砂岩油藏多层合采层间干扰及开发策略研究

A 油田在纵向上储层多,且各油层物性相差悬殊、流体性质各异、储量分散。油田在笼统注水或多层合采开
发过程中,势必会受储层非均质影响,逐渐暴露出注入水单层突进、含水上升快、储量动用程度不均、各层采出程度不
等、油藏采收率低等问题。如何提高此类纵向非均质油藏的采收率是当前所面临的重要问题。以油藏数值模拟技术
为手段,根据A 油田均质模型进行了多层合采条件下层间干扰的单因素以及复合因素的敏感性分析,并针对油田实际
非均质模型进行了不同开发方式下储层动用特征、开发效果评价以及开发指标对比,推荐了该油田切实可行的开发技
术方案、提出了指导类似油田开发的技术策略和措施。     

多层合采气藏动用储量计算方法

针对多层气藏气井合采开发,动用储量难以确定的问题,本文以物质平衡法为出发点发展了三种实用的计算方法,重点提出了一种多层合采气藏分层动用储量的计算方法,分析了各方法的优缺点及适用情况,并应用于海上某凝析气藏的动态分析。应用实例表示,该方法实用高效,为气藏的开发状况分析、剩余气挖潜提供了新的思路和技术手段。     

基于概率建模的分层产液劈分方法

传统产液劈分方法无法考虑层间干扰及注水井和邻井的影响,难以准确判断井下实际状况。同时,海上油田产液剖面测试成本高,常规的机器学习方法面临样本数量少的问题。基于此,提出一种基于贝叶斯神经网络和极限梯度提升算法的多层合采产液劈分混合学习模型。概率方法可以识别预测中的不确定性,通过将神经网络与概率建模结合,进行分层产液数据分布特征挖掘,结合主控因素分析,混合学习算法可以实现小层产液量的准确预测,可以依据较少的数据获得更为稳健的模型。为验证所提方法的有效性,将其应用于实际油田某区块进行产液剖面预测。结果表明：相比KH劈分方法在计算中劈分系数固定,不会随着生产过程波动,所提出的方法可从历史数据中学习,预测精度达到87.9%,预测结果更加逼近真实单层产液量。     

油水黏度比对油藏注水开发效果的影响

对于层间流体性质差异较大的多层非均质油藏,在进行笼统注水开发时,层间油水黏度比差异对于油藏开发效果有较大影响。通过使用CMG油藏数值模拟软件建立多层油藏一注两采机理模型,从剩余油分布、波及系数、驱油效率及采出程度等多个方面分析层间油水黏度比差异对开发效果的影响,确定多层合采油藏合理的层间油水黏度比级差界限。研究认为,多层非均质油藏笼统注水开发时,低油水黏度比油层对高油水黏度比油层有较大影响,层间油水黏度比级差越大,层间矛盾越突出,低油水黏度比层波及系数、驱油效率明显上升,高油水黏度比层波及系数、驱油效率大幅下降,层间动用程度差异越大,剩余油主要富集在高油水黏度比层,油藏开发效果越差,合理的层间油水黏度比级差应控制在3以下。     

基于机器学习的页岩油藏合理焖井时间预测

针对页岩油藏焖井开发过程中,合理焖井时间难以确定、影响因素多、计算难度大等问题,开展了基于机器学习的页岩油藏合理焖井时间优化研究。基于Y区块268口压裂水平井物性与施工参数,进行了数值模拟合理焖井时间的循环优选计算,并生成机器学习数据集。利用支持向量回归、多变量线性回归以及多层神经网络方法,分别建立了合理焖井时间预测模型,输入参数包括11个主要物性与施工参数。测试结果表明,新模型计算的合理焖井时间具有较高精度,预测准确率最高可达到94%。通过对比可以得知,在该模型条件下,支持向量回归法的准确率明显高于其他两种方法,具有较高适用性。毛管力大小、入地液量以及原油黏度对合理焖井时间影响较大,相关系数分别为0.202,0.170和0.159,在焖井方案设计中应重点考虑。经过机器学习优化后,Y区块X-1生产井累产油增长了约8.5%。     

基于机器学习模型的多层土壤湿度反演

为了获取深层土壤湿度缺测值,采用支持向量机、BP神经网络和随机森林3种机器学习算法,在表层至深层土壤中利用主成分分析法选择与土壤湿度相关性显著的气象因子作为输入数据,建立多层土壤湿度反演模型反演了不同深度的土壤湿度。结果表明:随机森林模型模拟结果更加稳定,反演效果更佳;受气象因子驱动的影响,3种机器学习模型对地表0~10.cm深度内土壤湿度的反演效果更佳,对深层土壤湿度的反演效果随着深度增加而变差;增加表层土壤湿度及不同深度土壤温度作为驱动因子可以有效提高机器学习模型对深层土壤湿度的反演能力。     

多层合采油藏层间干扰规律及应用：以渤海南部中轻质油藏为例

针对渤海南部中轻质油藏多层合采层间干扰规律研究的问题,建立了多层合采的填砂管物理模型,模拟了不同渗透率级差和不同原油黏度的多层合采过程,基于物理模拟实验结果提出了产液量级差和层间干扰系数的概念,确定了分采界限和分采时机,指导了油田实际开发。结果表明：中轻质油藏分采界限的渗透率级差为4,分采的时机为含水80%左右,随着地层原油黏度的增加,提液时机应适当提前。渤海A油田的实际应用表明,预测结果与实际测试结果接近,平均误差为8.75%,现场应用效果明显,对后续油田的矿场实践具有一定的指导意义。     

基于分布式光纤温度监测的气井产出剖面解释——以中国南海永乐区多层合采探井为例

随着分布式光纤温度(distributed temperature sensing,DTS)监测精度和分辨率的提升,逐渐成为油气生产管理和动态分析中产出剖面监测的重要技术之一,但其解释技术还处于起步探索阶段.考虑流体渗流过程中焦耳汤普逊效应以及诸多微量热效应,结合质量守恒、动量守恒、能量守恒定律建立低渗多层合采气井温度...     

基于多层激励量子神经网络的鲁棒音频水印算法

设计了一种基于多层激励函数量子神经网络的音频水印算法。将水印信号嵌入载体语音的小波低频系数中,再训练量子神经网络建立水印嵌入前后低频小波系数间的联系以便在接收端恢复水印。同时,区别于传统的归一化方法,将小波低频系数规范到同一数量级,避免了恢复水印时小波低频系数的差错传播,提高了算法的鲁棒性。实验结果表明,设计的水印算法对加噪、滤波、重采样和再量化等攻击具有较强的鲁棒性,提取正确率相比BP网络水印算法平均提高1.8%。     

特高含水期多层合采油藏油井液量调配优化方法

水驱油藏进入特高含水期,井网相对固定,受储层非均质性的影响,油井含水差异大,油井液量调配是改善油井开发效果差异的经济有效的主要措施.为建立油井液量调配的优化方法,以多层合采油藏中一注多采井组为例,考虑特高含水期储层物性参数和剩余油分布的非均质特征,将一注多采井组等效为多个一注一采井组;综合考虑渗透率和原油黏度的时变特征...     

基于BP神经网络方法的分层注水量计算

对静态地层系数法和动态方程法等分层注水量计算方法分析表明:现有方法考虑注水量影响因素较少,计算误差较大,适用性较差。应用BP神经网络方法计算分层注量,以砂岩厚度、有效厚度、渗透率和沉积相影响系数等16个影响因素作为模型输入参数,单层吸水量作为模型输出。实例计算结果表明:BP神经网络法计算分层注水量与实测值的最大误差为6.51%,平均误差为3.21%,准确性较好,说明BP神经网络方法在分层注水量计算方面具有较好的应用前景。     

机器学习在座逾渗相变问题中的应用

机器学习理论区别于传统方法,因其在对于复杂的数据集识别、分类的准确性和高效性而被广泛应用于各个领域.识别相变是机器学习和统计物理领域相结合的最有代表性的工作.到目前为止,机器学习完成的相变识别几乎都是基于具有动力学演化过程的自旋模型,如Ising模型等,而其在另一类不具有动力学演化过程而完全由系统结构特征决定的相变模型,如逾渗模型等,仍未有细致研究.本文结合现有的机器学习技术,卷积神经网络和一般向量机,对二维方格子上的座逾渗问题进行了研究,发现能以高正确率对不同相的构型进行识别,证明了机器学习在这类问题上研究的可行性.通过已完成训练的学习机对不同参数下构型预测的正确率计算,发现正确率在相变点附近会出现急剧衰减,与系统参数呈幂律衰减.这与传统相变理论一致.通过定量计算,还发现2种学习机的正确率衰减规律都满足同一个幂律指数.这不仅进一步从全新的角度揭示了相变的普适性,而且为找寻相变点提供了新的方法.     

机器学习模型在地下水埋深模拟中的适应性分析

基于京津冀气象、社会资料及地下水埋深数据,构建支持向量机(SVM)、循环神经网络(RNN)和长短期记忆神经网络(LSTM)模型对京津冀地区13个城市地下水埋深进行了模拟,并以确定系数、均方根误差、平均绝对百分比误差、纳什系数对3个模型的适应性进行了评价。结果表明：LSTM模型模拟效果最好,其次是RNN,SVM最差;不同城市基于LSTM模型进行地下水埋深模拟时参数调整最少,适应性最好,SVM模型参数调整最多。将3个模型应用于随机选择的6个测站进行验证,在华北地区浅层地下水埋深模拟方面,LSTM模型模拟精度和可信度最好,适应性最强,是该地区地下水埋深模拟的首选机器学习模型。     

基于机器学习的深基坑三维土层重建

在深基坑施工过程中,需要通过少量钻孔数据来进行土层三维模型重建,以获取土质信息分布.提出一种基于机器学习的土层重建方法,首先设计土层生成算法来进行土层训练数据集的数据增强.然后根据钻孔信息数据结构设计了预测模型特征编码方法,作为预测模型的标准输入,通过搭建卷积神经网络模型,对土层结构进行特征提取,形成土层预测模型.随后,利用预测模型对待预测地块中的离散格点进行土层属性预测,获得土层体数据.最后,对土层体数据利用Marching Cubes算法生成封闭等值面,形成土层实体块,从而实现了对三维土层的重建.本模型能够适应不同层数、不同类型的地层,具备了实际工程应用的初步条件.     

基于机器学习的边缘检测方法研究

传统的边缘检测方法具有一定的局限性,且自适应能力差,提出一种基于机器学习的边缘检测方法来解决上述问题.实验图像从伯克利图像数据库中选取,以Harr和梯度直方图(HoG)构成特征空间,将AdaBoost算法和决策树算法相结合进行分类器训练.实验结果表明,机器学习的边缘检测算法有更高的分类准确率.     

机器学习在车载激光点云分类中的应用研究

点云信息分类提取与利用是车载移动测量系统的关键技术,提高车载激光点云分类的智能化已成为当代信息科学技术发展所面临的重要问题.从分析点云的特征入手,采用机器学习方法对车载激光点云的行道树提取进行了大量实验研究.首先,在点云原始特征的基础上,根据其局部几何特征及空间分布,构造了由三维空间位置、回波强度、颜色值、法向量、单位投影密度、残差及回波强度维度内的残差等17个特征值组成的点云高维特征向量,然后采用支持向量机和人工神经网络两种机器学习方法分别对行道树点云进行提取实验.实验中采用了粒子群优化算法对支持向量机进行参数寻优,采用所构造的由17个特征值构成的特征向量对点云进行机器学习,两种学习方法的行道树点云分类精度分别可以达到99.75%和99.25%.实验结果表明,采用机器学习的方法对于提高车载激光点云分类自动化程度和智能化水平具有重要意义和作用.     

基于深度CNN的改进弱监督学习方法设计与验证

针对包含目标、尺度和平移变化较强的空间信息难以获取大量训练样本的问题,提出一种基于深度卷积神经网络(deep convolutional neural network,DCCN)的弱监督学习方法,从3个层面对当前卷积神经网络进行扩展。为了提取分辨率更高的局部特征,同时考虑到全卷积网络(full convolution network,FCN)在全监督式学习下的高效性能,使用FCN作为后端模块;为了获取更多的通用特征,增加一个多映射弱监督学习的传输层,对与补充性类模态相关的多个局部特征进行显式学习;为了优化训练过程,改进了池化层,使用全局图像标签进行训练,将空间得分聚合为全局预测。使用图像分类、弱监督逐点目标定位和图像分割3种常用的机器视觉任务进行评估。多个公开数据库的实验结果表明,所提方法能够有效地学习强局部特征,具有良好的分类和定位效果。     

基于机器学习的低渗透砂岩聚合物驱采收率预测

在恶劣的油藏条件下,化学驱提高采收率方法的可行性主要在实验室进行,以探究化学驱方案在现场实施的可能效果,但此类实验通常昂贵且费时。为了提高筛选效率和研究变量关系,进行了3个聚合物驱油实验项目,其次通过构建14种机器学习基础模型来预测低渗透砂岩聚合物驱油实验的效率。结果表明多层感知机(MLP)、随机树(RF)和极限梯度上升(XGB)模型表现最佳,它们在测试集的确定系数均为0.99,均方根误差分别为0.855、0.836和0.859。模型表明特征重要性由强至弱依次为含水率、累积注入孔隙体积、渗透率、非均质系数、孔隙度、聚合物注入量、聚合物浓度、注入压力。本研究为室内物理低渗透砂岩聚合物驱提供了可靠的数据,给出了14种机器学习模型预测性能直接对比,建立了高拟合高泛化高稳定低误差的低渗透砂岩聚合物驱预测模型,这将有助于化学驱方案快速在低渗透储层应用,以及降低失败风险。     

基于样本集质量的建筑能耗预测机器 学习算法选择及参数设置

使用机器学习算法对建筑能耗进行预测正逐渐成为建筑设计初期重要的决策辅助工具,机器学习算法的选择及其参数设置一直是机器学习领域研究的热点和难点。但现有研究大多从算法原理角度进行预测模型的选择及参数设置,训练样本集的特征信息未得到充分利用。为此,提出一种以样本量及样本分布特征为出发点的样本集质量分类方法,针对不同质量样本集测试不同机器学习算法的学习性能,制定不同质量样本集的算法选择及参数设置策略。分析样本特征与算法性能之间的关系,为建筑设计提供有效指导。