页岩气渗流特征及压裂井产能

依据分子运动学理论,对含纳米孔隙页岩储层气体渗流规律进行理论分析,建立适用于多尺度介质的气体运动方程和页岩气输运数学模型,得到径向流条件下的压力分布公式,形成页岩气井控制区域计算方法,建立了压裂井三区耦合非线性渗流产能方程.采用牛顿迭代法进行数值计算,研究分析了生产压差、裂缝半长、裂缝导流能力、扩散系数等参数对页岩气井产量的影响.计算结果表明:气井产量随扩散系数的增大而增大,对于含纳米孔隙的页岩储层中扩散效应对气井的产量贡献不容忽视;在一定的储层和生产条件下,气井产量随裂缝半长的增大而先快速增大后趋于平缓,因此存在一个最佳范围,各参数应进行定量的、合理的优化配置.      

地下矿山充填料岩石区域非均质一维渗流规律

以地下矿山采场为对象建立了充填料岩石渗流模型,根据实际情况确立初始条件和边界条件,推导出水在充填料和岩石中的渗流压力和流量公式,在此基础上分析了地下充填料岩石中的渗流规律及影响因素.通过分析得出:在充填料中,流量在初始阶段增长较快,达到一个峰值后逐渐下降;压力随时间逐渐降低,最后趋于稳定;渗透率越大,流量和压降越大;高度越高,流量越小而压降越大;孔隙度越小,压力越大,孔隙度对流量的影响在不同阶段各不相同.在岩石中,渗流压力与其渗透率无关,但受充填料渗流的影响较大,随时间降低,渗流流量则只与岩石的渗透率有关.      

考虑固液界面作用的表观渗透率分形模型

考虑微流动中固液界面作用,基于Navier-Stokes理论,推导牛顿流体在圆管中的流速分布及流量表达式,引入界面因子以表征固液界面作用的影响;利用分形渗流理论及界面因子,得到表观渗透率表达式,建立综合考虑微流动固液界面作用和复杂孔隙结构特征的渗流数学模型.结果表明:考虑固液界面作用时,微流动流速下降;其影响程度与管径有密切关系,微管直径越小,界面因子越大,表明固液界面作用的影响越大.存在着临界直径,当小于临界直径时,固液界面作用的影响随微管直径减小呈非线性迅速增加;大于临界直径时,流速趋于泊肃叶定律的预测.在分形多孔介质中,随着固液界面作用增大,表观渗透率首先呈非线性迅速下降,随后趋于稳定,说明固液界面作用对渗流影响不可忽略.该数学模型能清晰表征固液界面作用对渗流的影响,为低渗透和致密油藏开发提供依据.     

渗流力学课程研究型教学探索

从渗流力学课程教学流程构建、教学内容设计、教学工具选择、教学平台搭建和考核方式改进5个方面进行全面的探索和实践,提出了系统的教学方法体系,可为研究型教学实践提供借鉴。     

低渗致密气藏低速非线性渗流产能研究

依据地层水的赋存状态将低渗致密气藏划分为3类储层,根据不同类型储层渗流的主控因素,建立考虑滑脱效应、应力敏感性和启动压力梯度同时存在和各自组合存在时的渗流数学模型,推导出低渗致密气藏低速非线性渗流3类储层产能公式.计算表明,低渗致密气藏低速非线性渗流不同流态下,气井计算产量都明显区别于传统达西流动情况,且生产压差较大时...     

低渗透非均质油藏动用程度评价新方法

根据低渗透非均质油藏的特点,分析了启动压力梯度、纵向非均质性、小层厚度和平面砂体厚度展布对该类油藏开发的影响.从势能叠加原理出发,推导出该类油藏小层有效驱动半径计算公式.根据该公式建立低渗透非均质油藏动用程度评价方法.实例分析表明,该方法具有预测精度高、简便和实用等优点,能为进一步有效开发低渗透非均质油藏提供一定的指导.     

低渗透油藏有效驱动半径研究

由于流体在低渗透油藏中渗流存在启动压力梯度,如何考虑启动压力梯度的影响来确定低渗透油藏的有效驱动半径,是提高低渗透油藏开发效果的主要研究内容之一.考虑启动压力梯度的影响,应用一源一汇的产量公式推导出低渗透油藏的有效驱动半径计算公式,可以确定在一定的注采条件下有效驱动半径与地层物性的变化关系.实例应用结果表明:低渗透油藏的有效驱动半径与压差、油藏厚度成正比,与启动压力梯度成反比.     

油气资源开发的大数据智能平台及应用分析

油气资源大数据智能平台的总体框架应以数据资源为基础、大数据平台算力为支撑、人工智能算法为核心，面向油气行业生产需求，构建集勘探、开发、生产数据于一体的油气数据资源池，通过数据清洗与融合提升数据质量，整合物理模拟与数据挖掘等手段，实现服务功能模块化，并在PC端、管控大屏、手机移动APP等多维平台实现智能监测、预警与展示。通过对深度学习等人工智能方法在油气工业领域的应用案例分析，表明其具有较好的应用前景。未来石油公司应与科研院所通力合作，挖掘石油工业数据的巨大潜能，实现降本增效，建设全新的智能油气工业生态圈，完成产业升级。      

基于机器学习的北京市PM2.5浓度预测模型及模拟分析

对北京市周边8个点多个压力高度的温度、湿度和风速数据, 以及北京市PM2.5污染数据进行了分析和归一化处理, 建立了反向传播神经网络(back propagation, BP)、卷积神经网络(convolutional neural network, CNN) 和长短期记忆模型(long short-term memory, LSTM) 对上述气象数据和污染数据进行训练, 训练结果表明: 反向传播神经网络模型和卷积神经网络模型对未来1 h的PM2.5污染等级的预测准确率较低, 而长短期记忆模型的准确率较高.使用长短期记忆模型预测未来1 h的PM2.5污染值与实际值十分接近, 表明北京市的PM2.5污染与其周边地区的气象条件关系密切.通过利用长短期记忆模型对不同压力高度的气象数据进行训练和对比, 得出在利用气象数据预测污染时, 仅使用近地面气象数据比使用多个高度上的气象数据更加准确.