CN113297803A - 一种油气产量智能模拟预估方法和系统 - Google Patents

一种油气产量智能模拟预估方法和系统 Download PDF

Info

Publication number
CN113297803A
CN113297803A CN202110669648.8A CN202110669648A CN113297803A CN 113297803 A CN113297803 A CN 113297803A CN 202110669648 A CN202110669648 A CN 202110669648A CN 113297803 A CN113297803 A CN 113297803A
Authority
CN
China
Prior art keywords
oil
attribute information
rock
gas
yield
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
Application number
CN202110669648.8A
Other languages
English (en)
Other versions
CN113297803B (zh
Inventor
刘苗苗
张永生
谢奋全
张强
刘志刚
王勇
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.)
Northeast Petroleum University
Original Assignee
Northeast Petroleum University
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 Northeast Petroleum University filed Critical Northeast Petroleum University
Priority to CN202110669648.8A priority Critical patent/CN113297803B/zh
Publication of CN113297803A publication Critical patent/CN113297803A/zh
Application granted granted Critical
Publication of CN113297803B publication Critical patent/CN113297803B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • 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
    • G06F2119/22—Yield analysis or yield optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种油气产量智能模拟预估方法和系统，该方法包括:获取预定地区的含油气的岩石的第一属性信息；至少根据所述第一属性信息查找与所述第一属性信息对应的已知岩石，其中，所述已知岩石为已知产量的油气田中的岩石，所述已知岩石的属性信息与所述第一属性信息的差值在预定范围之内；获取所述已知岩石对应的油气田；将所述已知岩石对应的油气田的产量作为所述预定地区的油气产量。通过本申请解决了现有技术中在精细预估之前没有办法进行粗略预估所产生的问题，从而降低了油气产量预估的成本并在一定程度上提高了预估的效率。

Description

一种油气产量智能模拟预估方法和系统
技术领域
本申请涉及到油气开发领域，具体而言，涉及一种油气产量智能模拟预估方法和系统。
背景技术
在现有技术中，在预测油气产量的时候，一般都是根据当前的地区的岩石的属性信息来预测油气产量的，这种预测方法需要大量的工作和计算。例如，在采用聚合物驱油的油井中，在预测其产量的时候，仍然采用计算水驱控制程度为预测标准，传统的水驱控制程度计算是以油井为中心，统计其与注入井的累积连通有效厚度与井组总有效厚度的百分比。
这种预测方法会消耗大量的人力物力。在现有技术中并没有一种技术能够简单的粗略预估该地区的油气产量，如果粗略预估差量不大，则可以不进行进一步的细致预估，如果粗略估计产量比较大，可以进一步花费成本来进行产量的预估。这样可以有效的节约成本提高效率。
但是在现有技术中并没有公开在精细预估之前进行粗略预估的方法。
发明内容
本申请实施例提供了一种油气产量智能模拟预估方法和系统，以至少解决现有技术中在精细预估之前没有办法进行粗略预估所产生的问题。
根据本申请的一个方面，提供了一种油气产量智能模拟预估方法，包括：获取预定地区的含油气的岩石的第一属性信息；至少根据所述第一属性信息查找与所述第一属性信息对应的已知岩石，其中，所述已知岩石为已知产量的油气田中的岩石，所述已知岩石的属性信息与所述第一属性信息的差值在预定范围之内；获取所述已知岩石对应的油气田；将所述已知岩石对应的油气田的产量作为所述预定地区的油气产量。
进一步地，还包括：获取多个已知产量的油气田；获取所述多个已知产量的油气田中的每个油气田对应的岩石的属性信息；建立岩石的属性信息与所述已知产量油气田的产量的对应关系。
进一步地，至少根据所述第一属性信息查找所述第一属性信息对应的已知岩石包括：至少根据所述第一属性信息在所述对应关系中查找所述第一属性信息对应的所述已知岩石。
进一步地，所述对应关系为保存在数据库中的结构化数据。
进一步地，所述属性信息包括所述岩石的组成成分。
根据本申请的另一个方面，还提供了一种油气产量智能模拟预估系统，包括：第一获取模块，用于获取预定地区的含油气的岩石的第一属性信息；查找模块，用于至少根据所述第一属性信息查找与所述第一属性信息对应的已知岩石，其中，所述已知岩石为已知产量的油气田中的岩石，所述已知岩石的属性信息与所述第一属性信息的差值在预定范围之内；第二获取模块，用于获取所述已知岩石对应的油气田；预估模块，用于将所述已知岩石对应的油气田的产量作为所述预定地区的油气产量。
进一步地，还包括：第三获取模块，用于获取多个已知产量的油气田；第四获取模块，用于获取所述多个已知产量的油气田中的每个油气田对应的岩石的属性信息；建立模块，用于建立岩石的属性信息与所述已知产量油气田的产量的对应关系。
进一步地，所述查找模块用于：至少根据所述第一属性信息在所述对应关系中查找所述第一属性信息对应的所述已知岩石。
进一步地，所述对应关系为保存在数据库中的结构化数据。
进一步地，所述属性信息包括所述岩石的组成成分。
在本申请实施例中，采用了获取预定地区的含油气的岩石的第一属性信息；至少根据所述第一属性信息查找与所述第一属性信息对应的已知岩石，其中，所述已知岩石为已知产量的油气田中的岩石，所述已知岩石的属性信息与所述第一属性信息的差值在预定范围之内；获取所述已知岩石对应的油气田；将所述已知岩石对应的油气田的产量作为所述预定地区的油气产量。通过本申请解决了现有技术中在精细预估之前没有办法进行粗略预估所产生的问题，从而降低了油气产量预估的成本并在一定程度上提高了预估的效率。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例的油气产量智能模拟预估方法的流程图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中，提供了一种油气产量智能模拟预估方法，图1是根据本申请实施例的油气产量智能模拟预估方法的流程图，如图1所示，该流程包括如下步骤：
步骤S102，获取预定地区的含油气的岩石的第一属性信息；
步骤S104，至少根据所述第一属性信息查找与所述第一属性信息对应的已知岩石，其中，所述已知岩石为已知产量的油气田中的岩石，所述已知岩石的属性信息与所述第一属性信息的差值在预定范围之内；
作为一个可选的实施方式，与所述第一属性信息对应的已知岩石为多个已知产量的油气田中的岩石的情况下，判断所述多个已知产量的油气田的产量是否相差在预定范围之内，如果在，则将所述多个已知产量的油气田的平均产量作为所述第一属性信息对应的所述预定地区的油气产量。
作为另一个可选的实施方式，如果所述多个已知产量的油气田的产量相差未在所述预定范围内，则说明所述多个已知产量的油气田的产量相差过大。此时，至少获取所述预定地区的经纬度信息，并从所述多个已知产量的油气田中找到与所述经纬度信息相匹配的油气田，并将所述相匹配的油气田的产量作为所述预定地区的油气产量。
步骤S106，获取所述已知岩石对应的油气田；
步骤S108，将所述已知岩石对应的油气田的产量作为所述预定地区的油气产量。
通过上述步骤，根据已知油田的产量进行油气产量的初步估计，可以得出一个估算值。如果估算值小的话，可以考虑不进行进一步预估。如果估算值大的话，可以考虑进行下一步的精确预估。
在步骤S108之后，判断所述预定地区的油气产量是否大于第一阈值，如果大于第一阈值则进行第二次油气产量的评估；如果小于或等于所述第一阈值，则显示提示消息，其中所述提示消息用于指出所述预定地区的油气产量。
进行所述第二次油气产量的预估的方式有很多，例如：
一是根据页岩中的干酪根确定其中的氢碳比(H/C)，利用页岩的TOC和Ro建立产出油气量的评价模型。
二是开放体系模拟实验，样品(量较少，一般为几克)碎样后，按仪器所需样品量放置加热样品，快速升温至所需温度，样品在升温过程中边生边排，收集所产生烃进行分析，达到所需温度后即结束实验。
三是半开放体系高温高压生排烃模拟实验，碎样(一般为200克)放入样品釜，抽真空，加上覆压力，设定排烃压力阀值，快速升温至设定温度，恒温几天，收集排出天然气、原油和水并定量分析，测定滞留于实验样品中烃类。
四是封闭体系生烃模拟—黄金管模拟实验，碎样(一般为0.02-0.1克)放入样品釜，抽真空，高压水泵在黄金管外恒定流体压力，快速升温至所需温度，达到所需温度后即结束实验，收集生成天然气、轻质原油定量分析，测定滞留于实验样品中烃类；或采用封闭体系生烃模拟—高压釜模拟实验，碎样(一般为200克)放入样品釜，不加水或加少量水，抽真空，快速升温至所需温度，达到所需温度后即结束实验，收集生成天然气、原油定量分析，测定滞留于实验样品中烃类。
五是：步骤1，初步筛选确定影响产量的因素；步骤2，对基础数据进行处理；步骤3，自变量白噪声化，建立自变量自身的时间序列模型；步骤4，确定影响产量的决定因素；以及步骤5，利用时间序列模型建立产量的预测模型，并检验模型合理性。在步骤1之前，选取待预测的目标油田，开展产量预测及风险评价工作。在步骤1中，初步考察影响油田产量的因素为反映油田开发阶段的综合含水，反映物质基础的采出程度、单井控制储量，反映开发条件的采油速度、新井投产井数、年注水量的因素。在步骤2中，对初选因素数据序列中锯齿状波动、明显不符合运行规律的错误数据进行处理，对序列中缺失值进行填充，并将处理后的数据序列标准化。在步骤3中，同时通过差分、自回归、移动平均方法对自变量进行处理，建立自变量时间序列模型。
作为一个可选的实施方式，可以采用上述方法的任意一种进行油气产量的预估。
作为另一个可选的实施方式，可以采用上述第一到第四种方式进行预估，得到四个油气产量的预估值，如果这四个油气产量的预估值在预定范围之内，则将这四个油气产量的预估值的平均值作为第二次预估得到的所述预定地区的油气产量。如果这四个油气产量的预估值未在所述预定范围之内，将采用第五种方式来进行预估，将第五种方式预估得到的产量作为所述预定地区的油气产量。
作为一个可以增加的可选的实施方式，在根据上述步骤判断出所述预定地区的油气产量之后，将所述预定地区的经纬度和所述预定地区的岩石的属性信息以及用于标识所述预定地区的油气产量的标签保存为训练数据。记录保存的训练数据的量，在保存的训练数据超过第五阈值的情况下，例如超过1万组训练数据的情况下，使用保存的数据进行机器学习的模型训练。每组训练数据中的所述预定地区的经纬度和所述预定地区的岩石的属性信息作为神经网络模型的输入，所述神经网络模型的输出为标签。通过训练之后，在所述模型收敛之后，该模型就可以用来判断某个地区的油气产量了。
优选地，还包括：获取多个已知产量的油气田；获取所述多个已知产量的油气田中的每个油气田对应的岩石的属性信息；建立岩石的属性信息与所述已知产量油气田的产量的对应关系。
优选地，至少根据所述第一属性信息查找所述第一属性信息对应的已知岩石包括：至少根据所述第一属性信息在所述对应关系中查找所述第一属性信息对应的所述已知岩石。
优选地，所述对应关系为保存在数据库中的结构化数据。
优选地，所述属性信息包括所述岩石的组成成分。
在本实施例中，提供一种电子装置，包括存储器和处理器，存储器中存储有计算机程序，处理器被设置为运行计算机程序以执行以上实施例中的方法。
这些计算机程序也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤，对应与不同的步骤可以通过不同的模块来实现。该计算程序可以称为一种油气产量智能模拟预估系统，包括：第一获取模块，用于获取预定地区的含油气的岩石的第一属性信息；查找模块，用于至少根据所述第一属性信息查找与所述第一属性信息对应的已知岩石，其中，所述已知岩石为已知产量的油气田中的岩石，所述已知岩石的属性信息与所述第一属性信息的差值在预定范围之内；第二获取模块，用于获取所述已知岩石对应的油气田；预估模块，用于将所述已知岩石对应的油气田的产量作为所述预定地区的油气产量。
优选地，还包括：第三获取模块，用于获取多个已知产量的油气田；第四获取模块，用于获取所述多个已知产量的油气田中的每个油气田对应的岩石的属性信息；建立模块，用于建立岩石的属性信息与所述已知产量油气田的产量的对应关系。
优选地，所述查找模块用于：至少根据所述第一属性信息在所述对应关系中查找所述第一属性信息对应的所述已知岩石。
优选地，所述对应关系为保存在数据库中的结构化数据。
优选地，所述属性信息包括所述岩石的组成成分。
上述程序可以运行在处理器中，或者也可以存储在存储器中（或称为计算机可读介质），计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存 (PRAM)、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，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体 (transitory media)，如调制的数据信号和载波。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种油气产量智能模拟预估方法，其特征在于，包括：
获取预定地区的含油气的岩石的第一属性信息；
至少根据所述第一属性信息查找与所述第一属性信息对应的已知岩石，其中，所述已知岩石为已知产量的油气田中的岩石，所述已知岩石的属性信息与所述第一属性信息的差值在预定范围之内；
获取所述已知岩石对应的油气田；
将所述已知岩石对应的油气田的产量作为所述预定地区的油气产量。
2.根据权利要求1所述的方法，其特征在于，还包括：
获取多个已知产量的油气田；
获取所述多个已知产量的油气田中的每个油气田对应的岩石的属性信息；
建立岩石的属性信息与所述已知产量油气田的产量的对应关系。
3.根据权利要求2所述的方法，其特征在于，至少根据所述第一属性信息查找所述第一属性信息对应的已知岩石包括：
至少根据所述第一属性信息在所述对应关系中查找所述第一属性信息对应的所述已知岩石。
4.根据权利要求2或3所述的方法，其特征在于，所述对应关系为保存在数据库中的结构化数据。
5.根据权利要求1至4中任一项所述的方法，其特征在于，所述属性信息包括所述岩石的组成成分。
6.一种油气产量智能模拟预估系统，其特征在于，包括：
第一获取模块，用于获取预定地区的含油气的岩石的第一属性信息；
查找模块，用于至少根据所述第一属性信息查找与所述第一属性信息对应的已知岩石，其中，所述已知岩石为已知产量的油气田中的岩石，所述已知岩石的属性信息与所述第一属性信息的差值在预定范围之内；
第二获取模块，用于获取所述已知岩石对应的油气田；
预估模块，用于将所述已知岩石对应的油气田的产量作为所述预定地区的油气产量。
7.根据权利要求6所述的系统，其特征在于，还包括：
第三获取模块，用于获取多个已知产量的油气田；
第四获取模块，用于获取所述多个已知产量的油气田中的每个油气田对应的岩石的属性信息；
建立模块，用于建立岩石的属性信息与所述已知产量油气田的产量的对应关系。
8.根据权利要求7所述的系统，其特征在于，所述查找模块用于：
至少根据所述第一属性信息在所述对应关系中查找所述第一属性信息对应的所述已知岩石。
9.根据权利要求7或8所述的系统，其特征在于，所述对应关系为保存在数据库中的结构化数据。
10.根据权利要求6所述的系统，其特征在于，所述属性信息包括所述岩石的组成成分。
CN202110669648.8A 2021-06-17 2021-06-17 一种油气产量智能模拟预估方法和系统 Active CN113297803B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110669648.8A CN113297803B (zh) 2021-06-17 2021-06-17 一种油气产量智能模拟预估方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110669648.8A CN113297803B (zh) 2021-06-17 2021-06-17 一种油气产量智能模拟预估方法和系统

Publications (2)

Publication Number Publication Date
CN113297803A true CN113297803A (zh) 2021-08-24
CN113297803B CN113297803B (zh) 2022-12-06

Family

ID=77328580

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110669648.8A Active CN113297803B (zh) 2021-06-17 2021-06-17 一种油气产量智能模拟预估方法和系统

Country Status (1)

Country Link
CN (1) CN113297803B (zh)

Citations (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2255359C1 (ru) * 2004-07-30 2005-06-27 Общество с ограниченной ответственностью "Инжиниринговый центр" Способ определения нефтегазопродуктивности трещинных глинистых коллекторов в трехмерном межскважинном пространстве
US7963327B1 (en) * 2008-02-25 2011-06-21 QRI Group, LLC Method for dynamically assessing petroleum reservoir competency and increasing production and recovery through asymmetric analysis of performance metrics
CN103003718A (zh) * 2010-06-16 2013-03-27 Foroil公司 用于模拟成熟油气田的产量模拟器
CN103645516A (zh) * 2013-11-20 2014-03-19 中国石油大学(北京) 基于岩石物理相控油气作用确定油气产能的方法
CN103643949A (zh) * 2013-12-20 2014-03-19 中国石油天然气集团公司 一种储层含油气的定量预测方法及装置
CN104603394A (zh) * 2012-07-31 2015-05-06 兰德马克绘图国际公司 与油气开采策略开发有关的方法和系统
CN104951842A (zh) * 2014-03-27 2015-09-30 中国石油化工股份有限公司 一种新的油田产量预测方法
CN105247546A (zh) * 2013-06-10 2016-01-13 埃克森美孚上游研究公司 确定用于井动态优化的井参数
CN107609986A (zh) * 2017-08-25 2018-01-19 中国石油天然气股份有限公司 气井动态储量的确定方法和装置
CN108573320A (zh) * 2018-03-08 2018-09-25 中国石油大学(北京) 页岩气藏最终可采储量的计算方法和系统
CN109783982A (zh) * 2019-02-18 2019-05-21 西南石油大学 一种凝析气井产量下降原因的分析方法
CN110032744A (zh) * 2018-01-11 2019-07-19 中国石油化工股份有限公司 一种非常规油气储量计算方法及系统
CA3092083A1 (en) * 2018-02-28 2019-09-06 Saudi Arabian Oil Company Locating new hydrocarbon fields and predicting reservoir performance from hydrocarbon migration
CN110894788A (zh) * 2019-04-08 2020-03-20 中国石油天然气股份有限公司 基于油藏产量预测数据的油藏开发方式确定方法及装置
CN111441767A (zh) * 2020-05-11 2020-07-24 中国石油大学(华东) 油藏生产动态预测方法及装置
CN111472763A (zh) * 2019-12-30 2020-07-31 北京国双科技有限公司 地层厚度预测方法及装置
CN112065339A (zh) * 2020-09-02 2020-12-11 中国石油大学(北京) 多储层气藏合采产能预测方法及装置
CN112114380A (zh) * 2020-08-11 2020-12-22 中国石油化工股份有限公司 一种用于砂砾岩油藏储层的预测方法
CN112228054A (zh) * 2020-11-06 2021-01-15 中国石油大学(北京) 基于卷积神经网络的页岩气产量确定方法、装置和设备
CN112288118A (zh) * 2019-07-25 2021-01-29 中国石油天然气股份有限公司 页岩油原位开发产出油气量的预测方法及装置
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
CN112329975A (zh) * 2020-09-04 2021-02-05 中国石油天然气股份有限公司 油气资源预测方法、装置、计算机设备及存储介质
CN112819240A (zh) * 2021-02-19 2021-05-18 北京科技大学 基于物理约束的lstm模型预测页岩油产量的方法
CN112966953A (zh) * 2021-03-17 2021-06-15 西南石油大学 一种油气井稳定产量评估方法、装置、设备及存储介质

Patent Citations (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2255359C1 (ru) * 2004-07-30 2005-06-27 Общество с ограниченной ответственностью "Инжиниринговый центр" Способ определения нефтегазопродуктивности трещинных глинистых коллекторов в трехмерном межскважинном пространстве
US7963327B1 (en) * 2008-02-25 2011-06-21 QRI Group, LLC Method for dynamically assessing petroleum reservoir competency and increasing production and recovery through asymmetric analysis of performance metrics
CN103003718A (zh) * 2010-06-16 2013-03-27 Foroil公司 用于模拟成熟油气田的产量模拟器
CN104603394A (zh) * 2012-07-31 2015-05-06 兰德马克绘图国际公司 与油气开采策略开发有关的方法和系统
CN105247546A (zh) * 2013-06-10 2016-01-13 埃克森美孚上游研究公司 确定用于井动态优化的井参数
CN103645516A (zh) * 2013-11-20 2014-03-19 中国石油大学(北京) 基于岩石物理相控油气作用确定油气产能的方法
CN103643949A (zh) * 2013-12-20 2014-03-19 中国石油天然气集团公司 一种储层含油气的定量预测方法及装置
CN104951842A (zh) * 2014-03-27 2015-09-30 中国石油化工股份有限公司 一种新的油田产量预测方法
CN107609986A (zh) * 2017-08-25 2018-01-19 中国石油天然气股份有限公司 气井动态储量的确定方法和装置
CN110032744A (zh) * 2018-01-11 2019-07-19 中国石油化工股份有限公司 一种非常规油气储量计算方法及系统
CA3092083A1 (en) * 2018-02-28 2019-09-06 Saudi Arabian Oil Company Locating new hydrocarbon fields and predicting reservoir performance from hydrocarbon migration
CN108573320A (zh) * 2018-03-08 2018-09-25 中国石油大学(北京) 页岩气藏最终可采储量的计算方法和系统
CN109783982A (zh) * 2019-02-18 2019-05-21 西南石油大学 一种凝析气井产量下降原因的分析方法
CN110894788A (zh) * 2019-04-08 2020-03-20 中国石油天然气股份有限公司 基于油藏产量预测数据的油藏开发方式确定方法及装置
CN112288118A (zh) * 2019-07-25 2021-01-29 中国石油天然气股份有限公司 页岩油原位开发产出油气量的预测方法及装置
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
CN111472763A (zh) * 2019-12-30 2020-07-31 北京国双科技有限公司 地层厚度预测方法及装置
CN111441767A (zh) * 2020-05-11 2020-07-24 中国石油大学(华东) 油藏生产动态预测方法及装置
CN112114380A (zh) * 2020-08-11 2020-12-22 中国石油化工股份有限公司 一种用于砂砾岩油藏储层的预测方法
CN112065339A (zh) * 2020-09-02 2020-12-11 中国石油大学(北京) 多储层气藏合采产能预测方法及装置
CN112329975A (zh) * 2020-09-04 2021-02-05 中国石油天然气股份有限公司 油气资源预测方法、装置、计算机设备及存储介质
CN112228054A (zh) * 2020-11-06 2021-01-15 中国石油大学(北京) 基于卷积神经网络的页岩气产量确定方法、装置和设备
CN112819240A (zh) * 2021-02-19 2021-05-18 北京科技大学 基于物理约束的lstm模型预测页岩油产量的方法
CN112966953A (zh) * 2021-03-17 2021-06-15 西南石油大学 一种油气井稳定产量评估方法、装置、设备及存储介质

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
NEGASH BERIHUN MAMO 等: "Artificial neural network based production forecasting for a hydrocarbon reservoir under water injection", 《PETROLEUM EXPLORATION AND DEVELOPMENT》 *
宋尚飞 等: "基于人工神经网络的天然气井产量计算方法研究", 《石油科学通报》 *
李彦尊 等: "基于人工神经网络方法的页岩油气产量预测新技术", 《中国海上油气》 *
杨开赞: "稠油蒸汽吞吐产量预测系统研发与应用", 《信息系统工程》 *
胡泊: "基于人工神经网络研究多层合采井单层产量贡献的预测方法", 《化工管理》 *
陈劲松 等: "页岩油气井常用产量预测模型适应性分析", 《非常规油气》 *

Also Published As

Publication number Publication date
CN113297803B (zh) 2022-12-06

Similar Documents

Publication Publication Date Title
CN109034447B (zh) 一种水驱油藏含水上升率变化的预测方法及装置
CN110348580B (zh) 构建gbdt模型的方法、装置及预测方法、装置
CN109446574B (zh) 油气开采监测方法、故障识别模型获得方法及相关设备
CN110284873A (zh) 一种油井储集性质的检测方法及检测装置
CN110782187B (zh) 基于含水率的枯竭油气藏型储气库动态评价方法及系统
CN112926636A (zh) 牵引变流器柜体温度异常检测方法和装置
GB2598979A (en) Facilitating hydrocarbon exploration by applying a machine learning model to basin data
CN109779622B (zh) 特高含水期油藏低效注水带表征方法及装置
CN112084761A (zh) 一种水利工程信息管理方法及装置
CN107153881B (zh) 一种钻井风险的预测方法
CN113297803B (zh) 一种油气产量智能模拟预估方法和系统
CN108681793B (zh) 深层油藏采油指数预测方法及装置
CN112855127A (zh) 气井积液识别方法及装置
CN112818508B (zh) 稠油油藏蒸汽驱油藏井间连通性识别方法、装置和存储介质
CN114139625A (zh) 一种基于退化轨迹曲线分析的零件质量分类方法、系统
CN109063228B (zh) 一种水驱油藏含水上升率变化的确定方法及装置
CN109033508B (zh) 一种油藏含水率及含水上升率的确定方法和装置
CN113010501A (zh) 采收率预测模型获取方法、采收率预测方法和产品
CN113191439A (zh) 偏差度惩罚的增强型堆叠自动编码器处理方法及装置
CN108920781B (zh) 一种油藏含水率及含水上升率的确定方法和装置
CN112488479A (zh) 一种天然气数据分析的方法及系统
CN112541523A (zh) 一种泥质含量计算方法和装置
CN110866663A (zh) 注水替油选井评价方法、装置及存储介质
CN112241576B (zh) 油气井完井处理方法及装置
CN113128734A (zh) 一种油田产量的预测方法及装置

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