CN114676631A - 页岩气藏压裂水平井压裂改造参数推荐方法 - Google Patents

页岩气藏压裂水平井压裂改造参数推荐方法 Download PDF

Info

Publication number
CN114676631A
CN114676631A CN202210306401.4A CN202210306401A CN114676631A CN 114676631 A CN114676631 A CN 114676631A CN 202210306401 A CN202210306401 A CN 202210306401A CN 114676631 A CN114676631 A CN 114676631A
Authority
CN
China
Prior art keywords
horizontal well
shale gas
reservoir
fracturing
main control
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
CN202210306401.4A
Other languages
English (en)
Other versions
CN114676631B (zh
Inventor
赵玉龙
徐华卿
张烈辉
刘香禺
李树新
王建君
张芮菡
唐慧莹
郭晶晶
田野
张涛
罗山贵
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.)
Southwest Petroleum University
Original Assignee
Southwest 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 Southwest Petroleum University filed Critical Southwest Petroleum University
Priority to CN202210306401.4A priority Critical patent/CN114676631B/zh
Publication of CN114676631A publication Critical patent/CN114676631A/zh
Application granted granted Critical
Publication of CN114676631B publication Critical patent/CN114676631B/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
    • E—FIXED CONSTRUCTIONS
    • E21—EARTH OR ROCK DRILLING; MINING
    • E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
    • E21B43/00—Methods or apparatus for obtaining oil, gas, water, soluble or meltable materials or a slurry of minerals from wells
    • E21B43/25—Methods for stimulating production
    • E21B43/26—Methods for stimulating production by forming crevices or fractures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Geology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Mining & Mineral Resources (AREA)
  • General Health & Medical Sciences (AREA)
  • Fluid Mechanics (AREA)
  • Environmental & Geological Engineering (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geochemistry & Mineralogy (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Feedback Control In General (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种页岩气藏压裂水平井压裂改造参数推荐方法，包括以下步骤：以气井实际储层地质参数与压裂改造参数为基础，采用灰色关联法确定气井产能主控因素，并以此制定不同储层地质参数与压裂改造参数搭配的水平井产能模拟方案；采用ECLIPSE软件建立页岩气藏压裂水平井数值模拟模型，形成全方案下页岩气藏压裂水平井产能模拟数据库；利用数据库结合人工神经网络算法对页岩气藏压裂水平井产能机器学习模型训练，生成页岩气藏压裂水平井产能机器学习模型；结合页岩气藏压裂水平井产能机器学习模型，完成真实气井储层地质参数下的最优压裂改造主控因素参数组合推荐。

Description

页岩气藏压裂水平井压裂改造参数推荐方法
技术领域
本发明涉及非常规天然气勘探开发技术领域，尤其涉及一种页岩气藏压裂水平井压裂改造参数推荐方法。
背景技术
作为一种典型的非常规油气资源，页岩气藏具有显著的超低孔、超低渗特征，常规砂岩气藏开发手段无法实现页岩气藏有效动用。经过十余年的勘探开发摸索，生产实践表明“长水平井+分段压裂”是页岩气藏经济高效开发的关键技术手段。水平井泄流面积大，经过分段压裂后沿长水平段能够形成复杂压裂缝网，大幅度改善油气渗流条件。此外，页岩储层地质条件复杂，针对长井段钻遇的不同类型储层进行精准压裂改造，借助精细分段、合理布缝及针对性压裂改造工艺，实现对气藏储量的高效动用，是提升气藏开发效益的重要手段。
传统压裂设计需要对每一口井进行单独建模，计算机软硬件资源要求高，优化裂缝参数工作具有重复性，耗时耗力。机器学习能够通过大量数据样本的学习，找出样本间的内在相互关系，可达到快速预测的目的，是实现重复性工作简单化的有效手段。因此，有必要基于机器学习算法开展页岩气藏压裂水平井压裂改造参数优化设计研究工作，为现场开发方案合理高效制定提供技术支撑。
发明内容
鉴于以上技术问题，本发明的目的是针对现有技术的缺陷，提供基于人工神经网络算法的一种页岩气藏压裂水平井压裂改造参数推荐方法。该方法首先识别出页岩气藏压裂水平井产能主控因素；进而，通过数值模拟建立数据库；用数据库开展人工神经网络模型训练，形成基于人工神经网络的页岩气藏压裂水平井产能机器学习模型；基于训练好的页岩气藏压裂水平井产能机器学习模型，在全压裂改造参数方案范围内寻求最优解，实现压裂改造参数的最优推荐。
为达到以上技术目的，本发明采用以下技术方案：
一种页岩气藏压裂水平井压裂改造参数推荐方法，其特征在于，包括以下步骤：
S1：以页岩气藏压裂水平井实际储层地质参数、压裂改造参数作为比较数列，无阻流量作为参考数列，开展灰色关联法分析，评价各储层地质参数和压裂改造参数与无阻流量的关联性，确定页岩气藏压裂水平井的产能主控因素；
由于比较数列具有不同的量纲，不便于定量比较各参数对参考数列的影响。因此，对建立的比较数列和参考数列采用均值化手段进行无量纲化处理。
Figure BDA0003565393030000021
式中，Xi(k)表示比较数列中第k个评价对象在第i个指标下的样本数据；n表示气井样本数；s表示储层地质参数和压裂改造参数的和。
Figure BDA0003565393030000022
式中，Y(k)表示参考数列中第k个评价对象的无阻流量数据；n表示气井样本数。
灰色关联度的本质是依据曲线态势相近程度来分辨数列的相关度，曲线间的差值大小，可以作为关联程度的衡量，定义关联系数如下
Figure BDA0003565393030000023
式中：minmin|Y(k)-Xi(k)|和maxmax|Y(k)-Xi(k)|分别表示第i个指标对应的比较数列与参考数列做差后的最小值和最大值；ρ为分辨系数，分辨系数取值只改变关联系数的绝对大小，并不改变关联性的相对强弱，在这里取值为0.2；ξi(k)表示第i个指标对应的比较数列与参考数列在第k个样本之间的关联系数。
由于ξi(k)只能反映出点与点之间的关联性，关联性信息分散，不便于刻画数列之间的关联性，定义相关度ri把ξi(k)进行整合。
Figure BDA0003565393030000031
式中：ri表示第i个指标对应的比较数列与参考数列的相关度，相关度大于0.7称为强相关，小于0.3称为弱相关；这里以相关度大于0.7为标准确定页岩气藏压裂水平井产能的主控因素。
S2：采用商业软件ECLIPSE建立页岩气藏压裂水平井双重介质模型，通过局部网格加密的方法表征水平井压裂裂缝；利用步骤S1中获得的主控因素建立模拟方案，其中每个主控因素参数选取不同的离散取值，按照模拟方案设置的参数完成每个模型的建立与运算，获得不同主控因素参数组合下的无阻流量，建立相应的数据库；
S3：基于步骤S2中获得的数据库，以主控因素为输入、无阻流量为输出，采用BP神经网络模型开展页岩气藏压裂水平井产能机器学习模型训练，选择70％的数据对模型进行训练，选择15％的数据用于模型训练效果的验证，15％的数据对模型进行测试，最终获得页岩气藏压裂水平井产能机器学习模型；
S4：对于给定的页岩气藏压裂水平井，将步骤S1中获得的储层地质主控因素参数输入到步骤S3中获得的页岩气藏压裂水平井产能机器学习模型中，将全部可能的压裂改造主控因素参数组合依次输入页岩气藏压裂水平井产能机器学习模型，对比每种压裂改造主控因素参数组合下得到的气井无阻流量，寻找使得气井无阻流量取得最大值的压裂改造主控因素参数组合，即为最优压裂改造主控因素参数组合。
进一步的，所述步骤S1中储层地质参数和压裂改造参数包括：
储层地质参数：渗透率、地层压力、储层厚度、储层深度、含水饱和度、储层系数、地层系数、储气能力。
压裂改造参数：用液量、平均排量、压裂段数、压裂改造长度、裂缝半长、导流能力、段长用液强度、返排率。
有益效果：
与现有技术相比，本发明具有以下有益效果：
通过关联性分析确定影响无阻流量的主控因素，并以实际数据为基础设计模拟方案，使模拟结果具有可靠性；制定不同储层地质与压裂改造参数搭配的水平井产能模拟方案，形成具有普适性与代表性的页岩气压裂水平井产能数据库；通过人工神经网络算法，实现裂缝参数的快速智能优化。
附图说明
图1为以ECLIPSE软件为基础建立的页岩气藏压裂水平井数值模拟模型图；
图2为神经网络模型训练集效果图；
图3为训练集数据与预测数据效果对比图。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。因此，以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式，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方式，都属于本发明保护的范围。
S1、以气藏实际储层地质参数与压裂改造参数为基础，分析评价各因素与无阻流量的关联性，并制定不同储层与改造参数搭配的水平井产能模拟方案主要包括如下具体步骤：
S11、选取实际井储层地质参数、压裂改造参数作为比较序列，将水平井无阻流量作为参考序列，采用均值法对比较序列和参考序列进行无量纲化处理。
S12、以相关度大于0.7作为标准，确定孔隙度、渗透率、地层压力、储层厚度、压裂段数、水平段长度、裂缝半长、裂缝导流能力共8项参数为产能主控因素。
表1各个影响因素对无阻流量影响相关度
Figure BDA0003565393030000051
S2、以步骤S1中确定的主控因素作为模型研究参数，结合实际情况确定各个参数具体取值范围，划分取值步长，并制定不同储层地质与压裂改造参数搭配的水平井产能模拟方案。以ECLIPSE软件为基础建立页岩气藏压裂水平井双重介质模型；通过局部网格加密的方法表征水平井压裂裂缝；按照模拟方案设置的参数完成每个模型的建立与运算，获得不同主控因素参数组合下的无阻流量，建立相应的数据库；
表2取值方案设计表
Figure BDA0003565393030000061
S3、完成人工神经网络算法训练，形成页岩气藏压裂水平井产能机器学习模型主要包括如下具体步骤：
S31、基于步骤S2获得的数据库，选择70％的数据进行训练完成对人工神经网络算法的训练，将数据输入人工神经网络算法，形成神经网络模型，计算各层神经元梯度项和隐层神经元梯度项，更新连接权重和阈值直至达成精度需求。
S32、选择15％的数据进行验证，选择15％的数据进行测试，完成模型训练，得到页岩气藏压裂水平井产能机器学习模型。
S4、将步骤S1中获得的储层地质主控因素参数输入到步骤S3中获得的页岩气藏压裂水平井产能机器学习模型中，将全部可能的压裂改造主控因素参数组合依次输入页岩气藏压裂水平井产能机器学习模型，对比每种压裂改造主控因素参数组合下得到的气井无阻流量，寻找使得气井无阻流量取得最大值的压裂改造主控因素参数组合，即为最优压裂改造主控因素参数组合。优化结果如表所示：
表3压裂改造参数推荐结果
Figure BDA0003565393030000071
以上所述，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。

Claims (2)

1.一种页岩气藏压裂水平井压裂改造参数推荐方法，其特征在于，包括以下步骤：
S1：以页岩气藏压裂水平井实际储层地质参数、压裂改造参数作为比较数列，无阻流量作为参考数列，开展灰色关联法分析，评价各储层地质参数和压裂改造参数与无阻流量的关联性，确定页岩气藏压裂水平井的产能主控因素；
由于比较数列具有不同的量纲，不便于定量比较各参数对参考数列的影响；因此，对建立的比较数列和参考数列采用均值化手段进行无量纲化处理：
Figure FDA0003565393020000013
式中，Xi(k)表示比较数列中第k个评价对象在第i个指标下的样本数据；n表示气井样本数；s表示储层地质参数和压裂改造参数的和；
Figure FDA0003565393020000011
式中，Y(k)表示参考数列中第k个评价对象的无阻流量数据；n表示气井样本数；
灰色关联度的本质是依据曲线态势相近程度来分辨数列的相关度，曲线间的差值大小，可以作为关联程度的衡量，定义关联系数如下：
Figure FDA0003565393020000012
式中：minmin|Y(k)-Xi(k)|和maxmax|Y(k)-Xi(k)|分别表示第i个指标对应的比较数列与参考数列做差后的最小值和最大值；ρ为分辨系数，分辨系数取值只改变关联系数的绝对大小，并不改变关联性的相对强弱，在这里取值为0.2；ξi(k)表示第i个指标对应的比较数列与参考数列在第k个样本之间的关联系数；
由于ξi(k)只能反映出点与点之间的关联性，关联性信息分散，不便于刻画数列之间的关联性，定义相关度ri把ξi(k)进行整合：
Figure FDA0003565393020000021
式中：ri表示第i个指标对应的比较数列与参考数列的相关度，相关度大于0.7称为强相关，小于0.3称为弱相关；这里以相关度大于0.7为标准确定页岩气藏压裂水平井产能的主控因素；
S2：采用商业软件ECLIPSE建立页岩气藏压裂水平井双重介质模型，通过局部网格加密的方法表征水平井压裂裂缝；利用步骤S1中获得的主控因素建立模拟方案，其中每个主控因素参数选取不同的离散取值，按照模拟方案设置的参数完成每个模型的建立与运算，获得不同主控因素参数组合下的无阻流量，建立相应的数据库；
S3：基于步骤S2中获得的数据库，以主控因素为输入、无阻流量为输出，采用BP神经网络模型开展页岩气藏压裂水平井产能机器学习模型训练，选择70％的数据对模型进行训练，选择15％的数据用于模型训练效果的验证，15％的数据对模型进行测试，最终获得页岩气藏压裂水平井产能机器学习模型；
S4：对于给定的页岩气藏压裂水平井，将步骤S1中获得的储层地质主控因素参数输入到步骤S3中获得的页岩气藏压裂水平井产能机器学习模型中，将全部可能的压裂改造主控因素参数组合依次输入页岩气藏压裂水平井产能机器学习模型，对比每种压裂改造主控因素参数组合下得到的气井无阻流量，寻找使得气井无阻流量取得最大值的压裂改造主控因素参数组合，即为最优压裂改造主控因素参数组合。
2.如权利要求1中所述的一种页岩气藏压裂水平井压裂改造参数推荐方法，其特征在于，所述步骤S1中所述储层地质参数和压裂改造参数包括：
储层地质参数：渗透率、地层压力、储层厚度、储层深度、含水饱和度、储层系数、地层系数、储气能力；
压裂改造参数：用液量、平均排量、压裂段数、压裂改造长度、裂缝半长、导流能力、段长用液强度、返排率。
CN202210306401.4A 2022-03-25 2022-03-25 页岩气藏压裂水平井压裂改造参数推荐方法 Active CN114676631B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210306401.4A CN114676631B (zh) 2022-03-25 2022-03-25 页岩气藏压裂水平井压裂改造参数推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210306401.4A CN114676631B (zh) 2022-03-25 2022-03-25 页岩气藏压裂水平井压裂改造参数推荐方法

Publications (2)

Publication Number Publication Date
CN114676631A true CN114676631A (zh) 2022-06-28
CN114676631B CN114676631B (zh) 2024-04-16

Family

ID=82075791

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210306401.4A Active CN114676631B (zh) 2022-03-25 2022-03-25 页岩气藏压裂水平井压裂改造参数推荐方法

Country Status (1)

Country Link
CN (1) CN114676631B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106321051A (zh) * 2015-07-01 2017-01-11 中国石油化工股份有限公司 一种用于优化多段压裂水平井网络裂缝参数的方法
WO2019040091A1 (en) * 2017-08-21 2019-02-28 Landmark Graphics Corporation NEURAL NETWORK MODELS FOR REAL-TIME OPTIMIZATION OF DRILLING PARAMETERS DURING DRILLING OPERATIONS
CN110761763A (zh) * 2018-07-27 2020-02-07 中国石油化工股份有限公司 一种水平井重复压裂的方法
CN112182992A (zh) * 2020-09-29 2021-01-05 西北大学 一种致密砂岩气藏水平井分段压裂裂缝位置优选方法
US20210003727A1 (en) * 2019-07-04 2021-01-07 Chengdu University Of Technology Optimization design method for volumetric fracturing construction parameters of infilled well of unconventional oil and gas reservoir
CN112836349A (zh) * 2021-01-08 2021-05-25 中国石油大学(北京) 基于井筒参数的注采联调智能决策方法及系统
CN113094924A (zh) * 2021-04-23 2021-07-09 中国石油大学(北京) 一种水力喷射压裂施工参数的优化方法及系统
CN113221232A (zh) * 2021-06-16 2021-08-06 西南石油大学 用于裂缝性砂岩厚层水力压裂施工参数优化设计的方法
CN113312785A (zh) * 2021-06-10 2021-08-27 西南石油大学 一种基于可压性评价的深层页岩气藏压裂优化方法
CN113657056A (zh) * 2021-08-30 2021-11-16 中国石油大学(华东) 降低井底沉砂与提高射孔孔眼进砂效率的直井压裂加砂优化设计方法
CN113848162A (zh) * 2021-09-23 2021-12-28 西南石油大学 一种高温高压致密油藏压裂液渗吸深度评价实验装置及实验方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106321051A (zh) * 2015-07-01 2017-01-11 中国石油化工股份有限公司 一种用于优化多段压裂水平井网络裂缝参数的方法
WO2019040091A1 (en) * 2017-08-21 2019-02-28 Landmark Graphics Corporation NEURAL NETWORK MODELS FOR REAL-TIME OPTIMIZATION OF DRILLING PARAMETERS DURING DRILLING OPERATIONS
CN110761763A (zh) * 2018-07-27 2020-02-07 中国石油化工股份有限公司 一种水平井重复压裂的方法
US20210003727A1 (en) * 2019-07-04 2021-01-07 Chengdu University Of Technology Optimization design method for volumetric fracturing construction parameters of infilled well of unconventional oil and gas reservoir
CN112182992A (zh) * 2020-09-29 2021-01-05 西北大学 一种致密砂岩气藏水平井分段压裂裂缝位置优选方法
CN112836349A (zh) * 2021-01-08 2021-05-25 中国石油大学(北京) 基于井筒参数的注采联调智能决策方法及系统
CN113094924A (zh) * 2021-04-23 2021-07-09 中国石油大学(北京) 一种水力喷射压裂施工参数的优化方法及系统
CN113312785A (zh) * 2021-06-10 2021-08-27 西南石油大学 一种基于可压性评价的深层页岩气藏压裂优化方法
CN113221232A (zh) * 2021-06-16 2021-08-06 西南石油大学 用于裂缝性砂岩厚层水力压裂施工参数优化设计的方法
CN113657056A (zh) * 2021-08-30 2021-11-16 中国石油大学(华东) 降低井底沉砂与提高射孔孔眼进砂效率的直井压裂加砂优化设计方法
CN113848162A (zh) * 2021-09-23 2021-12-28 西南石油大学 一种高温高压致密油藏压裂液渗吸深度评价实验装置及实验方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
李勇明: "垂直裂缝气井不稳定产能预测新模型", 石油钻采工艺, vol. 35, no. 2, 20 March 2013 (2013-03-20) *
李李: "沙二气藏水平井压裂参数优化与产量预测研究", 中国优秀硕士学位论文全文数据库工程科技I辑, no. 3, 15 March 2017 (2017-03-15) *
高俞: "致密气藏体积压裂工艺参数优化设计方法研究", 中国优秀硕士学位论文全文数据库工程科技I辑, no. 7, 15 July 2019 (2019-07-15) *

Also Published As

Publication number Publication date
CN114676631B (zh) 2024-04-16

Similar Documents

Publication Publication Date Title
CN109447532B (zh) 一种基于数据驱动的油藏井间连通性确定方法
CN109102180B (zh) 致密砂岩储层双甜点评价的综合参数评价方法
CN109611087B (zh) 一种火山岩油藏储层参数智能预测方法及系统
CN110674841B (zh) 一种基于聚类算法的测井曲线识别方法
CN109214026A (zh) 一种页岩气水平井初期产能预测方法
CN104899411B (zh) 一种储层产能预测模型建立方法和系统
CN109184677A (zh) 用于非均质互层砂体的储层评价方法
CN112100930B (zh) 一种基于卷积神经网络和Eaton公式的地层孔隙压力计算方法
CN104992178A (zh) 基于支持向量机模拟交会图的致密砂岩流体类型识别方法
CN114529110A (zh) 一种基于深度神经网络模型的岩相反演方法及系统
CN103376468A (zh) 基于神经网络函数逼近算法的储层参数定量表征方法
CN114066084B (zh) 一种基于机器学习的相渗曲线预测方法及系统
CN110347720B (zh) 基于流程化的压裂选井选层方法
CN112576238B (zh) 一种低渗透油藏剩余油位置与含量测定系统、方法及应用
CN108661628A (zh) 一种基于参数优选的工程甜点定量评价方法
CN113762614A (zh) 一种基于静态油气田数据的页岩气井产能预测的方法
CN114114414A (zh) 一种页岩储层“甜点”信息人工智能预测方法
CN114676631A (zh) 页岩气藏压裂水平井压裂改造参数推荐方法
CN103048688A (zh) 一种基于三步法的地震属性优选方法
CN111155980A (zh) 一种水流优势通道识别方法及装置
CN111706323A (zh) 一种综合gwo-lssvm算法的水淹层精细解释评价方法
Chen et al. Machine Learning Based Shale Gas Proration Synchronized Computing Method
CN117407841B (zh) 一种基于优化集成算法的页岩层理缝预测方法
CN117633658B (zh) 岩石储层岩性识别方法及系统
CN103048686A (zh) 一种快速求出地震属性约简的方法

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