A Method for Rapidly Predicting Recovery of Multi-Layer Oilfields Developed by Water-Flooding
-
摘要:
为了快速准确预测水驱开发油田的采收率，在考虑储层特征、流体性质等影响原油采收率因素的基础上，建立了基于反向传播神经网络优化算法的采收率快速预测方法。首先，以蓬莱19-3油田地质特征和流体性质为依据，建立了油藏数值模拟地质模型，选取渗透率变异系数、原油黏度、油层净毛比和生产压差等4个关键因素，每个因素选取5个水平，采用油藏数值模拟方法对625组数据进行了模拟，建立了625组采收率及其影响因素关系数据库；然后，基于BP网络及优化理论，建立了快速预测采收率的人工神经网络方法。选取500组数据作为算法训练集，125组数据进行测试，测试结果表明，125组测试数据的预测采收率相对误差范围为−2.91%～5.07%，平均相对误差为0.16%，满足工程精度要求。多层水驱开发油田采收率快速预测方法为蓬莱19-3油田及其他同类油田采收率快速预测提供了新的技术手段。
Abstract:In order to quickly and accurately predict the recovery of oilfields developed by water flooding, a method for rapidly predicting oil recovery was established based on a back propagation (BP) neural network optimization algorithm with consideration of factors influencing the recovery, such as reservoir characteristics and fluid properties. Firstly, geological models for numerical reservoir simulation were constructed according to the geological characteristics and fluid properties of Penglai 19-3 Oilfield. Four key factors including coefficient of permeability variation, oil viscosity, net to gross ratio of oil layers, and production pressure differential were selected, with each factor defined into five levels. 625 groups of reservoir simulation cases were analyzed numerically, and a database indicating the relationship between the oil recovery of the cases and the influencing factors was established. Secondly, an artificial neural network (ANN) method for rapidly predicting oil recovery was set up based on BP neural network and optimization theory. Finally, 500 groups of data were selected as the algorithm training set, and 125 groups of data were tested for recovery predicting. The test result showed that the predicted oil recovery of the tested data had a relative error ranging from −2.91% to 5.07% with an average relative error of 0.16%, which met the requirement for engineering accuracy. The method for rapidly predicting recovery of multi-layer oilfields developed by water-flooding provides a new technical approach to rapidly predict the recovery of Penglai 19-3 Oilfield and other similar oilfields.
-
随着油气勘探开发的不断深入，开采所遇到的地层情况越来越复杂，尤其在钻遇破碎、弱胶结地层或裂缝溶洞发育地层时，井漏问题十分严重。我国川东北地区、胜利油田和塔里木盆地等钻井过程中都出现了较为严重的井漏问题，据统计，井漏发生率占钻井总数的25%～30%，其中严重井漏损失占井漏总损失的70%以上[1-3]。封堵大型裂缝时，常规堵漏材料由于自身尺寸与地层中裂缝开度不匹配，承压能力低，耐温能力差，无法形成有效的封堵架桥结构，导致封堵作业效率低[4-5]。
形状记忆聚合物具有独特的形状记忆功能，已经在多个领域得到应用，并且逐步成为了高分子研究方面的新热点[6-7]。形状记忆聚合物受到外界施加的相关刺激后，可以实现从现存形状到原有设定形状的形态转换[7-10]。这种特有的转换性能使形状记忆聚合物在航天元件、医学器材、电子设备和建材原料等方面都具有十分重要的潜在价值。目前，形状记忆材料也已引入石油工程，开始应用于油气管线连接、膨胀水泥和防砂管等方面[11-12]。
考虑形状记忆聚合物能够改变外在形貌，可将其引入裂缝堵漏相关研究中[13-15]。比如，温敏型堵漏水泥浆应用温度60～140 ℃，承压7 MPa，现场应用中可有效解决固井漏失问题[16]；胜利油田研制的温控型膨胀堵漏剂SDP具备一定的高温可膨胀性及力学强度，可用于裂缝堵漏[17]。然而，在制备这些堵漏材料过程中，大多数的化学反应可控性不好，存在反应产率较低等问题。为此，笔者基于点击化学反应高效的优势，结合形状记忆聚合物温敏形变的特点，研制出一种温敏型堵漏材料。室内评价认为，该堵漏材料有别于常规堵漏材料，具有自适应裂缝开度、耐温性好、承压能力较高和易加工等特点。研究结果对研制和应用新型智能堵漏材料具有参考借鉴价值。
1. 温敏型堵漏材料的制备与结构表征
1.1 材料制备
根据环氧-巯基点击化学反应原理[18]，环氧基在叔胺类催化剂的催化作用下可与巯基进行开环反应形成空间网格结构，从而制得环氧树脂形状记忆聚合物。按环氧基与巯基化学计量比1∶1称取环氧树脂E-51、固化剂季戊四醇四-3-巯基丙酸酯（PMP）及改性剂三缩水甘油基对氨基苯酚（TGE）；将适量E-51、PMP、TGE及催化剂2-EMI倒入三口烧瓶中，抽真空搅拌0.5 h，以除去混合物中的气泡；然后，将混合物倒入模具中，采用三段式升温（80 ℃/3 h，120 ℃/1 h，150 ℃/1 h）进行固化反应；反应结束后，待其自然冷却脱模，即得到温敏型形状记忆聚合物样品（记为E-MP）。共制得E-MP10、E-MP20和E-MP30等3种温敏型形状记忆聚合物样品，具体配方见表1。
表 1 形状记忆聚合物单体配比Table 1. Composition of SMP monomer样品 质量分数，% E-51 PMP TGE 2-EMI E-MP10 55.85 37.66 6.21 0.28 E-MP20 48.17 39.40 12.04 0.39 E-MP30 40.99 41.11 17.57 0.33 对温敏型形状记忆聚合物样品E-MP10、E-MP20和E-MP30粉碎造粒，可得粒径8/10目、10/20目不等的样品颗粒。
1.2 结构表征
采用Nicolet 750傅里叶红外光谱仪，测定了环氧树脂单体和固化剂季戊四醇四-3-巯基丙酸酯固化反应前后的红外光谱，确定了官能团的反应程度，扫描范围400～4 000 cm−1。形状记忆聚合物E-MP固化反应前后的红外光谱如图1所示（图1中，虚线指官能团的波数位置，指引线所指为官能团）。
![]()
图 1 形状记忆聚合物E-MP固化反应前后的红外光谱Figure 1. Fourier transform infrared spectroscopy (FT-IR) of SMP E-MP before and after the curing process由图1可知，固化反应前，环氧基的特征吸收峰在908～930 cm−1处，巯基的特征吸收峰在2 567 cm−1处较明显，而反应后红外光谱曲线的同一位置没有出现任何吸收峰，这表明环氧基和巯基在固化反应中参与并完全反应[6-7]。酯基C＝O的伸缩振动峰和—CH的伸缩振动峰分别出现在1 742和2 931 cm−1处，这些区域没有明显的光谱差异，biaom 没有其他官能团与它们发生反应。由此可说明，环氧基与巯基发生了交联反应，并形成了形状记忆聚合物。
2. 温敏型堵漏材料性能评价
利用热重分析和热机械动力分析方法，分别评价了温敏型堵漏材料的耐温性和玻璃态转变温度，通过试验分析了其形状记忆性能，并考察了环境温度对其形状记忆性能的影响，并根据长裂缝封堵模拟试验结果评价了基于环氧树脂形状记忆聚合物温敏型堵漏材料的封堵效果。
2.1 耐温性能
由热重分析曲线可以确定形状记忆聚合物的可承受工作温度范围，由热机械动力分析结果可知形状记忆聚合物的形变温度（即玻璃态转变温度）。为此，利用TG209F1热重分析仪（TGA）进行耐温性能试验，N2流量100 mL/min，升温速率10 ℃/min，温度范围25～600 ℃。利用TAQ800动态热机械分析仪（DMA）进行热机械动力分析，升温速率3 ℃/min，温度范围20～200 ℃，样品尺寸（40±0.02） mm×（10±0.02） mm×（3±0.02） mm。
用DMA测出的形状记忆聚合物试样的玻璃态转变温度和用TGA分析样品的热解温度及耐温范围见图2和表2。
![]()
图 2 不同配比形状记忆聚合物的热性能测试结果Figure 2. Thermal properties of SMPs with different compositions表 2 不同配比形状记忆聚合物的耐温性能Table 2. Temperature resistance of SMPs with different compositions样品 热解温度/℃ 玻璃态转变
温度/℃t5 t50 E-MP10 230.5 336.5 86.2 E-MP20 255.0 366.6 101.4 E-MP30 258.2 367.4 107.5 注：t5为样品质量损失5%时的外界温度，℃；t50为样品质量损失50%时的外界温度，℃。 由图2和表2可知，形状记忆聚合物的初始分解温度为230～258 ℃，可适用于地层高温环境。随着TGE含量增大，样品的玻璃态转变温度有升高趋势，E-MP10、E-MP20和E-MP30的玻璃态转变温度分别为86.2、101.4和107.5 ℃。这是因为，聚合物网格体系的交联点逐渐变多且更为紧密，这也造成网格体系中分子链段受到的束缚更大，分子链段需要吸收更多的外界能量才能运动伸展，因此，玻璃态转变温度升高。这也为制备适应于不同地层漏失段的堵漏材料提供了依据，可以根据地层的不同温度选择合适的配比，来制备形状记忆聚合物。
2.2 形状记忆性能
温敏型形状记忆堵漏材料受到外界高温环境的刺激激活后，因形状记忆聚合物自身特性，形状恢复，体积膨胀，从而可在较大裂缝间建立架桥结构，达到封堵效果。为了解形状记忆聚合物的形状恢复效果，进而分析其形状恢复率、形状恢复速度对裂缝封堵效果的影响，进行了“U形”形状恢复试验。试验步骤：1）将制备的矩形样品放入水浴锅，待温度加热至高于玻璃态转变温度tg时将样品弯曲成U形，并保持2 min，记录最大弯曲角度θb；2）将弯曲的样品移至冷水中，保持外力恒定2 min，记录形状固定后的角度θfix；3）将弯曲成型后的样品再放入温度升至tg的水浴锅中，待样品恢复到最大程度，记录角度θfin和恢复时间t；根据试验数据计算形状记忆聚合物的形状固定率（Rf）和形状恢复率（Rr）：
Rf = θfixθb (1) Rr = θfix−θfinθfix (2) 根据试验结果，绘制了不同配比下形状记忆聚合物的形状恢复率与时间的关系曲线（见图3），归纳了不同配比下形状记忆聚合物的形状恢复性能数据（见表3）。
![]()
图 3 不同配比形状记忆聚合物的形状恢复率与时间的关系Figure 3. Relationship between shape recovery ratio and time of SMPs with different compositions表 3 不同配比形状记忆聚合物的形状恢复性能Table 3. Shape recovery performance of SMPs with differentcompositions样品 形状固定率，
%形状恢复率，
%不同温度的形状恢复时间/s tg tg+10℃ tg+20℃ E-MP10 98 100 37 22 22 E-MP20 98 100 43 30 25 E-MP30 98 100 43 41 31 由图3和表3可知，E-MP10、E-MP20和E-MP30等3种不同配比的形状记忆聚合物均能在较短时间内（t<50 s）完成形状恢复过程，且恢复程度较好（Rr=100%）。从图3还可以观察到，形状恢复率曲线呈S形三段式：第1阶段，在外界能量的刺激下，聚合物内部的软段分子链逐渐开始运动，因而初始阶段形状恢复速率缓慢，时间较长；第2阶段，外界不断给聚合物内部更多的可自由活动的分子链段提供能量，导致恢复速率明显提升，恢复率接近80%；第3阶段，聚合物内部储存的应力近乎耗尽，形状记忆聚合物以缓慢的速率恢复至初始形状[11]。
2.3 高温膨胀性能
上述基于形状记忆聚合物的温敏型堵漏材料，要求耐温度100 ℃以上的高温环境，并通过形状变形恢复达到架桥封堵效果。为此，开展了高温膨胀性能试验：1）利用钻井液封堵性能评价装置模拟地层条件（120 ℃、20 MPa），用电热恒温干燥箱模拟高温环境，评价颗粒在高温环境中的膨胀性能；2）为了在深部地层裂缝实现架桥封堵，将制备好的形状记忆聚合物粉碎成小颗粒状，以便进入裂缝内；3）采用颗粒筛分法测定颗粒的粒径分布特征，并选用d50和d90作为颗粒膨胀前后的粒径特征参数；4）由地层高温激发产生形状恢复膨胀，由压缩成型的片状或颗粒状恢复为初始的块状，从外观上达到“膨胀”效果。形状记忆聚合物的高温膨胀性试验结果如图4所示。
由图4（a）可知，形状记忆聚合物颗粒在受热激活后发生了较大程度的体积膨胀，8/10目聚合物颗粒的粒径由2.4 mm增大至3.5 mm，10/20目聚合物颗粒的粒径由1.6 mm增大至2.1 mm，粒径膨胀率分别为31.4%和23.8%。试验结果说明，形状记忆堵漏材料可以在高温环境下实现形状恢复，并完成架桥封堵。
2.4 与钻井液的配伍性
为了评价温敏型堵漏材料与钻井液的配伍性，进行了形状记忆聚合物对钻井液流变性的影响试验。首先配制由膨润土、羧甲基纤维素（CMC-LV）和自来水组成的基浆，然后将其与温敏型形状记忆聚合物配制成堵漏工作液，通过流变仪评价堵漏工作液在老化（老化条件为在温度120 ℃下滚动12 h）前后的流变性能变化，结果见表4。
表 4 形状记忆聚合物对钻井液流变性的影响Table 4. Effect of SMPs on rheology of drilling fluids试验浆 测试条件 表观黏度/
(mPa·s)塑性黏度/
( mPa·s)动切力/
Pa基浆 老化前 34.5 17.0 15.0 老化后 33.5 18.0 14.0 基浆+E-MP 老化前 35.0 16.0 16.0 老化后 34.0 17.5 14.5 注：基浆为4.0%膨润土+0.4%CMC-LV+水。 由表4可知，基浆中加入E-MP经过高温老化后，其表观黏度和动切力与基浆相比并没有明显变化，流变性较好，说明E-MP对钻井液的流变性能没有影响，其与钻井液的配伍性好。
2.5 封堵效果
采用实验室自制长裂缝封堵模拟试验装置（见图5），评价温敏型堵漏材料的封堵效果。长裂缝封堵模拟试验装置主要由楔形长裂缝（100 cm）模块、数据采集系统和增压装置组成，可通过设置不同压力、温度及剪切速率来模拟钻井液堵漏的静态、动态过程。楔形长裂缝模块由2块半圆形的钢板和相匹配的环形箍组成，材质为耐高温高压的不锈钢，2块钢板中间加工出凹槽模拟裂缝。
模拟了常规堵漏工作液和温敏型堵漏工作液在不同压力、温度下对不同开度裂缝的封堵情况，结果见表5。
表 5 裂缝封堵试验结果Table 5. Results of fracture plugging experiment堵漏
工作液裂缝开度/
mm温度/
℃封堵突破
压力/MPa漏失量/
mL封堵
效果1 3×2 25 0 全漏 无效 100 0 全漏 无效 2 3×2 25 0 全漏 无效 100 12.8 23 有效 4×3 100 11.5 36 有效 注：堵漏工作液1为常规堵漏工作液，配方为4.0%膨润土+0.4%CMC-LV+0.2%FIB+4.0%QJD（8/10目）+3.0%QJD（10/20目）+水；堵漏工作液2为含有形状记忆聚合物颗粒的温敏型堵漏工作液，配方为4.0%膨润土+0.4%CMC-LV+0.2%FIB+4.0%QJD（8/10目）+3.0%QJD（10/20目）+3.0%E-MP（8/10目）+3.0%E-MP（10/20目）+水。 由表5可知，在室温（25 ℃）和高温（100 ℃）环境下，常规堵漏工作液无法封堵较大裂缝；含有形状记忆聚合物颗粒的温敏型堵漏工作液在室温环境下的封堵效果不佳，但随着环境温度升高，聚合物颗粒逐步变形膨胀，堵漏材料开始在裂缝处形成承压堵漏层，并且针对不同开度的裂缝，温敏型堵漏工作液也具备一定的堵漏能力。分析认为，温敏型堵漏材料能够在地层高温环境中进行有效封堵，其主要原因是分子结构中拥有储存应力的固定相和受外界温度刺激后能够运动伸展的可逆相，固定相一般是通过化学反应得到的交联结构，而可逆相是随温度变化在玻璃态与橡胶态之间进行可逆性转变的相结构，具备这2种结构的聚合物即可在合适的刺激源下恢复形状，基于此所制备的堵漏材料能够在高温环境下的裂缝中形成可承压的堵漏层[17-18]。
3. 结 论
1）基于形状记忆聚合物研制了温敏型堵漏材料，可根据实际地层堵漏需求调节其粒径大小和玻璃态转变温度，形状恢复率和形状固定率均较好（≥98%），形状恢复时间短，可有效封堵地层裂缝。
2）形状记忆聚合物颗粒初始热解温度为230～258℃，玻璃态转变温度为86.2～107.5℃，耐温性能良好，可适用于高温地层环境，且随着固化剂含量增大，该聚合物的玻璃态转变温度有升高趋势。
3）温敏型堵漏材料中的形状记忆聚合物颗粒是通过粉碎形成的，粒径较小，因而可以随钻井液运移至地层裂缝内，在地层高温刺激下可恢复形状并在裂缝内架桥，从而达到封堵效果。
-
![]()
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 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)
![]()
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)
![]()
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)
![]()
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
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，% 1 L50 8.80 1 050.00 30.8 2 L54 2.50 1 058.80 23.1 3 L60 2.50 1 061.30 18.4 4 L62 13.70 1 063.80 20.7 5 L64 2.20 1 077.50 20.6 6 L72 7.80 1 079.70 16.7 7 L76 3.50 1 087.50 16.9 
下载: 导出CSV
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/
MPa1 0.1 5 0.6 0.7 2 0.2 15 0.7 1.4 3 0.5 25 0.8 2.1 4 0.7 35 0.9 2.8 5 0.8 45 1.0 3.5
下载: 导出CSV
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，% 1 2.8 0.7 5 0.7 64.93 2 3.5 0.8 5 0.9 62.95 3 3.5 0.1 25 0.7 66.85 4 1.4 0.5 25 1.0 49.81 5 1.4 0.8 5 0.6 58.69 6 2.8 0.2 5 0.9 71.54 7 0.7 0.8 35 0.6 42.98 8 2.8 0.5 15 0.9 61.67 9 2.8 0.5 25 0.8 57.07 10 2.1 0.2 15 0.8 65.91 ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ 623 3.5 0.5 45 0.6 56.43 624 1.4 0.8 5 0.8 56.58 625 2.8 0.8 35 0.6 52.52
下载: 导出CSV
-
[1] 薛永安,邓运华,王德英,等. 蓬莱19-3特大型油田成藏条件及勘探开发关键技术[J]. 石油学报,2019,40(9):1125–1146. XUE Yongan, DENG Yunhua, WANG Deying, et al. Reservoir formation conditions and key exploration & development technoloiges in PL 19-3 giant oilfield[J]. Acta Petrolei Sinica, 2019, 40(9): 1125–1146.
[2] 邓运华,李秀芬. 蓬莱19-3油田的地质特征及启示[J]. 中国石油勘探,2001,6(1):68–71. doi: 10.3969/j.issn.1672-7703.2001.01.016 DENG Yunhua, LI Xiufen. The geological characters and enlightenment of Penglai 19-3 Oilfield[J]. China Petroleum Exploration, 2001, 6(1): 68–71. doi: 10.3969/j.issn.1672-7703.2001.01.016
[3] 张章. 高含水期薄互层状油藏储层精细刻画研究[D]. 西安: 西北大学, 2019: 15-16. ZHANG Zhang. Detail characterization study on thin-interbedded reservoirs at high water cut stage[D]. Xi’an: Northwest University, 2019: 15-16.
[4] 卢异,夏国朝,吕栋梁,等. 缝洞型火成岩油藏注水提高采收率研究[J]. 特种油气藏,2020,27(1):96–101. doi: 10.3969/j.issn.1006-6535.2020.01.014 LU Yi, XIA Guochao, LYU Dongliang, et al. Enhancing oil recovery by waterflooding in fracture-cave igneous reservoir[J]. Special Oil & Gas Reservoirs, 2020, 27(1): 96–101. doi: 10.3969/j.issn.1006-6535.2020.01.014
[5] 王清辉,朱明,冯进,等. 基于渗透率合成技术的砂岩油藏产能预测方法[J]. 石油钻探技术,2021,49(6):105–112. doi: 10.11911/syztjs.2021122 WANG Qinghui, ZHU Ming, FENG Jin, et al. A method for predicting productivity of sandstone reservoirs based on permeability synthesis technology[J]. Petroleum Drilling Techniques, 2021, 49(6): 105–112. doi: 10.11911/syztjs.2021122
[6] 耿昌浩,葛丽萍,构小婷. 童氏图版在采收率预测中的应用与修正[J]. 中国石油和化工标准与质量,2013,33(16):233–235. GENG Changhao, GE Liping, GOU Xiaoting. Application and correction of Tong’s chart in oil recovery prediction[J]. China Petroleum and Chemical Standard and Quality, 2013, 33(16): 233–235.
[7] 孙强,黄世军,李权. 多层稠油油藏水驱动用程度评价方法[J]. 断块油气田,2020,27(3):323–326. SUN Qiang, HUANG Shijun, LI Quan. Evaluation method of water driving degree of multi-layer heavy oil reservoir[J]. Fault-Block Oil & Gas Field, 2020, 27(3): 323–326.
[8] 咸玉席,陈超峰,封猛,等. 页岩油藏裂缝网络多相渗流数值模拟研究[J]. 石油钻探技术,2021,49(5):94–100. doi: 10.11911/syztjs.2021090 XIAN Yuxi, CHEN Chaofeng, FENG Meng, et al. Numerical simulation of multiphase flow in fracture networks in shale oil reservoir[J]. Petroleum Drilling Techniques, 2021, 49(5): 94–100. doi: 10.11911/syztjs.2021090
[9] 杨金辉,李立,李钟洋,等. 滑脱和应力敏感效应对页岩气开发动态影响的数值模拟研究[J]. 石油钻探技术,2017,45(1):83–90. doi: 10.11911/syztjs.201701015 YANG Jinhui, LI Li, LI Zhongyang, et al. Numerical simulation on the effects of slippage and stress sensibility on the performance of shale gas development[J]. Petroleum Drilling Techniques, 2017, 45(1): 83–90. doi: 10.11911/syztjs.201701015
[10] 王朝明,孔令军,袁凯旋,等. 特高含水后期油藏水驱效果评价方法[J]. 石油钻探技术,2020,48(3):108–113. doi: 10.11911/syztjs.2020020 WANG Chaoming, KONG Lingjun, YUAN Kaixuan, et al. Evaluation method of water flooding effect in reservoirs with ultra-high water cut[J]. Petroleum Drilling Techniques, 2020, 48(3): 108–113. doi: 10.11911/syztjs.2020020
[11] 孙成龙. 水驱曲线上翘时机的判定方法[J]. 石油地质与工程,2014,28(3):69–70. SUN Chenglong. Determining method of water drive curve upturning timing[J]. Petroleum Geology and Engineering, 2014, 28(3): 69–70.
[12] 陈元千,陶自强. 高含水期水驱曲线的推导及上翘问题的分析[J]. 断块油气田,1997,4(3):19–24. CHEN Yuanqian, TAO Ziqiang. Derivation of water drive curve at high water-cut stage and its analysis of upwarding problem[J]. Fault-Block Oil & Gas Field, 1997, 4(3): 19–24.
[13] 孙红霞. 高含水期水驱特征曲线上翘新认识[J]. 特种油气藏,2016,23(1):92–95. doi: 10.3969/j.issn.1006-6535.2016.01.020 SUN Hongxia. New understanding of upward waterflooding characteristic curve in high water-cut stage[J]. Special Oil & Gas Reservoirs, 2016, 23(1): 92–95. doi: 10.3969/j.issn.1006-6535.2016.01.020
[14] 严子铭,王涛,柳占立,等. 基于机器学习的页岩气采收率预测方法[J]. 固体力学学报,2021,42(3):221–232. doi: 10.19636/j.cnki.cjsm42-1250/o3.2021.027 YAN Ziming, WANG Tao, LIU Zhanli, et al. Machine-learning-based prediction methods on shale gas recovery[J]. Chinese Journal of Solid Mechanics, 2021, 42(3): 221–232. doi: 10.19636/j.cnki.cjsm42-1250/o3.2021.027
[15] 王涛. 人工神经网络在CO2驱采收率预测中的应用[J]. 特种油气藏,2011,18(4):77–79. doi: 10.3969/j.issn.1006-6535.2011.04.021 WANG Tao. Application of artificial neural network in recovery factor forecast of carbon dioxide flooding[J]. Special Oil & Gas Reservoirs, 2011, 18(4): 77–79. doi: 10.3969/j.issn.1006-6535.2011.04.021
[16] 陈小龙,李宜强,管错,等. 基于量纲分析的优化神经网络模型预测GAGD非混相开发油藏采收率[J]. 石油科学通报,2019,4(3):288–299. CHEN Xiaolong, LI Yiqiang, GUAN Cuo, et al. An optimized neural network prediction model for gas assisted gravity drainage recovery based on dimensional analysis[J]. Petroleum Science Bulletin, 2019, 4(3): 288–299.
[17] 樊灵,赵孟孟,殷川,等. 基于BP神经网络的油田生产动态分析方法[J]. 断块油气田,2013,20(2):204–206. doi: 10.6056/dkyqt201302017 FAN Ling, ZHAO Mengmeng, YIN Chuan, et al. Analysis method of oilfield production performance based on BP neural network[J]. Fault-Block Oil & Gas Field, 2013, 20(2): 204–206. doi: 10.6056/dkyqt201302017
[18] 何顺利,田冷,顾岱鸿. 改进的神经网络模型在储层敏感性预测中的应用[J]. 石油钻探技术,2006,34(1):28–31. doi: 10.3969/j.issn.1001-0890.2006.01.008 HE Shunli, TIAN Leng, GU Daihong. Improved neural network model predicts formation sensitivity[J]. Petroleum Drilling Techniques, 2006, 34(1): 28–31. doi: 10.3969/j.issn.1001-0890.2006.01.008
[19] 邢明海,陈祥光,王渝. 基于人工神经网络组合预测油田产量[J]. 计算机仿真,2004,21(5):116–120. doi: 10.3969/j.issn.1006-9348.2004.05.034 XING Minghai, CHEN Xiangguang, WANG Yu. Oilfield output’s combined forecast based on artificial neural networks[J]. Computer Simulation, 2004, 21(5): 116–120. doi: 10.3969/j.issn.1006-9348.2004.05.034
[20] REN Ningning, FAN Le, ZHANG Zan. Sensorless PMSM control with sliding mode observer based on sigmoid function[J]. Journal of Electrical Engineering & Technology, 2021, 16(2): 933–939.
[21] ELFWING S, UCHIBE E, DOYA K. Sigmoid-weighted linear units for neural network function approximation in reinforcement learning[J]. Neural Networks, 2018, 107: 3–11. doi: 10.1016/j.neunet.2017.12.012
[22] LI Rongyu, RUAN Yongfen, LI Shisheng, et al. Study on deformation prediction of landslide based on grey theory and BP neural network[J]. Applied Mechanics and Materials, 2012, 204/205/206/207/ 208: 520–525. doi: 10.4028/www.scientific.net/AMM.204-208.520
[23] YETILMEZSOY K, TURKDOGAN F I, TEMIZEL I, et al. Development of ANN-based models to predict biogas and methane productions in anaerobic treatment of molasses wastewater[J]. International Journal of Green Energy, 2013, 10(9): 885–907. doi: 10.1080/15435075.2012.727116
[24] 张良杰,李衍达,陈惠民. 基于变尺度寻优和遗传搜索技术的模糊神经网络全局学习算法[J]. 电子学报,1996,24(11):6–115. doi: 10.3321/j.issn:0372-2112.1996.11.003 ZHANG Liangjie, LI Yanda, CHEN Huimin. A new global learning algorithm for fuzzy neural networks based on modified quasi-newton method and genetic searching techniques[J]. Acta Electronica Sinica, 1996, 24(11): 6–115. doi: 10.3321/j.issn:0372-2112.1996.11.003
[25] MIRJALILI S. Dragonfly algorithm: a new meta-heuristic optimization technique for solving single-objective, discrete, and multi-objective problems[J]. Neural Computing and Applications, 2016, 27(4): 1053–1073. doi: 10.1007/s00521-015-1920-1
[26] 吴伟民,吴汪洋,林志毅,等. 基于增强个体信息交流的蜻蜓算法[J]. 计算机工程与应用,2017,53(4):10–14. WU Weimin, WU Wangyang, LIN Zhiyi, et al. Dragonfly algo-rithm based on enhancing exchange of individuals’ information[J]. Computer Engineering and Applications, 2017, 53(4): 10–14.
-
期刊类型引用(9)
1. 闻宇晨，侯吉瑞，娄泽洋，潘以诺，屈鸣. 负电性高效聚合物降解剂研究及矿场先导试验. 特种油气藏. 2024(03): 167-174 . 
百度学术
2. 丁伟俊，张颖，余维初，丁飞，杨世楚，蒲洪兵，段文博. 无黏土水基钻井液用超支化聚合物降滤失剂的合成及性能评价. 特种油气藏. 2024(04): 169-174 . 百度学术
3. 王中义，孙金声，黄贤斌，吕开河. LCST型温度敏感聚合物的研究及其在钻井液领域的应用进展. 精细化工. 2024(10): 2103-2119 . 百度学术
4. 李程颢，周明. 一种具有响应性能的凝胶封堵材料. 聚酯工业. 2024(06): 20-22 . 百度学术
5. 田辉，步玉环，胡苗苗，沈晟达，曹成章. 温敏形变纤维胶囊堵漏剂的开发及评价. 钻井液与完井液. 2024(05): 630-639 . 百度学术
6. 欧翔，谭凯，周楚翔. 深层钻井堵漏材料的研究现状与发展思考. 材料导报. 2024(S2): 615-620 . 百度学术
7. 穆瑞东，王琦，张莹辉. 超高密度复合盐水钻井液流变性调控及应用. 辽宁化工. 2023(02): 302-305 . 百度学术
8. 刘明阳，钟汉毅，苏锐，范宇，黄维安. 纳米材料研究现状及其在钻井液领域应用展望. 当代化工. 2023(02): 390-397+406 . 百度学术
9. 陈波. 温敏材料在油气田开发中的研究进展. 化学工程师. 2023(06): 82-86 . 百度学术
其他类型引用(6)
计量
- 文章访问数: 171
- HTML全文浏览量: 120
- PDF下载量: 24
- 被引次数: 15
