An Intelligent Lost Circulation Recognition Method Using LSTM-Autoencoder and Ensemble Learning
-
摘要:
为了解决传统的井漏智能识别模型因井漏样本数量受限导致其识别准确率低的问题，提出了一种长短期记忆（long short-term memory，LSTM）网络与自编码器（auto-encoder，AE）相结合、集成LSTM-AE的井漏智能识别方法。首先，采用正常样本训练多个包含不同隐藏层神经元数目的LSTM-AE模型，利用重构得分筛选出识别效果较好的几个模型作为基识别器；然后，采用集成学习对多个基识别器的识别结果进行加权融合，解决单一模型因对样本局部特征过度学习导致的误报与漏报问题，提高模型的识别准确率。从某油田18口井的钻井数据中选取了6 000组正常钻进状态下的立压、出口流量、池体积数据，对集成LSTM-AE模型进行训练和测试，结果表明，提出方法的识别准确率达到了94.7%，优于其他常用的智能模型的识别结果，为井漏识别提供了一种新的技术途径。
Abstract:To enhance the low recognition accuracy of traditional intelligent lost circulation models, which suffer from limited samples, this study combined the long short-term memory (LSTM) network and auto-encoder (AE) to create an integrated LSTM-AE-based intelligent lost circulation recognition model. Initially, multiple LSTM-AE models with varying numbers of hidden neurons were trained using normal samples. Several models with better recognition performance were selected as base recognizers based on their reconstruction scores. Subsequently, the recognition results from these base recognizers were fused using ensemble learning. This approach addresses the tendency of a single model to produce false alarms and missed alarms due to overlearning of local sample characteristics, thereby improving the recognition accuracy of the model. The integrated LSTM-AE model was trained and tested using 6000 sets of stand pipe pressure, outlet flow, and mud pit volume data from 18 wells under normal drilling conditions in an oilfield. The results show that the proposed method achieves a recognition accuracy of 94.7%, surpassing the recognition results of other commonly used intelligent models. This approach offers a novel method for lost circulation recognition.
-
新疆风城油田超稠油油藏埋深只有180～250 m，储层岩性以中—细砂岩为主，属辫状河沉积，胶结程度低，油层平均孔隙度30.6%，平均渗透率1 627 mD，含油饱和度71%。平均油层厚度35.7 m，油藏原始地层温度17～25 ℃，原始地层压力系数0.987，地层温度下原油黏度100～600 Pa·s，黏温反应敏感，温度每升高10℃原油黏度降低50%～70%，采用蒸汽吞吐和蒸汽驱取得了很好的开采效果。
但是，由于受构造、储层非均质性、油藏埋藏浅以及蒸汽与稠油流度比差异大、地层出砂等因素的影响，注入高温蒸汽易沿高渗透带或大孔道发生窜流；使热采效率严重下降，甚至出现蒸汽沿油层上部盖层薄弱、存在浅部破损带的地区窜漏出地表，发生地表汽窜[1]。蒸汽地下窜流和地表汽窜不仅严重影响产能水平，也会造成地面污染等问题。风城油田作业区自2008年以来，先后出现30多处地表窜漏点，导致地表窜漏点附近的井组不能正常生产，严重影响对应区块的产能水平。因此，新疆风城油田迫切需要解决蒸汽地下窜流和地表汽窜问题，而最有效的方法是使用高温封堵剂封堵汽窜通道。但稠油热采注入蒸汽温度可达280～300 ℃，对高温封堵剂的耐温性能要求很高。目前，高温封堵剂的种类主要有高温冻胶堵剂、高温泡沫堵剂、树脂类高温堵剂、有机无机复合颗粒堵剂等[2-12]，这些高温封堵剂存在耐温能力有限、封堵强度不高的问题。因此，研究开发耐温性能和封堵能力强的新型稠油热采高温封堵剂，对于新疆风城油田稠油热采具有现实意义。
为解决上述问题，笔者采用有机胺作催化剂合成了油溶性酚醛树脂OSR，并通过有机硅偶联剂和环氧树脂改性，研制了新型酚醛环氧树脂类的高温封堵剂HTD。室内性能评价和现场试验都表明，HTD具有很好的抗温和封堵性能，在风城油田高孔高渗浅层超稠油热采中使用，可取得良好的经济效益。
1. 高温封堵剂HTD的研制
1.1 研制思路
调研发现，酚醛树脂类物质抗温能力较为理想[13]，如果通过环氧树脂及有机硅偶联剂改性可进一步提高其抗温性能[14-16]。合成酚醛树脂时，一般采用无机酸和无机碱作为催化剂，采用强碱性的氢氧化钠作为催化剂。合成酚醛树脂反应速度较快，合成的酚醛树脂固结温度较低。而多乙烯多胺是一种有机弱碱，还可作为环氧树脂固化剂。因此，研制高温封堵剂的思路是：以弱碱性的有机胺和纯碱为催化剂合成油溶性酚醛树脂，并与环氧树脂、有机硅偶联剂、稀释剂等复配，配制出新型酚醛环氧树脂类高温封堵剂。
1.2 试剂与仪器
试剂：苯酚，化学纯；甲醛，化学纯；碳酸钠，分析纯；四乙烯五胺，化学纯；有机硅偶联剂，工业品；稀释剂，工业品；E44环氧树脂，工业品。
仪器：DZF-6050台式真空干燥箱；DV-Ⅱ+PRO黏度计；高温高压岩心流动试验装置；高温老化罐，400 mL；万能压力试验机。
1.3 研制过程
1）合成油溶性酚醛树脂。将苯酚和醛按质量比1.0∶2.5～3.0加热溶解混匀，加入1.5%有机胺及0.5%碳酸钠作为催化剂，置于有机合成装置中，将温度升至84 ℃，在不断搅拌条件下反应6 h，然后抽真空脱去低沸点物质，至无馏出液为止，所得产物为棕色透明的黏稠液体，即为油溶性酚醛树脂（代号OSR）。
2）配制高温封堵剂。取油溶性酚醛树脂OSR与E44环氧树脂，按质量比7∶3混合均匀，再加入混合了3%树脂的有机硅偶联剂、10%～15%树脂的稀释剂调节黏度，并充分搅匀，得到酚醛环氧树脂类高温封堵剂（代号HTD）。
1.4 基本性能测试
用DV-Ⅱ+PRO黏度计测HTD的黏度，结果为40～60 mPa·s。将HTD挤入模拟地层（用恒温干燥箱模拟油藏高温环境），在80～300 ℃温度下经过6～12 h后，树脂能成胶固化，形成较高强度的固结体，说明HTD能达到很好的高温封堵效果。
2. 高温封堵剂HTD的性能评价
2.1
为进一步了解高温封堵剂HTD的高温固化性能、耐温性能及高温封堵性能，在实验室内按如下基本步骤开展了评价试验：1）筛选一定粒径（20～40目）的石英砂，加入一定量的HTD，将其与石英砂搅拌均匀；2）将上述混合物充填于直径30 mm、高40 mm的玻璃管里并进行压实，置于高温老化罐中，添加水浸没样品，密闭容器，在恒温干燥箱中恒温养护一定时间；3）取出观察分析成胶固化情况，并切割打磨成规则的圆柱体，用万能压力试验机测其抗压强度等，然后使用高温高压岩心流动试验装置评价HTD的封堵性能。
2.1.1 石英砂用量的影响
在实验室内，将20～40目石英砂与高温封堵剂HTD充分混匀，使其在180 ℃下恒温6 h后形成固结体。然后分析了不同石英砂含量对HTD固化性能的影响，结果如图1所示。
![]()
图 1 石英砂含量对高温封堵剂HTD固化性能的影响Figure 1. Effect of quartz sand content on the curing performance of HTD由图1可知，石英砂含量对石英砂与HTD所形成固结体的抗压强度有一定影响，石英砂用量由低到高，固结体抗压强度逐步升高。石英砂含量为70%时，固结体的抗压强度最高，可达12.6 MPa；此后抗压强度开始下降，石英砂含量达到80%后固结体的抗压强度开始迅速下降。这是因为，石英砂含量较小时，HTD高温固结后骨架支撑作用小，抗压强度较低，随着石英砂含量增大，骨架的支撑作用增强，固结体抗压强度逐步升高，但石英砂含量较大时，HTD不足以把石英砂全部包裹固结好，因此固结体的抗压强度会降低。
2.1.2 温度的影响
通过试验分析了不同温度下高温封堵剂HTD的固化性能（试验条件：石英砂用量为70%，固化时间为8 h），结果如图2所示。
![]()
图 2 温度对高温封堵剂HTD固化性能的影响Figure 2. Effect of temperature on the curing performance of HTD由图2可知，温度对石英砂与HTD所形成固结体的抗压强度影响较大。温度为80 ℃时，固结体的抗压强度很低，但随着温度升高，固结体抗压强度不断提高，温度达到160 ℃时固结体抗压强度已达11.6 MPa，不过，此后温度再升高，固结体抗压强度的提高幅度变小。试验发现，温度高于180 ℃后，固结体出现了体积膨胀现象，与玻璃管胶结致密、牢固，这说明HTD可与砂岩地层很好地胶结，并具有很高的固结强度（高于12.8 MPa）。因此，HTD适合作为稠油热采的封堵剂。
2.2 耐温性能
稠油热采时注入蒸汽的温度可达260 ℃以上，因此，封堵剂在高温下需要保持长久的稳定性。为此，在260，280和300 ℃温度下进行了高温封堵剂HTD与石英砂的固结体在长时间下的热稳定性能试验（试验条件：石英砂用量为70%；恒温时间为60，120和180 d），结果如图3所示。
![]()
图 3 高温封堵剂HTD耐温性能评价结果Figure 3. Evaluation results of the temperature resistance performance of HTD由图3可知，在260～300 ℃温度下，HTD与石英砂所形成固结体恒温养护较长时间后，仍具有很高的抗压强度。随着温度升高，抗压强度有一定的下降，但下降幅度很小。如在300 ℃下恒温放置180 d后，抗压强度仍然高于12 MPa。这说明HTD具有良好的耐温性能，抗温能力可达300 ℃以上。
2.3 高温封堵性能
利用高温高压岩心流动试验装置，通过岩心流动试验分析了高温封堵剂HTD对不同渗透率的填砂管岩心的封堵效果。考虑有稠油热采蒸汽窜流通道，地层渗透率有较大幅度升高，因此采用填砂管制作了高渗透率岩心，先将其抽真空，测水相渗透率Kw1，再挤入高温封堵剂HTD，挤入HTD的体积为砂管岩心的1倍孔隙体积；然后关紧岩心两端的进出口，在指定温度下恒温8 h，再测岩心的水相渗透率Kw2，记录承压强度，计算水相封堵率及突破压力梯度，结果见表1。
表 1 高温封堵剂HTD的高温封堵性能试验结果Table 1. Experimental result of high temperature plugging performance of HTD序号 Kw1/
mD温度/
℃Kw2/
mD封堵率，
%突破压力梯度/
（MPa·m–1）1 11540 220 51.03 99.56 38.7 2 17320 240 66.12 99.62 39.3 3 15360 260 52.15 99.66 40.3 4 14760 300 41.06 99.72 40.7 注：砂管岩心长度为30 cm，突破压力梯度为突破压力除以岩心长度。 由表1可知，高温封堵剂HTD对高渗透率岩心的封堵效果很好。将HTD挤入岩心后，在220～300 ℃温度条件下恒温8 h后，高渗透率岩心的封堵率高于99.5%，突破压力梯度大于35 MPa/m。新疆风城油田蒸汽注入压力大多低于15.0 MPa，因此HTD可满足稠油热采封堵和抑制蒸汽窜流的要求。
3. 现场试验
风城油田F-109井区于2010年投产，采用稠油蒸汽吞吐开采方式，在经过4轮吞吐后，蒸汽沿着上覆地层裂缝通道突破至近地表，在覆盖层薄弱区形成地面窜漏。受地面蒸汽窜漏影响，区内14口井不能正常注汽生产，产油量下降。该井区之前采用膨润土–水泥及聚合物冻胶进行了封堵试验，发现封堵承压能力低，有效期短。为此，2018年9月，在风城油田F-109井区地表窜漏区域进行了高温封堵剂HTD的现场试验。试验前，经过电位法通道监测研究，确定窜漏通道上3口关联井是F-109井、F-145井和F-110井（见图4，图例中ρ为电阻率，Ω·m），需对油井窜漏通道进行高温封堵。
![]()
图 4 F-109井区窜漏通道监测结果Figure 4. Monitoring results of the leaking channel in the F-109 well block现场试验前，3口关联井（F-109井、F-145井和F-110井）处于关井状态，井口油套压均为0。进行现场试验时，前置液采用无机和有机复合堵剂，交替注入800～1 100 m3该堵剂，后置封口采用高温封堵剂HTD，用量15～20 m3，施工时泵注压力由0逐步升高，并稳定在4.5～5.0 MPa（见图5）。
![]()
图 5 F-109井区3口试验井封堵泵注压力曲线Figure 5. Curves of plugging and pumping injection pressure for three test wells in the F-109 well block措施后，F-109井区地面不再发生蒸汽窜漏，受地面窜漏影响的14口井恢复了正常注汽吞吐生产，平均单井日注汽量100 m3，注汽压力3.5～5.5 MPa，产油量得到提高。截至2020年底，该区域产油能力提高至62.12 t/d，平均日增油22.7 t，说明高温封堵剂HTD有效封堵了蒸汽地面窜漏和地下窜流通道，增大了蒸汽波及体积，提高了油井产能，施工有效期长达2年以上，取得了良好的经济效益。
4. 结 论
1）针对新疆风城油田稠油热采中蒸汽地下窜流和地表汽窜的问题，以有机胺为催化剂合成了油溶性酚醛树脂OSR，并与环氧树脂、有机硅偶联剂、稀释剂等复配，研制了新型酚醛环氧树脂类高温封堵剂HTD。
2）在石英砂用量为70%时，高温封堵剂HTD与石英砂固结体的固结强度最高；胶结温度在180 ℃以上时固结体的抗压强度高于12.8 MPa，与砂岩地层胶结良好，说明适宜胶结温度在180 ℃以上。
3）高温封堵剂HTD与石英砂的固结体，在260～300 ℃温度下经过长时间养护后仍具有很高的抗压强度（高于12 MPa），说明HTD的抗温能力可达300 ℃以上。
4）在220～300 ℃温度下，高温封堵剂HTD对高渗透率填砂管岩心的封堵率大于99.5%，突破压力梯度大于35 MPa/m，可满足风城油田稠油热采抑制蒸汽窜流的要求。
5）现场试验结果表明，高温封堵剂HTD可有效封堵蒸汽地表窜漏和地下窜流通道，增大蒸汽波及体积，提高产油水平，施工有效期长达2年以上，取得了良好的经济效益。
-
![]()
图 4 不同数量基识别器集成效果的对比
Figure 4. Comparison of integrated effects for different numbers of base recognizers
![]()
图 5 某井井漏前后参数的变化情况
Figure 5. Parameter variations before and after lost circulation in a well
![]()
图 6 各基识别器与集成LSTM-AE识别结果的对比
Figure 6. Comparison of recognition results of integrated LSTM-AE and base recognizers
表 1 不同神经元数量LSTM-AE模型重构结果的对比
Table 1 Comparison of reconstruction performance of LSTM-AE with different numbers of neurons
序号 LSTM层神经元数 误差阈值 重构得分 1 12 0.019 3.95 2 11 0.045 3.05 3 4 0.060 2.74 4 3 0.071 2.57 5 6 0.074 2.51 6 15 0.076 2.49 
下载: 导出CSV
表 2 不同模型井漏识别结果的对比
Table 2 Comparison of lost circulation recognition results of different models
方法 误报率，% 查全率，% 查准率，% 准确率，% 集成LSTM-AE 2.6 97.1 92.3 94.7 LSTM 3.9 95.8 90.3 93.4 SVM 1.0 98.7 79.0 89.0 随机森林 1.4 98.8 85.1 92.0 决策树 7.8 91.0 82.6 87.4
下载: 导出CSV
-
[1] 陈钢花,何宇龙,邱正松,等. 钻井过程中井漏特征精细识别方法研究与应用[J]. 石油钻探技术,2024,52(1):26–31. CHEN Ganghua, HE Yulong, QIU Zhengsong, et al. Research and application for the fine identification method of lost circulation characteristics during drilling[J]. Petroleum Drilling Techniques, 2024, 52(1): 26–31.
[2] 李中. 中国海油油气井工程数字化和智能化新进展与展望[J]. 石油钻探技术,2022,50(2):1–8. LI Zhong. Progress and prospects of digitization and intelligentization of CNOOC’s oil and gas well engineering[J]. Petroleum Drilling Techniques, 2022, 50(2): 1–8.
[3] 徐哲,李建,王兵,等. 基于贝叶斯网络的钻井井漏问题研究[J]. 石油天然气学报,2013,35(12):125–129. XU Zhe, LI Jian, WANG Bing, et al. Research on well leakage in drilling based on Bayesian network[J]. Journal of Oil and Gas Technology, 2013, 35(12): 125–129.
[4] 刘彪,李窚晓,李双贵,等. 基于支持向量回归的井漏预测[J]. 钻采工艺,2019,42(6):17–20. doi: 10.3969/J.ISSN.1006-768X.2019.06.05 LIU Biao, LI Chengxiao, LI Shuanggui, et al. Lost circulation prediction based on support vector regression[J]. Drilling & Production Technology, 2019, 42(6): 17–20. doi: 10.3969/J.ISSN.1006-768X.2019.06.05
[5] 史肖燕,周英操,赵莉萍,等. 基于随机森林的溢漏实时判断方法研究[J]. 钻采工艺,2020,43(1):9–12. SHI Xiaoyan, ZHOU Yingcao, ZHAO Liping, et al. Study on how to determine kicks and losses in real time on basis of random forest method[J]. Drilling & Production Technology, 2020, 43(1): 9–12.
[6] 杨传书,李昌盛,孙旭东,等. 人工智能钻井技术研究方法及其实践[J]. 石油钻探技术,2021,49(5):7–13. YANG Chuanshu, LI Changsheng, SUN Xudong, et al. Research method and practice of artificial intelligence drilling technology[J]. Petroleum Drilling Techniques, 2021, 49(5): 7–13.
[7] 葛亮,滕怡,肖国清,等. 基于井下环空参数的溢流智能预警技术研究[J]. 西南石油大学学报(自然科学版),2023,45(2):126–134. GE Liang, TENG Yi, XIAO Guoqing, et al. Research on overflow intelligent warning technology based on downhole annulus parameters[J]. Journal of Southwest Petroleum University(Science & Technology Edition), 2023, 45(2): 126–134.
[8] 孙伟峰,卜赛赛,张德志,等. 基于DCC-LSTM的钻井液微量漏失智能监测方法[J]. 天然气工业,2023,43(9):141–148. SUN Weifeng, BU Saisai, ZHANG Dezhi, et al. DCC-LSTM based intelligent minor lost circulation monitoring method[J]. Natural Gas Industry, 2023, 43(9): 141–148.
[9] 张矿生,宫臣兴,陆红军,等. 基于集成学习的井漏智能预警模型及智能推理方法[J]. 石油钻采工艺,2023,45(1):47–54. ZHANG Kuangsheng, GONG Chenxing, LU Hongjun, et al. Intelligent early warning model and intelligent reasoning method based on integrated learning for loss circulation[J]. Oil Drilling & Production Technology, 2023, 45(1): 47–54.
[10] 王钰豪,郝家胜,张帆,等. 钻井溢流风险的自适应LSTM预警方法[J]. 控制理论与应用,2022,39(3):441–448. WANG Yuhao, HAO Jiasheng, ZHANG Fan, et al. Adaptive LSTM early warning method for kick detection in drilling[J]. Control Theory & Applications, 2022, 39(3): 441–448.
[11] 谭天一,张辉,马丹妮,等. 考虑数据不平衡影响的钻井复杂智能诊断方法[J]. 石油钻采工艺,2021,43(4):449–454. TAN Tianyi, ZHANG Hui, MA Danni, et al. An intelligent drilling accident diagnosis method considering the influence of data imbalance[J]. Oil Drilling & Production Technology, 2021, 43(4): 449–454.
[12] 杨岳毅,王立德,陈煌,等. 基于变分自编码器的MVB网络异常检测方法[J]. 铁道学报,2022,44(1):71–78. YANG Yueyi, WANG Lide, CHEN Huang, et al. Anomaly detection method for MVB network based on variational autoencoder[J]. Journal of the China Railway Society, 2022, 44(1): 71–78.
[13] 王晓玉,刘桂芳,韩宝坤,等. 堆叠自编码器在样本不充足下的轴承故障诊断方法[J]. 噪声与振动控制,2021,41(2):100–104. WANG Xiaoyu, LIU Guifang, HAN Baokun, et al. Stacked autoencoders for bearing fault diagnosis under the condition of insufficient samples[J]. Noise and Vibration Control, 2021, 41(2): 100–104.
[14] 秦婉亭,老松杨,汤俊,等. 基于变分自编码器的飓风轨迹异常检测方法[J]. 系统仿真学报,2021,33(9):2191–2201. QIN Wanting, LAO Songyang, TANG Jun, et al. Hurricane trajectory outlier detection method based on variational auto-encode[J]. Journal of System Simulation, 2021, 33(9): 2191–2201.
[15] 田晟,宋霖. 基于CNN和Bagging集成的交通标志识别[J]. 广西师范大学学报(自然科学版),2022,40(4):35–46. TIAN Sheng, SONG Lin. Traffic sign recognition based on CNN and Bagging integration[J]. Journal of Guangxi Normal University(Natural Science Edition), 2022, 40(4): 35–46.
[16] 陈江,单桂军,李正明. 基于支持向量机集成学习的网络故障诊断方法[J]. 计算机测量与控制,2014,22(12):3906–3908. CHEN Jiang, SHAN Guijun, LI Zhengming. Network fault diagnosis based on support vector machine ensemble learning[J]. Computer Measurement & Control, 2014, 22(12): 3906–3908.
[17] 徐晓芳,管瑞. 基于神经网络集成学习算法的金融时间序列预测[J]. 计算机系统应用,2022,31(6):29–37. XU Xiaofang, GUAN Rui. Financial time series forecasting based on neural network ensemble learning algorithms[J]. Computer Systems & Applications, 2022, 31(6): 29–37.
[18] YU Yong, SI Xiaosheng, HU Changhua, et al. A review of recurrent neural networks: LSTM cells and network architectures[J]. Neural Computation, 2019, 31(7): 1235–1270. doi: 10.1162/neco_a_01199
[19] 王海彪. 井漏智能识别及处理决策研究[D]. 成都:西南石油大学,2017. WANG Haibiao. Study of intelligent recognition and management decisions of lost circulation[D]. Chengdu: Southwest Petroleum University, 2017.
[20] 蔺研锋,闵超,代博仁,等. 基于动态特征和深度神经网络的钻井漏失事故预测[J]. 西安石油大学学报(自然科学版),2022,37(3):64–69. LIN Yanfeng, MIN Chao, DAI Boren, et al. Prediction of drilling leakage accident based on dynamic features and deep neural network[J]. Journal of Xi’an Shiyou University(Natural Science Edition), 2022, 37(3): 64–69.
[21] 孙伟峰,刘凯,张德志,等. 结合钻井工况与Bi-GRU的溢流与井漏监测方法[J]. 石油钻探技术,2023,51(3):37–44. SUN Weifeng, LIU Kai, ZHANG Dezhi, et al. A kick and lost circulation monitoring method combining Bi-GRU and drilling conditions[J]. Petroleum Drilling Techniques, 2023, 51(3): 37–44.
-
期刊类型引用(10)
1. 肖春燕，王犁，杨彪，王磊，鲁红升. 高强度可固化水溶性树脂封堵剂的制备及性能评价. 化学研究与应用. 2024(01): 151-156 . 
百度学术
2. 王猛，高其宇，郭田超. 一种油气田用耐高温凝胶调堵剂制备及性能研究. 粘接. 2024(03): 53-56 . 百度学术
3. 张建亮，宋宏志，张卫行，戎凯旋，李毓，潘玉萍. 海上特超稠油油藏小井距蒸汽吞吐汽窜堵调工艺. 石油钻采工艺. 2024(02): 199-207 . 百度学术
4. 孙玉豹，张兆年，吴春洲，王少华，陈立峰，邓俊辉. 稠油热采可降解封窜剂的制备及性能评价. 石油化工. 2023(02): 216-222 . 百度学术
5. 周剑峰，杨涛，张菁燕，周文平，高璇. 早期水热养护对铝酸钙水泥结构稳定性的影响. 硅酸盐通报. 2023(03): 802-807+826 . 百度学术
6. 陶建强. 边底水超稠油油藏改性石墨烯封堵技术的研究与应用. 精细石油化工. 2023(03): 9-12 . 百度学术
7. 杨光，谢兴华，谢强，王学锐，李子玉. 油田封堵专用铝热剂的制备与性能研究. 爆破器材. 2023(04): 44-50 . 百度学术
8. 尹家峰，王晓军，鲁政权，步文洋，孙磊，景烨琦，孙云超，闻丽. 辽河大民屯凹陷页岩油储层强封堵恒流变油基钻井液技术. 特种油气藏. 2023(04): 163-168 . 百度学术
9. 徐庆，李达，张德龙，李景伟. 大庆稠油耐高温起泡复配体系室内评价研究. 长江大学学报(自然科学版). 2023(06): 84-92 . 百度学术
10. 丁建新，席岩，蒋记伟，王海涛，李雪松，李辉. 高温及超高温下水泥石力学及孔渗特性变化规律. 钻井液与完井液. 2022(06): 754-760 . 百度学术
其他类型引用(1)
计量
- 文章访问数: 176
- HTML全文浏览量: 58
- PDF下载量: 82
- 被引次数: 11
