四维试井理论研究

把信息源的分布、信息的录取、信息的再现和信息的再生有机地结合起来,提出并建立了完整的"四维试井"理论体系.运用该理论体系研究了动态监测信息在空间分布上的科学性、合理性,以及试井参数在空间上的分布、延拓及随时间变化的规律.把优化理论应用到信息源的分布上,利用模拟退火算法给出了动态监测系统优化部署的方法,实现了科学布井、经济布井.以黑油模型为基础,建立了考虑层间窜流的多层、多相数值试井理论模型,实现了压力场和含油饱和度的"四维试井理论"分析.把神经网络技术和地质统计学理论应用到"四维试井"理论中,给出了动态监测信息空间分布、空间延拓与时间推移的试井解释方法及动态预测分析方法.     

渤海南部河流相油田四维试井分析技术

针对试井解释结果精度不高和多解性的问题,结合渤海南部河流相油田特点,以及生产井大多采用永久压力计生产的实际,在常规试井解释模型的基础上,基于空间拓展和时间推移尺度,提出四维试井分析技术。根据多层渗流理论、压力生产史或同井不同时期压力恢复资料,分别在空间上、时间上对试井模型进行约束。经对调整井D24井进行分析,试井解释四层段表皮系数分别为19.9、20.0、15.1和14.2,与实际地层严重污染相符,建议酸化作业后,该井日产油由30 m~3提高至80 m~3;应用该技术,定向生产井B27井前后进行了3次时间推移试井,通过调整井的实施,新增原油地质储量48.41×10~4 m~3。该技术可有效判断井污染情况、储层边界情况和物性参数,有效指导油水井措施及井网调整。     

高压凝析气藏试井技术研究--以塔里木盆地牙哈凝析气田为例

由于凝析油气藏相态变化机理特殊,凝析油气井试井分析目前属世界性的试井分析难题,也是试井理论界的研究前沿和攻关方向,若按常规方法开展凝析油气藏试井工作,对获取的测试资料将无法作出正确解释,这种情况已在塔里木盆地牙哈凝析气田高压气井试井中时有发生,使试井成功率受到严重影响,因此迫切需要有针对性的理论研究成果做指导,切实提高凝析油气藏试井工作质量。根据牙哈凝析气田多年来的生产实践,从试井理论、测试工艺、现场试井实践3方面开展了综合研究,提出了凝析气井“6＋1”试井分析方法和改进的“一点法”产能评价技术,并对多层合采气井的动态特征做了理论分析,初步形成了一套适合塔里木盆地高压凝析气藏试井的测试工艺技术和分析解释技术。     

东坪基岩气藏试井监测设计技术优化

东坪气田是典型的基岩气田,非均质性强。针对开发动态监测中存在的试井施工程序不清、工作制度不合理,资料录取质量差等问题,从气藏渗流特点入手,以满足气田开发效果综合评价为原则,分析资料录取中存在的问题和影响因素,形成了基岩气田动态监测试井优化设计方法。现场实际应用和资料录取质量对比表明,该方法具有较好的适用性,有效提高了试井监测资料录取质量。     

“单点法”确定气井无阻流量的影响因素分析

气井单点试井工艺简单、成本低 ,已广泛应用于确定、评价气井产能。但人们却往往忽视了“单点法”确定的气井无阻流量的准确性。文章通过理论研究结合实例计算分析 ,发现影响“单点法”无阻流量准确性的主要因素为经验产能公式、测试时间、流动末期井底回压。从机理上分析了各因素对计算无阻流量的影响程度 ,指出了当前单点试井存在的问题 ,从而对单点试井提出了合理化建议及测试技术界限。这对单点产能试井设计、根据“单点法”得到可靠无阻流量起到重要指导作用     

克拉2气田时间推移试井技术

为解决克拉2气田开发存在的数值模拟模型的选取、见水井水侵模式不明确及未见水井见水风险难预测等问题,系统梳理了历年试井资料,排除井间干扰对试井资料的影响,合理选择试井解释模型、分析储层物性参数变化及产能变化规律,与地质、生产动态、地应力相结合,分析判断见水井水侵模式、评价未见水井见水风险,首次对克拉2气田开展时间推移试井技术研究。选取单孔介质模型,对物性参数解释结果进行产能评价。结果表明,见水井无阻流量下降幅度远大于未见水井,明确了见水井水淹模式,评价了未见水井风险,其中有7口未见水井见水风险较大。时间推移试井技术分析为气田开发对策的调整提供了依据,对类似气田的开发具有借鉴作用。     

动态监测工作面临的挑战与对策

油气田开发动态监测是油气藏评价和油气田开发过程中的全部测试工作。它包括开发测井和开发试井,是油气藏经营管理的基本手段。动态监测是对油田动态进行信息采集,为掌握油气田地下开采状态,制定油田开发方案,搞好油田调整,实现“控水稳油”提供依据。它是提高油田开发水平,提高最终采收率的一项重要的基础工作。开发测井包括开发裸眼井测井和下套管后生产井测井。主要内容有调整井单井储层评价、生产井单井产层测井动态评价、多井储(产)层评价、工程测井、特殊井测井评价等。开发试井包括高压试井和低压试井。试井录取的资料是各种资料录取…     

高产气井井口压力动态Laplace空间解

针对高产气井在井口测试时出现的压力动态异常试井数据，无法采用目前的试井解释方法进行有效的分析，早期研究的成果认为这类压力动态异常主要是温度变化引起的，并给出了相应的非稳定传热特性的井筒压力、温度预测的数学模型，但当时采用的是数值分析的求解方法。通过认真研究和深入分析，获得了其相应的Laplace空间解，从而解决了由温度引起的压力异常问题，这进一步完善了试井分析理论方法。此研究为异常高压气井的动态监测提供了理论基础，对相应的软件的研制具有指导意义。     

试井分析中的方程反演理论及应用

研究了在试井分析中应用微分方程反演理论的可能性。常规的试井分析方法测定井底压力变化，反求油层各种参数，但无法确定其参数的空间分布。应用微扰法对二维渗流力学方程进行反演，提出了利用试井资料确定孔隙度，渗透率随空间变化的方法，目的是把微分方程反演理论引入试井分析中，提供一种试井分析方法。方程反演理论可望在试井分析中广泛应用。     

多井试井技术在油田开发中的应用

试井技术是认识油藏并进行油藏评价和生产动态监测管理的重要手段。随着油田监测技术的不断发展 ,测试工艺的改进 ,仪器、仪表的高精度电子化、数字化 ,使得多井试井 (干扰试井及脉冲试井 )技术在油田开发中越来越受到重视和应用。测试仪器从最初的选用地面直读式电子压力计测试发展到目前井下储存式高精度电子压力计测试 ,这一改变大大减轻了测试人员负荷。随着电子压力计精度的提高 ,要求的测试先决条件 (如激动量、时间等 )相应有所降低 ,促进了多井试井技术的应用范围。文章详述了大庆油田在开发过程中 ,多井试井技术在油田动态开发中的主要功能及典型应用     

BP�������������������㼰��̬�����е�Ӧ��

将油（气）藏看作一个系统，而将产量认为是对系统的激励信号（输入信号），那么压力则为系统的输出信号。输入信号和输出信号之间的关系，隐含着油（气）藏系统内在的信息，如储层和油（气）藏结构、单井控制面积以及井的状况等综合信息。将气井生产记录资料进行适当的统计作为模式特征，输入ＢＰ神经网络，通过向模式学习，ＢＰ网络便可将生产资料所隐含的信息以权矩阵的形式记录下来。应用ＢＰ网络做动态分析和储量计算，以气井日常生产记录资料为基础，计算单井动态储量，并预测气井未来的生产动态。实例证明该方法可行。该方法的应用为利用大量的井口生产记录做了有益的探索。     

大庆T30井区注水时移地震监测可行性研究

迅速发展的油田强化开采时移地震监测技术已被成功地应用于稠油热采监测中，但油田注水时移地震监测，特别是陆相薄互层油藏注水监测的研究却刚刚起步，时移地震能否用于监测注水动态，可行性分析是关键，利用Lumley等人（1997）给出的时移地震监测技术风险定量评价方法，对大庆T30井区葡一组油层注水时移地震监测的可行性进行了初步分析。结果表明，在现有条件下，在大庆油田开展注水时移地震监测工作是比较困难的，至少对T30井区葡一组油层而言，这一结论基本上是可信的。     

WELL TEST MODEL IDENTIFICATION BY ARTIFICIAL NEURAL NETWORKS

The aim of this research is to investigate the performance of artificial neural networks computing technology, to identify preliminary well test interpretation model based on derivative plot. The approach is based on training the neural network simulator uses back-propagation as the learning algorithm for a predefined range of analytically generated well test response. The trained network is then requested to identify the well test identification model for test data, which is not used during training sessions. For creation of training examples, an analytical response generator is implemented which is capable of producing responses of various models. Both the neural network simulator and the analytical response generator is enfolded into a single package which is capable of producing diagnosis plots, transferring data and filtering the input pattern. Unlike the ones presented in literature the package utilises a distributed modular structure, by which saturation possibility of the neural network is reduced considerably. Moreover, the distributed structure allows the training sequence to be initiated on different computers, thus reducing the training time up to sixteen folds. The package is verified with several examples either analytically generated or taken from literature.     

WELL TEST MODEL IDENTIFICATION BY ARTIFICIAL NEURAL NETWORKS

ABSTRACT

The aim of this research is to investigate the performance of artificial neural networks computing technology, to identify preliminary well test interpretation model based on derivative plot. The approach is based on training the neural network simulator uses back-propagation as the learning algorithm for a predefined range of analytically generated well test response. The trained network is then requested to identify the well test identification model for test data, which is not used during training sessions. For creation of training examples, an analytical response generator is implemented which is capable of producing responses of various models. Both the neural network simulator and the analytical response generator is enfolded into a single package which is capable of producing diagnosis plots, transferring data and filtering the input pattern. Unlike the ones presented in literature the package utilises a distributed modular structure, by which saturation possibility of the neural network is reduced considerably. Moreover, the distributed structure allows the training sequence to be initiated on different computers, thus reducing the training time up to sixteen folds. The package is verified with several examples either analytically generated or taken from literature.     

用于油水层识别的一种简化的神经计算方法

在油水层识别中,单纯使用神经计算存在因输入信息空间维数较大而使网络结构复杂、训练时间长,以及因冗余属性使网络拟合精度不高等缺点,为此基于属性约简和最优化原理提出一种简化的神经计算方法,主要包括基于粗糙集的样本属性约简算法,基于LM方法的稳定学习算法,以及基于黄金分割的隐合层节点数确定的优化算法等。仿真试验和实际应用表明,这种简化的神经计算方法不仅满足识别系统的精度要求,而且起到节省成本、提高处理速度等功效,在油水层识别中效果显著。     

应用多属性神经网络方法预测油气

地震属性包含的地球物理信息十分丰富,但地震属性种类繁多,并且与储层特征对应关系复杂,单属性分析难以确保预测的准确性。人工神经网络方法具备较强的非线性映射能力,使用该方法可以综合利用多属性进行油气预测,提高预测精度。该文采用梯度下降神经网络算法,避免陷入局部极小值,有效加快网络收敛速度,使网络达到全局最优,提高了预测效果。     

人工神经网络技术在塔河油田的应用

塔河油田为碳酸盐岩缝洞型油藏,具有极强的非均质性,单纯用静态资料来认识这类油藏非常困难。提出利用生产动态资料和信息进行塔河油田油藏描述研究的新思路。利用人工神经网络技术在处理非线性相关参数预测方面的优势,以渗流理论为基础,结合试井成果,推导出影响油藏开发的重要参数(地层系数)与生产信息的关系;建立了人工神经网络预测储集层参数的结构模型。塔河油田研究证明,神经网络技术在塔河油田碳酸盐岩缝洞型油藏储集层评价预测和非均质性分析等方面具有较强的实用价值。     

时移地震油藏监测技术研究

介绍了时移地震油藏监测技术的概念、理论与基础岩石物理分析，描述了时移地震正演模拟过程，分析了实际时移地震油藏监测的可行性，包括时移地震的实施对储层条件、注采方式及地震方法的要求，对时移地震油藏监现场先导试验和油田大规模的应用中，时移地震资料的采集、处理、解释等方面的要求和技术进行分析与研究，并对我国开展时移地震的研究与应用提出了建议。     

基于PCA—RBF神经网络的乙烯氧化反应器收率预测模型

依据工艺机理和先验知识,初选了乙烯氧化反应器的收率神经网络预测模型的输入变量,用主元分析方法对输入变量进行主元分解,消除了变量之间的相关性,减少了输入变量数,简化了RBF神经网络的结构,仿真结构表明,PCA-RBF网络模型结构具有很强的预测能力。     

综合动量法和可变学习速度的BP神经网络地震初至拾取

为了提高初至拾取精度和效率,研究了BP神经网络初至拾取方法,提出综合动量法和可变学习速度的BP神经网络地震初至拾取方法,其主要原理是对网络权值的更新过程进行改进,当均方根误差在权值更新后超过设定的误差范围,则权值更新取消;在既定的误差范围内,权值更新则被接受,且学习速度发生变化。分析不同地震属性对初至波识别的可行性,选取均方根振幅比、曲线长度比、振幅、频率等4种特征属性进行模型测试,结果表明改进方法的初至拾取效果优于常规BP神经网络方法。实际资料测试验证,改进方法构建的网络结构简单,参数少,收敛速度快,具有较强稳定性和抗噪能力,初至拾取精度高。