CN114881230B - 一种压裂液返排智能控制系统与装备 - Google Patents

一种压裂液返排智能控制系统与装备 Download PDF

Info

Publication number
CN114881230B
CN114881230B CN202210808384.4A CN202210808384A CN114881230B CN 114881230 B CN114881230 B CN 114881230B CN 202210808384 A CN202210808384 A CN 202210808384A CN 114881230 B CN114881230 B CN 114881230B
Authority
CN
China
Prior art keywords
flowback
module
data
fracturing fluid
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
Application number
CN202210808384.4A
Other languages
English (en)
Other versions
CN114881230A (zh
Inventor
舒红林
何方雨
张介辉
芮昀
邹辰
梅珏
姚秋昌
李延钧
李明隆
李季林
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.)
Chengdu Chuangyuan Oil Gas Technology Development Co ltd
Original Assignee
Chengdu Chuangyuan Oil Gas Technology Development Co ltd
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 Chengdu Chuangyuan Oil Gas Technology Development Co ltd filed Critical Chengdu Chuangyuan Oil Gas Technology Development Co ltd
Priority to CN202210808384.4A priority Critical patent/CN114881230B/zh
Publication of CN114881230A publication Critical patent/CN114881230A/zh
Application granted granted Critical
Publication of CN114881230B publication Critical patent/CN114881230B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • E21B43/267—Methods for stimulating production by forming crevices or fractures reinforcing fractures by propping
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • G06F16/9035—Filtering based on additional data, e.g. user or group profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • 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
    • 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
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Mining & Mineral Resources (AREA)
  • Geology (AREA)
  • Fluid Mechanics (AREA)
  • Environmental & Geological Engineering (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geochemistry & Mineralogy (AREA)
  • Flow Control (AREA)

Abstract

本发明公开了一种压裂液返排智能控制系统与装备，属于油气开采技术领域，本发明利用云计算处理平台超级计算能力对压裂液返排影响数据进行智能筛选，同时通过深度学模型进行训练生成不同油气井返排节点的非线性返排模型，并利用其进行压裂液返排智能控制，其相较于现有压裂液返排控制系统而言，本发明通过移动边缘技术将不同油气井返排节点的非线性返排模型下放至油气井返排节点的边缘端，从而可以实现对压裂液返排快速自动化控制；而且根据不同油气井返排节点的返排影响因素建立深度学习模型，有利于实现在不同压裂液返排时机下合理控制返排速度；进而有利于提高返排率，并能保证压裂改造效果和油气产能。

Description

一种压裂液返排智能控制系统与装备
技术领域
本发明涉及油气开采技术领域，尤其涉及一种压裂液返排智能控制系统与装备。
背景技术
水力压裂作为油气储层改造的重要技术手段，已广泛应用于低渗透页岩气、致密气等非常规油气田的开发中；其中，压裂后压裂液返排是压裂施工及管理中重要环节，压裂液作为一种化学品，其包含有毒有害物质，若不能对其进行有效返排回收，将容易造成地下水污染；同时压裂液返排回收利用也能降低压裂成本，而且其也直接影响储层的改造效果和油气产能，因此有必要对压裂液进行返排回收；实践发现，在压力返排初期，若放喷过程太快，返排液流量太大，就会使得压裂过程中加入的支撑剂(砂子)随返排液一起流出油井，其易影响压裂效果；而在裂缝基本闭合后，在不出砂的前提下，可以适当增大返排速度以实现压裂液尽快返排；因此如何合理确定压裂液返排时机和控制返排速度就成为了关键；
目前，现有的压裂液返排的控制手段主要根据压力控制返排，其待压裂液破胶后，根据压力大小，更换不同尺寸的油嘴，控制放喷返排，其主要依据现场作业人员经验，无法实现智能化、自动化和合理化的快速控制，难以在保证压裂效果的前提下提高压裂液返排率；此外，现有的油气开采地区通常需要开设多口井以实现油气开采，而目前的压裂液返排控制手段均主要针对单井压裂液返排控制设计，其无法实现对多口油气井的压裂液返排控制，人工成本较高；为此，我们提出一种压裂液返排智能控制系统与装备。
发明内容
本发明的目的是为了解决现有技术中存在的缺陷，而提出的一种压裂液返排智能控制系统与装备。
为了实现上述目的，本发明采用了如下技术方案：
一种压裂液返排智能控制系统，包括节点信息获取模块、边缘基站模块和云计算处理平台；所述云计算处理平台包括节点信息处理模块、节点事件整理记录模块、数据库模块、上位智能分析模块、深度学习模块和模型下放模块；
所述节点信息获取模块用于获取油气开采区域内若干油气井节点的传感器数据和返排阶段数据；
所述边缘基站模块用于将所述传感器数据和返排阶段数据上传至云计算处理平台；
所述节点信息处理模块用于对所述传感器数据和返排阶段数据进行预处理，并进行分发；
所述节点事件整理记录模块用于将返排阶段数据进行整理记录成返排阶段表；
所述数据库模块用于存储所述返排阶段表和历史资料；所述历史资料包含不同传感器数据下的返排率数据数值；
所述上位智能分析模块用于获取预处理后的传感器数据并进行计算，获取计算结果，同时根据历史资料将计算结果与返排率之间进行关联性分析，以确定压裂液返排影响因素，并将其与所述返排阶段表一同输入深度学习模块；
所述深度学习模块用于获取不同油气井返排节点的压裂液返排影响因素以及返排阶段表，并将其作为训练集进行训练，以生成不同油气井返排节点的非线性返排模型；
所述模型下放模块用于获取符合预设标准不同油气井返排节点的非线性返排模型下放至所述边缘基站模块，利用其以实现对不同油气井返排节点的非线性智能控制。
进一步地，所述传感器数据包括含砂数据、液体流量数据、温度数据、压力数据、油嘴开度数据、粘度数据和支撑剂沉降数据；所述返排阶段数据是指以压裂工程阶段为维度的压裂液返排时期。
进一步地，所述边缘基站模块内安装有5G边缘服务器，所述5G边缘服务器用于存储所述不同油气井返排节点的非线性返排模型，并利用其实现对不同油气井返排节点进行返排决策服务。
进一步地，所述上位智能分析模块的具体处理过程，包括：
获取所述传感器数据，并对进行计算，获取泊松比、杨氏模量和综合滤失系数的计算结果；
提取所述历史资料中不同传感器数据下的返排率数据数值，并依据其对泊松比、杨氏模量和综合滤失系数的计算结果进行对照关联；
判断其关联度是否满足预设区间：
若满足，则判断所述传感器数据为压裂液返排影响因素；
反之，则不为压裂液返排影响因素。
进一步地，所述深度学习模块采用神经网络作为学习模型。
进一步地，所述边缘基站模块还包括节点编号对应单元，所述节点编号对应单元用于将每一油气井返排节点获取到的传感数据以及当前油气井节点所处的返排阶段与非线性返排模型进行一一对应。
一种压裂液返排智能控制装备，包括：
传感器模块用于采集传感器数据；
预处理模块用于对传感器数据进行预处理；
阶段检测模块用于采集当前油气井节点所处的返排阶段；
边缘通信模块用于获取传感器数据，并根据所述当前油气井节点所处的返排阶段将其输入对应的非线性返排模型中进行计算，以获取不同时间段内的返排决策指令；
下位机控制模块用于根据所述不同时间段内的返排决策指令对可调式油嘴和压力泵模块进行对应控制，以实现在不同压裂液返排时机下合理控制返排速度；
所述可调式油嘴用于调节油嘴开度；
所述压力泵模块用于调节压力大小。
相比于现有技术，本发明的有益效果在于：
本申请公开了一种压裂液返排智能控制系统与装备，其利用云计算处理平台超级计算能力对压裂液返排影响数据进行智能筛选，同时通过深度学习模型进行训练生成不同油气井返排节点的非线性返排模型，并利用其进行压裂液返排智能控制，其相较于现有压裂液返排控制系统而言，本发明通过移动边缘技术将不同油气井返排节点的非线性返排模型下放至油气井返排节点的边缘端，从而可以实现对压裂液返排快速自动化控制；而且根据不同油气井返排节点的返排影响因素建立深度学习模型，有利于实现在不同压裂液返排时机下合理控制返排速度；进而有利于提高返排率，并能保证压裂改造效果和油气产能；此外，将不同油气井返排节点与5G边缘服务器建立业务联系，可实现对多口油气井的压裂液返排控制，有利于降低人工成本。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
图1为本发明提出的一种压裂液返排智能控制系统的系统框图；
图2为本发明提出的一种压裂液返排智能控制装备的整体结构示意图。
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。
在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在一个实施例中，参照图1，提供了一种压裂液返排智能控制系统，包括节点信息获取模块、边缘基站模块和云计算处理平台；云计算处理平台包括节点信息处理模块、节点事件整理记录模块、数据库模块、上位智能分析模块、深度学习模块和模型下放模块；
节点信息获取模块用于获取油气开采区域内若干油气井节点的传感器数据和返排阶段数据；
具体的，该传感器数据包括含砂数据、液体流量数据、温度数据、压力数据、油嘴开度数据、粘度数据和支撑剂沉降数据；返排阶段数据是指以压裂工程阶段为维度的压裂液返排时期。
边缘基站模块用于将传感器数据和返排阶段数据上传至云计算处理平台；
具体的，该边缘基站模块内安装有5G边缘服务器，5G边缘服务器用于存储不同油气井返排节点的非线性返排模型，并利用其实现对不同油气井返排节点进行返排决策服务；
具体的，该边缘基站模块还包括节点编号对应单元，节点编号对应单元用于将每一油气井返排节点获取到的传感数据以及当前油气井节点所处的返排阶段与非线性返排模型进行一一对应。
节点信息处理模块用于对传感器数据和返排阶段数据进行预处理，并进行分发；
节点事件整理记录模块用于将返排阶段数据进行整理记录成返排阶段表；
数据库模块用于存储返排阶段表和历史资料；历史资料包含不同传感器数据下的返排率数据数值；
上位智能分析模块用于获取预处理后的传感器数据并进行计算，获取计算结果，同时根据历史资料将计算结果与返排率之间进行关联性分析，以确定压裂液返排影响因素，并将其与返排阶段表一同输入深度学习模块；
具体的，该上位智能分析模块的具体处理过程，包括：
获取传感器数据，并对进行计算，获取泊松比、杨氏模量和综合滤失系数的计算结果；
提取历史资料中不同传感器数据下的返排率数据数值，并依据其对泊松比、杨氏模量和综合滤失系数的计算结果进行对照关联；
判断其关联度是否满足预设区间：
若满足，则判断传感器数据为压裂液返排影响因素；
反之，则不为压裂液返排影响因素。
深度学习模块用于获取不同油气井返排节点的压裂液返排影响因素以及返排阶段表，并将其作为训练集进行训练，以生成不同油气井返排节点的非线性返排模型；
具体的，该深度学习模块采用神经网络作为学习模型；
在这需要说明一点的是本发明不指定该深度学习模块采用哪种神经网络，任一种能完成本发明的训练任务的神经网络，都可作为本发明的学习模型。
模型下放模块用于获取符合预设标准不同油气井返排节点的非线性返排模型下放至边缘基站模块，利用其以实现对不同油气井返排节点的非线性智能控制。
在一个实施例中，参照图2，一种压裂液返排智能控制装备200，包括：
传感器模块210用于采集传感器数据；
预处理模块220用于对传感器数据进行预处理；
阶段检测模块230用于采集当前油气井节点所处的返排阶段；
边缘通信模块240用于获取传感器数据，并根据当前油气井节点所处的返排阶段将其输入对应的非线性返排模型中进行计算，以获取不同时间段内的返排决策指令；
下位机控制模块250用于根据不同时间段内的返排决策指令对可调式油嘴260和压力泵模块270进行对应控制，以实现在不同压裂液返排时机下合理控制返排速度；
可调式油嘴260用于调节油嘴开度；
压力泵模块270用于调节压力大小。
下面结合具体例子对本申请一种压裂液返排智能控制系统和一种压裂液返排智能控制装备200进行进一步结合说明，其具体如下：
首先通过一种压裂液返排智能控制装备200中的传感器模块210和阶段检测模块230获取传感器数据和返排阶段数据；之后通过节点信息处理模块进行预处理，然后将返排阶段数据进行整理记录成返排阶段表，并存入数据库中，接着通过上位智能分析模块获取预处理后的传感器数据并进行计算，获取计算结果，同时根据历史资料将计算结果与返排率之间进行关联性分析，以确定压裂液返排影响因素；在确定压裂液返排影响因素后，将其同返排阶段表一同输入到深度学习模块进行训练，以生成不同油气井返排节点的非线性返排模型；之后将获取符合预设标准不同油气井返排节点的非线性返排模型下放至所述边缘基站模块，此时，完成边缘端的部署；之后，再通过传感器模块210和阶段检测模块230获取传感器数据和返排阶段数据，并通过边缘通信模块240与边缘基站模块建立联系，以通过不同油气井返排节点的非线性返排模型进行决策，并将该决策指令转换为一种压裂液返排智能控制装备200的通信信号控制可调式油嘴260调节油嘴开度或控制压力泵模块270进行压力大小调节。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (5)

1.一种压裂液返排智能控制系统，其特征在于，包括节点信息获取模块、边缘基站模块和云计算处理平台；所述云计算处理平台包括节点信息处理模块、节点事件整理记录模块、数据库模块、上位智能分析模块、深度学习模块和模型下放模块；
所述节点信息获取模块用于获取油气开采区域内若干油气井节点的传感器数据和返排阶段数据；
所述边缘基站模块用于将所述传感器数据和返排阶段数据上传至云计算处理平台；
所述节点信息处理模块用于对所述传感器数据和返排阶段数据进行预处理，并进行分发；
所述节点事件整理记录模块用于将返排阶段数据进行整理记录成返排阶段表；
所述数据库模块用于存储所述返排阶段表和历史资料；所述历史资料包含不同传感器数据下的返排率数据数值；
所述上位智能分析模块用于获取预处理后的传感器数据并进行计算，获取计算结果，同时根据历史资料将计算结果与返排率之间进行关联性分析，以确定压裂液返排影响因素，并将其与所述返排阶段表一同输入深度学习模块；
所述深度学习模块用于获取不同油气井返排节点的压裂液返排影响因素以及返排阶段表，并将其作为训练集进行训练，以生成不同油气井返排节点的非线性返排模型；
所述模型下放模块用于获取符合预设标准不同油气井返排节点的非线性返排模型下放至所述边缘基站模块，利用其以实现对不同油气井返排节点的非线性智能控制；
所述传感器数据包括含砂数据、液体流量数据、温度数据、压力数据、油嘴开度数据、粘度数据和支撑剂沉降数据；所述返排阶段数据是指以压裂工程阶段为维度的压裂液返排时期；
所述边缘基站模块内安装有5G边缘服务器，所述5G边缘服务器用于存储所述不同油气井返排节点的非线性返排模型，并利用其实现对不同油气井返排节点进行返排决策服务。
2.根据权利要求1所述的一种压裂液返排智能控制系统，其特征在于，所述上位智能分析模块的具体处理过程，包括：
获取所述传感器数据，并对进行计算，获取泊松比、杨氏模量和综合滤失系数的计算结果；
提取所述历史资料中不同传感器数据下的返排率数据数值，并依据其对泊松比、杨氏模量和综合滤失系数的计算结果进行对照关联；
判断其关联度是否满足预设区间：
若满足，则判断所述传感器数据为压裂液返排影响因素；
反之，则不为压裂液返排影响因素。
3.根据权利要求1所述的一种压裂液返排智能控制系统，其特征在于，所述深度学习模块采用神经网络作为学习模型。
4.根据权利要求1所述的一种压裂液返排智能控制系统，其特征在于，所述边缘基站模块还包括节点编号对应单元，所述节点编号对应单元用于将每一油气井返排节点获取到的传感数据以及当前油气井节点所处的返排阶段与非线性返排模型进行一一对应。
5.一种压裂液返排智能控制装备，利用权利要求1所述的一种压裂液返排智能控制系统，其特征在于，包括：
传感器模块用于采集传感器数据；
预处理模块用于对传感器数据进行预处理；
阶段检测模块用于采集当前油气井节点所处的返排阶段；
边缘通信模块用于获取传感器数据，并根据所述当前油气井节点所处的返排阶段将其输入对应的非线性返排模型中进行计算，以获取不同时间段内的返排决策指令；
下位机控制模块用于根据所述不同时间段内的返排决策指令对可调式油嘴和压力泵模块进行对应控制，以实现在不同压裂液返排时机下合理控制返排速度；
所述可调式油嘴用于调节油嘴开度；
所述压力泵模块用于调节压力大小。
CN202210808384.4A 2022-07-11 2022-07-11 一种压裂液返排智能控制系统与装备 Active CN114881230B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210808384.4A CN114881230B (zh) 2022-07-11 2022-07-11 一种压裂液返排智能控制系统与装备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210808384.4A CN114881230B (zh) 2022-07-11 2022-07-11 一种压裂液返排智能控制系统与装备

Publications (2)

Publication Number Publication Date
CN114881230A CN114881230A (zh) 2022-08-09
CN114881230B true CN114881230B (zh) 2022-11-04

Family

ID=82683624

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210808384.4A Active CN114881230B (zh) 2022-07-11 2022-07-11 一种压裂液返排智能控制系统与装备

Country Status (1)

Country Link
CN (1) CN114881230B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110902897A (zh) * 2019-11-27 2020-03-24 成都理工大学 一种页岩气开采的压裂返排液的深度处理方法
CN112093941A (zh) * 2020-09-22 2020-12-18 权冉(银川)科技有限公司 一种环保式压裂返排液废水调驱工艺
CN112943181A (zh) * 2021-02-07 2021-06-11 北京爱新能智科技有限公司 智能气井阀门调节系统
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
CN114021466A (zh) * 2021-11-10 2022-02-08 西南石油大学 基于返排数据和机器学习的页岩气有效缝网体积预测方法
CN114508323A (zh) * 2022-01-11 2022-05-17 中海油能源发展股份有限公司 一种压裂液返排速度智能控制装置与控制方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107989592B (zh) * 2016-10-27 2020-04-07 中国石油化工股份有限公司 一种水平井分段压裂方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110902897A (zh) * 2019-11-27 2020-03-24 成都理工大学 一种页岩气开采的压裂返排液的深度处理方法
CN112093941A (zh) * 2020-09-22 2020-12-18 权冉(银川)科技有限公司 一种环保式压裂返排液废水调驱工艺
CN112943181A (zh) * 2021-02-07 2021-06-11 北京爱新能智科技有限公司 智能气井阀门调节系统
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
CN114021466A (zh) * 2021-11-10 2022-02-08 西南石油大学 基于返排数据和机器学习的页岩气有效缝网体积预测方法
CN114508323A (zh) * 2022-01-11 2022-05-17 中海油能源发展股份有限公司 一种压裂液返排速度智能控制装置与控制方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
2nd International Conference on Mechanical Engineering, Intelligent Manufacturing and Automation Technology》.2022, *
Shale gas well flowback rate prediction for Weiyuan field based on a deep learning algorithm;LiuYuyang等;《Journal of Petroleum Science and Engineering》;20210831;第203卷;1-14 *
Yapeng Xie等.Mechanical Modeling of Fracturing Proppant in Horizontal Well and Study on Mechanism of Reflowing Sand.《MEMAT 2022 *
压裂液返排时机优化研究;孙玉钢等，;《中外能源》;20170731;第22卷(第7期);41-45 *
国内外智能压裂技术现状及发展趋势;蒋廷学等;《石油钻探技术》;20220531;第50卷(第03期);1-9 *

Also Published As

Publication number Publication date
CN114881230A (zh) 2022-08-09

Similar Documents

Publication Publication Date Title
CN104975852B (zh) 多段压裂水平井产油气位置的诊断方法及其系统
CN111062165B (zh) 一种考虑非线性流的嵌入式离散裂缝模拟方法及系统
CN108509694B (zh) 一种基于bp神经网络的支撑剂铺置形态预测方法
CN105298479B (zh) 压裂直井产油(气)位置的诊断方法及其系统
CN108960651A (zh) 一种致密油气藏多级压裂水平井完井效率的综合评价方法
CN104110251A (zh) 一种基于art2的抽油机示功图识别方法
CN107977749A (zh) 一种油田开发指标的预测分析方法
CN104727788A (zh) 一种缝洞型油藏三维单井注气替油模拟实验装置
CN109779602A (zh) 一种钻井工程智能安全风险预警方法及系统
CN106408120A (zh) 一种局部区域滑坡预测装置及方法
CN107341605A (zh) 一种勘察外业信息化监管方法及系统
CN106874560B (zh) 一种傍河水源地优化布井方法
CN110490409A (zh) 一种基于dnn的低压台区线损率标杆值设定方法
CN114881230B (zh) 一种压裂液返排智能控制系统与装备
CN111144433B (zh) 基于svm模型油井工况智能诊断分析方法及装置
CN114638401A (zh) 一种基于历史及预测油藏知识的剩余油分布预测方法及装置
CN115936923A (zh) 一种智能水务管理信息系统
CN108843296A (zh) 一种基于多因素影响下的单井重复压裂效果预测方法
CN110880020B (zh) 一种自适应的跨区域基站能耗模型迁移与补偿方法
CN113723706B (zh) 页岩气井重复压裂产能预测方法、装置、终端及存储介质
CN115526114A (zh) 基于集合卡尔曼滤波法的水力裂缝形态反演方法及系统
CN106802986A (zh) 一种稠油边底水油藏多轮co2吞吐评价方法
CN101950324A (zh) 一种河流健康智能诊断的方法和设备
CN113642976A (zh) 一种基于企业对政策法规获取的信息系统
CN108182550A (zh) 油气田项目后评价系统

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