CN111814347B - 预测油藏内气窜通道的方法及系统 - Google Patents
预测油藏内气窜通道的方法及系统 Download PDFInfo
- Publication number
- CN111814347B CN111814347B CN202010699125.3A CN202010699125A CN111814347B CN 111814347 B CN111814347 B CN 111814347B CN 202010699125 A CN202010699125 A CN 202010699125A CN 111814347 B CN111814347 B CN 111814347B
- Authority
- CN
- China
- Prior art keywords
- well group
- data
- data sample
- gas
- convolution
- 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
- 230000005465 channeling Effects 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000003062 neural network model Methods 0.000 claims abstract description 60
- 230000003042 antagnostic effect Effects 0.000 claims abstract description 59
- 238000009826 distribution Methods 0.000 claims abstract description 54
- 238000011161 development Methods 0.000 claims abstract description 39
- 238000004088 simulation Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000005516 engineering process Methods 0.000 claims abstract description 10
- 239000003921 oil Substances 0.000 claims description 72
- 238000002347 injection Methods 0.000 claims description 34
- 239000007924 injection Substances 0.000 claims description 34
- 239000000203 mixture Substances 0.000 claims description 27
- 239000010779 crude oil Substances 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 23
- 238000004519 manufacturing process Methods 0.000 claims description 10
- 238000007405 data analysis Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 5
- 239000007789 gas Substances 0.000 description 137
- 230000009466 transformation Effects 0.000 description 26
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 15
- 230000035699 permeability Effects 0.000 description 12
- 239000011159 matrix material Substances 0.000 description 11
- 239000012530 fluid Substances 0.000 description 7
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 4
- DIOQZVSQGTUSAI-UHFFFAOYSA-N decane Chemical compound CCCCCCCCCC DIOQZVSQGTUSAI-UHFFFAOYSA-N 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 3
- 238000000418 atomic force spectrum Methods 0.000 description 3
- 230000006835 compression Effects 0.000 description 3
- 238000007906 compression Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000011435 rock Substances 0.000 description 3
- ATUOYWHBWRKTHZ-UHFFFAOYSA-N Propane Chemical compound CCC ATUOYWHBWRKTHZ-UHFFFAOYSA-N 0.000 description 2
- 239000001569 carbon dioxide Substances 0.000 description 2
- 229910002092 carbon dioxide Inorganic materials 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008020 evaporation Effects 0.000 description 2
- 238000001704 evaporation Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- TVMXDCGIABBOFY-UHFFFAOYSA-N octane Chemical compound CCCCCCCC TVMXDCGIABBOFY-UHFFFAOYSA-N 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- XYGKGASSKJWLTN-UHFFFAOYSA-N CCCCCCC.CCCCCCC Chemical compound CCCCCCC.CCCCCCC XYGKGASSKJWLTN-UHFFFAOYSA-N 0.000 description 1
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000001273 butane Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 229910001873 dinitrogen Inorganic materials 0.000 description 1
- 239000006260 foam Substances 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 229910000037 hydrogen sulfide Inorganic materials 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- IJDNQMDRQITEOD-UHFFFAOYSA-N n-butane Chemical compound CCCC IJDNQMDRQITEOD-UHFFFAOYSA-N 0.000 description 1
- OFBQJSOFQDEBGM-UHFFFAOYSA-N n-pentane Natural products CCCCC OFBQJSOFQDEBGM-UHFFFAOYSA-N 0.000 description 1
- KOWXKIHEBFTVRU-UHFFFAOYSA-N nga2 glycan Chemical compound CC.CC KOWXKIHEBFTVRU-UHFFFAOYSA-N 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 239000003129 oil well Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 239000001294 propane Substances 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Abstract
本发明实施例提供一种预测油藏内气窜通道的方法及系统，属于油藏开发技术领域，解决了现有技术中无法快速准确地提前预测气窜通道的发育方向和程度的问题。所述方法包括：获取目标油藏区块内井组的地质参数和工作制度数据，并建立井组数据样本；根据所述井组数据样本与油藏数值模拟技术，得到在指定开采时刻所述井组数据样本对应的气相饱和度分布数据；根据所述井组数据样本与所述气相饱和度分布数据，构建并训练深度卷积生成对抗神经网络模型；将待预测井组的地质参数和工作制度数据代入训练好的所述深度卷积生成对抗神经网络模型，得到所述待预测井组的气窜通道的发育方向和程度。本发明实施例适用于油藏的开采过程中。
Description
技术领域
本发明涉及油藏开发技术领域，具体地涉及一种预测油藏内气窜通道的方法及系统。
背景技术
在油田注气开发过程中，由于受储层非均质性和注入气粘性指进等因素的影响，注入气极易在储层中发生快速窜进，形成气窜通道。气窜通道的形成将会导致大量注入气在通道内发生无限循环，从而无法有效的对原油进行驱替，油井产油量快速下降，生产气油比急剧上升。准确有效地识别气窜通道并对其进行治理是改善油藏气驱开发效果、提高注气采收率的重要途径。
目前的气窜通道识别方法存在以下问题：大多数方法只是采用综合评判指数(或图版)进行气窜程度的评价，无法预测在给定开采时刻，气窜通道在储层内的发育方向和程度；另外，传统识别气窜通道的方法所需要的数据，是已经存在气窜通道的油井数据。这些方法不能在气窜发生之前进行预警，导致矿场无法及时地调控气窜通道。另外，油藏数值模拟方法虽然能够预测气窜通道，但需要用到油藏实际的精细地质模型，并需要开展历史拟合。该过程的工作量非常大，常常需要几个月的时间，制约了气窜通道调控措施的及时性。
发明内容
本发明实施例的目的是提供一种预测油藏内气窜通道的方法及系统，解决了现有技术中无法快速准确地提前预测气窜通道的发育方向和程度的问题，实现气窜通道的预警。
为了实现上述目的，本发明实施例提供一种预测油藏内气窜通道的方法，包括：获取目标油藏区块内井组的地质参数和工作制度数据，并建立井组数据样本；根据所述井组数据样本与油藏数值模拟技术，得到在指定开采时刻所述井组数据样本对应的气相饱和度分布数据；根据所述井组数据样本与所述气相饱和度分布数据，构建并训练深度卷积生成对抗神经网络模型；将待预测井组的地质参数和工作制度数据代入训练好的所述深度卷积生成对抗神经网络模型，得到所述待预测井组的气窜通道的发育方向和程度。
可选的，所述建立井组数据样本包括：利用随机抽样法，根据所述目标油藏区块内井组的地质参数和工作制度数据，生成所述井组数据样本。
可选的，所述井组数据样本中还包括注入气组分和原油组成数据，所述根据所述井组数据样本与油藏数值模拟技术，得到在指定开采时刻所述井组数据样本对应的气相饱和度分布数据包括：将所述井组数据样本中的地质参数代入指定油藏数据模拟软件中，建立井组地质模型；根据所述井组数据样本中的注入气组分和原油组成数据以及所述指定油藏数据模拟软件中的相态模块，构建相态模型；根据所述井组数据样本中的工作制度数据、所述井组地质模型以及所述相态模型，得到数值模拟模型；将所述井组数据样本代入所述数值模拟模型中，得到所述指定开采时刻所述井组数据样本对应的气相饱和度分布数据。
可选的，所述根据所述井组数据样本中的注入气组分和原油组成数据以及所述指定油藏数据模拟软件中的相态模块，构建相态模型包括：获取所述目标油藏区块内井组的相态实验数据；将所述井组数据样本中的注入气组分和原油组成数据代入所述指定油藏数据模拟软件中的相态模块，得到相态数据计算结果；根据所述相态数据计算结果与所述相态实验数据之间的误差，调整所述相态模块中的参数，直到所述相态数据计算结果与所述相态实验数据一致，得到所述相态模型。
可选的，所述根据所述井组数据样本与所述气相饱和度分布数据，构建并训练深度卷积生成对抗神经网络模型包括：将所述井组数据样本转换为输入图像数据样本，将所述气相饱和度分布数据转换为输出图像数据样本；构建初始深度卷积生成对抗神经网络模型；根据所述输入图像数据样本、所述输出图像数据样本以及最大迭代次数，训练所述初始深度卷积生成对抗神经网络模型；当训练次数达到所述最大迭代次数时，所述初始深度卷积生成对抗神经网络模型为所述深度卷积生成对抗神经网络模型。
可选的，所述待预测井组的地质参数和工作制度数据的数值范围在所述井组数据样本的数值范围内，且/或所述待预测井组属于所述目标油藏区块内的井组，所述将待预测井组的地质参数和工作制度数据代入训练好的所述深度卷积生成对抗神经网络模型，得到所述待预测井组的气窜通道的发育方向和程度包括：将所述待预测井组的地质参数和工作制度数据代入训练好的所述深度卷积生成对抗神经网络模型，得到所述待预测井组在指定开采时刻的气相饱和度分布数据；根据不同方向的所述指定开采时刻的气相饱和度分布数据的数值，确定数值最大的方向为所述待预测井组的气窜通道的发育方向，所述数值为所述气窜通道的发育程度。
相应地，本发明实施例还提供一种预测油藏内气窜通道的系统，包括：数据获取装置，用于获取目标油藏区块内井组的地质参数和工作制度数据，并建立井组数据样本；数据分析装置，用于根据所述井组数据样本与油藏数值模拟技术，得到在指定开采时刻所述井组数据样本对应的气相饱和度分布数据；模型构建装置，用于根据所述井组数据样本与所述气相饱和度分布数据，构建并训练深度卷积生成对抗神经网络模型；预测装置，用于将待预测井组的地质参数和工作制度数据代入训练好的所述深度卷积生成对抗神经网络模型，得到所述待预测井组的气窜通道的发育方向和程度。
可选的，所述数据获取装置还用于：利用随机抽样法，根据所述目标油藏区块内井组的地质参数和工作制度数据，生成所述井组数据样本。
可选的，所述井组数据样本中还包括注入气组分和原油组成数据，所述数据分析装置还用于：将所述井组数据样本中的地质参数代入指定油藏数据模拟软件中，建立井组地质模型；根据所述井组数据样本中的注入气组分和原油组成数据以及所述指定油藏数据模拟软件中的相态模块，构建相态模型；根据所述井组数据样本中的工作制度数据、所述井组地质模型以及所述相态模型，得到数值模拟模型；将所述井组数据样本代入所述数值模拟模型中，得到所述指定开采时刻所述井组数据样本对应的气相饱和度分布数据。
可选的，所述数据分析装置还用于：获取所述目标油藏区块内井组的相态实验数据；将所述井组数据样本中的注入气组分和原油组成数据代入所述指定油藏数据模拟软件中的相态模块，得到相态数据计算结果；根据所述相态数据计算结果与所述相态实验数据之间的误差，调整所述相态模块中的参数，直到所述相态数据计算结果与所述相态实验数据一致，得到所述相态模型。
可选的，所述模型构建装置还用于：将所述井组数据样本转换为输入图像数据样本，将所述气相饱和度分布数据转换为输出图像数据样本；构建初始深度卷积生成对抗神经网络模型；根据所述输入图像数据样本、所述输出图像数据样本以及最大迭代次数，训练所述初始深度卷积生成对抗神经网络模型；当训练次数达到所述最大迭代次数时，所述初始深度卷积生成对抗神经网络模型为所述深度卷积生成对抗神经网络模型。
可选的，所述待预测井组的地质参数和工作制度数据的数值范围在所述井组数据样本的数值范围内，且/或所述待预测井组属于所述目标油藏区块内的井组，所述预测装置还用于：将所述待预测井组的地质参数和工作制度数据代入训练好的所述深度卷积生成对抗神经网络模型，得到所述待预测井组在指定开采时刻的气相饱和度分布数据；根据不同方向的所述指定开采时刻的气相饱和度分布数据的数值，确定数值最大的方向为所述待预测井组的气窜通道的发育方向，所述数值为所述气窜通道的发育程度。
相应地，本发明实施例还提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令用于使得机器执行如上所述的预测油藏内气窜通道的方法。
通过上述技术方案，获取目标油藏区块内井组的地质参数和工作制度数据，并建立井组数据样本，然后根据所述井组数据样本与油藏数值模拟技术，得到在指定开采时刻所述井组数据样本对应的气相饱和度分布数据，根据所述井组数据样本与所述气相饱和度分布数据，构建并训练深度卷积生成对抗神经网络模型，之后，将待预测井组的地质参数和工作制度数据代入训练好的所述深度卷积生成对抗神经网络模型，得到所述待预测井组的气窜通道的发育方向和程度。本发明实施例解决了现有技术中无法快速准确地提前预测气窜通道的发育方向和程度的问题，实现气窜通道的预警。
本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。在附图中：
图1是本发明实施例提供的一种预测油藏内气窜通道的方法的流程示意图；
图2是本发明实施例提供的预测的气窜通道的发育情况的示例图；
图3是本发明实施例提供的一种预测油藏内气窜通道的系统的结构示意图。
具体实施方式
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。
为了解决现有在识别气窜通道时，需要井组已经发生气窜，以及定量预测程度低的问题，图1是本发明实施例提供的一种预测油藏内气窜通道的方法的流程示意图，如图1所示，所述方法包括如下步骤：
步骤101，获取目标油藏区块内井组的地质参数和工作制度数据，并建立井组数据样本；
步骤102，根据所述井组数据样本与油藏数值模拟技术，得到在指定开采时刻所述井组数据样本对应的气相饱和度分布数据；
步骤103，根据所述井组数据样本与所述气相饱和度分布数据，构建并训练深度卷积生成对抗神经网络模型；
步骤104，将待预测井组的地质参数和工作制度数据代入训练好的所述深度卷积生成对抗神经网络模型，得到所述待预测井组的气窜通道的发育方向和程度。
其中，在步骤101中首先收集目标油藏区块内井组的地质参数和工作制度数据，例如可以从目标油藏区块内井组的地质勘探资料、测井曲线等资料中获取，具体的获取方式可以根据实际情况确定，本发明实施例中对此不作限定。
所述地质参数可以用于表征所述目标油藏区块内井组的地质构造情况，为后续的油藏数值模拟技术提供基础参数，可以包括但不限于：目标油藏区块内井组的孔隙度、渗透率、饱和度、水体大小、相对渗透率曲线、毛管力曲线、流体粘度、岩石和流体压缩系数、原油组成数据。其中，上述孔隙度、渗透率和饱和度都是与地质模型有关的二维图片，孔隙度指有效孔隙度，渗透率指绝对渗透率，饱和度指储层内原始的流体饱和度，水体大小指油藏中与实际油层连通的水体体积与油层中含油孔隙体积的比值。另外，对于地质参数中是否包括水体大小，可根据油藏是否有水体来选择，若油藏本身存在水体，那么地质参数中就必须包括水体大小这个参数，若是油藏本身没有水体的话，就不需要水体大小这个参数了。
所述工作制度数据可以包括但不限于：注入气组分、注气量、注气方式、注气压力和生产井井底流压。其中，上述注入气组分是指注入气体的组成，通常注入的气体不是纯的组分，实际注入气类型包括很多种：二氧化碳、氮气、烃气或是这些气体的混合气，因此需要输入具体的组分及含量，如表1所示为注入气组分和含量的示例。本发明实施例适用于所有注入气，对注入气的类型可不做限定。
| 组分类型 | 摩尔分数，％ |
| 甲烷 | 48.78 |
| 乙烷 | 14.08 |
| 丙烷 | 8.16 |
| 丁烷 | 1.59 |
| 庚烷 | 2.61 |
| 辛烷 | 0.66 |
| 癸烷 | 0.71 |
| 癸烷以上 | 0.79 |
| 氮气 | 21.6 |
| 二氧化碳 | 1.02 |
| 硫化氢 | 0.74 |
表1
之后，将所获取的目标油藏区块内井组的地质参数和工作制度数据保存成数据文件，构成油藏资料库。根据油藏资料库中的所述目标油藏区块内井组的地质参数和工作制度数据的取值范围，采用随机抽样法，生成所述井组数据样本。也就是说，每个井组数据样本中，均包括随机抽样组合的地质参数与工作制度数据。
在步骤102中，首先，将所述井组数据样本中的地质参数代入指定油藏数据模拟软件中，建立井组地质模型。所述油藏数值模拟软件可以是CMG、Eclipse或其它。在本发明实施例中采用CMG软件中的Builder模块建立井组地质模型。
然后，根据所述井组数据样本中的注入气组分和原油组成数据以及所述指定油藏数据模拟软件中的相态模块，构建相态模型。其中，在构建相态模型时，先获取所述目标油藏区块内井组的相态实验数据，所述相态实验数据包括混相压力预测和闪蒸计算，然后，将将所述井组数据样本中的注入气组分和原油组成数据代入所述指定油藏数据模拟软件中的相态模块，得到相态数据计算结果，所述相态数据计算结果同样包括混相压力预测和闪蒸计算。例如，将所述井组数据样本中的注入气组分和原油组成数据代入CMG软件中的winProp模块进行相态拟合。然后，根据所述相态数据计算结果与所述相态实验数据之间的误差，调整所述相态模块中的参数，直到所述相态数据计算结果与所述相态实验数据一致，得到所述相态模型。也就是说，将所述相态数据计算结果与所述相态实验数据进行对比，若存在误差，则需要调节所述相态模块中的参数，直到所述相态数据计算结果与所述相态实验数据一致，此时调整得到的相态模块即为相态模型。
之后，根据上述构建得到的井组地质模型、相态模型以及所述井组数据样本中的工作制度数据，构建数值模拟模型。也就是说，将所述井组地质模型与相态模型导入油藏数值模拟器中，所述井组数据样本中的工作制度数据作为控制条件输入到所述油藏数值模拟器中，从而得到数值模拟模型。
然后，将所述井组数据样本代入所述数值模拟模型中，得到所述指定开采时刻所述井组数据样本对应的气相饱和度分布数据。即，针对每个井组数据样本，在代入所述数值模拟模型中之后，得到在指定开采时刻的气相饱和度分布数据，例如，第100天、第200天、第300天的气相饱和度分布数据，具体时刻，可由用户根据需要进行设置。
在步骤103中，将所述井组数据样本转换为输入图像数据样本，将所述气相饱和度分布数据转换为输出图像数据样本，构建初始深度卷积生成对抗神经网络模型。根据所述输入图像数据样本、所述输出图像数据样本以及最大迭代次数，训练所述初始深度卷积生成对抗神经网络模型。当训练次数达到所述最大迭代次数时，所述初始深度卷积生成对抗神经网络模型为所述深度卷积生成对抗神经网络模型。
具体的，在将所述井组数据样本转换为输入图像数据样本时，利用孔隙度、渗透率、饱和度可以生成一个三通道的图片。孔隙度本身就是一张图片，同样，渗透率和饱和度也各自是一张图片。每一个图片本身就是一个二维矩阵。例如一张图片的像素为100*100，那么这个图片可以认为是一个100*100的矩阵，我们把三张图片叠在一起，那么就有三个100*100的矩阵，用数字表示即为100*100*3的矩阵，这就是一个三通道的图片。然后，将水体大小(若存在)、相对渗透率曲线、毛管力曲线、流体粘度、岩石和流体压缩系数、原油组成数据通过维度扩展的方法集合在包含孔隙度、渗透率、饱和度的三通道图像中，写成数据字典来保存相应的数据。在本发明实施例中，采用的矩阵是三个100*100的矩阵(即在平面的x、y方向上均有100个元素)，如果要将水体大小的参数加入到三个图片中，则需要首先将三个矩阵大小均扩展为104*104，然后在扩展的任意一个方向填入水体大小的数据；如果没有水体大小，则该区域的所有值均为零。其中，对于水体大小扩展至104*104，不是固定的，也可以是其它值，如108*108、或者110*110。这个数值具体可以根据模型的特征自由设置。同样可以将相对渗透率曲线、毛管力曲线、流体粘度、岩石和流体压缩系数、原油组成数据、注入气组分、注气量、注气方式、注气压力和生产井井底流压等数据填入矩阵。对于工作制度随时间变化的情况，首先需要根据生产时间扩展维度，然后在每个时间段设置注采量的大小，比如，生产3个月，以月为单位，需要的矩阵数目为3个4*4的矩阵。比如第一个月注入是100方，那么该4*4矩阵的值就是100，第二个月，继续延伸一个4x4的矩阵进行设置成100，其余的以此类推。除孔隙度、渗透率和饱和度之外，其他的数据都是通过维度扩展的方式添加在图像上的，例如添加完水体大小后，矩阵的维度为104*104，其中100*100是孔隙度、渗透率、饱和度分布数据，其他的位置为其余的参数，参数的位置保证前后一致即可。按照上述方式，将所有井组数据样本转换为输入图像数据样本。
执行相同的操作，同样将所述气相饱和度分布数据转换为输出图像数据样本。其中，由于所述气相饱和度分布数据是通过油藏数值模拟技术得到的，因此，在进行图像转换时，需要考虑气体的组分，例如选定一个4*4的矩阵按照比例进行填充，假设有四种组分，每种组分的摩尔比例都是0.25，那么就选择其中的2*2的矩阵为第一种组分，设置为255。第二个2*2的矩阵为第二种组分，依此类推。需要注意的是，在一个模型里，所有的组分的排列保持一致。
所述初始深度卷积生成对抗神经网络模型包括两部分，一部分是生成器，另一部分是判别器。其中生成器由7个卷积层和7个反卷积层构成，每层均是一个深度卷积神经网络。将由地质参数和工作制度数据所构成的输入图像数据样本进行7层卷积层变换，每一层的卷积核都是4，卷积步长为2，对图像依次进行批标准化、卷积和非线性变换，得到特征图像，再通过7层反卷积层的变换，依次经过反卷积、非线性变换和池化操作得到生成器输出的气相饱和度分布结果，具体过程如下：
1)将输入的输入图像数据样本分辨率归一化至像素大小为128×128的灰度图片，得到处理后的信息图片；
2)将处理后的信息图片通过一个卷积核为4，卷积步长为2的卷积网络，依次进行批标准化、卷积和非线性变换，转换成32×64×64的32通道图像；
3)将上一步处理好的图像通过一个卷积核为4，卷积步长为2的卷积网络，依次进行批标准化、卷积和非线性变换，转换成64×32×32的64通道图像；
4)将上一步处理好的图像通过一个卷积核为4，卷积步长为2的卷积网络，依次进行批标准化、卷积和非线性变换，转换成128×16×16的128通道图像；
5)将上一步处理好的图像通过一个卷积核为4，卷积步长为2的卷积网络，依次进行批标准化、卷积和非线性变换，转换成256×8×8的256通道图像；
6)将上一步处理好的图像通过一个卷积核为4，卷积步长为2的卷积网络，依次进行批标准化、卷积和非线性变换，转换成512×4×4的512通道图像；
7)将上一步处理好的图像通过一个卷积核为4，卷积步长为2的卷积网络，依次进行批标准化、卷积和非线性变换，转换成1024×2×2的1024通道图像；
8)将上一步处理好的图像通过一个卷积核为4，卷积步长为2的卷积网络，依次进行批标准化、卷积和非线性变换，转换成2048×1×1的2048通道图像；
9)将2048×1×1的图片通过一个卷积核为4，卷积步长为2的反卷积网络，依次进行批标准化、卷积和非线性变换，转换成1024×2×2的1024通道图像；
10)将1024×2×2的图片通过一个卷积核为4，卷积步长为2的反卷积网络，依次进行批标准化、卷积和非线性变换，转换成512×4×4的512通道图像；
11)将512×4×4的图片通过一个卷积核为4，卷积步长为2的反卷积网络，依次进行批标准化、卷积和非线性变换，转换成256×8×8的256通道图像；
12)将256×8×8的图片通过一个卷积核为4，卷积步长为2的反卷积网络，依次进行批标准化、卷积和非线性变换，转换成128×16×16的128通道图像；
13)将128×16×16的图片通过一个卷积核为4，卷积步长为2的反卷积网络，依次进行批标准化、卷积和非线性变换，转换成64×32×32的64通道图像；
14)将64×32×32的图片通过一个卷积核为4，卷积步长为2的反卷积网络，依次进行批标准化、卷积和非线性变换，转换成32×64×64的64通道图像；
15)将32×64×64的图片通过一个卷积核为4，卷积步长为2的反卷积网络，依次进行批标准化、卷积和非线性变换，转换成3×128×128的3通道图像；
16)将3×128×128的图片转化成单通道的灰度图像来表征饱和度场的分布，也就是说，得到了生成器输出的气相饱和度分布结果。
然后，通过判别器，应用卷积图像变化，将图片转化为一个值(或特征)，与生成器中的卷积层一样，采用卷积核为4，卷积步长为2的卷积过程，共包含7层卷积网络，每一层均进行批标准化、卷积和非线性变换，最后一步卷积结果通过relu函数转化为损失误差。具体包括如下过程：
1)将输入的饱和度场(包括输出图像数据样本和生成器输出的气相饱和度分布结果)通过一个卷积核为4，卷积步长为2的反卷积网络，依次进行批标准化、卷积和非线性变换，转换成16×64×64的16通道图像；
2)将上一步生成的16×64×64图像通过一个卷积核为4，卷积步长为2的反卷积网络，依次进行批标准化、卷积和非线性变换，转换成32×32×32的32通道图像；
3)将上一步生成的32×32×32图像通过一个卷积核为4，卷积步长为2的反卷积网络，依次进行批标准化、卷积和非线性变换，转换成64×16×16的64通道图像；
4)将上一步生成的64×16×16图像通过一个卷积核为4，卷积步长为2的反卷积网络，依次进行批标准化、卷积和非线性变换，转换成128×8×8的128通道图像；
5)将上一步生成的128×8×8图像通过一个卷积核为4，卷积步长为2的反卷积网络，依次进行批标准化、卷积和非线性变换，转换成256×4×4的256通道图像。
6)将上一步生成的256×4×4图像通过一个卷积核为4，卷积步长为2的反卷积网络，依次进行批标准化、卷积和非线性变换，转换成512×2×2的512通道图像；
7)将上一步生成的512×2×2图像通过一个卷积核为4，卷积步长为2的反卷积网络，对其依次进行批标准化、卷积和非线性变换，转换成一个固定的数值；
8)将数值通过relu函数转化成[0,1]区间内的数值。
上述生成器所输出的气相饱和度分布结果，可称为伪气相饱和度图片。最终relu函数输出的数值，为伪气相饱和度图片与输出图像数据样本之间的相似程度。如果relu函数输出的数值越接近于1，那么得到的结果越符合真实值，若越接近于0，说明得到的结果越偏离真实值。如果偏离真实值的话，神经网络会通过误差反向传播自动调整网络中的权重系数。在设定了模型训练的最大迭代次数时，例如为2000次，迭代循环生成器和判别器共计2000个周期，其中每个周期内循环输入图像数据样本。当初始深度卷积生成对抗神经网络模型运行达到最大迭代次数时停止，此时得到的神经网络模型即为训练好的深度卷积生成对抗神经网络模型。
在步骤104中，可利用训练好的所述深度卷积生成对抗神经网络模型，对待预测井组的气窜通道的发育方向和程度进行预测。
其中，所述待预测井组的地质参数和工作制度数据的数值范围在所述井组数据样本的数值范围内，且/或所述待预测井组属于所述目标油藏区块内的井组。在将所述待预测井组的地质参数和工作制度数据代入训练好的所述深度卷积生成对抗神经网络模型，得到所述待预测井组在指定开采时刻的气相饱和度分布数据。然后，根据不同方向的所述指定开采时刻的气相饱和度分布数据的数值，确定数值最大的方向为所述待预测井组的气窜通道的发育方向，所述数值为所述气窜通道的发育程度。例如，如图2所示，分别为开采100天、200天、300天和400天，预测的气窜通道的发育情况。其中，图2中的箭头即为气窜通道的发育方向，将开采300天和400天的气相饱和度作对比可以发现，如果不采取调控措施继续生产的话，气窜通道将向东南方向持续发育，开采400天时各方向的气相饱和度分布差异更大，表明气窜通道发育程度更高。因此油田现场在开采260天时就可提前采用泡沫对气窜通道进行了封堵，封堵后可提高井组的日产油量。
其中，所述待预测井组若是属于所述目标油藏区块内的井组，那么所述训练好的所述深度卷积生成对抗神经网络模型就可以无限次使用，若是所述待预测井组的地质参数和工作制度数据的数值范围在所述井组数据样本的数值范围内，所述训练好的所述深度卷积生成对抗神经网络模型也可以无限次使用。
在本发明实施例中，可以对尚未出现气窜通道的井组提前预测气窜通道的发育方向和程度，从而尽早的采取调控措施抑制气窜的发生。而且使用训练好的深度卷积生成对抗神经网络模型进行气窜通道预测时仅需数秒，但传统方法要求井组内已经发生气窜，且需要大量的静动态数据资料，耗费大量的时间，因此本发明实施例能够实现气窜通道的预警，且大大提高了工作效率，可以为油藏气窜通道的治理和提高采收率提供指导。
相应地，图3是本发明实施例提供的一种预测油藏内气窜通道的系统的结构示意图。如图3所示，所述系统包括：数据获取装置31，用于获取目标油藏区块内井组的地质参数和工作制度数据，并建立井组数据样本；数据分析装置32，用于根据所述井组数据样本与油藏数值模拟技术，得到在指定开采时刻所述井组数据样本对应的气相饱和度分布数据；模型构建装置33，用于根据所述井组数据样本与所述气相饱和度分布数据，构建并训练深度卷积生成对抗神经网络模型；预测装置34，用于将待预测井组的地质参数和工作制度数据代入训练好的所述深度卷积生成对抗神经网络模型，得到所述待预测井组的气窜通道的发育方向和程度。
可选的，所述数据获取装置还用于：利用随机抽样法，根据所述目标油藏区块内井组的地质参数和工作制度数据，生成所述井组数据样本。
可选的，所述井组数据样本中还包括注入气组分和原油组成数据，所述数据分析装置还用于：将所述井组数据样本中的地质参数代入指定油藏数据模拟软件中，建立井组地质模型；根据所述井组数据样本中的注入气组分和原油组成数据以及所述指定油藏数据模拟软件中的相态模块，构建相态模型；根据所述井组数据样本中的工作制度数据、所述井组地质模型以及所述相态模型，得到数值模拟模型；将所述井组数据样本代入所述数值模拟模型中，得到所述指定开采时刻所述井组数据样本对应的气相饱和度分布数据。
可选的，所述数据分析装置还用于：获取所述目标油藏区块内井组的相态实验数据；将所述井组数据样本中的注入气组分和原油组成数据代入所述指定油藏数据模拟软件中的相态模块，得到相态数据计算结果；根据所述相态数据计算结果与所述相态实验数据之间的误差，调整所述相态模块中的参数，直到所述相态数据计算结果与所述相态实验数据一致，得到所述相态模型。
可选的，所述模型构建装置还用于：将所述井组数据样本转换为输入图像数据样本，将所述气相饱和度分布数据转换为输出图像数据样本；构建初始深度卷积生成对抗神经网络模型；根据所述输入图像数据样本、所述输出图像数据样本以及最大迭代次数，训练所述初始深度卷积生成对抗神经网络模型；当训练次数达到所述最大迭代次数时，所述初始深度卷积生成对抗神经网络模型为所述深度卷积生成对抗神经网络模型。
可选的，所述待预测井组的地质参数和工作制度数据的数值范围在所述井组数据样本的数值范围内，且/或所述待预测井组属于所述目标油藏区块内的井组，所述预测装置还用于：将所述待预测井组的地质参数和工作制度数据代入训练好的所述深度卷积生成对抗神经网络模型，得到所述待预测井组在指定开采时刻的气相饱和度分布数据；根据比较在不同方向的所述指定开采时刻的气相饱和度分布数据的数值，确定数值最大的方向为所述待预测井组的气窜通道的发育方向，所述数值为所述气窜通道的发育程度。
本发明实施例的预测油藏内气窜通道的系统与上述预测油藏内气窜通道的方法的实施例的具体实施细节及效果相同，在此则不再赘述。
相应地，本发明实施例还提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令用于使得机器执行如上述实施例所述的预测油藏内气窜通道的方法。
所述机器可读存储介质包括但不限于相变内存(相变随机存取存储器的简称，Phase Change Random Access Memory，PRAM，亦称为RCM/PCRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体(Flash Memory)或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备等各种可以存储程序代码的介质。
以上结合附图详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种简单变型，这些简单变型均属于本发明的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明对各种可能的组合方式不再另行说明。
此外，本发明的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明的思想，其同样应当视为本发明所公开的内容。
Claims (11)
1.一种预测油藏内气窜通道的方法，其特征在于，包括：
获取目标油藏区块内井组的地质参数和工作制度数据，并建立井组数据样本；
根据所述井组数据样本与油藏数值模拟技术，得到在指定开采时刻所述井组数据样本对应的气相饱和度分布数据；
根据所述井组数据样本与所述气相饱和度分布数据，构建并训练深度卷积生成对抗神经网络模型；
将待预测井组的地质参数和工作制度数据代入训练好的所述深度卷积生成对抗神经网络模型，得到所述待预测井组的气窜通道的发育方向和程度，其中，
所述根据所述井组数据样本与所述气相饱和度分布数据，构建并训练深度卷积生成对抗神经网络模型包括：
将所述井组数据样本转换为输入图像数据样本，将所述气相饱和度分布数据转换为输出图像数据样本；
构建初始深度卷积生成对抗神经网络模型，所述初始深度卷积生成对抗神经网络模型包括：生成器和判别器，其中，所述生成器由卷积层和反卷积层构成，所述判别器包含卷积网络；
根据所述输入图像数据样本、所述输出图像数据样本以及最大迭代次数，训练所述初始深度卷积生成对抗神经网络模型；
当训练次数达到所述最大迭代次数时，所述初始深度卷积生成对抗神经网络模型为所述深度卷积生成对抗神经网络模型。
2.根据权利要求1所述的预测油藏内气窜通道的方法，其特征在于，所述建立井组数据样本包括：
利用随机抽样法，根据所述目标油藏区块内井组的地质参数和工作制度数据，生成所述井组数据样本。
3.根据权利要求1所述的预测油藏内气窜通道的方法，其特征在于，所述井组数据样本中还包括注入气组分和原油组成数据，所述根据所述井组数据样本与油藏数值模拟技术，得到在指定开采时刻所述井组数据样本对应的气相饱和度分布数据包括：
将所述井组数据样本中的地质参数代入指定油藏数据模拟软件中，建立井组地质模型；
根据所述井组数据样本中的注入气组分和原油组成数据以及所述指定油藏数据模拟软件中的相态模块，构建相态模型；
根据所述井组数据样本中的工作制度数据、所述井组地质模型以及所述相态模型，得到数值模拟模型；
将所述井组数据样本代入所述数值模拟模型中，得到所述指定开采时刻所述井组数据样本对应的气相饱和度分布数据。
4.根据权利要求3所述的预测油藏内气窜通道的方法，其特征在于，所述根据所述井组数据样本中的注入气组分和原油组成数据以及所述指定油藏数据模拟软件中的相态模块，构建相态模型包括：
获取所述目标油藏区块内井组的相态实验数据；
将所述井组数据样本中的注入气组分和原油组成数据代入所述指定油藏数据模拟软件中的相态模块，得到相态数据计算结果；
根据所述相态数据计算结果与所述相态实验数据之间的误差，调整所述相态模块中的参数，直到所述相态数据计算结果与所述相态实验数据一致，得到所述相态模型。
5.根据权利要求1所述的预测油藏内气窜通道的方法，其特征在于，所述待预测井组的地质参数和工作制度数据的数值范围在所述井组数据样本的数值范围内，且/或所述待预测井组属于所述目标油藏区块内的井组，所述将待预测井组的地质参数和工作制度数据代入训练好的所述深度卷积生成对抗神经网络模型，得到所述待预测井组的气窜通道的发育方向和程度包括：
将所述待预测井组的地质参数和工作制度数据代入训练好的所述深度卷积生成对抗神经网络模型，得到所述待预测井组在指定开采时刻的气相饱和度分布数据；
根据不同方向的所述指定开采时刻的气相饱和度分布数据的数值，确定数值最大的方向为所述待预测井组的气窜通道的发育方向，所述数值为所述气窜通道的发育程度。
6.一种预测油藏内气窜通道的系统，其特征在于，包括：
数据获取装置，用于获取目标油藏区块内井组的地质参数和工作制度数据，并建立井组数据样本；
数据分析装置，用于根据所述井组数据样本与油藏数值模拟技术，得到在指定开采时刻所述井组数据样本对应的气相饱和度分布数据；
模型构建装置，用于根据所述井组数据样本与所述气相饱和度分布数据，构建并训练深度卷积生成对抗神经网络模型；
预测装置，用于将待预测井组的地质参数和工作制度数据代入训练好的所述深度卷积生成对抗神经网络模型，得到所述待预测井组的气窜通道的发育方向和程度，其中，
所述模型构建装置还用于：
将所述井组数据样本转换为输入图像数据样本，将所述气相饱和度分布数据转换为输出图像数据样本；
构建初始深度卷积生成对抗神经网络模型，所述初始深度卷积生成对抗神经网络模型包括：生成器和判别器，其中，所述生成器由卷积层和反卷积层构成，所述判别器包含卷积网络；
根据所述输入图像数据样本、所述输出图像数据样本以及最大迭代次数，训练所述初始深度卷积生成对抗神经网络模型；
当训练次数达到所述最大迭代次数时，所述初始深度卷积生成对抗神经网络模型为所述深度卷积生成对抗神经网络模型。
7.根据权利要求6所述的预测油藏内气窜通道的系统，其特征在于，所述数据获取装置还用于：
利用随机抽样法，根据所述目标油藏区块内井组的地质参数和工作制度数据，生成所述井组数据样本。
8.根据权利要求6所述的预测油藏内气窜通道的系统，其特征在于，所述井组数据样本中还包括注入气组分和原油组成数据，所述数据分析装置还用于：
将所述井组数据样本中的地质参数代入指定油藏数据模拟软件中，建立井组地质模型；
根据所述井组数据样本中的注入气组分和原油组成数据以及所述指定油藏数据模拟软件中的相态模块，构建相态模型；
根据所述井组数据样本中的工作制度数据、所述井组地质模型以及所述相态模型，得到数值模拟模型；
将所述井组数据样本代入所述数值模拟模型中，得到所述指定开采时刻所述井组数据样本对应的气相饱和度分布数据。
9.根据权利要求8所述的预测油藏内气窜通道的系统，其特征在于，所述数据分析装置还用于：
获取所述目标油藏区块内井组的相态实验数据；
将所述井组数据样本中的注入气组分和原油组成数据代入所述指定油藏数据模拟软件中的相态模块，得到相态数据计算结果；
根据所述相态数据计算结果与所述相态实验数据之间的误差，调整所述相态模块中的参数，直到所述相态数据计算结果与所述相态实验数据一致，得到所述相态模型。
10.根据权利要求6所述的预测油藏内气窜通道的系统，其特征在于，所述待预测井组的地质参数和工作制度数据的数值范围在所述井组数据样本的数值范围内，且/或所述待预测井组属于所述目标油藏区块内的井组，所述预测装置还用于：
将所述待预测井组的地质参数和工作制度数据代入训练好的所述深度卷积生成对抗神经网络模型，得到所述待预测井组在指定开采时刻的气相饱和度分布数据；
根据不同方向的所述指定开采时刻的气相饱和度分布数据的数值，确定数值最大的方向为所述待预测井组的气窜通道的发育方向，所述数值为所述气窜通道的发育程度。
11.一种机器可读存储介质，其特征在于，该机器可读存储介质上存储有指令，该指令用于使得机器执行上述的根据权利要求1-5中任一项权利要求所述的预测油藏内气窜通道的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010699125.3A CN111814347B (zh) | 2020-07-20 | 预测油藏内气窜通道的方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010699125.3A CN111814347B (zh) | 2020-07-20 | 预测油藏内气窜通道的方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111814347A CN111814347A (zh) | 2020-10-23 |
| CN111814347B true CN111814347B (zh) | 2024-06-11 |
Family
ID=
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010148628A1 (zh) * | 2009-06-22 | 2010-12-29 | 中国石油天然气股份有限公司 | 裂缝储层含油气饱和度定量计算方法 |
| CN104389566A (zh) * | 2014-09-18 | 2015-03-04 | 中国石油大学(北京) | 一种判定气体窜逸时间的方法 |
| CN107060705A (zh) * | 2017-04-10 | 2017-08-18 | 中国石油大学(北京) | 一种co2驱油藏气窜通道动态反演方法 |
| WO2019174366A1 (zh) * | 2018-03-12 | 2019-09-19 | 山东科技大学 | 面向地震油气储层分布的卷积神经网络学习与预测方法 |
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010148628A1 (zh) * | 2009-06-22 | 2010-12-29 | 中国石油天然气股份有限公司 | 裂缝储层含油气饱和度定量计算方法 |
| CN104389566A (zh) * | 2014-09-18 | 2015-03-04 | 中国石油大学(北京) | 一种判定气体窜逸时间的方法 |
| CN107060705A (zh) * | 2017-04-10 | 2017-08-18 | 中国石油大学(北京) | 一种co2驱油藏气窜通道动态反演方法 |
| WO2019174366A1 (zh) * | 2018-03-12 | 2019-09-19 | 山东科技大学 | 面向地震油气储层分布的卷积神经网络学习与预测方法 |
Non-Patent Citations (6)
| Title |
|---|
| A Deep Convolutional Generative Adversarial Networks (DCGANs)-Based Semi-Supervised Method for Object Recognition in Synthetic Aperture Radar (SAR) Images;Gao, Fei等;Remote Sensing;20180529;第1-21页 * |
| Deep Convolutional Encoder-Decoder Networks for Uncertainty Quantification of Dynamic Multiphase Flow in Heterogeneous Media;Mo Shaoxing等;Water Resources Research;20180702;第703-728页 * |
| Gas Classification Using Deep Convolutional Neural Networks;Pai Peng等;Sensors;20180108;第1-11页 * |
| 基于LM-BP神经网络的防气窜能力评价方法及应用;孟凡彬;新疆石油天然气;20190331;第28-32+2-3页 * |
| 盐沉析技术堵气窜实验;金发扬等;天然气工业;20130930;第74-78页 * |
| 超低渗裂缝性油藏CO2驱防气窜注入参数研究;周勤等;江汉石油职工大学学报;20150331;第19-22页 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yan et al. | A robust deep learning workflow to predict multiphase flow behavior during geological CO2 sequestration injection and Post-Injection periods | |
| Sarma et al. | Efficient closed-loop production optimization under uncertainty (spe94241) | |
| Friedmann et al. | Assessing uncertainty in channelized reservoirs using experimental designs | |
| Panda et al. | An integrated approach to estimate well interactions | |
| Zhao et al. | Generating facies maps by assimilating production data and seismic data with the ensemble Kalman filter | |
| MX2010010988A (es) | Metodo para determinar un conjunto de valores netos presentes para influenciar la perforacion de un orificio de perforacion e incrementar la produccion. | |
| EP3181804A1 (fr) | Procede pour caracteriser et exploiter une formation souterraine comprenant un reseau de fractures | |
| Chaki et al. | Machine learning for proxy modeling of dynamic reservoir systems: deep neural network DNN and recurrent neural network RNN applications | |
| Lee et al. | Regeneration of channelized reservoirs using history-matched facies-probability map without inverse scheme | |
| Xiao et al. | Model‐Reduced Adjoint‐Based Inversion Using Deep‐Learning: Example of Geological Carbon Sequestration Modeling | |
| CN113435662B (zh) | 水驱油藏产量预测方法、装置及存储介质 | |
| Lie et al. | Comparison of two different types of reduced graph-based reservoir models: Interwell networks (GPSNet) versus aggregated coarse-grid networks (CGNet) | |
| Liu | Potential for evaluation of interwell connectivity under the effect of intraformational bed in reservoirs utilizing machine learning methods | |
| CN111814347B (zh) | 预测油藏内气窜通道的方法及系统 | |
| Helland et al. | A Discrete‐Domain Approach to Three‐Phase Hysteresis in Porous Media | |
| Wen et al. | Multiphase flow prediction with deep neural networks | |
| CN115618750B (zh) | 一种基于耦合神经网络的地下油水渗流代理模型 | |
| Le Ravalec | Optimizing well placement with quality maps derived from multi-fidelity meta-models | |
| Chen | Ensemble-based closed-loop production optimization | |
| Alrashdi et al. | Applying reservoir-engineering methods to well-placement optimization algorithms for improved performance | |
| Zargar et al. | Oil‐CO2 minimum miscible pressure (MMP) determination using a stimulated smart approach | |
| CN111814347A (zh) | 预测油藏内气窜通道的方法及系统 | |
| Guo et al. | Modeling unconventional reservoirs using a graph network model | |
| Cornelio et al. | Investigating transfer learning for characterization and performance prediction in unconventional reservoirs | |
| Wen et al. | Production data integration in sand/shale reservoirs using sequential self-calibration and geomorphing: a comparison |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB02 | Change of applicant information |
Address after: 266580 No. 66 Changjiang West Road, Huangdao District, Qingdao, Shandong. Applicant after: China University of Petroleum (East China) Address before: 266555 No. 66 Changjiang West Road, Qingdao economic and Technological Development Zone, Shandong Applicant before: China University of Petroleum (East China) |
|
| GR01 | Patent grant |