CN114358441B - 一种致密气产量的智能分段预测方法 - Google Patents
一种致密气产量的智能分段预测方法 Download PDFInfo
- Publication number
- CN114358441B CN114358441B CN202210059303.5A CN202210059303A CN114358441B CN 114358441 B CN114358441 B CN 114358441B CN 202210059303 A CN202210059303 A CN 202210059303A CN 114358441 B CN114358441 B CN 114358441B
- Authority
- CN
- China
- Prior art keywords
- training
- dense gas
- prediction
- error
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 51
- 238000013528 artificial neural network Methods 0.000 claims abstract description 21
- 238000007637 random forest analysis Methods 0.000 claims abstract description 19
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 238000012360 testing method Methods 0.000 claims abstract description 7
- 230000002159 abnormal effect Effects 0.000 claims abstract description 6
- 238000005070 sampling Methods 0.000 claims abstract description 6
- 238000004140 cleaning Methods 0.000 claims abstract description 4
- 238000004519 manufacturing process Methods 0.000 claims description 15
- 238000010586 diagram Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 239000007788 liquid Substances 0.000 claims description 4
- 238000012952 Resampling Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000011160 research Methods 0.000 claims description 3
- 239000004215 Carbon black (E152) Substances 0.000 claims description 2
- 229930195733 hydrocarbon Natural products 0.000 claims description 2
- 150000002430 hydrocarbons Chemical class 0.000 claims description 2
- 239000011435 rock Substances 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 239000007789 gas Substances 0.000 description 53
- 238000004364 calculation method Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 238000006467 substitution reaction Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000003345 natural gas Substances 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- BVKZGUZCCUSVTD-UHFFFAOYSA-L Carbonate Chemical compound [O-]C([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-L 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009530 blood pressure measurement Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000005206 flow analysis Methods 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种致密气产量的智能分段预测方法，包括：先收集并整理影响致密气产量的特征因素数据，获得原始数据集、清理、剔除异常数据；然后利用聚类算法对原始数据集中的致密气产量进行聚类；再分别对划分出的样本数据进行抽样，逐段形成训练集与测试集；再利用随机森林分类算法对原始数据集进行分类训练预测分析，并计算该模型的训练误差和预测误差；再设定待定参数，通过误差反向传播的前馈神经网络分别对样本数据进行训练预测分析，计算模型的训练均方误差和预测均方误差；最后判断类别，再通过人工神经网络模型对致密气产量进行分析预测；本发明能够有效解决由于致密气产量跨度大导致的预测精度低的问题，并准确预测致密气产量。
Description
技术领域
本发明涉及气藏开发技术领域，具体涉及一种致密气产量的智能分段预测方法。
背景技术
密砂岩气、致密气包括致火山岩气和碳酸盐岩气，是一种重要的非常规油气资源，其产量几乎占全球非常规资源量的70％。美国储量前100的气藏中有58个是致密气藏，中国80％的天然气赋存于致密气藏，具有十分广阔的开发潜力。虽然我国致密气具有大面积分布的特点，但全面动用致密气的能力还较差，主要原因是在现行天然气价格体系下，开发成本偏高，产出投入比较小，经济效益差；因此，准确的预测致密气产量，能有效预估气井经济效益，减少开发成本，提高生产效率。
一般来说，致密气藏孔隙度小(<10％)、渗透率低(<1mD)、储层物性差，必须经过大规模压裂才能获得经济产量，但大规模压裂会使原本就复杂的地质结构和渗流规律变得愈发复杂，导致传统的产量预测方法如解析推导、数值模拟和气井产能试井等很难在低计算成本和短时间的前提下较精确地预测压后致密气井产量。
发明内容
针对上述问题，本发明提供一种致密气产量的智能分段预测方法,能够有效解决由于致密气产量跨度大导致的预测精度低的问题，更易于实施且有较高精度，可以弥补现有技术致密气产量预测方法的不足。
本发明采用下述的技术方案：
一种致密气产量的智能分段预测方法方法，包括以下步骤：
步骤1：根据地质研究资料和压裂施工报告，收集并整理现场多种影响致密气产量的特征因素数据，获得并清理原始数据集，剔除异常的样本数据；
步骤2：利用聚类算法对原始数据集中的致密气产量进行聚类，将原始数据集划分为K类样本数据；
步骤3：分别对步骤2中划分出的K类样本数据使用Bootstrap方法抽样，逐段形成训练集与测试集；
步骤4：利用随机森林分类算法对原始数据集进行分类训练预测分析，获得随机森林分类模型，并计算该模型的训练误差和预测误差；
步骤5：设定人工神经网络的待定参数，通过误差反向传播的前馈神经网络分别对K类样本数据进行训练预测分析，获得K个对应的人工神经网络模型，并计算模型的训练均方误差和预测均方误差；
步骤6:最后先根据步骤4得到的随机森林分类模型判断样本数据类别，再通过步骤5得到的对应该类别的人工神经网络模型对致密气产量进行分析预测。
进一步的，所述步骤1中的特征因素数据包括烃源岩厚度、支撑缝宽、导流能力、含气饱和度、总液量和前置液百分比。
进一步的，所述步骤2中所述步骤1具体包括以下子步骤：
步骤101：筛选出基础样本数据中含零的样本，将其剔除；
步骤102：计算产气量递增梯度，绘制产气量递增梯度散点图，剔除产气量变化幅度过大的样本；
步骤103：剔除含气饱和量异常的样本。
进一步的，所述步骤2具体包括以下子步骤：
步骤201：随机选取一个样本作为第一个聚类中心；
步骤202：计算每个样本与第一个聚类中心间的欧式距离，并以欧式距离为依据，用轮盘赌法选出一个样本作为第二个聚类中心，如此循环直到选择K个聚类中心；
欧式距离通过下式计算：
步骤203：获得K个聚类中心后，通过执行聚类算法，直到把总体聚为K类。
进一步的，所述步骤3具体包括以下子步骤：
步骤301：Bootstrap重采样就是有放回采样，基础数据集S中含有n个不同的样本，每次有放回地从基础数据集S中抽取一个样本，一共抽取n次，形成新的集合S1，则集合S1中不包含某个样本的概率为；
式(3)中，n为总抽取样本数，无量纲；
步骤302：取n→∞时，计算集合S1中不包含某个样本的概率，去掉S1中重复的样本，则新集合S1将包含基础数据集S中(1-P)的样本，将S1作为训练集，令新集合S2＝S-S1作为测试集。
进一步的，所述所述步骤4中随机森林分类模型的训练误差和预测误差通过下式计算：
进一步的，所述步骤5具体包括一下步骤：
步骤501：设定隐含层个数，随机赋予权值矩阵的初值，设置误差、学习率，确定样本模式计数器和训练次数计数器；
步骤502：输入训练样本，计算各层输出；
定义输入层输入向量：
定义隐含层输出向量：
定义输出层输出向量：
令输出层期望的输出：
令输入层到隐含层间的权值矩阵：
式(8)中列向量为隐含层第j个神经元对应的权向量。
令隐含层到输出层间的权值矩阵：
式(9)中列向量为输出层第k个神经元对应的权向量。
那么对于输出层有：
ok＝f(netk),k＝1,2,…,l(10)
那么对于隐含层有：
yj＝f(netj),j＝1,2,…,m (12)
式(10)和式(12)中，转移函数f一般取单极性s igmoid函数：
步骤503：计算网络输出误差，各层误差信号并调整各层权值；
定义网络输出与期望输出间的误差：
将式(15)展开至隐含层：
再将式(16)进一步展开至输出层：
由式(17)可以看出：网络误差是各层权值wjk、vij的函数，调整权值可以改变误差E，因此应使权值的调整量与误差的梯度下降成正比，即
式(18)和式(19)中，负号表示梯度下降；η是学习率，无量纲；
对于输出层，式(18)可改写为：
对于隐含层，式(19)可改写为：
令
分别代表输出层和隐含层的误差信号；
综上所述，权值调整计算公式为：
步骤504：检查训练情况，若p＜P，则代表所有样本都完成了一轮训练，若满足E＜Emin，则训练结束，否则计数器p、q增加1，并进行下一轮训练，最终获得人工神经网络模型；
步骤505：计算人工神经网络模型的训练均方误差和预测均方误差，均方误差通过下式进行计算：
本发明的有益效果是：
本发明在保证便于现场实施的基础上，相比常用的方法在预测致密气产量时不用考虑复杂的地质结构和渗流规律上更便于实施，并且能够有效解决由于致密气产量跨度大导致的预测精度低的问题，实现具有更高的精度，在致密气井产量分析预测方面具有广阔的使用价值，有利于广泛使用。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例的附图作简单地介绍，显而易见地，下面描述中的附图仅仅涉及本发明的一些实施例，而非对本发明的限制。
图1为本发明流程示意图；
图2为本发明第一段低产样本的致密气产量理论预测值和致密气产量真实值关系示意图；
图3为本发明第二段中产样本的致密气产量理论预测值和致密气产量真实值关系示意图；
图4为本发明第三段高产样本的致密气产量理论预测值和致密气产量真实值关系示意图；
图5为本发明总体样本的致密气产量理论预测值和致密气产量真实值关系示意图；
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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做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至图5所示，本发明提供一种技术方案：一种致密气产量的智能分段预测方法，包括有以下步骤：
步骤1：根据地质研究资料和压裂施工报告，收集并整理现场多种影响致密气产量的特征因素数据，获得原始数据集并对原始数据集进行数据清理，剔除异常的样本数据，结果如表1所示：
表1现场致密气井基础数据
步骤2：利用K-means++聚类算法对原始数据集中的致密气产量进行聚类，随机选取一个样本作为第一个聚类中心，计算每个样本与第一个聚类中心间的欧式距离，并以欧式距离为依据，用轮盘赌法选出一个样本作为第二个聚类中心，轮盘赌时，距离越远的点被选中的概率越大，以保证能实现K-means++算法的基本思想，如此循环直到选择3个聚类中心，样本聚为3类，如低、中、高产，因此K＝3；
欧式距离通过下式计算：
聚类结果数据如表2所示：
表2聚类结果
步骤3：利用Bootstrap重采样，假设基础数据集S中含有n个不同的样本每次有放回地从基础数据集S中抽取一个样本，一共抽取n次，形成新的集合S1，则集合S1中不包含某个样本/>的概率为：
当n→∞时，有
去掉S1中重复的样本，则新集合S1将包含基础数据集S中约1-36.8％＝63.2％的样本，将S1作为训练集，令新集合S2＝S-S1作为测试集。
步骤4：利用随机森林分类算法对原始数据集进行分类训练预测分析，获得随机森林分类模型，并计算该模型的训练误差和预测误差，在训练时随机森林中包含50棵决策树，且随机森林分类模型的训练误差和预测误差通过下式计算：
致密气产量类别随机森林分类预测结果如表3所示：
表3致密气产量类别随机森林分类预测结果
随机森林分类预测模型的训练误差和预测误差如表4所示：
| 训练误差 | 预测误差 |
| 2％ | 3.25％ |
表4训练误差和预测误差
步骤5：设定人工神经网络的待定参数，包括隐含层数和学习率，目标精度等,通过误差反向传播的前馈神经网络分别对低产、中产、高产3类样本数据进行训练预测分析，获得3个对应的人工神经网络模型，并计算模型的训练均方误差和预测均方误差，具体包括以下步骤：
(1)设置隐含层数为10，学习率η(0,1]间的小数，η定为0.01，以及目标精度Emin＝0.001，样本模式计数器p和训练次数计数器q均为1；
(2)输入训练样本，计算各层输出；
定义输入层输入向量：
定义隐含层输出向量：
定义输出层输出向量：
令输出层期望的输出：
令输入层到隐含层间的权值矩阵：
式(8)中列向量为隐含层第j个神经元对应的权向量。
令隐含层到输出层间的权值矩阵：
式(9)中列向量为输出层第k个神经元对应的权向量。
那么对于输出层有：
ok＝f(netk),k＝1,2,…,l (10)
那么对于隐含层有：
yj＝f(netj),j＝1,2,…,m (12)
式(10)和式(12)中，转移函数f一般取单极性s igmoid函数：
计算网络输出误差，各层误差信号并调整各层权值；
定义网络输出与期望输出间的误差：
将式(15)展开至隐含层：
再将式(16)进一步展开至输出层：
由式(17)可以看出：网络误差是各层权值wjk、vij的函数，调整权值可以改变误差E，因此应使权值的调整量与误差的梯度下降成正比，即
上式中，负号表示梯度下降；η＝0.01是学习率；
对于输出层，式(18)可改写为：
对于隐含层，式(19)可改写为：
令
分别代表输出层和隐含层的误差信号；
综上所述，权值调整计算公式为：
(3)检查训练情况，若p＜P，则代表所有样本都完成了一轮训练，若满足E＜Emin，则训练结束，否则计数器p、q增加1，并进行下一轮训练，最终获得人工神经网络模型；
3段致密气产量理论预测值计算结果如表5所示：
表5致密气产量理论预测值
(4)计算人工神经网络模型的训练均方误差和预测均方误差，均方误差通过下式进行计算，计算结果如表6：
表6致密气产量训练均方误差和预测均方误差
步骤6：根据所述的随机森林分类模型和3段人工神经网络模型对待测致密气井产气量进行分析预测，总的预测均方误差如表7所示：
| 方法 | 预测MSE |
| RF-ANN | 45.8627 |
表7 RF-ANN的预测均方误差
另外，将本发明的气体流量分析预测方法与现有技术进行比较，结果如表8所示：
| 方法 | 预测MSE |
| ANN-BP | 247.6049 |
| RF(随机森林回归) | 132.0561 |
表8不同方法的预测均方误差
对比表6-8可知，本发明的基于人工神经网络和随机森林分类算法的智能分段预测模型误差比目前常用模型误差小，精准度更高。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (7)
1.一种致密气产量的智能分段预测方法，其特征在于，包括以下步骤：
步骤1：根据地质研究资料和压裂施工报告，收集并整理现场多种影响致密气产量的特征因素数据，获得并清理原始数据集，剔除异常的样本数据；
步骤2：利用聚类算法对原始数据集中的致密气产量进行聚类，将原始数据集划分为K类样本数据；
步骤3：分别对步骤2中划分出的K类样本数据使用Bootstrap方法抽样，逐段形成训练集与测试集；
步骤4：利用随机森林分类算法对原始数据集进行分类训练预测分析，获得随机森林分类模型，并计算该模型的训练误差和预测误差；
步骤5：设定人工神经网络的待定参数，通过误差反向传播的前馈神经网络分别对K类样本数据进行训练预测分析，获得K个对应的人工神经网络模型，并计算模型的训练均方误差和预测均方误差；
步骤6：最后先根据步骤4得到的随机森林分类模型判断样本数据类别，再通过步骤5得到的对应该类别的人工神经网络模型对致密气产量进行分析预测。
2.根据权利要求1所述的一种致密气产量的智能分段预测方法，其特征在于，所述步骤1中的特征因素数据包括烃源岩厚度、支撑缝宽、导流能力、含气饱和度、总液量和前置液百分比。
3.根据权利要求2所述的一种致密气产量的智能分段预测方法，其特征在于，所述步骤1具体包括以下子步骤：
步骤101：筛选出基础样本数据中含零的样本，将其剔除；
步骤102：计算产气量递增梯度，绘制产气量递增梯度散点图，剔除产气量变化幅度过大的样本；
步骤103：剔除含气饱和量异常的样本。
4.根据权利要求1所述的一种致密气产量的智能分段预测方法，其特征在于，所述步骤2具体包括以下子步骤：
步骤201：随机选取一个样本作为第一个聚类中心；
步骤202：计算每个样本与第一个聚类中心间的欧式距离，并以欧式距离为依据，用轮盘赌法选出一个样本作为第二个聚类中心，如此循环直到选择K个聚类中心；
步骤203：获得K个聚类中心后，通过执行聚类算法，直到把总体聚为K类。
5.根据权利要求1所述的一种致密气产量的智能分段预测方法，其特征在于，所述步骤3具体包括以下子步骤：
步骤301：Bootstrap重采样就是有放回采样，每次有放回地从基础数据集中抽取一个样本，形成新的集合，得不包含某个样本的概率；
步骤302：去掉中重复的样本，将新集合作为训练集，基础数据集和新集合的差作为测试集。
6.根据权利要求1所述的一种致密气产量的智能分段预测方法，其特征在于，所述步骤4中随机森林分类模型的训练误差和预测误差通过下式计算：
式(1)中，Numpredicted表示分类预测正确的样本个数，单位无量纲；Numactural表示总的样本个数，单位无量纲。
7.根据权利要求1所述的一种致密气产量的智能分段预测方法，其特征在于，所述步骤5具体包括以下步骤：
步骤501：设定隐含层个数，随机赋予权值矩阵的初值，设置误差、学习率，确定样本模式计数器和训练次数计数器；
步骤502：输入训练样本，计算各层输出；
步骤503：计算网络输出误差，各层误差信号并调整各层权值；
步骤504：检查训练情况，完成了一轮训练，若满足网络输出与期望输出间的误差小于可接受的最大的网络输出与期望输出之间的误差，则训练结束，否则计数器增加1，并进行下一轮训练，最终获得人工神经网络模型；
步骤505：计算人工神经网络模型的训练均方误差和预测均方误差。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210059303.5A CN114358441B (zh) | 2022-01-19 | 2022-01-19 | 一种致密气产量的智能分段预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210059303.5A CN114358441B (zh) | 2022-01-19 | 2022-01-19 | 一种致密气产量的智能分段预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114358441A CN114358441A (zh) | 2022-04-15 |
| CN114358441B true CN114358441B (zh) | 2024-05-31 |
Family
ID=81092269
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210059303.5A Active CN114358441B (zh) | 2022-01-19 | 2022-01-19 | 一种致密气产量的智能分段预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114358441B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104047598A (zh) * | 2014-06-24 | 2014-09-17 | 中国石油集团川庆钻探工程有限公司 | 非均质古岩溶碳酸盐岩储层产能预测方法 |
| CN104866923A (zh) * | 2015-05-17 | 2015-08-26 | 天津理工大学 | 一种钢铁企业高炉副产煤气发生量预测方法 |
| CN105046006A (zh) * | 2015-07-29 | 2015-11-11 | 中国石油天然气股份有限公司 | 一种页岩气藏水平井多段压裂产能预测方法及装置 |
| CN105096007A (zh) * | 2015-08-27 | 2015-11-25 | 中国石油天然气股份有限公司 | 基于一种改进的神经网络的油井产量预测方法及其装置 |
| CN110428113A (zh) * | 2019-08-09 | 2019-11-08 | 云南电网有限责任公司电力科学研究院 | 一种基于随机森林的变压器油中溶解气体浓度预测方法 |
| CN111768027A (zh) * | 2020-05-27 | 2020-10-13 | 华南农业大学 | 基于强化学习的再犯罪风险预测方法、介质和计算设备 |
| CN112922582A (zh) * | 2021-03-15 | 2021-06-08 | 西南石油大学 | 基于高斯过程回归的气井井口油嘴气体流量分析预测方法 |
| CN113159220A (zh) * | 2021-05-14 | 2021-07-23 | 中国人民解放军军事科学院国防工程研究院工程防护研究所 | 基于随机森林的混凝土侵彻深度经验算法评价方法和装置 |
| CN113361638A (zh) * | 2021-07-01 | 2021-09-07 | 中国石油大学(北京) | 一种复杂储层岩性识别方法、装置、设备及存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10417561B2 (en) * | 2013-03-15 | 2019-09-17 | Intelligent Solutions, Inc. | Data-driven analytics, predictive modeling and optimization of hydraulic fracturing in shale |
-
2022
- 2022-01-19 CN CN202210059303.5A patent/CN114358441B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104047598A (zh) * | 2014-06-24 | 2014-09-17 | 中国石油集团川庆钻探工程有限公司 | 非均质古岩溶碳酸盐岩储层产能预测方法 |
| CN104866923A (zh) * | 2015-05-17 | 2015-08-26 | 天津理工大学 | 一种钢铁企业高炉副产煤气发生量预测方法 |
| CN105046006A (zh) * | 2015-07-29 | 2015-11-11 | 中国石油天然气股份有限公司 | 一种页岩气藏水平井多段压裂产能预测方法及装置 |
| CN105096007A (zh) * | 2015-08-27 | 2015-11-25 | 中国石油天然气股份有限公司 | 基于一种改进的神经网络的油井产量预测方法及其装置 |
| CN110428113A (zh) * | 2019-08-09 | 2019-11-08 | 云南电网有限责任公司电力科学研究院 | 一种基于随机森林的变压器油中溶解气体浓度预测方法 |
| CN111768027A (zh) * | 2020-05-27 | 2020-10-13 | 华南农业大学 | 基于强化学习的再犯罪风险预测方法、介质和计算设备 |
| CN112922582A (zh) * | 2021-03-15 | 2021-06-08 | 西南石油大学 | 基于高斯过程回归的气井井口油嘴气体流量分析预测方法 |
| CN113159220A (zh) * | 2021-05-14 | 2021-07-23 | 中国人民解放军军事科学院国防工程研究院工程防护研究所 | 基于随机森林的混凝土侵彻深度经验算法评价方法和装置 |
| CN113361638A (zh) * | 2021-07-01 | 2021-09-07 | 中国石油大学(北京) | 一种复杂储层岩性识别方法、装置、设备及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| Modified Extended Finite Element Methods for Gas Flow in Fractured Reservoirs: A Pseudo-Pressure Approach;Youshi Jiang 等;《Journal of Energy Resources Technology》;20180731;第140卷(第7期);1-11 * |
| 基于渗流与导电特性的致密砂岩储层测井解释与产能预测;郭宇航;《中国博士学位论文全文数据库》;20170915(第9期);A011-121 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114358441A (zh) | 2022-04-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108009716B (zh) | 一种水平井体积压裂效果影响因素多层次评价方法 | |
| CN113378473B (zh) | 一种基于机器学习模型的地下水砷风险预测方法 | |
| CN115906675B (zh) | 基于时序多目标预测模型的井位及注采参数联合优化方法 | |
| Zhu et al. | Rapid identification of high-quality marine shale gas reservoirs based on the oversampling method and random forest algorithm | |
| CN108416475A (zh) | 一种页岩气产能非确定性预测方法 | |
| CN116205164B (zh) | 一种基于自适应基函数选择的多代理注采优化方法 | |
| Lu et al. | Lithology identification using graph neural network in continental shale oil reservoirs: A case study in Mahu Sag, Junggar Basin, Western China | |
| CN113283180A (zh) | 基于K-means与SVR组合的致密油藏水平井压裂产能预测方法与应用 | |
| CN110489844A (zh) | 一种适用于软岩隧道不均匀大变形等级预测方法 | |
| CN115438823A (zh) | 一种井壁失稳机制分析与预测方法及系统 | |
| CN115618987A (zh) | 生产井生产数据预测方法、装置、设备和存储介质 | |
| CN116911216B (zh) | 一种储层油井产能因素评估与预测方法 | |
| CN117473305A (zh) | 一种近邻信息增强的储层参数预测方法及系统 | |
| CN114358441B (zh) | 一种致密气产量的智能分段预测方法 | |
| CN117574755A (zh) | 页岩储层井工厂水平井压裂参数分层多级优化方法 | |
| Ariadji et al. | Optimization of vertical well placement for oil field development based on basic reservoir rock properties using a genetic algorithm | |
| CN116303626A (zh) | 一种基于特征优化和在线学习的固井泵压预测方法 | |
| CN116562428A (zh) | 一种基于机器学习的压裂施工参数优化方法 | |
| Huang et al. | Quantitative analysis of the main controlling factors of oil saturation variation | |
| CN117391483A (zh) | 基于协同训练的页岩油井压裂效果评价方法 | |
| CN114462323A (zh) | 一种基于多属性场融合的油藏流场表征方法 | |
| Liu et al. | Optimizing construction parameters for fractured horizontal wells in shale oil | |
| Zhan et al. | Research on neural network prediction method for upgrading scale of natural gas reserves | |
| Feder | Machine-learning approach determines spatial variation in shale decline curves | |
| CN115470664B (zh) | 一种裂缝油藏裂缝敏感性分析方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |