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.
-
ITT区块是厄瓜多尔最大的产油区块，位于该国东部亚马逊热带雨林腹地Oriente盆地的东南部，毗邻秘鲁边界。ITT区块已探明石油地质储量约8.5×108 t，可采石油储量达到2.2×108 t，占该国已探明石油储量的41%。ITT区块由Ishpingo、Tiputini和Tambococha等3个油田组成，其中Tambococha油田位于亚苏尼国家自然保护区内，井场周围遍布河流及热带雨林，钻井环保要求苛刻，区域地质沉积属于海相环境沉积，主要地层为古近系–新近系和白垩系。白垩系是其开发的主要目的层，自下而上由Hollin组、Napo组 和 Tena组组成，地层松散破碎，微孔裂缝发育，井壁垮塌和储层保护问题突出。
Tambococha油田勘探开发前期，普遍使用无机盐聚合物钻井液或ULTRADRIL强抑制性水基钻井液，但未从根本上解决该油田井眼易失稳和储层伤害问题[1-2]。为此，笔者开展了钻井液技术分析和室内试验，利用聚合醇浊点效应和环境友好的特点，复配乳化石蜡和其他刚性粒子，研制了强封堵储层保护钻井液，并在现场应用中取得良好效果，满足了Tambococha油田水平井安全钻井及储层保护技术要求。
1. 钻井液技术难点及解决思路
1.1 钻井液技术难点
Tambococha油田水平井下部井段钻遇的Hollin组、Napo组和Tena组以页岩为主，灰岩和砂岩交替发育，并夹杂大段绿色砾石层，且微裂缝发育，地层比较复杂，钻井中经常发生井下故障。分析认为，该油田主要存在以下钻井液技术难点：
1）井眼失稳问题。Tambococha油田下部地层中的泥页岩由伊利石和伊/蒙混层组成，蒙脱石较少，内部微孔微裂缝较多，且产层砂岩孔隙度大，渗透性强，井壁上容易堆积较厚滤饼；加之水平井设计成了大尺寸井眼、长裸眼段，更加剧了地层的不稳定性。其中，水平段所钻遇地层灰岩和砂岩交替发育，地层松散破碎且微裂缝发育，微裂缝中含有极少量的膨胀性黏土矿物，在钻井液滤液侵入后，由于渗透水化作用，进一步破坏了地层原始应力的稳定性，进而引发井壁垮塌等井眼失稳问题。
2）储层损害问题。Tambococha油田储层Napo组地层胶结疏松、成岩性差，具有高孔隙度、高渗透率、孔喉普遍发育和地层压力低等特点。Napo组孔隙度为15%～23%，渗透率为600～1 000 mD。由于储层孔喉尺寸分布范围广，孔喉半径大，且通常采用过平衡钻井方式，在正压差作用下，钻井液中的固相和滤液很容易侵入地层，造成严重的储层损害问题。
3）钻井环保问题。Tambococha油田处于亚苏尼热带雨林国家自然保护区内，生态环境极其敏感，该油田勘探开发产生的环境问题得到当地社区和政府的高度关注。为保护生态环境，厄瓜多尔政府颁布的最新石油法中明确规定，钻井废弃物处理后必须达到美国EPA1311环保标准要求。因此，对钻井液环保性能提出了较高的要求。
1.2 解决思路
针对上述钻井液技术难点，在优选环保处理剂的前提下，提出了构建Tambococha油田水平井钻井液的思路：1）利用钻井液物理–化学协同封堵来强化井壁，同时辅助一定的固相封堵架桥材料及聚合物降滤失剂，实现对泥页岩微裂缝和微孔隙的封堵，并抑制黏土矿物水化膨胀分散，以防止井眼失稳；2）针对该油田储层高孔渗、低压力的特点，以屏蔽暂堵颗粒合理级配、微乳液封堵，实现孔喉暂堵，降低储层伤害[3-15]；3）优选出具有浊点效应的聚合醇处理剂和可变形粒子的乳化石蜡处理剂，进行复配试验，再辅助其他环保钻井液处理剂，形成强封堵储层保护水基钻井液配方。
2. 强封堵储层保护水基钻井液的研制
2.1 防塌封堵剂优选
利用聚合醇类处理剂的浊点效应、吸附作用和表面渗透性等实现页岩抑制、封堵、防塌的目的。为此，选取了液体聚合醇XCS-Ⅲ、聚丙二醇400、固体聚合醇PGCS-1和聚乙二醇6000作为防塌封堵剂，并通过页岩膨胀试验评价了抑制性能。页岩在几种聚合醇溶液中的线性膨胀量测试结果见表1。
表 1 页岩在不同聚合醇溶液中的线性膨胀量Table 1. Linear expansion of shale in different polyalcohol solutions序号 样品 加量, % 线性膨胀量/（mm·h–1） 20 min 1 h 2 h 4 h 8 h 1 清水 0.70 1.03 1.43 1.93 2.55 2 PGSC-1 3 0.48 0.78 1.05 1.42 1.83 3 XCS-Ⅲ 3 0.30 0.55 0.78 1.12 1.53 4 聚丙二醇400 3 0.55 0.80 1.35 1.80 2.35 5 聚乙二醇6000 3 0.50 0.85 1.17 1.63 2.16 由表1可知，几种聚合醇溶液的抑制性能由强到弱依次为XCS-Ⅲ，PGSC-1，聚乙二醇6000和聚丙二醇400。因此，选取聚合醇XCS-Ⅲ作为强封堵储层保护水基钻井液的防塌封堵剂。
另外，乳化石蜡G325具有较低的粒子软化温度，可为钻井液提供与地层温度相适应的、粒径与被封堵微裂缝尺寸相匹配的、可变形的软化粒子，从而实现对各类微裂缝的有效封堵，达到保持井眼稳定的目的。因此，选取乳化石蜡G325与聚合醇XCS-Ⅲ复配，进行正交回收率试验。结果表明，乳化石蜡G325有助于进一步提高岩屑的热滚回收率，二次回收率达到85%以上，两者协同效应显著且复配性能稳定。因此，将聚合醇XCS-Ⅲ与石蜡G325复配来配制强封堵储层保护水基钻井液。
2.2 降滤失剂优选
选取目前几种降滤失效果较好的聚合物降滤失剂和封堵型降滤失剂（磺化沥青、白沥青、低黏聚阴离子纤维素PAC-LV、天然高分子降滤失剂和羟丙基淀粉等）进行了常温中压滤失试验。结果表明，这几种降滤失剂均能使4%膨润土浆的滤失量降低，其中PAC-LV的降滤失效果最好。因此，以PAC-LV为配制强封堵储层保护水基钻井液的主降滤失剂，并以白沥青为辅降滤失剂。
2.3 润滑剂优选
水平井水平段钻进过程中，钻井液的润滑减阻性能非常重要。为此，分别选取DFL-1、GHR-1、MudLube和JN302等4种油基润滑剂进行了润滑性能评价试验。试验步骤及结果：1）利用极压润滑仪，测试4%膨润土浆加入上述4种润滑剂前后的润滑系数，分析测试结果发现，润滑效果由好到差依次为MudLube，DFL-1，GHR-1和JN302；2）借助DA-II动态模拟润滑仪，测试了上述4种润滑剂在不同侧向力条件下的摩擦系数，观察了MudLube在不同侧向力下的润滑性能，发现随着MudLube加量增大，不同侧向力下的摩擦系数和扭矩逐渐降低，体系表现出良好的润滑效果，当MudLube的加量超过2%时，摩擦系数和扭矩均趋于稳定。因此，选择MudLube作为强封堵储层保护水基钻井液的主要润滑剂。
2.4 强封堵储层保护水基钻井液配方及基本性能
通过以上试验，确定了XCS-Ⅲ+G325的防塌封堵钻井液主体配方，结合筛选的润滑剂、降滤失剂，再辅以其他环保处理剂，确定强封堵储层保护水基钻井液（以下记为AKUA钻井液）的基本配方为：0.5%～1.5% XCS-Ⅲ + 1.0%～3.0% G325 + 0.2%～0.3% XC + 0.1%～0.3% PAV-HV + 0.5%～1.5% PAC-LV + 1.0%～3.0% 白沥青+ 1.0%～3.0% MudLube。用石灰石加重，使钻井液密度在1.05～1.25 kg/L，用碱度调节剂调节其pH值至8～9。AKUA钻井液基本配方的基本性能如表2所示。
表 2 AKUA钻井液的基本性能Table 2. Basic properties of AKUA drilling fluid测定条件 漏斗黏度/s API滤失量/mL 塑性黏度/（mPa·s） 动切力/Pa 静切力/Pa 初切 终切 常温 45～70 5～7 15～25 10～25 2～4 4～10 100 ℃/16 h 35～55 3～5 10～20 7～18 1～3 2～8 注：钻井液密度为1.05～1.25 kg/L。 3. 钻井液性能评价
根据厄瓜多尔Tambococha油田水平井钻遇的下部地层地质特点，通过室内试验评价AKUA钻井液的抑制性能、封堵性能、储层保护及环保性能，以确定该钻井液的性能是否满足要求。
3.1 抑制性能
利用OFI膨胀量测试仪，在室温下测试了页岩在几种钻井液滤液中的线性膨胀量，结果见图1。由图1可知，页岩在AKUA钻井液中的线性膨胀量最小，与其在清水中的线性膨胀量相比，降低了64.8%，表明该钻井液具有良好的抑制页岩膨胀的性能。
3.2 封堵性能
Tambococha油田主力油层Napo组的U层和T层属于高孔高渗低压储层，渗透率600～1 000 mD，孔隙度18%～20%，利用理想充填原理计算出其平均孔隙直径为42 μm。用碳酸钙屏蔽暂堵储层，由理想充填模型计算得知，在渗透率为800 mD、孔隙度为20%时，最大孔喉直径为41 μm ，即碳酸钙粒径分布为D90=41.3 μm、D50=12.5 μm、D10=0.5 μm，就能实现孔隙封堵。100目石灰石和325目石灰石按3∶1复配，计算出其加量为10%时的粒径分布曲线与理想充填曲线拟合地较好，能实现有效封堵（如图2所示）。
3.3 储层岩心伤害评价
选取Tambococha油田主力储层Napo组U层的3块岩心，利用岩心动态伤害系统进行了伤害评价试验。试验步骤：1）测试岩心渗透率；2）对岩心进行污染，以形成暂堵带，以6 mL/min的流量，将AKUA基浆驱入岩心，当岩心进口压力达到3.5 MPa时，保持此压力，直至出口端基本没有液体流出，此时污染完成；3）用煤油对岩心进行反向驱替，待煤油开始突破暂堵带时，记录下此时的压力（突破压力）及反排压力，并记录反向流动试验时间。试验结果见表3。
表 3 岩心反排试验结果Table 3. Test results of core flowback岩心编号 原始渗透率/mD 反向渗透率/mD 突破压力/MPa 反排压力/MPa 岩心伤害率，% 反排时间/min 1# 735.58 643.72 0.15 0.17 12.49 30 2# 793.33 720.23 0.14 0.15 9.21 30 3# 814.86 741.02 0.11 0.12 9.06 30 由表3可知，在模拟地层条件下，AKUA钻井液对岩心的伤害率平均只有10.25%，表明AKUA钻井液具有良好的降低油层损害的性能。
3.4 环保性能
目前，国内外普遍使用水质五日生化需氧量与水质化学需氧量之比（BOD5/COD），来考察有机物的生物可降解性。评价试验参照标准“水质：化学需氧量的测定：重铬酸盐法”（HJ 828—2017）和“水质：五日生化需氧量（BOD5）的测定：稀释与接种法”（ HJ 505—2009）进行。参考石油天然气行业标准“水溶性油田化学剂环境保护技术评价方法”（SY/T 6788—2010）和“水溶性油田化学剂环境保护技术要求”（SY/T 6787—2010），用BOD5/COD评价生物可降解性，标准为：Y=BOD5/COD，Y≥0.05，易；0.01≤Y<0.05，较难；Y<0.01，难。使用哈希COD max plus sc型分析仪和哈希BOD Trak II型分析仪测定AKUA钻井液的COD和BOD5，AKUA钻井液的BOD5/COD为0.440，表明其易生物降解。
采用发光细菌法，通过显微毒性试验评价钻井液的环保性能。该方法是加拿大测试海上钻井液生物毒性的标准方法之一。采用石油天然气行业标准“水溶性油田化学剂环境保护技术评价方法”（SY/T 6788—2010）中的EC50评价钻井液的生物毒性：EC50<1，剧毒；1<EC50<1 000，中毒；1 001<EC50<20 000，微毒；EC50>20 000，无毒。AKUA钻井液的EC50为51 200，表明其无毒。
4. 现场应用
研制的强封堵储层保护水基钻井液（AKUA钻井液）在厄瓜多尔Tambococha油田15口水平井进行了应用，均取得成功，钻井过程中井壁稳定、起下钻顺畅、套管均一次下到底，且钻屑环保指标能够达到美国EPA1311环保标准，可直接回注到地层。应用该钻井液，有效解决了Tambococha油田水平井钻速慢、易发生井下故障的问题，并多次打破该油田水平井钻井纪录，有效推进了Tambococha油田钻井提速提效。
分析表明，AKUA钻井液主要应用效果为：
1）井壁防塌效果明显。优选了适合地层孔隙尺寸的粒径级配封堵剂，然后与聚合醇进行复配，实现了井壁微裂缝封堵和抑制页岩膨胀分散，降低了井壁压力传递，使井径规则、井眼稳定、起下钻顺畅，下套管一次到底。进入水平段的砂岩地层后，AKUA钻井液密度控制在1.05～1.06 kg/L，起到了良好的井壁稳定能力。
2）润滑减阻性能优良。AKUA钻井液选用的主要处理剂聚合醇和乳化石蜡均具有良好的润滑作用，再配合高效润滑剂MudLube，使该钻井液的润滑性能更好，有效降低了摩阻。滑动钻进井段均未出现托压，起下钻畅通无阻。
3）储层保护效果显著。Tambococha油田水平井采用裸眼完井方式，用完井盐水顶替钻井液后下筛管直接投产，未采取任何储层改造措施。投产数据显示，应用AKUA钻井液的水平井均属于高产井，平均单井日产原油超过300 t，较邻井产量提高近90%，充分说明AKUA钻井液具有优良的储层保护特性，很大程度上降低了井筒中流体和固相颗粒对储层的污染损害。
4）环保检测达标。Tambococha油田产生的钻井废液及钻屑必须在指定的地点进行填埋，或直接回注到地层。考虑其外运成本高、周期长和环保风险大等因素，现场一般采用钻屑回注工艺，将钻井废液及钻屑直接回注到Napo组T层（垂深1 645.60～1 705.70 m）的砂岩地层。回注之前，当地环保部门聘请第三方检测机构对现场钻井废液和钻屑进行了取样检测。检测结果表明，应用AKUA 钻井液井产生的钻井废液和钻屑符合厄瓜多尔当地石油法规定的钻井废弃物排放环保标准，可直接回注到地层。现场钻井废液、钻屑的检验结果分别见表4、表5。
表 4 现场钻井废液检验结果Table 4. Test results of well site waste drilling fluids参数 pH值 电导率/（μS·cm–1） 固体悬浮物含量/（mg·L–1） 化学需氧量/（mg·L–1） 总烃/（mg·L–1） 重金属含量/（mg·L–1） 钡 铅 钒 总铬 排放标准 5.0~9.0 <2 500 <1 700 <120 <20 <5.0 <0.5 <1.0 <0.5 检测结果 8.4 295 527.58 13.88 0.06 0.3 0.15 0.4 0.1 表 5 现场钻屑检验结果Table 5. Test results of well site drilling cuttings参数 pH值 电导率/（μS·cm–1） 总烃/（mg·L–1） 重金属含量/（mg·L–1） 钡 铅 钒 总铬 排放标准 6.0~9.0 <4 000 <1.0 <0.05 <1.0 <0.2 <5.0 检测结果 7.4 2 350 0.8 <0.000 5 0.001 7 0.009 2 0.4 5. 结论与建议
1）针对厄瓜多尔Tambococha油田下部地层水平井井眼失稳、储层损害及钻井存在的环保问题，利用乳化液滴、浊点效应、微米颗粒及刚性粒子等的协同封堵作用，以阻止液相和固相侵入地层，研制了一种强封堵储层保护钻井液（AKUA钻井液）。
2）AKUA钻井液性能稳定、环保性能突出，且现场维护简便，不仅可满足地质、钻井需求，还能满足热带雨林环境敏感区域的钻井环保要求，可实现经济和环保的双重效益。
3）AKUA钻井液在现场应用中取得了很好的效果，主要表现为井眼稳定、起下钻顺畅。应用后平均单井日产原油超过300 t，较邻井提高产量近90%，为Tambococha油田钻井提速和规模上产提供了有力的技术支撑。
4）建议继续研发新型钻井液处理剂，优化AKUA钻井液配方，提高该钻井液的综合性能，然后在厄瓜多尔ITT区块水平井长水平段全面推广应用。
-
![]()
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(6)
1. 马天寿，张东洋，陈颖杰，杨赟，韩雄. 基于神经网络模型的水平井破裂压力预测方法. 中南大学学报(自然科学版). 2024(01): 330-345 . 
百度学术
2. 潘少伟，范文静，王树楷，秦国伟. 改进Transformer在产油量预测中的应用研究. 福建电脑. 2024(02): 27-30 . 百度学术
3. 闫春明，陈孔全，李洪燕，芦升彦，王砚锋，庞一桢. 机器学习在油气田开发中的应用、挑战及发展趋势. 应用化工. 2024(08): 2003-2009 . 百度学术
4. 张雷，暨梦琪，张小玫，张紫檀，罗杨，王鹏. 知识与数据协同驱动的分层注采优化决策方法进展与展望. 当代化工研究. 2024(19): 21-23 . 百度学术
5. 李荣光，金龙，孙伶，赵俊淇，陈斯迅，郑力会. 时间序列统计法预测中国石油石化领域大数据算法发展趋势. 石油钻采工艺. 2024(05): 525-548 . 百度学术
6. 金龙，李慧娟，苏丹丹，王宝山，董文才，孙金声，郑力会. 石油工程大数据算法按应用领域分类提高研究与应用效率. 石油钻采工艺. 2024(04): 395-412 . 百度学术
其他类型引用(3)
计量
- 文章访问数: 171
- HTML全文浏览量: 120
- PDF下载量: 24
- 被引次数: 9
