CN118069975A - 基于机器学习的多探头阵列生产测井数据处理与解释方法 - Google Patents
基于机器学习的多探头阵列生产测井数据处理与解释方法 Download PDFInfo
- Publication number
- CN118069975A CN118069975A CN202410207149.0A CN202410207149A CN118069975A CN 118069975 A CN118069975 A CN 118069975A CN 202410207149 A CN202410207149 A CN 202410207149A CN 118069975 A CN118069975 A CN 118069975A
- Authority
- CN
- China
- Prior art keywords
- flow
- water
- oil
- array
- experimental
- 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
- 239000000523 sample Substances 0.000 title claims abstract description 64
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000012545 processing Methods 0.000 title claims abstract description 18
- 238000010801 machine learning Methods 0.000 title claims abstract description 14
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 83
- 238000005259 measurement Methods 0.000 claims abstract description 26
- 238000013528 artificial neural network Methods 0.000 claims abstract description 16
- 238000004364 calculation method Methods 0.000 claims abstract description 16
- 230000004044 response Effects 0.000 claims abstract description 7
- 239000012530 fluid Substances 0.000 claims description 24
- 235000019198 oils Nutrition 0.000 claims description 19
- 238000003860 storage Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 238000004088 simulation Methods 0.000 claims description 10
- 238000012706 support-vector machine Methods 0.000 claims description 9
- 239000006185 dispersion Substances 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 239000011521 glass Substances 0.000 claims description 6
- 235000019476 oil-water mixture Nutrition 0.000 claims description 6
- 239000004533 oil dispersion Substances 0.000 claims description 5
- 238000000926 separation method Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 239000003990 capacitor Substances 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000004064 recycling Methods 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 230000005514 two-phase flow Effects 0.000 claims description 3
- 238000009826 distribution Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013517 stratification Methods 0.000 description 1
Landscapes
- Indicating Or Recording The Presence, Absence, Or Direction Of Movement (AREA)
Abstract
本发明公开了一种基于机器学习的多探头阵列生产测井数据处理与解释方法，涉及多探头阵列生产测井数据处理与产出剖面计算领域。方法基于多探头阵列生产测井实验数据为样本，利用机器学习的方法首先识别流型，在流型识别的基础上进一步根据不同流型的测井数据建立分相流量预测模型，最终实现产出剖面的计算，具体步骤包括：持水率数据概率密度值计算；识别流型；对阵列涡轮流量计和全井眼流量计的测量数据进行刻度计算；把每个涡轮测量的转速数据根据涡轮响应方程转换为流速值；分量流量回归预测；基于流型分类指导的基础上，使用BP人工神经网络对各流型下的油水表观流速进行回归计算。
Description
技术领域
本发明涉及多探头阵列生产测井数据处理与产出剖面计算领域，具体涉及一种基于机器学习的多探头阵列生产测井数据处理与解释方法。
背景技术
在油田生产开发过程中，对生产井进行生产动态监测，特别是针对水平及大斜度井生产油气井由于重力引起井筒内多相流体分层的现象，一般需要采用多探头阵列生产测井仪器进行测井，并对阵列成像生产测井数据进行处理从而计算各生产层各相流体的产出量。针对水平井大多是分层流的流动状况下，测量油水有明显差异的物理参数的阵列持水率仪器是通过在过流截面上多个(4、8或12)微小电容、电导或光学探头实现局部位置持水率测量和多个(4、6)微小涡轮实现局部流速的测量。由于探头之间存在相当大距离的位置差，只能探测探头所在位置处局部流体的相态分布和流速信息，整个过流截面上分相流体的流动信息很难探测到，这样对于整个过流截面分相流量的精确计算带来较大误差。另外，常规产出剖面解释是基于直井中平均流速和井筒过流截面持水率确定的情况下，经过典型的流体力学模型计算的。但由于水平及大斜度井相态和速度场分布的变化，平局流速和持水率准确计算带来困难，直井中的常规解释模型也不适用于水平井。因此需要找到一种新的可以代替常规计算持水率和平均流速以及分相流量的方法。
多探头阵列生产测井主要应用于水平及大斜度井中，基本上满足生产动态监测的要求，并且经过反复实验测试和理论分析，发现其各探头测量值能够反应过流截面上流体的相态和速度场的分布，这个分布规律是油水混合流体流量和油水分布状况的综合反应，油水分布及流动状况的直接结果就是过流截面上的阵列多探头持水率值和流速值。因此，利用多探头阵列生产测井获取水平井井筒分相流量方面有一定的优势。
发明内容
本发明基于多探头阵列生产测井实验数据为样本，利用机器学习的方法首先识别流型，在流型识别的基础上进一步根据不同流型的测井数据建立分相流量预测模型，最终实现产出剖面的计算的基于机器学习的多探头阵列生产测井数据处理与解释方法。
本发明具体采用如下技术方案：
基于机器学习的多探头阵列生产测井数据处理与解释方法，包括以下步骤：
步骤1)：持水率数据概率密度值计算；根据多探头阵列生产测井组合仪中阵列电容或阵列电导探头一段测量时间内的归一化持水率数据计算概率密度PDF，PDF将一段测量时间内的持水率数据分离为20个区间，每个区间的宽度为0.05，对应一个有20个代表性特征的向量，这个特征向量转化为每个区间内数据点的相对频率RF；
步骤2)：识别流型，将步骤1)处理后的具有代表性的20个相对频率特征投影到由实验样本训练好的支持向量机分类平面,确定两相流的流型；
步骤3)：对阵列涡轮流量计和全井眼流量计的测量数据进行刻度计算；把每个涡轮测量的转速数据根据涡轮响应方程转换为流速值；
步骤4)：分量流量回归预测；基于流型分类指导的基础上，使用BP人工神经网络对各流型下的油水表观流速进行回归计算；
将每个阵列涡轮流量计SAT和全井眼流量计CFB的流速值Vi、每个阵列持水率计的归一化持水率值Ywi、井斜角度DEV、阵列涡轮方位角SATROT、阵列持水率计方位角CATROT作为输入特征向量代入由对应流型的实验样本训练好的多层神经网络模型，实现油水分相流量的预测；
在预测模型中，将BP人工神经网络的隐藏层数设为10，学习率为0.1，训练目标最小误差为0.001，训练迭代次数设置为1000次；
分别使用BP人工神经网络计算5种流型下的油水表观速度，共训练了6个人工神经网络，包括1个用于笼统预测的人工网络和分别对应5个流型的人工网络，其输入层包括输入独立特征数量的节点，输出为油的表观速度Vso和水的表观速度Vsw(或油的流量Qo和水的流量Qw)。
优选地，步骤2)中，实验样本的训练过程如下：
具体过程为：向模拟井筒中注入油水混合物，在不同的井斜角度DEV下，设置不同油水混合物总流量Qm和油水比例及含水率Cw；每个井斜角度下，一个总流量和含水率对应一个实验工况点；每个实验工况点观察井内流体流动稳定后，采用高速流体摄像机对透明玻璃井筒流体的流动状态进行拍照、录像记录各实验点的流型，并采集对应工况点多探头阵列生产测井组合仪器的测量数据；总流量从10m3/d，逐步增加至600m3/d，含水率从0.1逐步增至1.0，井斜角为水平方向90°、85°、75°、60°、45°、105°、120°、135°；
对每个工况点记录的流型影响资料，对照Trallero流型分类方法并结合实验观察结果，将实验中出现的流型划分为以下五种：分层流ST，下层水上层水包油的分散流DO/W&W、水包油O/W、下层水上层油包水的分散流DW/O&W以及油包水W/O分散流，对应工况点的仪器测量数据也分为五个小样本库；
对每个工况点的阵列电容或阵列电导探头一段测量时间内的归一化持水率数据计算概率密度PDF，提取该实验点代表性的20个相对频率RF作为样本的属性数据，与对应实验点的流型特征为样本标签，所有实验数据处理后形成五个流型特征样本库，作为训练样本集；
特征代表性的20个相对频率RF参数、井斜角度DEV信息作为支持向量机SVM的样本的属性数据，对应工况点的流型作为样本标签训练SVM模型，形成实验样本训练好的支持向量机分类平面。
优选地，建立样本所用的多探头阵列生产测井组合仪由阵列涡轮SAT、阵列电容传感器CAT或阵列电导传感器RAT组合测量和全井眼流量计CFB组成；
实验装置为多相流模拟生产试验平台，模拟流动实验井筒由两排12m长透明玻璃管组成的U形管道，井筒内径分别为124mm和159mm；油和水由油泵和水泵分别从储油罐和储水罐中抽出，并由各自流量计量管路上的流量计和定位调节阀精确控制各自流量进入油水混合罐混合后进入模拟井筒；混合流体经过模拟测试井筒后回到另一井筒并从底部管道排放到油水分离罐，油水分离后分别进入储油罐和储水罐，循环使用。
优选地，步骤3)中，涡轮流量计响应方程为
n＝K(vf+vl-vth) (1)
式中，n为涡轮的转速，r/s；K为涡轮的仪器常数，r/m；vf为流体速度，m/s；vl为仪器运动速度m/s；vth为涡轮的启动速度，m/s。
本发明具有如下有益效果：
本方案基于多探头阵列生产测井实验数据为样本，利用机器学习的方法首先识别流型，在流型识别的基础上进一步根据不同流型的测井数据建立分相流量预测模型，最终实现产出剖面的计算，计算值与实验刻度结果对比具有很好的精度，为水平井生产测井数据处理与产出剖面解释评价提供新的技术支持。
方法利用阵列持水率计测量值时间序列上的波动特征识别流型，较传统的流型识别方法更准确、有效，更适合于水平井生产测井的动态评价。充分利用了井筒过流截面上多探头的局部持水率值局部流速值、井斜角度和方位角的信息，水平井分相流量计算结果精度更高。
附图说明
图1为阵列持水率归一化持水率概率密度函数图；
图2为水平井生产测井组合仪器结构示意图；
图3为多相流模拟实验装置示意图；
图4为流型示意图与实验观察流型对比图；
图5为阵列持水率流行识别算法图，ST—分层流，DO/W&W—下层水上层水包油的分散流、O/W—水包油分散流、DW/O&W—下层水上层油包水的分散流、W/O—油包水分散流；
图6为基于SVM的流型识别流程图；
图7为流型分类结果对比图；
图8为分相流量预测流程图；
图9为水表观速度预测结果对比图。
具体实施方式
下面结合附图和具体实施例对本发明的具体实施方式做进一步说明：
基于机器学习的多探头阵列生产测井数据处理与解释方法，包括以下步骤：
步骤1)：持水率数据概率密度值计算；根据多探头阵列生产测井组合仪中阵列电容或阵列电导探头一段测量时间内的归一化持水率数据计算概率密度PDF，PDF将一段测量时间内的持水率数据分离为20个区间，每个区间的宽度为0.05，对应一个有20个代表性特征的向量，这个特征向量转化为每个区间内数据点的相对频率RF，如图1所示。
步骤2)：识别流型，将步骤1)处理后的具有代表性的20个相对频率特征投影到由实验样本训练好的支持向量机分类平面,确定两相流的流型。
建立样本所用的多探头阵列生产测井组合仪由阵列涡轮SAT、阵列电容传感器CAT或阵列电导传感器RAT组合测量和全井眼流量计CFB组成，组合仪器结构示意图2所示。
实验装置为多相流模拟生产试验平台，模拟流动实验井筒由两排12m长透明玻璃管组成的U形管道，井筒内径分别为124mm和159mm；油和水由油泵和水泵分别从储油罐和储水罐中抽出，并由各自流量计量管路上的流量计和定位调节阀精确控制各自流量进入油水混合罐混合后进入模拟井筒；混合流体经过模拟测试井筒后回到另一井筒并从底部管道排放到油水分离罐，油水分离后分别进入储油罐和储水罐，循环使用，实验装置工作原理如图3所示。
实验样本的训练过程如下：
具体过程为：向模拟井筒中注入油水混合物，在不同的井斜角度DEV下，设置不同油水混合物总流量Qm和油水比例及含水率Cw；每个井斜角度下，一个总流量和含水率对应一个实验工况点；每个实验工况点观察井内流体流动稳定后，采用高速流体摄像机对透明玻璃井筒流体的流动状态进行拍照、录像记录各实验点的流型，并采集对应工况点多探头阵列生产测井组合仪器的测量数据；总流量从10m3/d，逐步增加至600m3/d，含水率从0.1逐步增至1.0，井斜角为水平方向90°、85°、75°、60°、45°、105°、120°、135°。
对每个工况点记录的流型影响资料，对照Trallero流型分类方法并结合实验观察结果，将实验中出现的流型划分为以下五种：分层流ST，下层水上层水包油的分散流DO/W&W、水包油O/W、下层水上层油包水的分散流DW/O&W以及油包水W/O分散流，如图4所示，对应工况点的仪器测量数据也分为五个小样本库。
对每个工况点的阵列电容或阵列电导探头一段测量时间内的归一化持水率数据计算概率密度PDF，提取该实验点代表性的20个相对频率RF作为样本的属性数据，与对应实验点的流型特征为样本标签，所有实验数据处理后形成五个流型特征样本库，作为训练样本集；
特征代表性的20个相对频率RF参数、井斜角度DEV信息作为支持向量机SVM的样本的属性数据，对应工况点的流型作为样本标签训练SVM模型，形成实验样本训练好的支持向量机分类平面。
骤1)和步骤2)数据处理与流型识别示意图如图6所示，流型分类效果如图7所示。
步骤3)：对阵列涡轮流量计和全井眼流量计的测量数据进行刻度计算；把每个涡轮测量的转速数据根据涡轮响应方程转换为流速值；涡轮流量计响应方程为
n＝K(vf+vl-vth) (1)
式中，n为涡轮的转速，r/s；K为涡轮的仪器常数，r/m；vf为流体速度，m/s；vl为仪器运动速度m/s；vth为涡轮的启动速度，m/s。
步骤4)：分量流量回归预测；基于流型分类指导的基础上，使用BP人工神经网络对各流型下的油水表观流速进行回归计算，算法流程如图5所示，预测效果如图6所示。
将每个阵列涡轮流量计SAT和全井眼流量计CFB的流速值Vi、每个阵列持水率计的归一化持水率值Ywi、井斜角度DEV、阵列涡轮方位角SATROT、阵列持水率计方位角CATROT作为输入特征向量代入由对应流型的实验样本训练好的多层神经网络模型，实现油水分相流量的预测；
在预测模型中，将BP人工神经网络的隐藏层数设为10，学习率为0.1，训练目标最小误差为0.001，训练迭代次数设置为1000次；
分别使用BP人工神经网络计算5种流型下的油水表观速度，共训练了6个人工神经网络，包括1个用于笼统预测的人工网络和分别对应5个流型的人工网络，其输入层包括输入独立特征数量的节点，输出为油的表观速度Vso和水的表观速度Vsw(或油的流量Qo和水的流量Qw)。
当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。
Claims (4)
1.基于机器学习的多探头阵列生产测井数据处理与解释方法，其特征在于，包括以下步骤：
步骤1)：持水率数据概率密度值计算；根据多探头阵列生产测井组合仪中阵列电容或阵列电导探头一段测量时间内的归一化持水率数据计算概率密度PDF，PDF将一段测量时间内的持水率数据分离为20个区间，每个区间的宽度为0.05，对应一个有20个代表性特征的向量，这个特征向量转化为每个区间内数据点的相对频率RF；
步骤2)：识别流型，将步骤1)处理后的具有代表性的20个相对频率特征投影到由实验样本训练好的支持向量机分类平面,确定两相流的流型；
步骤3)：对阵列涡轮流量计和全井眼流量计的测量数据进行刻度计算；把每个涡轮测量的转速数据根据涡轮响应方程转换为流速值；
步骤4)：分量流量回归预测；基于流型分类指导的基础上，使用BP人工神经网络对各流型下的油水表观流速进行回归计算；
将每个阵列涡轮流量计SAT和全井眼流量计CFB的流速值Vi、每个阵列持水率计的归一化持水率值Ywi、井斜角度DEV、阵列涡轮方位角SATROT、阵列持水率计方位角CATROT作为输入特征向量代入由对应流型的实验样本训练好的多层神经网络模型，实现油水分相流量的预测；
在预测模型中，将BP人工神经网络的隐藏层数设为10，学习率为0.1，训练目标最小误差为0.001，训练迭代次数设置为1000次；
分别使用BP人工神经网络计算5种流型下的油水表观速度，共训练了6个人工神经网络，包括1个用于笼统预测的人工网络和分别对应5个流型的人工网络，其输入层包括输入独立特征数量的节点，输出为油的表观速度Vso和水的表观速度Vsw(或油的流量Qo和水的流量Qw)。
2.如权利要求1所述的基于机器学习的多探头阵列生产测井数据处理与解释方法，其特征在于，步骤2)中，实验样本的训练过程如下：
具体过程为：向模拟井筒中注入油水混合物，在不同的井斜角度DEV下，设置不同油水混合物总流量Qm和油水比例及含水率Cw；每个井斜角度下，一个总流量和含水率对应一个实验工况点；每个实验工况点观察井内流体流动稳定后，采用高速流体摄像机对透明玻璃井筒流体的流动状态进行拍照、录像记录各实验点的流型，并采集对应工况点多探头阵列生产测井组合仪器的测量数据；总流量从10m3/d，逐步增加至600m3/d，含水率从0.1逐步增至1.0，井斜角为水平方向90°、85°、75°、60°、45°、105°、120°、135°；
对每个工况点记录的流型影响资料，对照Trallero流型分类方法并结合实验观察结果，将实验中出现的流型划分为以下五种：分层流ST，下层水上层水包油的分散流DO/W&W、水包油O/W、下层水上层油包水的分散流DW/O&W以及油包水W/O分散流，对应工况点的仪器测量数据也分为五个小样本库；
对每个工况点的阵列电容或阵列电导探头一段测量时间内的归一化持水率数据计算概率密度PDF，提取该实验点代表性的20个相对频率RF作为样本的属性数据，与对应实验点的流型特征为样本标签，所有实验数据处理后形成五个流型特征样本库，作为训练样本集；
特征代表性的20个相对频率RF参数、井斜角度DEV信息作为支持向量机SVM的样本的属性数据，对应工况点的流型作为样本标签训练SVM模型，形成实验样本训练好的支持向量机分类平面。
3.如权利要求2所述的基于机器学习的多探头阵列生产测井数据处理与解释方法，其特征在于，建立样本所用的多探头阵列生产测井组合仪由阵列涡轮SAT、阵列电容传感器CAT或阵列电导传感器RAT组合测量和全井眼流量计CFB组成；
实验装置为多相流模拟生产试验平台，模拟流动实验井筒由两排12m长透明玻璃管组成的U形管道，井筒内径分别为124mm和159mm；油和水由油泵和水泵分别从储油罐和储水罐中抽出，并由各自流量计量管路上的流量计和定位调节阀精确控制各自流量进入油水混合罐混合后进入模拟井筒；混合流体经过模拟测试井筒后回到另一井筒并从底部管道排放到油水分离罐，油水分离后分别进入储油罐和储水罐，循环使用。
4.如权利要求1所述的基于机器学习的多探头阵列生产测井数据处理与解释方法，其特征在于，步骤3)中，涡轮流量计响应方程为
n＝K(vf+vl-vth) (1)
式中，n为涡轮的转速，r/s；K为涡轮的仪器常数，r/m；vf为流体速度，m/s；vl为仪器运动速度m/s；vth为涡轮的启动速度，m/s。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410207149.0A CN118069975A (zh) | 2024-02-26 | 2024-02-26 | 基于机器学习的多探头阵列生产测井数据处理与解释方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410207149.0A CN118069975A (zh) | 2024-02-26 | 2024-02-26 | 基于机器学习的多探头阵列生产测井数据处理与解释方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118069975A true CN118069975A (zh) | 2024-05-24 |
Family
ID=91098583
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410207149.0A Pending CN118069975A (zh) | 2024-02-26 | 2024-02-26 | 基于机器学习的多探头阵列生产测井数据处理与解释方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118069975A (zh) |
-
2024
- 2024-02-26 CN CN202410207149.0A patent/CN118069975A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20220155275A1 (en) | Method and system for measuring composition and property of formation fluid | |
| CN109611087A (zh) | 一种火山岩油藏储层参数智能预测方法及系统 | |
| CN113919208B (zh) | 一种阻力伞水动力荷载预测方法及系统 | |
| CN110296931A (zh) | 一种致密砂岩油水相对渗透率信息的表征方法及系统 | |
| CN116595881A (zh) | 一种对原油储罐温度场预测和储油安全性评价的方法 | |
| CN105404747A (zh) | 一种融合总流量与电导探针阵列信号的水平井持水率测量方法 | |
| CN105064993B (zh) | 一种基于电导探针阵列信息融合的垂直井含水率测量方法 | |
| CN112926767A (zh) | 基于粒子群bp神经网络的环雾状流气相表观流速预测方法 | |
| Zhu et al. | Flow regime detection using gamma-ray-based multiphase flowmeter: A machine learning approach | |
| CN113607601B (zh) | 基于辨识模型与深度学习相结合的矿浆浓度智能检测方法 | |
| Vieira et al. | Experimental investigation of two-phase flow regime in an inclined pipe | |
| Li et al. | Design and optimization of the fiber-optic probe array for measuring gas holdup in oil-gas-water multiphase flow | |
| Muste | Sources of bias errors in flume experiments on suspended-sediment transport | |
| WO2011061210A1 (en) | Composition of multiphase flow | |
| CN109447026A (zh) | 一种基于支持向量机的桩身完整性类别自动识别方法 | |
| CN101275894B (zh) | 一种石油树脂聚合物料粘度在线连续检测方法 | |
| CN105971594A (zh) | 一种基于最小均方根误差的水平井持水率测量方法 | |
| CN118069975A (zh) | 基于机器学习的多探头阵列生产测井数据处理与解释方法 | |
| CN109915125A (zh) | 一种蛇形水平井气水、油水两相流模拟实验装置及方法 | |
| CN112700051A (zh) | 一种基于Res-TCN神经网络的油井产液伴生气智能预测方法 | |
| Chiarello et al. | Two-phase slug flow Lagrangian data analysis: Tracking unit-cell behavior across the pipeline with experimental data | |
| Song et al. | Simulation logging experiment and interpretation model of array production logging measurements in a horizontal well | |
| CN112985503B (zh) | 一种油水两相流持率和流速在线测量装置及测量方法 | |
| Bai et al. | Online recognition of the multiphase flow regime | |
| Feng et al. | Study on dynamic prediction of two-phase pipe flow in inclined wellbore with middle and high yield |
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 |