CN116108704B - 一种基于智能算法优化地热田矢量化井网的方法 - Google Patents

一种基于智能算法优化地热田矢量化井网的方法 Download PDF

Info

Publication number
CN116108704B
CN116108704B CN202310386106.9A CN202310386106A CN116108704B CN 116108704 B CN116108704 B CN 116108704B CN 202310386106 A CN202310386106 A CN 202310386106A CN 116108704 B CN116108704 B CN 116108704B
Authority
CN
China
Prior art keywords
well
geothermal
fracture
production well
optimal
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
CN202310386106.9A
Other languages
English (en)
Other versions
CN116108704A (zh
Inventor
李昕睿
孙致学
宋文铜
童凯军
张立松
杜雨春
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.)
China University of Petroleum East China
Original Assignee
China University of Petroleum East China
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 China University of Petroleum East China filed Critical China University of Petroleum East China
Priority to CN202310386106.9A priority Critical patent/CN116108704B/zh
Publication of CN116108704A publication Critical patent/CN116108704A/zh
Application granted granted Critical
Publication of CN116108704B publication Critical patent/CN116108704B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/10—Geothermal energy

Abstract

本发明属于地热能井网优化技术领域，涉及一种基于智能算法优化地热田矢量化井网的方法，包括以下步骤：确定注入井位置、干热岩储层初始温度及地热田区域形状、面积并进行合理划分；初始化生产井初始位置，设置生产井待优化井位数目和约束条件；建立目标函数，根据目标函数计算生产井适应度值并分别与相应的个体极值和全局极值比较得到当前个体极值和全局极值，进而得到井网布局最优结果；根据井网布局最优结果优化裂缝特征；初始化裂缝位置及特征，根据最优目标函数更新裂缝位置及特征；裂缝特征向最优结果更新结束得最优裂缝特征，完成井网布局和裂缝特征的优化。本发明分别优化井网布局及裂缝特征，为地热田合理高效的布井及压裂缝网提供参考。

Description

一种基于智能算法优化地热田矢量化井网的方法
技术领域
本发明涉及地热能井网优化技术领域，具体涉及一种基于智能算法优化地热田矢量化井网的方法。
背景技术
由于化石能源的有限性及不可再生性，全球节能减排的呼声不断高涨，人们开始关注清洁、环保、可再生的地热能源。增强型地热系统（Ehanced Geothermal System，EGS)作为干热岩开采技术之一，美国能源部将其定义为采用人工形成地热储层的方法，从低渗透性岩体中经济地采出深层热能的人工地热系统。干热岩储层热能的开采是利用水力压裂技术在热储层形成复杂裂缝网络，使冷水通过注水井进入热储层，实现水在注水井、热储层和生产井之间的循环，由此提取热量的过程。
在地热田的开发中，为了最大限度地提高热能提取效率，要以不同的布局方式来布置井，有序的井组合形成了通常所说的井网。目前，多采用智能优化算法与井网优化相结合，通过智能优化算法寻求最优的井网布局方式。优化算法是一种搜寻过程和规则，一般包含两大类：数值优化算法和智能优化算法。数值优化算法具有完善的数学理论验证，结果可信度高。算法计算规则是首先选取初始点，以此为基础沿着可行方向移动一个步长，循环进行，直到找到满足要求点。但这类算法形式复杂，对目标函数的类型、可微性、可导性等有较高的要求，计算效率较低，尤其涉及井网优化问题，面对复杂多维数、多目标问题求解时，数值优化算法为实际应用带来了较大困难。智能优化算法模仿生物行为，其搜索迭代方式为在给定初始值的前提下，种群利用结构化和随机性的信息进行搜索。智能优化算法对目标函数形态要求低，适用范围广，有着较强的通用性，为求解井网问题提供了很大便利。
EGS由注入井、含裂缝储层和生产井组成。EGS储层基质渗透率较低，裂缝往往是注入井和生产井之间唯一的流动通道。因此井网布局和裂隙分布特征将直接影响到携热工质的流动路径，进而影响着携热工质的流动和传热过程，从而影响携热工质对干热岩储层热能的开采效率。目前，针对干热岩热能提取的井网布局以及压裂缝网方向与注采井之间的关系研究较少，合理规划井网布局以及压裂缝网的分布特征对干热岩热能提取效率有重要影响。矢量化井网是以沉积的物源方向、河流走向或主渗透率方向为基础而部署的与之相适应的井网，同时考虑油层分布、物源方向、河流走向或主渗透率方向、裂缝方向、沉积微相的一种综合布井方式。干热岩的热能开采一般采用人工压裂缝网，携热工质的主要渗流通道为裂缝，则裂缝的方向性对携热工质的渗流方向有重要影响。本专利考虑裂缝方向、裂缝长度及裂缝高度，从而优化对矢量化井网的部署。
专利号为CN113987935A的中国专利“一种基于遗传算法的加热井布局优化方法及装置”，公开了一种基于遗传算法的加热井布局优化方法及装置，该方法针对热强化SVE过程中加热井的布局进行优化，减少加热井作用范围的重叠，最大化加热井覆盖的有效面积，从而达到减少能源浪费，控制温室气体排放的目的。
专利号为CN110984950B的中国专利“一种注采井网井位优化部署的方法”，提供了一种注采井网井位优化部署的方法，解决了油藏新区建设井网设计和老区综合调整井网设计的注采井距矢量化设计，使得井网井距设计与调整的量化科学决策得以实现。
专利号为CN109236265B的中国专利“一种致密气藏井网优化方法”，提供了一种致密气藏井网优化方法，在砂体静态模型上，考虑压力波及范围，明确储层动用边界，在目前技术条件下，实现了致密砂岩气藏开发井网的最优化。
上述专利的优化方法相对复杂，而且均未考虑裂缝特征对最终优化结果的影响。
发明内容
本发明旨在提供一种基于智能算法优化地热田矢量化井网的方法，并考虑了压裂缝网分布特征与井网部署的关系，意在解决干热岩储层热能开采的井网布局问题。本发明将采用智能算法中的粒子群算法（PSO）和蚁群算法（ACO）分别来对地热田布井问题及压裂缝网的分布特征进行优化，具有计算简单、参数设置少、收敛速度快、能够处理的变量数目多等优点，非常适合于求解复杂的优化问题。
为实现上述发明目的，本发明采用的技术方案如下：一种基于智能算法优化地热田矢量化井网的方法，包括以下步骤：
步骤一：依据地质资料获取目标地热田的区域形状及面积，并将该区域形状划分为规则形状；基于物探资料确定注入井的位置，并通过钻孔岩心温度监测得到干热岩储层的初始温度，并确定注入井所注入的携热工质及其初始温度。
步骤二：初始化生产井的初始位置，设置生产井的待优化井位数目和约束条件；
地热田井位优化问题的约束条件包括：井位坐标的横坐标约束、井位坐标的纵坐标约束和最小井间距的约束，如下（1-1）~（1-3）所示：
Figure SMS_1
（1-1）
Figure SMS_2
（1-2）
Figure SMS_3
（1-3）
式中，
Figure SMS_5
，/>
Figure SMS_8
分别为第/>
Figure SMS_12
，第/>
Figure SMS_6
口生产井的横坐标；/>
Figure SMS_10
，/>
Figure SMS_14
分别为第/>
Figure SMS_16
，第/>
Figure SMS_7
口生产井的纵坐标；/>
Figure SMS_11
，/>
Figure SMS_15
，/>
Figure SMS_17
，/>
Figure SMS_4
分别为生产井位横纵坐标的上下界，m；/>
Figure SMS_9
为生产井的数量；
Figure SMS_13
为最小井间距，m；其中，式（1-1）为生产井位坐标的横坐标约束，式（1-2）为生产井位坐标的纵坐标约束，式（1-3）为最小井间距约束。
步骤三：建立以干热岩储层热能开采时间内的累计发电量作为目标函数，根据目标函数计算每口生产井的适应度值；
采用双工质循环发电的发电功率做近似计算（2-1）：
Figure SMS_18
（2-1）
式中，
Figure SMS_20
为发电功率，W；/>
Figure SMS_23
为采热功率，W；/>
Figure SMS_25
为双工质循环中总发电效率；/>
Figure SMS_21
为涡轮机内部效率；/>
Figure SMS_22
为涡轮机效率；/>
Figure SMS_24
为发电机效率；/>
Figure SMS_26
为热效率，/>
Figure SMS_19
由式（2-2）计算得到：
Figure SMS_27
（2-2）/>
式中，
Figure SMS_28
为生产井产出流体的温度，K；/>
Figure SMS_29
为携热工质的初始温度，K；累积发电量用干热岩储层热能开采时间内的发电功率积分得到：
Figure SMS_30
（2-3）
式中，
Figure SMS_31
为干热岩储层热能开采时间内的累计发电量，J；/>
Figure SMS_32
为干热岩储层热能开采的时间，a。
步骤四：对于每口生产井，用它的适应度值和对应个体极值比较，取最大值作为当前个体极值；即：如果适应度值大于对应个体极值，则用其适应度值替换对应个体极值，以适应度值作为当前个体极值；如果其适应度值小于对应个体极值，则当前较大的个体极值不做变化。
步骤五：对于群体中的每口生产井，将每口生产井的适应度值和所经历的全局极值作比较，取最大值作为当前全局极值；即：若适应度值小于全局极值，则当前较大的全局极值不变；若适应度值大于全局极值，则将适应度值作为当前的全局极值；全局极值和步骤四中个体极值的变化使得生产井的位置和速度不断更新；当更新后生产井的当前个体极值和当前全局极值使得目标函数取得最大值时，则得到了井网布局的最优结果；
其中，生产井的位置和速度将通过以下公式来更新：
Figure SMS_33
（3-1）
Figure SMS_34
（3-2）
式中，
Figure SMS_37
为更新后生产井的位置；/>
Figure SMS_39
为更新后作为粒子的井的速度，m/s；/>
Figure SMS_42
为惯性权重；/>
Figure SMS_36
为个体极值；/>
Figure SMS_38
为全局极值；/>
Figure SMS_41
、/>
Figure SMS_43
为学习因子，也称加速常数；/>
Figure SMS_35
、/>
Figure SMS_40
为[0，1]范围内的均匀随机数。
步骤六：根据步骤五得到的井网布局的最优结果，采用蚁群算法优化该区域压裂时产生的裂缝特征，并由步骤一中地热田划分的规则形状及面积，确定压裂范围；本发明中待优化裂缝特征包含：裂缝长度、裂缝高度及裂缝方向；
由于加砂总量、累计液量与缝长、缝高具有较明显的正相关性，因此压裂的裂缝长度和裂缝高度的控制方程为：
Figure SMS_44
式中，
Figure SMS_45
为预测的裂缝长度，m；/>
Figure SMS_46
为预测的裂缝高度，m；/>
Figure SMS_47
为压裂期间的累计液量，m3；/>
Figure SMS_48
为加砂总量，m3。
步骤七：随机设置裂缝在干热岩储层中的初始位置及裂缝特征，通过裂缝特征的不断更新，得到每次更新时产生目标函数的结果；在部分裂缝特征情况下得到最优目标函数值时，其余裂缝将选择同样的方式对裂缝特征进行更新。
步骤八：裂缝特征向最优目标函数更新结束后，得到最优的裂缝特征，即裂缝的长度、裂缝高度及裂缝方向，从而得到最优的井网布局及裂缝特征。
本发明相较于现有技术，具有如下优点：
1.采用粒子群算法优化干热岩储层热能开采的井网布局，粒子群算法是一种高效的并行搜索算法，非常适合于对复杂环境中优化问题的求解，并且粒子群算法具有较强的全局收敛能力和鲁棒性。
2.提出了对压裂缝网的优化研究，并采用蚁群算法优化裂缝特征，包含裂缝长度、裂缝高度和裂缝角度，在现场施工时，为合理压裂缝网，提高干热岩储层的热能开采效率提供了参考。
3.优化了提升干热岩储层热能提取的两种重要参数，为合理高效的开发干热岩储层提供指导。
附图说明
图1为本发明的流程图。
图2为本发明中生产井向最优值更新的图解。
图3为实施例中的最终井网布局以及裂缝分布图。
图4为实施例中的优化结果对目标地热田开采30a时干热岩储层的温度分布图。
具体实施方式
实施例
以GH地热田为对象，依据地质资料及测井分析研究表明，该地热田为花岗岩质干热岩储层，埋藏深度为3100m~3560m，且裂缝发育较差，需采用人工压裂产生裂缝网络；目标地热田形状为矩形，区域范围1400×1800m；基于物探资料确定注入井的位置，并通过钻井温度实测及岩心描述显示干热岩储层温度为190℃~215℃，由于水的比热容较大、流动性较好且来源广泛，将选用以20℃的水为携热工质提取干热岩储层热能。
通过上述分析结果对GH地热田进行井网布局优化及压裂缝网的裂缝特征优化，具体优化步骤如下：
步骤一：依据上述相关参数得到目标地热田区域范围1400×1800m，并基于物探资料确定注入井的位置坐标为（584，661）；干热岩储层的温度确定为200℃，且以水为携热工质的初始温度为20℃。
步骤二：采用粒子群算法设定待优化生产井的数目为4口井，并将四口生产井的位置初始化处理，即随机化；生产井的移动范围限定在上述地热田区域范围内，且每口井之间的最短距离限定为100m；约束条件具体表示为（5-1）~（5-3）：
Figure SMS_49
（5-1）
Figure SMS_50
（5-2）
Figure SMS_51
（5-3）
式中，
Figure SMS_54
，/>
Figure SMS_56
分别为第/>
Figure SMS_58
，第/>
Figure SMS_53
口生产井的横坐标；/>
Figure SMS_55
，/>
Figure SMS_57
分别为第/>
Figure SMS_59
，第/>
Figure SMS_52
口生产井的纵坐标；
其中，式（5-1）为生产井位坐标的横坐标约束，式（5-2）为生产井位坐标的纵坐标约束，式（5-3）为最小井间距约束。
步骤三：根据累计发电量作为目标函数计算每口生产井的适应度值；目标函数表示为（2-3），具体表示如下：
采用双工质循环发电的发电功率做近似计算：
Figure SMS_60
（2-1）
式中，
Figure SMS_62
为发电功率，W；/>
Figure SMS_65
为采热功率，W；/>
Figure SMS_67
为双工质循环中总发电效率；/>
Figure SMS_63
为涡轮机内部效率；/>
Figure SMS_64
为涡轮机效率；/>
Figure SMS_66
为发电机效率；/>
Figure SMS_68
为热效率，/>
Figure SMS_61
由式（2-2）计算得到：
Figure SMS_69
（2-2）
式中，
Figure SMS_70
为生产井产出流体的温度，K；/>
Figure SMS_71
为携热工质的初始温度，K；累积发电量用干热岩储层热能开采时间内的发电功率积分得到：
Figure SMS_72
（2-3）
式中，
Figure SMS_73
为干热岩储层热能开采时间内的累计发电量，J；/>
Figure SMS_74
为干热岩储层热能开采的时间，a。
步骤四：根据每口生产井的适应度值与对应个体极值比较，取最大值作为当前个体极值；如果适应度值大于对应个体极值，则用其适应度值替换对应个体极值，以适应度值作为当前的个体极值；如果其适应度值小于对应个体极值，则以当前较大的个体极值作为当前个体极值。
步骤五：将每口生产井的适应度值与所经历的全局极值作比较，取最大值作为当前全局极值；若适应度值小于全局极值，则当前较大的全局极值不变；若适应度值大于全局极值，则将适应度值作为当前的全局极值；全局极值和步骤四中个体极值的变化使得生产井的位置和速度不断更新；当更新后生产井的当前个体极值和当前全局极值使得目标函数取得最大值时，则得到了井网布局的最优结果；其中，四口生产井的位置分别采用坐标的形式给出，四口生产井的位置如表1所示：
表1 生产井位置优化结果
Figure SMS_75
步骤六：根据步骤五得到的井网布局的最优结果，采用蚁群算法优化该区域压裂时产生的裂缝特征，并由步骤一中地热田划分的形状及面积，确定压裂范围为1400×1800m；其中，待优化裂缝特征包含：裂缝长度、裂缝高度及裂缝方向。
步骤七：初始化裂缝在干热岩储层中的位置及裂缝特征，包括：裂缝长度、裂缝高度和裂缝方向；通过裂缝位置及特征的不断更新，得到每次更新时产生目标函数的结果；在部分裂缝特征情况下得到最优目标函数值时，其余裂缝将选择同样的方式对裂缝特征进行更新。
步骤八：裂缝特征向最优目标函数更新结束后，得到最优的裂缝特征；其中，裂缝长度为63.79m，裂缝高度为42.98m，以及裂缝方向范围60°~125°；结合步骤五中得到的生产井位置坐标可对该目标地热田内的干热岩储层进行合理高效的热能开采。
以上所述仅为本发明示意性的具体实施方式，并非用以限定本发明的范围，其中实施步骤及相关参数都可有所变化。凡是在不脱离本发明技术方案的前提下所作出的等同变化与修改，均应属于本发明保护的范围。

Claims (5)

1.一种基于智能算法优化地热田矢量化井网的方法，其特征在于，包括以下步骤：
步骤一：依据地质资料获取目标地热田的区域形状及面积，并将该区域形状划分为规则形状；基于物探资料确定注入井的位置，并通过钻孔岩心温度监测得到干热岩储层的初始温度，并确定注入井所注入的携热工质及其初始温度；
步骤二：初始化生产井的初始位置，设置生产井的待优化井位数目和约束条件；
步骤三：建立以干热岩储层热能开采时间内的累计发电量作为目标函数，根据目标函数计算每口生产井的适应度值；具体过程为：
采用双工质循环发电的发电功率做近似计算：
Figure QLYQS_1
（2-1）
式中，
Figure QLYQS_2
为发电功率，W；/>
Figure QLYQS_6
为采热功率，W；/>
Figure QLYQS_8
为双工质循环中总发电效率；/>
Figure QLYQS_4
为涡轮机内部效率；/>
Figure QLYQS_5
为涡轮机效率；/>
Figure QLYQS_7
为发电机效率；/>
Figure QLYQS_9
为热效率，/>
Figure QLYQS_3
由式（2-2）计算得到：
Figure QLYQS_10
（2-2）
式中，
Figure QLYQS_11
为生产井产出流体的温度，K；/>
Figure QLYQS_12
为携热工质的初始温度，K；累积发电量用干热岩储层热能开采时间内的发电功率积分得到：
Figure QLYQS_13
（2-3）
式中，
Figure QLYQS_14
为干热岩储层热能开采时间内的累计发电量，J；/>
Figure QLYQS_15
为干热岩储层热能开采的时间，a；
步骤四：对于每口生产井，用它的适应度值和对应个体极值比较，取最大值作为当前个体极值；
步骤五：对于群体中的每口生产井，将每口生产井的适应度值和所经历的全局极值作比较，取最大值作为当前全局极值；全局极值和步骤四中个体极值的变化使得生产井的位置和速度不断更新；当更新后生产井的当前个体极值和当前全局极值使得目标函数取得最大值时，则得到了井网布局的最优结果；
步骤六：根据步骤五得到的井网布局的最优结果，采用蚁群算法优化该区域压裂时产生的裂缝特征，并由步骤一中地热田划分的规则形状及面积，确定压裂范围；
步骤七：随机设置裂缝在干热岩储层中的初始位置及裂缝特征，通过裂缝特征的不断更新，得到每次更新时产生目标函数的结果；在部分裂缝特征情况下得到最优目标函数值时，其余裂缝将选择同样的方式对裂缝特征进行更新；
步骤八：裂缝特征向最优目标函数更新结束后，得到最优的裂缝特征，从而得到最优的井网布局及裂缝特征。
2.根据权利要求1所述的一种基于智能算法优化地热田矢量化井网的方法，其特征在于，步骤二中所述的约束条件包括井位坐标的横坐标约束、井位坐标的纵坐标约束和最小井间距的约束；
Figure QLYQS_16
（1-1）/>
Figure QLYQS_17
（1-2）
Figure QLYQS_18
（1-3）
式中，
Figure QLYQS_20
，/>
Figure QLYQS_26
分别为第/>
Figure QLYQS_30
，第/>
Figure QLYQS_21
口生产井的横坐标；/>
Figure QLYQS_25
，/>
Figure QLYQS_29
分别为第/>
Figure QLYQS_32
，第/>
Figure QLYQS_19
口生产井的纵坐标；/>
Figure QLYQS_23
，/>
Figure QLYQS_27
，/>
Figure QLYQS_31
，/>
Figure QLYQS_22
分别为生产井位横纵坐标的上下界，m；/>
Figure QLYQS_24
为生产井的数量；/>
Figure QLYQS_28
为最小井间距，m；其中，式（1-1）为生产井位坐标的横坐标约束，式（1-2）为生产井位坐标的纵坐标约束，式（1-3）为最小井间距约束。
3.根据权利要求1所述的一种基于智能算法优化地热田矢量化井网的方法，其特征在于，步骤五中，生产井的位置和速度通过以下公式来更新：
Figure QLYQS_33
（3-1）
Figure QLYQS_34
（3-2）
式中，
Figure QLYQS_36
为更新后生产井的位置；/>
Figure QLYQS_39
为更新后作为粒子的井的速度，m/s；/>
Figure QLYQS_41
为惯性权重；/>
Figure QLYQS_37
为个体极值；/>
Figure QLYQS_40
为全局极值；/>
Figure QLYQS_42
、/>
Figure QLYQS_43
为学习因子，也称加速常数；/>
Figure QLYQS_35
、/>
Figure QLYQS_38
为[0，1]范围内的均匀随机数。
4.根据权利要求1所述的一种基于智能算法优化地热田矢量化井网的方法，其特征在于，所述的裂缝特征包含裂缝长度、裂缝高度及裂缝方向。
5.根据权利要求4所述的一种基于智能算法优化地热田矢量化井网的方法，其特征在于，所述裂缝长度和裂缝高度的控制方程为：
Figure QLYQS_44
（4-1）
式中，
Figure QLYQS_45
为预测的裂缝长度，m；/>
Figure QLYQS_46
为预测的裂缝高度，m；/>
Figure QLYQS_47
为压裂期间的累计液量，m3；/>
Figure QLYQS_48
为加砂总量，m3。/>
CN202310386106.9A 2023-04-12 2023-04-12 一种基于智能算法优化地热田矢量化井网的方法 Active CN116108704B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310386106.9A CN116108704B (zh) 2023-04-12 2023-04-12 一种基于智能算法优化地热田矢量化井网的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310386106.9A CN116108704B (zh) 2023-04-12 2023-04-12 一种基于智能算法优化地热田矢量化井网的方法

Publications (2)

Publication Number Publication Date
CN116108704A CN116108704A (zh) 2023-05-12
CN116108704B true CN116108704B (zh) 2023-06-13

Family

ID=86264076

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310386106.9A Active CN116108704B (zh) 2023-04-12 2023-04-12 一种基于智能算法优化地热田矢量化井网的方法

Country Status (1)

Country Link
CN (1) CN116108704B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114737943A (zh) * 2022-03-08 2022-07-12 中国石油大学(北京) 非常规储层立体井网改造方法、装置、设备及介质

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102930345B (zh) * 2012-10-12 2015-11-25 中国石油大学(华东) 一种基于梯度算法的自适应井网优化方法
CN107766978B (zh) * 2017-10-23 2020-03-17 南京特雷西能源科技有限公司 不规则井网的智能优化方法
CN111222243B (zh) * 2020-01-06 2022-06-21 长江大学 一种压裂水平井井网分布的优化方法、介质、终端和装置
CN112392456B (zh) * 2020-11-13 2023-07-25 中国石油天然气股份有限公司 一种井网布局合理性判断方法及井网布局优化方法
CN114330005A (zh) * 2021-12-31 2022-04-12 中国石油大学(北京) 一种立体开发井网的全局优化和决策方法
CN114329729A (zh) * 2021-12-31 2022-04-12 中国石油大学(北京) 一种立体开发井网的优化设计和布井方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114737943A (zh) * 2022-03-08 2022-07-12 中国石油大学(北京) 非常规储层立体井网改造方法、装置、设备及介质

Also Published As

Publication number Publication date
CN116108704A (zh) 2023-05-12

Similar Documents

Publication Publication Date Title
Gabdrakhmanova et al. The way of using geothermal resources for generating electric energy in wells at a late stage of operation
KR101524820B1 (ko) 지열 에너지 시스템 및 작동 방법
CN207230982U (zh) 由废弃油/气井改造用于注水采油的热源系统
CN101629485A (zh) 地下热能源钻井连通井开采方法
Guo et al. Hot dry rock geothermal potential of the Xujiaweizi area in Songliao Basin, northeastern China
Zhang et al. Evaluation of developing an enhanced geothermal heating system in northeast China: Field hydraulic stimulation and heat production forecast
CN206309375U (zh) 菱形反九点井网的改进井网结构
CN107939372B (zh) 针对小断块油藏的最优井位部署方法和装置
CN108868723A (zh) 双井闭式循环井下热电发电系统及方法
Pratama et al. Study of sustainable production in two-phase liquid dominated with steam cap underlying brine reservoir by numerical simulation
Gao et al. A novel strategy utilizing local fracture networks to enhance CBHE heat extraction performance: A case study of the Songyuan geothermal field in China
CN116108704B (zh) 一种基于智能算法优化地热田矢量化井网的方法
Liu et al. Research progress of technologies and numerical simulations in exploiting geothermal energy from abandoned wells: a review
Seyedrahimi-Niaraq et al. Numerical and thermodynamic modeling for estimating production capacity of NW Sabalan geothermal field, Iran
CN108224820A (zh) 一种干热岩地层井网结构
Pratama et al. Study of Production-Injection Strategies for Sustainable Production in Geothermal Reservoir Two-Phase by Numerical Simulation.
CN205225594U (zh) 地热中低温发电系统
CN104654641B (zh) 一种利用地球天然热炉加热地表水的方法
Rop et al. An updated numerical model of the Greater Olkaria geothermal system, Kenya
CN115828539A (zh) 一种提高咸水层压缩空气储能地下回收能量效率的方法
Ma et al. Power generation analysis of super-long gravity heat pipe geothermal systems
Sun et al. Numerical simulation of operation performance on production and injection of a double well geothermal system in Kailu Basin, Inner Mongolia.
Lu et al. Effect of wellbore layout and varying flow rate on fluid flow and heat transfer of deep geothermal mining system
Chen et al. Surrogate-assisted level-based learning evolutionary search for heat extraction optimization of enhanced geothermal system
Jia et al. A case study on long-term performance optimization of a geothermal heating system

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