CN112282748A - 一种基于微流控及机器学习的剩余油赋存形态判别方法 - Google Patents
一种基于微流控及机器学习的剩余油赋存形态判别方法 Download PDFInfo
- Publication number
- CN112282748A CN112282748A CN202011260539.2A CN202011260539A CN112282748A CN 112282748 A CN112282748 A CN 112282748A CN 202011260539 A CN202011260539 A CN 202011260539A CN 112282748 A CN112282748 A CN 112282748A
- Authority
- CN
- China
- Prior art keywords
- porous medium
- transparent porous
- residual oil
- oil
- injecting
- 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.)
- Granted
Links
- 238000010801 machine learning Methods 0.000 title claims abstract description 14
- 238000012850 discrimination method Methods 0.000 title claims abstract description 7
- 239000003921 oil Substances 0.000 claims abstract description 68
- IAZDPXIOMUYVGZ-UHFFFAOYSA-N Dimethylsulphoxide Chemical compound CS(C)=O IAZDPXIOMUYVGZ-UHFFFAOYSA-N 0.000 claims abstract description 20
- 239000011148 porous material Substances 0.000 claims abstract description 18
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 15
- 239000010779 crude oil Substances 0.000 claims abstract description 13
- 238000006073 displacement reaction Methods 0.000 claims abstract description 13
- 239000012530 fluid Substances 0.000 claims abstract description 12
- 238000000034 method Methods 0.000 claims description 29
- 239000011521 glass Substances 0.000 claims description 26
- 239000000243 solution Substances 0.000 claims description 23
- 239000011324 bead Substances 0.000 claims description 13
- 239000003795 chemical substances by application Substances 0.000 claims description 8
- 238000002347 injection Methods 0.000 claims description 8
- 239000007924 injection Substances 0.000 claims description 8
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 239000011259 mixed solution Substances 0.000 claims description 5
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 4
- 238000010438 heat treatment Methods 0.000 claims description 4
- 239000004793 Polystyrene Substances 0.000 claims description 3
- 239000001569 carbon dioxide Substances 0.000 claims description 3
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 3
- 239000004005 microsphere Substances 0.000 claims description 3
- 229920000642 polymer Polymers 0.000 claims description 3
- 229920002223 polystyrene Polymers 0.000 claims description 3
- 229910052757 nitrogen Inorganic materials 0.000 claims description 2
- 230000004913 activation Effects 0.000 description 9
- 239000011435 rock Substances 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 8
- 239000007789 gas Substances 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 108010043121 Green Fluorescent Proteins Proteins 0.000 description 2
- 238000010226 confocal imaging Methods 0.000 description 2
- 238000001218 confocal laser scanning microscopy Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 230000007246 mechanism Effects 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
- 230000003287 optical effect Effects 0.000 description 2
- 239000004033 plastic Substances 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- QXJJQWWVWRCVQT-UHFFFAOYSA-K calcium;sodium;phosphate Chemical compound [Na+].[Ca+2].[O-]P([O-])([O-])=O QXJJQWWVWRCVQT-UHFFFAOYSA-K 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000007850 fluorescent dye Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000001000 micrograph Methods 0.000 description 1
- 239000002090 nanochannel Substances 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000003079 shale oil Substances 0.000 description 1
Images
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B49/00—Testing the nature of borehole walls; Formation testing; Methods or apparatus for obtaining samples of soil or well fluids, specially adapted to earth drilling or wells
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Geology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Mining & Mineral Resources (AREA)
- Molecular Biology (AREA)
- Environmental & Geological Engineering (AREA)
- Fluid Mechanics (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明公开了一种基于微流控及机器学习的剩余油赋存形态判别方法,该方法包括以下步骤:S1、制备透明多孔介质,并对其抽真空;S2、向所述透明多孔介质中注入荧光溶液,拍摄得到原始透明多孔介质孔隙结构;S3、分别向所述透明多孔介质中注水和二甲基亚砜驱替出荧光溶液;S4、向所述透明多孔介质中注入原油;S5、以不同速率向所述透明多孔介质中注入不同体积的驱替流体驱替原油;S6、S5中每次驱替结束后均以极低速率注入荧光溶液,拍摄透明多孔介质中剩余油形态及分布;S7、基于计算机视觉将拍摄的剩余油形态进行图像识别,从而对剩余油形态进行判别及分类。
Description
技术领域
本发明涉及石油与天然气开采技术领域,具体涉及一种基于微流控及机器学习的剩余油赋存形态判别方法。
背景技术
我国致密油、页岩油等非常规油气资源丰富,但开采难度极大。通过注水、聚合物或二氧化碳等驱替剂开发后,储层岩石孔隙中通常还存在大量剩余油。判断储层剩余油形态,并研发相应驱替剂是非常规油气高效开采的基础。
致密岩石发育大量微纳米孔道,深埋于地下高温高压环境,储层中剩余油的赋存形态及分布机理仍然不清,同时剩余油赋存形态及位置分布对提高致密油采收率具有重要意义。
发明内容
基于以上背景技术,本发明提供一种基于微流控及机器学习的剩余油赋存形态判别方法。该方法准确呈现出剩余油在多孔介质中的形态,其利用共聚焦显微镜和微流控注射泵,为判别剩余油形态提供了关键手段,计算机视觉代替人的主观判断,更加客观地对剩余油形态进行判别及分类。
为了实现以上目的,本发明采用以下技术方案:
本发明提供一种基于微流控及机器学习的剩余油赋存形态判别方法,所述剩余油赋存形态判别方法包括以下步骤:
S1、制备透明多孔介质,并对其抽真空;
S2、向所述透明多孔介质中注入荧光溶液,拍摄得到原始透明多孔介质孔隙结构;
S3、分别向所述透明多孔介质中注水和二甲基亚砜驱替出荧光溶液;
S4、向所述透明多孔介质中注入原油;
S5、以不同速率向所述透明多孔介质中注入不同体积的驱替流体驱替原油;
S6、S5中每次驱替结束后均以极低速率注入荧光溶液,拍摄透明多孔介质中剩余油形态及分布;
S7、基于计算机视觉将拍摄的剩余油形态进行图像识别,从而对剩余油形态进行判别及分类。
基于本发明的剩余油赋存形态判别方法,优选地,所述计算机视觉包括但不限于卷积神经网络。
基于本发明的剩余油赋存形态判别方法,优选地,通过毛细玻璃管和微米级圆形玻璃珠加热固化形成所述透明多孔介质。毛细玻璃管和微米玻璃珠为准确得到透明多孔介质提供了快捷、精确的途径。优选地,所述加热的温度为900℃-1000℃。
基于本发明的剩余油赋存形态判别方法,优选地,首先将微米级圆形玻璃珠放入毛细玻璃管中,将毛细玻璃管连同玻璃珠放入马弗炉进行加热,使玻璃珠固化形成所述透明多孔介质,模拟致密储层岩石。
本发明以玻璃毛细管和微米级玻璃珠模拟致密岩石微纳米尺度孔隙。致密岩石孔隙是油气赋存和流动的主要场所,由于岩石难以透光,因此不能直接通过共聚焦显微镜观测剩余油形态。通过固化玻璃毛细管和微米级玻璃珠的方式,为得到透明多孔介质提供了快捷、精确的途径。微流控技术为准确操控注入流动提供关键实验手段。共聚焦显微镜成像系统为剩余油形态判别提供技术支撑。
基于本发明的剩余油赋存形态判别方法,优选地,所述剩余油赋存形态判别方法中向所述透明多孔介质注入流体时均使用微流控注射泵进行。
基于本发明的剩余油赋存形态判别方法,优选地,所述荧光溶液包括水、二甲基亚砜和荧光剂,S2中注入荧光溶液的体积及S4中注入原油的体积均超过透明多孔介质的孔隙体积。
基于本发明的剩余油赋存形态判别方法,所述荧光溶液的具体配置并无限定,能够实现共聚焦显微镜拍照时显像即可,本发明实施例中的配置过程包括,所述水、二甲基亚砜按照体积比为7:1配置成混合溶液,所述混合溶液和荧光剂按照100mL:1g的比例配置成所述荧光溶液;所述荧光剂为聚苯乙烯微球,如此配置的为绿色荧光溶液,此外还可以更换不同的荧光剂得到不同颜色的荧光溶液,本发明在此不再赘述。
基于本发明的剩余油赋存形态判别方法,优选地,S5中所述驱替流体包括水、聚合物溶液、二氧化碳和氮气。
基于本发明的剩余油赋存形态判别方法,优选地,S2中通过共聚焦显微镜依次拍摄透明多孔介质孔隙形态并记录下相应位置,得到原始透明多孔介质孔隙结构。
基于本发明的剩余油赋存形态判别方法,优选地,S6中以极低速率注入荧光溶液,并根据S2中记录的位置,通过共聚焦显微镜拍摄透明多孔介质中剩余油形态及分布。
共聚焦显微镜以激光为光源,由共聚焦成像扫描系统、电子光学系统和微机图像分析系统组成。共聚焦激光扫描显微技术作为一种岩石物理成像方法,为本发明提供了便利条件。
基于本发明的剩余油赋存形态判别方法,优选地,所述极低速率为50μL/hr。
本发明技术原理基础是微流控技术、共聚焦显微镜技术和机器学习。微流控技术指的是使用微管道处理或操纵微小流体的系统所涉及的科学和技术。微流控技术已经广泛应用于医学诊断、石油勘探开发等领域,具有微型化、集成化等显著优点。共聚焦显微镜以激光为光源,由共聚焦成像扫描系统、电子光学系统和微机图像分析系统组成。共聚焦激光扫描显微技术作为一种岩石物理成像方法,为本发明提供了便利条件。机器学习代替人的主观判断,为剩余油的判别及分类提供了有效方法,通过卷积神经网络对共聚焦显微镜拍摄的照片中剩余油形态进行分类,代替人的主观判断,从而对剩余油形态进行判别和分类。
本发明相对于现有技术取得了以下有益效果:
1)本发明采用固化毛细玻璃管和微米级玻璃珠的方式得到微米尺度透明多孔介质,实现真实描述致密岩石微纳尺度孔隙结构;
2)本发明采用荧光溶液和驱替流体注入透明多孔介质,可真实地提供剩余油赋存环境,为油气赋存条件提供物质基础;
3)本发明利用微流控技术、共聚焦显微镜和机器学习研究剩余油形态及分布,为准确判断剩余油形态提供关键的实验手段。
附图说明
图1为实施例中一种基于微流控及机器学习的剩余油赋存形态判别方法的流程示意图。
图2为实施例中共聚焦显微镜成像图片。
具体实施方式
为了更清楚地说明本发明,下面结合优选实施例对本发明做进一步的说明。本领域技术人员应当理解,下面所具体描述的内容是说明性的而非限制性的,不应以此限制本发明的保护范围。
本发明所有数值指定(例如温度、时间、浓度及重量等,包括其中每一者的范围)通常可是适当以0.1或1.0的增量改变(+)或(-)的近似值。所有数值指定均可理解为前面有术语“约”。
实施例1
本实施例提供了一种基于微流控及机器学习的剩余油赋存形态判别方法,如图1所示,包括如下步骤:
S101、取150微米的玻璃珠放入毛细玻璃管中,在900℃马弗炉内加热固化形成透明多孔介质。
将透明多孔介质两端固定塑料管作为流体注入通道,抽真空后固定在玻璃片上,并使用真空泵对其抽真空。
S102、配制绿色荧光溶液(水和二甲基亚砜按照7:1的体积比配置50mL混合溶液,再加入0.5g聚苯乙烯微球)并通过微流控泵注入透明多孔介质,然后通过共聚焦显微镜拍摄透明多孔介质孔隙结构及形态,并记录位置,有荧光区域为多孔介质的孔隙。
S103、分别注入纯水和二甲基亚砜从透明多孔介质中冲洗出荧光溶液,注入水和二甲基亚砜的体积和流速分别是3mL和3000μL/hr。
S104、向透明多孔介质中注入原油,直至其完全占据所有模型孔隙,体积约为1mL,流速为1000ul/hr。
S105、随后可通过不同流速、不同体积的不同驱替液注入模型驱替出模型孔隙中的原油。
本实施例中的具体驱替过程包括:
1)以1000μL/hr的流速向透明多孔介质中注水1小时驱替原油,随后进行步骤S106拍摄剩余油形态并记录相应位置。
2)随后继续以1000μL/hr每小时的流速继续注水1小时,再进行步骤S106拍摄。
3)最后同样以1000μL/hr的流速继续注水1小时,再进行步骤S106拍摄,从而得到注入驱替液体积分别为1000、2000、3000微升的剩余油形态及分布图。
4)类似地,注入速度依次改变2000μL/hr、3000μL/hr,并拍摄注入体积分别为1000、2000、3000微升的剩余油形态及分布图。
S106、以50微升/小时极低流速注入荧光溶液至少10小时。将设备置于共焦镜上,拍摄第2步中记录的位置,图像如图2所示,图中除了玻璃球外黑色区域为孔隙中的剩余油。
S107、通过机器学习中卷积神经网络对共聚焦显微镜拍摄的照片中剩余油形态进行分类,可以代替人的主观判断,对剩余油形态进行判别和分类,从而掌握剩余油的微观形成机理和分布规律,为提高原油采收率的提供理论依据。
本实施例中具体过程如下:
收集共聚焦显微镜拍摄的图片作为机器学习数据。数据预处理对图片特征进行标注,本实施例中剩余油形态分为簇状、粒间吸附状和斑块状3种。
通过卷积神经网络对数据进行训练,训练部分代码如下:
"model=tf.keras.Sequential([\n",
"tf.keras.layers.Conv2D(64,[3,3],activation='relu',input_shape=(256,256,3)),\n",
"tf.keras.layers.Conv2D(64,[3,3],activation='relu'),\n",
"tf.keras.layers.GlobalMaxPooling2D(),\n",
"tf.keras.layers.Conv2D(128,[3,3],activation='relu'),\n",
"tf.keras.layers.Conv2D(128,[3,3],activation='relu'),\n",
"tf.keras.layers.GlobalMaxPooling2D(),\n",
"tf.keras.layers.Conv2D(256,[3,3],activation='relu'),\n",
"tf.keras.layers.Conv2D(256,[3,3],activation='relu'),\n",
"tf.keras.layers.GlobalMaxPooling2D(),\n",
"tf.keras.layers.Dense(256,activation='relu')\n",
"tf.keras.layers.Dense(64,activation='relu')\n",
"tf.keras.layers.Dense(3,activation='softmax')\n",
"])"
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定,对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动,这里无法对所有的实施方式予以穷举,凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。
Claims (10)
1.一种基于微流控及机器学习的剩余油赋存形态判别方法,其特征在于,所述剩余油赋存形态判别方法包括以下步骤:
S1、制备透明多孔介质,并对其抽真空;
S2、向所述透明多孔介质中注入荧光溶液,拍摄得到原始透明多孔介质孔隙结构;
S3、分别向所述透明多孔介质中注水和二甲基亚砜驱替出荧光溶液;
S4、向所述透明多孔介质中注入原油;
S5、以不同速率向所述透明多孔介质中注入不同体积的驱替流体驱替原油;
S6、S5中每次驱替结束后均以极低速率注入荧光溶液,拍摄透明多孔介质中剩余油形态及分布;
S7、基于计算机视觉将拍摄的剩余油形态进行图像识别,从而对剩余油形态进行判别及分类。
2.根据权利要求1所述的剩余油赋存形态判别方法,其特征在于,通过毛细玻璃管和微米级圆形玻璃珠加热固化形成所述透明多孔介质。
3.根据权利要求2所述的剩余油赋存形态判别方法,其特征在于,首先将微米级圆形玻璃珠放入毛细玻璃管中,将毛细玻璃管连同玻璃珠放入马弗炉进行加热,使玻璃珠固化形成所述透明多孔介质。
4.根据权利要求1所述的剩余油赋存形态判别方法,其特征在于,所述剩余油赋存形态判别方法中向所述透明多孔介质注入流体时均使用微流控注射泵进行。
5.根据权利要求1所述的剩余油赋存形态判别方法,其特征在于,所述荧光溶液包括水、二甲基亚砜和荧光剂,S2中注入荧光溶液的体积及S4中注入原油的体积均超过透明多孔介质的孔隙体积。
6.根据权利要求5所述的剩余油赋存形态判别方法,其特征在于,所述水、二甲基亚砜按照体积比为7:1配置成混合溶液,所述混合溶液和荧光剂按照100mL:1g的比例配置成所述荧光溶液;
所述荧光剂为聚苯乙烯微球。
7.根据权利要求1所述的剩余油赋存形态判别方法,其特征在于,S5中所述驱替流体选自水、聚合物溶液、二氧化碳和氮气。
8.根据权利要求1所述的剩余油赋存形态判别方法,其特征在于,S2中通过共聚焦显微镜依次拍摄透明多孔介质孔隙形态并记录下相应位置,得到原始透明多孔介质孔隙结构。
9.根据权利要求8所述的剩余油赋存形态判别方法,其特征在于,S6中以极低速率注入荧光溶液,并根据S2中记录的位置,通过共聚焦显微镜拍摄透明多孔介质中剩余油形态及分布。
10.根据权利要求1或9所述的剩余油赋存形态判别方法,其特征在于,所述极低速率为30μL/hr-100μL/hr;
优选地,所述计算机视觉包括卷积神经网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011260539.2A CN112282748B (zh) | 2020-11-12 | 2020-11-12 | 一种基于微流控及机器学习的剩余油赋存形态判别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011260539.2A CN112282748B (zh) | 2020-11-12 | 2020-11-12 | 一种基于微流控及机器学习的剩余油赋存形态判别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112282748A true CN112282748A (zh) | 2021-01-29 |
CN112282748B CN112282748B (zh) | 2022-04-15 |
Family
ID=74397991
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011260539.2A Active CN112282748B (zh) | 2020-11-12 | 2020-11-12 | 一种基于微流控及机器学习的剩余油赋存形态判别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112282748B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113218903A (zh) * | 2021-05-19 | 2021-08-06 | 中国石油大学(华东) | 一种基于微流控与人工智能的油液分析设备故障预测系统 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5284051A (en) * | 1993-02-09 | 1994-02-08 | Mobil Oil Corporation | Method for identifying residual oil characteristics of porous reservoir rock |
WO1995033217A1 (en) * | 1994-05-26 | 1995-12-07 | Schlumberger Technology B.V. | Method and apparatus for optical logging |
CN1424485A (zh) * | 2001-12-11 | 2003-06-18 | 大庆油田有限责任公司 | 微观驱油动态彩色图象量化处理装置和处理方法 |
CN102367731A (zh) * | 2011-09-23 | 2012-03-07 | 中国石油天然气股份有限公司 | 一种描述水驱后微观剩余油分布规律的方法 |
US20130017610A1 (en) * | 2011-07-12 | 2013-01-17 | Jeffery Roberts | Encapsulated tracers and chemicals for reservoir interrogation and manipulation |
CN103063687A (zh) * | 2013-01-06 | 2013-04-24 | 中国石油大学(华东) | 多孔介质中剩余油微观分布图像采集实验装置 |
CN103206208A (zh) * | 2013-03-08 | 2013-07-17 | 中石化河南油田分公司石油勘探开发研究院 | 一种微观不同赋存状态剩余油宏观量化的方法 |
CN103485759A (zh) * | 2013-09-10 | 2014-01-01 | 中国石油大学(北京) | 油气井水力压裂裂缝扩展可视化实验方法及其装置 |
FR2999223A1 (fr) * | 2012-12-11 | 2014-06-13 | Total Sa | Traceurs fluorescents pour le marquage d'eaux d'injection de champs petroliers |
CN103958643A (zh) * | 2011-05-13 | 2014-07-30 | 沙特阿拉伯石油公司 | 作为油藏纳米试剂的碳基荧光示踪剂 |
US20160230543A1 (en) * | 2013-09-05 | 2016-08-11 | Johnson Matthey Public Limited Company | Tracer and method |
CN107831148A (zh) * | 2017-10-09 | 2018-03-23 | 东北石油大学 | 一种可视化岩心模型微观驱替动态观测方法 |
US20190218897A1 (en) * | 2018-01-15 | 2019-07-18 | Baker Hughes, A Ge Company, Llc | Utilizing microfluidics as a rapid screening technology for enhanced oil recovery |
CN110735632A (zh) * | 2018-07-20 | 2020-01-31 | 吉奥斯普里特有限责任公司 | 基于示踪剂的多级水力压裂后的生产测井的方法 |
CN111487161A (zh) * | 2020-06-01 | 2020-08-04 | 中国石油大学(华东) | 一种基于微通道的微观剩余油生成装置 |
CN111507986A (zh) * | 2020-04-08 | 2020-08-07 | 中国石油天然气股份有限公司 | 一种孔隙内波及情况的确定方法和装置 |
-
2020
- 2020-11-12 CN CN202011260539.2A patent/CN112282748B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5284051A (en) * | 1993-02-09 | 1994-02-08 | Mobil Oil Corporation | Method for identifying residual oil characteristics of porous reservoir rock |
WO1995033217A1 (en) * | 1994-05-26 | 1995-12-07 | Schlumberger Technology B.V. | Method and apparatus for optical logging |
CN1424485A (zh) * | 2001-12-11 | 2003-06-18 | 大庆油田有限责任公司 | 微观驱油动态彩色图象量化处理装置和处理方法 |
CN103958643A (zh) * | 2011-05-13 | 2014-07-30 | 沙特阿拉伯石油公司 | 作为油藏纳米试剂的碳基荧光示踪剂 |
US20130017610A1 (en) * | 2011-07-12 | 2013-01-17 | Jeffery Roberts | Encapsulated tracers and chemicals for reservoir interrogation and manipulation |
CN102367731A (zh) * | 2011-09-23 | 2012-03-07 | 中国石油天然气股份有限公司 | 一种描述水驱后微观剩余油分布规律的方法 |
FR2999223A1 (fr) * | 2012-12-11 | 2014-06-13 | Total Sa | Traceurs fluorescents pour le marquage d'eaux d'injection de champs petroliers |
CN103063687A (zh) * | 2013-01-06 | 2013-04-24 | 中国石油大学(华东) | 多孔介质中剩余油微观分布图像采集实验装置 |
CN103206208A (zh) * | 2013-03-08 | 2013-07-17 | 中石化河南油田分公司石油勘探开发研究院 | 一种微观不同赋存状态剩余油宏观量化的方法 |
US20160230543A1 (en) * | 2013-09-05 | 2016-08-11 | Johnson Matthey Public Limited Company | Tracer and method |
CN103485759A (zh) * | 2013-09-10 | 2014-01-01 | 中国石油大学(北京) | 油气井水力压裂裂缝扩展可视化实验方法及其装置 |
CN107831148A (zh) * | 2017-10-09 | 2018-03-23 | 东北石油大学 | 一种可视化岩心模型微观驱替动态观测方法 |
US20190218897A1 (en) * | 2018-01-15 | 2019-07-18 | Baker Hughes, A Ge Company, Llc | Utilizing microfluidics as a rapid screening technology for enhanced oil recovery |
CN110735632A (zh) * | 2018-07-20 | 2020-01-31 | 吉奥斯普里特有限责任公司 | 基于示踪剂的多级水力压裂后的生产测井的方法 |
CN111507986A (zh) * | 2020-04-08 | 2020-08-07 | 中国石油天然气股份有限公司 | 一种孔隙内波及情况的确定方法和装置 |
CN111487161A (zh) * | 2020-06-01 | 2020-08-04 | 中国石油大学(华东) | 一种基于微通道的微观剩余油生成装置 |
Non-Patent Citations (4)
Title |
---|
JIECHENG CHENG,ETC: "Study on Remaining Oil Distribution after Polymer Injection", 《THE SPE ANNUAL TECHNICAL CONFERENCE AND EXHIBITION》 * |
JUNFEI MA,ETC: "Carbon Dots as Fluorescent Sensitive Tracers in Reservoir Engineering", 《THE ARMA-CUPB GEOTHERMAL INTERNATIONAL CONFERENCE》 * |
吴家文等: "聚驱后剩余油分布的大平面驱油实验及荧光分析", 《油田化学》 * |
田志等: "基于沉积过程的数字岩石建模方法研究", 《地球物理学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113218903A (zh) * | 2021-05-19 | 2021-08-06 | 中国石油大学(华东) | 一种基于微流控与人工智能的油液分析设备故障预测系统 |
CN113218903B (zh) * | 2021-05-19 | 2023-01-20 | 中国石油大学(华东) | 一种基于微流控与人工智能的油液分析设备故障预测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112282748B (zh) | 2022-04-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112282748B (zh) | 一种基于微流控及机器学习的剩余油赋存形态判别方法 | |
Yu et al. | Permeabilities of unsaturated fractal porous media | |
CN104428651B (zh) | 用于样品制备或自主分析的流体装置和系统 | |
CN109827884B (zh) | 一种真实砂岩高温高压可视化渗流实验装置及方法 | |
Glass et al. | Immiscible displacement in porous media: Stability analysis of three‐dimensional, axisymmetric disturbances with application to gravity‐driven wetting front instability | |
CN101576557B (zh) | 一种集成微流控芯片系统 | |
US20220205896A1 (en) | High-temperature and high-pressure microscopic visual flowing device and experimental method | |
SA02220712B1 (ar) | غرفة أخذ عينات sample chamber ذات كسح flushing للحجم الساكن dead volume | |
CN105869496A (zh) | 一种可视化微观孔隙结构仿真物理模型及制作方法 | |
US11402316B2 (en) | Device and method for measuring two-phase relative permeability curve of unconventional oil reservoir | |
CN105044283A (zh) | 一种考虑聚合物粘弹性的多油层注聚井注入能力评价方法 | |
CN107860694B (zh) | 测量预交联凝胶颗粒在岩石微观孔喉中运移规律的方法 | |
CN104298797A (zh) | 一种确定缝洞型油藏高导流通道圈闭剩余油的方法 | |
Hafez et al. | CO2-monoethanolamine-induced oil swelling and viscosity reduction for enhanced oil recovery | |
Shagiakhmetov et al. | Investigation of selective properties of the gel-forming composition for the limitation of water inflow to carbonate reservoirs conditions | |
Marcos et al. | Microorganisms in vortices: a microfluidic setup | |
CN101042396B (zh) | 在有机玻璃微流控芯片通道表面修饰硅凝胶的方法 | |
CN206205866U (zh) | 一种微观可视化驱替模拟系统 | |
WO2024001704A1 (zh) | 一种稠油中微水滴分布的分析方法 | |
CN112881259A (zh) | 一种基于稳态法测节理网络气-水相对渗透率的可视化装置及方法 | |
CN209132138U (zh) | 一种超临界二氧化碳高温高压pvt测试及驱替甲烷一体化的实验装置 | |
CN111027887A (zh) | 驱油机理确定方法及系统 | |
Feng et al. | Study on EOR mechanisms by microbial flooding | |
CN108590639A (zh) | 三维油藏物理模型夹层设置方法 | |
CN106540761A (zh) | 微型浓度梯度发生装置及方法 |
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 |