CN114048662A - 一种复杂边水油藏的水体分布智能识别方法 - Google Patents

一种复杂边水油藏的水体分布智能识别方法 Download PDF

Info

Publication number
CN114048662A
CN114048662A CN202210045763.2A CN202210045763A CN114048662A CN 114048662 A CN114048662 A CN 114048662A CN 202210045763 A CN202210045763 A CN 202210045763A CN 114048662 A CN114048662 A CN 114048662A
Authority
CN
China
Prior art keywords
water
unit
water body
body unit
invasion
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.)
Granted
Application number
CN202210045763.2A
Other languages
English (en)
Other versions
CN114048662B (zh
Inventor
韩晓冰
谭晓华
李晓平
奎明清
赵梓寒
刘曦翔
李滔
徐有杰
李裕民
金永强
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.)
Southwest Petroleum University
Original Assignee
Southwest Petroleum University
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 Southwest Petroleum University filed Critical Southwest Petroleum University
Priority to CN202210045763.2A priority Critical patent/CN114048662B/zh
Publication of CN114048662A publication Critical patent/CN114048662A/zh
Application granted granted Critical
Publication of CN114048662B publication Critical patent/CN114048662B/zh
Priority to US17/863,698 priority patent/US20230258082A1/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • E21B49/00—Testing the nature of borehole walls; Formation testing; Methods or apparatus for obtaining samples of soil or well fluids, specially adapted to earth drilling or wells
    • E21B49/08—Obtaining fluid samples or testing fluids, in boreholes or wells
    • E21B49/087—Well testing, e.g. testing for reservoir productivity or formation parameters
    • E21B49/0875—Well testing, e.g. testing for reservoir productivity or formation parameters determining specific fluid parameters
    • 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
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • 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
    • E21B47/00—Survey of boreholes or wells
    • E21B47/06—Measuring temperature or pressure
    • 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
    • E21B49/00—Testing the nature of borehole walls; Formation testing; Methods or apparatus for obtaining samples of soil or well fluids, specially adapted to earth drilling or wells
    • 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
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • E21B2200/00—Special features related to earth drilling for obtaining oil, gas or water
    • E21B2200/20—Computer models or simulations, e.g. for reservoirs under production, drill bits
    • 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
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Geology (AREA)
  • Mining & Mineral Resources (AREA)
  • Theoretical Computer Science (AREA)
  • Fluid Mechanics (AREA)
  • Geochemistry & Mineralogy (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Geophysics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Algebra (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种复杂边水油藏的水体分布智能识别方法，属于油气田开发技术领域；它解决了现今复杂边水油藏因对边水分布情况认识不清楚而导致无法提出针对性的治水对策等问题；其技术方案是：基于单井地质数据和生产资料，建立可模拟复杂边水水侵流入动态的水侵单元数值模拟模型，结合遗传算法，修正水体单元的特征参数，包含水体单元体积和水体单元的水侵量，以实际的生产动态数据自动拟合模型计算的生产动态数据，得到最优水体单元的特征参数解，并赋值给水体单元，反演确定水体分布情况。本发明水体分布智能识别方法步骤简单，水体分布反演结果与数值模拟器的结果对比后，证明了该方法的准确性。

Description

一种复杂边水油藏的水体分布智能识别方法
技术领域
本发明涉及一种复杂边水油藏的水体分布智能识别方法，属于油气田开发技术领域。
背景技术
对于存在边水的油藏而言，会在油藏开发阶段由于水侵的影响造成油藏水淹。生产井在见水后会影响整体的生产制度，从而影响油藏的最终采收率。因此能够准确地认识油藏水体分布特征对于油藏选择合理的治水措施、开发方案调整具有重要的指导意义。在水体特征研究方面，许多学者通过水体体积和水侵量等特征参数来表征水体特征，但是这些研究对于水体的分布情况无法表征，因而无法满足对发生水侵的油藏进行针对性治理与调整的需求。
目前，部分学者能够在构建物理模型方法和数值模拟方法中表征出水体的分布位置。但两种方法仍然具有一定的局限性，对于构建物理模型方法来讲，油藏水侵过程属于大范围的流体运动，物理模型实现与原型的相似存在着难以克服的问题；随着计算机技术的发展，数值模拟方法适用范围越来越广，计算效率也越来越高，且成本较低，许多学者会采用数值模拟方法模拟水侵动态过程，目前数值模拟方法模拟水侵动态过程多是基于地质资料构建水体，通过历史拟合验证模型的准确性。在这过程中存在两方面问题：（1）对于地质资料缺乏或者存在测量误差的数值模型，建立的水体模型结果说服力不足；（2）模型历史拟合过程中，可调整的参数过多，无法充分说明建立的水体模型的准确性。
总的来说，目前关于复杂边水油藏水体分布刻画的方法均存在一定的的局限性。因此，迫切地需要一种适用于复杂边水油藏的水体分布智能识别方法。
发明内容
本发明目的是：为了解决复杂边水油藏因水体分布认识不清楚而造成油藏水侵过程中无法开展针对性治水对策，从而影响油藏最终采收率的问题，基于单井地质数据和生产资料，在数值模拟方法和智能优化算法的基础上反演出水体特征，实现对水体分布的再识别。
为实现上述目的，本发明提供了一种复杂边水油藏的水体分布智能识别方法，该方法包括下列步骤：
第一，水侵单元数值模型建立步骤，以水体单元-产井单元-加密单元为基础，采用物质平衡方程和水驱前缘推进方程计算各单元的压力、饱和度和含水率，建立水侵单元数值模拟模型；
第二，水体特征参数自动拟合步骤，在水侵单元数值模型的基础上，以实际的生产动态数据为参考，通过遗传算法自动修正水体单元体积和水体单元水侵量两个特征参数使模型预测得到的数据与实际的生产动态数据相匹配，修正后的水体单元体积和水体单元水侵量作为模型自动拟合后的水体特征参数；
第三，水体分布反演步骤，在得到水体特征参数最优解后，将水体单元体积和水体单元水侵量两个特征参数赋值到被离散的水体单元中，构建水体单元柱状图，通过每个单元的柱状高度，确定水体分布情况。
上述一种复杂边水油藏的水体分布智能识别方法中，水侵单元数值模型的建立具体包括下列几个步骤：
第一，将边水油藏进行简化表征，将边部水体离散成与产井单元相连通的水体单元，将地质认识清晰的位置离散成加密单元，构建以水体单元-产井单元-加密单元为基础的简化边水油藏单元***，并用水体单元体积和水体单元水侵量两个参数表征水体单元；
第二，以水体单元-产井单元-加密单元为基础，采用物质平衡方程计算各单元的压力，物质平衡方程表示为：
Figure 388750DEST_PATH_IMAGE002
其中，
Figure 340001DEST_PATH_IMAGE004
为水体单元i与产井单元j之间在t时刻的平均传导率，m3/（d·MPa）；n well为产井单元及加密单元数，无因次；
Figure 41241DEST_PATH_IMAGE006
为水体单元i在t时刻的水体压力，MPa；
Figure 750571DEST_PATH_IMAGE008
为产井单元j在t时刻的井底平均压力，MPa；
Figure DEST_PATH_IMAGE009
为水体单元i在t时刻的水侵量，m3/d；c t 为地层综合压缩系数，MPa-1；
Figure 842155DEST_PATH_IMAGE010
为水体单元i在t时刻的水体体积，m3；
第三，采用有限差分方法求解物质平衡方程从旧时间步t到新时间步t+1推进的压力解，构造的压力矩阵为：
Figure 100002_DEST_PATH_IMAGE012
其中，
Figure 100002_DEST_PATH_IMAGE014
为单元n为研究对象时的其他单元，包括水体单元i和产井单元j，无量纲；
Figure 100002_DEST_PATH_IMAGE016
代表单元n在t时刻的流量，由于单元n包含水体单元i和产井单元j，因此
Figure 743902DEST_PATH_IMAGE017
值为正数时，等于水侵量，为负数时，等于生产井产量，m3/d；
Figure DEST_PATH_IMAGE019
表示时间步长，d；
第四，根据计算得到的各单元压力，采用水驱前缘推进方程计算各单元的饱和度和含水率，水驱前缘推进方程为：
Figure 112697DEST_PATH_IMAGE020
其中，x为水侵通道的某一位置，m；Q为流体的总流量，m3；S w 为位置
Figure DEST_PATH_IMAGE022
处的含水饱和度，无因次；
Figure DEST_PATH_IMAGE024
为水相的分流量，无因次；A为渗流截面积，m2；
Figure DEST_PATH_IMAGE026
为孔隙度，无因次；
上述一种复杂边水油藏的水体分布智能识别方法中，水体特征参数自动拟合具体包括下列几个步骤：
第一，根据建立的水侵单元数值模型建立水体单元的特征参数向量和目标函数，建立的特征参数向量包含水体单元体积参数和水体单元水侵量参数，表达式为：
Figure 665033DEST_PATH_IMAGE027
，建立的目标函数表达式为：
Figure 37721DEST_PATH_IMAGE028
其中，m为水体单元的特征参数向量；Y(m)为水体单元的目标函数；ydata为实测动态数据；F(m)为模型修正水体单元的特征参数计算得到的动态数据；
第二，设置水体单元体积的约束条件，认为水体单元的体积等于整个边水水体的大小；
第三，采用遗传算法自动拟合水体单元体积和水体单元水侵量两个特征参数，直到模型预测数据与实际生产动态数据误差值最小，得到修正后的水体单元体积和水体单元水侵量两个水体特征参数。
附图说明
图1是本方法的技术路线图。
图2是水体分布反演示意图。
图3是建立的数值模拟相渗曲线图。
图4是凹型水体分布示意图。
图5a是P1井的含水率拟合曲线图。
图5b是P2井的含水率拟合曲线图。
图5c是P3井的含水率拟合曲线图。
图5d是P4井的含水率拟合曲线图。
图5e是P5井的含水率拟合曲线图。
图5f是P6井的含水率拟合曲线图。
图6是模型自动拟合后得到的水体分布反演结果图。
图7是模型计算得到的含水饱和度分布图。
具体实施方式
下面结合实施方式和附图对本发明做进一步说明。
本发明提供了一种复杂边水油藏的水体分布智能识别方法，图1为本发明的技术路线图，该方法包括下列步骤：
第一，水侵单元数值模型建立步骤，以水体单元-产井单元-加密单元为基础，采用物质平衡方程和水驱前缘推进方程计算各单元的压力、饱和度和含水率，建立水侵单元数值模拟模型；
第二，水体特征参数自动拟合步骤，在水侵单元数值模型的基础上，以实际的生产动态数据为参考，通过遗传算法自动修正水体单元体积和水体单元水侵量两个特征参数使模型预测得到的数据与实际的生产动态数据相匹配，修正后的水体单元体积和水体单元水侵量作为模型自动拟合后的水体特征参数；
第三，水体分布反演步骤，在得到水体特征参数最优解后，将水体单元体积和水体单元水侵量两个特征参数赋值到被离散的水体单元中，构建水体单元柱状图，通过每个单元的柱状高度，确定水体分布情况，最终的水体分布反演结果如图2所示。
进一步地，水侵单元数值模型的建立，其具体包括下列几个步骤：
第一，将边水油藏进行简化表征，将边部水体离散成与产井单元相连通的水体单元，将地质认识清晰的位置离散成加密单元，构建以水体单元-产井单元-加密单元为基础的简化边水油藏单元***，并用水体单元体积和水体单元水侵量两个参数表征水体单元；
第二，以水体单元-产井单元-加密单元为基础，采用物质平衡方程计算各单元的压力，物质平衡方程表示为：
Figure 396021DEST_PATH_IMAGE002
其中，
Figure 540694DEST_PATH_IMAGE004
为水体单元i与产井单元j之间在t时刻的平均传导率，m3/（d·MPa）；n well为产井单元及加密单元数，无因次；
Figure 857406DEST_PATH_IMAGE006
为水体单元i在t时刻的水体压力，MPa；
Figure 720320DEST_PATH_IMAGE008
为产井单元j在t时刻的井底平均压力，MPa；
Figure 882311DEST_PATH_IMAGE009
为水体单元i在t时刻的水侵量，m3/d；c t 为地层综合压缩系数，MPa-1；
Figure 881491DEST_PATH_IMAGE010
为水体单元i在t时刻的水体体积，m3；
第三，采用有限差分方法求解物质平衡方程从旧时间步t到新时间步t+1推进的压力解，构造的压力矩阵为：
Figure 103525DEST_PATH_IMAGE012
其中，
Figure 444946DEST_PATH_IMAGE014
为单元n为研究对象时的其他单元，包括水体单元i和产井单元j，无量纲；
Figure 551573DEST_PATH_IMAGE016
代表单元n在t时刻的流量，由于单元n包含水体单元i和产井单元j，因此
Figure 670839DEST_PATH_IMAGE017
值为正数时，等于水侵量，为负数时，等于生产井产量，m3/d；
Figure 798195DEST_PATH_IMAGE019
表示时间步长，d；
第四，根据计算得到的各单元压力，采用水驱前缘推进方程计算各单元的饱和度和含水率，水驱前缘推进方程为：
Figure 635701DEST_PATH_IMAGE020
其中，x为水侵通道的某一位置，m；Q为流体的总流量，m3；S w 为位置
Figure 139494DEST_PATH_IMAGE022
处的含水饱和度，无因次；
Figure 378846DEST_PATH_IMAGE024
为水相的分流量，无因次；A为渗流截面积，m2；
Figure 674173DEST_PATH_IMAGE026
为孔隙度，无因次；
上述一种复杂边水油藏的水体分布智能识别方法中，水体特征参数自动拟合具体包括下列几个步骤：
第一，根据建立的水侵单元数值模型建立水体单元的特征参数向量和目标函数，建立的特征参数向量包含水体单元体积参数和水体单元水侵量参数，表达式为：
Figure 264555DEST_PATH_IMAGE027
，建立的目标函数表达式为：
Figure 572039DEST_PATH_IMAGE028
其中，m为水体单元的特征参数向量；Y(m)为水体单元的目标函数；ydata为实测动态数据；F(m)为模型修正水体单元的特征参数计算得到的动态数据；
第二，设置水体单元体积的约束条件，认为水体单元的体积等于整个边水水体的大小；
第三，采用遗传算法自动拟合水体单元体积和水体单元水侵量两个特征参数，直到模型预测数据与实际生产动态数据误差值最小，得到修正后的水体单元体积和水体单元水侵量两个水体特征参数。
将本发明所述方法所建模型应用到具体实例中如下：
应用本文所建模型，笔者将水侵动态特征的计算结果与数值模拟器得到的结果进行对比验证。验证数值模拟模型采用黑油模型，模型网格设置为50×50×1，每个网格块横向步长设置为10m，纵向步长设置为20m，模拟时长为2000天，原油密度为776kg/m3，原油粘度为20cp，原油压缩系数为0.005MPa-1，设置油藏的相渗曲线如图3所示，数值模拟模型设置数值边水水体大小为1.8×107m3，水体分布类型为凹型水体分布，如图4所示，设置产井定液量生产，分别为P1：100m3/d，P2：50m3/d，P3：100m3/d，P4：200m3/d，P5：100m3/d，P6：200m3/d，模拟生产2000d。
提取2000d的生产数据，将数值模拟器预测得到的生产井P1-P6的含水率作为模型的目标函数，进行水体单元体积及水体单元水侵速度两项特征参数的历史拟合，可以看出在凹型水体模型验证中，含水率曲线拟合效果较好，生产井的见水时间和最终含水率一致，如图5a-图5f所示。
根据拟合结果，得到了凹型水体单元体积和水体单元水侵速度的特征值，组合这些特征参数，可以直观的看出凹型边水水体分布情况，如图6所示。在拟合得到的水体单元体积和水体单元水侵速度的特征参数的基础上，模型反演得到了水侵动态特征，如图7所示。

Claims (6)

1.一种复杂边水油藏的水体分布智能识别方法，其特征在于，该方法包括下列步骤：
S100、水侵单元数值模型建立步骤，以水体单元-产井单元-加密单元为基础，采用物质平衡方程和水驱前缘推进方程计算各单元的压力、饱和度和含水率，建立水侵单元数值模拟模型；
S200、水体特征参数自动拟合步骤，在水侵单元数值模型的基础上，以实际的生产动态数据为参考，通过遗传算法自动修正水体单元体积和水体单元水侵量两个特征参数使模型预测得到的数据与实际的生产动态数据相匹配，修正后的水体单元体积和水体单元水侵量作为模型自动拟合后的水体特征参数；
S300、水体分布反演步骤，在得到水体特征参数最优解后，将水体单元体积和水体单元水侵量两个特征参数赋值到被离散的水体单元中，构建水体单元柱状图，通过每个单元的柱状高度，确定水体分布情况。
2.根据权利要求1所述的一种复杂边水油藏的水体分布智能识别方法，其特征在于：所述步骤S100具体包括以下步骤：
S101、将边水油藏进行简化表征，将边部水体离散成与产井单元相连通的水体单元，将地质认识清晰的位置离散成加密单元，构建以水体单元-产井单元-加密单元为基础的简化边水油藏单元***，并用水体单元体积和水体单元水侵量两个参数表征水体单元；
S102、以水体单元-产井单元-加密单元为基础，采用物质平衡方程计算各单元的压力；
S103、根据计算得到的各单元压力，采用前缘推进方程计算各单元的饱和度和含水率。
3.根据权利要求1所述的一种复杂边水油藏的水体分布智能识别方法，其特征在于：所述步骤S200具体包括以下步骤：
S201、根据建立的水侵单元数值模型建立水体单元的特征参数向量和目标函数；
S202、设置水体单元体积的约束条件，认为水体单元的体积等于整个边水水体的大小；
S203、采用遗传算法自动拟合水体单元体积和水体单元水侵量两个特征参数，直到模型预测数据与实际生产动态数据误差值最小，得到修正后的水体单元体积和水体单元水侵量两个水体特征参数。
4.根据权利要求1或2所述的一种复杂边水油藏的水体分布智能识别方法，其特征在于：所述是S100中的物质平衡方程为
Figure DEST_PATH_IMAGE002
，其中，
Figure DEST_PATH_IMAGE004
为水体单元i与产井单元j之间在t时刻的平均传导率，m3/（d·MPa）；n well为产井单元及加密单元数，无因次；
Figure DEST_PATH_IMAGE006
为水体单元i在t时刻的水体压力，MPa；
Figure DEST_PATH_IMAGE008
为产井单元j在t时刻的井底平均压力，MPa；
Figure DEST_PATH_IMAGE010
为水体单元i在t时刻的水侵量，m3/d；c t 为地层综合压缩系数，MPa-1；
Figure DEST_PATH_IMAGE012
为水体单元i在t时刻的水体体积，m3。
5.根据权利要求1或2所述的一种复杂边水油藏的水体分布智能识别方法，其特征在于：所述S100中的水驱前缘推进方程为
Figure DEST_PATH_IMAGE014
，其中，x为水侵通道的某一位置，m；Q为流体的总流量，m3；S w 为位置x处的含水饱和度，无因次；
Figure DEST_PATH_IMAGE016
为水相的分流量，无因次；A为渗流截面积，m2；
Figure DEST_PATH_IMAGE018
为孔隙度，无因次。
6.根据权利要求1所述的一种复杂边水油藏的水体分布智能识别方法，其特征在于：所述的生产动态数据为单井的井底压力和单井的含水率。
CN202210045763.2A 2022-01-16 2022-01-16 一种复杂边水油藏的水体分布智能识别方法 Active CN114048662B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210045763.2A CN114048662B (zh) 2022-01-16 2022-01-16 一种复杂边水油藏的水体分布智能识别方法
US17/863,698 US20230258082A1 (en) 2022-01-16 2022-07-13 Intelligent identification method of aquifer distribution in complex edge-water oil and gas reservoirs

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210045763.2A CN114048662B (zh) 2022-01-16 2022-01-16 一种复杂边水油藏的水体分布智能识别方法

Publications (2)

Publication Number Publication Date
CN114048662A true CN114048662A (zh) 2022-02-15
CN114048662B CN114048662B (zh) 2022-03-25

Family

ID=80196590

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210045763.2A Active CN114048662B (zh) 2022-01-16 2022-01-16 一种复杂边水油藏的水体分布智能识别方法

Country Status (2)

Country Link
US (1) US20230258082A1 (zh)
CN (1) CN114048662B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102041995A (zh) * 2010-12-02 2011-05-04 中国海洋石油总公司 复杂油藏水淹状况监测***
CN105822302A (zh) * 2016-03-31 2016-08-03 中国石油大学(华东) 一种基于井地电位法的油水分布识别方法
CN106777524A (zh) * 2016-11-24 2017-05-31 成都北方石油勘探开发技术有限公司 一种非统一油水界面油藏储量快速计算方法
CN109948272A (zh) * 2019-03-27 2019-06-28 长江大学 基于井间连通性的调堵动态预测方法和***
WO2020224539A1 (zh) * 2019-05-06 2020-11-12 西安华线石油科技有限公司 一种基于广义管流渗流耦合的流动模拟及瞬变井分析方法
US20200387648A1 (en) * 2019-06-07 2020-12-10 Jonathan Paul West Real-time system and method for calibrating a water distribution network hydraulic model
CN112983401A (zh) * 2021-04-30 2021-06-18 西南石油大学 一种边水气藏水侵边界计算方法
CN113837482A (zh) * 2021-09-29 2021-12-24 长江大学 一种断溶体油藏动态预测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102041995A (zh) * 2010-12-02 2011-05-04 中国海洋石油总公司 复杂油藏水淹状况监测***
CN105822302A (zh) * 2016-03-31 2016-08-03 中国石油大学(华东) 一种基于井地电位法的油水分布识别方法
CN106777524A (zh) * 2016-11-24 2017-05-31 成都北方石油勘探开发技术有限公司 一种非统一油水界面油藏储量快速计算方法
CN109948272A (zh) * 2019-03-27 2019-06-28 长江大学 基于井间连通性的调堵动态预测方法和***
WO2020224539A1 (zh) * 2019-05-06 2020-11-12 西安华线石油科技有限公司 一种基于广义管流渗流耦合的流动模拟及瞬变井分析方法
US20200387648A1 (en) * 2019-06-07 2020-12-10 Jonathan Paul West Real-time system and method for calibrating a water distribution network hydraulic model
CN112983401A (zh) * 2021-04-30 2021-06-18 西南石油大学 一种边水气藏水侵边界计算方法
CN113837482A (zh) * 2021-09-29 2021-12-24 长江大学 一种断溶体油藏动态预测方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
NAN LIN等: "Effect of velocity and water cut on water distribution in elbows of petroleum pipelines", 《IOP CONFERENCE SERIES: EARTH AND ENVIRONMENTAL SCIENCE》 *
于清艳等: "边底水油藏水体及储层参数定量评价", 《油气地质与采收率》 *
伍轶鸣等: "哈得油田薄砂层油藏双台阶水平井注水开采数值模拟及剩余油分布规律研究", 《工程地球物理学报》 *
张海波等: "鄂尔多斯盆地苏里格气田南区产水气井合理产量研究", 《天然气勘探与开发》 *
瞿霜等: "有水气藏剩余气分布预测新方法", 《中国石油和化工标准与质量》 *

Also Published As

Publication number Publication date
US20230258082A1 (en) 2023-08-17
CN114048662B (zh) 2022-03-25

Similar Documents

Publication Publication Date Title
CN110439515B (zh) 注采参数优化方法及装置
CN112360411B (zh) 基于图神经网络的局部井网注水开发优化方法
CN106570563A (zh) 基于卡尔曼滤波和bp神经网络的变形预测方法和装置
CN109948272A (zh) 基于井间连通性的调堵动态预测方法和***
CN109829217B (zh) 压裂性裂缝油藏产能模拟方法及装置
EP2831804B1 (en) System and method for automatic local grid refinement in reservoir simulation systems
CN111625922A (zh) 一种基于机器学习代理模型的大规模油藏注采优化方法
CN106150461B (zh) 化学驱油藏数值模拟方法
CN115146446A (zh) 基于近似梯度算法和嵌入式离散裂缝模型的油藏优化方法
CN113836695B (zh) 一种基于无网格连接元的油藏数值模拟方法
CN112983401A (zh) 一种边水气藏水侵边界计算方法
CN112464584A (zh) 自由表面流的水位和流量推求方法
CN115526086A (zh) 一种基于代理模型的碳酸盐岩油藏水驱突破时间预测方法
CN109882141A (zh) 基于井间连通性的聚合物驱生产优化方法和***
CN114048662B (zh) 一种复杂边水油藏的水体分布智能识别方法
CN115130772A (zh) 基于pso优化bp神经网络的地表沉降预测的方法
CN109469465B (zh) 注水井参数的处理方法、装置及存储介质
CN113486556A (zh) 一种改进的油气藏高效自动历史拟合方法
CN111506865A (zh) 一种页岩气井生产拟合与预测方法
CN111475884A (zh) 基于粒子群算法与地下水模型的基坑降水优化方法
CN114065652B (zh) 一种有水油藏的水侵优势通道智能识别方法
CN114722687B (zh) 基于三重介质模型的碳酸盐岩气藏大斜度井产量预测方法
CN110924935A (zh) 致密油藏井底流压调控方案确定方法、装置和设备
CN107133373B (zh) 一种页岩气藏、井筒及地面管网的耦合模拟方法
CN111625925B (zh) 一种基于色谱分离的三元复合驱注采优化方法

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