排序方式: 共有4条查询结果,搜索用时 0 毫秒
1
1.
2.
油藏连通性的认识对于制定合理的开发调整方案和提高水驱油藏采收率具有重要意义。基于注采井的生产动态数据,建立一种卡尔曼滤波和人工神经网络相结合的分析方法,对油藏井间动态连通性进行定量表征研究。考虑到注入数据的噪声污染和注入信号在地层传播过程中的时滞影响,分别利用卡尔曼滤波算法和非线性扩散滤波器对注采数据进行预处理,从而减少注采数据对机器学习模型的干扰,提高连通性分析的准确性。基于预处理后的历史注采数据,对以生产井产液量为响应,注水井的注水量为输入的人工神经网络进行训练和参数优化,模拟和挖掘注采系统中的井间连通关系。通过对训练好的模型进行参数敏感性分析,量化油藏井间连通程度。应用所建模型和方法分析了均质、各向异性、包含封闭断层、具有高渗透带的4种典型特征油藏和实际非均质油藏的井间连通性。计算结果与油藏地质特征高度吻合,验证了该方法的实用性,可作为量化注采系统连通状况的有效方法。 相似文献
3.
地层压力是制定注采井工作制度和监测储气库运行的重要参数,鉴于数值模拟认识地层压力涉及到复杂的地质建模和高质量的历史拟合,提出一种数据驱动的储气库地层压力预测方法.引入注采气量比重数值加权最优规整路径筛选压力监测井,采用3种机器学习算法建立监督学习地层压力预测模型,即极端梯度提升(extreme gradient boosting, XGBoost)、支持向量回归(support vector regression, SVR)和长短期记忆网络(long short-term memory network, LSTM).实验结果发现,3种预测模型的预测性能从高到低排序为SVR、XGBoost和LSTM,其中,SVR模型的预测性能最稳定;引入注采气量比重数值筛选压力监测井,提升了预测模型的预测性能.研究表明,依靠纯数据驱动方法,将常规地面监测数据直接用来解释为地下储气库的地层压力,非常适合地下储气库的现场应用. 相似文献
4.
1