童氏图版在低渗透油田中的改进与应用

本文在童氏含水率与采出程度关系式的基础上,通过对统计系数和边界条件的修正,研究出符合低渗透油田的童氏改进图版,并在石南31油田实践应用中加以验证,改进后的曲线计算结果更加准确,更加符合油田具体实际。     

塔里木东河油田出砂动态预测研究

塔里木东河油田属超深砂岩油藏, 储集层岩石压实作用好, 开发初期预测为不出砂, 因此在油田开发时没有采取任何防砂措施。但在开发过程中, 由于压力下降和含水率上升, 岩石的应力状况及胶结状态都发生了变化, 油井出砂日益严重。分析了塔里木东河油田投入开发后出砂的主要影响因素, 对传统的出砂预测公式引入了地层压力亏空因子和含水率因子2 个修正项, 用修正后的组合模量公式与斯伦贝谢法公式动态地对该油田的3 口典型出砂井进行计算和分析, 结果与油田实际情况吻合。此动态出砂预测法对其他砂岩油藏也有一定参考价值。     

大宛齐油田井网密度与采收率的关系

通过对大宛齐油田井网密度与连通率关系的研究,提出了修正后的谢尔卡乔夫公式。油田数据验证表明,修正后的谢氏公式可较客观地反映大宛齐油田井网密度与采收率的关系,预测结果对大宛齐油田高效开发有指导意义。     

应用BP神经网络预测煤层含气量分布

煤层含气量分布和煤层气富集规律已成为当今重要的科研课题.充分利用BP神经网络具有的非线性映射能力、泛化能力和容错能力,批量数据处理使整体偏差值最小,分组拟合比单个样本拟合效果好的特点预测煤层气含量;煤层含气量在一定范围内变化,于是把煤层含气量作为因变量的数据进行分级预测,并且适当调节样本允许误差且允许个别错误存在,以减少模型整体误差.煤层的埋深、镜质组、灰分和挥发分为影响QP区块的主要因素,将这4个影响因素作为变量建立BP神经网络模型,调节网络模型各项参数,分配不同学习训练样本、检验样本和坚持样本以找出合理的神经网络学习训练结构.再与地质统计学和克里金插值法有机结合来预测煤层含气量分布规律和探索煤层气富集规律.     

层状边底水油藏含水率变化特征及其在油田开发中的应用

本文根据逻辑斯谛广义模型，得出了适合大宛齐油田的逻辑斯谛广义模型。并使用该模型给出含水率标准曲线，通过单井含水率曲线与标准曲线的对比，得到含水率变化特征，从而对有边水油藏井和无边水油藏井进行分类分析。     

滚动开发复杂砂岩油田产量递减规律研究——以大宛齐油田为例

大宛齐油田是一个滚动开发的高非均质性复杂砂岩油藏,原油产量逐年上升,因此无法直接用常规方法分析其产量递减规律.采用了2种不同的研究方法,实例证明油井投产时间平移法可较好地满足研究条件,得出较为可靠的产量递减曲线.该方法为研究同类型油田提供了有价值的借鉴.     

膨胀筛管完井产能评价

结合理论分析和实验研究了膨胀筛管完井后产能,并对比了一般机械防砂方式,以独立筛管完井和砾石充填完井为例进行了对比计算。结果表明,膨胀筛管完井在套管井中其产量优势不明显,而在裸眼完井中产量较一般机械防砂方式优势明显。     

油田自动化系统的油藏工程信息处理

彩南油田自动化系统基于系统工程考虑，率先把油藏工程、采油工艺、油田生产管理和信息处理自动化纳入油田自动化系统。所采集的数据不是到中心控制室就截止了，而是继续送往准东公司数据中心进行更高层次的综合分析、加工和处理。本文以油藏工程信息为例，简述油藏工程动态数据采集的内容、原理和方法，包括油气水三相自动计量、注入压力和注水量的监测和油层中部压力的连续监测；广域网体系的基本构成；符合标准的油田开发数据库；先进的油藏工程应用软件。     

BP神经网络在预测石南31油田产量变化中的应用

本文提出了利用BP神经网络快速预测油田单井产量的方法。石南31油田在投产初期即投入注水开发,并在开发过程中实施过酸化压裂、补孔等措施,使得产能影响因素较多,且各种因素交互重叠,为用常规方法进行产量动态预测造成很大的困难。为了准确实时地调整开发技术政策,本文选用了BP神经网络,利用油田生产动态数据,应用MATLAB7.0建立了石南31油田产量预测模型,提高了预测的精度。研究结果表明,这是一种可行的方法。     

对油藏模型网格粗化中REV 理论的探讨

Lasseter等(1986)提出油藏模型网格粗化(ReservoirUpscaling)应当在表征体元(RepresentativeElementaryVolume,简称REV)级进行。REV指一种特定的体积元,在这种体积元测取的物性参数将在一定的比例尺范围内保持不变。REV理论一直是一个有争议的概念,因为其定义不十分清晰,且没有说明如何在真实油藏中获取之。因此,甚至有人怀疑在真实油藏中,是否真的存在REV。基于REV理论,提出了一个新的概念——表征体元网格,(RepresentativeElementaryVolumeGrid,简称REVG)。该网格体系在给定的比例尺范围内可最佳地描述油藏的非均质性。从物理意义上讲,在REVG系统中,每个网格内的物性差异最小,而网格间的物性差异最大。