CN116227691B - 一种产能预测方法 - Google Patents
一种产能预测方法 Download PDFInfo
- Publication number
- CN116227691B CN116227691B CN202310104445.3A CN202310104445A CN116227691B CN 116227691 B CN116227691 B CN 116227691B CN 202310104445 A CN202310104445 A CN 202310104445A CN 116227691 B CN116227691 B CN 116227691B
- Authority
- CN
- China
- Prior art keywords
- carbon dioxide
- time
- moment
- oil
- period
- 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
- 238000000034 method Methods 0.000 title claims abstract description 22
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims abstract description 210
- 229910002092 carbon dioxide Inorganic materials 0.000 claims abstract description 105
- 239000001569 carbon dioxide Substances 0.000 claims abstract description 105
- 238000002347 injection Methods 0.000 claims abstract description 53
- 239000007924 injection Substances 0.000 claims abstract description 53
- 239000003208 petroleum Substances 0.000 claims abstract description 35
- 238000012360 testing method Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 47
- 238000012937 correction Methods 0.000 claims description 16
- 239000003129 oil well Substances 0.000 claims description 9
- 229920006395 saturated elastomer Polymers 0.000 claims description 7
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 2
- 230000003247 decreasing effect Effects 0.000 abstract description 2
- 238000010276 construction Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Husbandry (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Agronomy & Crop Science (AREA)
- Development Economics (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Feedback Control In General (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本发明提供了一种产能预测方法,上述方法首先采集环境温度,并测试单位石油与单位特定浓度二氧化碳的溶解度,并确定二氧化碳注入速率,在单周期内,基于井口容积测算二氧化碳达到特定浓度所需第一时间,调整二氧化碳注入速率,令井口中二氧化碳保持特定浓度第二时间长度,当所述调整二氧化碳注入速率需降低时,确定产能将逐步下降,能够获得产能递减预测函数。
Description
技术领域
本发明属于监控技术领域,尤其涉及一种产能预测方法。
背景技术
在石油开采过程中,通常需要对产能进行预测以确定油井井口情况,产能预测对于企业计划以及战略规划有重要意义。
当前产能预测通常是基于工程师经验以及周边井口情况进行评估,该类方法无法有效针对特定井口进行产能预测,无法针对特定井口依托预测产能进行合理规划。
针对特定井口的产能预测通常基于井口深度,地底油量分布等参数进行初略预测,无法精细化预测接下三个周期内出油产能。
因此,亟需一种油井产能预测方式,能够精细化预测接下三个周期内某油井的产能。
发明内容
针对现有技术存在的问题,本发明提供一种产能预测方法,上述方法首先采集环境温度,并测试单位石油与单位特定浓度二氧化碳的溶解度,并确定二氧化碳注入速率,在单周期内,基于井口容积测算二氧化碳达到特定浓度所需第一时间,调整二氧化碳注入速率,令井口中二氧化碳保持特定浓度第二时间长度,当所述调整二氧化碳注入速率需降低时,确定产能将逐步下降,能够获得产能递减预测函数。
所述方法执行如下步骤:
S1.建立产能预测模型;
S2.获取自二氧化碳开始注入时刻至当前时刻二氧化碳注入速率[V1,V2,···Vn];其中,V1为二氧化碳开始注入速率;所述Vn为当前时刻二氧化碳注入速率;
S3.采集自出油时刻起初始单位周期的出油量R1;采集当前时刻前一周期出油量Rn-1;
S4.采集自出油时刻起初始单位周期出油的单位石油内二氧化碳含量C1;采集当前时刻前一周期单位石油内二氧化碳含量Cn-1;
S5.将环境温度参数、所述历史二氧化碳注入速率、历史出油量以及历史单位石油内二氧化碳含量输入所述产能预测模型中,输出预测结果。
进一步地,所述产能预测模型能够进行自学习。
进一步地,S11.采集环境温度,并测试单位石油中二氧化碳的溶解度,并确定二氧化碳注入速率。
进一步地,S12.基于井口容积测算二氧化碳达到特定浓度所需第一时间,调整二氧化碳注入速率。
进一步地,S13.调整二氧化碳注入速率,令井口中二氧化碳保持特定浓度第二时间长度,当所述调整二氧化碳注入速率需降低时,确定产能将逐步下降。
进一步地,所述开始注入二氧化碳时刻至石油中二氧化碳含量为饱和溶解度时刻t1之间的时间段为tb1;
自t1时刻降低二氧化碳的注入速率,保持油井内二氧化碳浓度不变即可;
所述石油中二氧化碳含量为饱和溶解度的时,至单位时间内产出石油量下降的周期起始时刻t2之间的时间段为tb2;
由于实际工况中单位周期内石油产量不稳定,因此,所述t2可结合施工前勘探的出油估计值以及现场情况,由工程师进行确定。
自t2时刻起,测算油井内二氧化碳浓度,若油井内二氧化碳浓度未改变,则继续降低二氧化碳注入速率;
单位时间内产出石油量下降的周期初始时刻至不再出油的时刻t3之间的时间段为tb3;
则有三段产能预测函数,如下:
所述t为:T1≤t≤T1+T以及t3-3T<≤t3时,不进行产能预测。
其中,A为后向下取整;B为/>后向下取整;C为/>后向下取整。
M为当前时刻出油总量,t为当前时刻,M1为0至t1时刻出油总量,M2为0至t2时刻出油总量;f(p)为增量校正函数,f(q)为减量校正函数;
所述f(p)与所述f(q)算法不同。f(p)与f(q)可基于机器自学习不断调整及修正。
进一步地,S51.基于环境温度,确定各个时刻二氧化碳在单位石油中的饱和度。
进一步地,S52.基于开始注入二氧化碳时刻至当前时刻的时间段,确定产能预测函数。
进一步地,S53.基于开始注入二氧化碳时刻至当前时刻的时间段,确定所选取的所述产能预测函数变量区间是否能够覆盖未来三个周期的时长。
进一步地,S531.若所选取的所述产能预测函数变量区间能够覆盖未来三个周期的时长,则应用所选取的所述产能预测函数对未来三个周期产能进行预测。
进一步地,S532.若所选取的所述产能预测函数变量区间不能够覆盖未来三个周期的时长,则按照时间划分,另再选取其他函数,以时间为参数,利用两个产能预测函数对未来三个周期产能进行预测。
本发明具有的优点:
1.通过采集二氧化碳注入速率、环境温度、单位石油内二氧化碳含量等明确参数,针对特定井口进行产能预测,无需获取地底含油量等数据预测,各个井口出油量以及单位石油内二氧化碳含量不同,无法通过本发明的方案对多个井口预测,仅能够针对单一特定井口预测,针对性强,对多个井口进行应用时,还可对该方案进行推广,能够获得横向对比数据。
2.通过自出油时刻开始计算产能的模型,能够有效规避未出油阶段的时间,能够令产能预测更加精准,同时,通过三段函数的设定,能够基于时间参数精细化预测产能,并且该产能预测方法能够针对单一井口进行应用,能够在工程师初步估计油量产能的情况下,精细化处理数据。
3.通过设置增量校正函数以及为减量校正函数,能够提高预测模型精确度,上述两校正参数为理想情况下的模型参数,由于在具体工况下油井出油量以及单位石油内二氧化碳含量通常存在误差,因此,该模型需具备自学习功能,能够基于模型的应用进一步完善模型,调整校正函数,进一步提高产能预测精确度。
4.通过设置三段函数,以时间为参数进行产能预测,能够基于实际工况下单位石油内二氧化碳含量达到饱和的时长调整模型内参数,来适应不同环境的应用需求。同时,若当前时刻未来三个周期预测值无法通过单一函数进行预测,则通过不同函数进行补充,以获得相关预测产能数值,并通过自学习不断修正补偿参数,该方法能够精确预测产能。
5.通过对二氧化碳注入速率的初步判定,以及出油量的进一步判定,能够明确单一井口是否为有效井口,当其为有效井口后,通过单位石油内二氧化碳含量判定施工过程是否无误,当井口为有效井口且施工无误后,通过判定明确施工过程无误后,通过模型对产能进行预测,能够节约系统网络资源。
附图说明
图1是一种产能预测方法步骤流程图;
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仅用以解释本发明,并不用于限定本发明。
如图1所示,所述方法执行如下步骤:
S1.建立产能预测模型;
S2.获取自二氧化碳开始注入时刻至当前时刻二氧化碳注入速率[V1,V2,···Vn];其中,V1为二氧化碳开始注入速率;所述Vn为当前时刻二氧化碳注入速率;
S3.采集自出油时刻T1起初始单位周期的出油量R1;采集当前时刻前一周期出油量Rn-1;
S4.采集自出油时刻T1起初始单位周期出油的单位石油内二氧化碳含量C1;采集当前时刻前一周期单位石油内二氧化碳含量Cn-1;
S5.将环境温度参数、所述历史二氧化碳注入速率、历史出油量以及历史单位石油内二氧化碳含量输入所述产能预测模型中,输出预测结果。
进一步地,所述产能预测模型能够进行自学习。
进一步地,S11.采集环境温度,并测试单位石油中二氧化碳的溶解度,并确定二氧化碳注入速率。
进一步地,S12.基于井口容积测算二氧化碳达到特定浓度所需第一时间,调整二氧化碳注入速率。
进一步地,S13.调整二氧化碳注入速率,令井口中二氧化碳保持特定浓度第二时间长度,当所述调整二氧化碳注入速率需降低时,确定产能将逐步下降。
进一步地,S41.分析所述[V1,V2,···Vn],若所述V1,V2,···Vn按时间顺序描绘曲线整体上为先上升后稳定最后下降的趋势,或为所述趋势曲线的连续时刻的一部分曲线,则基于评估出油量随时间变化曲线趋势是否与所述二氧化碳注入速率趋势相同,在时间上延迟。
进一步地,S42.判定当前时刻前一周期单位石油内二氧化碳含量Cn-1是否不小于自出油时刻T1起初始单位周期出油的单位石油内二氧化碳含量C1;若Cn-1≥C1,则执行下一步骤。
进一步地,所述开始注入二氧化碳时刻至石油中二氧化碳含量为饱和溶解度时刻t1之间的时间段为tb1;
自t1时刻降低二氧化碳的注入速率,保持油井内二氧化碳浓度不变即可;
所述石油中二氧化碳含量为饱和溶解度的时,至单位时间内产出石油量下降的周期起始时刻t2之间的时间段为tb2;
自t2时刻起,测算油井内二氧化碳浓度,若油井内二氧化碳浓度未改变,则继续降低二氧化碳注入速率;
单位时间内产出石油量下降的周期初始时刻至不再出油的时刻t3之间的时间段为tb3;
则有三段产能预测函数,如下:
所述t为:T1≤t≤T1+T以及t3-3T<≤t3时,不进行产能预测。
其中,A为后向下取整;B为/>后向下取整;C为/>后向下取整。
M为当前时刻出油总量,t为当前时刻,M1为0至t1时刻出油总量,M2为0至t2时刻出油总量;f(p)为增量校正函数,f(q)为减量校正函数;
所述f(p)与所述f(q)算法不同。
所述f(p)为增量校正函数,其算法为:
自出油时刻T1起初始单位周期的出油量R1,当前时刻T2前一周期出油量Rn-1,T为单位周期时长,可得由于Rn-1为一个参数,因此可记为
所述f(q)为减量校正函数,其算法为:
当前时刻T3前一周期出油量Rn-1,由于Rn-1为一个参数,因此可记为/>
f(p)与f(q)可基于机器自学习不断调整及修正。
进一步地,S51.基于环境温度,确定各个时刻二氧化碳在单位石油中的饱和度。
进一步地,S52.基于开始注入二氧化碳时刻至当前时刻的时间段,确定产能预测函数。
进一步地,S53.基于开始注入二氧化碳时刻至当前时刻的时间段,确定所选取的所述产能预测函数变量区间是否能够覆盖未来三个周期的时长。
进一步地,S531.若所选取的所述产能预测函数变量区间能够覆盖未来三个周期的时长,则应用所选取的所述产能预测函数对未来三个周期产能进行预测。
进一步地,S532.若所选取的所述产能预测函数变量区间不能够覆盖未来三个周期的时长,则按照时间划分,另再选取其他函数,以时间为参数,利用两个产能预测函数对未来三个周期产能进行预测。
S5321.若t2-T≤t≤t2,则利用计算出当前时刻所在周期起始时刻至t2的产能W1;
再通过计算出预测产能,两产能相加即能够获得所需预测值。
M2k为M+W1-L1,L1为t时刻所在周期起始时刻至当前时刻t的出油量;所述L1可以由工程师初步设定,后续根据机器自学习修正;所述L1也可以在t时刻测定当前时刻出油量U,并基于周期性监测出油量Un,当前时刻出油量U减去上一周期末端采集的出油总量获得。
若t2-2T≤t<t2-T,则利用计算出当前时刻所在周期起始时刻至t2的产能;
再通过计算出预测产能,两产能相加即能够获得所需预测值。
若t2-3T<t<t2-2T,则利用计算出当前时刻所在周期起始时刻至t2的产能;
所述以及/>是第一校正参数,所述第一校正参数是由于t时刻所在的周期中已经存在出油石油,而其后为出油降低趋势,因此所述第一校正参数均为正数,需要机器学习后不断调整,其初始值均为/>
S5322.若t1-T≤t≤t1,则利用计算出当前时刻至t1的产能Yc1;
再通过2Yc1+f(p),计算出另一部分预测产能Yc2,Yc1+Yc2即能够获得所需预测值。
若t1-2T≤t<t1-T,则利用计算出当前时刻至t1的产能Yc3;
再通过计算出另一部分预测产能Yc4,Yc3+Yc4即能够获得所需预测值。
若t1-3T<t<t1-2T,则利用计算出当前时刻至t1的产能Yc5;
再通过计算出另一部分预测产能Yc6,Yc5+Yc6即能够获得所需预测值。
所述ε1、ε2以及ε3是第二校正参数,所述第二校正参数是由于t时刻所在的周期中已经存在出油石油,而其后为出油升高趋势,因此所述第二校正参均为正数,需要机器学习后不断调整,其初始值均为
本发明具有的优点:
1.通过采集二氧化碳注入速率、环境温度、单位石油内二氧化碳含量等明确参数,针对特定井口进行产能预测,无需获取地底含油量等数据预测,各个井口出油量以及单位石油内二氧化碳含量不同,无法通过本发明的方案对多个井口预测,仅能够针对单一特定井口预测,针对性强,对多个井口进行应用时,还可对该方案进行推广,能够获得横向对比数据。
2.通过自出油时刻开始计算产能的模型,能够有效规避未出油阶段的时间,能够令产能预测更加精准,同时,通过三段函数的设定,能够基于时间参数精细化预测产能,并且该产能预测方法能够针对单一井口进行应用,能够在工程师初步估计油量产能的情况下,精细化处理数据。
3.通过设置增量校正函数以及为减量校正函数,能够提高预测模型精确度,上述两校正参数为理想情况下的模型参数,由于在具体工况下油井出油量以及单位石油内二氧化碳含量通常存在误差,因此,该模型需具备自学习功能,能够基于模型的应用进一步完善模型,调整校正函数,进一步提高产能预测精确度。
4.通过设置三段函数,以时间为参数进行产能预测,能够基于实际工况下单位石油内二氧化碳含量达到饱和的时长调整模型内参数,来适应不同环境的应用需求。同时,若当前时刻未来三个周期预测值无法通过单一函数进行预测,则通过不同函数进行补充,以获得相关预测产能数值,并通过自学习不断修正补偿参数,该方法能够精确预测产能。
5.通过对二氧化碳注入速率的初步判定,以及出油量的进一步判定,能够明确单一井口是否为有效井口,当其为有效井口后,通过单位石油内二氧化碳含量判定施工过程是否无误,当井口为有效井口且施工无误后,通过判定明确施工过程无误后,通过模型对产能进行预测,能够节约系统网络资源。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种产能预测方法,其特征在于:
S1.建立产能预测模型;
S11.采集环境温度,并测试单位石油中二氧化碳的溶解度,并确定二氧化碳注入速率;
S12.基于井口容积测算二氧化碳达到特定浓度所需第一时间,调整二氧化碳注入速率;
S13.调整二氧化碳注入速率,令井口中二氧化碳保持特定浓度第二时间长度,当所述调整二氧化碳注入速率需降低时,确定产能将逐步下降;
开始注入二氧化碳时刻至石油中二氧化碳含量为饱和溶解度时刻t1之间的时间段为tb1;
自t1时刻降低二氧化碳的注入速率,保持油井内二氧化碳浓度不变即可;
所述石油中二氧化碳含量为饱和溶解度时,至单位时间内产出石油量下降的周期起始时刻t2之间的时间段为tb2;
自t2时刻起,测算油井内二氧化碳浓度,若油井内二氧化碳浓度未改变,则继续降低二氧化碳注入速率;
单位时间内产出石油量下降的周期初始时刻至不再出油的时刻t3之间的时间段为tb3;
则有三段产能预测函数,如下:
产能
所述t为:T1≤t≤T1+T以及t3-3T<t≤t3时,不进行产能预测;其中,A为后向下取整;B为/>后向下取整;C为/>后向下取整;
M为当前时刻出油总量,t为当前时刻,M1为0至t1时刻出油总量,M2为0至t2时刻出油总量;f(p)为增量校正函数,f(q)为减量校正函数;
所述f(p)与所述f(q)算法不同,f(p)与f(q)基于机器自学习不断调整及修正;
所述f(p)为增量校正函数,其算法为:
自出油时刻T1起初始单位周期的出油量R1,当前时刻T2前一周期出油量Rn-1,T为单位周期时长,可得
由于Rn-1为一个参数,因此可记为
所述f(q)为减量校正函数,其算法为:
当前时刻T3前一周期出油量Rn-1,
由于Rn-1为一个参数,因此可记为
S2.获取自二氧化碳开始注入时刻至当前时刻二氧化碳注入速率[V1,V2,···Vn];其中,V1为二氧化碳开始注入速率;所述Vn为当前时刻二氧化碳注入速率;
S3.采集自出油时刻起初始单位周期的出油量R1;采集当前时刻前一周期出油量Rn-1;
S4.采集自出油时刻起初始单位周期出油的单位石油内二氧化碳含量C1;采集当前时刻前一周期单位石油内二氧化碳含量Cn-1;
S5.将环境温度参数、历史二氧化碳注入速率、历史出油量以及历史单位石油内二氧化碳含量输入所述产能预测模型中,输出预测结果。
2.根据权利要求1所述的一种产能预测方法,其特征在于:
所述产能预测模型能够进行自学习。
3.根据权利要求2所述的一种产能预测方法,其特征在于:
S51.基于环境温度,确定各个时刻二氧化碳在单位石油中的饱和溶解度。
4.根据权利要求3所述的一种产能预测方法,其特征在于:
S52.基于开始注入二氧化碳时刻至当前时刻的时间段,确定产能预测函数;
S53.基于开始注入二氧化碳时刻至当前时刻的时间段,确定所选取的所述产能预测函数变量区间是否能够覆盖未来三个周期的时长。
5.根据权利要求4所述的一种产能预测方法,其特征在于:
S531.若所选取的所述产能预测函数变量区间能够覆盖未来三个周期的时长,则应用所选取的所述产能预测函数对未来三个周期产能进行预测。
6.根据权利要求5所述的一种产能预测方法,其特征在于:
S532.若所选取的所述产能预测函数变量区间不能够覆盖未来三个周期的时长,则按照时间划分,另再选取其他函数,以时间为参数,利用两个产能预测函数对未来三个周期产能进行预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310104445.3A CN116227691B (zh) | 2023-02-08 | 2023-02-08 | 一种产能预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310104445.3A CN116227691B (zh) | 2023-02-08 | 2023-02-08 | 一种产能预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116227691A CN116227691A (zh) | 2023-06-06 |
CN116227691B true CN116227691B (zh) | 2024-05-10 |
Family
ID=86588593
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310104445.3A Active CN116227691B (zh) | 2023-02-08 | 2023-02-08 | 一种产能预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116227691B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4617993A (en) * | 1985-09-03 | 1986-10-21 | Texaco Inc. | Carbon dioxide stimulated oil recovery process |
CN103556978A (zh) * | 2013-10-19 | 2014-02-05 | 盘锦道博尔石油新技术开发有限公司 | 一种多元化二氧化碳驱采油方法 |
CN110863806A (zh) * | 2019-11-28 | 2020-03-06 | 西安石油大学 | 一种二氧化碳驱气体前缘动态变化预测方法 |
CN112308269A (zh) * | 2019-07-30 | 2021-02-02 | 中国石油化工股份有限公司 | 用于低渗透油气藏的产能预测方法及装置 |
-
2023
- 2023-02-08 CN CN202310104445.3A patent/CN116227691B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4617993A (en) * | 1985-09-03 | 1986-10-21 | Texaco Inc. | Carbon dioxide stimulated oil recovery process |
CN103556978A (zh) * | 2013-10-19 | 2014-02-05 | 盘锦道博尔石油新技术开发有限公司 | 一种多元化二氧化碳驱采油方法 |
CN112308269A (zh) * | 2019-07-30 | 2021-02-02 | 中国石油化工股份有限公司 | 用于低渗透油气藏的产能预测方法及装置 |
CN110863806A (zh) * | 2019-11-28 | 2020-03-06 | 西安石油大学 | 一种二氧化碳驱气体前缘动态变化预测方法 |
Non-Patent Citations (1)
Title |
---|
Bakken油藏注气方式的模拟与预测;邓笑函;陈恬;赵嘉;贾钠;西南石油大学学报(自然科学版);20211231(第005期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116227691A (zh) | 2023-06-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109885469B (zh) | 一种扩容方法、预测模型创建方法、装置、设备及介质 | |
EP1982046B1 (en) | Methods, systems, and computer-readable media for real-time oil and gas field production optimization using a proxy simulator | |
CN107977749B (zh) | 一种油田开发指标的预测分析方法 | |
CN111287740B (zh) | 基于真实应变下的异常高压气藏动态储量计算方法 | |
WO2007089829A2 (en) | Methods, systems, and computer-readable media for fast updating of oil and gas field production models with physical and proxy simulators | |
CN104832156A (zh) | 一种预估气井产量的方法 | |
CN110878690B (zh) | 基于碳同位素演化确定页岩气井生产递减曲线的方法 | |
CN111767003A (zh) | 一种基于不同工况的采掘设备传感器数据自适应采集方法 | |
CN108831181A (zh) | 一种用于公交车辆行程时间预测的模型建立方法及系统 | |
CN104481436A (zh) | 精细控压钻井节流阀的调节方法及系统 | |
CN116227691B (zh) | 一种产能预测方法 | |
CN110084431B (zh) | 一种页岩气井产量分析预测方法及系统 | |
CN110991079B (zh) | 基于神经网络的油气藏参数解释方法、装置及电子设备 | |
CN114117654A (zh) | 一种基于机器学习的水平井射孔优化设计方法及装置 | |
EP3819723B1 (en) | Simulation method and system for the management of a pipeline network | |
CA3126290A1 (en) | System and method for a pump controller | |
CN111127237B (zh) | 石油探评井钻井时间预测方法和装置 | |
CN112464552B (zh) | 一种适用于地下水封储油库渗流场时序预测方法及系统 | |
CN116882639B (zh) | 基于大数据分析的石油钻采设备管理方法及系统 | |
CN111985146B (zh) | 一种措施潜力井的确定方法和确定装置 | |
CN113392372A (zh) | 气井全生命周期无阻流量确定方法及系统 | |
CN115839230B (zh) | 一种基于监测仪的油藏注气动态监测方法 | |
CN111047095A (zh) | 一种机电设备运行中分析确定高能耗设备的方法 | |
CN116150664A (zh) | 一种数据类型差异化采集频率确定方法和系统 | |
CN116411954A (zh) | 页岩油体积压裂井最终采出量(eur)的预测方法及装置 |
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 |