CN114818516B - 一种井筒腐蚀形态剖面智能预测方法 - Google Patents
一种井筒腐蚀形态剖面智能预测方法 Download PDFInfo
- Publication number
- CN114818516B CN114818516B CN202210732154.4A CN202210732154A CN114818516B CN 114818516 B CN114818516 B CN 114818516B CN 202210732154 A CN202210732154 A CN 202210732154A CN 114818516 B CN114818516 B CN 114818516B
- Authority
- CN
- China
- Prior art keywords
- corrosion
- data
- shaft
- actual
- 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.)
- Active
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)
Abstract
一种井筒腐蚀形态剖面智能预测方法,属于智能油田的技术领域,包括:步骤1、获取井筒腐蚀的原始参数数据,并对数据进行预处理;步骤2、建立井筒腐蚀形态智能预测模型,预测的结果参数条件如下:井筒发生点蚀,表示为1;局部腐蚀,表示为2;全面腐蚀,表示为3;台地腐蚀,表示为4;癣状腐蚀,表示为5;步骤3、沿整个井筒方向上进行实际的腐蚀特征参数计算;步骤4、运用步骤2所述预测模型对油田实际油气井进行腐蚀形态剖面预测。本发明基于井筒腐蚀原始数据,提出一种井筒腐蚀形态剖面智能预测方法,计算方法高效便利,稳定性强。
Description
技术领域
本发明涉及一种井筒腐蚀形态剖面智能预测方法,属于智能油田的技术领域。
背景技术
目前,在井筒的各种损坏类型中,腐蚀因素占有最大比例,而且占比在逐年增加。各大油气田都由于井筒腐蚀问题产生了巨大损失,因此,井筒腐蚀治理是保证油气田正常生产和经济效益的关键。
井筒腐蚀大多是由于电极反应引起的电化学腐蚀,它的影响因素众多且复杂,包括矿化度、温度、流速、H2S分压、CO2分压、时间以及管柱管材类型等。目前采用的方法主要包括基于物理试验的定性分析或者采用监测装置进行固定点腐蚀监测,用单点监测结果用来表征整个环境的腐蚀形态。
例如,中国专利文献CN207502364U公开的一种镶嵌式油套管腐蚀监测装置主要是开发一种新型装置,将金属壳体以及测量元件固定设置在长油管之间的短油管上,用于对井筒腐蚀进行实时在线监测;中国专利文献CN110849796A公开的一种腐蚀监测系统是通过将霍尔传感组件和电阻探针组件并联在电源组件两端,且均位于待测金属周围,从而实现对待测金属腐蚀的监测;中国专利文献CN107725027A公开的一种在线井下腐蚀监测系统是在生产井进行起下管柱的同时,安装井下腐蚀监测器到指定位置,并在生产井正常开采作业过程中监测油管腐蚀情况,然而上述专利文献只能实现定点的腐蚀监测。由于井筒深度一般在2000-3000米,甚至更深。井下不同深度温度、压力、流速、组分等腐蚀因素各不相同,腐蚀环境不同腐蚀结果差异较大,单点监测结果不能准确反映井筒腐蚀全貌及最苛刻腐蚀点。因此依据单点监测结果制定井筒防腐蚀措施针对性不强,防腐效果不佳。此外地层信号的复杂性及存在的干扰因素还会导致监测信号的可识别性较差,影响监测结果。而物理模拟实验法则需要针对不同区块长时间做大量物理实验,分析其腐蚀主控因素及腐蚀形态,时间成本与经济成本均较高且效率低下。因此,结合物理机理及数据驱动建立一种全井筒腐蚀形态剖面的智能预测方法,能够实现腐蚀形态的实时预测与监测,确定井筒腐蚀最薄弱点及其腐蚀形态,以便采取最佳的防腐措施保证井筒完整性,有利于油气安全生产,对提升经济效益以及建设智能油田具有重大意义。
综上所述,目前的井筒腐蚀预测、监测方法无法适应不同区块,即不同腐蚀机理、井筒腐蚀条件复杂的状况,且无法应用到整个井筒,未见井筒腐蚀剖面预测研究。
发明内容
针对现有技术的不足,本发明公开了一种井筒腐蚀形态剖面智能预测方法。
本发明还公开了一种实现上述预测方法的程序产品。
本发明的具体技术方案如下:
一种井筒腐蚀形态剖面智能预测方法,其特征在于,包括:
步骤1、获取井筒腐蚀的原始参数数据,并对数据进行预处理;
步骤2、建立井筒腐蚀形态智能预测模型,预测的结果参数条件如下:
井筒发生点蚀,表示为1;局部腐蚀,表示为2;全面腐蚀,表示为3;台地腐蚀,表示为4;癣状腐蚀,表示为5;
步骤3、沿整个井筒方向上进行实际的腐蚀特征参数计算;
步骤4、运用步骤2所述预测模型对油田实际油气井进行腐蚀形态剖面预测。
根据本发明优选的,在所述步骤1的具体步骤包括:
S1.1.获取井筒腐蚀的原始参数数据,包括:井筒温度、井筒内流体的流速、H2S分压、CO2分压、总矿化度、腐蚀作用时间以及管材类型;
S1.2.特征参数数值化处理,由于样本数据中有字符型数据,为了方便计算对腐蚀形态数据进行标签编码,对管材类型数据进行独热编码,定义如下:
腐蚀形态数据进行标签编码:点蚀—1,局部腐蚀—2,全面腐蚀—3,台地腐蚀—4,癣状腐蚀—5;
对管材类型数据进行独热编码:25CrMnVA—[1 0 0],N80—[0 1 0],J55—[0 01];
S1.3.对数据进行规范化的处理,将不同数量级的特征参数数据统一换算到[0,1]之间,计算公式表示为:
在公式(I)中,X i ′为归一化后的新数据;X i 为归一化前的原始数据;X min 为归一化前特征X的最小值;X max 为归一化前X的最大值;
S1.4.构建井筒腐蚀的原始参数数据X与腐蚀形态数据Y之间的相关性:
在公式(II)中,ρ XY 为所述X、Y之间的相关系数;N为腐蚀数据的样本数;d i 为X i 和Y i 之间的等级差,所述Y i 是一个与X i 对应腐蚀样本的腐蚀形态数据,一个数的等级就是把这个数所在的参数集按顺序排列后该数所处的序号,所述等级差就是两个数分别所处序号的差;
分别计算各原始参数数据X与腐蚀形态数据Y的相关系数,选取相关系数中前70%的原始参数数据X作为输入集,腐蚀形态数据Y作为输出集,二者共同构成样本集。
根据本发明优选的,步骤2所述建立井筒腐蚀形态智能预测模型,包括:
S2.1.从所述样本集中划分出训练集和测试集,并随机的从训练集中抽取n个样本作为采样集;
S2.2.将采样集中每个特征的数据值作为该特征的切分点;以每个特征为单元,遍历所述单元所有切分点,计算切分之后单元内各个子集的信息熵,并将最小信息熵对应的值,作为该特征的分界值;
S2.3.按照分界值将样本集划分成两个子集;再依次将采样集中每个特征的数据值按照步骤S2.2.不断迭代划分,以得到一个腐蚀形态的预测结果,例如,先将CO2分压作为第一个节点进行二分类,之后又按照H2S分压和井筒温度依次进行二分类,不断如此进行,直至达到预设的节点数或信息熵的取值为0;
S2.4.重复m次步骤S2.1-S2.3,即抽取m次采样集,选取m个腐蚀形态预测结果中次数最多的腐蚀形态作为最终结果。
根据本发明优选的,所述步骤3中沿整个井筒方向上进行实际的腐蚀特征参数计算的步骤,包括:
将气井的现场实际基础参数、井深结构数据及气体组分数据代入到油气井传热方程以及能量守恒定律方程中,输出得到整个井筒上各个深度的温度、压力、流体流速参数的实际数值。
根据本发明优选的,所述步骤4运用步骤2所述预测模型对油田实际油气井进行腐蚀形态剖面预测为:
将所述步骤3得到的油气井实际腐蚀特征参数数据经过步骤1中方法处理后代入步骤2中构建的井筒腐蚀形态智能预测模型中,输出整个井筒上各个深度的腐蚀形态,并绘制得到井筒实际的腐蚀形态剖面。
根据本发明优选的,所述步骤2中,所述计算切分之后单元内各个子集的信息熵公式为:
在公式(III)中:D表示腐蚀样本集;p k 第k类样本所占的比例,小数;γ样本总类别数,个。
一种实现上述方法的程序产品,其特征在于,所述程序产品被有形地存储在非瞬态计算机可读介质上并且包括机器可执行指令,所述机器可执行指令用于执行上述的方法。
本发明的技术优势:
本发明基于井筒腐蚀原始数据,提出一种井筒腐蚀形态剖面智能预测方法,计算方法高效便利,稳定性强。能够替代现有的方法与技术,实现对油气水井井筒腐蚀形态剖面的实时分析、监测,确定井筒中腐蚀最薄弱点,及时采取相应的防腐工艺与参数,保证井筒完整性及油气安全生产。节约成本,提升油气田经济效益。
附图说明
图1是本发明井筒腐蚀形态智能预测模型的原理示意图;
图2是本发明井筒腐蚀形态剖面智能预测模型的流程示意图;
图3是本发明井筒腐蚀形态剖面智能预测模型十折交叉验证准确率结果;
图4是本发明井筒腐蚀形态剖面智能预测模型现场应用实例效果图;
图5是本发明实施例中现场腐蚀形态剖面预测结果示意图。
具体实施方式
下面结合实施例和说明书附图做详细的说明,但不限于此。
实施例1、
一种井筒腐蚀形态剖面智能预测方法,包括:
步骤1、获取井筒腐蚀的原始参数数据,并对数据进行预处理;
步骤2、建立井筒腐蚀形态智能预测模型,预测的结果参数条件如下:
井筒发生点蚀,表示为1;局部腐蚀,表示为2;全面腐蚀,表示为3;台地腐蚀,表示为4;癣状腐蚀,表示为5;
步骤3、沿整个井筒方向上进行实际的腐蚀特征参数计算;
步骤4、运用步骤2所述预测模型对油田实际油气井进行腐蚀形态剖面预测。
根据本发明优选的,在所述步骤1的具体步骤包括:
S1.1.获取井筒腐蚀的原始参数数据,包括:井筒温度、井筒内流体的流速、H2S分压、CO2分压、总矿化度、腐蚀作用时间以及管材类型;
S1.2.特征参数数值化处理,由于样本数据中有字符型数据,为了方便计算对腐蚀形态数据进行标签编码,对管材类型数据进行独热编码,定义如下:
腐蚀形态数据进行标签编码:点蚀—1,局部腐蚀—2,全面腐蚀—3,台地腐蚀—4,癣状腐蚀—5;
对管材类型数据进行独热编码:25CrMnVA—[1 0 0],N80—[0 1 0],J55—[0 01];
S1.3.对数据进行规范化的处理,将不同数量级的特征参数数据统一换算到[0,1]之间,计算公式表示为:
在公式(I)中,X i ′为归一化后的新数据;X i 为归一化前的原始数据;X min 为归一化前特征X的最小值;X max 为归一化前X的最大值;
S1.4.构建井筒腐蚀的原始参数数据X与腐蚀形态数据Y之间的相关性:
在公式(II)中,ρ XY 为所述X、Y之间的相关系数;N为腐蚀数据的样本数;d i 为X i 和Y i 之间的等级差,所述Y i 是一个与X i 对应腐蚀样本的腐蚀形态数据,一个数的等级就是把这个数所在的参数集按顺序排列后该数所处的序号,所述等级差就是两个数分别所处序号的差;
分别计算各原始参数数据X与腐蚀形态数据Y的相关系数,选取相关系数中前70%的原始参数数据X作为输入集,腐蚀形态数据Y作为输出集,二者共同构成样本集。
处理后的井筒腐蚀形态特征参数样本集数据如表1所示:
表1 井筒腐蚀形态特征参数样本集数据
步骤2所述建立井筒腐蚀形态智能预测模型,包括:
S2.1.从所述样本集中划分出训练集和测试集,并随机的从训练集中抽取n个样本作为采样集;
S2.2.将采样集中每个特征的数据值作为该特征的切分点;以每个特征为单元,遍历所述单元所有切分点,计算切分之后单元内各个子集的信息熵,并将最小信息熵对应的值,作为该特征的分界值;
S2.3.按照分界值将样本集划分成两个子集;再依次将采样集中每个特征的数据值按照步骤S2.2.不断迭代划分,以得到一个腐蚀形态的预测结果,例如,先将CO2分压作为第一个节点进行二分类,之后又按照H2S分压和井筒温度依次进行二分类,不断如此进行,直至达到预设的节点数或信息熵的取值为0;
S2.4.重复m次步骤S2.1-S2.3,即抽取m次采样集,选取m个腐蚀形态预测结果中次数最多的腐蚀形态作为最终结果,如图1、2所示。
所述步骤2中,所述计算切分之后单元内各个子集的信息熵公式为:
在公式(III)中:D表示腐蚀样本集;p k 第k类样本所占的比例,小数;γ样本总类别数,个。
在本实施例中,选取200个样本,以8:2的比例划分训练集和测试集,根据上述步骤建立井筒腐蚀形态智能预测模型。
使用十折交叉验证法计算模型准确率如表2所示:
表2 十折交叉验证准确率结果
结合图3,模型的十折交叉验证准确率最大可达到96.2%,计算平均准确率为92.38%,模型的准确率较高,分类能力强,可以利用模型进行油气田实际井筒腐蚀形态预测。
所述步骤3中沿整个井筒方向上进行实际的腐蚀特征参数计算的步骤,包括:
将气井的现场实际基础参数、井深结构数据及气体组分数据代入到油气井传热方程以及能量守恒定律方程中,输出得到整个井筒上各个深度的温度、压力、流体流速参数的实际数值。
所述步骤4运用步骤2所述预测模型对油田实际油气井进行腐蚀形态剖面预测为:
将所述步骤3得到的油气井实际腐蚀特征参数数据经过步骤1中方法处理后代入步骤2中构建的井筒腐蚀形态智能预测模型中,输出整个井筒上各个深度的腐蚀形态,并绘制得到井筒实际的腐蚀形态剖面。
选取某气井的现场实际基础参数、井深结构数据及气体组分数据,按照步骤3得到实际腐蚀特征参数值计算结果如表3所示:
表3 现场实际特征参数表
步骤4所述的运用上述智能模型对油田实际油气井进行腐蚀形态剖面预测为:
将步骤3得到的油气井实际腐蚀特征参数数据经过步骤1中方法处理后代入步骤2中构建的井筒腐蚀形态剖面预测模型中,输出整个井筒上各个深度的腐蚀形态,并绘制得到井筒实际的腐蚀形态剖面。
将步骤3的应用实例数据输入井筒腐蚀形态剖面智能预测模型中,如图4,得出整个井筒的腐蚀形态剖面如图5所示。
实施例2、
一种实现如实施例1所述方法的程序产品,所述程序产品被有形地存储在非瞬态计算机可读介质上并且包括机器可执行指令,所述机器可执行指令用于执行上述的方法。
Claims (4)
1.一种井筒腐蚀形态剖面智能预测方法,其特征在于,包括:
步骤1、获取井筒腐蚀的原始参数数据,并对数据进行预处理;
步骤2、建立井筒腐蚀形态智能预测模型,预测的结果参数条件如下:
井筒发生点蚀,表示为1;局部腐蚀,表示为2;全面腐蚀,表示为3;台地腐蚀,表示为4;癣状腐蚀,表示为5;
步骤3、沿整个井筒方向上进行实际的腐蚀特征参数计算;
步骤4、运用步骤2所述预测模型对油田实际油气井进行腐蚀形态剖面预测;
在所述步骤1的具体步骤包括:
S1.1.获取井筒腐蚀的原始参数数据,包括:井筒温度、井筒内流体的流速、H2S分压、CO2分压、总矿化度、腐蚀作用时间以及管材类型;
S1.2.特征参数数值化处理,对腐蚀形态数据进行标签编码,对管材类型数据进行独热编码,定义如下:
腐蚀形态数据进行标签编码:点蚀—1,局部腐蚀—2,全面腐蚀—3,台地腐蚀—4,癣状腐蚀—5;
对管材类型数据进行独热编码:25CrMnVA—[1 0 0],N80—[0 1 0],J55—[0 0 1];
S1.3.将不同数量级的特征参数数据统一换算到[0,1]之间,计算公式表示为:
在公式(I)中,X i ′为归一化后的新数据;X i 为归一化前的原始数据;X min 为归一化前特征X的最小值;X max 为归一化前X的最大值;
S1.4.构建井筒腐蚀的原始参数数据X与腐蚀形态数据Y之间的相关性:
在公式(II)中,ρ XY 为所述X、Y之间的相关系数;N为腐蚀数据的样本数;d i 为X i 和Y i 之间的等级差,所述Y i 是一个与X i 对应腐蚀样本的腐蚀形态数据;
分别计算各原始参数数据X与腐蚀形态数据Y的相关系数,选取相关系数中前70%的原始参数数据X作为输入集,腐蚀形态数据Y作为输出集,二者共同构成样本集;
步骤2所述建立井筒腐蚀形态智能预测模型,包括:
S2.1.从所述样本集中划分出训练集和测试集,并随机的从训练集中抽取n个样本作为采样集;
S2.2.将采样集中每个特征的数据值作为该特征的切分点;以每个特征为单元,遍历所述单元所有切分点,计算切分之后单元内各个子集的信息熵,并将最小信息熵对应的值,作为该特征的分界值;
S2.3.按照分界值将样本集划分成两个子集;再依次将采样集中每个特征的数据值按照步骤S2.2.不断迭代划分,以得到一个腐蚀形态的预测结果;
S2.4.重复m次步骤S2.1-S2.3,即抽取m次采样集,选取m个腐蚀形态预测结果中次数最多的腐蚀形态作为最终结果;
所述步骤3中沿整个井筒方向上进行实际的腐蚀特征参数计算的步骤,包括:
将气井的现场实际基础参数、井深结构数据及气体组分数据代入到油气井传热方程以及能量守恒定律方程中,输出得到整个井筒上各个深度的温度、压力、流体流速参数的实际数值。
2.根据权利要求1所述的一种井筒腐蚀形态剖面智能预测方法,其特征在于,所述步骤4运用步骤2所述预测模型对油田实际油气井进行腐蚀形态剖面预测为:
将所述步骤3得到的油气井实际腐蚀特征参数数据经过步骤1中方法处理后代入步骤2中构建的井筒腐蚀形态智能预测模型中,输出整个井筒上各个深度的腐蚀形态,并绘制得到井筒实际的腐蚀形态剖面。
4.一种实现如权利要求1-3任意一项所述方法的非瞬态计算机可读介质,其特征在于,所述非瞬态计算机可读介质上包括机器可执行指令,所述机器可执行指令用于执行上述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210732154.4A CN114818516B (zh) | 2022-06-27 | 2022-06-27 | 一种井筒腐蚀形态剖面智能预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210732154.4A CN114818516B (zh) | 2022-06-27 | 2022-06-27 | 一种井筒腐蚀形态剖面智能预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114818516A CN114818516A (zh) | 2022-07-29 |
CN114818516B true CN114818516B (zh) | 2022-09-20 |
Family
ID=82521909
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210732154.4A Active CN114818516B (zh) | 2022-06-27 | 2022-06-27 | 一种井筒腐蚀形态剖面智能预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114818516B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107525733A (zh) * | 2017-08-09 | 2017-12-29 | 中国石油化工股份有限公司 | 井口井下腐蚀速率关联模型算法及使用此算法的井下腐蚀速率在线监测方法 |
CN107679583A (zh) * | 2017-10-24 | 2018-02-09 | 四川长虹电器股份有限公司 | 基于大数据获取故障解决方案的方法 |
CN109815595A (zh) * | 2019-01-26 | 2019-05-28 | 南智(重庆)能源技术有限公司 | 油气田井下管柱及井口输气管线硫化氢腐蚀大数据分析方法 |
CN110110628A (zh) * | 2019-04-24 | 2019-08-09 | 华为技术有限公司 | 一种频率综合器劣化的检测方法及检测设备 |
CN110619535A (zh) * | 2018-06-19 | 2019-12-27 | 华为技术有限公司 | 一种数据处理方法及其装置 |
CN111435463A (zh) * | 2019-01-11 | 2020-07-21 | 华为技术有限公司 | 数据处理方法及相关设备、系统 |
CN111611236A (zh) * | 2020-05-28 | 2020-09-01 | 宁波和利时智能科技有限公司 | 一种数据分析方法及系统 |
CN112668206A (zh) * | 2021-01-20 | 2021-04-16 | 西南石油大学 | 一种考虑多因素的酸性气田腐蚀预测模型及参数确定方法 |
CN113982546A (zh) * | 2021-10-21 | 2022-01-28 | 中国科学院武汉岩土力学研究所 | 一种水平井二氧化碳注入剖面评价方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN207905308U (zh) * | 2017-12-15 | 2018-09-25 | 深圳市风采新材料科技有限公司 | 一种具有防虫腐蚀的井筒 |
CN210066887U (zh) * | 2019-05-29 | 2020-02-14 | 中国建筑第二工程局有限公司 | 一种竖向精确定位的防水耐腐蚀深井筒体结构 |
CN111648764B (zh) * | 2020-07-20 | 2021-03-19 | 西南石油大学 | 一种多层气藏井下分布式温度监测产出剖面解释评价方法 |
CN112901144A (zh) * | 2021-03-11 | 2021-06-04 | 西南石油大学 | 一种特殊结构井井筒溢流动态特性分析方法 |
-
2022
- 2022-06-27 CN CN202210732154.4A patent/CN114818516B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107525733A (zh) * | 2017-08-09 | 2017-12-29 | 中国石油化工股份有限公司 | 井口井下腐蚀速率关联模型算法及使用此算法的井下腐蚀速率在线监测方法 |
CN107679583A (zh) * | 2017-10-24 | 2018-02-09 | 四川长虹电器股份有限公司 | 基于大数据获取故障解决方案的方法 |
CN110619535A (zh) * | 2018-06-19 | 2019-12-27 | 华为技术有限公司 | 一种数据处理方法及其装置 |
CN111435463A (zh) * | 2019-01-11 | 2020-07-21 | 华为技术有限公司 | 数据处理方法及相关设备、系统 |
CN109815595A (zh) * | 2019-01-26 | 2019-05-28 | 南智(重庆)能源技术有限公司 | 油气田井下管柱及井口输气管线硫化氢腐蚀大数据分析方法 |
CN110110628A (zh) * | 2019-04-24 | 2019-08-09 | 华为技术有限公司 | 一种频率综合器劣化的检测方法及检测设备 |
CN111611236A (zh) * | 2020-05-28 | 2020-09-01 | 宁波和利时智能科技有限公司 | 一种数据分析方法及系统 |
CN112668206A (zh) * | 2021-01-20 | 2021-04-16 | 西南石油大学 | 一种考虑多因素的酸性气田腐蚀预测模型及参数确定方法 |
CN113982546A (zh) * | 2021-10-21 | 2022-01-28 | 中国科学院武汉岩土力学研究所 | 一种水平井二氧化碳注入剖面评价方法 |
Non-Patent Citations (1)
Title |
---|
不同腐蚀缺陷套管剩余强度预测方法研究;徐国贤 等;《石油机械》;20191231;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114818516A (zh) | 2022-07-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107387051B (zh) | 低渗透非均质油藏多段压裂水平井重复压裂选井的方法 | |
CN109214026A (zh) | 一种页岩气水平井初期产能预测方法 | |
CN106127599A (zh) | 用于致密气藏在集气站生产模式下的气井产量劈分方法 | |
Ponomareva et al. | Operational method for determining bottom hole pressure in mechanized oil producing wells, based on the application of multivariate regression analysis | |
CN110671095B (zh) | 一种地质地层压力智能随钻软测量方法 | |
CN111027638B (zh) | 一种基于流量的抽油机冲次及动液面信息监测方法及系统 | |
CN105069486A (zh) | 基于极限学习机的石化设备腐蚀预测方法 | |
CN105005712A (zh) | 灰岩含水层富水性评价方法 | |
Alizadeh et al. | Smart identification of petroleum reservoir well testing models using deep convolutional neural networks (GoogleNet) | |
CN116128083A (zh) | 一种页岩油水平井体积压裂裂缝体积的定量表征方法 | |
CN114781951A (zh) | 一种页岩油藏二氧化碳吞吐开发选井决策方法及系统 | |
CN109902265B (zh) | 一种基于隐马尔可夫模型的井下预警方法 | |
CN114818516B (zh) | 一种井筒腐蚀形态剖面智能预测方法 | |
CN108571319B (zh) | 一种压差式气侵和置换式气侵判断方法及装置 | |
Yang et al. | Fault diagnosis of electric submersible pump tubing string leakage | |
Palacio | Effect of heat transfer on the performance of geothermal wells | |
CN110552693A (zh) | 一种基于深度神经网络的感应测井曲线的层界面识别方法 | |
CN105547846A (zh) | 一种井下柔性复合管使用寿命预测方法 | |
CN114922614A (zh) | 一种控压钻井工况下的地层压力监测方法 | |
CN115929285A (zh) | 一种基于拉格朗日支持向量机算法的地温梯度预测方法 | |
CN114991757A (zh) | 一种随钻地层压力测录一体化监测方法及系统 | |
CN104463362A (zh) | 一种预测储层流体产量的方法及装置 | |
Chen et al. | GINI coefficient: An effective way to evaluate inflow profile equilibrium of horizontal wells in Shengli Oil Field | |
Gong et al. | Productivity Prediction Methods of Multi-Fractured Horizontal Wells in Low-Permeability Reservoirs: Progress and Challenges | |
CN112418489A (zh) | 一种天然气井修井暂堵剂用量神经网络预测方法 |
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 |