CN114676631B - 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 PDFInfo
- Publication number
- CN114676631B CN114676631B CN202210306401.4A CN202210306401A CN114676631B CN 114676631 B CN114676631 B CN 114676631B CN 202210306401 A CN202210306401 A CN 202210306401A CN 114676631 B CN114676631 B CN 114676631B
- Authority
- CN
- China
- Prior art keywords
- fracturing
- horizontal well
- shale gas
- main control
- reservoir
- 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
- 230000009466 transformation Effects 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 title claims abstract description 14
- 238000010801 machine learning Methods 0.000 claims abstract description 19
- 238000004088 simulation Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000012986 modification Methods 0.000 claims description 22
- 230000004048 modification Effects 0.000 claims description 22
- 230000015572 biosynthetic process Effects 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 239000007788 liquid Substances 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 4
- 230000035699 permeability Effects 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 238000010219 correlation analysis Methods 0.000 claims description 2
- 230000010354 integration Effects 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims description 2
- 238000003860 storage Methods 0.000 claims description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 abstract description 8
- 239000007789 gas Substances 0.000 description 40
- 238000011161 development Methods 0.000 description 6
- 230000018109 developmental process Effects 0.000 description 6
- 238000013461 design Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- Geology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Environmental & Geological Engineering (AREA)
- Fluid Mechanics (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Feedback Control In General (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
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。
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。
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
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。
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
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
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
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:
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;
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:
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:
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。
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 CN114676631A (zh) | 2022-06-28 |
CN114676631B true 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 (10)
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 |
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110704888B (zh) * | 2019-07-04 | 2022-07-29 | 成都理工大学 | 一种非常规油气藏加密井体积压裂施工参数优化设计方法 |
-
2022
- 2022-03-25 CN CN202210306401.4A patent/CN114676631B/zh active Active
Patent Citations (10)
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 |
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)
Title |
---|
垂直裂缝气井不稳定产能预测新模型;李勇明;石油钻采工艺;20130320;第35卷(第2期);全文 * |
沙二气藏水平井压裂参数优化与产量预测研究;李李;中国优秀硕士学位论文全文数据库工程科技I辑;20170315(第3期);全文 * |
致密气藏体积压裂工艺参数优化设计方法研究;高俞;中国优秀硕士学位论文全文数据库工程科技I辑;20190715(第7期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114676631A (zh) | 2022-06-28 |
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 | |
CN109611087B (zh) | 一种火山岩油藏储层参数智能预测方法及系统 | |
CN108009716B (zh) | 一种水平井体积压裂效果影响因素多层次评价方法 | |
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 | |
CN109184677A (zh) | 用于非均质互层砂体的储层评价方法 | |
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 | |
CN110347720B (zh) | 基于流程化的压裂选井选层方法 | |
CN114066084B (zh) | 一种基于机器学习的相渗曲线预测方法及系统 | |
CN116305850A (zh) | 一种基于随机森林模型的地层热导率预测方法 | |
CN116384618A (zh) | 一种大井距油藏调驱选井方法和系统 | |
CN107704646B (zh) | 一种致密储层体积改造后的建模方法 | |
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 | |
CN114676631B (zh) | 页岩气藏压裂水平井压裂改造参数推荐方法 | |
CN112983377A (zh) | 低渗透油藏直井重复压裂增产改造潜力评价及选井方法 | |
CN115049173B (zh) | 深度学习和Eaton法耦合驱动地层孔隙压力预测方法 | |
Ariadji et al. | Optimization of vertical well placement for oil field development based on basic reservoir rock properties using a genetic algorithm | |
CN103048688A (zh) | 一种基于三步法的地震属性优选方法 | |
CN108661629B (zh) | 一种针对页岩地层的工程甜点定量评价方法 | |
CN111155980A (zh) | 一种水流优势通道识别方法及装置 | |
CN117391483A (zh) | 基于协同训练的页岩油井压裂效果评价方法 | |
CN114066166A (zh) | 一种沙砾岩低渗透油藏co2混相驱筛选方法 | |
CN116335648A (zh) | 基于随钻录测井资料的砾岩水平井甜点品质定量评价方法 | |
Liu et al. | Prediction method of heavy oil horizontal well cycle oil production based on PCA and gradient boosting decision tree | |
CN103049463A (zh) | 一种基于粗集理论的地震属性优选方法 | |
CN111706323A (zh) | 一种综合gwo-lssvm算法的水淹层精细解释评价方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |