CN112943224A - 稠油井动液面的计算方法 - Google Patents
稠油井动液面的计算方法 Download PDFInfo
- Publication number
- CN112943224A CN112943224A CN201911270485.5A CN201911270485A CN112943224A CN 112943224 A CN112943224 A CN 112943224A CN 201911270485 A CN201911270485 A CN 201911270485A CN 112943224 A CN112943224 A CN 112943224A
- Authority
- CN
- China
- Prior art keywords
- liquid level
- calculating
- oil well
- heavy oil
- depth
- 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
- 239000007788 liquid Substances 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 36
- 239000000295 fuel oil Substances 0.000 title claims abstract description 21
- 239000012530 fluid Substances 0.000 claims abstract description 40
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims abstract description 22
- 238000012360 testing method Methods 0.000 claims abstract description 21
- 238000003066 decision tree Methods 0.000 claims abstract description 20
- 229910052757 nitrogen Inorganic materials 0.000 claims abstract description 11
- 230000008878 coupling Effects 0.000 claims abstract description 5
- 238000010168 coupling process Methods 0.000 claims abstract description 5
- 238000005859 coupling reaction Methods 0.000 claims abstract description 5
- 230000011218 segmentation Effects 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 14
- 238000004519 manufacturing process Methods 0.000 claims description 13
- 239000003129 oil well Substances 0.000 claims description 11
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 11
- 238000004422 calculation algorithm Methods 0.000 abstract description 8
- 238000013499 data model Methods 0.000 abstract description 2
- 239000003921 oil Substances 0.000 description 18
- 238000010586 diagram Methods 0.000 description 16
- 238000005070 sampling Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 5
- 238000001914 filtration Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000000691 measurement method Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 2
- 238000013016 damping Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009466 transformation Effects 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
- E21B49/08—Obtaining fluid samples or testing fluids, in boreholes or wells
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Geology (AREA)
- Mining & Mineral Resources (AREA)
- Physics & Mathematics (AREA)
- Environmental & Geological Engineering (AREA)
- Fluid Mechanics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提供一种稠油井动液面的计算方法,该稠油井动液面的计算方法包括:步骤1,取多个试验样本;步骤2,通过氮气声波法测得多口井的声波,以多个油管接箍为基准计算动液面深度,并加以记录;步骤3,建立回归决策树模型;步骤4,进行过拟合试验;步骤5,通过已经生成的回归决策树进行液面预估并与实测动液面进行对比。该稠油井动液面的计算方法将大量上述数据作为输入端输入到算法中,通过数据对算法进行“训练”,找出数据之间的潜在关系,建立数据模型,由此预估出动液面深度,数据量越大,预估结果越准确。
Description
技术领域
本发明涉及油田开发技术领域,特别是涉及到一种稠油井动液面的计算方法。
背景技术
传统的稀油测动液面计算方法已经在油田普及应用,但稠油动液面计算受阻力或功图图形等因素影响,存在明显计算误差。传统的稀油测动液面计算模型是通过压力变化与差值计算得到沉默压力,这是近年来石油行业计算动液面的主要理论方式。目前稠油动液面仍使用着传统的声波法测量法,且不能做到实时监测。
传统的稀油测动液面计算系统是基于地面功图推导得到泵功图,通过曲率找到游动阀与固定阀的四个开闭点,通过压力变化与差值计算得到沉没压力。此方法的局限性比较明显。在稠油区块,阻力较大或者功图复杂的情况下,存在明显误差。
目前油田稠油区块动液面取得仍使用着传统的声波测量法,不能做到实时监测。声波测量法是人工到油井生产现场,将氮气测试设备连接到油井井口套气阀门上,发射氮气枪,利用回声原理得到稠油动液面。这种方法需要人工逐井进行测试,工作量大、时效性差,成本高,并且在设备运转的生产现场进行操作,存在较大安全隐患。同时因为稠油井井下情况复杂,比如套管内存在死油、油井间出、气体影响等情况都会导致数据的准确性出现偏差。造成测试分析结果与实际液面情况不符,实际测试液面资料显示油井供液不足,往往实际示功图正常,或者沉没度足够,功图显示却供液不足。
在申请号:201510359023.6的中国专利申请中,涉及到利用抽油机泵功图在线计算油井动液面方法包括:获取地面示功图,用计算机进行数学处理,消除抽油杆柱的变形、杆柱的粘滞阻力、振动和惯性等的影响,得到形状简单而又能真实反映泵工作状况的井下泵示功图,建立井下泵示功图模型,进行井下泵示功图的付氏级数解、粘滞阻尼系数v的计算,然后根据上述得到的井下泵示功图与阀开闭点的关系以及粘滞阻尼系数v建立曲率模型,确定阀开闭点位置。这个专利单从原理层面考虑是比较完善的,但构成因素过于理想化。比如地面功图转泵功图过程中的波动方程对象、计算公式中的波动参数、运动粘度等因素在实际生产中是取不准的。同时该专利没有考虑到压降、流量系数、排量系数等这些稠油区块常见特点的要因。该专利用在稀油区块准确率较高,用在稠油区块误差会很大。
在申请号:201810168944.8的中国专利申请中,涉及到一种油井动液面识别方法,包括步骤:一、获取动液面深度预估值并采集回波信号;二、回波采样信号的滤波;三、带通滤波回波信号的频域变换;四、提取回波信号声速;五、回波采样信号的数据归零处理;六、归零回波采样信号的滤波;七、查找动液面位置的突变峰值和动液面位置的采样点;八、获取动液面位置的采样时间;九、识别动液面的实际深度。该专利是在井口安装回波采样装置和滤波发射装置,通过指令进行采样,获取动液面实际深度。该做法相当于在每口油井上安装一套人工测试用的声波测试仪器。其动液面测试结果正确率较高,但安装成本较高,不适合推广普及。
为此我们发明了一种新的稠油井动液面的计算方法,解决了以上技术问题。
发明内容
本发明的目的是提供一种适合稠油区块的动液面计算方法,利用井口现有的设备获取大量生产数据,通过人工智能的机器学习,进行预测,得出预估建议。
本发明的目的可通过如下技术措施来实现:稠油井动液面的计算方法,该稠油井动液面的计算方法包括:步骤1,取多个试验样本;步骤2,通过氮气声波法测得多口井的声波,以多个油管接箍为基准计算动液面深度,并加以记录;步骤3,建立回归决策树模型;步骤4,进行过拟合试验;步骤5,通过已经生成的回归决策树进行液面预估并与实测动液面进行对比。
本发明的目的还可通过如下技术措施来实现:
在步骤1中,取多个试验样本,取得多口井的泵径,泵深,冲程,冲次,最大载荷,最小载荷,含水,日产液量,回压,套压这些数据。
在步骤2中,通过氮气声波法测得多口井的声波,以多个油管接箍为基准计算动液面深度,并加以记录。
步骤3包括:
3a,采集训练集;
3b,对特征空间进行划分,每次划分逐一考察当前集合中所有特征的取值,根据平方误差最小化准则选择其中最优的一个作为切分点;
3c,用选定的对(j,s)划分区域并决定相应的输出值;
3d,继续对上述两个子区域调用步骤3b和步骤3c,直至满足停止条件,即递归调用;
3e,将输入空间划分为M个区域R1,R2,...,Rm,生成决策树。
在步骤3a中,设D={(x1,y1),(x2,y2),...(xn,yn)}为训练集,其中n 为训练集中的样本数
在步骤3b中,对训练集中第j个特征变量x(j)和它的取值s,作为切分变量和切分点,并定义两个区域
R1(j,s)={x|x(j)≤s}和R2(j,s)={x|x(j)>s},
选择最优切分变量j与切分点s,对公式
进行求解,遍历变量j,对固定的切分变量j扫描切分点s,选择使上述公式达到最小值的(j,s),也就是找出使要划分的两个区域平方误差和最小的j和s;其中c1c2为划分后两个区域内固定的输出值,方括号内的两个min意为使用的是最优的c1和c2,也就是使各自区域内平方误差最小的c1和c2,易知这两个最优的输出值就是各自的对应区域内y的均值,所以上式可写为
在步骤3c中,用选定的对(j,s)划分区域并决定相应的输出值:
R1(j,s)={x|x(j)≤s},R2(j,s)={x|x(j)>s}
其中Nm表示第m个子区域中样本的个数。
在步骤3e中,将输入空间划分为M个区域R1,R2,...,Rm,生成决策树:
在步骤1中,选取其它多口井的泵径,泵深,冲程,冲次,套压,回压,最大载荷,最小载荷,含水,日产液量以及现场声波实测动液面值作为测试数据集,通过已经生成的回归决策树进行液面预估并与实测动液面进行对比。
本发明的稠油井动液面的计算方法,绕开现有动液面计算公式的框架,利用机器学习是用数据或以往的经验,以此优化计算机程序的性能标准,是对能通过经验自动改进的计算机算法的研究。根据油田生产现场的液量、回压、套压、上行载荷、下行载荷、冲程、冲次、泵深、泵径等可提取数据与动液面潜在联系。深度学习算法将大量上述数据作为输入端输入到算法中,通过数据对算法进行“训练”,找出数据之间的潜在关系,建立数据模型,由此预估出动液面深度,数据量越大,预估结果越准确。
附图说明
图1为本发明的稠油井动液面的计算方法的一具体实施例的流程图;
图2为本发明的一具体实施例中不同最大深度下回归决策树拟合结果的示意图。
具体实施方式
为使本发明的上述和其它目的、特征和优点能更明显易懂,下文特举出较佳实施例,并配合附图所示,作详细说明如下。
如图1所示,图1为本发明的稠油井动液面的计算方法的结构图。
步骤101:本次试验取多个(例如40个)试验样本,首先通过pcs 平台取得多口(例如40口)井的泵径,泵深,冲程,冲次,最大载荷,最小载荷,含水,日产液量,回压(油压),套压等数据。
步骤102:跟随测试人员去现场,通过传统的氮气声波法测得多口井的声波,以多个(10个)油管接箍为基准计算动液面深度,并加以记录。至此完成数据采集部分(训练集)。
步骤103:编写Python程序调用回归决策树模型,具体原理如下:
步骤301:
设D={(x1,y1),(x2,y2),...(xn,yn)}为训练集其中n为训练集中的样本数
yi为第i条样本的氮气实测液面值。
步骤302:
对特征空间的划分,每次划分逐一考察当前集合中所有特征的取值,根据平方误差最小化准则选择其中最优的一个作为切分点。对训练集中第j个特征变量x(j)和它的取值s,作为切分变量和切分点,并定义两个区域
R1(j,s)={x|x(j)≤s}和R2(j,s)={x|x(j)>s},
选择最优切分变量j与切分点s,对
进行求解,遍历变量j,对固定的切分变量j扫描切分点s,选择使上述公式达到最小值的(j,s),也就是找出使要划分的两个区域平方误差和最小的j和s。其中c1c2为划分后两个区域内固定的输出值,方括号内的两个min意为使用的是最优的c1和c2,也就是使各自区域内平方误差最小的c1和c2,易知这两个最优的输出值就是各自的对应区域内y的均值,所以上式可写为
步骤303:
用选定的对(j,s)划分区域并决定相应的输出值:
R1(j,s)={x|x(j)≤s},R2(j,s)={x|x(j)>s}
其中Nm表示第m个子区域中样本的个数。
步骤304:
继续对上述两个子区域调用步骤302,步骤303,直至满足停止条件,即递归调用。
步骤305:
至此已将输入空间划分为M个区域R1,R2,...,Rm,生成决策树:
步骤104:
进行过拟合试验具体原理如下:
决策树算法的缺点就在于极易过拟合,所以控制决策树的模型复杂度以防止过拟合是很有必要的。可以设定几个参数抑制树的生长:最大树深(max_depth)、最大叶子结点数、叶子结点最小样本数、分裂最小增益。除此之外,也可以对树的生长不做限制,然后再对树进行剪枝。这里主要通过设置max_depth抑制树的生长。
max_depth:树的最大深度,也就是说当树的深度到达 max_depth的时候无论还有多少可以分支的特征,决策树都会停止运算。
树的最大深度的增加虽然可以增加对训练集拟合能力的增强, 但这也就可能意味着其泛化能力的下降。在提供的数据集上分别使用不同的最大深度训练出来结果如图2,可看出max_depth越大时,拟合效果越好,训练集上的误差越小(max_depth=[3,5,7]分别对应 RMSE=[81.89780496371962,51.46411910793339,36.556841812382 27])。但是,经过随机抽取的交叉验证发现,max_depth越大时,训练出来的平均误差有所上升,表明泛化能力下降了 (max_depth=[3,5,7]分别对应交叉验证结果的平均 RMSE=[201.65014637171956,212.40395258911178,215.402864380 9492])。
因此选择回归决策树的深度为3。
步骤105:
通过pcs平台选取其它多口(例如10口)井的泵径,泵深,冲程,冲次,套压,回压,最大载荷,最小载荷,含水,日产液量以及现场声波实测动液面值作为测试数据集,通过已经生成的回归决策树进行液面预估并与实测动液面进行对比其结果如下:
表1液面预估与实测动液面对比结果表
本发明的稠油井动液面的计算方法,将结果与声波法测量数据对比,误差值为69.9m,误差率3.3%。同时,取多口(例如10口) 稠油井进行横向和纵向对比,得到与声波法测量法误差控制在4%以内,该算法可以应用于对稠油动液面实时监测。运行中的数据从PCS平台实时提取,动液面实时采集计算。使得技术人员对该油井井况实时掌握,同时避免了人工逐井进行测试的工作量,减少人工成本,优化劳动力。
Claims (9)
1.稠油井动液面的计算方法,其特征在于,该稠油井动液面的计算方法包括:
步骤1,取多个试验样本;
步骤2,通过氮气声波法测得多口井的声波,以多个油管接箍为基准计算动液面深度,并加以记录;
步骤3,建立回归决策树模型;
步骤4,进行过拟合试验;
步骤5,通过已经生成的回归决策树进行液面预估并与实测动液面进行对比。
2.根据权利要求1所述的稠油井动液面的计算方法,其特征在于,在步骤1中,取多个试验样本,取得多口井的泵径,泵深,冲程,冲次,最大载荷,最小载荷,含水,日产液量,回压,套压这些数据。
3.根据权利要求2所述的稠油井动液面的计算方法,其特征在于,在步骤2中,通过氮气声波法测得多口井的声波,以多个油管接箍为基准计算动液面深度,并加以记录。
4.根据权利要求1所述的稠油井动液面的计算方法,其特征在于,步骤3包括:
3a,采集训练集;
3b,对特征空间进行划分,每次划分逐一考察当前集合中所有特征的取值,根据平方误差最小化准则选择其中最优的一个作为切分点;
3c,用选定的对(j,s)划分区域并决定相应的输出值;
3d,继续对上述两个子区域调用步骤3b和步骤3c,直至满足停止条件,即递归调用;
3e,将输入空间划分为M个区域R1,R2,...,Rm,生成决策树。
6.根据权利要求5所述的稠油井动液面的计算方法,其特征在于,在步骤3b中,对训练集中第j个特征变量x(j)和它的取值s,作为切分变量和切分点,并定义两个区域
R1(j,s)={x|x(j)≤s}和R2(j,s)={x|x(j)>s},
选择最优切分变量j与切分点s,对公式
进行求解,遍历变量j,对固定的切分变量j扫描切分点s,选择使上述公式达到最小值的(j,s),也就是找出使要划分的两个区域平方误差和最小的j和s;其中c1c2为划分后两个区域内固定的输出值,方括号内的两个min意为使用的是最优的c1和c2,也就是使各自区域内平方误差最小的c1和c2,易知这两个最优的输出值就是各自的对应区域内y的均值,所以上式可写为
9.根据权利要求1所述的稠油井动液面的计算方法,其特征在于,在步骤1中,选取其它多口井的泵径,泵深,冲程,冲次,套压,回压,最大载荷,最小载荷,含水,日产液量以及现场声波实测动液面值作为测试数据集,通过已经生成的回归决策树进行液面预估并与实测动液面进行对比。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911270485.5A CN112943224B (zh) | 2019-12-11 | 2019-12-11 | 稠油井动液面的计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911270485.5A CN112943224B (zh) | 2019-12-11 | 2019-12-11 | 稠油井动液面的计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112943224A true CN112943224A (zh) | 2021-06-11 |
CN112943224B CN112943224B (zh) | 2023-02-07 |
Family
ID=76234359
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911270485.5A Active CN112943224B (zh) | 2019-12-11 | 2019-12-11 | 稠油井动液面的计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112943224B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114326660A (zh) * | 2021-12-13 | 2022-04-12 | 中国航发北京航科发动机控制系统科技有限公司 | 一种基于rss-etr的燃油泵调节器智能调试方法 |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1999044112A2 (en) * | 1998-02-27 | 1999-09-02 | Mci Worldcom, Inc. | System and method for extracting and forecasting computing resource data such as cpu consumption using autoregressive methodology |
CN102168551A (zh) * | 2011-01-19 | 2011-08-31 | 杨平 | 油井动液面深度连续测量和采出液连续计量装置及方法 |
CN103061749A (zh) * | 2013-01-25 | 2013-04-24 | 东北大学 | 一种有杆泵抽油井井下动态液位软测量方法 |
CN105569639A (zh) * | 2015-12-31 | 2016-05-11 | 山东天工石油装备有限公司 | 一种基于地面示功图计算油井动液面的方法 |
CN106593415A (zh) * | 2015-10-16 | 2017-04-26 | 中国科学院沈阳自动化研究所 | 一种基于改进多相流算法的油井动液面计量方法 |
CN106677763A (zh) * | 2016-12-29 | 2017-05-17 | 沈阳工业大学 | 一种基于动态集成建模的油井动液面预测方法 |
CN107288617A (zh) * | 2016-07-21 | 2017-10-24 | 中国石油大学(北京) | 一种提高抽油机井示功图量油精度的方法及系统 |
CN108733966A (zh) * | 2017-04-14 | 2018-11-02 | 国网重庆市电力公司 | 一种基于决策树群的多维电能表现场状态检验方法 |
CN108805215A (zh) * | 2018-06-19 | 2018-11-13 | 东北大学 | 基于改进果蝇算法的有杆泵抽油井动态液位软测量方法 |
CN108896914A (zh) * | 2018-05-11 | 2018-11-27 | 浙江工业大学 | 一种锂电池健康状况的梯度提升树建模与预测方法 |
CN109740661A (zh) * | 2018-12-28 | 2019-05-10 | 沈阳工业大学 | 一种基于模糊评估的油井动液面自适应预测方法 |
CN109919184A (zh) * | 2019-01-28 | 2019-06-21 | 中国石油大学(北京) | 一种基于测井数据的多井复杂岩性智能识别方法及系统 |
CN109961186A (zh) * | 2019-03-22 | 2019-07-02 | 大唐环境产业集团股份有限公司 | 基于决策树和bp神经网络的脱硫系统运行参数预测方法 |
US20190266294A1 (en) * | 2018-02-28 | 2019-08-29 | Saudi Arabian Oil Company | Locating new hydrocarbon fields and predicting reservoir performance from hydrocarbon migration |
CN110287552A (zh) * | 2019-06-10 | 2019-09-27 | 合肥工业大学 | 基于改进随机森林算法的电机轴承故障诊断方法及系统 |
CN110298485A (zh) * | 2019-05-29 | 2019-10-01 | 国电联合动力技术有限公司 | 基于改进深度随机森林算法的变桨系统故障预测方法 |
CN110363337A (zh) * | 2019-06-27 | 2019-10-22 | 中国石油大学(北京) | 一种基于数据驱动的抽油机量油方法及系统 |
CN110472689A (zh) * | 2019-08-19 | 2019-11-19 | 东北大学 | 基于集成高斯过程回归的有杆泵抽油井动液面软测量方法 |
CN110552685A (zh) * | 2019-08-19 | 2019-12-10 | 大庆油田有限责任公司 | 一种结蜡井利用地面功图计算油井动液面的方法 |
-
2019
- 2019-12-11 CN CN201911270485.5A patent/CN112943224B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1999044112A2 (en) * | 1998-02-27 | 1999-09-02 | Mci Worldcom, Inc. | System and method for extracting and forecasting computing resource data such as cpu consumption using autoregressive methodology |
CN102168551A (zh) * | 2011-01-19 | 2011-08-31 | 杨平 | 油井动液面深度连续测量和采出液连续计量装置及方法 |
CN103061749A (zh) * | 2013-01-25 | 2013-04-24 | 东北大学 | 一种有杆泵抽油井井下动态液位软测量方法 |
CN106593415A (zh) * | 2015-10-16 | 2017-04-26 | 中国科学院沈阳自动化研究所 | 一种基于改进多相流算法的油井动液面计量方法 |
CN105569639A (zh) * | 2015-12-31 | 2016-05-11 | 山东天工石油装备有限公司 | 一种基于地面示功图计算油井动液面的方法 |
CN107288617A (zh) * | 2016-07-21 | 2017-10-24 | 中国石油大学(北京) | 一种提高抽油机井示功图量油精度的方法及系统 |
CN106677763A (zh) * | 2016-12-29 | 2017-05-17 | 沈阳工业大学 | 一种基于动态集成建模的油井动液面预测方法 |
CN108733966A (zh) * | 2017-04-14 | 2018-11-02 | 国网重庆市电力公司 | 一种基于决策树群的多维电能表现场状态检验方法 |
US20190266294A1 (en) * | 2018-02-28 | 2019-08-29 | Saudi Arabian Oil Company | Locating new hydrocarbon fields and predicting reservoir performance from hydrocarbon migration |
CN108896914A (zh) * | 2018-05-11 | 2018-11-27 | 浙江工业大学 | 一种锂电池健康状况的梯度提升树建模与预测方法 |
CN108805215A (zh) * | 2018-06-19 | 2018-11-13 | 东北大学 | 基于改进果蝇算法的有杆泵抽油井动态液位软测量方法 |
CN109740661A (zh) * | 2018-12-28 | 2019-05-10 | 沈阳工业大学 | 一种基于模糊评估的油井动液面自适应预测方法 |
CN109919184A (zh) * | 2019-01-28 | 2019-06-21 | 中国石油大学(北京) | 一种基于测井数据的多井复杂岩性智能识别方法及系统 |
CN109961186A (zh) * | 2019-03-22 | 2019-07-02 | 大唐环境产业集团股份有限公司 | 基于决策树和bp神经网络的脱硫系统运行参数预测方法 |
CN110298485A (zh) * | 2019-05-29 | 2019-10-01 | 国电联合动力技术有限公司 | 基于改进深度随机森林算法的变桨系统故障预测方法 |
CN110287552A (zh) * | 2019-06-10 | 2019-09-27 | 合肥工业大学 | 基于改进随机森林算法的电机轴承故障诊断方法及系统 |
CN110363337A (zh) * | 2019-06-27 | 2019-10-22 | 中国石油大学(北京) | 一种基于数据驱动的抽油机量油方法及系统 |
CN110472689A (zh) * | 2019-08-19 | 2019-11-19 | 东北大学 | 基于集成高斯过程回归的有杆泵抽油井动液面软测量方法 |
CN110552685A (zh) * | 2019-08-19 | 2019-12-10 | 大庆油田有限责任公司 | 一种结蜡井利用地面功图计算油井动液面的方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114326660A (zh) * | 2021-12-13 | 2022-04-12 | 中国航发北京航科发动机控制系统科技有限公司 | 一种基于rss-etr的燃油泵调节器智能调试方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112943224B (zh) | 2023-02-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN1826455B (zh) | 改进的泡点压力井下pv测试 | |
CN108694264B (zh) | 一种确定页岩气储层渗透率的方法 | |
CN110206536A (zh) | 一种基于泵示功图的井口产液量采集方法 | |
MX2011004640A (es) | Aparato para analisis y control de un sistema de bomba alternante mediante la determinacion de una carta de bomba. | |
CN108240215B (zh) | 一种基于有限差分法的抽油井柱塞有效冲程确定方法 | |
MX2014015163A (es) | Aparato y metodo para pruebas de pulso de un yacimiento. | |
CN108266165A (zh) | 低渗油藏co2驱最小混相压力计算方法 | |
CN111175817B (zh) | 一种微地震数据辅助的致密油气藏裂缝分布反演方法 | |
CN110162851A (zh) | 一种电缆地层测试泵抽数值模拟及其过程的数值校正方法 | |
CN112943224B (zh) | 稠油井动液面的计算方法 | |
CN111027638A (zh) | 一种基于流量的抽油机冲次及动液面信息监测方法及系统 | |
US11078775B2 (en) | Acoustic pressure wave gas lift diagnostics | |
CN105569639A (zh) | 一种基于地面示功图计算油井动液面的方法 | |
CN109403958B (zh) | 利用气测录井功率谱等效指数识别地层流体性质的方法 | |
CN110275084B (zh) | 一种针对脐带缆泄漏故障的特征识别方法 | |
Tabjula et al. | Empirical correlations for predicting flow rates using distributed acoustic sensor measurements, validated with wellbore and flow loop data sets | |
CN110007344B (zh) | 一种断溶体储层连通性的地震识别方法及装置 | |
CN105089632A (zh) | 一种高温高压储层co2流体纵波时差骨架参数的获取方法 | |
Liang et al. | Acquisition and analysis of transient data through unsteady-state core flooding experiments | |
CN108664678B (zh) | 一种产量预测方法 | |
Vahabi et al. | Convolutional neural networks to classify oil, water and gas wells fluid using acoustic signals | |
CN109190292A (zh) | 基于测井资料的含水层富水性预测方法 | |
RU2289021C2 (ru) | Способ определения параметров пласта при исследовании малодебитных непереливающих скважин | |
RU2685379C1 (ru) | Способ определения давления насыщения нефти газом в скважине | |
CN211122412U (zh) | 一种高温高压条件下钻井液沉降稳定动态测量评价装置 |
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 |