CN113239621B - 一种基于弹性网络回归算法的pvt测量方法 - Google Patents
一种基于弹性网络回归算法的pvt测量方法 Download PDFInfo
- Publication number
- CN113239621B CN113239621B CN202110513381.3A CN202110513381A CN113239621B CN 113239621 B CN113239621 B CN 113239621B CN 202110513381 A CN202110513381 A CN 202110513381A CN 113239621 B CN113239621 B CN 113239621B
- Authority
- CN
- China
- Prior art keywords
- pvt
- model
- oil
- elastic network
- network regression
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 15
- 238000000691 measurement method Methods 0.000 title claims description 9
- 239000003921 oil Substances 0.000 claims abstract description 35
- 239000010779 crude oil Substances 0.000 claims abstract description 29
- 238000002790 cross-validation Methods 0.000 claims abstract description 9
- 150000001335 aliphatic alkanes Chemical class 0.000 claims description 18
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 14
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 11
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 10
- 239000000203 mixture Substances 0.000 claims description 10
- 230000005484 gravity Effects 0.000 claims description 9
- 239000001569 carbon dioxide Substances 0.000 claims description 7
- 239000007789 gas Substances 0.000 claims description 7
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 6
- 125000004432 carbon atom Chemical group C* 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims description 6
- ATUOYWHBWRKTHZ-UHFFFAOYSA-N Propane Chemical compound CCC ATUOYWHBWRKTHZ-UHFFFAOYSA-N 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000002329 infrared spectrum Methods 0.000 claims description 3
- 229910052757 nitrogen Inorganic materials 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- 238000012937 correction Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 239000001294 propane Substances 0.000 claims description 2
- 230000008030 elimination Effects 0.000 claims 3
- 238000003379 elimination reaction Methods 0.000 claims 3
- 238000009795 derivation Methods 0.000 claims 1
- 238000009499 grossing Methods 0.000 claims 1
- 238000000034 method Methods 0.000 abstract description 11
- 239000012530 fluid Substances 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 3
- 238000004566 IR spectroscopy Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- OTMSDBZUPAUEDD-UHFFFAOYSA-N Ethane Chemical compound CC OTMSDBZUPAUEDD-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003129 oil well Substances 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000002945 steepest descent method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 229930195735 unsaturated hydrocarbon Natural products 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3577—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing liquids, e.g. polluted water
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Abstract
本发明提供一种基于弹性网络回归算法的PVT测量方法,包括步骤1.放置井下红外光谱仪;步骤2.实时获取原油的成分以及相对含量;步骤3.输入弹性网络回归模型;步骤4.将所测量的成分参数输入模型后得到原油PVT特性。本发明分别训练了三个模型,这些模型针对PVT特性:泡点压力、溶解气油比和油层体积系数,在所有三个模型中使用了交叉验证和超参数调整的方法,确保模型准确性和稳健性,最终实现通过输入成分数据预测原油的PVT。
Description
技术领域
本发明涉及到原油PVT测量技术领域,尤其涉及到一种运用弹性网络回归算法预测原油PVT的方法。
背景技术
常规原油的PVT特征参数用途十分广泛,是油藏模拟和油藏工程计算必不可少的资料,是研究油藏驱动类型,计算油藏储量,求取采收率,油井完井设计,采油工艺设计,管输流动性保障,开发方案设计的基础。理想情况下,通过井筒和地面取样进行化验分析是获取原油的PVT特征参数的最佳方法。但是,随着油藏开发进入中后期,因为原油取样误差,成本控制等原因,实验求取原油的PVT特征参数并非总是可用。
从上世纪50年代以来,工程师就开发出了各种PVT的相关性参数模型。在实验室中测定的原油PVT性质,主要是通过经验公式,工程师需要分时间输入到不同的计算模型中。提出了基于溶解气油比、饱和压力、油层体积系数相关模型来预测原油PVT。但是获取结果需要较大的时间和成本。
此外,随着计算能力的增强,利用神经网络的方法预测PVT参数的模型越来越多。PVT特性是温度、压力、烃类混合物以及杂质的复杂函数,成分主要通过模拟地层流体的环境来确定,从中反映了压力和温度的变化。利用神经网络来预测原油PVT性质已经有了相当高的精度。但是,这些模型不具有可解释性,无法具体的看出其中参数所存在的内部关系。
发明内容
本发明的目的在于解决上述现有技术存在的缺陷,提供一种基于弹性网络回归算法的PVT测量方法,通过弹性网络回归算法来进行原油PVT参数的预测。利用成分数据描述储层流体是通过多组分体系,体积和热力学性质得到的。
本发明采用如下技术方案:
一种基于弹性网络回归算法的PVT测量方法,包括如下步骤:
步骤1.放入井下红外光谱仪。
步骤2.利用井下红外光谱实时测量井下流体成分及相对含量。
步骤3.将原油成分及相对含量输入弹性网络回归模型。
步骤4.得到原油PVT特性。
其中泡点压力线性关系、溶解气油比与各成分为多项式关系、油层体积系数与各成分之间为对数关系。
其中所述的弹性网络是在采集大量地层数据后在地面上进行训练建立的,建立之后的模型可以通过实时测量地层原油的成分数据来对原油PVT特性进行预测。
其中进行模型建立所需要的数据分别为:储层温度、储层压力、储层泡点压力、溶解气油比、油层体积系数、气体重力以及成分数据。
其中对模型进行优化的方法为:超参数调整、交叉验证,能够提高模型精度以及收敛速度。
其中实时测量地层原油成分的方法是通过井下红外光谱实时测量。
其中利用所述的弹性网络回归模型对实时测量的井下红外光谱数据进行计算,对原油的PVT特性进行预测。
本发明的有益效果:
1.本发明的算法参数在物理意义上是可解释的,现在已有利用流体成分数据描述储层流体性质的理论,从而使本发明能更容易的在不同场景被重复使用。
2.本发明在建立模型之后获得准确的结果所需的参数只有成分数据,参数较少所以更节省时间、成本。
附图说明
图1为本发明的步骤流程图;
图2为弹性网络回归算法的流程图;
图3(a)-图3(b)是本发明泡点压力模型的预测值和实测值的关系图;
图4(a)-图4(b)是本发明的溶解气油比模型的预测值和实测值的关系图;
图5(a)-图5(b)是本发明的油层体积系数模型的预测值和实测值的关系图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例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作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。
如图1-2所示,本发明的一种基于弹性网络回归算法的PVT测量方法,包括如下步骤:
101.放置井下红外光谱仪
102.获取实时原油成分及相对含量
将获得的井下红外光谱数据进行预处理,包括:对井下光谱数据求导数,消除基线和其他背景的干扰,采用平滑滤波消除井下光谱数据的噪声,用多元散射校正消除散射对井下光谱数据的影响;
103.输入弹性网络回归模型
需要说明的是弹性网络回归模型的输入参数是地层参数,包括:储层泡点压力、溶解气油比、油层体积系数、储层温度、储层压力、气体重力、原油重力、成分数据;
其中模型的L1参数作用是:过滤对整体权重趋于0的成分数据,L2参数的作用是:参数作为回归项的系数。
最后得到三个模型分别为:泡点压力、溶解气油比、油层体积系数泡点压力模型与各成分为线性关系:
Pb=C1+C2+C3+C4+C5+C6+C7-CO2+N2+MW-MW(C7+)+C
其中,Pb是泡点压力,C1-C7表示了各成分的烷烃具体含量,C7+代表分子中碳原子数大于7的烷烃,CO2代表二氧化碳具体含量,N2表示氮气的具体含量,MW代表了各个烷烃的相对分子量,C为常数。
溶解气油比与各成分为多项式关系
其中,Rsi是溶解气油比,是甲烷含量的平方,是丙烷含量的平方,C7+代表分子中碳原子数大于7的烷烃,C1-C7表示了各成分的烷烃具体含量,CO2代表二氧化碳具体含量,MW代表了各个烷烃的相对分子量,C为常数。
油层体积系数与各成分之间为对数关系
其中,logB。是油层体积系数的对数,a为次数,是甲烷含量的平方,C1-C7表示了各成分的烷烃具体含量,C7+代表分子中碳原子数大于7的烷烃,CO2代表二氧化碳具体含量,MW代表了各个烷烃的相对分子量,C为常数。
104.将所测量的成分参数输入模型后得到原油PVT特性。
进一步的技术方案是,输入弹性网络回归模型具体包括:
输入弹性网络回归模型具体包括:
S301.通过实验获得输入参数
储层泡点压力、溶解气油比、油层体积系数、储层温度、储层压力、气体重力、原油重力、成分数据。
S302.设置初始模型参数
进行弹性网络回归模型的训练:
进行误差计算再进行误差判断
计算误差梯度中的激活函数的分阶导数,计算误差梯度,并用来进行超参数调整。
调整网络权值进行交叉验证,选择10折交叉验证:
本发明选择10折交叉验证,将数据集分为10份,其中9份训练,1份作为数据比对,并且取10次结果的平均值作为预测结果,反复多次交叉验证以提高精度。
其中CV(k)是偏差大小,K是实验的样本数,MSE代表的是均方误差。
进行超参数调整,调整的参数为:学习率、L1、L2
需要说明的是调整学习率是为了防止学习率过大导致模型不收敛,学习率过小导致训练时间过长。
调整L1、L2是为了提高线性拟合的准确性,提高收敛速率。
S303.最后当模型达到误差要求时获得弹性网络回归模型。
本发明收集了储层数据,数据来源于井上现场实测收集,光谱仪购买自德国布鲁克。这些数据包括:储层泡点压力、溶解气油比、油层体积系数、储层温度、储层压力、气体重力、原油重力、成分数据。其中原油成分包括:大量的甲烷、少量的乙烷、以及各种微量的C3-C6的烷烃和不饱和烃类,大量的碳原子数大于7的烷烃和不饱和烃类。少量二氧化碳,以及微量的氮气。
如下表
将上表参数作为输入矩阵B,将泡点压力、油层体积系数、溶解气油比分别作为输出矩阵y,取L1=0.4,L2=1,取系数向量β=1,进行弹性网络回归建模。
目标是使||y-Bβ||2取得最小值,即完成模型训练,将参数输入后计算误差。若误差没有达到最小值,利用梯度最速下降法,对β求偏导求得误差函数,设置学习率为0.4。
通过观察β下降的趋势进行超参数调整,调整学习率以及L1、L2参数使模型更快收敛。
再进行交叉验证,从数据集中抽取9个数据进行训练,1个数据进行验证,最后将所有进行验证的数据进行训练。
误差达到最小训练结束,最后得出三个模型:泡点压力、溶解气油比和油层体积系数。最后模型训练结果如图3(a)-图5(b)。
如图3(a)-图3(b)泡点压力模型实测值的均方根值为0.85,表明了此模型具有良好的相关性。
如图4(a)-图4(b),溶解气油比模型实测值的均方根值为0.95,表明了此模型能很好地预测原油的溶解气油比。
如图5(a)-图5(b),油层体积系数模型实测值的均方根值为0.84,表明了此模型足以描述潜在关系。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (5)
1.一种基于弹性网络回归算法的PVT测量方法,其特征在于,包括如下步骤:
步骤1.放置井下红外光谱仪;
步骤2.实时获取原油的成分以及相对含量;
步骤3.将步骤2结果输入弹性网络回归模型;
步骤4.将所测量的成分参数输入模型后得到原油PVT特性;
步骤4包括:
S301.将获得的地层参数输入;
S302.设置初始模型参数;
S303.进行网络回归模型的训练;
S304.进行误差计算再进行误差判断;
S305.当模型达到误差要求时,得到泡点压力、溶解气油比、油层体积系数三个模型;
泡点压力模型与各成分为线性关系:
Pb=C1+C2+C3+C4+C5+C6+C7-CO2+N2+MW-MW(C7+)+C
其中,Pb是泡点压力,C1-C7表示了各成分的烷烃具体含量,C7+代表分子中碳原子数大于7的烷烃,C02代表二氧化碳具体含量,N2表示氮气的具体含量,MW代表了各个烷烃的相对分子量,C为常数;
溶解气油比与各成分为多项式关系:
其中,Rsi是溶解气油比,是甲烷含量的平方,是丙烷含量的平方,C7+代表分子中碳原子数大于7的烷烃,C1-C7表示了各成分的烷烃具体含量,C02代表二氧化碳具体含量,MW代表了各个烷烃的相对分子量,C为常数;
油层体积系数与各成分之间为对数关系:
2.根据权利要求1所述的基于弹性网络回归算法的PVT测量方法,其特征在于,所述步骤2还包括将获得的井下红外光谱数据进行预处理,包括对井下光谱数据求导数,消除基线和消除背景的干扰,采用平滑滤波消除井下光谱数据的噪声,用多元散射校正消除散射对井下光谱数据的影响。
3.根据权利要求1所述的基于弹性网络回归算法的PVT测量方法,其特征在于,地层参数是:储层泡点压力、溶解气油比、油层体积系数、储层温度、储层压力、气体重力、原油重力、成分数据。
4.根据权利要求1所述的基于弹性网络回归算法的PVT测量方法,其特征在于,S304包括:
计算误差梯度中的激活函数的分阶导数,计算误差梯度,并用来进行超参数调整;
调整网络权值进行交叉验证。
5.根据权利要求 1所述的基于弹性网络回归算法的PVT测量方法,其特征在于,选择10折交叉验证,将数据集分为10份,其中的9份数据用于训练,1份作为数据比对,并且取10次结果的平均值作为预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110513381.3A CN113239621B (zh) | 2021-05-11 | 2021-05-11 | 一种基于弹性网络回归算法的pvt测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110513381.3A CN113239621B (zh) | 2021-05-11 | 2021-05-11 | 一种基于弹性网络回归算法的pvt测量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113239621A CN113239621A (zh) | 2021-08-10 |
CN113239621B true CN113239621B (zh) | 2022-07-12 |
Family
ID=77133572
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110513381.3A Active CN113239621B (zh) | 2021-05-11 | 2021-05-11 | 一种基于弹性网络回归算法的pvt测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113239621B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115732041B (zh) * | 2022-12-07 | 2023-10-13 | 中国石油大学(北京) | 二氧化碳捕获量预测模型构建方法、智能预测方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1693893A (zh) * | 2004-04-30 | 2005-11-09 | 施卢默格海外有限公司 | 确定地层流体性质的方法 |
CN109324013A (zh) * | 2018-10-08 | 2019-02-12 | 华东理工大学 | 一种利用高斯过程回归模型构建原油性质近红外快速分析的方法 |
CN110056348A (zh) * | 2019-04-25 | 2019-07-26 | 中国海洋石油集团有限公司 | 一种测定地层流体组成和性质的方法和系统 |
CN112730299A (zh) * | 2021-01-13 | 2021-04-30 | 西南石油大学 | 一种基于井下红外光谱的气油比测量方法及装置 |
-
2021
- 2021-05-11 CN CN202110513381.3A patent/CN113239621B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1693893A (zh) * | 2004-04-30 | 2005-11-09 | 施卢默格海外有限公司 | 确定地层流体性质的方法 |
CN109324013A (zh) * | 2018-10-08 | 2019-02-12 | 华东理工大学 | 一种利用高斯过程回归模型构建原油性质近红外快速分析的方法 |
CN110056348A (zh) * | 2019-04-25 | 2019-07-26 | 中国海洋石油集团有限公司 | 一种测定地层流体组成和性质的方法和系统 |
CN112730299A (zh) * | 2021-01-13 | 2021-04-30 | 西南石油大学 | 一种基于井下红外光谱的气油比测量方法及装置 |
Non-Patent Citations (2)
Title |
---|
"基于诊断比值的Logistic回归分析对中东原油的鉴别";符崇垚;《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》;20170715(第7期);B027-175 * |
"常规原油PVT特征参数确定方法研究";罗黔林;《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》;20180815(第8期);B019-17 * |
Also Published As
Publication number | Publication date |
---|---|
CN113239621A (zh) | 2021-08-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8473268B2 (en) | Method for comparing and back allocating production | |
US10416349B2 (en) | Phase predictions using geochemical data | |
EP2240766A1 (en) | Methods and apparatus for characterization of petroleum fluid and applications thereof | |
Elsharkawy | An empirical model for estimating the saturation pressures of crude oils | |
Karimnezhad et al. | A new empirical correlation for estimating bubble point oil formation volume factor | |
CN113239621B (zh) | 一种基于弹性网络回归算法的pvt测量方法 | |
US8180578B2 (en) | Multi-component multi-phase fluid analysis using flash method | |
Fattah et al. | Improved oil formation volume factor (Bo) correlation for volatile oil reservoirs: An integrated non-linear regression and genetic programming approach | |
US9678002B2 (en) | Method and system for NIR spectroscopy of mixtures to evaluate composition of components of the mixtures | |
CN106771071B (zh) | 一种基于油水相渗的密闭取心饱和度校正方法 | |
Zaremoayedi et al. | A new approach to production data analysis of non-volumetric naturally fractured gas condensate reservoirs | |
Taghavi et al. | On Uncertainty Analysis of the Rate Controlled Production (RCP) Model | |
Sylvester et al. | PVT analysis reports of Akpet GT9 and GT12 reservoirs | |
Akpabio et al. | PVT fluid sampling, characterization and gas condensate reservoir modeling | |
Imo-Jack et al. | An analytical approach to consistency checks of experimental PVT data | |
CN112305201A (zh) | 一种利用族组分预测储层原油密度的方法 | |
Vatandoost et al. | A new approach for predicting equilibrium ratios of hydrocarbon heavy fractions: focus on the effect of mixture composition | |
Zhou et al. | Probing rate estimation methods for multiphase flow through surface chokes | |
Anyiador et al. | Evaluation of Viscosity Correlation for Niger Delta Gas Reservoir | |
Farid et al. | An integrated model for history matching and predicting reservoir performance of gas/condensate wells | |
Huseynov et al. | Creation of Numerical Pvt-Models for the Bulla-Daniz Gas-Condensate Field Using Laboratory Experiments on Reservoir Fluid Samples | |
CN116950635A (zh) | 一种确定气井日产油量的方法、系统、设备及存储介质 | |
US11519897B2 (en) | Computer implemented method for characterizing a target fluid of a hydrocarbon reservoir under uncertainty | |
Sajedi | Accuracy of Condensate to gas ratio (CGR) based on fluid sampling analyses. | |
Sarvestani et al. | Gas/condensate production decline analysis using type curves |
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 |