得益于計算機速度的高速發(fā)展和機器學習技術的突飛猛進,基于大數據的解決方案和預測模型已經在工業(yè)界得到了廣泛的認可和應用。在當今自動化和人工智能的時代,盡管機器學習技術已經在石油工程的許多領域得到了廣泛的應用,但是很少有研究著眼于海量的氣井井口生產數據,多數是利用測井地質參數和壓裂施工參數給出儲量或者產能的分級預測,并且對于輸入數據的種類和精度有著嚴格的要求,需要消耗大量人力物力。氣田井口生產數據規(guī)模相當龐大,極其適合利用機器學習技術氣田生產動態(tài)信息的深入挖掘和分析,但目前這兩者的結合應用研究較少。本文將未得到有效利用的氣田生產數據與機器學習方法結合起來,實現動態(tài)儲量和未來產氣量的自動化、準確計算。通過本文的研究,主要完成了以下的研究工作:1、基于Cullender&Smith法和計算機數值計算,實現了關井井口壓力到井底靜壓的精確折算,提出通過繪制線性折算物質平衡曲線計算儲量的方法,并建立了對非線性折算物質平衡曲線進行轉化以及最優(yōu)化的方法。2、利用機器學習和計算機編程技術,訓練了折算物質平衡曲線的線性/非線性分類器,在此基礎上建立了SD氣田基于關井折算物質平衡曲線預測動態(tài)儲量的全自... 

【文章來源】：成都理工大學四川省

【文章頁數】：94 頁

【學位級別】：碩士

【部分圖文】：

SD氣田采氣曲線

第 3 章 利用關井井口數據預測動態(tài)儲量出于成本控制的考慮，SD 氣田各氣井沒有安裝井下壓力計，并沒有井下流壓數據，因此無法使用流動物質平衡法進行儲量預測。同時，氣田內進行壓恢試井測定地層靜壓的次數相當低，因此無法使用物質平衡法進行儲量預測。對于這種情況，可以考慮采用井口流動物質平衡法進行儲量的預測，然而由于SD氣田屬于低滲透砂巖氣藏，在生產過程中大量生產井采用頻繁開關井制度，井口生產數據的壓力和產氣量等波動極其劇烈構成其主要特征（如圖3-1所示）。而井口流動物質平衡法要求井口數據的相對穩(wěn)定，以擬穩(wěn)態(tài)的方式進行生產，因此井口流動物質平衡法也無法使用。本章從看似雜亂無章的井口數據中，單獨提取關井數據進行分析，建立利用關井井口數據預測動態(tài)儲量的基本方法，并分析其優(yōu)缺點。針對其主要缺點，將在本文的后續(xù)部分進行優(yōu)化。

地層壓力的下降絕對值與井底流壓的下降絕對值幾乎相等（周聲才等，2013）。如圖3-2所示，在擬穩(wěn)定階段， 處的井底流壓值與 處的地層壓力值在1、2、3階段的差值是幾乎相同的，即 ， 。12

【參考文獻】：
期刊論文
[1]基于ARIMA-Kalman濾波器數據挖掘模型的油井產量預測[J]. 谷建偉,隋顧磊,李志濤,劉巍,王依科,張以根,崔文富.  深圳大學學報(理工版). 2018(06)
[2]庫車前陸盆地“三超”氣井產能預測方法對比[J]. 馬群,王勝軍,蔣國軍,何飛,郭宇恒,胡家榮.  天然氣技術與經濟. 2018(02)
[3]低滲透氣藏氣井產能預測新方法[J]. 孟琦,劉紅兵,萬鶴,任登峰,代然.  非常規(guī)油氣. 2018(02)
[4]基于機器學習的多地震屬性沉積相分析[J]. 張艷,張春雷,成育紅,高世臣,黃文輝.  特種油氣藏. 2018(03)
[5]長慶油田M區(qū)低滲產水氣井動儲量評價方法研究[J]. 謝姍,焦揚,艾慶琳,伍勇,袁繼明.  石油地質與工程. 2018(02)
[6]致密氣井Arps產量遞減指數變化特征[J]. 梁倚維,王東,李霆鈞,杜超.  西安石油大學學報(自然科學版). 2018(02)
[7]致密氣藏分段壓裂水平井的不穩(wěn)定壓力與產量綜合分析方法[J]. 歐陽偉平.  油氣井測試. 2018(01)
[8]基于數值試井的單井和井組產量預測方法[J]. 李志敏,蔣玉勇,郭風軍,許凱,李衛(wèi)兵,路秋銘.  遼寧化工. 2018(01)
[9]基于流態(tài)劃分的頁巖氣井產量預測可靠性分析[J]. 龐進,李尚,劉洪,梁潔,趙子元.  特種油氣藏. 2018(02)
[10]頁巖氣藏經驗產量遞減分析方法研究現狀[J]. 于榮澤,姜巍,張曉偉,郭為,王莉,張靜平,王玫珠.  中國石油勘探. 2018(01)

博士論文
[1]低滲透油藏有效開發(fā)基礎研究[D]. 熊偉.中國科學院研究生院（滲流流體力學研究所） 2011

碩士論文
[1]低滲透油氣藏水力壓裂數值模擬研究[D]. 劉志強.中國科學技術大學 2016
[2]煤層氣井產能預測模型建立及數值模擬[D]. 李士才.燕山大學 2016



本文編號：2960840