CN114862609A - 一种特高含水油田的油藏开采方法 - Google Patents
一种特高含水油田的油藏开采方法 Download PDFInfo
- Publication number
- CN114862609A CN114862609A CN202110148560.1A CN202110148560A CN114862609A CN 114862609 A CN114862609 A CN 114862609A CN 202110148560 A CN202110148560 A CN 202110148560A CN 114862609 A CN114862609 A CN 114862609A
- Authority
- CN
- China
- Prior art keywords
- ultra
- oil field
- high water
- reservoir
- 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 68
- 238000004458 analytical method Methods 0.000 claims abstract description 61
- 238000011084 recovery Methods 0.000 claims abstract description 60
- 238000004519 manufacturing process Methods 0.000 claims abstract description 55
- 238000006073 displacement reaction Methods 0.000 claims abstract description 54
- 238000005516 engineering process Methods 0.000 claims abstract description 37
- 238000011161 development Methods 0.000 claims abstract description 36
- 230000000694 effects Effects 0.000 claims abstract description 10
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 104
- 239000010410 layer Substances 0.000 claims description 44
- 238000002347 injection Methods 0.000 claims description 41
- 239000007924 injection Substances 0.000 claims description 41
- 239000004576 sand Substances 0.000 claims description 19
- 238000009826 distribution Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 12
- 230000004927 fusion Effects 0.000 claims description 11
- 238000002474 experimental method Methods 0.000 claims description 10
- 239000000126 substance Substances 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 239000011148 porous material Substances 0.000 claims description 9
- 230000003068 static effect Effects 0.000 claims description 9
- 230000015572 biosynthetic process Effects 0.000 claims description 8
- 230000008878 coupling Effects 0.000 claims description 8
- 238000010168 coupling process Methods 0.000 claims description 8
- 238000005859 coupling reaction Methods 0.000 claims description 8
- 238000005215 recombination Methods 0.000 claims description 8
- 230000006798 recombination Effects 0.000 claims description 8
- 239000007788 liquid Substances 0.000 claims description 7
- 239000011435 rock Substances 0.000 claims description 6
- 238000005530 etching Methods 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000010521 absorption reaction Methods 0.000 claims description 4
- 239000002356 single layer Substances 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 2
- 230000008901 benefit Effects 0.000 abstract description 14
- 230000018109 developmental process Effects 0.000 description 28
- 238000011160 research Methods 0.000 description 16
- 238000004364 calculation method Methods 0.000 description 12
- 238000007726 management method Methods 0.000 description 10
- 238000005553 drilling Methods 0.000 description 9
- 238000010276 construction Methods 0.000 description 6
- 238000013461 design Methods 0.000 description 6
- 238000013178 mathematical model Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000002195 synergetic effect Effects 0.000 description 5
- 238000013507 mapping Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 208000013201 Stress fracture Diseases 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000008021 deposition Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 229920000642 polymer Polymers 0.000 description 2
- 238000005381 potential energy Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 239000004094 surface-active agent Substances 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 241001415846 Procellariidae Species 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 238000005273 aeration Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000011449 brick Substances 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 235000011850 desserts Nutrition 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000002779 inactivation Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration 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
- 238000003062 neural network model Methods 0.000 description 1
- 239000003027 oil sand Substances 0.000 description 1
- 239000003129 oil well Substances 0.000 description 1
- 238000010422 painting Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012732 spatial analysis Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- BDHFUVZGWQCTTF-UHFFFAOYSA-M sulfonate Chemical compound [O-]S(=O)=O BDHFUVZGWQCTTF-UHFFFAOYSA-M 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000002110 toxicologic effect Effects 0.000 description 1
- 231100000027 toxicology Toxicity 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
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
- 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
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Geometry (AREA)
- Primary Health Care (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Agronomy & Crop Science (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种特高含水油田的油藏开采方法，涉及油田开发技术领域。所述方法包括：采用高精度油藏描述方法，获取特高含水油田的油藏描述信息，油藏描述信息用于指示特高含水油田的储层结构和油藏信息；基于油藏描述信息，采用预测分析模型对特高含水油田的相关数据进行预测分析，得到预测分析数据；基于全藏波及高效驱替技术，结合预测分析数据对特高含水油田进行重构处理；采用高效智能的生产作业方式，对经重构处理后的特高含水油田进行油藏开采。本申请针对特高含水油田提供了一套完善的开采方案，能够提升特高含水油田的采收率，降低生产成本，进一步释放特高含水油田稳产潜力和创效活力，拓展特高含水油田在中低油价下效益稳产的发展。
Description
技术领域
本申请实施例涉及油田开发技术领域，特别涉及一种特高含水油田的油藏开采方法。
背景技术
经过半个世纪的开发，中国石油主力油田已陆续进入特高含水阶段。
对于特高含水油田，如何对其实施二次开发，实现特高含水油田的效益稳产是业内持续研究的问题。
发明内容
本申请实施例提供了一种特高含水油田的油藏开采方法，能够提升特高含水油田的采收率。所述技术方案如下：
根据本申请实施例的一个方面，提供了一种特高含水油田的油藏开采方法，所述方法包括：
采用高精度油藏描述方法，获取特高含水油田的油藏描述信息，所述油藏描述信息用于指示所述特高含水油田的储层结构和油藏信息；
基于所述油藏描述信息，采用预测分析模型对所述特高含水油田的相关数据进行预测分析，得到预测分析数据；
基于全藏波及高效驱替技术，结合所述预测分析数据对所述特高含水油田进行重构处理；
采用高效智能的生产作业方式，对经所述重构处理后的所述特高含水油田进行油藏开采。
可选地，所述采用高精度油藏描述方法，获取特高含水油田的油藏描述信息，包括：
获取所述特高含水油田的地震数据体；
将所述地震数据体输入至断层识别模型，通过所述断层识别模型输出所述特高含水油田的断层解释结论；
其中，所述断层识别模型是用于识别断层位置的机器学习模型，所述油藏描述信息包括所述断层解释结论。
可选地，所述采用高精度油藏描述方法，获取特高含水油田的油藏描述信息，包括：
以所述特高含水油田的单井构型识别为基础，建立岩心-构型相；
以所述特高含水油田的不同构型单元组合模式为指导，结合测井沉积学建立测井-构型相；
以所述特高含水油田的地震资料为基础，通过不同地震资料应用方法，建立地震-构型相；
以储层构型理论为指导，将所述岩心-构型相、所述测井-构型相、所述地震-构型相进行三相耦合，得到所述特高含水油田的储层构型空间展布信息；
其中，所述油藏描述信息包括所述储层构型空间展布信息。
可选地，所述采用高精度油藏描述方法，获取特高含水油田的油藏描述信息，包括：
对所述特高含水油田开展多种介质驱替实验和微观刻蚀驱替实验，得到所述特高含水油田的油藏微观孔隙结构与剩余油赋存状态关系；
基于所述油藏微观孔隙结构与剩余油赋存状态关系，确定所述特高含水油田的剩余油量信息；
其中，所述油藏描述信息包括所述剩余油量信息。
可选地，所述基于所述油藏描述信息，采用预测分析模型对所述特高含水油田的相关数据进行预测分析，得到预测分析数据，包括：
基于油藏属性、渗流特征、时变特性对采收率影响的多介质融合机理，构建所述特高含水油田的注采井网；
基于所述注采井网进行水驱与化学驱的有序化转换，结合采收率预测模型，计算得到所述特高含水油田的预测采收率；
其中，所述预测分析数据包括所述预测采收率。
可选地，所述基于所述油藏描述信息，采用预测分析模型对所述特高含水油田的相关数据进行预测分析，得到预测分析数据，包括：
基于不同驱替方式对产量的影响，构建产量预测模型；
通过所述产量预测模型基于所述特高含水油田的预测采收率、年产液量和年平均含水曲线，计算得到所述特高含水油田的预测产油量；
其中，所述预测分析数据包括所述预测产油量。
可选地，所述基于所述油藏描述信息，采用预测分析模型对所述特高含水油田的相关数据进行预测分析，得到预测分析数据，包括：
构建在多目标约束下的价值链模型；
通过所述价值链模型以年产液速度和时间为自变量，固定油田生命周期和水驱与化学驱的转换时机，预估得到所述特高含水油田的每年净现值和累积净现值；
其中，所述预测分析数据包括所述每年净现值和累积净现值。
可选地，所述基于全藏波及高效驱替技术，结合所述预测分析数据对所述特高含水油田进行重构处理，包括：
对于所述特高含水油田的各个开发层系，分别确定所述开发层系的主控因素，所述主控因素包括以下至少一项：地质储量、油层发育状况、纵向非均质性、单层渗流阻力、注水启动压力、目前油层水淹状况、动用程度、吸水情况、含水量；
基于所述开发层系的主控因素以及各项主控因素的权重系数，确定所述开发层系的综合因子；
基于各个所述开发层系的综合因子，对所述特高含水油田进行层系重组。
可选地，所述基于全藏波及高效驱替技术，结合所述预测分析数据对所述特高含水油田进行重构处理，包括：
依据砂体分级标准，对所述特高含水油田的砂体进行分级；
针对属于不同分级的砂体，分别构建相应的注采井网。
可选地，所述基于全藏波及高效驱替技术，结合所述预测分析数据对所述特高含水油田进行重构处理，包括：
基于非均质特征产出模型与注入模型的均衡驱替技术，以静态参数为基础，动态参数作为约束，将注入端、井网及采出端建立有效联系，动静结合确定分注层段；
确定影响注水效果的参数并进行归一化处理，根据参数影响程度大小赋予其权重系数，计算出每个层的分注系数，并根据确定的分注极差界限确定分注层段，实现油藏渗流场立体均衡驱替。
本申请实施例提供的技术方案可以包括如下有益效果：
本申请实施例提供了一种特高含水油田的油藏开采方法，通过采用高精度油藏描述方法得到特高含水油田的油藏描述信息，然后采用预测分析模型对特高含水油田的相关数据进行预测分析，得到预测分析数据，其次基于全藏波及高效驱替技术，结合预测分析数据对特高含水油田进行重构处理，最后采用高效智能的生产作业方式，对经重构处理后的特高含水油田进行油藏开采，从而针对特高含水油田提供了一整套完善的开采方案，能够提升特高含水油田的采收率，降低生产成本，进一步释放特高含水油田稳产潜力和创效活力，拓展特高含水油田在中低油价下效益稳产的发展。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请一个实施例提供的特高含水油田的油藏开采方法的流程图；
图2是本申请一个实施例提供的特高含水油田“二三结合”效益稳产技术体系的示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
请参考图1，其示出了本申请一个实施例提供的特高含水油田的油藏开采方法的流程图，该方法可以包括如下几个步骤(110～140)：
步骤110，采用高精度油藏描述方法，获取特高含水油田的油藏描述信息，油藏描述信息用于指示特高含水油田的储层结构和油藏信息。
在本申请实施例中，高精度油藏描述方法是指针对特高含水油田制定的，具有较高精度的用于获取特高含水油田的油藏描述信息的方法。例如，可以结合使用人工智能相关技术，对特高含水油田的相关资料数据进行分析，获得具有较高准确度和可靠性的油藏描述信息。
在本申请实施例中，油藏描述信息用于指示特高含水油田的储层结构和油藏信息。可选地，油藏描述信息包括但不限于以下至少之一：断层解释结论、储层构型空间展布信息、剩余油量信息。
可选地，通过如下方式获取断层解释结论：获取特高含水油田的地震数据体；将地震数据体输入至断层识别模型，通过该断层识别模型输出特高含水油田的断层解释结论；其中，断层识别模型是用于识别断层位置的机器学习模型。
特高含水油田的地震数据体可以包括能够反映该油田地下地质构造的数字图像。断层识别模型可以是一个采用机器学习技术训练好的神经网络模型，如FCN(FullyConvolutional Networks，全卷积神经网络)模型。该断层识别模型能够实现端到端的图像识别，也即模型的输入为地震数据体，输出为断层解释结论，该断层解释结论用于指示油田地下地质构造中的断层位置和非断层位置。
可选地，通过如下方式获取储层构型空间展布信息：以特高含水油田的单井构型识别为基础，建立岩心-构型相；以特高含水油田的不同构型单元组合模式为指导，结合测井沉积学建立测井-构型相；以特高含水油田的地震资料为基础，通过不同地震资料应用方法，建立地震-构型相；以储层构型理论为指导，将岩心-构型相、测井-构型相、地震-构型相进行三相耦合，得到特高含水油田的储层构型空间展布信息。
岩心-构型相主要用来表征单井构型特征。在储层构型级次划分方案的基础上，通过岩心精细观察，确定研究区不同级次构型单元类型及构型特征，建立取心井的岩心-构型相；应用非取心井单井构型自动识别技术，建立非取心井岩心-构型相。测井-构型相主要用来表征构型空间展布样式，不同级次构型单元在空间上的组合形式各异，这种差异可以用不同级次构型单元的测井-构型相来刻画。地震-构型相主要用来表征构型空间分布范围，应用地震资料表征储层构型的方法多样，包括属性分析、正演、反演等，同样可借鉴薄砂体空间精细预测技术。在研究过程中，应针对不同级次构型单元特征，选用不同的方法，建立其地震构型相。在得到特高含水油田的上述三种构型相之后，对这三种构型相进行“三相耦合”，实现储层构型空间展布自动刻画与构型工业化制图。
可选地，通过如下方式获取油藏描述信息：对特高含水油田开展多种介质驱替实验和微观刻蚀驱替实验，得到特高含水油田的油藏微观孔隙结构与剩余油赋存状态关系；基于油藏微观孔隙结构与剩余油赋存状态关系，确定特高含水油田的剩余油量信息。
通过对该特高含水油田开展水驱、化学驱等多种介质驱替实验、微观刻蚀驱替实验和室内分析化验等手段，研究该特高含水油田的油藏微观孔隙结构与剩余油赋存状态关系；研究在驱替过程中转换驱替介质前后对剩余油分布的影响，从而实现对剩余油定量识别。
步骤120，基于油藏描述信息，采用预测分析模型对特高含水油田的相关数据进行预测分析，得到预测分析数据。
预测分析模型是指预先构建的用于对特高含水油田的相关数据进行预测分析的模型，针对不同的数据，可以设计具有不同功能的预测分析模型。预测分析模型可以是数学模型，也可以是机器学习模型，本申请实施例对此不作限定。
可选地，预测分析数据包括但不限于以下至少之一：预测采收率、预测产油量、预测净现值。其中，预测采收率是指预测得到的该特高含水油田的采收率，预测产油量是指预测得到的该特高含水油田的产油量，预测净现值是指预测得到的该特高含水油田的净现值，如可以包括每年净现值和累积净现值等。
可选地，通过如下方式获得预测采收率：基于油藏属性、渗流特征、时变特性对采收率影响的多介质融合机理，构建特高含水油田的注采井网；基于注采井网进行水驱与化学驱的有序化转换，结合采收率预测模型，计算得到特高含水油田的预测采收率。其中，采收率预测模型可以是用于计算预测采收率的数学模型，通过采集获取采收率计算所需的相关参数，将这些相关参数输入至该模型进行计算，即可实现预测采收率的定量计算。
可选地，通过如下方式获得预测产油量：基于不同驱替方式对产量的影响，构建产量预测模型；通过产量预测模型基于特高含水油田的预测采收率、年产液量和年平均含水曲线，计算得到特高含水油田的预测产油量。其中，产量预测模型可以是用于计算预测产油量的数学模型，通过采集获取产油量计算所需的相关参数，将这些相关参数输入至该模型进行计算，即可实现预测产油量的定量计算。
可选地，通过如下方式获得预测净现值：构建在多目标约束下的价值链模型；通过价值链模型以年产液速度和时间为自变量，固定油田生命周期和水驱与化学驱的转换时机，预估得到特高含水油田的每年净现值和累积净现值。其中，价值链模型可以是用于计算预测净现值的数学模型，通过采集获取净现值计算所需的相关参数，将这些相关参数输入至该模型进行计算，即可实现预测净现值的定量计算。
步骤130，基于全藏波及高效驱替技术，结合预测分析数据对特高含水油田进行重构处理。
其中，对特高含水油田的重构处理包括但不限于层系重组、注采井网构建、油藏渗流场立体均衡驱替等。
在示例性实施例中，本步骤包括但不限于以下至少之一：
第一，对于特高含水油田的各个开发层系，分别确定开发层系的主控因素，该主控因素包括以下至少一项：地质储量、油层发育状况、纵向非均质性、单层渗流阻力、注水启动压力、目前油层水淹状况、动用程度、吸水情况、含水量；基于开发层系的主控因素以及各项主控因素的权重系数，确定开发层系的综合因子；基于各个开发层系的综合因子，对特高含水油田进行层系重组。
第二，依据砂体分级标准，对特高含水油田的砂体进行分级；针对属于不同分级的砂体，分别构建相应的注采井网。
第三，基于非均质特征产出模型与注入模型的均衡驱替技术，以静态参数为基础，动态参数作为约束，将注入端、井网及采出端建立有效联系，动静结合确定分注层段；确定影响注水效果的参数并进行归一化处理，根据参数影响程度大小赋予其权重系数，计算出每个层的分注系数，并根据确定的分注极差界限确定分注层段，实现油藏渗流场立体均衡驱替。
步骤140，采用高效智能的生产作业方式，对经重构处理后的特高含水油田进行油藏开采。
例如，可以结合一体化设计、工厂化作业、智能化调控和清洁化生产等手段，实现高效智能的生产作业方式，对经重构处理后的特高含水油田进行油藏开采。
综上所述，本申请实施例提供的技术方案，提供了一种特高含水油田的油藏开采方法，通过采用高精度油藏描述方法得到特高含水油田的油藏描述信息，然后采用预测分析模型对特高含水油田的相关数据进行预测分析，得到预测分析数据，其次基于全藏波及高效驱替技术，结合预测分析数据对特高含水油田进行重构处理，最后采用高效智能的生产作业方式，对经重构处理后的特高含水油田进行油藏开采，从而针对特高含水油田提供了一整套完善的开采方案，能够提升特高含水油田的采收率，降低生产成本，进一步释放特高含水油田稳产潜力和创效活力，拓展特高含水油田在中低油价下效益稳产的发展。
结合图2，本申请实施例提供的技术方案可以称为特高含水油田“二三结合”效益稳产技术体系。该技术体系包括如下四个方面：高精度油藏描述方法、提高采收率理论、全藏波及高效驱替技术、“井丛厂+”建管模式。其中高精度油藏描述为基础，提高采收率理论为指导，全藏波及高效驱替技术为支撑，“井丛场+”建管模式为途径。下面，分别对上述四个方面进行介绍说明：
1.高精度油藏描述方法
采用高精度油藏描述方法，获取特高含水油田的油藏描述信息。高精度油藏描述方法可以进一步包括如下四个方面：小微地质体刻画、三相耦合构型雕刻、剩余油定量表征、数字化油藏建设。
1-1.小微地质体刻画
获取特高含水油田的地震数据体；将地震数据体输入至断层识别模型，通过断层识别模型输出特高含水油田的断层解释结论。
本申请提出了基于地震资料的深度学习断层自动解释，其理论基础是计算机视觉领域的语义分割。在计算机视觉领域，目前神经网络的应用主要有图像识别，目标定位与检测，语义分割等。图像识别就是告诉你图像是什么，目标定位与检测告诉你图像中目标在哪里，语义分割则是从像素级别回答上面两个问题。全卷积神经网络，端到端(输入图片，输出也是图片)的模式被广泛应用于语义分割，在此基础上进行改进和研究。一是地震资料断层特征明显且相对单一；二是模型训练完成后，网络的推断速度很快；三是模型可迁移到地震断层解释任务中。输入训练数据进行模型的训练，训练数据的输入即为我们的地震数据体，输出是断层解释结论。考虑到人工解释断层受人为因素影响较大，难以准确判断断点的位置，而且对地震剖面上的低级序断层难以准确识别，真实地震数据的噪音、沉积、处理流程等都会影响低级序断层的判断。选择人工合成地震数据体，并根据构造模式建立断层，提出了结合实际工区断层特征、分布等生成断层，断层断距可控，断点位置清晰，避免人为解释随机性的研究思路。低级序断层的形成机制与复杂断块的成因模式有密切联系。根据高级序断层特征准确分析整个工区的构造模式、演化特征等，而后根据低级序断层多为派生的特性，分析地震资料、测井资料上的低级序断层特征，以构造模式为指导降低地震资料低级序断层解释的不确定性，从而合理建立断层分布模型。模型输出的结果为三维断层解释的概率体，值域为[0,1]，表示该位置存在断层的概率。在本申请实施例中，通过将构造模式、专家知识库有机融合，采用改进的全卷积神经网络、正反演互控，智能识别微断裂***，量化低级序断层在三维空间的展布及分布规律，降低了微断裂识别的不确定性，可有效辨识5米以上微断裂。
薄砂体预测是通过井震结合对单频体、调谐体及RGB彩色融合技术的应用，达到预测储层、刻画沉积微相的目的，采用MVF(Microfacies Versus Frequency，沉积微相与响应频率)技术解决融合频率体地质意义不明确的问题。具体方法是利用已知井的储层厚度、沉积微相、地震数据求取的井点处的调谐频率做交汇，建立调谐频率与沉积微相之间的关系；在此基础上对每一个单频成分赋予一定的地质含义，然后进行RGB彩色融合，得到沉积微相指导下的RGB融合图，以此反应砂体空间分布情况。在本申请实施例中，应用近偏移距叠加方法，可得到更高分辨率的地震数据，在此基础上利用谱分解方法建立储层厚度和响应频率之间的关系，井震结合对沉积微相进行预测，有效解决了3米左右薄砂体精细刻画的难题；通过三维立体雕刻技术，实现了对0.1km2小微地质体的三维立体雕刻。
1-2.三相耦合构型雕刻
三相耦合即以单井构型识别为基础，建立岩心-构型相；以不同构型单元组合模式为指导，结合测井沉积学建立测井-构型相；以地震资料为基础，通过不同地震资料应用方法，建立地震-构型相；以储层构型理论为指导，将岩心-构型相、测井-构型相、地震-构型相“三相耦合”，以动态资料对构型划分结果进行验证，完成储层构型空间展布刻画与验证。
岩心-构型相主要用来表征单井构型特征。在储层构型级次划分方案的基础上，通过岩心精细观察，确定研究区不同级次构型单元类型及构型特征，建立取心井的岩心-构型相；应用非取心井单井构型自动识别技术，建立非取心井岩心-构型相。测井-构型相主要用来表征构型空间展布样式，不同级次构型单元在空间上的组合形式各异，这种差异可以用不同级次构型单元的测井-构型相来刻画。地震-构型相主要用来表征构型空间分布范围，应用地震资料表征储层构型的方法多样，包括属性分析、正演、反演等，同样可借鉴薄砂体空间精细预测技术。在研究过程中，应针对不同级次构型单元特征，选用不同的方法，建立其地震构型相。
1-3.剩余油定量表征
通过密闭取芯井，与实验结合，开展水驱、核磁多元介质驱替实验、微观刻蚀驱替实验等室内分析化验等资料探讨特高含水油藏微观孔隙结构与剩余油赋存状态关系；研究在驱替过程中驱替介质的变换，时空域的发生改变，也改变了孔隙空间或岩石颗粒的表面势能，未被驱替出的油滴势能相应也发生变化，一部分剩余油滴被激活，赋存状态发生变化，达到提高驱替效率目的。
1-4.数字化油藏建设
建立集中管理的专业软件云，提升软件利用率、提高软件运维效率、有效支撑多学科协同研究是专业软件云建立的目的。专业软件云提供高性能计算环境，支撑地震处理、油藏模拟高性能计算，同时提供云计算环境(主要是虚拟化技术)支撑地震解释、地质建模、储层反演与地质制图等研究业务。通过专业软件云云管平台的开发部署，专业软件云支持地震解释、地质建模等专业软件的快速部署与资源释放；支持***故障迁移，保证用户研究业务的连续性；支持用户存储资源、内存资源、CPU(Central Processing Unit，中央处理器)资源的弹性伸缩；同时也可以有效管理GPU(Graphics Processing Unit，图形处理器)资源，并支持专业软件集群管理与负载均衡。
另外，还可采用数据集成技术。通过建立统一的资产数据模型，对业务数据进行集成，可以有效提高智能油藏数据检索的效率。
另外，还可采用项目数据库技术。面向研究项目的各种数据、信息的集合，称之为项目数据库。将项目数据库分为项目基础数据库与专业软件项目库，项目基础数据库负责将地震、井筒专业数据、生产数据进行整理，建立面向项目的规范化的数据集。而专业软件项目库负责以项目基础数据库为基础，快速生成面向专业软件(如OpenWorks、Petrel等)的数据集，同时对专业软件研究过程数据进行规范化。
另外，还可采用油藏研究成果管理与深化应用技术。油藏研究成果主要包括地质图件管理与地震、油藏的模型管理。地质图件的管理除了满足共享需求之外，还应进一步满足用户在二次成图、空间分析等业务需求。模型管理在实现现场管理的基础之上，满足用户对模型远程可视化查询、模型对比以及基于模型的空间分析需求。
通过上述方式，集成多学科协同研究一体化平台与实时优化***，实现数据智能推送、模型动态更新、方案实时优化，提高了研究水平和效率。
2.提高采收率理论
提高采收率理论即为基于油藏描述信息，采用预测分析模型对特高含水油田的相关数据进行预测分析，得到预测分析数据。提高采收率理论可以进一步包括如下四个方面：多介质融合提高采收率模型、“二三结合”协同增效模型、“二三结合”产量模型、全生命周期价值链模型。
2-1.多介质融合提高采收率模型
基于油藏属性、渗流特征、时变特性对采收率影响的多介质融合机理，构建完善的注采井网，前期立足水驱开发，提高水驱油波及系数，充分发挥水驱作用，后期适时转为三次采油，在完善的层系井网基础上进一步提高波及系数和驱油效率，“二三结合”提高采收率是二次开发水驱提高采收率、三次采油提高采收率与二者协同提高采收率之和，建立了“二三结合”采收率计算的数学模型，实现采收率定量计算。
2-2.“二三结合”协同增效模型
以多介质融合提高采收率模型为基础，将二次开发水驱与三次采油化学驱层系井网一体化部署，构建完善的注采井网，前期立足水驱开发，提高水驱油波及系数，充分发挥水驱作用，后期适时转为三次采油，在完善的层系井网基础上进一步提高波及系数和驱油效率，“二三结合”提高采收率是二次开发水驱提高采收率、三次采油提高采收率与二者协同提高采收率之和，水驱与化学驱有序化转换，可实现“二三结合”提高采收率达到“1+1＞2”的原理，其协同增效比例达10％。
2-3.“二三结合”产量模型
基于不同驱替方式对产量的影响，建立了“二三结合”产量预测模型，根据油藏工程理论，预测采收率-年产液量-年平均含水曲线，进而计算出“二三结合”实施期间内某一阶段的产油量，为提高采收率与经济效益最大化提供了基础。
2-4.全生命周期价值链模型
以年产液速度QL、时间t为自变量，固定油田生命周期n、二三结合转换时机T，考察每年净现值NPVt、累积净现值NPV，以稳产、效益、净现值最大化为目标，创建技术价值、经济价值、社会价值等多目标约束下的价值链模型，破解“二三结合”全生命周期效益优化难题。
3.全藏波及高效驱替技术
基于全藏波及高效驱替技术，结合预测分析数据对特高含水油田进行重构处理。全藏波及高效驱替技术可以进一步包括如下四个方面：层系重组植流场、井网重构补流场、源汇映射匀流场、介质转换扩流场。
3-1.层系重组植流场
指多因素变权决策层系重组方法，确定影响开发层系的动静态主控因素(如地质储量、油层发育状况、纵向非均质性、单层渗流阻力、注水启动压力、目前油层水淹状况、动用程度、吸水情况、含水等)，首先将主控因素进行归一化处理，然后确定各影响参数的权重系数，最后计算出每个层的综合因子(归一化处理后因素与权重乘积之和)，根据相似相近原则，综合考虑油层跨度、单井产能、隔层发育等进行层系重组，实现层系重组由油藏空间相近向油藏渗流特性相近的跨越，油藏纵向波及系数达到0.9以上。
3-2.井网重构补流场
最优化注采井网重建技术，砂体规模大小不一，建立砂体分级标准，按照油砂体面积大小划分为大、中、小型砂体，针对不同类型砂体分别构建规则面积注采井网、1(或2)注多采、1注1(或2)井网等，同时创新了考虑三次采油效果和资金时间价值的“二三结合”井网密度计算方法，针对复杂断块油田砂体规模小、连片性差等特点，形成“错层式”立体井网构建模式，实现高含水油田注采井网平面波及最大化，油藏平面波及系数达到0.9以上。
3-3.源汇映射匀流场
基于非均质特征产出模型与注入模型的均衡驱替技术，以静态参数为基础，动态参数作为约束，将注入端、井网及采出端建立有效联系，动静结合确定分注层段，首先确定影响注水效果的参数并进行归一化处理，根据参数影响程度大小赋予其权重系数，计算出每个层的分注系数，并根据确定的分注极差界限确定分注层段，实现油藏渗流场立体均衡驱替，油藏体积波及系数达到0.8上。
3-4.介质转换扩流场
针对采出水对复合驱体系的极端降解和未建立复合驱用驱油剂对环境影响评价方法及基准等问题，应用急/慢性毒理受试物种筛选方法，建立了聚合物与表活剂环境生物基准，形成了采出水“曝气失活+化学处理剂”深度处理技术，研究优化出了适合于中高渗及高温高盐油藏采出水配制的聚合物+石油磺酸盐+非离子复配型高效表面活性剂组成的驱油体系，通过转换驱替介质，扩大波及体积与驱油效率，实现油藏扩流场。
4.“井丛场+”建管模式
“井丛场+”建管模式即为采用高效智能的生产作业方式，对经重构处理后的特高含水油田进行油藏开采。“井丛场+”建管模式可以进一步包括如下四个方面：一体化设计、工厂化作业、智能化调控、清洁化生产。
4-1.一体化设计
一体化设计是指一体化方案优化、一体化轨迹设计、一体化作业设计、一体化效益评价，自主创建油藏-井筒-地面一体化大数据智能决策平台，地质工程同步优化、地面地下联动，工程技术与地质甜点相契合，实现多层系、密井网、多井型、巧绕障，多钻遇油层。
4-2.工厂化作业
工厂化作业是指多机联合钻井、移动轨道批钻、脱机侯凝固井、钻试同步作业、拉链批量压裂及连续油管批设。
4-3.智能化调控
智能化调控是指数据智能采集、油井智能举升、水井智能配注、远程智能操控、现场智能监控、运行智能管控。
4-4.清洁化生产
清洁化生产是指网电代油钻井、钻井液随钻不落地、泥浆循环利用、钻井废弃物制砖等清洁建设新技术，碳排放减少90％，泥浆复用率100％；采用移动轨道批量钻井与工序联作快速完井技术，缩短钻井周期12.1％。
本申请提供的上述技术方案(即特高含水油田“二三结合”效益稳产技术体系)，在某试验油田进行规模应用，单独实施二次开发水驱提高采收率5.1％，单独实施三次采油提高采收率10.3％，应用“二三结合”效益稳产技术体系，提高采收率17.4％，高于单独实施二次开发和单独实施三次采油提高采收率之和，其高出的2％是“二三结合”协同增效作用的结果。应用后，实现特高含水油田稳产的同时，将成本控制在合理化范围之内，综合效益显著。
应当理解的是，在本文中提及的“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。另外，本文中描述的步骤编号，仅示例性示出了步骤间的一种可能的执行先后顺序，在一些其它实施例中，上述步骤也可以不按照编号顺序来执行，如两个不同编号的步骤同时执行，或者两个不同编号的步骤按照与图示相反的顺序执行，本申请实施例对此不作限定。
以上所述仅为本申请的示例性实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (10)
1.一种特高含水油田的油藏开采方法，其特征在于，所述方法包括：
采用高精度油藏描述方法，获取特高含水油田的油藏描述信息，所述油藏描述信息用于指示所述特高含水油田的储层结构和油藏信息；
基于所述油藏描述信息，采用预测分析模型对所述特高含水油田的相关数据进行预测分析，得到预测分析数据；
基于全藏波及高效驱替技术，结合所述预测分析数据对所述特高含水油田进行重构处理；
采用高效智能的生产作业方式，对经所述重构处理后的所述特高含水油田进行油藏开采。
2.根据权利要求1所述的方法，其特征在于，所述采用高精度油藏描述方法，获取特高含水油田的油藏描述信息，包括：
获取所述特高含水油田的地震数据体；
将所述地震数据体输入至断层识别模型，通过所述断层识别模型输出所述特高含水油田的断层解释结论；
其中，所述断层识别模型是用于识别断层位置的机器学习模型，所述油藏描述信息包括所述断层解释结论。
3.根据权利要求1所述的方法，其特征在于，所述采用高精度油藏描述方法，获取特高含水油田的油藏描述信息，包括：
以所述特高含水油田的单井构型识别为基础，建立岩心-构型相；
以所述特高含水油田的不同构型单元组合模式为指导，结合测井沉积学建立测井-构型相；
以所述特高含水油田的地震资料为基础，通过不同地震资料应用方法，建立地震-构型相；
以储层构型理论为指导，将所述岩心-构型相、所述测井-构型相、所述地震-构型相进行三相耦合，得到所述特高含水油田的储层构型空间展布信息；
其中，所述油藏描述信息包括所述储层构型空间展布信息。
4.根据权利要求1所述的方法，其特征在于，所述采用高精度油藏描述方法，获取特高含水油田的油藏描述信息，包括：
对所述特高含水油田开展多种介质驱替实验和微观刻蚀驱替实验，得到所述特高含水油田的油藏微观孔隙结构与剩余油赋存状态关系；
基于所述油藏微观孔隙结构与剩余油赋存状态关系，确定所述特高含水油田的剩余油量信息；
其中，所述油藏描述信息包括所述剩余油量信息。
5.根据权利要求1所述的方法，其特征在于，所述基于所述油藏描述信息，采用预测分析模型对所述特高含水油田的相关数据进行预测分析，得到预测分析数据，包括：
基于油藏属性、渗流特征、时变特性对采收率影响的多介质融合机理，构建所述特高含水油田的注采井网；
基于所述注采井网进行水驱与化学驱的有序化转换，结合采收率预测模型，计算得到所述特高含水油田的预测采收率；
其中，所述预测分析数据包括所述预测采收率。
6.根据权利要求1所述的方法，其特征在于，所述基于所述油藏描述信息，采用预测分析模型对所述特高含水油田的相关数据进行预测分析，得到预测分析数据，包括：
基于不同驱替方式对产量的影响，构建产量预测模型；
通过所述产量预测模型基于所述特高含水油田的预测采收率、年产液量和年平均含水曲线，计算得到所述特高含水油田的预测产油量；
其中，所述预测分析数据包括所述预测产油量。
7.根据权利要求1所述的方法，其特征在于，所述基于所述油藏描述信息，采用预测分析模型对所述特高含水油田的相关数据进行预测分析，得到预测分析数据，包括：
构建在多目标约束下的价值链模型；
通过所述价值链模型以年产液速度和时间为自变量，固定油田生命周期和水驱与化学驱的转换时机，预估得到所述特高含水油田的每年净现值和累积净现值；
其中，所述预测分析数据包括所述每年净现值和累积净现值。
8.根据权利要求1所述的方法，其特征在于，所述基于全藏波及高效驱替技术，结合所述预测分析数据对所述特高含水油田进行重构处理，包括：
对于所述特高含水油田的各个开发层系，分别确定所述开发层系的主控因素，所述主控因素包括以下至少一项：地质储量、油层发育状况、纵向非均质性、单层渗流阻力、注水启动压力、目前油层水淹状况、动用程度、吸水情况、含水量；
基于所述开发层系的主控因素以及各项主控因素的权重系数，确定所述开发层系的综合因子；
基于各个所述开发层系的综合因子，对所述特高含水油田进行层系重组。
9.根据权利要求1所述的方法，其特征在于，所述基于全藏波及高效驱替技术，结合所述预测分析数据对所述特高含水油田进行重构处理，包括：
依据砂体分级标准，对所述特高含水油田的砂体进行分级；
针对属于不同分级的砂体，分别构建相应的注采井网。
10.根据权利要求1所述的方法，其特征在于，所述基于全藏波及高效驱替技术，结合所述预测分析数据对所述特高含水油田进行重构处理，包括：
基于非均质特征产出模型与注入模型的均衡驱替技术，以静态参数为基础，动态参数作为约束，将注入端、井网及采出端建立有效联系，动静结合确定分注层段；
确定影响注水效果的参数并进行归一化处理，根据参数影响程度大小赋予其权重系数，计算出每个层的分注系数，并根据确定的分注极差界限确定分注层段，实现油藏渗流场立体均衡驱替。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110148560.1A CN114862609A (zh) | 2021-02-03 | 2021-02-03 | 一种特高含水油田的油藏开采方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110148560.1A CN114862609A (zh) | 2021-02-03 | 2021-02-03 | 一种特高含水油田的油藏开采方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114862609A true CN114862609A (zh) | 2022-08-05 |
Family
ID=82623509
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110148560.1A Pending CN114862609A (zh) | 2021-02-03 | 2021-02-03 | 一种特高含水油田的油藏开采方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114862609A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116629112A (zh) * | 2023-05-22 | 2023-08-22 | 中国科学院沈阳自动化研究所 | 一种基于科学智能的油藏属性参数反演方法及*** |
| CN117474158A (zh) * | 2023-10-31 | 2024-01-30 | 东北石油大学 | 一种基于机器学习的天然岩心聚合物驱油采收率预测方法 |
-
2021
- 2021-02-03 CN CN202110148560.1A patent/CN114862609A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116629112A (zh) * | 2023-05-22 | 2023-08-22 | 中国科学院沈阳自动化研究所 | 一种基于科学智能的油藏属性参数反演方法及*** |
| CN116629112B (zh) * | 2023-05-22 | 2024-05-07 | 中国科学院沈阳自动化研究所 | 一种基于科学智能的油藏属性参数反演方法及*** |
| CN117474158A (zh) * | 2023-10-31 | 2024-01-30 | 东北石油大学 | 一种基于机器学习的天然岩心聚合物驱油采收率预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102041995B (zh) | 复杂油藏水淹状况监测*** | |
| RU2496972C2 (ru) | Устройство, способ и система стохастического изучения пласта при нефтепромысловых операциях | |
| CN106372402B (zh) | 一种大数据环境下模糊区域卷积神经网络的并行化方法 | |
| US20160376885A1 (en) | Method and Apparatus for Performance Prediction of Multi-Layered Oil Reservoirs | |
| Foroud et al. | Assisted history matching using artificial neural network based global optimization method–Applications to Brugge field and a fractured Iranian reservoir | |
| CN105528522A (zh) | 一种基于空间网格计算连续性油气藏资源量的方法及装置 | |
| CN102867330B (zh) | 基于区域划分的空间复杂层位重构方法 | |
| CN111596978A (zh) | 用人工智能进行岩相分类的网页显示方法、模块和*** | |
| CN104615862A (zh) | 基于进化算法的高含水油田确定井位的方法 | |
| CN114862609A (zh) | 一种特高含水油田的油藏开采方法 | |
| Guo et al. | Multiple-point geostatistics-based three-dimensional automatic geological modeling and uncertainty analysis for borehole data | |
| US20230111179A1 (en) | Predicting oil and gas reservoir production | |
| Liu et al. | 3D geological model-based hydraulic fracturing parameters optimization using geology–engineering integration of a shale gas reservoir: A case study | |
| RU2670801C1 (ru) | Система интегрированного концептуального проектирования месторождения углеводородов | |
| CN116911216B (zh) | 一种储层油井产能因素评估与预测方法 | |
| Huang et al. | A deep-learning-based graph neural network-long-short-term memory model for reservoir simulation and optimization with varying well controls | |
| Khalili et al. | Reservoir modeling & simulation: Advancements, challenges, and future perspectives | |
| CN109064558A (zh) | 一种基于特征的不确定性规划地质曲面重构方法 | |
| Ariadji et al. | Optimization of vertical well placement for oil field development based on basic reservoir rock properties using a genetic algorithm | |
| Wang et al. | Use of retrospective optimization for placement of oil wells under uncertainty | |
| CN115373028A (zh) | 一种碳酸盐岩缝洞型油藏放空漏失井段测井曲线重构方法 | |
| CN112507615B (zh) | 一种陆相致密储层岩相智能识别与可视化方法 | |
| CN115880455A (zh) | 基于深度学习的三维智能插值方法 | |
| CN109444958B (zh) | 致密储层孔隙度定量预测的方法 | |
| Becerra et al. | Petroleum reservoir uncertainty mitigation through the integration with production history matching |
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 |