用人工智能方法生成成熟水驱油藏的分层动态压力图
人工神经网络(ANN)是在现代神经科学研究成果的基础上提出的一种智能方法,作为一种有效解决非线性问题的网络技术,已在现代石油工业中得到了广泛应用,并取得了较好的现场应用效果.本文提出了一种基于人工神经网络(ANN)的解决方案,用于根据压力降落测试记录的部分数据来估算储层的平均压力.该方法虽然相对比较简单,但是完全基于具有压力降落信息的试井中的校准数据.传统的储层平均压力计算模型通常需要较长的关井时间,并且需要单井次进行人工分析,与传统的储层平均压力计算模型相比,本文提出的方法则是一种能够有效处理大型数据集的方法.本文的方法通过使用注入井压力降落测试的数据,可以避免生产井因关停井所产生的经济成本损失.此外,地面上的注入示踪剂剖面可以反应出关井测试中的注入井压力变化,基于关井期间的静水柱压力,利用该示踪剂剖面,可以推断出储层中的压力变化趋势,从而大大降低了仪器操作成本和下井设备要求.该方法适用性很强,不仅适用于生成单井、单个流动单元的注入井井周的平均压力图,而且也非常有助于多个流动单元、数百口注入井平均压力图绘制.原则上,基于油藏描述,采用本文的方法所生成的压力图可以作为一种诊断工具来协助制定注水方案,改善油井的产能,优化井网密度,从而确保油藏稳定、高效开发.本文的方法简单实用,可操作性强,能够快速、准确地提供压力数据,商业价值显著,具有广阔的推广、应用前景.
水驱油藏、人工智能方法、动态压力、方法生成、流动单元、人工神经网络、平均压力、压力降落、注入井、优化井网密度
TE341;I0-03;TM715
2019-07-24（万方平台首次上网日期，不代表论文的发表时间）
共11页
66-76
