CN113297740A - 一种水平井凝胶调剖参数优化方法 - Google Patents

一种水平井凝胶调剖参数优化方法 Download PDF

Info

Publication number
CN113297740A
CN113297740A CN202110575225.XA CN202110575225A CN113297740A CN 113297740 A CN113297740 A CN 113297740A CN 202110575225 A CN202110575225 A CN 202110575225A CN 113297740 A CN113297740 A CN 113297740A
Authority
CN
China
Prior art keywords
oil
model
profile control
gel profile
measure
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.)
Withdrawn
Application number
CN202110575225.XA
Other languages
English (en)
Inventor
谢泽豪
张纪远
冯其红
张先敏
任佳伟
吴宽宽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Petroleum East China
Original Assignee
China University of Petroleum East China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China University of Petroleum East China filed Critical China University of Petroleum East China
Priority to CN202110575225.XA priority Critical patent/CN113297740A/zh
Publication of CN113297740A publication Critical patent/CN113297740A/zh
Withdrawn legal-status Critical Current

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种水平井凝胶调剖参数优化方法，包括：收集水平井开发的目标区地质及生产动态资料，构建地质、数值模拟模型，预测水平井凝胶调剖的措施增油量；构建学习数据集，筛选影响措施增油量的关键特征参数；优选机器学习算法对其进行训练，得到水平井凝胶调剖措施增油量预测模型；计算预测模型的误差，完成措施增油量预测模型的构建；构建水平井凝胶调剖参数优化的代理模型，以经济效益最大化为目标，建立优化数学模型，调用优化算法，获得最优的工艺参数组合。本发明能快速准确地获得凝胶调剖最优工艺参数，避免参数优化的盲目性，为现场实施水平井凝胶调剖工艺提供指导。

Description

一种水平井凝胶调剖参数优化方法
技术领域
本发明属于油气田开发技术领域，具体地涉及一种水平井凝胶调剖参数优化方法。
背景技术
我国油田地质条件复杂，开发难度大。目前，水平井技术在油田开发过程中大规模应用，为我国石油产量贡献巨大。然而，地层原生和开发过程中导致的储层非均质性以及流体流度差异的影响，导致水平井开发过程中出现优势通道、过早见水、汽窜等现象。凝胶调剖技术是解决上述问题的有效手段，因此对水平井进行凝胶调剖参数优化显得十分重要。
目前，针对凝胶调剖工艺参数优化，多为油田化学领域凝胶体系的优选，参数优化多为采用正交设计实验方法设计方案，采用数值模拟手段对方案进行比选。凝胶体系的优选未考虑注入时机、注入量等施工工艺参数，数值模拟方法手段单一，模拟方案设计繁琐，模拟流程相对复杂，且方案比选存在得不到最优参数的问题。
通过上述分析，现有技术存在的问题及缺陷为：参数优化未考虑施工工艺参数，采用数值模拟方法，手段单一，且得不到最优参数。
解决以上问题及缺陷的难度为：目前的研究多集中在凝胶调剖提高油田开发效果和优化凝胶体系方面，针对水平井凝胶调剖参数优化方法，尚未见报道。
解决以上问题及缺陷的意义为：提出了一种准确快速确定水平井凝胶调剖最优工艺参数的方法。该方法首先筛选出适合凝胶调剖工艺的水平井，避免参数优化的盲目性，能够大幅降低时间及费用成本，对指导实际生产开发具有重要意义。
发明内容
本发明实施例提供了一种水平井凝胶调剖参数优化方法，能够为油田现场水平井凝胶调剖工艺的实施提供有效指导。
该方法具体包括以下步骤：
a：收集目标区的地质及生产动态资料，构建目标区地质模型，数值模拟模型，预测目标区水平井凝胶调剖的措施增油量；
研究区块目标层位的构造等值线图、砂体厚度分布等值图、有效厚度分布等值图、孔隙度分布等值图、渗透率分布等值图和隔夹层分布图、原始地层压力、温度、压力系数数据、原始油/气/水分布、原始油水界面和油气界面、地质储量报告、断层参数、边/底水数据报告等；岩相热容、岩石压缩系数、流体和岩石化验分析报告；各注入井的生产动态资料，包括注入量、注入压力、注入速度、注入强度、井口压力、井底流压、注入组分、焖井时间等；各生产井的生产动态资料，包括产油量、产液量、含水率、气油比、产出气组分、井底流压、动液面、套压、沉没度等；综合生产动态资料，包括区内日产量(水、气、液)、采出程度、综合含水、累计产量(水、气、液)等；根据收集到的油藏地质资料，利用地质建模算法建立油藏的精细地质模型，计算地质模型的渗透率、孔隙度、净毛比均值等地质参数；将油藏精细地质模型、岩石及流体物性数据导入油藏数值模拟器中进行模拟，同时设置凝胶调剖措施与未开展凝胶调剖措施数值模拟模型，并计算油藏的生产动态，对比二者累计产油量的差值求得措施增油量。
b：构建学习数据集，筛选影响措施增油量的关键特征参数；
将所有特征参数为输入量，以措施增油量为输出量，针对构建的学习数据样本库采用随机森林、皮尔森相关性分析等模型进行训练；以随机置换重要性作为评价指标，综合随机森林、皮尔森相关性分析等模型评价结果筛选出影响措施增油量的关键特征参数。
影响水平井凝胶调剖潜力可能的特征参数包括顶深均值、净毛比均值、渗透率均值、孔隙度均值、注入速度、生产速度、凝胶注入量、含水率、日油水平、采出程度；不同类型油藏、不同水平井，影响措施增油量的关键特征参数不同，为了使预测模型更加精确，需筛选关键的特征参数。
c：优选机器学习算法对其进行训练，初步构建水平井凝胶调剖措施增油量预测模型；
(1)将筛选出的关键特征参数作为输入变量，以凝胶调剖措施增油量为输出变量，构建数据集；
(2)将整个数据集随机的划分为训练集和预测集；
(3)用划分出的训练集对不同的机器学习算法模型包括BP神经网络、支持向量机、梯度提升决策树等进行训练；
(4)计算训练集的实际措施增油量与模型计算的措施增油量之间的决定系数；
(5)选择决定系数最大的机器学习算法模型构建水平井凝胶调剖增油量预测模型。
d：计算预测模型的误差，完成措施增油量预测模型的构建；
将测试集的特征参数输入至措施增油量预测模型，计算模型输出(即措施增油量)，计算测试集的数模计算增油量与模型计算的增油量之间的误差包括决定系数、相对误差以及绝对误差；若模型误差较小，则以筛选出的关键特征参数为输入变量，完成凝胶调剖措施增油量预测模型的构建；若模型误差较大，则需要检查学习数据库的准确性，若数据准确，则需要调整关键参数模型的阈值重新筛选关键参数，同时重新建立措施增油量预测模型再进行模型误差计算。
e：构建水平井凝胶调剖参数优化的代理模型，以经济效益最大化为目标，建立优化数学模型，调用优化算法，获得最优的工艺参数组合。
若步骤d中水平井凝胶调剖措施增油量的预测值较大，采用不同的工艺参数构建凝胶调剖参数优化的代理模型，以经济效益最大化为目标，建立优化数学模型，调用梯度、无梯度算法包括BADS、CMA-ES、PSO等，获得最优的工艺参数组合，实现凝胶调剖参数优化。若步骤d中凝胶调剖措施增油量预测值较小，则无需进行该部分参数优化优化。
本发明实施提供的技术方案的有益效果如下：
提供了一种水平井凝胶调剖参数优化方法，该方法通过产能数值模拟、机器学习及智能优化算法相结合的方法，快速准确确定水平井凝胶调剖的最优工艺参数组合。先筛选是否适合开展凝胶调剖的水平井，避免了工艺参数优化的盲目性；将产能数值模拟与优化算法相结合，解决了产能数值模拟手段单一，不能厘清关键特征参数等问题，准确高效得到最优凝胶调剖工艺参数。目前针对水平井凝胶调剖参数优化方面还存在发展空间，本发明提供了一种凝胶调剖参数快速优化方法，一方面可减少大量高昂的模拟测试，显著提高经济效益；另一方面，传统优化流程极为繁琐复杂，且耗时费力，而本发明的计算效率极高，可大大降低测试的时间成本，快速准确地确定凝胶调剖最优的工艺参数组合。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图做简单地介绍，以下附图仅作为本发明的一些实施例，对于本研究领域的普通技术人员来讲，在不付出创造性劳动的前提下，可根据这些附图或得其他的附图。
图1为本发明实施例中水平井凝胶调剖参数优化方法流程图；
图2为本发明实施例中目标油藏地质模型；
图3为本发明实施例中开展凝胶调剖措施与为开展调剖措施的累计产油量对比曲线；
图4为本发明实施例中措施增油量影响因素的重要性排序；
图5为本发明实施例中措施增油量预测模型中训练集的45°交会图；
图6为本发明实施例中措施增油量预测模型中测试集的45°交会图；
图7为本发明实施例中措施增油量预测模型中初始值较好时不同优化算法迭代次数与经济净现值对比曲线；
图8为本发明实施例中措施增油量预测模型中初始值较差时不同优化算法迭代次数与经济净现值对比曲线。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
本发明实施例提供了油油藏多轮次吞吐后凝胶调剖参数方法，具体流程如附图1所示，该方法包括以下步骤：
a：收集目标区的地质及生产动态资料，构建目标区地质模型，数值模拟模型，预测目标区水平井凝胶调剖的措施增油量；
b：构建学习数据集，筛选影响措施增油量的关键特征参数；
c：优选机器学习算法对其进行训练，初步构建水平井凝胶调剖措施增油量预测模型；
d：计算预测模型的误差，完成措施增油量预测模型的构建；
e：构建水平井凝胶调剖参数优化的代理模型，以经济效益最大化为目标，建立优化数学模型，调用优化算法，获得最优的工艺参数组合。
下面以一个具体实施例对本发明进行说明：
第一步：以春风油田稠油区块多轮次吞吐水平井的地质资料，构建实际地质模型如图2，并计算实际地质参数包括顶深平均值、孔隙度平均值、净毛比平均值、渗透率平均值、渗透率变异系数、渗透率极差如表1，输入岩石及流体热物性数据如表2，进而构建数值模拟模型。同时设置凝胶调剖措施与不设置凝胶调剖措施，对比二者的累计产油量如图3，求得凝胶调剖措施增油量。构建学习数据库，学习数据库中共包括50组地质参数组合，每种地质参数组合下选择4个蒸汽吞吐周期注入凝胶，再计算10个吞吐周期后的累计产油量，与未开展凝胶调剖措施且生产周期相同的模型进行对比计算措施增油量。
渗透率变异系数计算公式如下：
Figure BDA0003084048600000041
式中：vk为储层渗透率变异系数；
Figure BDA0003084048600000042
为第j层的平均渗透率；
Figure BDA0003084048600000043
为储层平均渗透率。
渗透率极差计算公式如下：
Figure BDA0003084048600000044
式中：αk为储层渗透率极差；kmax为储层最大渗透率；kmin为储层最小渗透率。
表1地质模型地质参数计算结果
地质参数 计算结果
顶深平均值 579.8556
孔隙度平均值 0.305075
净毛比平均值 0.473829
平均渗透率 5405.681
渗透率变异系数 41.06237
渗透率极差 0.103176
表2稠油油藏油层及流体热物性资料
属性 参数值
原油黏度(30℃)/(mPa·s) 48900
地层温度/℃ 28
水平井段长度/m 200
岩石压缩系数/(1/KP) 0.0000615
岩石体积热容量/(J/m3/℃) 210000
盖层体积热容量/(J/m3/℃) 120000
隔层体积热容量/(J/m3/℃) 120000
第二步：筛选关键特征参数为：措施时采出程度、净毛比、凝胶注入量、注入干度、渗透率变异系数、措施时日产油量及生产速度，参数筛选结果如图4。
第三步：随机选取200组水平井凝胶调剖模型中的160组作为训练集，40组为测试集；将160组训练集对BP神经网络、支持向量机、梯度提升决策树机器学习算法模型进行训练，求得不同模型的决定系数如表3。梯度提升决策树模型具有最大的决定系数，采用K重交叉验证的方法确定最优的超参数组合为决策树数量3000、最大树深度3、学习率0.01，构建水平井凝胶调剖措施增油量预测模型，预测模型对训练集的拟合结果如图5。
表3不同模型的决定系数
机器学习算法 决定系数
BP神经网络 0.97659
支持向量机 0.98363
梯度提升决策树 0.99876
第四步：将40组测试集中的措施时采出程度、净毛比、凝胶注入量、注入干度、渗透率变异系数、措施时日产油量及生产速度作为输入变量输入至措施增油量预测模型，模型计算出对应的措施增油量。预测模型对预测集的计算结果如图6，计算结果与数模结果交会图基本集中在45°附近，误差指标的计算结果如表4。说明该模型预测精度高，具有良好的泛化能力，能快速准确预测水平井凝胶调剖的措施潜力。
表4预测模型的误差指标
类型 数值
绝对误差 80.89t
相对误差 0.059
决定系数 0.944147
第五步：使用已经构建好的措施增油量预测模型，预测该水平井的措施增油量为2115.26t，具有凝胶调剖潜力，构建优化数学模型，包括优化目标函数，优化变量，约束条件。
优化数学模型的目标函数如下：
Figure BDA0003084048600000061
式中：rgp为油的价格，美元/桶；
Figure BDA0003084048600000062
为累计产油量，桶；cgi为蒸汽的价格，元/104m3；
Figure BDA0003084048600000063
为蒸汽的注入量，104m3。
约束条件如下：
Figure BDA0003084048600000064
式中：Qqi为每个周期蒸汽的注入量，104m3；Qgi为总注汽量，104m3。
优化变量包括凝胶注入时机和凝胶注入量，调用全局收敛较好地CMA-ES算法完成工艺参数的优化，优化算法的优选见图7、图8。优化结果为，堵剂注入时机为蒸汽吞吐第7周期，堵剂注入量为0.6PV，单井经济净现值160.83万元。
本发明实施例中，无论从水平井凝胶调剖潜力的预测还是工艺参数优化都具有快速准确的特点。本发明所提供的方法能够准确预测水平井凝胶调剖措施潜力为现场开发方案设计提供技术思路，所设计方案有良好的技术效果；优化后的工艺参数，可带来良好的经济效益，具有现场应用价值。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种水平井凝胶调剖参数优化方法，依次包括以下步骤：
a：收集目标区的地质及生产动态资料，构建目标区地质模型，数值模拟模型，预测目标区水平井凝胶调剖的措施增油量；
b：构建学习数据集，筛选影响措施增油量的关键特征参数；
c：优选机器学习算法对其进行训练，初步构建水平井凝胶调剖措施增油量预测模型；
d：计算预测模型的误差，完成措施增油量预测模型的构建；
e：构建水平井凝胶调剖参数优化的代理模型，以经济效益最大化为目标，建立优化数学模型，调用优化算法，获得最优的工艺参数组合。
2.根据权利要求1所述的方法，其特征在于，步骤a中收集目标区的地质及生产动态资料，构建目标区地质模型，数值模拟模型，预测目标区水平井凝胶调剖的措施增油量，包括：
收集目标区油藏的地质资料，具体为：研究区块目标层位的构造等值线图、砂体厚度分布等值图、有效厚度分布等值图、孔隙度分布等值图、渗透率分布等值图和隔夹层分布图、原始地层压力、温度、压力系数数据、原始油/气/水分布、原始油水界面和油气界面、地质储量报告、断层参数、边/底水数据报告等；收集目标区油藏岩石及流体物性资料，具体为：岩相热容、岩石压缩系数、流体和岩石化验分析报告；
收集目标区油藏的动态生产资料，具体为：各注入井的生产动态资料，包括注入量、注入压力、注入速度、注入强度、井口压力、井底流压、注入组分、焖井时间等；各生产井的生产动态资料，包括产油量、产液量、含水率、气油比、产出气组分、井底流压、动液面、套压、沉没度等；综合生产动态资料，包括区内日产量(水、气、液)、采出程度、综合含水、累计产量(水、气、液)等；
根据收集到的油藏地质资料，利用地质建模算法建立油藏的精细地质模型，计算地质模型的渗透率、孔隙度、净毛比均值等地质参数；
将油藏精细地质模型、岩石及流体物性数据导入油藏数值模拟器中进行模拟，同时设置凝胶调剖措施与未开展凝胶调剖措施数值模拟模型，并计算油藏的生产动态，对比二者累计产油量的差值求得措施增油量。
3.根据权利要求1所述的方法，其特征在于，步骤b中构建学习数据集，筛选影响措施增油量的关键特征参数，包括：
将所有特征参数为输入量，以措施增油量为输出量，针对构建的学习数据样本库采用随机森林、皮尔森相关性分析等模型进行训练；以随机置换重要性作为评价指标，综合随机森林、皮尔森相关性分析等模型评价结果筛选出影响措施增油量的关键特征参数。
影响水平井凝胶调剖潜力可能的特征参数包括顶深均值、净毛比均值、渗透率均值、孔隙度均值、注入速度、生产速度、凝胶注入量、含水率、日油水平、采出程度；不同类型油藏、不同水平井，影响措施增油量的关键特征参数不同，为了使预测模型更加精确，需筛选关键的特征参数。
4.根据权利要求1所述的方法，其特征在于，步骤c中优选机器学习算法对其进行训练，初步构建水平井凝胶调剖措施增油量预测模型，包括：
c1：将筛选出的关键特征参数作为输入变量，以凝胶调剖措施增油量为输出变量，构建数据集；
c2：将整个数据集随机的划分为训练集和预测集；
c3：用划分出的训练集对不同的机器学习算法模型包括BP神经网络、支持向量机、梯度提升决策树等进行训练；
c4：计算训练集的实际措施增油量与模型计算的措施增油量之间的决定系数；
c5：选择决定系数最大的机器学习算法模型构建水平井凝胶调剖增油量预测模型。
5.根据权利要求1所述的方法，其特征在于，步骤d中计算预测模型的误差，完成措施增油量预测模型的构建，包括：
将测试集的特征参数输入至措施增油量预测模型，计算模型输出(即措施增油量)，计算测试集的数模计算增油量与模型计算的增油量之间的误差包括决定系数、相对误差以及绝对误差；若模型误差较小，则以筛选出的关键特征参数为输入变量，完成凝胶调剖措施增油量预测模型的构建；若模型误差较大，则需要检查学习数据库的准确性，若数据准确，则需要调整关键参数模型的阈值重新筛选关键参数，同时重新建立措施增油量预测模型再进行模型误差计算。
6.根据权利要求1所述的方法，其特征在于，步骤e中构建水平井凝胶调剖参数优化的代理模型，以经济效益最大化为目标，建立优化数学模型，调用优化算法，获得最优的工艺参数组合，包括：
若步骤d中水平井凝胶调剖措施增油量的预测值较大，采用不同的工艺参数构建凝胶调剖参数优化的代理模型，以经济效益最大化为目标，建立优化数学模型，调用梯度、无梯度算法包括BADS、CMA-ES、PSO等，获得最优的工艺参数组合，实现凝胶调剖参数优化。若步骤d中凝胶调剖措施增油量预测值较小，则无需进行该部分参数优化优化。
CN202110575225.XA 2021-05-26 2021-05-26 一种水平井凝胶调剖参数优化方法 Withdrawn CN113297740A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110575225.XA CN113297740A (zh) 2021-05-26 2021-05-26 一种水平井凝胶调剖参数优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110575225.XA CN113297740A (zh) 2021-05-26 2021-05-26 一种水平井凝胶调剖参数优化方法

Publications (1)

Publication Number Publication Date
CN113297740A true CN113297740A (zh) 2021-08-24

Family

ID=77324995

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110575225.XA Withdrawn CN113297740A (zh) 2021-05-26 2021-05-26 一种水平井凝胶调剖参数优化方法

Country Status (1)

Country Link
CN (1) CN113297740A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115062552A (zh) * 2022-08-12 2022-09-16 中国石油大学(华东) 一种缝洞油藏氮气吞吐效果预测方法及系统
CN116611350A (zh) * 2023-07-19 2023-08-18 青岛理工大学 一种基于迁移学习的油井酸化措施效果预测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105512450A (zh) * 2014-09-23 2016-04-20 中国石油天然气股份有限公司 基于油井措施的定量选井方法及装置
CN106547934A (zh) * 2015-09-21 2017-03-29 中国石油天然气股份有限公司 用于砾岩油藏的调剖选井方法及装置
CN106894800A (zh) * 2017-02-23 2017-06-27 中国海洋石油总公司 一种适用于海上稠油油藏的调剖选井决策方法
CN110593863A (zh) * 2019-09-16 2019-12-20 中国石油大学(华东) 高含水期油藏的耗水层带的识别方法与识别系统
CN112308269A (zh) * 2019-07-30 2021-02-02 中国石油化工股份有限公司 用于低渗透油气藏的产能预测方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105512450A (zh) * 2014-09-23 2016-04-20 中国石油天然气股份有限公司 基于油井措施的定量选井方法及装置
CN106547934A (zh) * 2015-09-21 2017-03-29 中国石油天然气股份有限公司 用于砾岩油藏的调剖选井方法及装置
CN106894800A (zh) * 2017-02-23 2017-06-27 中国海洋石油总公司 一种适用于海上稠油油藏的调剖选井决策方法
CN112308269A (zh) * 2019-07-30 2021-02-02 中国石油化工股份有限公司 用于低渗透油气藏的产能预测方法及装置
CN110593863A (zh) * 2019-09-16 2019-12-20 中国石油大学(华东) 高含水期油藏的耗水层带的识别方法与识别系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CHEN G, ZHAO G AND MA YL: "Mathematical model of polymer linked profile control enhanced oil recovery", 《JOURNAL OF TSINGHUA UNIVERSITY (SCIENCE AND TECHNOLOGY)》 *
巫祥阳: "基于支持向量机的调剖措施效果预测模型研究", 《石油天然气学报（江汉石油学院学报）》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115062552A (zh) * 2022-08-12 2022-09-16 中国石油大学(华东) 一种缝洞油藏氮气吞吐效果预测方法及系统
CN115062552B (zh) * 2022-08-12 2022-12-02 中国石油大学(华东) 一种缝洞油藏氮气吞吐效果预测方法及系统
CN116611350A (zh) * 2023-07-19 2023-08-18 青岛理工大学 一种基于迁移学习的油井酸化措施效果预测方法
CN116611350B (zh) * 2023-07-19 2023-09-19 青岛理工大学 一种基于迁移学习的油井酸化措施效果预测方法

Similar Documents

Publication Publication Date Title
CN102041995B (zh) 复杂油藏水淹状况监测系统
CN104298883B (zh) 一种油气资源评价中的烃源岩产烃率图版的建立方法
CN110259444B (zh) 基于流场诊断的水驱油藏渗流场可视化表征与评价方法
CN111441767A (zh) 油藏生产动态预测方法及装置
CN104899411B (zh) 一种储层产能预测模型建立方法和系统
CN101906966A (zh) 储层产能的预测方法及装置
CN109214026A (zh) 一种页岩气水平井初期产能预测方法
CN113297740A (zh) 一种水平井凝胶调剖参数优化方法
CN108984886A (zh) 一种反演多层油藏井间动态连通性的方法
RU2715593C1 (ru) Способ оперативного управления заводнением пластов
CN109063403B (zh) 一种滑溜水压裂优化设计方法
CN112360411A (zh) 基于图神经网络的局部井网注水开发优化方法
CN116127675A (zh) 一种页岩油水平井体积压裂最大可采储量的预测方法
CN115587674A (zh) 油藏改建储气库扩容达产过程气井动态产能预测方法
CN116658155A (zh) 一种页岩气井产量预测的方法
Naderi et al. Nonlinear risk optimization approach to water drive gas reservoir production optimization using DOE and artificial intelligence
CN111706318B (zh) 一种确定低渗储层剩余油分布状况的方法
CN116644662B (zh) 一种基于知识嵌入神经网络代理模型的布井优化方法
Baek et al. Shale Gas Well Production Optimization using Modified RTA Method-Prediction of the Life of a Well
CN115705452A (zh) 整装砂岩油藏开发中后期的新型采收率预测方法
CN112324429B (zh) 确定有水气藏的合理生产压差的方法
Markov et al. Methodology for Constructing Simplified Reservoir Models for Integrated Asset Models
CN112943215A (zh) 一种油藏压力响应监测判识水平井来水方向选井方法
CN111428375A (zh) 一种高含水油田层系重组划分新方法
CN116011309A (zh) 一种稠油油藏多轮次吞吐后氮气泡沫调剖潜力评价方法

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20210824