Logistic模型与水驱特征曲线联解模型预测泾河油田开发指标

在油气田的开发过程中,油藏工程的一项重要内容就是预测油气田的产量和含水率的变化趋势。前人已研究出众多的油藏预测模型,这些模型是孤立的、分散的,本文在前人研究成果基础之上推导了Logistic增长模型的数学模型和甲型水驱特征曲线的联解模型,有效克服了两种预测模型的局限性。     

预测水驱油田含水率的一种简易模型

以俞启泰水驱特征曲线I和逻辑斯谛（Logistic)旋回模型联解，建立了油田含水率随油田的开发时间变化的预测模型。矿场实例运用表明：该模型计算简单、预测精度较高，可作为油田制定中，长期开发规划的依据。     

一种预测水驱油田含水率的新模型

根据沙卓诺夫水驱系系列曲线和ＨＣＺ累计产量预测模型建立了油田含水率随油田的开发时间变化的新模型,运用该模型,可以对水驱油田的含水率进行预测。通过河南油田和大庆油田的矿场实例表明：该模型计算简单、方便、预测的含水率精度高,比较符合油田的开发实际,从而验证了模型的可靠性和可行性,可作为水驱油田制定中,长期开发规划的依据。     

水驱油田开发指标预测的模型联解法

基于前苏联学者沙卓诺夫（б.ф.сазонов)水驱系列曲线和翁文波先生提出的Logistic累计量预测模型联立求解进行油田开发指标综合预测。该方法克服了各自模型只能预测部分开发指标的不足，矿场实例运用表明，利用该模型求得的产油量，产水量，产液量，累积产油量，可采储量，含水率，采出程度等开发指标比较符合油田开发实际，可作为油田制定中，长期开发规划的依据。     

用增长曲线一体化法预测水驱油田开发指标

建立一种新的油藏工程方法———增长曲线法 ,在预测油田Np-t和Qt-t关系中已是一种相当成熟和成功的方法 ,但水驱油田的 fw-t关系也是一个非常重要的开发指标。本文推导了利用 3Y1、3W和 3Y2增长曲线描述和预测 fw-t关系的公式 ,并提出了用于求取其参数的过原点重复线性回归法。随机选取了低粘 (地层原油粘度 μo<3mPa·s)的兴隆台油田、中粘 ( 3≤μo≤ 3 0mPa·s)的双河油田和高粘 ( μo>3 0mPa·s)的孤东油田 ,用上述 3种增长曲线拟合这 3个油田实际的Np-t、Qt-t和fw-t数据 ,根据拟合相关系数的大小 ,筛选了用同一种增长曲线计算上述开发指标的结果。理论分析表明 ,3Y2增长曲线在Qt-Np关系后期为向上凹的曲线 ,说明产量下降和含水上升均较慢 ,这符合高粘油田的水驱特征 ;而 3Y1增长曲线在Qt-Np 关系后期为向下凹的曲线 ,表明产量下降和含水上升均较快 ,这符合低粘油田的水驱特征 ;而中粘油田则介于两者之间。     

预测水驱油田含水率的Usher模型

预测水驱开发油田含水率随开发时间的变化规律具有重要意义。 基于水驱油田含水上升规律将广泛用于经济和资源预测的Usher 模型用于含水率的预测。通过对Usher模型的分析,指出目前用于含水率预测的Logisitic模型和Gompertz模型为Usher模型的两种特殊形式,并结合矿场应用实例证明了该模型的实用性和有效性。     

预测水驱油田含水率的Usher模型

预测水驱开发油田含水率随开发时间的变化规律具有重要意义。 基于水驱油田含水上升规律将广泛用于经济和资源预测的Usher 模型用于含水率的预测。通过对Usher模型的分析,指出目前用于含水率预测的Logisitic模型和Gompertz模型为Usher模型的两种特殊形式,并结合矿场应用实例证明了该模型的实用性和有效性。     

预测水驱油田含水率的Gompertz模型

本文基于经济增长和油气资源增长预测的Gompertz模型,建立了水驱油田开发预测含水率随开发时间变化的模型.通过矿场实例应用表明该模型能够对油田含水率进行全过程预测,且计算简单,预测精度较高.     

水驱油田开发指标的综合预测法

在油藏工程中,为了克服产量预测模型缺少含水率和水驱特征曲线缺少时间的问题,将产量预浏模型公式与水驱特征曲线方程进行联解,建立含水率与开发时间的函数关系,从而预测水驭油田的产油量、产水量、产液量、含水率及相应的累积产量与可采储量.这既保持了这2种方法原有的预测功能,又克服了两者的不足.然而,目前的联解模型均是单一类型的产...     

水驱油田开发指标的预测方法

水驱油田在开发过程中，需要对不同阶段的开发指标进行预测。文中提 种将威布尔模型与丙型水驱曲线相结合来预测水驱油田不同开发指标的新方法。     

特高含水油田开发动态指标及影响因素

基于特高含水期油田产油量、产液量及影响因素的分析,提出两种确定特高含水水驱油田开发动态指标及影响因素相关性的方法:一是依据特高含水水驱油田开发指标的动态变化规律及油藏工程、油田开发等理论,确定不同油藏特高含水水驱油田的开发指标及影响因素并进行相关分析;二是依据油气动态系统预测的功能模拟性,从开发指标及影响因素的生产历史...     

特高含水油田常规开发动态指标预测方法分析

因为油田有相当一部分剩余可采储量将在特高含水期采出,所以如何将油田的剩余可采储量高效地在此阶段采出,是目前我国各油田急需解决的问题.解决此问题的基础就是对该阶段油田的开发动态指标进行准确的预测.针对特高含水油田的开发特点和面临的问题,结合油田常规开发动态指标预测方法的特征和实用性分析,对常规动态分析预测方法从机理和缺陷方面进行了评价,提出了在不考虑预测可靠性的前提下,适合该阶段的常规动态分析预测方法依次是油藏数值模拟法、预测模型法、递减规律法、联解法和水驱特征曲线法.指出了研究新的预测方法的必要,并指明了研究特高含水油田开发动态指标预测新方法的方向:支持向量机预测、基于时变系统的功能模拟预测、组合预测和智能预测.     

广义水驱特征曲线

在对 4种最常用的水驱特征曲线分析的基础上 ,建立了广义水驱特征曲线。广义水驱特征曲线表达式受较少的固定因子的控制 ,提高了水驱油田开发动态预测的范围和精度。     

三种增长曲线在油田开发指标预测中的应用

将Weible、Gomperts、Losistic三种增长曲线用于油田开发指标的描述和预测,推导了相应的累积产油量、产量、储采比、最大产量和最大产量出现时间的计算公式.对三种曲线的产量~时间曲线形态及参数求解方法的分析表明:Weible曲线使用价值最大,Logistic曲线较小,Gomperts曲线最小.通过实例讨论了Weible曲线在油田开发指标预测中的应用效果.     

基于模糊神经网络建立室内驱油实验预测模型

为提高低渗透油藏的采收率,利用室内驱油实验来研究已了CQ-Ⅲ剂的驱油效果.实验结果表明:CQ-Ⅲ剂具有良好的驱油效果,其采收率提高幅度在1.50％ ～10.23％,最佳注入工艺参数为:30000 mg/L低矿化度、分数0.3％、60℃及0.3 PV注入量.利用模糊神经网络建立了室内驱油实验预测模型,结果表明实验真实值与模型预测值近似相等,且两者并无显著性差异,表明该模型可以用来预测室内驱油实验.     

双重各向异性介质的驱替特征及注水开发井网部署研究

双重各异性是多孔介质的一个基本性质,它对油藏流体的流动乃至油气生产都有一定的影响。以五点井网为例,用数值方法研究了双重各向异性介质的驱替特征和注水开发井风的部署问题。双重各向异性介质的驱替过程很不均衡,注入流体沿渗透率增大的方向优先推进,致使该方向的油井先期见水。若按渗透率比值调整注水井位置,则能够抑制油井的提前见水,并能够均衡油藏的驱替过程。     

新民油田水淹特征分析

本文从测井专业的角度,对新民油田水淹特征进行了系统的分析。主要应用完井电测和注水井同位素吸水剖面资料,同时结合油水井动态资料,通过理论分析和实际检验,研究和总结出新民油田水淹特征为宏观水驱方向为东西向;微观水淹油层具有非均质性;断层遮挡对水驱影响很大,断层附近往往有注入水波及不到的死油区;新民油田尚处于弱水淹期,储集层电性变化不明显;新民油田水淹层电阻率变化主要是由于含水饱和度变化引起的,注入水矿化度对其影响较小。本文对新民油田水淹层的测井解释具有指导意义,从而为新民油田科学合理的调整开发提供可靠参考依据。     

水驱油田特高含水期开发效果评价体系

通过分析各个评价指标的关系,利用逻辑分析、灰关联度分析及矿场统计分析等方法,最终确定出包括水驱储量控制程度、水驱储量动用程度、年注采比、地层能量保持水平、自然递减率、综合递减率、含水上升率、剩余可采储量采油速度(储采比)、水驱状况(含水与采出程度)、油水井综合生产时率、措施有效率和吨油操作成本等12个开发效果评价指标并制定了其标准,利用层次分析法给出了这些指标的权重,进而基于模糊综合评判方法建立了水驱油田特高含水期开发效果评价体系,经实践证明了该体系的准确性和有效性,从而使水驱油田特高含水期开发效果评价向方法科学化、程序规范化的方向发展,为老油田的调整提供科学的决策依据.     

广义水驱特征曲线计算年度可采储量方法

总结了应用水驱特征曲线评价调整效果、计算年度可采储量的８种方法,提出了应用一 种 新型广义水驱特征曲线１ｇＮｐ＝ａ－ｂ１ｇ（Ｌｐ／Ｗｐ）,评价调整效果、计算年度可采储量的直线段平行移动法。算例表明,春操作极为简单、重复性强、计算结果准确,因而有很高的实用价值。还表明,老君庙油田“稳油控水”措施效果极为明显,其经验值得很好总结;对一些低渗、低粘的砂岩油田,由于产液能力下降或难以提高,其水驱废弃含水率达     

水泵全特性曲线的神经网络预测模型的研究

研究水泵全特性曲线的冲经网络预测模型。通过计算机实验，讨论样本、学习算法和网络结构等对神经网络预测模型性能的影响及其改进措施。实验结果表明，神经网络预测模型具有较佳的学习能力和泛化能力。