试井资料在压裂效果评价中的应用

目前对水力压 裂效果评价最有效的方法是压力恢复试井。用压力恢复试井资料评价压裂效果时,首先用压前压力恢复试井资料求取地层有效渗透率和地层压力,其后用压后压力恢复试井资料和压前求取的地层参数对压裂裂缝做出正确解释、排除解释结果的多解性,最后应用压力恢复试井解释结果来评价压裂效果。用压力恢复试井解释了准东低渗油藏20口压裂井压裂裂缝特征,并与三维压裂模型计算结果作了比较并评价了准东油田压裂效果。     

未出现径向流的试井典型曲线及其分析方法

低渗透、特低渗透油气藏经过长时间测试后会仍然不出现径向流响应,采用常规Gringarten-Bourdet复合图版难以有效地确定出地层参数。通过均质无限大试井模型短时渐近解,求解出无因次井筒储集系数和表皮因子复合参数与无因次时间、无因次井底压力的关系式(ζ函数)。利用无因次压力和ζ函数构造出新的早期试井解释图版,该图版能够降低早期试井数据分析的多解性。通过建立均质油藏达西流模型及考虑启动压力梯度的均质油藏非达西流模型,给出了这2种模型对应的早期新图版,并分析了新图版的典型特征和渐近性质。与已有的早期试井分析图版对比发现,新图版对均质模型及考虑启动压力梯度的均质模型参数变化响应更加敏感,能够更有效地降低早期试井解释的多解性。     

应用流线数值试井方法研究聚合物驱油藏剩余油分布

针对常规试井解释理论与方法所存在的不足,将流线数值模拟方法引入试井解释理论,基于油藏真实地质模型建立了考虑油藏非均质性、多相流、多层合采、复杂井网以及生产历史等复杂影响因素的多层油藏聚合物驱流线数值试井解释模型,采用流线方法求解该模型和遗传算法进行试井参数自动拟合解释得到剩余油分布,形成了适用于中高含水期聚合物驱油藏应用试井资料研究剩余油分布的新方法.编制了实用的流线数值试井解释软件,并在双河油田437断块进行了矿场应用,应用结果表明,该方法具有可行性,该软件具有实用性.     

复合油藏内外区同时压裂试井模型研究

针对内外区同时压裂的复合油藏,建立并求解了多区复合油藏点源模型,求得了内外区同时压裂两区复合油藏的无因次井底压力的表达式,最后分析了试井曲线特征和裂缝、地层参数对典型曲线形态影响。研究表明,内外区压裂井和内区压裂井的试井曲线形态有差别。当裂缝半长超出内区半径时,应采用新建立的内外区同时压裂模型来解释裂缝及地层参数。     

水平井流线数值试井解释模型及应用

考虑水平井渗流特征建立了水平井流线数值试井解释模型,包括生产阶段的渗流数学模型和测试阶段的流线数学模型,两个阶段的数学模型不仅都能够考虑油藏非均质性、生产历史、油水两相流、复杂井网及复杂边界等因素的影响,还能考虑水平井不同的井筒流动形态。采用流线方法求解该模型和遗传算法进行试井自动拟合解释得到油藏参数,形成了适用于中高含水期油藏的水平井流线数值试井解释新方法。通过对反五点井网水平井典型模型的求解,结合其流线分布形态分析,得到了水平井流线数值试井解释模型的压力响应特征。编制了流线数值试井解释软件,并结合油田应用实例,证明了软件及模型的实用性。     

碱-聚合物复合驱油藏流线数值试井解释模型及其应用

将流线法应用于碱-聚合物复合驱油藏,对生产和测试两个阶段分别建立了碱-聚合物复合驱油藏流线数值试井解释模型,该模型中不仅考虑了油藏非均质性、油水两相流、复杂井网、生产历史等因素的影响,还充分考虑了碱-聚合物复合驱过程中各种重要驱油机理和物化现象。采用流线方法求解该模型并用遗传算法进行试井自动拟合解释,得到了油藏参数,形成了适用于中、高含水期碱-聚合物复合驱油藏试井解释新方法。通过求解反五点井网碱-聚合物复合驱油藏典型模型,研究了复合驱油藏中测试井的压力响应特征。编制了流线数值试井解释软件,油田应用实例证明了软件及模型的实用性。     

数值试井技术在孔隙型碳酸岩油藏初期开发中的应用

常规解析试井方法在均质油气藏、单相渗流等范畴内已较为成熟,但是对于解释多相流、多井系统、复杂边界和储层非均质性等非线性问题存在一定的困难。随着数值模拟技术和计算机的快速发展,数值试井已经在解决非线性油藏方面逐步成熟。阐述了数值试井在孔隙型碳酸岩油藏动态模型中的应用流程,同时根据动态更新的数值模拟模型实现油藏的动态管理。     

新型典型曲线用于段塞流或DST流动期解释模型诊断及分析

油藏解释模型的诊断在试井资料的解释工作中是非常重要的。本文根据段塞流的数学模型,通过参数的重新组合,研制出了一组新型典型曲线用于识别段塞流或DST流动期的试井解释模型。同时,利用该典型曲线还可正确地估算地层参数。     

考虑启动压力梯度低渗透油藏应力敏感模型研究

在运动方程中加入启动压力梯度,考虑地层渗透率随压力的变化而变化,建立了应力敏感带启动压力梯度均质低渗透油藏试井解释模型.应用预估校正法对所形成的非线性抛物型方程进行线性化,采用追赶法进行求解.参数敏感性分析表明,启动压力梯度和渗透率变化模数对压力及压力导数存在较大影响,导致径向流段消失,表现为压力及压力导数曲线后期上翘.在试井解释中考虑启动压力梯度和渗透率变化模数的影响可使低渗透油藏试井解释结果更接近生产实际,为油藏开发提供理论依据.     

油气井压力恢复试井解释关键技术

为提高油气井压力恢复试井解释结果的可靠性,提出了试井解释时需注意的数据预处理和模型诊断关键技术。在对比分析各个容易出现错误的双对数曲线形态基础上,归纳出数据预处理时,应剔除非点、选取初始点、加载生产时间、筛选数据点、适度"光滑化"导数曲线,保证试井曲线形态正确;模型诊断时,慎重选择试井解释模型,掌握大量试井曲线图形,并对图形进行分析和识别,使地层参数解释定量化,利用压力对时间的导数检验法,对试井资料进行诊断。此方法从2000年开始在吉林油气田试井解释中应用1 000余井次,均达到预期效果。油气井压力恢复试井解释关键技术分析提高了地层参数的解释精度,为油藏动态描述提供可靠依据。     

延迟神经网络测井资料评价水淹层的方法及应用

以取心分析的孔隙度和水饱和度为基础,建立测井信息与这些地居参数之间的非线性计算关系.用这种方法进 行参数解释,测井信息与油层参数之间的复杂关系不需要具体的数学物理模型描述,而只需要合适的样本集对网络进行 训练来获得解释模型,避开了油层水淹后,混合水电阻率求不准的问题.不同于已有的点对点的建模方法,本方法采用延迟神经网络模型,在建模和计算过程中自动考虑了测井响应上下围岩的影响.从而较好地解决了测井资料解释中地层厚度自适应校正和地层参数计算同时进行的问题.对一个油田注水开发后期 50口井的测井资料计算表明,这种方法具有良好的效果.     

稠油油藏储层动态测井评价方法

通过提取反映稠油油藏储层动态的特征参数,应用模糊模式识别方法对稠油储层类型进行划分,在比较原钻井及其侧钻井的水淹状况与测井响应关系的基础上,提出用电阻率减小率作为划分稠油储层水淹级别的标准,并应用人工神经网络技术实现了稠油储层水淹程度的动态测井解释.     

谢凤桥构造油气层的人工神经网络识别

江汉盆地西南缘谢凤桥构造是一背斜构造,为岩性 +构造复合型油藏。油藏的聚集明显受储层纵向分布和横向展布及非均质性的控制。根据这一储层特点,用前向(BP)网络建立储层参数的仿真计算,然后用自组织映射特征(SOM)网络来预测油层类别。首先从一口或多口关键井所属已知数据中选取训练样本,选用冲洗带电阻率、真电阻率、自然伽马、自然电位、补偿声波、补偿中子及井径等 7类钻、测井数据作输入变量,由此建立测井数据参数与储层孔隙度、含油饱和度和渗透率等参数的输入输出映射关系。以产油井鄂深 4,8等井的已测试油层作为训练样本,用BP神经网络进行函数逼近,来预测储层参数。然后,利用SOM网络进行模式分类。将对储层较敏感的真电阻率、补偿声波进行二度输入,与BP网络所输出的孔隙度、含油饱和度、渗透率等储层参数一起作为油层识别的诊断特征参数。样本的特征参数经过标准化处理后,送入SOM网络进行学习训练和建模,得出建模样本油层识别的SOM网络,输入所要预测层位的数据,由网络仿真输出各井的油层识别结果。结果经生产检验,符合率超过 90%。     

Predicting the Bubble-Point Pressure and Formation-Volume-Factor of Worldwide Crude Oil Systems

Abstract

This paper presents models for predicting the bubble-point pressure (P _b ) and oil formation-volume-factor at bubble-point (B _ob) for crude oil samples collected from several regions around the world. The regions include major producing oil fields in North and South America, North Sea, South East Asia, Middle East, and Africa. The model was developed using artificial neural networks with 5200 experimentally obtained PVT data sets. This represents the largest data set ever collected to be used in developing P _b and B _ob models. An additional 234 PVT data sets were used to investigate the effectiveness of the neural network models to predict outputs from inputs that were not used during the training process. The network model is able to predict the bubble-point pressure and the oil formation-volume-factor as a function of the solution gas–oil ratio, the gas relative density, the oil specific gravity, and the reservoir temperature. In order to obtain a generalized accurate model, back propagation with momentum for error minimization was used. The accuracy of the models developed in this study was compared in details with several published correlations. This study shows that if artificial neural networks are successfully trained, they can be excellent reliable predictive tools to estimate crude oil properties better than available correlations. The network models can be easily incorporated into any reservoir simulators and/or production optimization software.     

用遗传人工神经网络进行精细油藏描述

商河油田商二区沙二下油藏单元是一个经过多年开发的老的、断层控制的油藏单元。为了提高油藏的采收率 ,必须开展精细油藏描述 ,建立油藏地质模型。该油藏单元具有岩性细 ,泥质含量高 ,油层低电阻的特征。采用人工神经网络测井识别技术识别油层并进行储层物性及含油性的解释。在此基础上 ,对油层参数进行了解释并编绘了反映油层参数分布的平面图及油藏剖面图 ,建立了油藏模型。经生产动态资料检验 ,所建模型具有较高的可信度     

Comparative evaluation of back-propagation neural network learning algorithms and empirical correlations for prediction of oil PVT properties in Iran oilfields

This paper presents a new approach to improve the performance of neural network method to PVT oil properties prediction. The true value of PVT properties which is determined based on the accurate data is a challenge of the petroleum industry. The main goal of the following investigation would be the performance comparison of various back-propagation learning algorithms in neural network that could be applied for PVT prediction. Up to now, no procedure has been presented to determine the network structure for some complicated cases, therefore; design and production of neural network would be almost dependent on the user's experience. To prevent this problem, neural network based recommended procedure in this study was applied to present the advantages. To show the performance of this procedure, several learning algorithms were investigated for comparison. One of the most common problems in neural network design is the topology and the parameter value accuracy that if those elements selection was correctly and optimally, the designer would achieve better results. Since, fluids of different regions have varying hydrocarbon properties, therefore, the empirical correlations in different hydrocarbon systems should be investigated to find their accuracies and limitations. In this study, an investigation of different empirical correlations along with the artificial neural networks in Iran oilfields has been presented. Then, the new model of artificial neural network for prediction of PVT oil properties in Iran crude oil presented. To test this new method, it was evaluated by collecting dataset from 23 different oilfields in Iran (south, central, western and continental shelf). In this study, two networks for prediction of bubble point pressure values (P_b) and the oil formation volume factor at bubble point (B_ob) were designed. The parameters and topology of the optimum neural networks were determined and in order to consider the effect of these networks designing on results, their performances were compared with various empirical correlations. According to comparison between the obtained results, it shows that the improved method presented has better performance rather than empirical and current methods in neural network designing in petroleum applications for these predictions.     

改进的神经网络算法及其在油层识别中的应用

利用BP人工神经网络建立了油气水层的解释模型 ,给出了改进的BP训练算法 ,应用这种神经网络油气水层解释模型适时评价了新井 10 6层数据 ,经试油验证 2 2层 ,其中 19层符合 ,解释符合率为 86 3% ,网络模型识别率为 10 0 % ;在同样精度下 ,改进算法学习时间是BP算法的 4 7% ,且系统稳定。改进的神经网络算法是一种有效综合解释油气水层的新方法 ,具有学习、记忆、自适应等功能 ,可最大限度地综合运用多项原始资料 ,具有其他解释方法不可比拟的优点 ,为录井综合解释提供了一条切实可行的新途径     

开发阶段的油藏精细描述

对注水开发阶段油藏精细描述的基本思路和主要内容进行了概述，并给出了部分简要模型，试图针对我国多数油田的地质特点和测井技术现状，扩展测井解释学在石油勘探与开发中（特别是注水开发中后期油田）的应用范围。考虑到地层沉积具有连续性、经多次地质作用后具有强烈的非均质性、岩石参数在层内具有序变的规律等特点，采用人工神经网络、分形几何等非线性数学模型，改造和完善以地层宏观简化体积模型为基础的综合解释方法，以解决     

基于GA-ANFIS的油气储层地震预测方法及应用

基于GA-ANFIS理论，将遗传算法与模糊神经网络技术有机地相结合，构成一种新的油气储层地震非线性预测方法。这种新的预测方法在油气储层预测中，利用地震数据和测井数据之间的非线性映射关系建立训练样本，将GA算法与ANFIS网络中的学习算法相结合，构成混合算法来优化ANFIS网络的前提参数和结论参数，并在遗传算法中加入禁忌搜索算法，这种混合算法自始至终将各算法按一定概率比例进行，其概率自适应变化，加快了网络收敛速度和提高了网络性能，获得了良好的预测效果。在测井数据约束下，应用所提出的方法对碳酸岩盐储层和砂岩储层分别进行了平面预测和剖面预测，并按储层有效性指数进行了储层分级，这种分级反映了储层的有效性和含油气状况，提高了油气储层的实际预测效果，是对油气储层预测技术的一种新发展，开拓了油气储层预测发展技术。     

径向基函数神经网络法致密砂岩储层相对渗透率预测与含水率计算

致密砂岩储层具有物性差、孔隙结构复杂、非均质性强等特点,导致利用传统方法难以精确预测或计算其相对渗透率和含水率。为此,文中提出基于径向基函数（RBF）的神经网络预测相对渗透率方法：在介绍RBF神经网络原理的基础上,选择高斯函数和最近邻聚类算法构建网络模型;以含水饱和度、核磁束缚水饱和度、孔隙度、渗透率等四参数为输入,油、水相对渗透率为输出,根据误差分析确定最佳相对渗透率预测网络模型及参数;最后采用分流量方程计算得到储层含水率。将该方法应用于鄂尔多斯盆地陇东地区延长组长8储层,预测的油、水相对渗透率与相渗实验结果一致,计算的含水率与测试结果吻合。