CN116911216B - 一种储层油井产能因素评估与预测方法 - Google Patents
一种储层油井产能因素评估与预测方法 Download PDFInfo
- Publication number
- CN116911216B CN116911216B CN202311167331.XA CN202311167331A CN116911216B CN 116911216 B CN116911216 B CN 116911216B CN 202311167331 A CN202311167331 A CN 202311167331A CN 116911216 B CN116911216 B CN 116911216B
- Authority
- CN
- China
- Prior art keywords
- oil
- reservoir
- oil reservoir
- data
- analysis
- 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
- 239000003129 oil well Substances 0.000 title claims abstract description 94
- 238000000034 method Methods 0.000 title claims abstract description 87
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 49
- 239000011148 porous material Substances 0.000 claims abstract description 28
- 238000009826 distribution Methods 0.000 claims abstract description 23
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 20
- 238000012544 monitoring process Methods 0.000 claims abstract description 18
- 230000002068 genetic effect Effects 0.000 claims abstract description 16
- 230000007246 mechanism Effects 0.000 claims abstract description 15
- 238000000556 factor analysis Methods 0.000 claims abstract description 14
- 239000012530 fluid Substances 0.000 claims description 45
- 230000006870 function Effects 0.000 claims description 42
- 238000005516 engineering process Methods 0.000 claims description 35
- 238000004458 analytical method Methods 0.000 claims description 34
- 238000005457 optimization Methods 0.000 claims description 33
- 230000003993 interaction Effects 0.000 claims description 32
- 238000011161 development Methods 0.000 claims description 28
- 238000003012 network analysis Methods 0.000 claims description 23
- 239000000126 substance Substances 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 16
- 238000011156 evaluation Methods 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000013210 evaluation model Methods 0.000 claims description 10
- 238000013473 artificial intelligence Methods 0.000 claims description 9
- 230000035699 permeability Effects 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000000611 regression analysis Methods 0.000 claims description 9
- 238000010206 sensitivity analysis Methods 0.000 claims description 9
- 238000004088 simulation Methods 0.000 claims description 9
- 238000004519 manufacturing process Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 239000011435 rock Substances 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000000306 recurrent effect Effects 0.000 claims description 6
- 238000011002 quantification Methods 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 claims description 4
- 238000013178 mathematical model Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000002591 computed tomography Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000013209 evaluation strategy Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 230000008303 genetic mechanism Effects 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 3
- 238000013421 nuclear magnetic resonance imaging Methods 0.000 claims description 3
- 238000013486 operation strategy Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000002921 genetic algorithm search Methods 0.000 claims description 2
- 230000008901 benefit Effects 0.000 description 4
- 238000012417 linear regression Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000009396 hybridization Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012067 mathematical method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000013401 experimental design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V11/00—Prospecting or detecting by methods combining techniques covered by two or more of main groups G01V1/00 - G01V9/00
-
- 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]
-
- 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
- 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
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- 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
- G06F2119/08—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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Computer Hardware Design (AREA)
- Mining & Mineral Resources (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Fluid Mechanics (AREA)
- Molecular Biology (AREA)
- Geology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Mathematical Optimization (AREA)
- Computer Graphics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Geochemistry & Mineralogy (AREA)
- Physiology (AREA)
- Algebra (AREA)
- Development Economics (AREA)
Abstract
本发明涉及油井产能评估技术领域,具体涉及一种储层油井产能因素评估与预测方法,包括以下步骤:利用多源地质和工程数据,获取油井的微观孔隙和裂缝结构信息,进一步结合地震和地电方法分析油藏的空间分布特征;引入多相流动机理和油藏工程动态监测,分析油水气在微观和宏观尺度下的运动特性,并与油藏的地下压力及温度分布相结合,形成全方位的主控因素分析框架;本发明,捕捉油藏主控因素之间的复杂、非线性关系,从而实现更精确的油井产能预测,利用遗传算法的全局搜索能力,本发明能够自适应地调整RBF网络的参数。
Description
技术领域
本发明涉及油井产能评估技术领域,尤其涉及一种储层油井产能因素评估与预测方法。
背景技术
油井产能预测是油田开发和管理的关键环节,直接影响油田的经济效益和资源利用率。然而,油藏***的复杂性、非线性和多变性使油井产能预测成为一项挑战。
常规的油井产能预测方法主要依赖于经验公式和线性回归分析,这些方法虽然在一些情况下效果不错,但它们不能很好地捕捉油藏主控因素之间的复杂、非线性关系。
为了实现更精确的油井产能预测,需要运用先进的数学和计算方法。模糊逻辑可以处理油藏的模糊、不确定信息,但构建有效的模糊模型具有一定的复杂性。非线性回归分析,特别是径向基函数(RBF)网络,可以捕捉复杂关系,但选择合适的基函数和参数调整是一个挑战。此外,优化算法如遗传算法在参数优化中非常有效,但其执行效率和稳定性需要进一步提高。
现有的油井产能预测方法往往缺乏对油藏地质特性和实际运行数据的深度整合,也缺乏有效的自适应调整机制。现有技术的局限性导致预测准确率和稳定性难以满足实际需要。
针对上述挑战和不足,需要一种全面、动态、实时的油井产能预测方法。这种方法应结合模糊逻辑、非线性回归分析和自适应优化算法,能够自适应地调整参数并优化预测准确率。
通过分析油藏的主控因素,例如地质特性、岩性、流体性质等,并结合油井的实际运行数据,本发明旨在构建一种更先进、灵活和准确的油井产能预测模型。这种模型通过结合模糊逻辑、径向基函数网络和遗传算法,实现了油藏复杂性和多变性的全面捕捉,并提供了对预测参数的自适应调整和预测准确率的优化。
发明内容
基于上述目的,本发明提供了一种储层油井产能因素评估与预测方法。
一种储层油井产能因素评估与预测方法,包括以下步骤:
步骤一:利用多源地质和工程数据,获取油井的微观孔隙和裂缝结构信息,进一步结合地震和地电方法分析油藏的空间分布特征;
步骤二:引入多相流动机理和油藏工程动态监测,分析油水气在微观和宏观尺度下的运动特性,并与油藏的地下压力及温度分布相结合,形成全方位的主控因素分析框架;
步骤三:通过深度学习和复杂网络分析技术,综合地下物理场、化学场和力学场的交互作用,构建多尺度、多因素的主控因素评估模型,实现了对油井产能的精确量化和敏感度分析;
步骤四:根据主控因素分析,运用模糊逻辑、非线性回归分析和自适应优化算法,结合油井实际运行数据和地质特性,构建动态、实时的油井产能预测模型,自适应地调整参数并优化预测准确率;
步骤五:与现场操作***联动,通过物联网和人工智能技术,实现油井产能的自动化控制和智能优化,通过智能算法不断学习和优化操作策略,实现油井的最优化运行;
步骤六:通过可视化界面,结合虚拟现实技术,实时展示油井的运行状态和主控因素的影响,使油田管理人员直观理解油井的运行状况。
进一步的,所述步骤一具体包括:
采用高分辨率X射线CT扫描和核磁共振成像技术,结合地面和井下数据,对油藏的岩石样品进行细致分析,揭示油藏的孔隙、裂缝、油水接触的微观结构特征;
使用声波测井工具,通过分析声波在岩石中的传播特性,对油藏的渗透率、弹性模量、孔隙结构进行非破坏性评估,提供油藏微观结构与宏观物理特性之间的关联;
结合地震勘探和地电方法,采用三维地震反演和电阻率成像技术,构建油藏的三维空间模型,分析油藏的空间分布特征,揭示油藏的断块、折叠、断裂地质构造情况,为油藏的开发提供空间参考;
通过人工智能算法,将地质和工程数据进行整合和挖掘,识别油藏的关键控制因素,构建油藏的综合描述模型,为后续的主控因素分析和产能预测提供准确的输入。
进一步的,所述步骤二具体包括:
通过基于有限体积法的多相流体模拟技术,分析油水气在孔隙和裂缝中的流动特性,揭示流体在不同渗透率、孔隙结构下的流动机理,以及相互作用和相变过程的影响,具体包括:采集有关油藏的基础地质和工程数据;使用有限体积法进行三维油藏网格划分,以捕获油藏的孔隙和裂缝几何形态;根据采集的数据定义油、水、气的粘度、密度和压力流体性质参数;基于Darcy和非Darcy流动方程,构建用于描述油、水、气在孔隙和裂缝中流动的数学模型;加入用于描述流体之间相互作用以及油、水、气之间的相变的子模型;运用有限体积法求解以上设立的流动方程,得出流体在孔隙和裂缝中的速度、压力分布以及相分布;通过求解结果分析流体在不同渗透率和孔隙结构下的流动机制,以及相互作用和相变过程如何影响油井产能;基于流动机制解析,结合油井实际运行数据,构建动态、实时的油井产能预测模型;
利用油藏模拟器和流体动力学软件,结合油藏的温度、压力、岩性参数,对油藏的大尺度流动特性进行分析,模拟油田开发过程中的压力分布、温度变化、流体饱和度,具体包括:收集和设定有关油藏的温度、压力、岩性基础参数;根据所需的分析精度和范围,选择油藏模拟器和流体动力学软件,在选定的模拟器和软件中,根据收集的参数,初始化油藏和流体模型;运行模拟,模拟油田开发过程中的压力分布、温度变化、流体饱和度;分析模拟结果,针对不同的开发阶段,提出相应的优化策略或调整现有的开发计划;
结合油藏的动态监测数据,该动态监测数据包括井口压力、温度、产量,实时监测信息,通过数据同化和实时更新技术,使得油藏模型的动态校正;
运用现场监测和传感技术,结合物联网设备,对油藏地下压力和温度的实时监测和分析;
通过分析流体在微观层面与宏观层面的相互作用,揭示油藏的流体输送特性,为后续的油井产能预测和智能控制提供依据。
进一步的,所述步骤三具体包括:
采用递归神经网络算法(RNN),处理和分析油藏的地下物理、化学和力学数据,提取其中的模式和关系,为主控因素的评估提供数据支持;
利用基于社交网络分析的复杂网络分析技术,构建油藏的多尺度、多维度交互模型,分析油藏内各要素之间的复杂相互作用和依赖关系,揭示主控因素之间的权重和影响具体包括:收集油藏内的各种要素及其相互作用和依赖关系的数据,并进行预处理;基于收集的数据选择复杂网络分析的社交网络分析工具,构建描述油藏内各要素间复杂相互作用和依赖关系的多尺度、多维度网络模型;运用社交网络分析算法,分析并量化网络中各节点的权重和影响;根据分析结果,识别对油井产能具有主导影响的因素,并对其进行深入分析;结合识别出的主控因素和其相应的权重与影响,优化油井的开发策略并进行更精准的产能预测;
结合地下物理场、化学场和力学场的数据,构建全面的油藏特性分析框架,准确反映油藏的复杂性和多变性,具体包括:收集油藏相关的物理场、化学场和力学场数据;利用数据融合技术,将物理、化学和力学场的数据进行预处理和标准化;依据收集和预处理的数据,构建全面的油藏特性分析框架;运用多因素分析方法,在构建的框架内评估油藏的多变性和复杂性;通过敏感性分析和优化算法,确定各影响因素在物理场、化学场和力学场中的权重,以准确地反映其对油井产能的影响;
通过敏感度分析和不确定性量化方法,分析各主控因素对油井产能的影响程度和不确定性,以识别关键控制因素并优化评估策略;
利用现有的地质、工程、生产数据,结合人工智能,建立和训练油井产能主控因素的评估模型,对油藏不同开发阶段进行精准评估和预测。
进一步的,所述递归神经网络算法用于处理和分析油藏的时间序列数据,具体形式包括:
隐藏层状态更新,公式如下:
输出层计算:
其中,/>是时刻t的隐藏层状态,/>是时刻t的输入,、/>、/>是权重矩阵,/>、/>是偏置项。
进一步的,所述社交网络分析用于分析油藏内各要素之间的复杂相互作用和依赖关系,分析模型包括:
邻接矩阵表示法:
节点度中心性计算:
其中,/>是节点/>的邻居节点集合,/>是网络中的节点总数。
进一步的,所述步骤四具体包括:
模糊逻辑分析:使用模糊逻辑处理油藏的模糊、不确定信息,包括地质特性、岩性、流体性质,构建模糊规则和模糊推理***,将主控因素的定性描述转化为可量化的模型输入;
非线性回归分析:采用径向基函数(RBF)网络,捕捉油藏主控因素之间的复杂、非线性关系;
自适应优化算法构建:利用遗传算法,对模型进行参数调整和优化,通过不断迭代和自适应调整,确保模型的预测准确率和稳定性;
动态、实时预测模型构建:将模糊逻辑、非线性回归和自适应优化算法结合,构建动态、实时的油井产能预测模型;
实际运行数据与地质特性融合:将油井的实际运行数据,包括油井压力、温度、流量,与地质特性如岩性、孔隙度、饱和度结合,确保预测模型的全面性和准确性。
进一步的,所述径向基函数(RBF)网络用于解决非线性回归问题。RBF网络的输出是基于输入与各个基函数中心的欧氏距离的函数,其具体形式为:
RBF层:该层计算输入向量与基函数中心的距离,并应用径向基函数,基于高斯函数,其计算方式为:
其中,/>是输入向量,/>是第/>个基函数的中心,是标准差;
输出层:该层是径向基函数的线性组合,用于预测输出:
其中,/>是权重,/>是偏置项,/>是基函数的数量。
进一步的,所述遗传算法基于启发式优化算法,通过模拟自然选择和遗传机制来搜索优解,其基本步骤包括:
初始化:随机生成一组解(称为种群);
选择:根据适应度函数评估每个解的优劣,根据优或劣分为第一等级、第二等级,选择第一等级进入下一代;
交叉(杂交):通过组合父代解来产生子代解;
变异:以特定概率对子代解进行随机改变;
终止条件:当达到预定的迭代次数或找到满足条件的解时停止;
运用遗传算法自适应调整RBF网络的参数(例如基函数中心、标准差、权重),以找到最佳的油井产能预测模型。
进一步的,还包括一个数据预处理模块,用于清洗、整理和转换油井数据,以适配评估模型的输入需求。
本发明的有益效果:
本发明,通过结合径向基函数(RBF)网络和遗传算法,本发明能够捕捉油藏主控因素之间的复杂、非线性关系,从而实现更精确的油井产能预测,利用遗传算法的全局搜索能力,本发明能够自适应地调整RBF网络的参数,如基函数中心、标准差、权重等,确保预测模型始终与油井的实际运行数据和地质特性保持一致。
本发明允许灵活选择和组合不同的数学和计算方法,以适应不同油田和油藏的特定需求和条件,能够不断优化预测准确率,以满足油田开发和管理的实际需求。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术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发明,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为本发明实施例的方法流程示意图;
图2为本发明实施例的主控因素评估模型示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,对本发明进一步详细说明。
需要说明的是,除非另外定义,本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
如图1-图2所示,一种储层油井产能因素评估与预测方法,包括以下步骤:
步骤一:利用多源地质和工程数据,获取油井的微观孔隙和裂缝结构信息,进一步结合地震和地电方法分析油藏的空间分布特征;
步骤二:引入多相流动机理和油藏工程动态监测,分析油水气在微观和宏观尺度下的运动特性,并与油藏的地下压力及温度分布相结合,形成全方位的主控因素分析框架;
步骤三:通过深度学习和复杂网络分析技术,综合地下物理场、化学场和力学场的交互作用,构建多尺度、多因素的主控因素评估模型,实现了对油井产能的精确量化和敏感度分析;
步骤四:根据主控因素分析,运用模糊逻辑、非线性回归分析和自适应优化算法,结合油井实际运行数据和地质特性,构建动态、实时的油井产能预测模型,自适应地调整参数并优化预测准确率;
步骤五:与现场操作***联动,通过物联网和人工智能技术,实现油井产能的自动化控制和智能优化,通过智能算法不断学习和优化操作策略,实现油井的最优化运行;
步骤六:通过可视化界面,结合虚拟现实技术,实时展示油井的运行状态和主控因素的影响,使油田管理人员直观理解油井的运行状况;
通过以上步骤的综合实施,本方法不仅可以准确评估油井的产能,而且通过引入先进的数据分析技术、自适应算法和智能控制手段,实现了油井产能的全方位智能化评估与控制,填补了现有技术的空白,实现了油田开发中难以实现的技术性效果。
步骤一具体包括:
采用高分辨率X射线CT扫描和核磁共振成像技术,结合地面和井下数据,对油藏的岩石样品进行细致分析,揭示油藏的孔隙、裂缝、油水接触的微观结构特征;
使用声波测井工具,通过分析声波在岩石中的传播特性,对油藏的渗透率、弹性模量、孔隙结构进行非破坏性评估,提供油藏微观结构与宏观物理特性之间的关联;
结合地震勘探和地电方法,采用三维地震反演和电阻率成像技术,构建油藏的三维空间模型,分析油藏的空间分布特征,揭示油藏的断块、折叠、断裂地质构造情况,为油藏的开发提供空间参考;
通过人工智能算法,将地质和工程数据进行整合和挖掘,识别油藏的关键控制因素,构建油藏的综合描述模型,为后续的主控因素分析和产能预测提供准确的输入;
通过融合多源数据和采用先进的地质勘探和数据分析技术,为油藏的微观和宏观特性提供了全面的认识和精确的描述,进一步推动了致密砂岩储层油井产能主控因素评估与产能预测方法的创新和完善。
步骤二具体包括:
通过基于有限体积法的多相流体模拟技术,分析油水气在孔隙和裂缝中的流动特性,揭示流体在不同渗透率、孔隙结构下的流动机理,以及相互作用和相变过程的影响具体包括:采集有关油藏的基础地质和工程数据;使用有限体积法进行三维油藏网格划分,以捕获油藏的孔隙和裂缝几何形态;根据采集的数据定义油、水、气的粘度、密度和压力流体性质参数;基于Darcy和非Darcy流动方程,构建用于描述油、水、气在孔隙和裂缝中流动的数学模型;加入用于描述流体之间相互作用以及油、水、气之间的相变的子模型;运用有限体积法求解以上设立的流动方程,得出流体在孔隙和裂缝中的速度、压力分布以及相分布;通过求解结果分析流体在不同渗透率和孔隙结构下的流动机制,以及相互作用和相变过程如何影响油井产能;基于流动机制解析,结合油井实际运行数据,构建动态、实时的油井产能预测模型;
利用油藏模拟器和流体动力学软件,结合油藏的温度、压力、岩性参数,对油藏的大尺度流动特性进行分析,模拟油田开发过程中的压力分布、温度变化、流体饱和度,具体包括:收集和设定有关油藏的温度、压力、岩性基础参数;根据所需的分析精度和范围,选择油藏模拟器和流体动力学软件,在选定的模拟器和软件中,根据收集的参数,初始化油藏和流体模型;运行模拟,模拟油田开发过程中的压力分布、温度变化、流体饱和度;分析模拟结果,针对不同的开发阶段,提出相应的优化策略或调整现有的开发计划;
结合油藏的动态监测数据,该动态监测数据包括井口压力、温度、产量,实时监测信息,通过数据同化和实时更新技术,使得油藏模型的动态校正,提高预测的准确性和可靠性;
运用现场监测和传感技术,结合物联网设备,对油藏地下压力和温度的实时监测和分析,确保油藏开发过程的安全和高效;
通过分析流体在微观层面与宏观层面的相互作用,揭示油藏的流体输送特性,为后续的油井产能预测和智能控制提供依据;
综合运用了多相流动机理、油藏工程动态监测和先进的数值模拟技术,实现了油藏流体在不同尺度下的精确分析,提供了全面的主控因素分析框架,进一步推动了致密砂岩储层油井产能主控因素评估与产能预测方法的创新和精确化。
步骤三具体包括:
采用递归神经网络算法(RNN),处理和分析油藏的地下物理、化学和力学数据,提取其中的模式和关系,为主控因素的评估提供数据支持;
利用基于社交网络分析的复杂网络分析技术,构建油藏的多尺度、多维度交互模型,分析油藏内各要素之间的复杂相互作用和依赖关系,揭示主控因素之间的权重和影响,具体包括:收集油藏内的各种要素及其相互作用和依赖关系的数据,并进行预处理;基于收集的数据选择复杂网络分析的社交网络分析工具,构建描述油藏内各要素间复杂相互作用和依赖关系的多尺度、多维度网络模型;运用社交网络分析算法,分析并量化网络中各节点的权重和影响;根据分析结果,识别对油井产能具有主导影响的因素,并对其进行深入分析;结合识别出的主控因素和其相应的权重与影响,优化油井的开发策略并进行更精准的产能预测;
结合地下物理场(如压力、温度)、化学场(如油、水、气组分的化学反应)和力学场(如岩石的应力、变形)的数据,构建全面的油藏特性分析框架,准确反映油藏的复杂性和多变性,具体包括:收集油藏相关的物理场、化学场和力学场数据;利用数据融合技术,将物理、化学和力学场的数据进行预处理和标准化;依据收集和预处理的数据,构建全面的油藏特性分析框架;运用多因素分析方法,在构建的框架内评估油藏的多变性和复杂性;通过敏感性分析和优化算法,确定各影响因素在物理场、化学场和力学场中的权重,以准确地反映其对油井产能的影响;
通过敏感度分析和不确定性量化方法,分析各主控因素对油井产能的影响程度和不确定性,以识别关键控制因素并优化评估策略;
利用现有的地质、工程、生产数据,结合人工智能,建立和训练油井产能主控因素的评估模型,对油藏不同开发阶段进行精准评估和预测;
通过深度学习和复杂网络分析技术的引入,实现了油藏多尺度、多因素的主控因素评估,突破了传统方法在处理油藏复杂性方面的局限,推动了致密砂岩储层油井产能主控因素评估与产能预测方法的创新和深化,有助于提高油井的开发效率和经济效益。
递归神经网络算法用于处理和分析油藏的时间序列数据,具体形式包括:
隐藏层状态更新,公式如下:
输出层计算:
其中,/>是时刻t的隐藏层状态,/>是时刻t的输入,、/>、/>是权重矩阵,/>、/>是偏置项;
在本发明中,RNN可用于分析油藏的动态行为和主控因素随时间的变化趋势,例如通过分析压力和温度的时间序列,可以预测油藏的未来表现,并据此调整开发策略。
社交网络分析用于分析油藏内各要素之间的复杂相互作用和依赖关系,分析模型包括:
邻接矩阵表示法:
节点度中心性计算:
其中,/>是节点/>的邻居节点集合,/>是网络中的节点总数。
在本发明中,将油藏的物理场、化学场、力学场视为网络中的节点,它们之间的交互作用则形成了边。通过社交网络分析,可以深入了解这些因素之间的相互作用和依赖关系,从而为主控因素评估和油井产能预测提供更深入、全面的分析。
步骤四具体包括:
模糊逻辑分析:使用模糊逻辑处理油藏的模糊、不确定信息,包括地质特性、岩性、流体性质,构建模糊规则和模糊推理***,将主控因素的定性描述转化为可量化的模型输入;
非线性回归分析:采用径向基函数(RBF)网络,捕捉油藏主控因素之间的复杂、非线性关系,例如,可通过非线性回归分析构建油藏压力、温度与产能之间的复杂数学模型;
自适应优化算法构建:利用遗传算法,对模型进行参数调整和优化,通过不断迭代和自适应调整,确保模型的预测准确率和稳定性,例如,可运用遗传算法自适应调整非线性回归模型的参数,使其更精确地反映油藏实际情况;
动态、实时预测模型构建:将模糊逻辑、非线性回归和自适应优化算法结合,构建动态、实时的油井产能预测模型,该模型可以根据油井的实时运行数据和地质特性动态调整,实现产能预测的实时优化;
实际运行数据与地质特性融合:将油井的实际运行数据,包括油井压力、温度、流量,与地质特性如岩性、孔隙度、饱和度结合,确保预测模型的全面性和准确性,通过对地质和工程数据的深度整合,提高预测模型的可靠性和实用性。
通过以上步骤,本发明构建了一种动态、实时的油井产能预测模型,充分考虑了油藏的复杂性和多变性,运用先进的模糊逻辑、非线性回归和自适应优化技术,实现了预测参数的自适应调整和预测准确率的优化。这一步骤为油井的智能管理和优化开发提供了强有力的技术支持,具有重要的实用价值和创新意义。
径向基函数(RBF)网络用于解决非线性回归问题。RBF网络的输出是基于输入与各个基函数中心的欧氏距离的函数,其具体形式为:
RBF层:该层计算输入向量与基函数中心的距离,并应用径向基函数,基于高斯函数,其计算方式为:
其中,/>是输入向量,/>是第/>个基函数的中心,是标准差;
输出层:该层是径向基函数的线性组合,用于预测输出:
其中,/>是权重,/>是偏置项,/>是基函数的数量;
通过RBF网络捕捉油藏主控因素之间的复杂、非线性关系,例如构建油藏压力、温度与产能之间的模型。
遗传算法基于启发式优化算法,通过模拟自然选择和遗传机制来搜索优解,其基本步骤包括:
初始化:随机生成一组解(称为种群);
选择:根据适应度函数评估每个解的优劣,根据优或劣分为第一等级、第二等级,选择第一等级进入下一代;
交叉(杂交):通过组合父代解来产生子代解;
变异:以特定概率对子代解进行随机改变;
终止条件:当达到预定的迭代次数或找到满足条件的解时停止;
在本发明中,运用遗传算法自适应调整RBF网络的参数(例如基函数中心、标准差、权重),以找到最佳的油井产能预测模型;
这两种方法的结合可以实现对油井产能的精确预测,能够自适应地调整参数并优化预测准确率,与油井的实际运行数据和地质特性紧密结合,具有很高的实用价值和创新意义。
还包括一个数据预处理模块,用于清洗、整理和转换油井数据,以适配评估模型的输入需求。
为了验证本发明的效果,进行以下的实验设计。
实验测试
目的
验证通过结合径向基函数(RBF)网络、遗传算法和模糊逻辑的油井产能预测方法能否提供更准确、灵活和自适应的预测结果。
测试油田和数据集
油田:测试在某大型油田进行,该油田具有多种岩性和油藏特性。
数据集:包括了历史产量数据、地质特性、岩性参数、流体性质等,共1000个油井的10年内的数据。
方法和实验设置
建立模型:采用径向基函数网络构建非线性回归模型,模糊逻辑用于处理不确定性,遗传算法用于参数优化。
训练和验证:使用80%的数据进行训练,20%的数据进行验证。
比较基准:与传统线性回归分析和经验公式进行比较。
评估指标:主要使用均方误差(MSE)和决定系数(R²)来评估预测准确率。
结果
本发明方法。
MSE:0.045
R²:0.98
传统线性回归分析
MSE:0.12
R²:0.85
经验公式
MSE:0.15
R²:0.80
分析
从实验结果可以看出,本发明方法在MSE和R²方面均优于传统方法,显示了其在捕捉油藏主控因素之间复杂关系方面的优势,通过遗传算法的自适应调整,模型能够针对不同油田和油藏的特定需求和条件进行优化。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本发明的范围被限于这些例子;在本发明的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本发明的不同方面的许多其它变化,为了简明它们没有在细节中提供。
本发明旨在涵盖落入权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此,凡在本发明的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种储层油井产能因素评估与预测方法,其特征在于,包括以下步骤:
步骤一:利用多源地质和工程数据,获取油井的微观孔隙和裂缝结构信息,进一步结合地震和地电方法分析油藏的空间分布特征;
步骤二:引入多相流动机理和油藏工程动态监测,分析油水气在微观和宏观尺度下的运动特性,并与油藏的地下压力及温度分布相结合,形成全方位的主控因素分析框架;
步骤三:通过深度学习和复杂网络分析技术,综合地下物理场、化学场和力学场的交互作用,构建多尺度、多因素的主控因素评估模型,对油井产能进行精确量化和敏感度分析;
步骤四:根据主控因素分析,运用模糊逻辑、非线性回归分析和自适应优化算法,结合油井实际运行数据和地质特性,构建动态、实时的油井产能预测模型,自适应地调整参数并优化预测准确率;
步骤五:与现场操作***联动,通过物联网和人工智能技术,实现油井产能的自动化控制和智能优化,通过智能算法不断学习和优化操作策略,实现油井的最优化运行;
步骤六:通过可视化界面,结合虚拟现实技术,实时展示油井的运行状态和主控因素的影响,使油田管理人员直观理解油井的运行状况。
2.根据权利要求1所述的一种储层油井产能因素评估与预测方法,其特征在于,所述步骤一具体包括:
采用X射线CT扫描和核磁共振成像技术,结合地面和井下数据,对油藏的岩石样品进行细致分析,揭示油藏的孔隙、裂缝、油水接触的微观结构特征;
使用声波测井工具,通过分析声波在岩石中的传播特性,对油藏的渗透率、弹性模量、孔隙结构进行非破坏性评估,提供油藏微观结构与宏观物理特性之间的关联;
结合地震勘探和地电方法,采用三维地震反演和电阻率成像技术,构建油藏的三维空间模型,分析油藏的空间分布特征,揭示油藏的断块、折叠、断裂地质构造情况,为油藏的开发提供空间参考;
通过人工智能算法,将地质和工程数据进行整合和挖掘,识别油藏的关键控制因素,构建油藏的综合描述模型,为后续的主控因素分析和产能预测提供准确的输入。
3.根据权利要求1所述的一种储层油井产能因素评估与预测方法,其特征在于,所述步骤二包括:
通过基于有限体积法的多相流体模拟技术,分析油水气在孔隙和裂缝中的流动特性,揭示流体在不同渗透率、孔隙结构下的流动机理,以及相互作用和相变过程的影响,具体包括:采集有关油藏的基础地质和工程数据;使用有限体积法进行三维油藏网格划分,以捕获油藏的孔隙和裂缝几何形态;根据采集的数据定义油、水、气的粘度、密度和压力流体性质参数;基于Darcy和非Darcy流动方程,构建用于描述油、水、气在孔隙和裂缝中流动的数学模型;加入用于描述流体之间相互作用以及油、水、气之间的相变的子模型;运用有限体积法求解以上设立的流动方程,得出流体在孔隙和裂缝中的速度、压力分布以及相分布;通过求解结果分析流体在不同渗透率和孔隙结构下的流动机制,以及相互作用和相变过程如何影响油井产能;基于流动机制解析,结合油井实际运行数据,构建动态、实时的油井产能预测模型;
利用油藏模拟器和流体动力学软件,结合油藏的温度、压力、岩性参数,对油藏的大尺度流动特性进行分析,模拟油田开发过程中的压力分布、温度变化、流体饱和度,具体包括:收集和设定油藏的温度、压力、岩性基础参数;根据所需的分析精度和范围,选择油藏模拟器和流体动力学软件,在选定的模拟器和软件中,根据收集的参数,初始化油藏和流体模型;模拟油田开发过程中的压力分布、温度变化、流体饱和度;分析模拟结果,针对不同的开发阶段,提出相应的优化策略或调整现有的开发计划;
结合油藏的动态监测数据,该动态监测数据包括井口压力、温度、产量,实时监测信息,通过数据同化和实时更新技术,使得油藏模型的动态校正;
运用现场监测和传感技术,结合物联网设备,对油藏地下压力和温度的实时监测和分析;
通过分析流体在微观层面与宏观层面的相互作用,揭示油藏的流体输送特性,为后续的油井产能预测和智能控制提供依据。
4.根据权利要求1所述的一种储层油井产能因素评估与预测方法,其特征在于,所述步骤三具体包括:
采用递归神经网络算法,处理和分析油藏的地下物理、化学和力学数据,提取其中的模式和关系,为主控因素的评估提供数据支持;
利用基于社交网络分析的复杂网络分析技术,构建油藏的多尺度、多维度交互模型,分析油藏内各要素之间的复杂相互作用和依赖关系,揭示主控因素之间的权重和影响,具体包括:收集油藏内的各要素及其相互作用和依赖关系的数据,并进行预处理;基于收集的数据选择复杂网络分析的社交网络分析工具,构建描述油藏内各要素间复杂相互作用和依赖关系的多尺度、多维度网络模型;运用社交网络分析算法,分析并量化网络中各节点的权重和影响;根据分析结果,识别对油井产能具有主导影响的因素,并对其进行深入分析;结合识别出的主控因素和其相应的权重与影响,优化油井的开发策略并进行精准产能预测;
结合地下物理场、化学场和力学场的数据,构建全面的油藏特性分析框架,准确反映油藏的复杂性和多变性,具体包括:收集油藏相关的物理场、化学场和力学场数据;利用数据融合技术,将物理、化学和力学场的数据进行预处理和标准化;依据收集和预处理的数据,构建全面的油藏特性分析框架;运用多因素分析方法,在构建的框架内评估油藏的多变性和复杂性;通过敏感性分析和优化算法,确定各影响因素在物理场、化学场和力学场中的权重,以准确地反映其对油井产能的影响;
通过敏感度分析和不确定性量化方法,分析各主控因素对油井产能的影响程度和不确定性,以识别关键控制因素并优化评估策略;
利用现有的地质、工程、生产数据,结合人工智能,建立和训练油井产能主控因素的评估模型,对油藏不同开发阶段进行精准评估和预测。
5.根据权利要求4所述的一种储层油井产能因素评估与预测方法,其特征在于,所述递归神经网络算法用于处理和分析油藏的时间序列数据,具体形式包括:
隐藏层状态更新,公式如下:
输出层计算:
其中,/>是时刻t的隐藏层状态,/>是时刻t的输入,/>、、/>是权重矩阵,/>、/>是偏置项。
6.根据权利要求5所述的一种储层油井产能因素评估与预测方法,其特征在于,所述社交网络分析用于分析油藏内各要素之间的复杂相互作用和依赖关系,分析模型包括:
邻接矩阵表示法:
节点度中心性计算:/>其中,/>是节点/>的邻居节点集合,/>是网络中的节点总数。
7.根据权利要求1所述的一种储层油井产能因素评估与预测方法,其特征在于,所述步骤四具体包括:
模糊逻辑分析:使用模糊逻辑处理油藏的模糊、不确定信息,包括地质特性、岩性、流体性质,构建模糊规则和模糊推理***,将主控因素的定性描述转化为可量化的模型输入;
非线性回归分析:采用径向基函数网络,捕捉油藏主控因素之间的复杂、非线性关系;
自适应优化算法构建:利用遗传算法,对模型进行参数调整和优化,通过不断迭代和自适应调整,确保模型的预测准确率和稳定性;
动态、实时预测模型构建:将模糊逻辑、非线性回归和自适应优化算法结合,构建动态、实时的油井产能预测模型;
实际运行数据与地质特性融合:将油井的实际运行数据,包括油井压力、温度、流量,与地质特性如岩性、孔隙度、饱和度结合,确保预测模型的全面性和准确性。
8.根据权利要求7所述的一种储层油井产能因素评估与预测方法,其特征在于,所述径向基函数网络用于解决非线性回归问题,RBF网络的输出是基于输入与各个基函数中心的欧氏距离的函数,其具体形式为:
RBF层:该层计算输入向量与基函数中心的距离,并应用径向基函数,基于高斯函数,其计算方式为:
其中,/>是输入向量,/>是第/>个基函数的中心,/>是标准差;
输出层:该层是径向基函数的线性组合,用于预测输出:
其中,/>是权重,/>是偏置项,/>是基函数的数量。
9.根据权利要求8所述的一种储层油井产能因素评估与预测方法,其特征在于,所述遗传算法基于启发式优化算法,通过模拟自然选择和遗传机制来搜索优解,其基本步骤包括:
初始化:随机生成一组解;
选择:根据适应度函数评估每个解的优劣,根据优或劣分为第一等级、第二等级,选择第一等级进入下一代;
交叉:通过组合父代解来产生子代解;
变异:以特定概率对子代解进行随机改变;
终止条件:当达到预定的迭代次数或找到满足条件的解时停止;
运用遗传算法自适应调整RBF网络的参数,以找到最佳的油井产能预测模型。
10.根据权利要求1所述的一种储层油井产能因素评估与预测方法,其特征在于,还包括一个数据预处理模块,用于清洗、整理和转换油井数据,以适配评估模型的输入需求。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311167331.XA CN116911216B (zh) | 2023-09-12 | 2023-09-12 | 一种储层油井产能因素评估与预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311167331.XA CN116911216B (zh) | 2023-09-12 | 2023-09-12 | 一种储层油井产能因素评估与预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116911216A CN116911216A (zh) | 2023-10-20 |
CN116911216B true CN116911216B (zh) | 2023-11-24 |
Family
ID=88351453
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311167331.XA Active CN116911216B (zh) | 2023-09-12 | 2023-09-12 | 一种储层油井产能因素评估与预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116911216B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112668251A (zh) * | 2020-11-30 | 2021-04-16 | 中国石油大学(华东) | 一种模拟裂缝性油藏多重嵌套介质内流体流动的方法 |
CA3123281A1 (en) * | 2021-06-25 | 2022-12-25 | Cenovus Energy Inc. | Apparatus and method for oil production forecasting |
CN115630564A (zh) * | 2022-09-27 | 2023-01-20 | 呼和 | 一种能源大数据平台的数据预测方法、平台及应用 |
-
2023
- 2023-09-12 CN CN202311167331.XA patent/CN116911216B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112668251A (zh) * | 2020-11-30 | 2021-04-16 | 中国石油大学(华东) | 一种模拟裂缝性油藏多重嵌套介质内流体流动的方法 |
CA3123281A1 (en) * | 2021-06-25 | 2022-12-25 | Cenovus Energy Inc. | Apparatus and method for oil production forecasting |
CN115630564A (zh) * | 2022-09-27 | 2023-01-20 | 呼和 | 一种能源大数据平台的数据预测方法、平台及应用 |
Non-Patent Citations (1)
Title |
---|
致密油藏水平井立体动用程度预测;郁林军 等;石油化工应用;第第41卷卷(第第7期期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116911216A (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP1984860B1 (en) | Methods, systems, and computer-readable media for fast updating of oil and gas field production models with physical and proxy simulators | |
US8504341B2 (en) | Methods, systems, and computer readable media for fast updating of oil and gas field production models with physical and proxy simulators | |
US10621500B2 (en) | Completion design optimization using machine learning and big data solutions | |
Chen et al. | A committee machine with empirical formulas for permeability prediction | |
US8855986B2 (en) | Iterative method and system to construct robust proxy models for reservoir simulation | |
WO2016154383A1 (en) | Probabalistic modeling and analysis of hydrocarbon-containing reservoirs | |
AU2010229934A1 (en) | A system and method for characterizing fractures in a subsurface reservoir | |
AU2011283109A1 (en) | Systems and methods for predicting well performance | |
Wang et al. | Fast history matching and optimization using a novel physics-based data-driven model: an application to a diatomite reservoir | |
Kalantari-Dahaghi et al. | Numerical simulation and multiple realizations for sensitivity study of shale gas reservoir | |
EP3469498B1 (en) | Automatic calibration for modeling a field | |
WO2017011469A1 (en) | Ensemble based decision making | |
Han et al. | Comprehensive analysis for production prediction of hydraulic fractured shale reservoirs using proxy model based on deep neural network | |
Khalili et al. | Reservoir modeling & simulation: Advancements, challenges, and future perspectives | |
CN117574755B (zh) | 页岩储层井工厂水平井压裂参数分层多级优化方法 | |
Sarkheil et al. | The fracture network modeling in naturally fractured reservoirs using artificial neural network based on image loges and core measurements | |
CN116911216B (zh) | 一种储层油井产能因素评估与预测方法 | |
Gudmundsdottir et al. | Inferring interwell connectivity in fractured geothermal reservoirs using neural networks | |
WO2019216892A1 (en) | Optimized methodology for automatic history matching of a petroleum reservoir model with ensemble kalman filter | |
Tom et al. | Volumetric approach based DOE and ANN models for estimating reservoirs oil in place | |
Rezaei et al. | Utilizing a Global Sensitivity Analysis and Data Science to Identify Dominant Parameters Affecting the Production of Wells and Development of a Reduced Order Model for the Eagle Ford Shale | |
Dong et al. | Assisted history-matching based on multiobjective surrogate reservoir model for tight oil reservoirs | |
Yan et al. | An Innovative Method for Comprehensive Optimization of Hydraulic Fracturing Parameters to Enhance Production in Tight Oil Reservoirs | |
Baig et al. | Digitally Augmented Subsurface History Match (DASH-Sim): A New Frontier in Reservoir Simulation History Matching | |
Zhuang et al. | Co-Optimization of CO2-EOR Strategies Considering the Spatio-Temporal Sequence Prediction of CO2 Flooding and Sequestration |
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 |