CN 111364953B CN 202010157632 A CN202010157632 A CN 202010157632A CN 111364953 B CN111364953 B CN 111364953B
- Authority
- CN
- China
- Prior art keywords
- well
- neural network
- production
- water injection
- production data
- 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
Images
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH DRILLING; MINING
- E21B—EARTH DRILLING, e.g. DEEP DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B43/00—Methods or apparatus for obtaining oil, gas, water, soluble or meltable materials or a slurry of minerals from wells
- E21B43/16—Enhanced recovery methods for obtaining hydrocarbons
- E21B43/20—Displacing by water
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH DRILLING; MINING
- E21B—EARTH DRILLING, e.g. DEEP DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B43/00—Methods or apparatus for obtaining oil, gas, water, soluble or meltable materials or a slurry of minerals from wells
- E21B43/30—Specific pattern of wells, e.g. optimizing the spacing of wells
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH DRILLING; MINING
- E21B—EARTH DRILLING, e.g. DEEP DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B47/00—Survey of boreholes or wells
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH DRILLING; MINING
- E21B—EARTH DRILLING, e.g. DEEP DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B47/00—Survey of boreholes or wells
- E21B47/06—Measuring temperature or pressure
Abstract
本发明公开了一种基于图神经网络的井间动态连通性识别方法及系统,涉及井间连通性识别领域,包括获取目标井网的几何信息;获取述目标井网的历史生产数据;根据述目标井网的几何信息和历史生产数据,建立图神经网络模型;获取目标井网的实时生产数据,并根据实时生产数据和图神经网络模型,识别目标井网内各个井间的动态流通性。本发明通过图神经网络的机器学习方法,利用井网的几何信息和历史生产数据,来识别井网之中不同井之间的动态连通性状况,真实反映注水井和生产井层内的连通性特征。
Description
技术领域
本发明涉及井间连通性识别领域,特别是涉及一种基于图神经网络的井间动态连通性识别方法及系统。
背景技术
油藏是一个较为复杂的动力学系统,在注水井的注水量不同时将引起生产井产液波动,即反映出注水井和生产井层内的连通性特征,连通性越好,生产井产液波动与注水井注水量变化情况越趋于一致。井间连通性体现了流体在井间流动能力的好坏,是油藏工程评价的重要参数。
现有的算法和井网模型未考虑井间连通性是一个动态的变化过程。
发明内容
本发明的目的是提供一种基于图神经网络的井间动态连通性识别方法及系统,通过图神经网络的机器学习方法,利用井网的几何信息和历史生产数据,来识别井网之中不同井之间的动态连通性状况,真实反映注水井和生产井层内的连通性特征。
为实现上述目的,本发明提供了如下方案:
一种基于图神经网络的井间动态连通性识别方法,包括:
获取目标井网的几何信息;所述几何信息包括注水井的数量、生产井的数量、各个井点之间的距离以及各个井点之间的相对位置;
获取所述目标井网的历史生产数据;
根据所述目标井网的几何信息和历史生产数据,建立图神经网络模型;
获取所述目标井网的实时生产数据,并根据所述实时生产数据和所述图神经网络模型,识别目标井网内各个井间的动态流通性;所述实时生产数据包括各个生产井当前的井底流压和温度,以及各个注水井当前的井底流压和温度。
可选的,所述获取所述目标井网的历史生产数据,具体包括:
获取所述目标井网中各个生产井和各个注水井的工作时序;所述工作时序包括各个生产井和各个注水井开始工作时间以及在不同时间所进行的关井操作和关井时长;
基于所述目标井网中各个生产井和各个注水井的工作时序,获取所述目标井网中各个生产井和各个注水井的历史生产数据;所述历史生产数据包括各个生产井在不同时间的井底流压、温度和采油量,以及各个注水井在不同时间的井底流压、温度和注水量。
可选的,所述根据所述目标井网的几何信息和历史生产数据,建立图神经网络模型,具体包括:
根据所述目标井网的几何信息建立图神经网络;其中,所述图神经网络的不同节点代表不同的生产井点和注水井点;所述图神经网络中包括8至12层全连接隐藏层;
利用所述目标井网的几何信息和历史生产数据,训练所述图神经网络,建立图神经网络模型。
可选的,所述获取所述目标井网的实时生产数据,并根据所述实时生产数据和所述图神经网络模型,识别目标井网内各个井间的动态流通性,具体包括:
获取所述目标井网的实时生产数据,并将所述实时生产数据输入至所述图神经网络模型,得到所述目标井网中各个生产井的当前采油量和各个注水井的当前注水量;
根据各个所述生产井的当前采油量和各个所述注水井的当前注水量,识别目标井网内各个井间的动态流通性。
一种基于图神经网络的井间动态连通性识别系统,包括:
几何信息获取模块,用于获取目标井网的几何信息;所述几何信息包括注水井的数量、生产井的数量、各个井点之间的距离以及各个井点之间的相对位置;
历史生产数据获取模块,用于获取所述目标井网的历史生产数据;
图神经网络模型建立模块,用于根据所述目标井网的几何信息和历史生产数据,建立图神经网络模型;
动态流通性识别模块,用于获取所述目标井网的实时生产数据,并根据所述实时生产数据和所述图神经网络模型,识别目标井网内各个井间的动态流通性;所述实时生产数据包括各个生产井当前的井底流压和温度,以及各个注水井当前的井底流压和温度。
可选的,所述历史生产数据获取模块,具体包括:
工作时序确定单元,用于获取所述目标井网中各个生产井和各个注水井的工作时序;所述工作时序包括各个生产井和各个注水井开始工作时间以及在不同时间所进行的关井操作和关井时长;
历史生产数据获取单元,用于基于所述目标井网中各个生产井和各个注水井的工作时序,获取所述目标井网中各个生产井和各个注水井的历史生产数据;所述历史生产数据包括各个生产井在不同时间的井底流压、温度和采油量,以及各个注水井在不同时间的井底流压、温度和注水量。
可选的,所述图神经网络模型建立模块,具体包括:
图神经网络建立单元,用于根据所述目标井网的几何信息建立图神经网络;其中,所述图神经网络的不同节点代表不同的生产井点和注水井点;所述图神经网络中包括8至12层全连接隐藏层;
训练单元,用于利用所述目标井网的几何信息和历史生产数据,训练所述图神经网络,建立图神经网络模型。
可选的,所述动态流通性识别模块,具体包括:
当前采油量和当前注水量确定单元,用于获取所述目标井网的实时生产数据,并将所述实时生产数据输入至所述图神经网络模型,得到所述目标井网中各个生产井的当前采油量和各个注水井的当前注水量;
动态流通性识别单元,用于根据各个所述生产井的当前采油量和各个所述注水井的当前注水量,识别目标井网内各个井间的动态流通性。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明将油藏、井网及动态变化参数为节点属性,以井网中注水井、生产井作为数据结构顶点,数据结构的边体现井间连通性,考虑空间、时间对数据所产生的影响,将数据进行预处理,从而训练出图神经网络,得到动态的井间连通性变化。本发明的优点在于基于历史数据训练得出井间连通性的动态变化,相对于现有的井网模型,考虑到了时间的影响,其连通性是一个动态的变化过程,真实反映注水井和生产井层内的连通性特征。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明基于图神经网络的井间动态连通性识别方法的流程图;
图2为本发明基于图神经网络的井间动态连通性识别系统的结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种基于图神经网络的井间动态连通性识别方法及系统,通过图神经网络的机器学习,利用井网的几何信息和历史生产数据,来识别井网之中不同井之间的动态连通性状况,真实反映注水井和生产井层内的连通性特征。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
在油田复杂的流场环境下,每口井都可以抽象为一个包含丰富关系信息的图数据,因此,本发明主要是利用井网的历史生产数据,通过图神经网络研究出油藏的动态连通性。
如图1所示,本发明提供的基于图神经网络的井间动态连通性识别方法,包括如下步骤。
步骤101:获取目标井网的几何信息。具体为:
确定需要进行动态连通性分析的目标井网。
获取所述目标井网的几何信息;所述几何信息包括注水井的数量、生产井的数量、各个井点之间的距离以及各个井点之间的相对位置。
步骤102:获取所述目标井网的历史生产数据。具体为:
获取所述目标井网中各个生产井和各个注水井的工作时序;所述工作时序包括各个生产井和各个注水井开始工作时间以及在不同时间所进行的关井操作和关井时长。由于目标井网中各个井不是一起开始工作的,是在不同时间开始的,而且工作的时候为了采出更多的油,有时候会关井,关井一段时间再开始工作。
基于所述目标井网中各个生产井和各个注水井的工作时序,获取所述目标井网中各个生产井和各个注水井的历史生产数据;所述历史生产数据包括各个生产井在不同时间的井底流压、温度和采油量,以及各个注水井在不同时间的井底流压、温度和注水量。
因为人为原因或者机器损坏使某个井在某个时间上的数据和其他数据不再一个数量级上,甚至是违背流动规律,存在明显异常的数据。那么,在执行步骤103之前,需要对历史生产数据进行预处理,剔除异常数据。例如,剔除与其他数据不再一个数量级上数据和违背流动规律的数据。
步骤103:根据所述目标井网的几何信息和历史生产数据,建立图神经网络模型。具体为:
步骤1031:根据所述目标井网的几何信息建立图神经网络;其中,所述图神经网络的不同节点代表不同的生产井点和注水井点;所述图神经网络中建立8至12层全连接隐藏层。
第一层神经元数量开始是节点的数量×节点的特征数量(井底流压、温度、采油量或注水量3个),每个隐藏层的神经元依次等差减少,最后一层神经元的数量与节点数目(即生产井和注水井的数量)一致。
步骤1032:利用所述目标井网的几何信息和历史生产数据,训练所述图神经网络,建立图神经网络模型。
步骤10321:将几何信息和历史生产数据进行划分:
以xv代表井底流压、温度、采油量或注水量作为某节点的节点特征。
以xco[v]代表不同井点之间的距离和相对位置作为边属性。
以xne[v]代表某节点邻居节点的节点特征。
步骤10322:采用按时间顺序将步骤10321中前百分之九十的数据为训练集数据。采用按时间顺序将步骤10321中后百分之十的数据为预测数据。
步骤10323:将训练集数据导入图神经网络,并训练图神经网络,建立图神经网络模型。
此时的输出参数(在生产井这个值为采油量,在注水井这个值为注水量)用g来表示;g=f(xv,xco[v],xne[v])。将预测数据的真实值用t来表示。
通过计算误差Loss=∑|g-t|反向传播。改变状态更新参数f直到误差Loss接近于零,此时图神经网络收敛,训练图神经网络结束,得到图神经网络模型的状态更新参数。
将状态更新参数f中关于邻居节点特征xne[v]的参数,使用softmax进行归一化处理。归一化处理后的参数即为每口井受其他井影响的权重参数,则权重参数表示出井间连通性。
步骤104:获取所述目标井网的实时生产数据,并根据所述实时生产数据和所述图神经网络模型,识别目标井网内各个井间的动态流通性;所述实时生产数据包括各个生产井当前的井底流压和温度,以及各个注水井当前的井底流压和温度。具体为:
获取所述目标井网的实时生产数据,并将所述实时生产数据输入至所述图神经网络模型,得到所述目标井网中各个生产井的当前采油量和各个注水井的当前注水量。
根据各个所述生产井的当前采油量和各个所述注水井的当前注水量,识别目标井网内各个井间的动态流通性。
为实现上述目的,本发明还提供了一种基于图神经网络的井间动态连通性识别系统,如图2所示,包括:
几何信息获取模块201,用于获取目标井网的几何信息;所述几何信息包括注水井的数量、生产井的数量、各个井点之间的距离以及各个井点之间的相对位置。
历史生产数据获取模块202,用于获取所述目标井网的历史生产数据。
图神经网络模型建立模块203,用于根据所述目标井网的几何信息和历史生产数据,建立图神经网络模型。
动态流通性识别模块204,用于获取所述目标井网的实时生产数据,并根据所述实时生产数据和所述图神经网络模型,识别目标井网内各个井间的动态流通性;所述实时生产数据包括各个生产井当前的井底流压和温度,以及各个注水井当前的井底流压和温度。
所述历史生产数据获取模块202,具体包括:
工作时序确定单元,用于获取所述目标井网中各个生产井和各个注水井的工作时序;所述工作时序包括各个生产井和各个注水井开始工作时间以及在不同时间所进行的关井操作和关井时长。
历史生产数据获取单元,用于基于所述目标井网中各个生产井和各个注水井的工作时序,获取所述目标井网中各个生产井和各个注水井的历史生产数据;所述历史生产数据包括各个生产井在不同时间的井底流压、温度和采油量,以及各个注水井在不同时间的井底流压、温度和注水量。
所述图神经网络模型建立模块203,具体包括:
图神经网络建立单元,用于根据所述目标井网的几何信息建立图神经网络;其中,所述图神经网络的不同节点代表不同的生产井点和注水井点;所述图神经网络中包括8至12层全连接隐藏层。第一层神经元数量开始是节点的数量×节点的特征数量(井底流压、温度、采油量或注水量3个),每个隐藏层的神经元依次等差减少,最后一层神经元的数量与节点数目(即生产井和注水井的数量)一致。
训练单元,用于利用所述目标井网的几何信息和历史生产数据,训练所述图神经网络,建立图神经网络模型。具体操作过程为:
将几何信息和历史生产数据进行划分:以xv代表井底流压、温度、采油量或注水量作为某节点的节点特征;以xco[v]代表不同井点之间的距离和相对位置作为边属性;以xne[v]代表某节点邻居节点的节点特征。
采用按时间顺序前百分之九十的数据为训练集数据,采用按时间顺序将后百分之十的数据为预测数据。然后将训练集数据导入图神经网络,并训练图神经网络,建立图神经网络模型。此时的输出参数(在生产井这个值为采油量,在注水井这个值为注水量)用g来表示;g=f(xv,xco[v],xne[v])。将预测数据的真实值用t来表示。接着通过计算误差Loss=∑|g-t|反向传播。改变状态更新参数f直到误差Loss接近于零,此时图神经网络收敛,训练图神经网络结束,得到图神经网络模型的状态更新参数。最后将状态更新参数f中关于邻居节点特征xne[v]的参数,使用softmax进行归一化处理。归一化处理后的参数即为每口井受其他井影响的权重参数,则权重参数表示出井间连通性。
所述动态流通性识别模块204,具体包括:
当前采油量和当前注水量确定单元,用于获取所述目标井网的实时生产数据,并将所述实时生产数据输入至所述图神经网络模型,得到所述目标井网中各个生产井的当前采油量和各个注水井的当前注水量。
动态流通性识别单元,用于根据各个所述生产井的当前采油量和各个所述注水井的当前注水量,识别目标井网内各个井间的动态流通性。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (6)
1.一种基于图神经网络的井间动态连通性识别方法,其特征在于,包括:
获取目标井网的几何信息;所述几何信息包括注水井的数量、生产井的数量、各个井点之间的距离以及各个井点之间的相对位置;
获取所述目标井网的历史生产数据;
根据所述目标井网的几何信息和历史生产数据,建立图神经网络模型;
获取所述目标井网的实时生产数据,并根据所述实时生产数据和所述图神经网络模型,识别目标井网内各个井间的动态流通性;所述实时生产数据包括各个生产井当前的井底流压和温度,以及各个注水井当前的井底流压和温度;
所述根据所述目标井网的几何信息和历史生产数据,建立图神经网络模型,具体包括:
根据所述目标井网的几何信息建立图神经网络;其中,所述图神经网络的不同节点代表不同的生产井点和注水井点;所述图神经网络中包括8至12层全连接隐藏层;
利用所述目标井网的几何信息和历史生产数据,训练所述图神经网络,建立图神经网络模型。
2.根据权利要求1所述的一种基于图神经网络的井间动态连通性识别方法,其特征在于,所述获取所述目标井网的历史生产数据,具体包括:
获取所述目标井网中各个生产井和各个注水井的工作时序;所述工作时序包括各个生产井和各个注水井开始工作时间以及在不同时间所进行的关井操作和关井时长;
基于所述目标井网中各个生产井和各个注水井的工作时序,获取所述目标井网中各个生产井和各个注水井的历史生产数据;所述历史生产数据包括各个生产井在不同时间的井底流压、温度和采油量,以及各个注水井在不同时间的井底流压、温度和注水量。
3.根据权利要求1所述的一种基于图神经网络的井间动态连通性识别方法,其特征在于,所述获取所述目标井网的实时生产数据,并根据所述实时生产数据和所述图神经网络模型,识别目标井网内各个井间的动态流通性,具体包括:
获取所述目标井网的实时生产数据,并将所述实时生产数据输入至所述图神经网络模型,得到所述目标井网中各个生产井的当前采油量和各个注水井的当前注水量;
根据各个所述生产井的当前采油量和各个所述注水井的当前注水量,识别目标井网内各个井间的动态流通性。
4.一种基于图神经网络的井间动态连通性识别系统,其特征在于,包括:
几何信息获取模块,用于获取目标井网的几何信息;所述几何信息包括注水井的数量、生产井的数量、各个井点之间的距离以及各个井点之间的相对位置;
历史生产数据获取模块,用于获取所述目标井网的历史生产数据;
图神经网络模型建立模块,用于根据所述目标井网的几何信息和历史生产数据,建立图神经网络模型;
动态流通性识别模块,用于获取所述目标井网的实时生产数据,并根据所述实时生产数据和所述图神经网络模型,识别目标井网内各个井间的动态流通性;所述实时生产数据包括各个生产井当前的井底流压和温度,以及各个注水井当前的井底流压和温度;
所述图神经网络模型建立模块,具体包括:
图神经网络建立单元,用于根据所述目标井网的几何信息建立图神经网络;其中,所述图神经网络的不同节点代表不同的生产井点和注水井点;所述图神经网络中包括8至12层全连接隐藏层;
训练单元,用于利用所述目标井网的几何信息和历史生产数据,训练所述图神经网络,建立图神经网络模型。
5.根据权利要求4所述的一种基于图神经网络的井间动态连通性识别系统,其特征在于,所述历史生产数据获取模块,具体包括:
工作时序确定单元,用于获取所述目标井网中各个生产井和各个注水井的工作时序;所述工作时序包括各个生产井和各个注水井开始工作时间以及在不同时间所进行的关井操作和关井时长;
历史生产数据获取单元,用于基于所述目标井网中各个生产井和各个注水井的工作时序,获取所述目标井网中各个生产井和各个注水井的历史生产数据;所述历史生产数据包括各个生产井在不同时间的井底流压、温度和采油量,以及各个注水井在不同时间的井底流压、温度和注水量。
6.根据权利要求4所述的一种基于图神经网络的井间动态连通性识别系统,其特征在于,所述动态流通性识别模块,具体包括:
当前采油量和当前注水量确定单元,用于获取所述目标井网的实时生产数据,并将所述实时生产数据输入至所述图神经网络模型,得到所述目标井网中各个生产井的当前采油量和各个注水井的当前注水量;
动态流通性识别单元,用于根据各个所述生产井的当前采油量和各个所述注水井的当前注水量,识别目标井网内各个井间的动态流通性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010157632.4A CN111364953B (zh) | 2020-03-09 | 2020-03-09 | 一种基于图神经网络的井间动态连通性识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010157632.4A CN111364953B (zh) | 2020-03-09 | 2020-03-09 | 一种基于图神经网络的井间动态连通性识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111364953A CN111364953A (zh) | 2020-07-03 |
CN111364953B true CN111364953B (zh) | 2022-02-22 |
Family
ID=71207008
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010157632.4A Active CN111364953B (zh) | 2020-03-09 | 2020-03-09 | 一种基于图神经网络的井间动态连通性识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111364953B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112360411B (zh) * | 2020-11-30 | 2022-02-01 | 河海大学 | 基于图神经网络的局部井网注水开发优化方法 |
CN112282714B (zh) * | 2020-11-30 | 2022-03-25 | 河海大学 | 基于深度学习和图论的全井网注水开发优化方法 |
CN113505953B (zh) * | 2021-04-06 | 2024-02-02 | 汕头经济特区超艺螺丝工业有限公司 | 一种紧固件供应链管理系统及其控制方法 |
CN113177319A (zh) * | 2021-04-30 | 2021-07-27 | 中国石油大学(华东) | 基于神经网络敏感性分析的井间连通性判断方法及系统 |
CN115186936B (zh) * | 2022-09-08 | 2022-12-27 | 中科数智能源科技(深圳)有限公司 | 基于gnn模型的油田最优井网构建方法 |
Citations (4)
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 |
CN103670369A (zh) * | 2013-12-12 | 2014-03-26 | 中国石油天然气股份有限公司 | 一种注采井间连通状况的判别方法及装置 |
US20140299311A1 (en) * | 1998-11-20 | 2014-10-09 | Effective Exploration, LLC | System and Method for Accessing Subterranean Deposits |
CN109447532A (zh) * | 2018-12-28 | 2019-03-08 | 中国石油大学(华东) | 一种基于数据驱动的油藏井间连通性确定方法 |
-
2020
- 2020-03-09 CN CN202010157632.4A patent/CN111364953B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140299311A1 (en) * | 1998-11-20 | 2014-10-09 | Effective Exploration, LLC | System and Method for Accessing Subterranean Deposits |
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 |
CN103670369A (zh) * | 2013-12-12 | 2014-03-26 | 中国石油天然气股份有限公司 | 一种注采井间连通状况的判别方法及装置 |
CN109447532A (zh) * | 2018-12-28 | 2019-03-08 | 中国石油大学(华东) | 一种基于数据驱动的油藏井间连通性确定方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111364953A (zh) | 2020-07-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111364953B (zh) | 一种基于图神经网络的井间动态连通性识别方法及系统 | |
CN110738360B (zh) | 一种设备剩余寿命预测方法及系统 | |
CN109543828B (zh) | 一种基于小样本条件下的吸水剖面预测方法 | |
CN112360411B (zh) | 基于图神经网络的局部井网注水开发优化方法 | |
CN110400006A (zh) | 基于深度学习算法的油井产量预测方法 | |
CN114091816A (zh) | 基于数据融合的门控图神经网络的配电网状态估计方法 | |
CN108595803A (zh) | 基于递归神经网络的页岩气井生产压力预测方法 | |
US20230358123A1 (en) | Reinforcement learning-based decision optimization method of oilfield production system | |
CN113627068A (zh) | 一种用于预测缝洞型油气藏试井产能的方法及系统 | |
CN114254554A (zh) | 基于lstm模型的长时不稳定试井解释方法 | |
CN114004100B (zh) | 一种油藏辅助历史拟合和优化模拟方法 | |
CN110991079B (zh) | 基于神经网络的油气藏参数解释方法、装置及电子设备 | |
CN115874993A (zh) | 一种基于人工智能的页岩气井生产控制方法、设备和系统 | |
CN112507618B (zh) | 一种基于生成对抗网络的油藏自动历史拟合方法 | |
CN113487115A (zh) | 一种蒸汽驱油藏温度场的预测方法及系统 | |
CN110486008B (zh) | 一种径向复合油藏的参数解释方法及系统 | |
CN114997452A (zh) | 基于维诺图及时空图卷积神经网络的产油量预测方法 | |
CN110486009B (zh) | 一种无限大地层的参数自动反求方法及系统 | |
CN112016766A (zh) | 一种基于长短期记忆网络的油气井钻井溢漏预警方法 | |
CN114547978A (zh) | 基于异构图神经网络的多层系注水量劈分方法及系统 | |
CN116796237A (zh) | 一种基于改进图神经网络的油水井连通关系识别方法 | |
CN114528767A (zh) | 基于嵌入式图神经网络的井间动态连通性预测方法及系统 | |
CN111946258B (zh) | 一种基于gru的滑动定向智能控制方法 | |
CN115130268A (zh) | 油藏注采方案设计方法、系统、存储介质及电子设备 | |
CN110566196A (zh) | 一种储层连通性分析方法 |
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 |