基于节点分析劈分法的多层油藏井间动态连通性分析

识别注采连通关系对油田开发方案制定及剩余油分布描述具有重要的基础作用,多层合采油藏注采量的准确劈分严重制约着井间连通性的精准识别。本文首先根据开井及储层改造等影响产量重要因素来确定劈分时间节点;再基于生产、射孔、封层、酸化压裂及产吸剖面等监测资料,采用“节点内线性内插,最后一个时间节点线性外推”的劈分法,进行注采量劈分;随后,基于阻容模型建立多层井间动态连通性模型,定量识别多层井间连通情况;最后根据实际生产资料建立判断系数,验证模型计算结果。应用该方法对实际油田的100余口井进行注采劈分,计算动态连通系数,通过示踪剂监测、判断系数进行验证。结果表明,动态连通系数与示踪剂监测结果吻合程度高,与判断系数拟合趋势好。该方法能有效提高多层油藏井间连通性识别精度,具有很好的实用价值,为同类油藏调整注采关系、制定剩余油挖潜方案提供了借鉴。     

基于机器学习的海上多层砂岩油藏精细注水开发实践

针对海上多层水驱砂岩油田作业成本高、PLT测试数据少所导致的小层产、吸状况不清的问题，提出一种可同时学习多种井况条件的小层产、吸剖面预测模型。首先综合考虑影响小层产、吸状况的静态地质条件和动态开发特征，筛选并构造出主控因素，建立样本数据库。然后构建了巧妙的循环将神经网络算法和智能优化算法进行融合，内层循环以BP神经网络为模型框架，遍历所有井样本，实现多维主控因素与产、吸剖面的机器学习；中层循环以量子进化算法为优化手段，实现神经网络内部权重和阈值自动优化；外层循环以测试误差为控制条件，保证模型的可靠性与最优化。最后将产、吸剖面预测模型应用于渤海P油田，分别对73口油井和84口水井的样本数据进行交叉验证，结果表明模型的平均测试误差仅为6.60%、4.36%。示例井组经分层调配等措施的综合治理之后，实现了井组日增油60吨/天，综合含水率下降6%。该研究成果对老油田的精细注水和优化调整具有一定的指导意义。     

薄互储层多层合采条件下的产量劈分新方法研究

薄互储层合采且层间非均质较强的油藏,各小层采出程度不仅受储层物性的影响,而且受单井小层井控地质储量的影响。综合考虑上述产能影响因素,针对天然能量开采的油藏,提出了一种新的产量劈分方法,简称KNK方法。该方法劈分结果更接近实测产液剖面,尤其对层间差异较大的薄互储层合采井,更符合油藏实际地质状况,具有较强的适用性。     

基于电容电阻模型的特高含水油田井间连通性研究

为评价特高含水油田井间连通性的大小,针对目前电容电阻模型评价特高含水油田井间连通性不准确的问题,考虑电容电阻模型中采液指数的变化,利用无因次采液指数计算方法,确定了产液量递推式中的时间常数,建立了新的井间动态连通性模型,并利用最优化方法求解得到井间连通系数,将目前电容电阻模型的适用范围扩展到油田整个开发阶段。实例应用表明,改进模型的计算结果与示踪剂结果吻合程度更高,可以用来识别特高含水油田井间连通性。     

重整产品液收率软测量

针对连续重整反应器 ,分别采用改进算法的 BP神经网络、PLS- BP神经网络和小波神经网络建立重整产品液收率软测量模型。经比较后发现小波神经网络所建模型拟合及预测效果最好 ,因此将其用于实际生产装置。使用结果表明该模型可以实时准确预测重整产品液收率。     

强边底水油藏水驱开发效果评价

针对目前水驱开发评价方法主要是评价油田整体开发效果,很难对具体注水井的注水效率进行评价,以及强边底水油藏中油井产水的主要来源等问题。基于井间油水动态的连通性计算模型,结合油田地质参数和实际生产数据进行自动历史拟合。示踪剂分析验证了该模型具有很好的可靠性。采用该模型计算注水井注水劈分系数,确定注采优势通道以及注水井驱油效率。该模型同时也可以计算注水井和边底水对油井产油产水贡献百分比。实例油田应用表明,该模型可靠性很好,与示踪剂测试结果吻合,计算结果能很好地评价注水井的注水效率。     

基于改进果蝇算法和长短期记忆神经网络的油田产量预测模型

产量预测是油田生产动态开发研究的重要内容之一。油田的长期生产积累了大量数据,但是波动幅度很大,直接应用长短期记忆神经网络预测油田的生产指标,会出现神经网络泛化性很差的问题。因此,首先利用双层长短期记忆神经网络(long-short term memory,LSTM)和随机式失活对神经网络架构进行调整,建立了深度学习神经网络模型;并提出了一种新的果蝇聚集方法,通过改进的果蝇优化算法对所建立的神经网络模型进行优化,避免其陷入局部最优解,搜寻解空间的最优解;最后,油田实例验证表明,优化后的深度学习网络的网络泛化能力和预测精度有了较大提高,对于油田波动性较大的数据也能较好地拟合。所建立油田产量预测模型可应用于矿场开发实际。     

人工神经网络在油田注采量描述中的应用

考虑油田注水开发期采液量是注水参数和地层参数等的连续函数,应用人工神经网络技术,探讨油田注水开发期见水后的各个单井产状描述和产液量预测的新方法．采用某油田某区块内５口采油井配置１０口注水井,在１２个月的注采数据来训练所建立的注采系统人工神经网络模型．结果表明,人工神经网络可很好地用来定量描述油田注水期采出液量与注入液量之间的复杂函数关系,可用于油田水驱产状的描述．滚动预测的结果表明,预测的累计采油量随月份的增长变化和实测的符合良好．     

基于神经网络模型的井间参数预测方法

目的研究储层精细评价技术中的储层参数井间预测方法。方法基于人工神经网络模型,结合油藏微相研究成果,采用井位和微相信息作为神经网络的输入信息,采用神经网络模型对储层参数进行空间预测。结果利用空间分散井位点的孔隙度资料和地区沉积微相信息,对孤岛油田渤21断块油藏进行井间孔隙度内插预测,其井间参数的预测精度得到明显提高,为油藏建模提供了可靠的基础。结论基于神经网络模型的井间参数预测方法,可以为储层精细评价提供高质量的油藏地质模型。     

考虑启动压力的层状油藏开发指标计算方法

目前大多数开发指标预测方法适用于中高渗油田,并没有考虑启动压力的影响。在多层非活塞式水驱油藏模
型的基础上,考虑启动压力的影响,推导出了一套定液量生产时的开发指标计算方法。该方法可以反映多层合采时不
同渗透率层的有效生产压差不同;低渗层因启动压力大,供液能力低甚至不供液的问题。通过油田实例进行了验证,
结果表明：多层合采时,由于油水渗流阻力的变化,随着生产的进行,生产压差逐渐减小,高渗透层的产液比例越来越
大,层间干扰加剧。该方法准确反映了实际油藏的生产特征,可以用于提液等措施的效果预测。     

基于混合神经网络的机械设备健康度预测

为了建立安全高效的机械健康监测系统,提出一种数据驱动的机械设备健康度预测方法.首先,结合幅值域与频域分析方法提取振动信号特征;然后,构建以偏最小二乘回归法和深层神经网络为两层架构的混合神经网络模型;最后,采用该模型提取设备特征,并预测机械设备健康度.将所提出模型与传统单层架构模型进行实际工业数据验证,结果表明所提出的基于振动信号分析的混合神经网络健康度预测模型具有更好的预测趋势及更高预测精度.     

混沌和神经网络相结合预测短波通信频率参数

为提高短波通信的可靠性 ,提出了一种将混沌和神经网络相结合的方法预测短波通信频率参数。利用混沌方法重构相空间系统吸引子 ,用前向多层神经网络拟合吸引子上的全局整体映射 ,构成混合预测模型。实验结果表明 ,将此混合模型用于预测短波通信频率参数如 F2 层临界频率 ffo F 2 ,能达到较好的预测效果 ,可以应用到实际预测系统中。还将基于奇异值分解的噪声消减滤波算法应用到数据预处理中 ,预测结果表明了这种办法能提高预测精度     

基于机器学习的石油多峰模型研究及应用

油田在实际开发过程中，受新区块投产、开发方案调整和"三采"措施等因素的影响，年产量数据会呈现多峰形态。针对经典的Hubbert、HCZ等模型不能直接拟合多峰数据序列的问题，开展了基于机器学习的油田产量多峰预测模型研究。基于Hubbert模型，对多峰数据序列进行分段最小二乘拟合，在拟合误差函数中引入控制分段个数的罚分项，采用动态规划算法，自动求得最优分段的多峰预测模型，该模型运用在实际的油田产量数据上，预测结果达到预期目的。提出了一种通过自动最优分段的线性回归学习来建立油田产量多峰预测模型的方法，在实际应用中具有建模简单、自适应性强的优点。     

考虑相对渗透率变化的砂岩油藏产量劈分方法

将传统地层系数(KH值)法与油藏的油、水相对渗透率变化相结合,并根据油井生产过程中含水率的变化分为无水采油期和见水采油期,见水采油期根据各小层变化的油、水相对渗透率来劈分多层合采的注水开发砂岩油藏产油量和产水量。研究结果表明:与未考虑动态变化的常规地层系数(KH值)法相比,考虑油水相对渗透率变化的产量劈分结果比KH值劈分的小层产量更加接近产液剖面测试结果,劈分结果和实际生产吻合更好,能够更真实地反映各小层的产出情况。     

基于改进即时学习算法的动液面软测量建模

油田动液面参数软测量预测应用中,软测量模型随生产的进行会逐步退化,导致预测结果偏差较大,无法在油田生产过程中加以使用.对此,提出采用基于子空间相似度的即时学习策略来对动液面预测模型进行自适应动态更新.通过对生产阶段数据进行子空间的相似度计算,提高建模样本选取的准确性.设计两个记忆参数改变以往即时学习策略模型的更新方法,在减少计算量的同时提高动液面的预测精度.与以往即时学习算法进行实验对比,结果表明,改进算法对油田动液面测量精度高,适应性强,符合油田生产标准,可以应用于油田实际生产.     

基于交替条件期望的油藏井间连通性定量表征

及时准确地进行油藏井间动态连通性研究是油藏动态评价的重要组成部分,对于油田开发和管理具有重要意义。利用基于交替条件期望算法的非参数回归方法对注水量和产液量动态数据作最佳变换;并在此基础上利用特征参数建立油藏井间动态连通性定量表征指标。提出了一种新的油藏井间动态连通性分析方法;该方法计算简便,便于快速确定井间动态连通性。典型油藏模型验证了该方法的可行性。矿场应用表明,该方法能够方便准确地识别油藏井间动态连通性,指导矿场开发调整措施的制定。     

单井产量劈分研究

通过分析对比国内外各种储层产量动用状况分析方法,寻找出一种实用的油水井分层动用状况研究方法:以井组内注采平衡为依据,综合考虑注水井和受其影响的采油井的油层条件和开发条件等因素,通过确定平面和垂向劈分系数,合理分配油井各小层的分层产液量.     

基于弯曲高斯过程组合方法的光伏出力预测研究

针对光伏发电功率受多种天气因素影响造成预测难度大的现状,提出了一种基于弯曲高斯过程的混合模型,可以实现一天内任意时刻的光伏出力的概率预测,获得置信区间预测值和点预测值.该算法先由多元自适应回归样条模型实现对多维输入变量的约减,同时得到待预测值的先验数据,然后利用模糊C均值算法按天气类型对训练集数据和测试集的先验数据进行聚类,得到相似样本,再利用弯曲高斯过程模型对测试集数据进行估计,最后利用Bagging算法实现对子混合模型的集成学习,得到待预测值的区间估计和点估计.仿真及试验结果验证了该混合模型的有效性和可靠性.与高斯过程估计和BP神经网络分位数估计相比,该混合模型精度更高,实用性更强.     

利用神经网络预测与控制丝杠螺纹磨削过程

研究了基于神经网络的丝杠螺纹磨削过程的智能预测与控制问题.基于误差反向传播的机制,针对连续制造过程的预测与控制,提出多层神经网络的逐个样本学习算法.对逐个样本学习算法和目前广泛采用的B-P算法进行了比较和讨论,实验结果表明,逐个样本学习算法比B-P算法具有更好的收敛性.最后,介绍了多层神经网络模型在丝杠螺纹磨削过程的预测与控制中的应用.     

海上电泵结蜡井热循环洗井工艺参数优化设计

为探索海上油田电泵举升结蜡井热循环洗井工艺井筒温度场分布规律，综合考虑潜油电机增温、电缆散热、热流体注入量、注入深度、注入温度、结蜡管段传热和海水空气导热的影响，基于热能守恒原理，建立了电泵井结蜡热循环洗井工艺井筒温度场计算模型，分析了热流体注入温度和注入量对混合产出流体的井筒温度分布的影响。研究结果表明，随着注入量的增加混合产出液沿程井筒温度增加，随着注入温度的增加混合产出液沿程井筒温度增加。该方法可有效指导现场措施工艺的实施，达到延长结蜡井的清蜡周期、延缓产液/产油量下降速度的目的。