利用神经网络技术预测剩余油分布

doi:10.7623/syxb200503013

石油学报 ›› 2005, Vol. 26 ›› Issue (3): 60-63.DOI: 10.7623/syxb200503013

利用神经网络技术预测剩余油分布

高兴军¹, 于兴河², 李胜利², 王庆如³, 梁卫³

1. 中国石油勘探开发研究院北京 100083;
2. 中国地质大学北京 100083;
3. 中国海洋石油南海东部公司研究院广东广州 510240

收稿日期:2004-06-01 修回日期:2004-08-10 出版日期:2005-05-25 发布日期:2010-05-21
作者简介:高兴军,男,1972年7月生,2004年获中国地质大学(北京)博士学位,现为中国石油勘探开发研究院开发所博士后,主要从事高含水油田剩余油综合研究工作.E-mail:gaoxingjun@yahoo.com

Forecast of remaining oil distribution by using neural network technology

GAO Xing¹, YU Xing², LI Sheng², WANG Qing³, LIANG Wei³

1. Research Institute of Petroleum Exploration and Development, CNPC, Beijing100083, China;
2. China University of Geosciences, Beijing 100083, China;
3. East Institute of South China Sea Company, CNOOC, Guangzhou 510240, China

Received:2004-06-01 Revised:2004-08-10 Online:2005-05-25 Published:2010-05-21

摘要/Abstract

摘要： 在油田开发过程中,剩余油饱和度是一个变量,且受多种因素的共同控制,预测难度较大。针对构造背景相对简单、分层测试资料比较齐全的海上非注水开发的典型边、底水油藏,初步研究出了一套根据主要的多种动、静态参数并应用神经网络技术预测含水饱和度随时间变化速率的方法,进而根据含水饱和度变化率来预测不同时期的剩余油饱和度分布。在我国海上某油田进行了应用实例验证,取得了比较满意的效果。

关键词: 剩余油分布, 含水饱和度, 神经网络技术, 生产井影响因子, 预测方法

Abstract: During the development of oilfield,the remaining oil saturation is a variable dominated by many kinds of subjective and objective factors,so it is difficult to be forecasted. For the classical edge and basal water reservoirs in non-water flooding with relatively simple structure and abundant stratified test data,a new method for forecasting the change rate of water saturation by using dynamic and static parameters as well as artificial neural network technology is proposed. The distribution of remaining oil saturation in different stage can be forecasted according to the change rate of water saturation. An applied example in a offshore oilfield proved the reliability of this method.

Key words: remaining oil distribution, water saturation, neural network technology, production wells influencing index, forecast method

中图分类号:

P631.8

高兴军, 于兴河, 李胜利, 王庆如, 梁卫. 利用神经网络技术预测剩余油分布[J]. 石油学报, 2005, 26(3): 60-63.

GAO Xing, YU Xing, LI Sheng, WANG Qing, LIANG Wei. Forecast of remaining oil distribution by using neural network technology[J]. Editorial office of ACTA PETROLEI SINICA, 2005, 26(3): 60-63.

[1]	唐淑玲, 汤达祯, 杨焦生, 邓泽, 李松, 陈世达, 冯鹏, 黄晨, 李站伟. 鄂尔多斯盆地大宁—吉县区块深部煤储层孔隙结构特征及储气潜力[J]. 石油学报, 2023, 44(11): 1854-1866,1902.
[2]	刘致水, 王康宁, 包乾宗, 李之旭. 致密砂岩储层岩石物理横波速度预测方法 ——以鄂尔多斯盆地延长组为例[J]. 石油学报, 2022, 43(9): 1284-1294.
[3]	朱秀川, 胡钦红, 蒙冕模, 张军建, 张涛, 尹娜, 孙小惠, 晁静, 杜玉山, 刘惠民. 页岩储层渗吸过程中水的微观分布及其气测渗透率动态响应特征[J]. 石油学报, 2022, 43(4): 533-547.
[4]	王千, 杨胜来, 拜杰, 钱坤, 李佳峻. 非均质多层储层中CO₂驱替方式对驱油效果及储层伤害的影响[J]. 石油学报, 2020, 41(7): 875-884,902.
[5]	孙科, 刘慧卿, 王腾, 张红玲, 谢建勇. 致密油藏压裂后衰竭开采单井可采储量预测新方法[J]. 石油学报, 2020, 41(10): 1238-1247.
[6]	韩海水, 李实, 姚小琪, 陈兴隆, 张可, 秦积舜. 基于摩尔密度的原油-CO₂体系膨胀能力预测方法[J]. 石油学报, 2018, 39(4): 456-462.
[7]	钟德康. 多次幂指数型广义水驱特征曲线的建模和应用[J]. 石油学报, 2017, 38(3): 333-341.
[8]	李靖, 李相方, 王香增, 李莹莹, 石军太, 冯东, 白艳改, 徐敏. 页岩无机质孔隙含水饱和度分布量化模型[J]. 石油学报, 2016, 37(7): 903-913.
[9]	谭锋奇, 许长福, 王晓光, 陈玉琨, 程宏杰, 张记刚, 彭寿昌. 砾岩油藏水驱与聚合物驱微观渗流机理差异[J]. 石油学报, 2016, 37(11): 1414-1427.
[10]	胡伟, 杨胜来, 翟羽佳, 朱光亚, 万敏, 王伟. 油-水相对渗透率曲线优化校正新方法[J]. 石油学报, 2015, 36(7): 871-875.
[11]	杨朝蓬, 李星民, 刘尚奇, 高树生, 叶礼友, 刘剑. 苏里格低渗致密气藏阈压效应[J]. 石油学报, 2015, 36(3): 347-354.
[12]	崔传智, 徐建鹏, 王端平, 杨勇, 刘志宏, 黄迎松. 特高含水阶段新型水驱特征曲线[J]. 石油学报, 2015, 36(10): 1267-1271.
[13]	杨永飞姚军 M.I.J.van Dijke. 油藏岩石润湿性对气驱剩余油微观分布的影响机制[J]. 石油学报, 2010, 31(3): 467-470.
[14]	侯健杜庆军束青林张本华高达. 聚合物驱宏观剩余油受效机制及分布规律[J]. 石油学报, 2010, 31(1): 96-99.
[15]	苏云河杜志敏陈小凡宋海敬汤勇. 高含水油藏动态局部网格加密技术[J]. 石油学报, 2010, 31(1): 84-86.

利用神经网络技术预测剩余油分布

Forecast of remaining oil distribution by using neural network technology

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价