灰色理论在低渗透油田产量预测中的应用

大庆外围低渗透油藏的基本地质特征决定了其产量变化规律比较复杂,影响因素比较多,这就使得常规的递减曲线拟合程度比较低,预测精度比较差,不能适应油田开发规划的要求。本文以灰色系统理论为基础,利用GM（1,1）模型,结合大庆外围油田开发的实际情况,给出一种产量预测方法。实际计算表明,该方法可以相对准确地预测大庆外围低渗透油田的产量,是大庆外围低渗透油藏开发指标预测的一种新方法。该方法为油田编制规划方案、制定开发调整对策提供了一定的依据。     

基于BP神经网络的油气长输管道土壤腐蚀性预测

基于BP神经网络原理,综合考虑六类土壤腐蚀指标(土壤电阻率、土壤含水量、氧化还原电位、氯离子含量、硫酸根离子含量和p H值),建立了一种土壤腐蚀速率的预测方法。基于这种方法,依据某油田的现场土壤数据,借助MATLAB神经网络工具箱建立了这一地区的土壤腐蚀性预测的BP神经网络模型。训练和预测结果表明:训练的腐蚀速率最大误差为-1.5%,预测的腐蚀速率最大误差为8%。由此可见,基于BP神经网络的土壤腐蚀性预测方法具有较好的预测精度,对油气管道的安全运行具有重要的意义。     

基于循环神经网络的油藏产量预测方法

针对常规油藏工程方法和传统油藏数值模拟方法在油田产量预测方面存在的问题,提出了基于数据驱动的油藏产量预测方法。考虑到传统全连接神经网络和标准循环神经网络在处理时间序列数据方面的缺陷,采用长短期记忆神经网络构建油藏数据驱动模型,以储层物性参数场的分布特征为基础,融合油藏单井动态生产数据,将油井产量与储层物性参数场通过深度学习算法进行训练并建立关联,无需求解庞大的偏微分方程组,提高了油藏产量预测的效率。实例应用表明,基于循环神经网络的油藏产量预测方法能够满足矿场要求,较为准确的地预测油井的产量变化,为油藏开发评价提供了重要依据。     

带延迟时间序列的BP网络在油井产量预测中的应用——以Neurosolutions类神经网络软件为例

油井产量变化的影响因素很多,使产量预测变得十分困难。以塔里木轮南油田的两口典型油井的产量预测为例,运用Neurosolutions类神经网络软件带延迟时间序列的GA-BP神经网络对油井产量进行了拟合和预测,结果表明该模型具有较好的适应性,能够方便快速的应用于轮南油田的油井产量预测。     

南翼山Ⅲ+Ⅳ油组油井产能预测方法研究

油田产量预测包括早期产量预测和中后期产量预测两部分。早期产量预测是编制油田开发方案的基础;中后期产量预测是编制油田开发调整方案的重要依据。因此,产量预测在油田整个开发过程中具有十分重要的意义。     

川口油田递减规律研究

利用J.J.Arps提出的产量递减公式,对川口油田进行产量递减回归,回归结果接近生产实际情况,并确定川口油田递减规律符合调和递减。按照调和递减方式对川口油田的未来产量递减情况进行了预测,同时结合油田开发现状,提出了减缓产量递减的对策,为油田进一步科学、合理开发提供了重要依据。     

基于BP神经网络的电力负荷预测算法

将BP神经网络用于电力负荷预测。给出了具体的数据处理方法、神经网络构造及预测结果评价方法。在南京市夏季电力负荷统计数据集上面的实验结果表明．BP神经网络能够对电力负荷进行较好地预测。     

基于测井资料的BP神经网络模型在储层渗透率定量预测中的应用

本文针对某油田的地质特点,提出了一种基于BP神经网络利用测井资料求取地层渗透率的实用方法。该法从测井信息与地层渗透率的关系出发,选用与地层渗透率密切相关的孔隙度,通过BP神经网络建立储层渗透率的数学模型。通过实例研究,预测结果的准确性较高且明显优于其它线性回归分析预测的结果,认为此法可以作为一种储层渗透率定量预测的方法。     

基于小波神经网络的循环冷却水腐蚀预测研究

利用某石化企业40个月的循环冷却水实际生产数据,基于小神经网络进行了腐蚀预测研究。经过对比分析,得出了小波神经网络预测精度最高的网络模型为6-7-1结构。在相同输入参数向量下,对含有相同隐层节点个数的小波神经网络和BP神经网络进行腐蚀预测对比,小波神经网络比BP神经网络预测精度高。     

基于不同神经网络模型的橡胶减振器性能预测的应用研究

利用BP和GRNN神经网络建立胶料性能和减振器性能之间的预测模型,并对预测结果的误差进行对比分析。结果表明,利用BP神经网络建立的预测模型预测平均相对误差在16%以内,利用GRNN神经网络建立的预测模型预测平均相对误差在5%以内,说明使用GRNN神经网络进行减振器性能预测精度更高、效果更好。     

石南31井区复杂岩性油藏数值模拟研究

石南31井区油藏物性比较复杂,是复杂岩性砂岩油藏高起点,高水平开发的典型案例。目前,油田开发面临局部区域含水上升速度加快、自喷井转抽后含水上升迅速等问题,为改善油田开发效果,本文应用数值模拟方法,针对局部存在的问题设计了模拟调整方案,并进行对比,优选出合理的局部调整方案。     

遗传神经网络模式识别在储层成岩储集相研究中的应用

应用遗传神经网络模式识别方法,以吉林油田扶新隆起北坡扶余油层（泉四段）为例,进行储层成岩储集相研究。选取储层孔隙度（Ф）、渗透率（K）、泥质含量（Vsh）流动层带指标（FZI）等参数,建立遗传神经网络的学习样本及预测模型,共识别出四种类型成岩储集相：不稳定组分溶解次生孔隙成岩储集相（A相）、中等压实-弱-中胶结混合孔隙成岩储集相（B相）、强压实中等胶结残余粒间孔成岩储集相（C相）、极强压实-强胶结微孔隙成岩储集相（D相）,A相为最有利的成岩储集相。     

脉冲功率技术在低渗油田挖潜增效中的应用

针对七里村油田低孔隙度、特低渗透率、低含油饱和度、低压、低温、浅层低产岩性油藏特点,细选出适合进行脉冲功率技术增产的108口井并对其进行电震爆作业,全年累计增产原油2700吨,投入产出比为1∶2.35,充分挖掘了油层潜力,增产效果明显。     

压裂改造工艺在濮城油田低孔低渗油藏的应用

濮城油田卫42、卫43断块属于典型的低孔、低渗、非均质油藏,采取常规开发方案无法对其进行经济有效的开采。通过油藏地质特征、开发历程及现状分析,区块油井普遍存在＂四低＂现象（产能低、液面低、含水低、采出程度低）。从油藏压裂改造工艺研究出发,对于低渗油藏,压裂改造油层是改善渗流能力,提高油层产量的主要方式。本文通过对卫42...     

火山岩油藏储层伤害因素分析及室内实验评价方法研究与应用

长期以来的油气勘探开发历史中,主要研究对象均是与沉积作用有关的一些岩石,而火山岩作为储层的研究较少,尤其是储层保护技术方面的研究比较缺乏,目前急需对火山岩油藏储层伤害因素分析思路及室内试验评价方法开展有关方面的研究,并可望获得突破性进展。截止目前,吐哈油田开发火山岩油藏已历时5年,针对火山岩油藏储层开发也进行了大量的室内实验研究与探索,初步得出相应的技术研究思路及室内实验评价方法,为后期同类型油藏的高效开发提供有力的技术借鉴。     

强1块低渗透油田整体压裂方案研究

辽河油田强1区块为低孔-中孔、低渗型油藏,为提高该区块单井产量和油田开发效果,在对储层物性等参数系统进行分析的基础上,结合现有注采井网,利用油藏数值模拟方法,研究了裂缝半长和裂缝导流能力对油井产量、累计产油量等的影响,优化了裂缝参数,为强1块高效开发提供了重要依据。     

死端微滤酵母悬浮液比阻的预测

本文首先设计了三因素四水平的正交实验表作为建模样本,其次利用人工神经网络方法和多元线性回归方法分别建立了基于操作条件（压力△P=0.04-0.12 MPa,浓度C = 0.3-2.0 g.L^-1,温度T = 20-40℃）的比阻预测模型,以期用于死端微滤过程操作条件的优化,最后以检验样本的相对误差作为衡量指标,分别采用BP人工神经网络方法和多元线性回归方法对死端微滤过滤酵母悬浮液时的比阻进行了预测。研究结果表明：(1) 在本实验范围内,BP人工神经网络模型的最佳拓朴结构为3-7-1,隐层神经元个数为7,学习速率为0.05,学习函数为traingdx, 传递函数为Logsig;用多元线性回归方法得到的比阻与操作条件之间的数学关系式为1.639883+44.2 +0.86217 -0.0607 ; (2)利用BP人工神经网络和多元线性回归方法预测死端微滤比阻的平均相对误差分别为3.55％和5.16％.由此可见,这两种方法都可用于死端微滤比阻预测,并且前者优于后者。     

春风油田浅层超稠油开发效果评价

对春风油田薄浅层超稠油开发效果进行了评价研究。水平井蒸汽吞吐开发技术利用水平井增大泄油面积,蒸汽在水平井段上部形成蒸汽腔室,实现隔热保温驱油。矿场实践证实水平井蒸汽吞吐辅助氮气、降粘剂开发薄浅层超稠油是可行的。稠油产量周期内、周期间快速递减的规律不可改变,但可以通过技术配套和加强管理减缓递减。通过开发规律研究,为指标预测、开发决策提供了依据。对于较厚油层,可以采用蒸汽吞吐辅助氮气、降粘剂开发。春风油田已建成产能65万吨/年,累产油115万吨。     

新安边地区延9储层单井产能的分析与预测

准确预测油藏储层的单井产能是合理开发该油藏的重要决策依据,对油藏单井产能的合理分析与准确预测有助于油藏开发方案的进一步完善.油井生产能力的分析与预测是以试采井生产动态分析为依据而进行的.本文主要采用3种方法来进行产能的分析和预测,这三种方法分别是视流度法、地层系数曲线回归法和试采统计法,最后将3种方法的结果进行对比分析、筛选,得出新安边区的产能预测值.     

Estimation of breakthrough time for water coning in fractured systems: Experimental study and connectionist modeling

Water coning in petroleum reservoirs leads to lower well productivity and higher operational costs. Adequate knowledge of coning phenomena and breakthrough time is essential to overcome this issue. A series of experiments using fractured porous media models were conducted to investigate the effects of production process and pore structure characteristics on water coning. In addition, a hybrid artificial neural network (ANN) with particle swarm optimization (PSO) algorithm was applied to predict breakthrough time of water coning as a function of production rate and physical model properties. Data from the literature combined with experimental data generated in this study were used to develop and verify the ANN‐PSO model. A good correlation was found between the predicted and real data sets having an absolute maximum error percentage less than 9%. The developed ANN‐PSO model is able to estimate breakthrough time and critical production rate with higher accuracy compared to the conventional or back propagation (BP) ANN (ANN‐BP) and common correlations. The presence of vertical fractures was found to accelerate considerably the water coning phenomena during oil production. Results of this study using combined data suggest the potential application of ANN‐PSO in predicting the water breakthrough time and critical production rate that are critical in designing and evaluating production strategies for naturally fractured reservoirs. © 2014 American Institute of Chemical Engineers AIChE J, 60: 1905–1919, 2014