CN113361741A - 基于油藏工程理论和数据挖掘算法的产液能力预测方法 - Google Patents
基于油藏工程理论和数据挖掘算法的产液能力预测方法 Download PDFInfo
- Publication number
- CN113361741A CN113361741A CN202011467515.4A CN202011467515A CN113361741A CN 113361741 A CN113361741 A CN 113361741A CN 202011467515 A CN202011467515 A CN 202011467515A CN 113361741 A CN113361741 A CN 113361741A
- Authority
- CN
- China
- Prior art keywords
- reservoir engineering
- data
- oil
- parameters
- sample
- 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.)
- Pending
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 81
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000007418 data mining Methods 0.000 title claims abstract description 17
- 239000012530 fluid Substances 0.000 title claims description 30
- 239000007788 liquid Substances 0.000 claims abstract description 49
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 47
- 238000010801 machine learning Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 9
- 238000012407 engineering method Methods 0.000 claims abstract description 8
- 238000012360 testing method Methods 0.000 claims abstract description 7
- 238000000605 extraction Methods 0.000 claims description 24
- 239000003129 oil well Substances 0.000 claims description 15
- 238000002790 cross-validation Methods 0.000 claims description 5
- 230000001186 cumulative effect Effects 0.000 claims description 4
- 230000035699 permeability Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract description 3
- 206010063385 Intellectualisation Diseases 0.000 abstract description 2
- 239000003921 oil Substances 0.000 description 45
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000010219 correlation analysis Methods 0.000 description 3
- 239000010779 crude oil Substances 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 239000011148 porous material Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000011435 rock Substances 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- Marine Sciences & Fisheries (AREA)
- Evolutionary Computation (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Mathematical Physics (AREA)
- Mining & Mineral Resources (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供基于油藏工程理论和数据挖掘算法的产液能力预测方法，基于油田动态数据，利用改进的油藏工程理论水驱曲线，得到不同含水率条件下的无因次采液指数；确定相关的样本参数，利用机器学习算法对样本参数的相关性进行分析，优选样本参数；将样本参数的数据进行抽稀处理，划分训练集和样本集，基于油藏工程理论认识将训练集和测试集进行组合得到数据体；建模调参、优化算法模型，以得到预测目标井的产液能力。本方法弥补了传统方法的局限性，本方法集合了传统油藏工程方法的理论性基础以及数据挖掘算法的智能化。
Description
技术领域
本发明涉及产液能力预测技术领域，更具体地说涉及一种基于油藏工程理论和数据挖掘算法的产液能力预测方法。
背景技术
提高油井产液量是油田开发中高含水阶段实现稳产增产的一项低成本、高效率措施。提液的作用体现在宏观和微观两方面，宏观上，提液可以提高水的波及体积以及波及范围内的冲洗强度，达到提高采收率的目的；微观上，在开发中后期由于储层岩石的润湿性、孔隙结构以及原油粘度等因素的影响，使得一部分原油滞留在储层的岩石颗粒表面及小孔道中，通过提液增大生产压差，可以使原来未被驱动的原油被驱替出来。但是油井能否提液需要考虑最大产液能力，同时还要分析放大生产压差所带来的不利影响。所以，如何准确的预测油井的产液能力就显得尤为重要。
现有技术主要有三种，一种是相渗实验方法，利用相渗实验数据得到理论无因次采油采液指数图版，根据地饱压差、泵工况、出砂等油田实际情况得到合理生产压差，进而计算理论最大产液量，缺点是理论性强，与实际生产差距大；第二种是油藏工程方法，基于油田动态数据，利用改进的水驱曲线反推计算，得到不同含水率下的无因次采油采液指数，可作为优化调整产液结构、发挥最大产能的依据，缺点是曲线拟合难度大，费时费力，部分井无法进行拟合；第三种是油井中途测试方法，利用地层测试仪器进行测压、求产、取样，可以获取油井产液能力，但只能用于油井初期产能评价，无法预测油井产液能力的变化情况。
发明内容
本发明克服了现有技术中的不足，现有的预测油井产液能力的方法存在与实际生产差距大、曲线拟合难度大、无法预测油井产液能力的变化情况的问题，提供了一种基于油藏工程理论和数据挖掘算法的产液能力预测方法，利用先进的机器学习算法(如 AdaBoost等)，基于改进水驱曲线结果，通过相关性分析，得到与采液指数关联度高的样本参数，挖掘采液指数与样本参数间的数据关系，进而建立产液能力预测模型，即可根据目标井的特征参数值及含水率得到不同阶段的无因次采液指数，实现低成本、快速准确的产液能力预测。
本发明的目的通过下述技术方案予以实现。
基于油藏工程理论和数据挖掘算法的产液能力预测方法，按照下述步骤进行：
步骤1，基于油田动态数据，利用改进的油藏工程理论水驱曲线，得到不同含水率条件下的无因次采液指数；
步骤2，基于油藏工程理论认识确定相关的样本参数，利用机器学习算法对样本参数的相关性进行分析，选出相关性高的样本参数，确定学习样本；
步骤3，将步骤2确定的学习样本进行抽稀处理，划分训练集和样本集；
步骤4，建模调参：通过调整机器学习算法中的敏感参数，获得与步骤3得到的数据体相吻合，并与生产特征相吻合，与油藏工程方法算出的无因次采液指数结果吻合的预测模型，在建模过程中对各种算法的参数进行调参，以获得无因次采液指数预测模型；
步骤5，优化算法模型：通过交叉验证得分、R-Squared决定系数、Adjusted R-Square 的方法，评估步骤4得到的预测模型准确度，并对步骤4得到的预测模型进行筛选，以得到最优的预测模型。
在步骤1中，无因次采液指数的计算具体步骤如下：
1)准备油井的静态和动态数据，做出累产油量与(Np-Np0)2/Wp b的曲线，其中 b等参数采用试凑的方法，并选取合适拟合数据段；
2)根据实际产量规律，试凑a等相关参数，将计算得到的含水率与累产水量进行拟合；
3)利用试凑出的相关参数计算不同含水率下的无因次采液指数：利用改进的水驱曲线的油藏理论方法，基于油田实际生产动态数据进行拟合，得到贴近油田生产实际的无因次采液指数，并以此作为预测采油采液能力的基础；
改进的水驱曲线理论公式如下：
其中，Np0＝(1-w)NR，Np为累产油量，NR为可采储量，Wp为累产水量，a、b、 w为相关参数。
在步骤2中，样本参数包括含水饱和度、渗透率、储层厚度、粘度、水体倍数、水平井长度等。
在步骤2中，机器学习算法采用神经网络、支持向量机等算法。
在步骤3中，抽稀处理的具体过程如下：在每口井的数据中，抽出70％作为训练集，其余30％作为测试集。
在步骤4中，通过调整AdaBoost等机器学习算法中的敏感参数，获得与已知数据吻合，与生产特征吻合，与油藏工程方法算出的无因次采液指数结果吻合的预测模型。
本发明的有益效果为：本方法弥补了传统方法的局限性，本方法集合了传统油藏工程方法的理论性基础以及数据挖掘算法的智能化，利用先进的机器学习算法(如AdaBoost 等)，基于改进水驱曲线结果，通过相关性分析，得到与采液指数关联度高的样本参数，挖掘采液指数与样本参数间的数据关系，进而建立产液能力预测模型，再根据目标井的特征参数及含水率即可计算出无因次采液指数，以此为基础预测目标井的产液能力。
附图说明
图1是本发明的计算流程图；
图2是计算得到的含水率与累计产水量的拟合曲线图；
图3是计算不同含水率下的无因次采液指数曲线图；
图4是机器学习结果预测对比图。
具体实施方式
下面通过具体的实施例对本发明的技术方案作进一步的说明。
利用先进的机器学习算法(如AdaBoost等)，基于改进水驱曲线结果，通过相关性分析，得到与采液指数关联度高的样本参数，挖掘样本参数与结果间的数据关系，进而建立模型预测采液能力，可根据新井或老井的特征参数及含水率得到无因次采液指数，以此为基础预测产液能力，确定合理提液时机与幅度，该方法在南海某区块进行了应用和验证，取得了良好的效果。
本发明基于油藏工程理论和数据挖掘算法相结合的产液能力预测方法，计算流程图如图1所示，具体包括以下步骤：
第一步，利用改进的水驱曲线，基于油田单井动态数据，得到油井不同条件下的无因次采液指数，具体步骤如下：
1)准备油井的静态和动态数据，做出累计产油量与(Np-Np0)2/Wp b的曲线，其中b等参数采用试凑的方法，并选取合适拟合数据段；
2)根据实际产量规律，试凑a等相关参数，将计算得到的含水率与累计产水量进行拟合；
3)利用试凑出的相关参数计算不同含水率下的无因次采液指数；其特征在于利用改进的水驱曲线这种新的油藏理论法方法，基于油田实际生产动态数据进行拟合，得到贴近油田生产实际的无因次采液指数，并以此作为预测采油采液能力的基础；
第二步，统计可能与产能有关系的油藏工程参数，包括含水饱和度、渗透率、储层厚度、粘度、水体倍数、水平井长度等，利用神经网络、支持向量机等机器学习算法分析其相关性，筛选出相关性较大的参数；
第三步，将样本数据进行相应的抽稀处理，每口井数据抽出70％作为训练集，剩下30％作为测试集，为了充分利用本油田有限的样本数据，基于油藏工程理论认识，将样本数据合理分配，组合出多套数据体；
第四步，通过调整AdaBoost等机器学习算法中的敏感参数，获得与已知数据吻合，与生产特征吻合，与油藏工程方法算出的无因次采液指数结果吻合的预测模型；
第五步，通过交叉验证得分、R-Squared决定系数、Adjusted R-Square等方法，评估模型准确度，并进行模型优选。
实施例：
南海A油田基于油藏工程理论和数据挖掘算法的产液能力预测方法。
随着油田进入开发中后期，含水率不断上升，稳产难度大，通过提高单井产液量保持稳产，对于定向井多层合采，提液还可提高相对低渗层的动用程度。综合考虑地层压力变化、含水上升率、含水阶段，基于油藏工程理论和数据挖掘算法的产液能力预测成果进行适时适当提液、控制无效产液、提控相结合，从而优化产液结构。
整个发明的计算流程如图1所示。
根据南海A油田的实际情况，拥有11口井的生产资料，包括动态数据、井史、地质油藏特征等，经过初步数据处理，得到8口井的样本数据，利用这8口井进行分析研究。
首先，根据步骤1的方法和流程，基于油藏工程理论，利用改进的水驱曲线(如有适用于本油田的水驱曲线，可酌情选择)，基于动态数据，通过拟合试凑等方法得到油井不同含水率下的无因次采液指数；图2为将计算得到的含水率与累计产水量进行拟合，同时确定特征参数值，图3为得到的8口井的无因次采液指数曲线。
按照步骤2确定样本参数，并进行相关性分析，通过机器学习算法分析，本油田中相关性较高的参数为渗透率、储层厚度、水体倍数、含水率。
按照步骤3对样本数据进行处理，确定样本集和训练集，并且利用交叉验证的思路建立多套数据体。
按照步骤4利用机器学习算法建模调参，优化预测模型。
按照步骤5中的模型评估优选方法，通过交叉验证得分、R-Squared决定系数、Adjusted R-Square等方法，评估模型准确度，并进行模型优选。
机器学习预测结果与实际值的对比，R-Squared决定系数为0.93，Adjusted R-Square 为0.99，准确率较高，对实际生产具有较好的指导意义。
可根据新井或老井的特征参数及含水率得到无因次采液指数，以此为基础预测产液能力，确定合理提液时机与幅度。
上述研究成果，通过基于油藏工程理论和数据挖掘算法的产液能力预测方法，对油井的产液能力进行了合理的预测，基于预测结果对油田的产液结构进行了优化调整，取得了良好的效果，稳油控水效果明显。
以上对本发明做了示例性的描述，应该说明的是，在不脱离本发明的核心的情况下，任何简单的变形、修改或者其他本领域技术人员能够不花费创造性劳动的等同替换均落入本发明的保护范围。
Claims (6)
1.基于油藏工程理论和数据挖掘算法的产液能力预测方法，其特征在于：按照下述步骤进行：
步骤1，基于油田动态数据，利用改进的油藏工程理论水驱曲线，得到不同含水率条件下的无因次采液指数；
步骤2，基于油藏工程理论认识确定相关的样本参数，利用机器学习算法对样本参数的相关性进行分析，选出相关性高的样本参数，优选确定学习样本；
步骤3，将步骤2确定的学习样本进行抽稀处理，划分训练集和样本集，基于油藏工程理论认识将训练集和测试集进行组合得到数据体；
步骤4，建模调参：通过调整机器学习算法中的敏感参数，获得与步骤3得到的数据体相吻合，并与生产特征相吻合，与油藏工程方法算出的无因次采液指数结果吻合的预测模型，在建模过程中对各种算法的参数进行调参，以获得无因次采液指数预测模型；
步骤5，优化算法模型：通过交叉验证得分、R-Squared决定系数、Adjusted R-Square的方法，评估步骤4得到的预测模型准确度，并对步骤4得到的预测模型进行筛选，以得到最优的预测模型。
2.根据权利要求1所述的基于油藏工程理论和数据挖掘算法的产液能力预测方法，其特征在于：在步骤1中，无因次采液指数的计算具体步骤如下：
1)准备油井的静态和动态数据，做出累产油量与(Np-Np0)2/Wp b的曲线，其中b等参数采用试凑的方法，并选取合适拟合数据段；
2)根据实际产量规律，试凑a等相关参数，将计算得到的含水率与累产水量进行拟合；
3)利用试凑出的相关参数计算不同含水率下的无因次采液指数：利用改进的水驱曲线方法，基于油田实际生产动态数据进行拟合，得到贴近油田生产实际的无因次采液指数，并以此作为预测采油采液能力的基础；
改进的水驱曲线理论公式如下：
其中，Np0＝(1-w)NR，Np为累产油量，NR为可采储量，Wp为累产水量，a、b、w为相关参数。
3.根据权利要求1所述的基于油藏工程理论和数据挖掘算法的产液能力预测方法，其特征在于：在步骤2中，样本参数包括含水饱和度、渗透率、储层厚度、粘度、水体倍数、水平井长度等。
4.根据权利要求1所述的基于油藏工程理论和数据挖掘算法的产液能力预测方法，其特征在于：在步骤2中，机器学习算法采用神经网络、支持向量机等算法。
5.根据权利要求1所述的基于油藏工程理论和数据挖掘算法的产液能力预测方法，其特征在于：在步骤3中，抽稀处理的具体过程如下：在每口井的数据中，抽出70％作为训练集，其余30％作为测试集。
6.根据权利要求1所述的基于油藏工程理论和数据挖掘算法的产液能力预测方法，其特征在于：在步骤4中，通过调整AdaBoost等机器学习算法中的敏感参数，获得与已知样本数据吻合，与生产特征吻合，与油藏工程方法算出的无因次采液指数结果吻合的预测模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011467515.4A CN113361741A (zh) | 2020-12-14 | 2020-12-14 | 基于油藏工程理论和数据挖掘算法的产液能力预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011467515.4A CN113361741A (zh) | 2020-12-14 | 2020-12-14 | 基于油藏工程理论和数据挖掘算法的产液能力预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113361741A true CN113361741A (zh) | 2021-09-07 |
Family
ID=77524528
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011467515.4A Pending CN113361741A (zh) | 2020-12-14 | 2020-12-14 | 基于油藏工程理论和数据挖掘算法的产液能力预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113361741A (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140032118A1 (en) * | 2012-07-27 | 2014-01-30 | Landmark Graphics Corporation | Stratigraphic modeling using production data density profiles |
| CN105626036A (zh) * | 2014-11-07 | 2016-06-01 | 中国石油化工股份有限公司 | 一种确定油藏合理产液量油藏工程计算方法 |
| US20180202264A1 (en) * | 2016-02-08 | 2018-07-19 | Rs Energy Group Topco, Inc. | Method for estimating oil/gas production using statistical learning models |
| CN109447380A (zh) * | 2018-06-21 | 2019-03-08 | 北京国双科技有限公司 | 油井产量确定方法及装置 |
| CN109611087A (zh) * | 2018-12-11 | 2019-04-12 | 中国石油大学(北京) | 一种火山岩油藏储层参数智能预测方法及系统 |
| 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 |
| CN109948825A (zh) * | 2018-11-12 | 2019-06-28 | 中国石油大学(华东) | 基于改进PSO与Adaboost结合的有利储层发育区预测方法 |
| 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 |
| CN110969249A (zh) * | 2018-09-29 | 2020-04-07 | 北京国双科技有限公司 | 生产井产量预测模型建立方法、生产井产量预测方法及相关装置 |
| CN112049629A (zh) * | 2020-10-20 | 2020-12-08 | 西南石油大学 | 一种基于甲型水驱特征曲线的缝洞型油藏采收率预测方法 |
-
2020
- 2020-12-14 CN CN202011467515.4A patent/CN113361741A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140032118A1 (en) * | 2012-07-27 | 2014-01-30 | Landmark Graphics Corporation | Stratigraphic modeling using production data density profiles |
| CN105626036A (zh) * | 2014-11-07 | 2016-06-01 | 中国石油化工股份有限公司 | 一种确定油藏合理产液量油藏工程计算方法 |
| US20180202264A1 (en) * | 2016-02-08 | 2018-07-19 | Rs Energy Group Topco, Inc. | Method for estimating oil/gas production using statistical learning models |
| CN109447380A (zh) * | 2018-06-21 | 2019-03-08 | 北京国双科技有限公司 | 油井产量确定方法及装置 |
| CN110969249A (zh) * | 2018-09-29 | 2020-04-07 | 北京国双科技有限公司 | 生产井产量预测模型建立方法、生产井产量预测方法及相关装置 |
| CN109948825A (zh) * | 2018-11-12 | 2019-06-28 | 中国石油大学(华东) | 基于改进PSO与Adaboost结合的有利储层发育区预测方法 |
| CN109611087A (zh) * | 2018-12-11 | 2019-04-12 | 中国石油大学(北京) | 一种火山岩油藏储层参数智能预测方法及系统 |
| 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 |
| 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 |
| CN112049629A (zh) * | 2020-10-20 | 2020-12-08 | 西南石油大学 | 一种基于甲型水驱特征曲线的缝洞型油藏采收率预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 张金庆: "水驱曲线的进一步理论探讨及童氏图版的改进", 《中国海上油气》, vol. 31, no. 1, 28 February 2019 (2019-02-28), pages 1 - 3 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102913233B (zh) | 一种基于无因次对比图版的优势流动通道识别方法 | |
| CN110334431A (zh) | 一种低渗透致密气藏单井控制储量计算及剩余气分析方法 | |
| CN112360411B (zh) | 基于图神经网络的局部井网注水开发优化方法 | |
| CN104899411B (zh) | 一种储层产能预测模型建立方法和系统 | |
| CN112343587A (zh) | 一种特低渗透油藏优势渗流通道识别表征方法 | |
| CN109763800A (zh) | 一种油田分层注水量预测方法 | |
| CN109958413B (zh) | 一种特高含水期油藏动态流动单元划分方法 | |
| CN112160734B (zh) | 注采井相关性分析方法、装置、存储介质及计算机设备 | |
| CN106384188A (zh) | 强非均质碳酸盐岩油藏水平井单井注水生产潜力评价方法 | |
| CN111734394A (zh) | 一种确定致密油藏压裂井不定常流井底压力的方法 | |
| CN111706318B (zh) | 一种确定低渗储层剩余油分布状况的方法 | |
| CN115270662A (zh) | 一种欠饱和储层煤层气井生产边界定量预测的计算方法 | |
| CN108843296B (zh) | 一种基于多因素影响下的单井重复压裂效果预测方法 | |
| CN113503158A (zh) | 页岩气储层焖井时间与产量关系的预测分析方法 | |
| CN109522619A (zh) | 一种低渗油田周期采油方法 | |
| CN105005635B (zh) | 基于并行自调整差分进化的三元复合驱优化方法 | |
| CN113361741A (zh) | 基于油藏工程理论和数据挖掘算法的产液能力预测方法 | |
| CN107832900B (zh) | 砂砾岩油藏注水效果评价方法 | |
| CN108242025B (zh) | 基于信息熵-区间数的砂岩油藏注水开发效果评价方法 | |
| CN112502677B (zh) | 一种基于多元线性回归的注水开发效果评价方法 | |
| CN116025331A (zh) | 一种无效水识别及量化表征方法 | |
| CN111364955A (zh) | 注采井间流场演化模拟方法 | |
| CN110778314A (zh) | 基于油藏条件的合理机采系统效率测算方法 | |
| CN116066066B (zh) | 一种筛选氮气吞吐措施井的方法 | |
| CN113837890B (zh) | 一种基于数据统计的页岩气水平井井型优选方法 |
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 |