基于PEBI网格的水平井井底压力计算

针对PEBI非结构网格,研究了水平井的数值试井网格划分方法,推导出定流量下的耦合井筒储集系数与表皮因子的无限传导与均匀流量井产量计算公式;通过将水平井看作内边界,提出了水平井内边界模型,避免Peaceman水平井模型因井所在网格尺度变化对早期计算精度影响.根据提出的模型进行实例计算,并将计算结果与Eclipse公司的Weltest软件结果进行对比,对比表明,水平井内边界无限传导模型计算结果介于解析解与Peaceman模型结果之间,比Peaceman模型的更为精确,并且与解析解吻合更好;而在中后期水平井内边界均匀流量模型计算结果与解析解吻合很好.     

基于支持向量回归的油藏瞬态压力拟合

试井技术是利用井底压力数据反演地层和井筒参数的方法,是典型的反问题。文章提出了一种基于支持向量回归的反演方法。首先使用随机算法生成试算算例;然后使用不同核函数下的支持向量回归模型对井底压力和压力导数进行拟合,选取误差最小的模型进行试井分析,利用BFGS算法对模型进行优化得到最优不确定参数组;最后比较计算值与观测值之间的压力、压力降落、压力降落导数,从而得到结果。结果表明,该方法能构建带有核函数的回归模型对井底压力以及压力导数进行拟合,拟合效果好、计算效率高,具有很好的应用前景。     

响应面法和BFGS算法在试井分析中的应用

试井分析是利用关井所测的井底压力随时间变化的资料来分析地层和井筒参数,是一个典型的反问题.基于响应面法提出了一种新的参数自动反求的数值试井解释方法.选定不确定参数及其范围,确定试算算例,然后利用拟合方法得到多项式逼近函数,即构造响应面模型.利用响应面模型构建计算值与实际观测值偏差的目标函数,再利用BFGS算法以及拉丁超立方抽样搜索目标函数的最小值,得到不确定参数值.算例表明该方法能有效地对井底压力以及压力导数进行拟合,因而具有很好的应用前景.     

间歇采油井的井底压力计算

给出了间歇采油的生产和停抽期间的流量.使用这一流量表达式,得到了第一个生产和停抽期间的井底压力及地层压力分布.在此基础上,用地层压力分布作为初始条件,采用数值解的方法,得到其余生产和停抽期间的井底压力.     

基于图像纹理合成的特征可调控的数字岩心重构方法

为弥补现有的数字岩心重构方法难以进行特征调控的不足,文章提出一种新的基于特征子图且能够自由调控特征比例的数字岩心重构方法.该方法从训练图像中挑选出有代表性的特征子图,根据事先设置的比例进行匹配块挑选,再利用Graph Cut算法合成重叠区域,一直到全图完成.结果 表明该方法能够提高合成速度,控制重构岩心图像中矿石、有机...     

基于集合卡尔曼滤波的大规模压裂参数反演方法

试井分析是利用井底压力数据反演井筒与地层参数的方法。针对该类反问题,文章提出一种基于集合卡尔曼滤波的参数反演方法。首先利用随机算法生成一定的初始集合,使其满足油藏的参数分布特征;然后以井底压力作为历史生产数据,利用集合卡尔曼滤波方法对油藏模型进行更新;最后对计算压力与实测压力以及它们的压力导数进行解释分析。结果表明,该方法可以对水平井大规模压裂效果进行反演,且具有很好的应用前景。     

基于卷积神经网络的压裂停泵数据滤波方法

水力压裂停泵时,由于水击效应的影响,井口处压力会产生波动,此时测量得到的压力数据不能反映真实的渗流情况,不利于试井解释,需要对压裂停泵后的压力数据进行数据滤波。针对该问题,文章提出一种基于卷积神经网络的滤波方法：基于方差思想,构造可表征数据离散程度的损失函数,用以约束滤波后数据的离散程度;基于停泵压力数据的物理特征,给出可保留停泵压力最高点的损失函数表征方法;在此基础上,构造一个9层的卷积神经网络模型,使得神经网络能够合理完成数据滤波。对于水平井多段压裂停泵压力数据的样本,只需进行1次合适的参数调整,同一网络框架可以完成对以上不同段压力数据的处理,且实验效果好;以均值和相对误差为参照标准,对比滤波前后的压力数据,滤波后的数据与原始数据相比,离散程度变化较小,且与原有数据相比仍能保持较小的相对误差,基本稳定在0.2%左右。该滤波方法为压裂效果评价提供了可靠数据,具有广阔的应用前景。     

叠加原理不能求解含启动压力梯度渗流方程

由于含启动压力梯度的渗流方程不是齐次方程,使用叠加原理对其进行求解时会引起误差。首先建立含启动 压力梯度的渗流方程,然后基于PEBI 网格进行数值求解,最后将数值计算的试井曲线与基于叠加原理的试井曲线进 行对比。数值求解的计算结果表明：启动压力梯度使得关井后的井底压力很快稳定,并且井底压力不能恢复到原始压 力,同时,关井段的压力导数曲线下掉。基于叠加原理的计算结果表明：启动压力梯度使关井后的井底压力持续上升、 数百天乃至数千天都不能使恢复压力稳定,并且压力导数上翘。这不仅与数值解有很大的差别,而且也与封闭边界压 力导数下掉的趋势相悖。这表明叠加原理不适用来求解含启动压力梯度的渗流方程。     

基于径向基神经网络的油藏反演方法

文章提出一种基于径向基(radial basis function, RBF)神经网络的油藏反演方法。该方法利用抽样生成的井底压力数据构造RBF神经网络模型,由RBF神经网络预测值与实际观测值的偏差定义目标函数,再利用粒子群算法(particle swarm optimization, PSO)对其进行优化,最终得到不确定参数的最优解和反演参数。与多项式拟合方法相比,RBF神经网络方法具有更好的拟合结果和更高的精度,甚至在多项式拟合方法失效时,该方法也能得到很好的模拟结果。油田实际算例表明,该方法具有良好的拟合效果,能大幅提高反演效率,具有很好的应用前景。