CN115726776A - 一种非常规油气藏经验产量递减模型优选方法 - Google Patents
一种非常规油气藏经验产量递减模型优选方法 Download PDFInfo
- Publication number
- CN115726776A CN115726776A CN202211484396.2A CN202211484396A CN115726776A CN 115726776 A CN115726776 A CN 115726776A CN 202211484396 A CN202211484396 A CN 202211484396A CN 115726776 A CN115726776 A CN 115726776A
- Authority
- CN
- China
- Prior art keywords
- model
- yield
- eur
- empirical
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000005457 optimization Methods 0.000 title claims abstract description 9
- 238000004519 manufacturing process Methods 0.000 claims abstract description 128
- 238000011160 research Methods 0.000 claims abstract description 11
- 230000003247 decreasing effect Effects 0.000 claims description 52
- 238000012795 verification Methods 0.000 claims description 19
- 230000009467 reduction Effects 0.000 claims description 15
- 238000010200 validation analysis Methods 0.000 claims description 11
- 238000007689 inspection Methods 0.000 claims description 6
- 230000007423 decrease Effects 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000015556 catabolic process Effects 0.000 claims description 2
- 238000006731 degradation reaction Methods 0.000 claims description 2
- 238000010187 selection method Methods 0.000 claims description 2
- 239000004215 Carbon black (E152) Substances 0.000 claims 2
- 229930195733 hydrocarbon Natural products 0.000 claims 2
- 150000002430 hydrocarbons Chemical class 0.000 claims 2
- 238000004458 analytical method Methods 0.000 abstract description 8
- 238000011161 development Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种非常规油气藏经验产量递减模型优选方法,通过对研究区块生产时间超过3年的油气井计算EUR并求得标准EUR,然后根据不同生产时间数据拟合经验产量递减模型,利用适用井数判断经验产量递减模型在不同生产时间下的整体适用性,通过比较不同经验产量递减模型预测EUR与标准EUR的相对误差,寻找不同生产时间下的最优经验产量递减模型,为区块投产新井在不同生产时间下的递减分析提供依据。
Description
技术领域
本发明涉及非常规油气勘探开发技术领域,尤其涉及一种非常规油气藏经验产量递减模型优选方法。
背景技术
经验产量递减模型是一种对产量数据直接进行分析的方法,模型参数求解简便,能够快速、准确预测油气井产量,在现场已得到了广泛应用。借助经验产量递减模型,可以指导调整油气井合理工作制度,达到提高油气井最终可采储量即EUR,并降低开发成本的目的。
经验产量递减模型由Arps(1945)率先提出,并将油气产量递减趋势分为指数递减、双曲递减及调和递减三类。随后的几十年里,学者们提出了不同类型的经验产量递减模型,这些模型大多是对Arps模型的修正或扩展。
随着常规油气藏的不断枯竭,非常规油气藏成为了开发重点。由于非常规油气藏的低孔、低渗特征,现场以多级压裂水平井技术实现非常规油气藏经济开采。在开发过程中,非常规油气藏长期处于线性流动阶段。以Arps为代表的常规经验产量递减模型多适用于油气藏开发晚期的边界控制流动阶段,在非常规油气井递减分析中适用性不佳。针对上述情况,学者们提出了PLE模型(2008)、SEPD模型(2009)、Duong模型(2010)及RB-LGM模型(2020)等。此外,考虑非常规油气藏递减过程中出现的早期快速递减和晚期缓速递减特征,国内外学者基于“分段拟合”开展了组合递减模型的研究,比如:SEPD+Duong(2015)、Duong+Arps(2018)等。
在实际开发过程中,非常规油气井的流动阶段需结合试井分析、现代产量递减分析、数值模拟技术等多种方法进行综合判定,根据非常规油气井流动阶段选取经验产量递减模型较为繁琐和困难。因此,有必要提出一种非常规油气藏经验产量递减模型优选方法,明确区块不同生产时间下单井的经验产量递减模型适用情况,为区块投产新井快速递减分析提供依据。
发明内容
本发明主要是解决现有技术中的不足之处,本发明的目的是提供一种非常规油气藏经验产量递减模型优选方法。
为达到以上技术目的,本发明采用以下技术方案:
一种非常规油气藏经验产量递减模型优选方法,其特征在于,包括以下步骤:
S1:收集研究区块生产时间超过3年的油气井,获取它们的生产动态数据;
S2:划分出油气井产量递减阶段数据,并按比例8:2将产量递减阶段数据划分为拟合集和验证集;
S3:根据步骤S2中划分的各油气井的拟合集,计算各类经验产量递减模型的模型参数,根据验证集判断各类经验产量递减模型的适用性,决定各类经验产量递减模型是否通过验证集检验;
S4:针对每口油气井,分别采用所有通过验证集检验的经验产量递减模型预测EUR并计算出平均值,并以该平均值作为对应油气井的标准EUR;
S5:针对每口油气井的产量递减阶段数据,在不同生产时间下采用各类经验产量递减模型进行拟合,利用未参与拟合的产量递减阶段的实际生产数据判断各类经验产量递减模型在每口油气井不同生产时间下的适用性;
S6:在不同生产时间下,根据各类经验产量递减模型的适用井数,判断各类经验产量递减模型整体的适用性;
S7:在不同生产时间下,根据各类经验产量递减模型预测的EUR与标准EUR的平均相对误差表征经验产量递减模型预测EUR结果可靠程度,给出研究区块在不同生产时间下的优选经验产量递减模型。
进一步的,所述步骤S1中,油气井生产动态数据包括生产时间及其对应的实际产量。
进一步的,所述步骤S2具体包括以下步骤:
S21:以油气井产量最大值为标志,油气井产量最大值以后的生产动态数据为所划分的油气井产量递减阶段数据,同时剔除油气井产量递减阶段数据中产量为0的点;
S22:选择油气井产量递减阶段数据中前80%的生产动态数据作为拟合集,剩余的20%生产动态数据作为验证集。
进一步的,所述步骤S4中油气井的标准EUR计算公式如下:
式中:EURstandard,j为第j口井的标准EUR,108m3;EURi,j为第j口井中第i个通过验证集检验的经验产量递减模型的预测EUR,108m3;n为第j口井中通过验证集检验的经验产量递减模型的数量。
进一步的,所述步骤S6中根据不同生产时间下各类经验产量递减模型的适用井数,判断各类经验产量递减模型整体的适用性的准则如下:在给定生产时间下,若某一模型的适用井数低于总井数的50%,则认为该模型不适用于该给定生产时间下的EUR预测;若某一模型的适用井数为总井数的50%~75%,则认为该模型较适用于该给定生产时间下的EUR预测;若某一模型的适用井数高于总井数的75%,则认为该模型适用于该给定生产时间下的EUR预测。
进一步的,所述步骤S7具体包括以下步骤:
S71:计算不同生产时间下各类经验产量递减模型预测EUR的平均相对误差;针对给定生产时间下的经验产量递减模型,计算平均相对误差公式如下:
式中:REaverage为平均相对误差,%;REj为第j口井的相对误差,%;EURmethod,j为第j口井的经验产量递减模型预测EUR,108m3;EURstandard,j为第j口井的标准EUR,108m3;m为区块中收集的油气井总数。
S72:比较平均相对误差的绝对值大小,平均相对误差的绝对值越小代表模型预测EUR越可靠,对应平均相对误差的绝对值最小的经验产量递减模型即为最终优选经验产量递减模型。
本发明所提供的一种非常规油气藏经验产量递减模型优选方法,通过对研究区块生产时间超过3年的油气井计算EUR并求得标准EUR,然后根据不同生产时间数据拟合经验产量递减模型,利用适用井数判断经验产量递减模型在不同生产时间下的整体适用性,通过比较不同经验产量递减模型预测EUR与标准EUR的相对误差,寻找不同生产时间下的最优经验产量递减模型,为区块投产新井在不同生产时间下的递减分析提供依据。
有益效果:
与现有技术相比,本发明具有以下有益效果:
通过对研究区块生产时间超过3年的油气井计算EUR并求得标准EUR,然后根据不同生产时间数据拟合经验产量递减模型,利用适用井数判断经验产量递减模型在不同生产时间下的整体适用性,通过比较不同经验产量递减模型预测EUR与标准EUR的相对误差,寻找不同生产时间下的最优经验产量递减模型,为区块投产新井在不同生产时间下的递减分析提供依据。
附图说明
图1为四川盆地某区块60口页岩气井生产曲线示意图;
图2为四川盆地某区块60口页岩气井产量递减阶段曲线示意图;
图3为1井经验产量递减模型拟合示意图;
图4为不同生产时间下七种经验产量递减模型预测EUR相对误差;
图5为生产时间为6个月时七种递减模型预测EUR相对误差的绝对值;
图6为生产时间为12个月时七种递减模型预测EUR相对误差的绝对值;
图7为生产时间为18个月时七种递减模型预测EUR相对误差的绝对值;
图8为生产时间为24个月时七种递减模型预测EUR相对误差的绝对值。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
实施例:
一种非常规油气藏经验产量递减模型优选方法,包括以下步骤:
S1:收集研究区块生产时间超过3年的油气井,获取它们的生产动态数据;
所述油气井生产动态数据包括生产时间及其对应的实际产量。
S2:划分出油气井产量递减阶段数据,并按比例8:2将产量递减阶段数据划分为拟合集和验证集;
具体包括以下步骤:
S21:以油气井产量最大值为标志,油气井产量最大值以后的生产动态数据为所划分的油气井产量递减阶段数据,同时剔除油气井产量递减阶段数据中产量为0的点;
S22:选择油气井产量递减阶段数据中前80%的生产动态数据作为拟合集,剩余的20%生产动态数据作为验证集。
S3:根据步骤S2中划分的各油气井的拟合集,计算各类经验产量递减模型的模型参数,根据验证集判断各类经验产量递减模型的适用性,决定各类经验产量递减模型是否通过验证集检验;
S4:针对每口油气井,分别采用所有通过验证集检验的经验产量递减模型预测EUR并计算出平均值,并以该平均值作为对应油气井的标准EUR;油气井的标准EUR计算公式如下:
式中:EURstandard,j为第j口井的标准EUR,108m3;EURi,j为第j口井中第i个通过验证集检验的经验产量递减模型的预测EUR,108m3;n为第j口井中通过验证集检验的经验产量递减模型的数量。
S5:针对每口油气井的产量递减阶段数据,在不同生产时间下采用各类经验产量递减模型进行拟合,利用未参与拟合的产量递减阶段的实际生产数据判断各类经验产量递减模型在每口油气井不同生产时间下的适用性;
S6:在不同生产时间下,根据各类经验产量递减模型的适用井数,判断各类经验产量递减模型整体的适用性;
判断准则如下:在给定生产时间下,若某一模型的适用井数低于总井数的50%,则认为该模型不适用于该给定生产时间下的EUR预测;若某一模型的适用井数为总井数的50%~75%,则认为该模型较适用于该给定生产时间下的EUR预测;若某一模型的适用井数高于总井数的75%,则认为该模型适用于该给定生产时间下的EUR预测。
S7:在不同生产时间下,根据各类经验产量递减模型预测的EUR与标准EUR的平均相对误差表征经验产量递减模型预测EUR结果可靠程度,给出研究区块在不同生产时间下的优选经验产量递减模型;
具体包括以下步骤:
S71:计算不同生产时间下各类经验产量递减模型预测EUR的平均相对误差;针对给定生产时间下的经验产量递减模型,计算平均相对误差公式如下:
式中:REaverage为平均相对误差,%;REj为第j口井的相对误差,%;EURmethod,j为第j口井的经验产量递减模型预测EUR,108m3;EURstandard,j为第j口井的标准EUR,108m3;m为区块中收集的油气井总数。
S72:比较平均相对误差的绝对值大小,平均相对误差的绝对值越小代表模型预测EUR越可靠,对应平均相对误差的绝对值最小的经验产量递减模型即为最终优选经验产量递减模型。
实施例1:
本实例以页岩气为例,所用页岩气井生产数据来自四川盆地某区块60口页岩气井,数据样本包括生产时间以及实际产气量,生产时间均超过3年,如图1所示。
首先,以页岩气井产量最大值为标志确定页岩气井产量递减阶段,同时剔除页岩气井产量递减阶段中产量为0的点,如图2所示。
进一步的,选择产量递减阶段数据中前80%的生产动态数据作为拟合集,剩余的20%生产数据作为验证集。根据拟合集计算不同经验产量递减模型参数,根据验证集判断经验产量递减模型预测效果好坏。图3展示了所选60口井中1井的经验产量递减模型拟合示意图,1井中,除ML模型不符合验证集数据的递减趋势外,其余各经验产量递减模型均适用。在本实施例中,利用七种不同的经验产量递减模型拟合其余井的拟合集数据,根据验证集确定经验产量递减模型,统计结果如表1所示,表1中:“√”代表经验产量递减模型通过验证集检验,“×”代表经验产量递减模型未通过验证集检验。
所述七种不同的经验产量递减模型Arps模型、PLE模型、SEPD模型、Duong模型、ML模型、广义K模型和Li递减模型,上述模型是行业内常用经验产量递减模型,具体表达式不予赘述。
表1不同经验产量递减模型适用性统计表(60口井)
进一步的,如表2所示,计算所有通过验证集检验的经验产量递减模型预测EUR平均值,并以该平均值作为标准EUR。
表2 60口井标准EUR统计表
进一步的,以生产时间为6、12、18和24个月为例,以生产6、12、18和24个月的数据作为拟合集,递减阶段中的剩余生产数据作为验证集。拟合集确定经验产量递减模型参数,验证集判断经验产量递减模型是否适用该口页岩气井。如表3所示,统计了不同拟合集下各模型的适用井数量。
表3不同生产时间下各模型的适用井数量统计表
模型名称 | 6个月 | 12个月 | 18个月 | 24个月 |
Arps | 9口井 | 23口井 | 35口井 | 45口井 |
PLE | 2口井 | 13口井 | 18口井 | 39口井 |
SEPD | 16口井 | 25口井 | 34口井 | 45口井 |
Duong | 22口井 | 34口井 | 37口井 | 45口井 |
ML | 10口井 | 14口井 | 38口井 | 51口井 |
广义K模型 | 30口井 | 30口井 | 36口井 | 47口井 |
Li | 23口井 | 32口井 | 38口井 | 48口井 |
进一步的,根据经验产量递减模型的适用井数判断递经验产量减模型适用性:不同生产时间下,若某一模型的适用井数低于总井数的50%(即小于30口井),则认为该模型不适用;若某一模型的适用井数为总井数的50%~75%(即30~55口井),则认为该模型较适用;若某一模型的适用井数高于总井数的75%(即大于55口井),则认为该模型适用,统计结果如表4所示。
表4不同生产时间下各模型的适用性统计表
模型名称 | 6个月 | 12个月 | 18个月 | 24个月 |
Arps | 不适用 | 不适用 | 较适用 | 适用 |
PLE | 不适用 | 不适用 | 不适用 | 较适用 |
SEPD | 不适用 | 不适用 | 较适用 | 适用 |
Duong | 不适用 | 较适用 | 较适用 | 适用 |
ML | 不适用 | 不适用 | 较适用 | 适用 |
广义K模型 | 较适用 | 较适用 | 较适用 | 适用 |
Li | 不适用 | 较适用 | 较适用 | 适用 |
进一步的,计算不同生产时间下各个经验产量递减预测的EUR与标准EUR的平均相对误差,比较相对误差的绝对值大小,相对误差的绝对值越小代表模型预测EUR越可靠,即为不同生产时间下的最终优选模型。
结合表4、图4、图5、图6、图7和图8可知:生产时间为6个月时,仅有广义K模型达到了较适用的标准,因此建议使用广义K模型,且该模型预测EUR偏低;生产时间为12个月时,Duong、广义K和Li模型达到了较适用的标准,其中Duong模型平均相对误差的绝对值最小,为优选模型,且Duong模型预测EUR偏高;生产时间为18个月时,除PLE模型外,其余模型均达到了较适用的标准,其中Duong模型平均相对误差的绝对值最小,为优选模型,且Duong模型预测EUR偏高;当生产时间达到24个月,七种模型均达到了较适用或适用的标准,其中SEPD模型平均相对误差的绝对值最小,为优选模型,且SEPD模型预测EUR偏低。
本发明所提供的一种非常规油气藏经验产量递减模型优选方法,通过对研究区块生产时间超过3年的油气井计算EUR并求得标准EUR,然后根据不同生产时间数据拟合经验产量递减模型,利用适用井数判断经验产量递减模型在不同生产时间下的整体适用性,通过比较不同经验产量递减模型预测EUR与标准EUR的相对误差,寻找不同生产时间下的最优经验产量递减模型,为区块投产新井在不同生产时间下的递减分析提供依据。
以上所述,并非对本发明作任何形式上的限制,虽然本发明已通过上述实施例揭示,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变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 (6)
1.一种非常规油气藏经验产量递减模型优选方法,其特征在于,包括以下步骤:
S1:收集研究区块生产时间超过3年的油气井,获取它们的生产动态数据;
S2:划分出油气井产量递减阶段数据,并按比例8:2将产量递减阶段数据划分为拟合集和验证集;
S3:根据步骤S2中划分的各油气井的拟合集,计算各类经验产量递减模型的模型参数,根据验证集判断各类经验产量递减模型的适用性,决定各类经验产量递减模型是否通过验证集检验;
S4:针对每口油气井,分别采用所有通过验证集检验的经验产量递减模型预测EUR并计算出平均值,并以该平均值作为对应油气井的标准EUR;
S5:针对每口油气井的产量递减阶段数据,在不同生产时间下采用各类经验产量递减模型进行拟合,利用未参与拟合的产量递减阶段的实际生产数据判断各类经验产量递减模型在每口油气井不同生产时间下的适用性;
S6:在不同生产时间下,根据各类经验产量递减模型的适用井数,判断各类经验产量递减模型整体的适用性;
S7:在不同生产时间下,根据各类经验产量递减模型预测的EUR与标准EUR的平均相对误差表征经验产量递减模型预测EUR结果可靠程度,给出研究区块在不同生产时间下的优选经验产量递减模型。
2.如权利要求1中所述的一种非常规油气藏经验产量递减模型优选方法,其特征在于,所述步骤S1中,油气井生产动态数据包括生产时间及其对应的实际产量。
3.如权利要求1中所述的一种非常规油气藏经验产量递减模型优选方法,其特征在于,所述步骤S2具体包括以下步骤:
S21:以油气井产量最大值为标志,油气井产量最大值以后的生产动态数据为所划分的油气井产量递减阶段数据,同时剔除油气井产量递减阶段数据中产量为0的点;
S22:选择油气井产量递减阶段数据中前80%的生产动态数据作为拟合集,剩余的20%生产动态数据作为验证集。
5.如权利要求1中所述的一种非常规油气藏经验产量递减模型优选方法,其特征在于,所述步骤S6中根据不同生产时间下各类经验产量递减模型的适用井数,判断各类经验产量递减模型整体的适用性的准则如下:在给定生产时间下,若某一模型的适用井数低于总井数的50%,则认为该模型不适用于该给定生产时间下的EUR预测;若某一模型的适用井数为总井数的50%~75%,则认为该模型较适用于该给定生产时间下的EUR预测;若某一模型的适用井数高于总井数的75%,则认为该模型适用于该给定生产时间下的EUR预测。
6.如权利要求1中所述的一种非常规油气藏经验产量递减模型优选方法,其特征在于,所述步骤S7具体包括以下步骤:
S71:计算不同生产时间下各类经验产量递减模型预测EUR的平均相对误差;针对给定生产时间下的经验产量递减模型,计算平均相对误差公式如下:
式中:REaverage为平均相对误差,%;REj为第j口井的相对误差,%;EURmethod,j为第j口井的经验产量递减模型预测EUR,108m3;EURstandard,j为第j口井的标准EUR,108m3;m为区块中收集的油气井总数;
S72:比较平均相对误差的绝对值大小,平均相对误差的绝对值越小代表模型预测EUR越可靠,对应平均相对误差的绝对值最小的经验产量递减模型即为最终优选经验产量递减模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211484396.2A CN115726776A (zh) | 2022-11-24 | 2022-11-24 | 一种非常规油气藏经验产量递减模型优选方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211484396.2A CN115726776A (zh) | 2022-11-24 | 2022-11-24 | 一种非常规油气藏经验产量递减模型优选方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115726776A true CN115726776A (zh) | 2023-03-03 |
Family
ID=85298076
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211484396.2A Pending CN115726776A (zh) | 2022-11-24 | 2022-11-24 | 一种非常规油气藏经验产量递减模型优选方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115726776A (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140297235A1 (en) * | 2013-01-31 | 2014-10-02 | Betazi, Llc | Production analysis and/or forecasting methods, apparatus, and systems |
US20140365409A1 (en) * | 2013-06-10 | 2014-12-11 | Damian N. Burch | Determining Well Parameters For Optimization of Well Performance |
CN104616353A (zh) * | 2013-11-05 | 2015-05-13 | 中国石油天然气集团公司 | 储层随机地质模型的建模及优选方法 |
CN105488583A (zh) * | 2015-11-23 | 2016-04-13 | 中国石油天然气股份有限公司 | 预测致密油待评价区域可采储量的方法及装置 |
CN105631184A (zh) * | 2014-11-05 | 2016-06-01 | 中国石油化工股份有限公司 | 一种油气井产量递减分析方法和系统 |
CN109057786A (zh) * | 2018-07-27 | 2018-12-21 | 中国石油大学(华东) | 一种用于非常规油气藏可采储量估算的自适应模型 |
CN109523072A (zh) * | 2018-11-02 | 2019-03-26 | 中国石油化工股份有限公司 | 基于lstm的油田产油量预测方法 |
CA3098326A1 (en) * | 2018-04-27 | 2019-10-31 | Jingwen Zheng | System and method for oil and gas predictive analytics |
CN112392478A (zh) * | 2020-12-15 | 2021-02-23 | 西南石油大学 | 一种快速预测低渗致密油藏经济可采储量的方法 |
CN113919219A (zh) * | 2021-10-08 | 2022-01-11 | 西安石油大学 | 基于测井大数据的地层评价方法及系统 |
CN113935253A (zh) * | 2021-12-17 | 2022-01-14 | 西南石油大学 | 一种基于数据赋权的页岩气井经验产量递减模型拟合方法 |
CN114580261A (zh) * | 2021-10-22 | 2022-06-03 | 中国石油天然气股份有限公司 | 可采储量预测模型建立方法、可采储量预测方法和装置 |
CN115204534A (zh) * | 2022-09-16 | 2022-10-18 | 中国地质大学(北京) | 基于单变量的分阶段组合模型的油气产量预测方法及系统 |
-
2022
- 2022-11-24 CN CN202211484396.2A patent/CN115726776A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140297235A1 (en) * | 2013-01-31 | 2014-10-02 | Betazi, Llc | Production analysis and/or forecasting methods, apparatus, and systems |
US20140365409A1 (en) * | 2013-06-10 | 2014-12-11 | Damian N. Burch | Determining Well Parameters For Optimization of Well Performance |
CN104616353A (zh) * | 2013-11-05 | 2015-05-13 | 中国石油天然气集团公司 | 储层随机地质模型的建模及优选方法 |
CN105631184A (zh) * | 2014-11-05 | 2016-06-01 | 中国石油化工股份有限公司 | 一种油气井产量递减分析方法和系统 |
CN105488583A (zh) * | 2015-11-23 | 2016-04-13 | 中国石油天然气股份有限公司 | 预测致密油待评价区域可采储量的方法及装置 |
CA3098326A1 (en) * | 2018-04-27 | 2019-10-31 | Jingwen Zheng | System and method for oil and gas predictive analytics |
CN109057786A (zh) * | 2018-07-27 | 2018-12-21 | 中国石油大学(华东) | 一种用于非常规油气藏可采储量估算的自适应模型 |
CN109523072A (zh) * | 2018-11-02 | 2019-03-26 | 中国石油化工股份有限公司 | 基于lstm的油田产油量预测方法 |
CN112392478A (zh) * | 2020-12-15 | 2021-02-23 | 西南石油大学 | 一种快速预测低渗致密油藏经济可采储量的方法 |
CN113919219A (zh) * | 2021-10-08 | 2022-01-11 | 西安石油大学 | 基于测井大数据的地层评价方法及系统 |
CN114580261A (zh) * | 2021-10-22 | 2022-06-03 | 中国石油天然气股份有限公司 | 可采储量预测模型建立方法、可采储量预测方法和装置 |
CN113935253A (zh) * | 2021-12-17 | 2022-01-14 | 西南石油大学 | 一种基于数据赋权的页岩气井经验产量递减模型拟合方法 |
CN115204534A (zh) * | 2022-09-16 | 2022-10-18 | 中国地质大学(北京) | 基于单变量的分阶段组合模型的油气产量预测方法及系统 |
Non-Patent Citations (3)
Title |
---|
ZHAO, YL ET AL.: "A basic model of unconventional gas microscale flow based on the lattice Boltzmann method", 《PETROLEUM EXPLORATION AND DEVELOPMENT》, 19 March 2021 (2021-03-19), pages 179 - 189 * |
吴登生等: "考虑模型相关性的组合预测过程中单项模型筛选研究", 《系统科学与数学》, 28 February 2017 (2017-02-28), pages 449 - 459 * |
赵玉龙等: "基于数据赋权的经验产量递减模型拟合新方法——以四川盆地长宁区块为例", 《天然气工业》, 25 November 2022 (2022-11-25), pages 66 - 76 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108009716B (zh) | 一种水平井体积压裂效果影响因素多层次评价方法 | |
CN110992200B (zh) | 基于随机森林的页岩气井分段压裂效果评价和产量预测方法 | |
CN109255134B (zh) | 一种抽油机井故障情况的获取方法 | |
CN107944599B (zh) | 油气水平井产量的预测方法 | |
CN112529341B (zh) | 一种基于朴素贝叶斯算法的钻井漏失机率预测方法 | |
CN115345378B (zh) | 一种基于机器学习的页岩气井产量评价方法 | |
CN106056252B (zh) | 一种页岩气田井组划分三级优化方法 | |
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 | |
CN114358427A (zh) | 一种预测页岩气井最终可采储量的方法 | |
CN111197500A (zh) | 适用于tbm掘进隧道围岩等级实时判别方法及系统 | |
CN109779622B (zh) | 特高含水期油藏低效注水带表征方法及装置 | |
CN117610195A (zh) | 一种带钢宽展的预测方法、装置、介质以及电子设备 | |
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 | |
CN110632191B (zh) | 一种基于决策树算法的变压器色谱峰定性方法和系统 | |
CN115726776A (zh) | 一种非常规油气藏经验产量递减模型优选方法 | |
CN112418522A (zh) | 一种基于三支集成预测模型的工业加热炉钢温预测方法 | |
CN110322083B (zh) | 页岩油气可采储量预警方法 | |
CN109191002B (zh) | 一种油气富集程度的表征方法 | |
CN114912372A (zh) | 一种基于人工智能算法的高精度充填管路故障预警方法 | |
CN116384618A (zh) | 一种大井距油藏调驱选井方法和系统 | |
CN113705917A (zh) | 一种致密油藏压裂水平井初期产能预测方法 | |
CN112861076A (zh) | 一种基于线性回归模型的铂钯品位的预测方法 | |
CN112036048A (zh) | 一种基于多因素影响的有水气藏水侵优势通道识别方法 | |
CN111274736A (zh) | 一种基于有导师学习神经网络算法的导水裂隙带预测方法 | |
CN117575106B (zh) | 一种煤层气井产气剖面预测方法、系统、电子设备及介质 |
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 |