Loading [MathJax]/jax/output/SVG/jax.js

长庆油田小井眼超长水平段水平井钻井技术

王忠良, 周扬, 文晓峰, 龙斌, 丁凡, 陈邵维

王忠良, 周扬, 文晓峰, 龙斌, 丁凡, 陈邵维. 长庆油田小井眼超长水平段水平井钻井技术[J]. 石油钻探技术, 2021, 49(5): 14-18. DOI: 10.11911/syztjs.2021060
引用本文: 王忠良, 周扬, 文晓峰, 龙斌, 丁凡, 陈邵维. 长庆油田小井眼超长水平段水平井钻井技术[J]. 石油钻探技术, 2021, 49(5): 14-18. DOI: 10.11911/syztjs.2021060
WANG Zhongliang, ZHOU Yang, WEN Xiaofeng, LONG Bin, DING Fan, CHEN Shaowei. Drilling Technologies for Horizontal Wells with Ultra-Long Horizontal Section and Slim Hole in Changqing Oilfield[J]. Petroleum Drilling Techniques, 2021, 49(5): 14-18. DOI: 10.11911/syztjs.2021060
Citation: WANG Zhongliang, ZHOU Yang, WEN Xiaofeng, LONG Bin, DING Fan, CHEN Shaowei. Drilling Technologies for Horizontal Wells with Ultra-Long Horizontal Section and Slim Hole in Changqing Oilfield[J]. Petroleum Drilling Techniques, 2021, 49(5): 14-18. DOI: 10.11911/syztjs.2021060

长庆油田小井眼超长水平段水平井钻井技术

详细信息
    作者简介:

    王忠良(1989—),男,黑龙江大庆人,2012年毕业于东北石油大学资源勘查工程专业,工程师,主要从事随钻地质导向工作。E-mail:wzl080808@126.com

  • 中图分类号: TE242

Drilling Technologies for Horizontal Wells with Ultra-Long Horizontal Section and Slim Hole in Changqing Oilfield

  • 摘要: 针对长庆油田小井眼超长水平段水平井钻井施工中井眼轨迹控制困难、储层钻遇率低、机械钻速低、井壁易垮塌和易发生井漏等问题,分析了钻井技术难点,研究了旋转导向智能井眼轨迹控制技术、近钻头方位伽马成像技术和工程参数监测技术,进行了钻头选型优化,并研究应用纳米成膜封堵水基钻井液技术,形成了长庆油田小井眼超长水平段水平井钻井技术,能够精准控制井眼轨迹、提高储层钻遇率、保障井下安全和提高机械钻速。长庆油田桃XX井应用旋转导向技术及相关配套技术,安全高效地完成了水平段长4466 m、井深8008 m的钻井施工,储层钻遇率高达96.6%,创造了长庆油田井深最深、亚太区陆地水平段最长的纪录。研究结果表明,长庆油田小井眼超长水平段水平井钻井技术的现场应用效果良好,具有较好的推广应用价值。
    Abstract: Technical issues such as difficult wellbore trajectory control, low rate of drilling in formation, low ROP (rate of penetration), wellbore collapse, and circulation loss are easily encountered in the drilling of horizontal wells with ultra-long horizontal section and slim hole in Changqing Oilfield. In light of this, difficulties in drilling technologies were analyzed in this study and some key technologies were investigated, including intelligent wellbore trajectory control based on rotary steering, near-bit azimuthal gamma imaging, and engineering parameter monitoring. Moreover, bit selection was optimized and the application of sealing water-base drilling fluid by a formed nanometer film was studied. As a result, drilling technologies for horizontal wells with ultra-long horizontal section and slim hole in Changqing Oilfield were developed, which can enable accurate wellbore trajectory control, drilling ratio increase and ROP enhancement, and can ensure downhole safety. The rotary steering technology and related supporting technologies were applied to Well Tao XX in Changqing Oilfield, and drilling was completed safely and efficiently in a 4 466 m horizontal section at a depth of 8 008 m, with the drilling ratio of 96.6%. This created a new drilling record as the deepest well in Changqing Oilfield and the longest horizontal section on land in the Asia-Pacific region. Considering the good field application effect, the drilling technologies for horizontal wells with ultra-long horizontal section and slim hole in Changqing Oilfield are worthy of wide application.
  • 蓬莱19-3是储量十亿吨级特大型油田[1],目前采出程度15.5%,综合含水率82.5%。油层净毛比变化大,非均质强[2],孔隙度15.0%~35.4%,渗透率18~3 619 mD,原油黏度7~46 mPa·s[3],生产压差变化大。影响采收率的因素复杂[4],如何快捷而准确预测不同区块和不同储层的采收率是亟需解决的问题。目前预测采收率的方法有经验公式法[5]、水驱曲线法[6-7]和数值模拟法等 [8-9]。采收率预测经验公式未充分考虑非均质性和生产压差等因素,预测可靠性差,适用范围小。水驱曲线法预测的采收率严重依赖生产数据的选取,不同开发阶段的数据反映的规律差异大,直线段不唯一[10],计算结果差异大,实用性差。此外,水驱曲线在特高含水阶段出现“上翘”现象[11-13],拐点和斜率难确定,方法失效。油藏数值模拟法虽然考虑因素全面,但存在动态、静态数据准确提取难度大、计算工作量大和历史拟合不唯一性等问题。

    近年来,采用机器学习和人工神经网络(ANN)解决油田开发预测问题取得了一定进展[14-19] ,但尚未见到综合考虑油藏因素和油井工作制度的ANN预测采收率方法。为此,笔者选取渗透率变异系数、原油黏度、净毛比和生产压差4个关键因素,采用油藏数值模拟方法对625组方案数据进行了模拟,建立了625组采收率及其影响因素关系数据库;采用基于机器学习的人工神经网络理论,构建了影响采收率的参数输入层、隐含层和输出层,建立了快速预测采收率的人工神经网络方法;选取500组数据进行机器学习训练,125组数据进行测试检验,采收率预测结果的平均相对误差为0.16%,在精度和计算速度上具有明显优势。

    根据蓬莱19-3油田的地质、油藏和流体等数据[1,3],构建了三维模型,网格数量为60×60×7,平面网格尺寸为10 m×10 m;纵向7层网格由上至下分别对应油组L50、L54、L60、L62、L64、L72和L76,其主要参数见表1

    表  1  概念地质模型基本参数
    Table  1.  Basic parameters of conceptual geological model
    层位编号对应油组层厚/m顶深/m孔隙度,%
    1L508.801 050.0030.8
    2L542.501 058.8023.1
    3L602.501 061.3018.4
    4L6213.701 063.8020.7
    5L642.201 077.5020.6
    6L727.801 079.7016.7
    7L763.501 087.5016.9
    下载: 导出CSV 
    | 显示表格

    该油田前期的研究表明,生产压差是影响渗流速度、油井产量、有效泄油面积和最终采收率最显著的动态参数,能较好地反映生产动态。层间渗透率变异系数是层间非均质性的定量表征参数,是影响合注合采多层非均质性油藏层间储量动用差异和采出程度的地质因素;水的黏度相对变化较小,因此原油黏度是影响油水流度比、含水率和对应含水率情况下采收率的最主要因素;净毛比定量表征了有效厚度和砂体厚度的比值,能够反映油层的品质和采收率。由此可见,渗透率变异系数、原油黏度和净毛比能较全面地反映油藏特性。因此,选取这4个关键因素,每个影响因素设置5个水平(见表2)。

    表  2  影响因素的不同水平取值
    Table  2.  The values of the level of different influencing factors
    水平影响因素
    A:渗透率
    变异系数
    B:原油黏度/
    (mPa·s)
    C:净毛比D:生产压差/
    MPa
    10.150.60.7
    20.2150.71.4
    30.5250.82.1
    40.7350.92.8
    50.8451.03.5
    下载: 导出CSV 
    | 显示表格

    根据蓬莱19-3油田地层流体性质,原油黏度在5~45 mPa·s 范围内取5个水平值。渗透率变异系数作为反映渗透率非均质性的参数,能够定量表征渗透率非均质程度。考虑油田实际地质情况复杂,储层非均质性强,渗透率变异系数范围大,根据蓬莱19-3油田的非均质特征,渗透率变异系数选取0~1.0之间的5个水平值。净毛比是有效厚度与砂体厚度的比值,根据该油田砂体的净毛比,将净毛比设置为0.6~1.0之间的5个等差水平值。根据该油田单井的实际井底压力变化范围,将生产压差设置为0.7~3.5 MPa之间的5个水平值。此外,基于该油田不同渗透率岩心相对渗透率测试结果,建立并采用了不同渗透率储层相对应的相对渗透率曲线。

    将设计的625组数据输入油藏数值模拟软件Eclipse进行模拟,提取采收率及其影响因素参数,建立625组采收率及其影响因素的数据库(见表3)。

    表  3  采收率及其影响因素关系的数据库
    Table  3.  Database indicating the relationship between oil recovery and influencing factors
    序号生产压差/
    MPa
    渗透率
    变异系数
    原油黏度/
    (mPa·s)
    净毛比采收率,%
    12.80.7 50.764.93
    23.50.8 50.962.95
    33.50.1250.766.85
    41.40.5251.049.81
    51.40.8 50.658.69
    62.80.2 50.971.54
    70.70.8350.642.98
    82.80.5150.961.67
    92.80.5250.857.07
    102.10.2150.865.91
    6233.50.5450.656.43
    6241.40.8 50.856.58
    6252.80.8350.652.52
    下载: 导出CSV 
    | 显示表格

    采收率预测的神经网络原理见图1,BP算法学习过程分为2步:1)输入影响采收率因素的神经网络权值和阀值,经过隐含层,计算输出值(f代表采收率),实现正向传递[20-21];2)反向依次对权值和阀值进行修正[22],2个过程反复交替,直到收敛为止。

    图  1  预测采收率的三层BP神经网络典型架构
    Figure  1.  Typical architecture of three-layer BP neural network predictiong oil recovery

    图1中,输入向量为X=(x1x2x3,x4),其中4个因素分别代表渗透率变异系数、原油黏度、净毛比和生产压差。

    隐含层各神经元的激活值:

    S1j=4i=1w1ijxiθ1ijj=1,2,3,...,m (1)

    激活函数采用S型的sigmoid函数[23],得到的输出层的输出值:

    yk=f(S2k)k=1,2,...,n (2)

    式中:Sj1为隐含层的激活值;上标l代表隐含层;下标j代表隐含层节点;w1ij为输入层至隐含层连接权;i代表第i个因素;xi为第i个因素的影响采出程度; θ1ij为隐含层节点的阀值; m为隐含层节点总数;yk为实际输出采收率;k为输出层节点;f为输出层隐函数标记;S2k为输出层的激活值;上标2代表输出层;n为输出层节点总数。

    当计算输出的采收率与期望采收率不一致时要进行校正,校正误差表示为:

    d2k=(tkyk)f(S2k)k=1,2,...,n (3)

    隐含层的校正误差为:

    d1j=(nk=1w2jkd2k)f(S1j)j=1,2,3,...,m (4)

    网络全局误差为[24]

    E=Qp=1Ep=Qp=1nk=112(tpkypk)2 (5)

    式中:d2k 为第k层期望采收率与实际输出采收率的误差;tk为第k输出层期望采收率;yk为第k输出层实际输出采收率;f为隐函数的导数;d1j 为第j隐含层校正误差;w2jk为隐含层j至输出层k的连接权;E为网络全局误差;Ep为第p组逆传播误差;Q为组数;tpk为第p组、第k输出层期望采收率;ypk为第p组、第k输出层实际输出采收率。

    E小于给定精度ε时,收敛到最优值。只有选取合适的权值和阈值,预测误差才能够快速达到预期,完成整个训练过程。

    为了解决神经网络收敛速度慢和局部最小值的问题,需优化神经网络的权值和阈值,获取最优是初始权值和阈值。S. Mirjalili等人[25]提出了一种基于仿生学的群智能优化算法(又称“蜻蜓算法(DA)”),其技术思路来源于自然界中蜻蜓群集的分离、对齐、内聚、寻觅和躲避等5种行为[26],蜻蜓的位置和步长迭代式为:

    ΔXt+1=(sSi+aAi+cCi+fFi+eEi)+wΔXt (6)
    Xt+1=Xt+ΔXt+1 (7)

    式中:∆Xt+1t+1代位置更新步长;acefs分别为对齐、内聚、躲避、寻觅和分离等5种行为的权重系数;t为当前迭代次数;w为惯性权重;Si为第i个体的分离度;Ai为第i个体的对齐度;Ci为第i个体的内聚度;Ei为第i个体对外排斥力;Fi为第i个体对食物的吸引力;Xt+1t+1代种群位置;Xt为当前t代种群位置。

    上述算法解决了局部最优问题,可以得到全局最优解。为了便于快速计算,笔者利用MATLAB工具编制了以上算法的计算程序。

    将625组油藏数值模拟方案的模拟结果作为学习样本的来源,提取500组数据用来建立采收率学习样本库(训练集),125组数据作为测试检验样本(测试集),样本库如表3所示。对学习组的每个影响采收率因素对应的样本参数进行归一化处理,处理后数值范围为[0,1];将归一化参数作为BP网络的参数输入,利用“蜻蜓”群智能优化算法对网络的权值和阈值进行优化;将优化得到的最优权值和阈值作为BP神经网络中权值和阈值的初始值,对BP网络进行学习训练;训练结束后,得到最佳的神经网络采收率预测模型DA-BP,然后使用测试检验样本检验DA-BP的预测准确率。

    将网络模型计算的采收率和油藏数值模拟计算的采收率进行对比可知,二者所对应的点很好地分布在直线y = x 附近(见图2),均方误差为0.48%,相关系数为0.997 4,表明训练精度达到要求。

    图  2  500组训练集的数值模拟采收率与神经网络预测值交会图
    Figure  2.  Intersection of oil recovery values from numerical simulation and neural network prediction (500 groups of data from training set)

    将125组测试数据的已知采收率值作为横坐标,将DA-BP模型预测采收率作为纵坐标,得到图3图3表明,经过机器学习和优化得到的神经网络预测的125组采收率与检验数据基本在对角线位置附近,二者吻合较好。蓬莱19-3油田不同岩样试验测定的水驱油效率为62.9%~84.6%,根据该油田的储层物性和流体性质,波及系数取值范围为65.0%~90.0%,计算得到不同小层的采收率范围为40.8%~76.1%,平均为58.5%;本方法预测的125组采收率范围为40.5%~76.4%,平均为57.3%;经验公式预测的采收率范围为38.0%~45.0%,可以看出经验公式法预测的采收率明显偏低。

    图  3  125组测试集的数值模拟采收率与神经网络预测值交会图
    Figure  3.  Intersection of oil recovery values from numerical simulation and neural network prediction (125 groups of data from test set)

    125组测试集的预测采收率与数值模拟得到的采收率误差如图4所示。采收率绝对误差(预测采收率减去测试样本采收率)−1.70%~2.00%,均值为0.08%;相对误差(绝对误差与测试样本采收率的比值)−2.91%~5.08%,均值为0.16%。

    图  4  125组测试集的BP神经网络预测结果误差分析
    Figure  4.  Error analysis of prediction by BP neural network (125 groups of data from test set)

    预测的采收率相对误差区间的频数如图5所示,误差分布直方图呈近似正态分布,相对误差集中在−1.0~1.0%,占总样本的81.6%,表明经过优化神经网络模型的预测精度较高,能够满足水驱开发油田采收率预测精度要求。

    图  5  预测采收率相对误差分布直方图
    Figure  5.  Relative error distribution histogram of predicted oil recovery

    1)引入了反映油井开发动态的生产压差,建立了基于BP网络优化算法的多层水驱开发油田采收率快速预测方法。

    2)智能优化算法实现了合适的权值和阈值的初始化,加速了收敛速度,提高了神经网络预测采收率的精度,并解决了局部最小值问题。

    3)建立的水驱油田采收率预测方法弥补了采收率预测经验公式法适用范围小,水驱曲线方法直线段选取难度大,数值模拟方法参数多、计算工作量大和历史拟合结果多解性等不足。

    4)水驱开发油田采收率预测方法具有快速预测采收率的优势,但训练模型的精度受控于训练样本的质量、数量和来源,建议进一步扩大训练样本的来源和影响因素的参数取值范围,拓宽该方法的适用范围。

  • 图  1   旋转导向系统结构示意

    Figure  1.   Mechanism of the rotary steering system

    图  2   近钻头方位伽马成像示意

    Figure  2.   Near-bit azimuthal gamma imaging

    图  3   桃xx井近钻头方位伽马成像图

    Figure  3.   Near-bit azimuthal gamma imaging result of Well Tao XX

    图  4   井漏处当量循环密度和电磁波电阻率示意

    Figure  4.   Equivalent circulating density and electromagnetic resistivity at circulation loss

  • [1] 李传武,兰凯,杜小松,等. 川南页岩气水平井钻井技术难点与对策[J]. 石油钻探技术,2020,48(3):16–21. doi: 10.11911/syztjs.2020055

    LI Chuanwu, LAN Kai, DU Xiaosong, et al. Difficulties and countermeasures in horizontal well drilling for shale gas in Southern Sichuan[J]. Petroleum Drilling Techniques, 2020, 48(3): 16–21. doi: 10.11911/syztjs.2020055

    [2] 高龙,王登治,翟小龙,等. 黄36井区油页岩段水平井快速钻井技术[J]. 石油钻采工艺,2015,37(4):20–22.

    GAO Long, WANG Dengzhi, ZHAI Xiaolong, et al. Fast drilling technology for horizontal wells in oil shale segment of Huang 36 Well Area[J]. Oil Drilling & Production Technology, 2015, 37(4): 20–22.

    [3] 秦文政,党军,臧传贞,等. 玛湖油田玛18井区“工厂化” 水平井钻井技术[J]. 石油钻探技术,2019,47(2):15–20. doi: 10.11911/syztjs.2019025

    QIN Wenzheng, DANG Jun, ZANG Chuanzhen, et al. Factorization drilling technology of the horizontal well in the Ma18 Well Block of the Mahu Oilfield[J]. Petroleum Drilling Techniques, 2019, 47(2): 15–20. doi: 10.11911/syztjs.2019025

    [4] 于洋飞,杨光,陈涛,等. 新疆玛湖区块2 000 m长水平段水平井钻井技术[J]. 断块油气田,2017,24(5):727–730.

    YU Yangfei, YANG Guang, CHEN Tao, et al. Drilling technology of 2 km-long horizontal section in Mahu Block, Xinjiang Oilfield[J]. Fault-Block Oil & Gas Field, 2017, 24(5): 727–730.

    [5] 路宗羽,赵飞,雷鸣,等. 新疆玛湖油田砂砾岩致密油水平井钻井关键技术[J]. 石油钻探技术,2019,47(2):9–14. doi: 10.11911/syztjs.2019029

    LU Zongyu, ZHAO Fei, LEI Ming, et al. Key technologies for drilling horizontal wells in glutenite tight oil reservoirs in the Mahu Oilfield of Xinjiang[J]. Petroleum Drilling Techniques, 2019, 47(2): 9–14. doi: 10.11911/syztjs.2019029

    [6] 柳伟荣,倪华峰,王学枫,等. 长庆油田陇东地区页岩油超长水平段水平井钻井技术[J]. 石油钻探技术,2020,48(1):9–14. doi: 10.11911/syztjs.2020029

    LIU Weirong, NI Huafeng, WANG Xuefeng, et al. Shale oil horizontal drilling technology with super-long horizontal laterals in the Longdong Region of the Changqing Oilfield[J]. Petroleum Drilling Techniques, 2020, 48(1): 9–14. doi: 10.11911/syztjs.2020029

    [7] 汪海阁,白仰民,高振果,等. 小井眼环空压耗的室内试验研究[J]. 石油钻采工艺,1998,20(4):9–15, 108.

    WANG Haige, BAI Yangmin, GAO Zhenguo, et al. Laboratory study on pressure in annular of slim hole[J]. Oil Drilling & Production Technology, 1998, 20(4): 9–15, 108.

    [8] 何卫滨,刘瀚宇,黄峰,等. 苏里格气田定向井井壁稳定性分析研究[J]. 石油地质与工程,2011,25(1):98–100. doi: 10.3969/j.issn.1673-8217.2011.01.028

    HE Weibin, LIU Hanyu, HUANG Feng, et al. Analysis of borehole stability of directional well in Sulige Gas Field[J]. Petroleum Geology and Engineering, 2011, 25(1): 98–100. doi: 10.3969/j.issn.1673-8217.2011.01.028

    [9] 韩来聚,牛洪波. 对长水平段水平井钻井技术的几点认识[J]. 石油钻探技术,2014,42(2):7–11.

    HAN Laiju, NIU Hongbo. Understandings on drilling technology for long horizontal section wells[J]. Petroleum Drilling Techniques, 2014, 42(2): 7–11.

    [10] 李金平. 小井眼长水平段水平井摩阻扭矩分析方法研究[J]. 中外能源,2013,18(9):58–62.

    LI Jinping. Research on analytical method of friction and torque for horizontal well with long slim-hole horizontal section[J]. Sino-Global Energy, 2013, 18(9): 58–62.

    [11] 李松林,苏义脑,董海平. 美国自动旋转导向钻井工具结构原理及特点[J]. 石油机械,2000,28(1):42–44. doi: 10.3969/j.issn.1001-4578.2000.01.014

    LI Songlin, SU Yinao, DONG Haiping. Design features and characteristics of automatic steerable rotary drilling tools[J]. China Petroleum Machinery, 2000, 28(1): 42–44. doi: 10.3969/j.issn.1001-4578.2000.01.014

    [12] 宁小军,星学平,蒲德柱. 旋转导向钻井技术在MDC-15井的应用[J]. 石油与化工设备,2011,14(5):23–26.

    NING Xiaojun, XING Xueping, PU Dezhu. Rotary steerable drilling wells in the application of MDC-15[J]. Petro & Chemical Equipment, 2011, 14(5): 23–26.

    [13] 吴奇. 地质导向与旋转导向技术应用及发展[M]. 北京: 石油工业出版社, 2012.

    WU Qi. Application and development of geosteering and rotary steering technology[M]. Beijing: Petroleum Industry Press, 2012.

    [14] 史配铭,薛让平,王学枫,等. 苏里格气田致密气藏水平井优快钻井技术[J]. 石油钻探技术,2020,48(5):27–33. doi: 10.11911/syztjs.2020083

    SHI Peiming, XUE Rangping, WANG Xuefeng, et al. Optimized fast drilling technology for horizontal wells in the tight gas reservoirs in Sulige Gas Field[J]. Petroleum Drilling Techniques, 2020, 48(5): 27–33. doi: 10.11911/syztjs.2020083

    [15] 郭瑞昌,刘匡晓,陶兴华,等. 大牛地水平井钻井提速技术[J]. 石油钻采工艺,2012,34(5):49–52. doi: 10.3969/j.issn.1000-7393.2012.05.013

    GUO Ruichang, LIU Kuangxiao, TAO Xinghua, et al. Horizontal well penetration rate increasing technology in Daniudi area[J]. Oil Drilling & Production Technology, 2012, 34(5): 49–52. doi: 10.3969/j.issn.1000-7393.2012.05.013

    [16] 董林芳,陈俊生,荆鹏,等. 新型钻井液用成膜封堵剂CMF的研制及应用[J]. 钻井液与完井液,2018,35(5):31–35. doi: 10.3969/j.issn.1001-5620.2018.05.006

    DONG Linfang, CHEN Junsheng, JING Peng, et al. Development and application of a novel filming plugging agent CMF[J]. Drilling Fluid & Completion Fluid, 2018, 35(5): 31–35. doi: 10.3969/j.issn.1001-5620.2018.05.006

  • 期刊类型引用(9)

    1. 田振环,王厚杰,王威,史经昊. 海上地热能开发现状及其对中国的启示. 海洋地质前沿. 2024(06): 1-12 . 百度学术
    2. 梁涛,阮海龙,赵义,刘协鲁. 非常规能源资源取心技术进展. 地质装备. 2024(S1): 23-30 . 百度学术
    3. Gui-Kang Liu,He-Ping Xie,Cong Li,Zhen-Xi You,Xiao-Jun Shi,Jian-Jun Hu,Ming-Zhong Gao. Magnetically controlled self-sealing pressure-preserved coring technology. Petroleum Science. 2024(05): 3464-3481 . 必应学术
    4. 万步炎,彭奋飞,金永平,彭佑多,刘德顺. 深海海底钻机钻探技术现状与发展趋势. 机械工程学报. 2024(22): 385-402 . 百度学术
    5. 刘协鲁,阮海龙,赵义,蔡家品,陈云龙,梁涛,邓都都,刘智键,刘广治,郭强. 天然气水合物岩心保压转移与测试系统研发现状分析. 钻探工程. 2023(S1): 26-31 . 百度学术
    6. 张逸群,胡萧,武晓亚,李根生,田守嶒,赵帅. 旋转射流冲蚀天然气水合物试验及数值模拟研究. 石油钻探技术. 2022(03): 24-33 . 本站查看
    7. 刘协鲁,阮海龙,赵义,蔡家品,陈云龙,梁涛,李春,刘海龙,邓都都. 海域天然气水合物保温保压取样钻具研究与应用进展. 钻探工程. 2021(07): 33-39 . 百度学术
    8. 王维希,张春生,吴颜雄,张审琴,夏晓敏. 联合深海地热开采天然气水合物技术展望. 现代化工. 2021(09): 17-21 . 百度学术
    9. 刘协鲁,陈云龙,阮海龙,蔡家品,赵义,刘海龙,李春. 保压取样技术应用现状综述. 地质装备. 2021(06): 9-13 . 百度学术

    其他类型引用(3)

图(4)
计量
  • 文章访问数:  904
  • HTML全文浏览量:  397
  • PDF下载量:  268
  • 被引次数: 12
出版历程
  • 收稿日期:  2020-12-06
  • 修回日期:  2021-07-19
  • 网络出版日期:  2021-08-17
  • 刊出日期:  2021-10-17

目录

/

返回文章
返回