CN114781951A - 一种页岩油藏二氧化碳吞吐开发选井决策方法及系统 - Google Patents
一种页岩油藏二氧化碳吞吐开发选井决策方法及系统 Download PDFInfo
- Publication number
- CN114781951A CN114781951A CN202210714209.9A CN202210714209A CN114781951A CN 114781951 A CN114781951 A CN 114781951A CN 202210714209 A CN202210714209 A CN 202210714209A CN 114781951 A CN114781951 A CN 114781951A
- Authority
- CN
- China
- Prior art keywords
- effect
- development
- index
- influence factor
- shale oil
- 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
Links
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of 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
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Mining
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH DRILLING; MINING
- E21B—EARTH DRILLING, e.g. DEEP 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
- E21B43/16—Enhanced recovery methods for obtaining hydrocarbons
- E21B43/164—Injecting CO2 or carbonated water
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/70—Combining sequestration of CO2 and exploitation of hydrocarbons by injecting CO2 or carbonated water in oil wells
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种页岩油藏二氧化碳吞吐开发选井决策方法及系统,属于石油开采技术领域。先确定多个影响因子以及每一影响因子的取值范围,并在每一影响因子的取值范围内进行多次随机采样,得到多组影响因子数据组。然后以影响因子数据组作为输入,计算不同开发方式下的第一生产动态和第二生产动态,以进一步计算每一组影响因子数据组对应的多个效果指标的取值。再根据所有影响因子数据组对应的多个效果指标的取值计算每一效果指标的权重,并根据每一效果指标的权重建立综合评价指标计算公式。最后利用综合评价指标计算公式进行目标区块内的目标页岩油井的二氧化碳吞吐开发选井决策,能够客观、全面的进行页岩油藏二氧化碳吞吐开发的选井决策。
Description
技术领域
本发明涉及石油开采技术领域,特别是涉及一种页岩油藏CO2吞吐开发选井决策方法及系统。
背景技术
石油与天然气需求量的持续增长以及水平井多级压裂等技术的快速发展,使得页岩油等非常规油气资源已成为油气田开发领域的研究重点与热点。CO2吞吐技术是提高页岩油藏采收率、改善开发效果的有效措施,然而不同页岩油井实施CO2吞吐开发的效果存在较大差异,因此制定客观、全面的页岩油藏CO2吞吐开发选井决策方法,是确保开发效果和经济效益的前提。
目前所用的页岩油藏CO2吞吐开发选井决策方法包括如下两种:(1)以换油率作为决策因子,根据不同影响因素与决策因子之间的关系计算各个影响因素的权重,从而对不同因素影响下的页岩油井进行选井决策,但该方法只能对换油率或增油量等单个效果指标进行评价,难以全面考虑CO2吞吐的开发效果和经济效益。(2)结合油藏数值模拟方法构建预设的综合评价指标与换油率的响应面模型,在此基础上计算得到候选井的综合评价指标与换油率的值,从而进行筛选,但该方法给定的综合评价指标计算公式,难以考虑不同油藏区块之间物性差异导致的不同CO2吞吐开发效果指标重要性的变化,无法结合油藏实际特征给出客观的选井指标及决策结果。因此,提出一种全面考虑吞吐开发效果及经济效益、能够给出客观评价结果的页岩油藏CO2吞吐开发选井决策方法具有重要意义。
发明内容
本发明的目的是提供一种页岩油藏二氧化碳吞吐开发选井决策方法及系统,能够客观、全面的进行页岩油藏CO2吞吐开发的选井决策,以解决现有页岩油藏CO2吞吐开发选井决策方法难以针对目标页岩油井实施吞吐措施后在开发效果和经济效益等方面的效果给出客观、全面的选井决策结果的问题。
为实现上述目的,本发明提供了如下方案:
一种页岩油藏二氧化碳吞吐开发选井决策方法,所述选井决策方法包括:
根据目标区块的页岩油地质、工程资料及开发数据,确定多个影响因子以及每一所述影响因子的取值范围;所述影响因子包括油藏基质渗透率、天然裂缝渗透率、油藏有效厚度、初始含水饱和度、原油粘度、油藏温度、地层压力、水平井进尺、裂缝半长、裂缝间距以及裂缝导流能力;
在每一所述影响因子的取值范围内进行多次随机采样,得到多组影响因子数据组;每一组所述影响因子数据组包括所有所述影响因子的一次采样值;
以所述影响因子数据组作为输入,利用CO2吞吐开发生产动态预测模型确定每一组所述影响因子数据组对应的CO2吞吐开发的第一生产动态,利用衰竭式开发生产动态预测模型确定每一组所述影响因子数据组对应的衰竭式开发的第二生产动态;
根据所述第一生产动态和所述第二生产动态计算每一组所述影响因子数据组对应的多个效果指标的取值;所述效果指标包括措施增油量、换油率、采出程度提高值、投入采出比、投资净利润率、投资成本回收期中的任意组合;
根据所有所述影响因子数据组对应的多个效果指标的取值计算每一所述效果指标的权重,并根据每一所述效果指标的权重建立综合评价指标计算公式;
对于每一所述效果指标,计算所有所述影响因子数据组对应的所述效果指标的取值的平均值,以所有所述效果指标的平均值作为输入,利用所述综合评价指标计算公式计算得到平均综合评价指标;
计算所述目标区块内的目标页岩油井的多个效果指标的取值,以所述目标页岩油井的多个效果指标的取值作为输入,利用所述综合评价指标计算公式计算得到所述目标页岩油井的综合评价指标;根据所述目标页岩油井的综合评价指标和所述平均综合评价指标进行所述目标页岩油井的CO2吞吐开发选井决策。
一种页岩油藏二氧化碳吞吐开发选井决策系统,所述选井决策系统包括:
影响因子确定模块,用于根据目标区块的页岩油地质、工程资料及开发数据,确定多个影响因子以及每一所述影响因子的取值范围;所述影响因子包括油藏基质渗透率、天然裂缝渗透率、油藏有效厚度、初始含水饱和度、原油粘度、油藏温度、地层压力、水平井进尺、裂缝半长、裂缝间距以及裂缝导流能力;
采样模块,用于在每一所述影响因子的取值范围内进行多次随机采样,得到多组影响因子数据组;每一组所述影响因子数据组包括所有所述影响因子的一次采样值;
生产动态确定模块,用于以所述影响因子数据组作为输入,利用CO2吞吐开发生产动态预测模型确定每一组所述影响因子数据组对应的CO2吞吐开发的第一生产动态,利用衰竭式开发生产动态预测模型确定每一组所述影响因子数据组对应的衰竭式开发的第二生产动态;
效果指标计算模块,用于根据所述第一生产动态和所述第二生产动态计算每一组所述影响因子数据组对应的多个效果指标的取值;所述效果指标包括措施增油量、换油率、采出程度提高值、投入采出比、投资净利润率、投资成本回收期中的任意组合;
权重计算模块,用于根据所有所述影响因子数据组对应的多个效果指标的取值计算每一所述效果指标的权重,并根据每一所述效果指标的权重建立综合评价指标计算公式;
选井决策标准确定模块,用于对于每一所述效果指标,计算所有所述影响因子数据组对应的所述效果指标的取值的平均值,以所有所述效果指标的平均值作为输入,利用所述综合评价指标计算公式计算得到平均综合评价指标;
选井决策模块,用于计算所述目标区块内的目标页岩油井的多个效果指标的取值,以所述目标页岩油井的多个效果指标的取值作为输入,利用所述综合评价指标计算公式计算得到所述目标页岩油井的综合评价指标;根据所述目标页岩油井的综合评价指标和所述平均综合评价指标进行所述目标页岩油井的CO2吞吐开发选井决策。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明用于提供一种页岩油藏二氧化碳吞吐开发选井决策方法及系统,先确定多个影响因子以及每一影响因子的取值范围,并在每一影响因子的取值范围内进行多次随机采样,得到多组影响因子数据组。然后以影响因子数据组作为输入,计算不同开发方式下的第一生产动态和第二生产动态,以进一步计算每一组影响因子数据组对应的多个效果指标的取值。再根据所有影响因子数据组对应的多个效果指标的取值计算每一效果指标的权重,并根据每一效果指标的权重建立综合评价指标计算公式。最后利用综合评价指标计算公式进行目标区块内的目标页岩油井的CO2吞吐开发选井决策,能够客观、全面的进行页岩油藏CO2吞吐开发的选井决策。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例1所提供的选井决策方法的方法流程图;
图2为本发明实施例2所提供的选井决策系统的系统框图。
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。
本发明的目的是提供一种页岩油藏二氧化碳吞吐开发选井决策方法及系统,能够客观、全面的进行页岩油藏CO2吞吐开发的选井决策。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1:
本实施例提供了一种页岩油藏二氧化碳吞吐开发选井决策方法,利用深度学习方法确定不同吞吐开发效果指标,并确定各效果指标的客观权重,能够快速、全面、客观的进行页岩油藏CO2吞吐开发选井决策,解决现有技术难以针对目标页岩油藏快速、全面、客观地进行CO2吞吐开发选井决策的问题。如图1所示,所述选井决策方法包括:
S1:根据目标区块的页岩油地质、工程资料及开发数据,确定多个影响因子以及每一所述影响因子的取值范围;所述影响因子包括油藏基质渗透率、天然裂缝渗透率、油藏有效厚度、初始含水饱和度、原油粘度、油藏温度、地层压力、水平井进尺、裂缝半长、裂缝间距以及裂缝导流能力;
具体的,对于页岩油地质、工程资料及开发数据的获取,可以从目标井地质勘探资料、测井曲线等资料中获取,具体的获取方式可以根据实际情况确定。
影响因子及其取值范围的确定方法可以包括:在目标区块的页岩油地质、工程资料及开发数据中,筛选获得对目标区块页岩油井实施CO2吞吐开发效果具有显著影响的因素作为关键影响因素,并确定关键影响因素在目标区块实际开发中的取值分布范围。然后以关键影响因素作为影响因子,以每一关键影响因素的实际取值分布范围作为该影响因子的取值范围。
S2:在每一所述影响因子的取值范围内进行多次随机采样,得到多组影响因子数据组;每一组所述影响因子数据组包括所有所述影响因子的一次采样值;
其中,在每一影响因子的取值范围内进行多次随机采样可以包括:利用蒙特卡洛随机采样法或者拉丁超立方体采样法在每一影响因子的取值范围内进行多次随机采样。
具体的,按照预设的样本数量确定采样次数,例如,预设的样本数量设置为10000,则需要分别针对各个影响因子进行10000次采样,生成10000组影响因子数据组。其中每一组影响因子数据组的生成方式为:根据各个影响因子的取值范围,利用采样方法在每个影响因子的取值范围内进行一次随机采样,各个影响因子的一次采样值组成一组影响因子数据组,从而基于影响因子及其取值范围,生成用于页岩油藏CO2吞吐开发选井决策的多组影响因子数据组。本实施例的采样方法可以为蒙特卡洛随机采样法和拉丁超立方体采样法等,当然,也可以选用其他能够实现采样的采样方法。
S3:以所述影响因子数据组作为输入,利用CO2吞吐开发生产动态预测模型确定每一组所述影响因子数据组对应的CO2吞吐开发的第一生产动态,利用衰竭式开发生产动态预测模型确定每一组所述影响因子数据组对应的衰竭式开发的第二生产动态;
在S3之前,本实施例的选井决策方法还包括:训练得到CO2吞吐开发生产动态预测模型以及训练得到衰竭式开发生产动态预测模型的步骤,以建立用于页岩油藏CO2吞吐开发选井决策的生产动态预测模型。该步骤可以包括:
(1)根据目标区块的页岩油地质、工程资料及开发数据,获取多个样本数据以及每一样本数据对应的第一标签和第二标签;该样本数据包括所有影响因子的历史值;第一标签为样本数据对应的第一生产动态的历史值;第二标签为样本数据对应的第二生产动态的历史值;
(2)以所有样本数据和每一样本数据对应的第一标签组成第一训练数据集;以所有样本数据和每一样本数据对应的第二标签组成第二训练数据集;
(3)利用第一训练数据集对第一初始模型进行训练,得到CO2吞吐开发生产动态预测模型;
(4)利用第二训练数据集对第二初始模型进行训练,得到衰竭式开发生产动态预测模型。
作为一种可选的实施方式,第一初始模型为全连接深度神经网络模型、深度卷积神经网络模型或者长短期记忆神经网络模型;第二初始模型为全连接深度神经网络模型、深度卷积神经网络模型或者长短期记忆神经网络模型,当然,第一初始模型和第二初始模型也可以选用其他的网络模型或机器学习算法。
在训练得到CO2吞吐开发生产动态预测模型和衰竭式开发生产动态预测模型后,则可直接以影响因子数据组作为输入,分别确定每一影响因子数据组对应的CO2吞吐开发的第一生产动态和衰竭式开发的第二生产动态。
S4:根据所述第一生产动态和所述第二生产动态计算每一组所述影响因子数据组对应的多个效果指标的取值;所述效果指标包括措施增油量、换油率、采出程度提高值、投入采出比、投资净利润率、投资成本回收期中的任意组合;
其中,措施增油量、换油率、采出程度提高值等开发效果指标均可以通过第一生产动态与第二生产动态直接计算得到,其中措施增油量为两种生产动态中原油累积产量的差值,换油率可以由措施增油量与累积注气量的比值计算得到,采出程度为两种生产动态中采出程度的差值。投入采出比、投资净利润率、投资成本回收期等经济效果指标均可以根据第一生产动态与第二生产动态,结合实际油价、原油开采操作成本、注气成本等经济参数计算得到,其中投入产出比为实施CO2吞吐开发的成本与措施增油量产生的收益之间的比值,投资净利润率为实施CO2吞吐开发获得的净利润与成本之间的比值,投资成本回收期为自开始实施CO2吞吐开始所获得的收益达到实施CO2吞吐开发的成本所需要的时间。
S5:根据所有所述影响因子数据组对应的多个效果指标的取值计算每一所述效果指标的权重,并根据每一所述效果指标的权重建立综合评价指标计算公式;
S5中,根据所有影响因子数据组对应的多个效果指标的取值计算每一效果指标的权重可以包括:
(1)对影响因子数据组对应的每一效果指标的取值进行无量纲化处理,得到每一影响因子数据组对应的多个效果指标的无量纲化取值;
具体的,先按照各个效果指标的实际含义,将所有效果指标划分为正指标及逆指标两类,其中效果指标的取值越大越好的为正指标,效果指标的取值越小越好的为逆指标。划分完成后,再分别对各个效果指标进行无量纲化处理,其中,无量纲化处理是指对各个效果指标的取值进行变换以消除各个效果指标之间的量纲差异,无量纲化处理可以为归一化处理、标准化处理或者中心化处理,具体处理方法可以根据实际需求确定。
在此,本实施例以归一化处理为例,对效果指标进行无量纲化处理,归一化处理是指根据数据的上下界对原始数据进行放缩,使其处理后的新值分布在0到1的区间内,对于正指标,每个效果指标最大的取值被处理为1,对于逆指标,每个效果指标最小的取值被处理为1,对正指标的处理过程如式(1)所示,对逆指标的处理过程如式(2)所示:
上式中,为第i个影响因子数据组对应的第j个效果指标无量纲化后的值;x ij 为第i个影响因子数据组对应的第j个效果指标的初始值;x min,j 为所有影响因子数据组对应的第j个效果指标的最小值;x max,j 为所有影响因子数据组对应的第j个效果指标的最大值。
(2)对于每一效果指标,根据所有影响因子数据组对应的效果指标的无量纲化取值的数据波动程度计算效果指标的第一指数,根据效果指标与其余效果指标的相关程度计算效果指标的第二指数;根据第一指数和第二指数计算效果指标的重要性系数;
具体的,针对每个效果指标,根据其数据的波动程度计算该效果指标的第一指数。其中,数据的波动程度反映该效果指标在不同影响因子取值下变化程度的大小,数据的波动程度越大,说明该效果指标随影响因子改变的变化趋势越明显,该效果指标所包含的信息量越大。针对每个效果指标,其第一指数可以用数据的方差、标准差或者变异系数等表示,具体表示方式可以根据实际需求确定。
在此,本实施例中以变异系数为例,通过变异系数表示效果指标的第一指数,具体计算方式如式(3)所示:
式(3)中,表示所有影响因子数据组对应的第j个效果指标无量纲化后的值的平均值;n表示影响因子数据组的总数量;表示第i个影响因子数据组对应的第j个效果指标无量纲化后的值;S j 表示第j个效果指标的标准差;CV j 表示第j个效果指标的第一指数。
针对每个效果指标,根据其与其余效果指标之间的相关程度计算该效果指标的第二指数。其中,每个效果指标的第二指数表示该效果指标与其余效果指标之间数据冲突程度的大小,该效果指标与其余效果指标之间相关性越小,则表明其与其余效果指标的冲突程度越大,该效果指标所包含的信息量越大。效果指标的第二指数可以通过其与其余效果指标之间的相关性系数进一步计算得到,其中相关性系数可以为皮尔森相关性系数或者斯皮尔曼相关系数等,相关性系数的具体表示方式可以根据实际需求确定。
在此,本实施例以皮尔森相关系数为例,通过皮尔森相关系数计算获得每个效果指标的第二指数,具体计算方式如式(4)所示:
式(4)中,R j 为第j个效果指标的第二指数;p表示除第j个效果指标之外的其余效果指标的数量,i=1,2,...,p;r ij 表示第i个效果指标与第j个效果指标之间的相关性系数。
采用上述方法,可以计算得到每一个效果指标的第一指数和第二指数,将每一效果指标的第一指数与第二指数相乘,即可获得该效果指标的重要性系数,重要性系数越大说明该效果指标在评价过程中越重要,重要性系数的计算公式如式(5)所示:
式(5)中,C j 为第j个效果指标的重要性系数;CV j 为第j个效果指标的第一指数;R j 为第j个效果指标的第二指数。
(3)根据所有效果指标的重要性系数计算每一效果指标的权重。
将每一效果指标的重要性系数除以所有效果指标的重要性系数的总和,获得的结果即为该效果指标的权重,具体计算公式如式(6)所示:
式(6)中,W j 为第j个效果指标的权重;J为效果指标的总个数,j=1,2,...,J。
在利用上述方法计算得到各个效果指标的权重后,将计算获得的每个效果指标的权重与效果指标的值分别相乘,并累加求和,即可形成页岩油藏CO2吞吐开发适应性综合评价指标计算公式,则本实施例依据各个效果指标的权重所建立的综合评价指标计算公式为:
式(7)中,A为综合评价指标;J为效果指标的总个数,j=1,2,...,J;W j 为第j个效果指标的权重;X j 为第j个效果指标的无量纲化后的值。
利用该综合评价指标计算公式即可建立页岩油藏CO2吞吐开发效果综合评价方法,得到目标页岩油井CO2吞吐开发选井决策结果。
S6:对于每一所述效果指标,计算所有所述影响因子数据组对应的所述效果指标的取值的平均值,以所有所述效果指标的平均值作为输入,利用所述综合评价指标计算公式计算得到平均综合评价指标;
计算所有影响因子数据组对应的每一效果指标的平均值,并将每一效果指标的平均值进行无量纲化处理,再代入综合评价指标计算公式中,即可计算得到平均综合评价指标,并将该平均综合评价指标作为选井决策标准。
S7:计算所述目标区块内的目标页岩油井的多个效果指标的取值,以所述目标页岩油井的多个效果指标的取值作为输入,利用所述综合评价指标计算公式计算得到所述目标页岩油井的综合评价指标;根据所述目标页岩油井的综合评价指标和所述平均综合评价指标进行所述目标页岩油井的CO2吞吐开发选井决策。
S7中,在计算目标区块内的目标页岩油井的多个效果指标的取值时,所用的方法可以为:获取目标页岩油井的多个影响因子的取值,将该多个影响因子的取值分别代入CO2吞吐开发生产动态预测模型和衰竭式开发生产动态预测模型,以确定目标页岩油井的CO2吞吐开发的第一生产动态和衰竭式开发的第二生产动态,进一步依据第一生产动态和第二生产动态即可计算得到目标页岩油井的多个效果指标的取值。
将目标页岩油井各个效果指标的取值进行无量纲化处理,再代入综合评价指标计算公式,得到目标页岩油井CO2吞吐开发适用效果的综合评价指标,将该目标页岩油井的综合评价指标与选井决策标准(即平均综合评价指标)进行对比,即可获得CO2吞吐开发选井决策结果。具体的,根据目标页岩油井的综合评价指标和平均综合评价指标进行目标页岩油井的CO2吞吐开发选井决策可以包括:判断目标页岩油井的综合评价指标是否大于平均综合评价指标;若是,则目标页岩油井适于开展CO2吞吐开发;否则,则目标页岩油井不适于开展CO2吞吐开发。
本实施例能够综合考虑页岩油藏实施CO2吞吐开发在油藏开发效果、经济效益等多个不同方面的效果指标,对不同油藏及开发条件下的各项效果指标进行客观分析,基于数据本身的客观特性计算多个方面的效果指标的第一指数以及第二指数,以进一步计算每个效果指标的客观权重,进而建立CO2吞吐开发效果综合评价指标计算公式,从而实现页岩油藏CO2吞吐开发的选井决策,建立的综合评价指标计算公式对目标区块中页岩油井具有普遍适用性,针对不同油井无需进行重复的构建工作,能够实现对目标井快速、客观、全面的吞吐措施选井决策。
下面给出一具体示例,以进一步说明本实施例的页岩油藏CO2吞吐开发选井决策方法:
(1)根据页岩油地质、工程资料及开发数据,确定页岩油藏CO2吞吐开发中的影响因子及其取值范围,如表1所示。
表1 影响因子及其取值范围
(2)基于影响因子及其取值范围,利用拉丁超立方体采样方法对每个影响因子在其取值范围内进行随机采样,累计采样10000次,生成用于页岩油藏CO2吞吐开发选井决策的多组影响因子数据组。
(3)根据页岩油地质、工程资料及开发数据,获取不同影响因子取值下页岩油井不同生产动态,形成页岩油开发生产动态数据集,基于页岩油开发生产动态数据集,构建并训练得到页岩油藏CO2吞吐开发及衰竭式开发生产动态预测模型。分别利用预测模型预测获得每一影响因子数据组对应的页岩油藏CO2吞吐开发以及衰竭式开发的生产动态,并通过不同开发方式下的生产动态预测值计算获得各个效果指标的取值,每个影响因子数据组与其对应的各个效果指标的取值作为一项开发指标样本数据,组合形成用于页岩油藏CO2吞吐开发选井决策的开发指标数据组。
具体的,训练步骤可以包括:根据页岩油地质、工程资料及开发数据,获取不同影响因子取值下页岩油井实施CO2吞吐开发及衰竭式开发这两种不同开发方式下的生产动态,形成页岩油开发生产动态数据集,页岩油开发生产动态数据集由特征数据及标签数据组成,特征数据为各个影响因子的取值,标签数据为不同影响因子取值对应的不同开发方式下的生产动态数据。针对页岩油衰竭式开发及CO2吞吐开发,分别获取特征数据以及标签数据,组成页岩油开发生产动态数据集。基于页岩油开发生产动态数据集,分别针对页岩油藏CO2吞吐开发及衰竭式开发构建深度学习模型,并利用数据集中样本分别进行训练,得到不同开发方式的生产动态深度学习预测模型。其中,深度学习预测模型的基本结构可以为全连接深度神经网络模型、深度卷积神经网络模型、长短期记忆神经网络模型等。训练时以页岩油开发生产动态数据集中的特征数据为输入,以数据集中的标签数据为输出,分别利用页岩油开发生产动态数据集中CO2吞吐开发以及衰竭式开发的特征及标签对深度神经网络模型进行训练,获得页岩油藏CO2吞吐开发及衰竭式开发生产动态深度学习预测模型。
本示例中所选取的效果指标如表2所示。
表2 选取的效果指标
(4)基于开发指标数据组,获取每个效果指标的第一指数以及第二指数,计算得到每个效果指标的权重,如表3所示。
表3 效果指标权重分配
(5)根据每个效果指标的权重,建立页岩油藏CO2吞吐开发效果综合评价指标计算公式,如式(8)所示。
将开发指标数据组中无量纲化后的各项效果指标的平均值代入上述综合评价指标计算公式中,计算得到平均综合评价指标,其值为0.5472,并将其作为选井决策标准。
将目标页岩油井各项效果指标进行归一化后代入上述综合评价指标计算公式,与选井决策标准进行对比后即可得到目标页岩油井CO2吞吐开发选井决策结果。
本示例选取三口页岩油井对其效果指标进行归一化处理后代入式(8)中,得到综合评价指标,并与选井决策标准进行对比,获得的选井决策结果如表4所示,即页岩油井A和B适于开展CO2吞吐,且应用效果A井更好,但页岩油井C不适于开展CO2吞吐。
表4 目标井CO2吞吐开发选井决策结果
目标井 | <i>Q</i><sub><i>l</i></sub> | <i>C</i><sub><i>e</i></sub> | <i>R</i> | <i>E</i> | <i>I</i> | <i>T</i> | 综合评价指标 | 是否大于选井决策标准 |
页岩油井A | 0.7793 | 0.7592 | 0.8167 | 0.6593 | 0.7439 | 0.6225 | 0.7247 | 是 |
页岩油井B | 0.6892 | 0.7131 | 0.6159 | 0.5253 | 0.5598 | 0.5027 | 0.5987 | 是 |
页岩油井C | 0.5126 | 0.5428 | 0.4732 | 0.5196 | 0.5318 | 0.5523 | 0.5232 | 否 |
实施例2:
本实施例用于提供一种页岩油藏二氧化碳吞吐开发选井决策系统,如图2所示,所述选井决策系统包括:
影响因子确定模块M1,用于根据目标区块的页岩油地质、工程资料及开发数据,确定多个影响因子以及每一所述影响因子的取值范围;所述影响因子包括油藏基质渗透率、天然裂缝渗透率、油藏有效厚度、初始含水饱和度、原油粘度、油藏温度、地层压力、水平井进尺、裂缝半长、裂缝间距以及裂缝导流能力;
采样模块M2,用于在每一所述影响因子的取值范围内进行多次随机采样,得到多组影响因子数据组;每一组所述影响因子数据组包括所有所述影响因子的一次采样值;
生产动态确定模块M3,用于以所述影响因子数据组作为输入,利用CO2吞吐开发生产动态预测模型确定每一组所述影响因子数据组对应的CO2吞吐开发的第一生产动态,利用衰竭式开发生产动态预测模型确定每一组所述影响因子数据组对应的衰竭式开发的第二生产动态;
效果指标计算模块M4,用于根据所述第一生产动态和所述第二生产动态计算每一组所述影响因子数据组对应的多个效果指标的取值;所述效果指标包括措施增油量、换油率、采出程度提高值、投入采出比、投资净利润率、投资成本回收期中的任意组合;
权重计算模块M5,用于根据所有所述影响因子数据组对应的多个效果指标的取值计算每一所述效果指标的权重,并根据每一所述效果指标的权重建立综合评价指标计算公式;
选井决策标准确定模块M6,用于对于每一所述效果指标,计算所有所述影响因子数据组对应的所述效果指标的取值的平均值,以所有所述效果指标的平均值作为输入,利用所述综合评价指标计算公式计算得到平均综合评价指标;
选井决策模块M7,用于计算所述目标区块内的目标页岩油井的多个效果指标的取值,以所述目标页岩油井的多个效果指标的取值作为输入,利用所述综合评价指标计算公式计算得到所述目标页岩油井的综合评价指标;根据所述目标页岩油井的综合评价指标和所述平均综合评价指标进行所述目标页岩油井的CO2吞吐开发选井决策。
本说明书中每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种页岩油藏二氧化碳吞吐开发选井决策方法,其特征在于,所述选井决策方法包括:
根据目标区块的页岩油地质、工程资料及开发数据,确定多个影响因子以及每一所述影响因子的取值范围;所述影响因子包括油藏基质渗透率、天然裂缝渗透率、油藏有效厚度、初始含水饱和度、原油粘度、油藏温度、地层压力、水平井进尺、裂缝半长、裂缝间距以及裂缝导流能力;
在每一所述影响因子的取值范围内进行多次随机采样,得到多组影响因子数据组;每一组所述影响因子数据组包括所有所述影响因子的一次采样值;
以所述影响因子数据组作为输入,利用CO2吞吐开发生产动态预测模型确定每一组所述影响因子数据组对应的CO2吞吐开发的第一生产动态,利用衰竭式开发生产动态预测模型确定每一组所述影响因子数据组对应的衰竭式开发的第二生产动态;
根据所述第一生产动态和所述第二生产动态计算每一组所述影响因子数据组对应的多个效果指标的取值;所述效果指标包括措施增油量、换油率、采出程度提高值、投入采出比、投资净利润率、投资成本回收期中的任意组合;
根据所有所述影响因子数据组对应的多个效果指标的取值计算每一所述效果指标的权重,并根据每一所述效果指标的权重建立综合评价指标计算公式;
对于每一所述效果指标,计算所有所述影响因子数据组对应的所述效果指标的取值的平均值,以所有所述效果指标的平均值作为输入,利用所述综合评价指标计算公式计算得到平均综合评价指标;
计算所述目标区块内的目标页岩油井的多个效果指标的取值,以所述目标页岩油井的多个效果指标的取值作为输入,利用所述综合评价指标计算公式计算得到所述目标页岩油井的综合评价指标;根据所述目标页岩油井的综合评价指标和所述平均综合评价指标进行所述目标页岩油井的CO2吞吐开发选井决策。
2.根据权利要求1所述的一种页岩油藏二氧化碳吞吐开发选井决策方法,其特征在于,所述在每一所述影响因子的取值范围内进行多次随机采样具体包括:利用蒙特卡洛随机采样法或者拉丁超立方体采样法在每一所述影响因子的取值范围内进行多次随机采样。
3.根据权利要求1所述的一种页岩油藏二氧化碳吞吐开发选井决策方法,其特征在于,在利用CO2吞吐开发生产动态预测模型确定每一组所述影响因子数据组对应的CO2吞吐开发的第一生产动态之前,所述选井决策方法还包括:训练得到所述CO2吞吐开发生产动态预测模型以及训练得到所述衰竭式开发生产动态预测模型,具体包括:
根据所述目标区块的页岩油地质、工程资料及开发数据,获取多个样本数据以及每一所述样本数据对应的第一标签和第二标签;所述样本数据包括所有所述影响因子的历史值;所述第一标签为所述样本数据对应的第一生产动态的历史值;所述第二标签为所述样本数据对应的第二生产动态的历史值;
以所有所述样本数据和每一所述样本数据对应的第一标签组成第一训练数据集;以所有所述样本数据和每一所述样本数据对应的第二标签组成第二训练数据集;
利用所述第一训练数据集对第一初始模型进行训练,得到CO2吞吐开发生产动态预测模型;
利用所述第二训练数据集对第二初始模型进行训练,得到衰竭式开发生产动态预测模型。
4.根据权利要求3所述的一种页岩油藏二氧化碳吞吐开发选井决策方法,其特征在于,所述第一初始模型为全连接深度神经网络模型、深度卷积神经网络模型或者长短期记忆神经网络模型;所述第二初始模型为全连接深度神经网络模型、深度卷积神经网络模型或者长短期记忆神经网络模型。
5.根据权利要求1所述的一种页岩油藏二氧化碳吞吐开发选井决策方法,其特征在于,所述根据所有所述影响因子数据组对应的多个效果指标的取值计算每一所述效果指标的权重具体包括:
对所述影响因子数据组对应的每一所述效果指标的取值进行无量纲化处理,得到每一所述影响因子数据组对应的多个效果指标的无量纲化取值;
对于每一所述效果指标,根据所有所述影响因子数据组对应的所述效果指标的无量纲化取值的数据波动程度计算所述效果指标的第一指数,根据所述效果指标与其余所述效果指标的相关程度计算所述效果指标的第二指数;根据所述第一指数和所述第二指数计算所述效果指标的重要性系数;
根据所有所述效果指标的重要性系数计算每一所述效果指标的权重。
6.根据权利要求5所述的一种页岩油藏二氧化碳吞吐开发选井决策方法,其特征在于,所述无量纲化处理为归一化处理、标准化处理或者中心化处理。
7.根据权利要求5所述的一种页岩油藏二氧化碳吞吐开发选井决策方法,其特征在于,所述第一指数为方差、标准差或者变异系数;所述第二指数根据相关性系数计算得到;所述相关性系数为皮尔森相关系数或者斯皮尔曼相关系数。
9.根据权利要求1所述的一种页岩油藏二氧化碳吞吐开发选井决策方法,其特征在于,所述根据所述目标页岩油井的综合评价指标和所述平均综合评价指标进行所述目标页岩油井的CO2吞吐开发选井决策具体包括:
判断所述目标页岩油井的综合评价指标是否大于所述平均综合评价指标;
若是,则所述目标页岩油井适于开展CO2吞吐开发;
否则,则所述目标页岩油井不适于开展CO2吞吐开发。
10.一种页岩油藏二氧化碳吞吐开发选井决策系统,其特征在于,所述选井决策系统包括:
影响因子确定模块,用于根据目标区块的页岩油地质、工程资料及开发数据,确定多个影响因子以及每一所述影响因子的取值范围;所述影响因子包括油藏基质渗透率、天然裂缝渗透率、油藏有效厚度、初始含水饱和度、原油粘度、油藏温度、地层压力、水平井进尺、裂缝半长、裂缝间距以及裂缝导流能力;
采样模块,用于在每一所述影响因子的取值范围内进行多次随机采样,得到多组影响因子数据组;每一组所述影响因子数据组包括所有所述影响因子的一次采样值;
生产动态确定模块,用于以所述影响因子数据组作为输入,利用CO2吞吐开发生产动态预测模型确定每一组所述影响因子数据组对应的CO2吞吐开发的第一生产动态,利用衰竭式开发生产动态预测模型确定每一组所述影响因子数据组对应的衰竭式开发的第二生产动态;
效果指标计算模块,用于根据所述第一生产动态和所述第二生产动态计算每一组所述影响因子数据组对应的多个效果指标的取值;所述效果指标包括措施增油量、换油率、采出程度提高值、投入采出比、投资净利润率、投资成本回收期中的任意组合;
权重计算模块,用于根据所有所述影响因子数据组对应的多个效果指标的取值计算每一所述效果指标的权重,并根据每一所述效果指标的权重建立综合评价指标计算公式;
选井决策标准确定模块,用于对于每一所述效果指标,计算所有所述影响因子数据组对应的所述效果指标的取值的平均值,以所有所述效果指标的平均值作为输入,利用所述综合评价指标计算公式计算得到平均综合评价指标;
选井决策模块,用于计算所述目标区块内的目标页岩油井的多个效果指标的取值,以所述目标页岩油井的多个效果指标的取值作为输入,利用所述综合评价指标计算公式计算得到所述目标页岩油井的综合评价指标;根据所述目标页岩油井的综合评价指标和所述平均综合评价指标进行所述目标页岩油井的CO2吞吐开发选井决策。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210714209.9A CN114781951B (zh) | 2022-06-23 | 2022-06-23 | 一种页岩油藏二氧化碳吞吐开发选井决策方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210714209.9A CN114781951B (zh) | 2022-06-23 | 2022-06-23 | 一种页岩油藏二氧化碳吞吐开发选井决策方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114781951A true CN114781951A (zh) | 2022-07-22 |
CN114781951B CN114781951B (zh) | 2022-09-09 |
Family
ID=82422385
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210714209.9A Active CN114781951B (zh) | 2022-06-23 | 2022-06-23 | 一种页岩油藏二氧化碳吞吐开发选井决策方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114781951B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115062552A (zh) * | 2022-08-12 | 2022-09-16 | 中国石油大学(华东) | 一种缝洞油藏氮气吞吐效果预测方法及系统 |
CN115492561A (zh) * | 2022-09-16 | 2022-12-20 | 重庆地质矿产研究院 | 一种页岩气井注入二氧化碳增产增效与地质封存一体化方法 |
CN115732041A (zh) * | 2022-12-07 | 2023-03-03 | 中国石油大学(北京) | 二氧化碳捕获量预测模型构建方法、智能预测方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170159416A1 (en) * | 2015-12-07 | 2017-06-08 | Texas Tech University System | Method for optimization of huff-n-puff gas injection in shale reservoirs |
CN106894800A (zh) * | 2017-02-23 | 2017-06-27 | 中国海洋石油总公司 | 一种适用于海上稠油油藏的调剖选井决策方法 |
CN113431534A (zh) * | 2021-08-09 | 2021-09-24 | 北京科技大学 | 一种低渗致密油藏co2吞吐选井方法 |
CN113592194A (zh) * | 2021-08-23 | 2021-11-02 | 北京科技大学 | 建立co2吞吐效果预测模型的方法以及co2吞吐效果评价方法 |
US20220162930A1 (en) * | 2020-11-24 | 2022-05-26 | Halliburton Energy Services, Inc. | Enhanced oil recovery harvesting for fractured reservoirs |
-
2022
- 2022-06-23 CN CN202210714209.9A patent/CN114781951B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170159416A1 (en) * | 2015-12-07 | 2017-06-08 | Texas Tech University System | Method for optimization of huff-n-puff gas injection in shale reservoirs |
CN106894800A (zh) * | 2017-02-23 | 2017-06-27 | 中国海洋石油总公司 | 一种适用于海上稠油油藏的调剖选井决策方法 |
US20220162930A1 (en) * | 2020-11-24 | 2022-05-26 | Halliburton Energy Services, Inc. | Enhanced oil recovery harvesting for fractured reservoirs |
CN113431534A (zh) * | 2021-08-09 | 2021-09-24 | 北京科技大学 | 一种低渗致密油藏co2吞吐选井方法 |
CN113592194A (zh) * | 2021-08-23 | 2021-11-02 | 北京科技大学 | 建立co2吞吐效果预测模型的方法以及co2吞吐效果评价方法 |
Non-Patent Citations (4)
Title |
---|
孙晓飞等: "深层水敏性稠油油藏开发方式评价", 《油气地质与采收率》 * |
王青华等: "利用多级模糊评判法优选哈法亚油田人工举升方式", 《石油钻采工艺》 * |
田亚鹏等: "稠油油藏蒸汽吞吐周期生产时间优化研究", 《中国科技论文》 * |
苏海芳等: "国外常见低渗透砂岩油藏压裂选井原则", 《油气地质与采收率》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115062552A (zh) * | 2022-08-12 | 2022-09-16 | 中国石油大学(华东) | 一种缝洞油藏氮气吞吐效果预测方法及系统 |
CN115492561A (zh) * | 2022-09-16 | 2022-12-20 | 重庆地质矿产研究院 | 一种页岩气井注入二氧化碳增产增效与地质封存一体化方法 |
CN115492561B (zh) * | 2022-09-16 | 2023-03-21 | 重庆地质矿产研究院 | 一种页岩气井注入二氧化碳增产增效与地质封存一体化方法 |
CN115732041A (zh) * | 2022-12-07 | 2023-03-03 | 中国石油大学(北京) | 二氧化碳捕获量预测模型构建方法、智能预测方法及装置 |
CN115732041B (zh) * | 2022-12-07 | 2023-10-13 | 中国石油大学(北京) | 二氧化碳捕获量预测模型构建方法、智能预测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114781951B (zh) | 2022-09-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114781951B (zh) | 一种页岩油藏二氧化碳吞吐开发选井决策方法及系统 | |
US7657494B2 (en) | Method for forecasting the production of a petroleum reservoir utilizing genetic programming | |
CN111441767A (zh) | 油藏生产动态预测方法及装置 | |
CN112901137B (zh) | 基于深度神经网络Sequential模型的深井钻井机械钻速预测方法 | |
CN111046341A (zh) | 一种基于主成分分析的非常规天然气压裂效果评价及产能预测方法 | |
CN115345378B (zh) | 一种基于机器学习的页岩气井产量评价方法 | |
CN110287516B (zh) | 一种页岩气藏压裂水平井可压性综合评价方法 | |
CN109063403B (zh) | 一种滑溜水压裂优化设计方法 | |
CN113236228B (zh) | 一种单井产量快速预测方法及系统 | |
CN115375031A (zh) | 一种产油量预测模型建立方法、产能预测方法及存储介质 | |
CN114595608A (zh) | 一种压裂施工参数和工作制度参数优化方法及系统 | |
CN111048163A (zh) | 一种基于高阶神经网络的页岩油滞留烃量(s1)评价方法 | |
CN113807021B (zh) | 一种基于指标分析及多模型融合的气井产能等级预测方法 | |
CN113627639A (zh) | 用于碳酸盐岩缝洞型储层的试井产能预测方法及系统 | |
Meng et al. | Hybrid data-driven framework for shale gas production performance analysis via game theory, machine learning, and optimization approaches | |
CN110633868A (zh) | 遗传算法优化神经网络进行探井试油层油气性质预测方法 | |
CN112282742B (zh) | 一种页岩油优质储层的预测方法 | |
Ma et al. | Integration of artificial intelligence and production data analysis for shale heterogeneity characterization in SAGD reservoirs | |
Vrabie et al. | Digital twin for downhole pressure gauges: model and field case study | |
CN113610446B (zh) | 一种复杂分散断块油田群投产顺序的决策方法 | |
CN110750939B (zh) | 基于大样本正交设计表提高稠油热采潜力预测精度的方法 | |
CN114862007A (zh) | 一种面向碳酸盐岩气井的短周期产气量预测方法及系统 | |
Xu et al. | Probabilistic evaluation of hydraulic fracture performance using ensemble machine learning | |
CN113887067A (zh) | 基于lstm的致密低渗油藏压裂井网气驱效果预测方法 | |
Xue et al. | An efficient data-driven global sensitivity analysis method of shale gas production through convolutional neural network |
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 |