-
公开(公告)号：CN117072145B
公开(公告)日：2024-10-01
申请号：CN202311066728.X
申请日：2023-08-23
Applicant: 中国海洋石油集团有限公司 , 中法渤海地质服务有限公司
Abstract: 本发明涉及通过试井曲线确定潜山储层有效厚度的方法，包括：步骤A.获取测试井不同工作制度时的产量和井底压力数据；步骤B.根据步骤A获取的井底压力数据，计算关井时的井底压力导数，得到井底压力导数曲线；步骤C.通过生产测井技术确定井筒周围储层贡献层段厚度；步骤D.根据步骤A获取的产量，建立潜山储层双重介质球形流解释模型；E.将步骤C井筒周围储层贡献层段厚度带入步骤D潜山储层双重介质球形流解释模型中，生成井底压力导数图版曲线，将井底压力导数图版曲线与步骤B的井底压力导数曲线进行最优化拟合，计算得到最优化后的储层参数和储层有效厚度。本发明能够准确获得测试井探测半径以内大段潜山储层的实际有效厚度。
-
公开(公告)号：CN114254554A
公开(公告)日：2022-03-29
申请号：CN202111339316.X
申请日：2021-11-12
Applicant: 中法渤海地质服务有限公司
IPC: G06F30/27 , G06N3/04 , G06N3/08 , E21B49/00 , G06F119/14
Abstract: 本发明提供了一种基于LSTM模型的长时不稳定试井解释方法，无需事先选择解释模型，即可实现油气井试井数据解释。本发明利用长短期记忆神经网络LSTM是RNN模型的改进。该模型是一种时间递归神经网络模型，具备时序观念，具有长时间的记忆能力，属于典型的深度学习模型，能够更深层次挖掘数据之间的潜在规律，使预测变得更加准确可靠。当用于油气井生产动态分析时，长短期记忆神经网络(LSTM)能保留先前的油气井生产信息并传递到后续时间节点的生产预测，充分考虑油气井生产动态数据的变化趋势和前后关联性，因此能深层次揭示油气井生产数据之间的潜在规律。
-
公开(公告)号：CN119417637A
公开(公告)日：2025-02-11
申请号：CN202411749827.2
申请日：2024-12-02
Applicant: 中法渤海地质服务有限公司 , 中海石油(中国)有限公司天津分公司
Abstract: 本发明公开了基于试凑法的凝析气井产能方程异常校正方法，包括：获取测试井多个工作制度下的产量、井底流压数据、地层压力数据；所述产量包括产液量、凝析油产量、产水量、凝析气产量中的一种或多种；对所述产量进行计算得到总气产量，并选取各工作制度下稳定的井底流压数据；根据所述地层压力数据、总气产量和选取的井底流压数据绘制二项式产能曲线，通过试凑法对所述二项式产能曲线进行校正以使二项式产能曲线的相关系数接近1；根据所述地层压力数据、总气产量和选取的井底流压数据绘制指数式产能曲线，通过试凑法对所述指数式产能曲线进行校正以使指数式产能曲线的相关系数接近1。
-
公开(公告)号：CN114357852A
公开(公告)日：2022-04-15
申请号：CN202111338932.3
申请日：2021-11-12
Applicant: 中法渤海地质服务有限公司
IPC: G06F30/27 , G06K9/62 , G06N3/00 , G06N3/04 , G06F111/10
Abstract: 一种基于长短期记忆神经网络和粒子群优化算法的分层注水优化方法，包括：确定数据集并将数据集划分为训练集和测试集；MDI方法分析各个注水层段对油井产液量贡献的重要程度，筛选出影响油井产液量主要注水层段；筛选出影响油井产液量的主要注水层段后，对各个注水层段的注水量进行归一化处理；LSTM模型的搭建、训练与验证，训练得到油井的LSTM模型；采用PSO算法优化各注水井分层注水量。本发明利用长短期记忆神经网络和粒子群优化算法克服传统的基于油藏数值模拟的分层注水优化方法存在的不足。
-
公开(公告)号：CN115758514A
公开(公告)日：2023-03-07
申请号：CN202211370876.6
申请日：2022-11-03
Applicant: 中法渤海地质服务有限公司
Abstract: 一种基于时间序列的压力恢复试井设计全局敏感性分析方法，属于油气田智能开发的技术领域。是对全局敏感性分析方法的改进，该方法同时考虑所有不确定性输入参数的变化，并在非线性关系中加入时间相关变量t，通过敏感性指标来量化不同时刻各参数对模型预测总方差的贡献。具体的，当多个关键设计参数同时为不确定性参数时，计算得到各参数随时间变化的影响权重，通过多参数的全局敏感性分析结果，指导压力恢复测试。定量化评价多个不确定性参数对压力和压力导数的影响程度，及其与其他参数相互作用对压力的影响，以此来确定参数重要度，给关井时间提供参考。
-
Patent Agency Ranking
公开(公告)号：CN113719271B
公开(公告)日：2022-01-21
申请号：CN202111291366.5
申请日：2021-11-03
Applicant: 中法渤海地质服务有限公司
Abstract: 本发明公开了一种试井设计参数矫正方法，涉及试井参数设计技术领域，包括以下步骤：步骤一：根据井壁取芯、测井、临井测试等资料进行试井设计参数选取，进行初步试井设计；步骤二：在流压梯度测试结束后，获取到产量Q和井底流压pwf，根据Q‑pwf对应关系，更新初步试井设计的渗透率或表皮系数；步骤三：利用更新后的试井设计指导产能测试和压力恢复测试过程，使产能测试工作制度、压力恢复关井时间更加合理。本发明在参数优选困难的情况下，能克服试井设计参数选取过程中的不确定性，提高测试成功率，节约作业成本。
-
公开(公告)号：CN113719271A
公开(公告)日：2021-11-30
申请号：CN202111291366.5
申请日：2021-11-03
Applicant: 中法渤海地质服务有限公司
Abstract: 本发明公开了一种试井设计参数矫正方法，涉及试井参数设计技术领域，包括以下步骤：步骤一：根据井壁取芯、测井、临井测试等资料进行试井设计参数选取，进行初步试井设计；步骤二：在流压梯度测试结束后，获取到产量Q和井底流压pwf，根据Q‑pwf对应关系，更新初步试井设计的渗透率或表皮系数；步骤三：利用更新后的试井设计指导产能测试和压力恢复测试过程，使产能测试工作制度、压力恢复关井时间更加合理。本发明在参数优选困难的情况下，能克服试井设计参数选取过程中的不确定性，提高测试成功率，节约作业成本。
-
公开(公告)号：CN119884954A
公开(公告)日：2025-04-25
申请号：CN202411991970.2
申请日：2024-12-31
Applicant: 中法渤海地质服务有限公司 , 中海石油(中国)有限公司深圳分公司
IPC: G06F18/243 , G06F18/214 , G06N20/00 , G06F30/27 , G06F119/22
Abstract: 本发明属于油气田开发领域，特别是涉及一种基于机器学习的产量预测方法，包括S1：收集原始数据，并对原始数据进行预处理；S2：建立随机森林产液指数预测模型，将预处理后的数据输入到产液指数预测模型中进行训练；S3：利用多种评估方法对产液指数预测模型进行性能分析，并根据分析结果调整模型参数直至满足预定精度标准；S4：将训练好的产液指数预测模型进行产液指数预测，通过产液指数判断油田产能。通过建立随机森林产液指数预测模型，对通过产液指数模型对产液指数进行预测，从而预测油田产能，预测结果受干扰因素影响小，预测系统的稳定性和精度高。
-
公开(公告)号：CN115758514B
公开(公告)日：2025-01-03
申请号：CN202211370876.6
申请日：2022-11-03
Applicant: 中法渤海地质服务有限公司
Abstract: 一种基于时间序列的压力恢复试井设计全局敏感性分析方法，属于油气田智能开发的技术领域。是对全局敏感性分析方法的改进，该方法同时考虑所有不确定性输入参数的变化，并在非线性关系中加入时间相关变量t，通过敏感性指标来量化不同时刻各参数对模型预测总方差的贡献。具体的，当多个关键设计参数同时为不确定性参数时，计算得到各参数随时间变化的影响权重，通过多参数的全局敏感性分析结果，指导压力恢复测试。定量化评价多个不确定性参数对压力和压力导数的影响程度，及其与其他参数相互作用对压力的影响，以此来确定参数重要度，给关井时间提供参考。
-
公开(公告)号：CN117072145A
公开(公告)日：2023-11-17
申请号：CN202311066728.X
申请日：2023-08-23
Applicant: 中国海洋石油集团有限公司 , 中法渤海地质服务有限公司
Abstract: 本发明涉及通过试井曲线确定潜山储层有效厚度的方法，包括：步骤A.获取测试井不同工作制度时的产量和井底压力数据；步骤B.根据步骤A获取的井底压力数据，计算关井时的井底压力导数，得到井底压力导数曲线；步骤C.通过生产测井技术确定井筒周围储层贡献层段厚度；步骤D.根据步骤A获取的产量，建立潜山储层双重介质球形流解释模型；E.将步骤C井筒周围储层贡献层段厚度带入步骤D潜山储层双重介质球形流解释模型中，生成井底压力导数图版曲线，将井底压力导数图版曲线与步骤B的井底压力导数曲线进行最优化拟合，计算得到最优化后的储层参数和储层有效厚度。本发明能够准确获得测试井探测半径以内大段潜山储层的实际有效厚度。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.03 seconds)
