简介:布里坦尼亚(Britannia)凝析气田位于北海中部,大约蕴藏着4.3Tcf的湿气地质储量。该气田正在开发,采用了装配有36个井槽的单一采油、钻井和居住平台(安装在10井槽底盘上)以及约距平台15km的一个海底管汇中心。为了满足销售天然气的需要,当前正在这两个位置预先钻井。预计1998年10月初次产气。根据测井和岩芯数据,本文介绍了该气田井下产能概率估算方法的研究过程。这种方法取决于利用井下动态解析模型的一种决策树处理法,而这个解析模型则已与几口评价井试井的单井径向组分模拟模型进行了拟合。这里的分析处理分三步:(1)把径向组分模拟模型调整为评价井的中途测试(DST)数据,以便为非达西表皮效应和毛细管数效应等提供调整参数。(2)然后利用这些调整参数提供较长期的向井流动动态模拟预测,并且为复制这些较长期预测结果设计一个解析流入方程。(3)结合适当的垂直举升动态关系,将这个解析流入方程纳入决策树中,并通过识别输入数据的不确定性,利用这一方程求出单井产气能力的概率“S”曲线。然后将单井“S”曲线合并在一起,以得出对总体井下产能的概率估算,并用于优化该气田的开发方案。
简介:为针对性地解决大天池气田井下油管在服役过程中的损伤问题,通过腐蚀检测、修井起出油管观察,对生产过程中的油管损伤进行实时分析并提供对策。结果表明:(1)产出流体的强腐蚀性及流体中杂质极易导致油(套)管腐蚀,使其承压能力不足,进而变形挤压油管,是生产中后期气井井下油管损伤的因素之一;(2)腐蚀过程中产生的垢物附着在油管内外壁,将产生持续的垢下腐蚀,导致井下油管穿孔、断落。据此,提出4条井下防护措施:(1)选取合适的油套管材质和油管结构,提高管串的抗损伤能力;(2)尽量排完入井液,避免产生井下腐蚀条件;(3)合理配产,尽量降低冲蚀影响;(4)定期检测井下管串,及时调整防护方案或更换油管。
简介:建南气田处于高寒地带(最高海拔1647.2m),天然气从井筒采出后需在地面进行节流降压后才能进入地面集输管网。在此过程中由于温度降低,极易形成水合物堵塞地面集输管网,因此必须采取防冻措施防止水合物生成。目前建南气田的防冻措施主要为水套炉加热和注甲醇化学防冻,虽取得一定效果,但存在能耗高(年消耗天然气近150×10^4m^3)、劳动强度高等问题及一些安全隐患。通过在建15井进行井下节流试验,分析建南气田采用井下节流工艺取代水套炉防冻工艺的可行性,从而达到节省投资和减小现场值班人员劳动强度的目的,为解决建南气田地面集输系统存在的水合物防治问题提出了新的思路。图1表1参3
简介:要正确解释微地震事件云(microseismiceventclouds),必须很好地了解单个微地震事件定位的准确度、误差直方图和置信度。最近,引入了质量控制(QC)报告,以便更加详细地了解微地震事件信息,例如信噪比、旅行时残差(traveltimeresidual)和总体置信度等。这样的信息使研究人员能够识别位置不确定的微地震事件,从而避免根据这些事件做出详细的解释。通过说明旅行时残差分布在速度模型不同部分的定位准确度预测中的应用,拓展了一般质量控制参数的概念。虽然时距曲线(hodogram)信息对提高定位准确度也有一定的作用,但这里讨论的重点是检波器几何形态、速度模型以及旅行时估算值的作用。以四边形排列为例,说明了多检波器组合记录方式对定位准确度的影响。
简介:1956年美国计算机科学家约翰麦卡锡组织召开了达特茅斯会议,会议上首次提出“ArtmcialInteuigence”一词,也就是我们沿用至今的“人工智能”一词。直到最近十几年,随着计算机计算能力越来越强大以及互联网的普及,巨大的流量数据成为孕育人工智能领域快速发展的肥沃土壤。石油勘探开发过程中也伴随了庞大数据的产生,对数据的处理和深度挖掘需求日益迫切,建立在机器学习基础上的人工智能也呼之欲出。早在上世纪80年代中期,人工智能技术与计算机硬件体系结构的密切结合,出现了一批适应勘探开发需要的实用技术。这些技术发展到今天,以人工神经网络技术、模糊逻辑、专家系统作为人工智能的典型代表技术应用较为活跃,已渗透到石油勘探开发的各个环节,对石油工业产生了重要的影响。
简介:由于油气勘探开发问题已变得十分复杂,已无法只依靠一个学科来解决,同时我们又处在信息爆炸的时代,所以油气行业的多学科分析方法和数据发掘工作也就显得越来越必要,已远远超出了职业好奇心。为了解决我们所面临的困难问题,需要为传统学科(例如石油工程学、地质学、地球物理学和地球化学)拆除我们所构建的隔墙,同时寻找真正的多学科解决办法。因此,我们今天基于结果的“综合”将不得不让位于一种新的综合形式,这就是学科综合。此外,为了解决复杂问题,还需要超越标准的数学技术。为此,需要用一些新兴的成套方法和软计算技术(例如专家系统、人工智能、神经网络、模糊逻辑、遗传算法、概率推理和并行处理技术)来补充常规的分析方法。软计算与常规(硬)计算的区别,表现在软计算可以接受模糊性、不确定性和局部真实。软计算还具有易于使用、功能强大、可靠有效和成本低廉的特点。在这篇综述性论文中,我们要特别强调软计算对油气藏智能描述和勘探的作用。
简介:为了识别三维地震数据和生产测井数据之间的非线性关系和映射,开发出了的一种综合方法。该方法在一个在产油田得到了应用。它采用了诸如地质统计和传统的模式识别等常规技术,并结合现代的软计算(softcomputing)技术(神经计算学、模糊逻辑学、遗传计算学和概率推理学等)。我们的一个重要研究目的,是在三维地震数据和现有的生产测井数据的基础上,利用聚类(clustering)技术确定最佳的新井井位。采用三种方法进行分类:(1)k-平均聚类;(2)模糊c-平均聚类;(3)识别相似数据体的神经网络聚类。在井筒周围可以识别聚类组(duster)与生产测井数据的关系,所得结果用于在远离并筒方向上重建和外插生产测井数据。这种先进的三维地震和测井数据分析与解释技术可用于:(1)确定生产数据和地震数据之间的映射;(2)在多属性分析的基础上预测油藏连续性;(3)预测产层;(4)优化井位。