简介:泥岩是分布最为广泛的一种沉积岩,在油气系统中它们既可以充当烃原岩,又可以充当盖层,还可以充当页岩气的储层。泥岩很多重要的物化性质都强烈地受多种因素的影响,例如矿物学组成和沉积物颗粒的大小以及成岩变化(压实前和压实后的变化),而这些因素往往都是可以预测的。泥岩矿物成分的多样性反映了注入盆地的碎屑物质及其水动力学分离作用、盆地内原始有机物产量以及沉积物的成岩作用(沉积和溶蚀)。利用高放大倍数显微镜对现代和古代沉积地层的观测结果表明,泥岩的结构和矿物学特征都具有非均质性;而这种变化性并不总是显而易见的。虽然部分泥层的确是通过低能羽烟(buoyantplumes)的悬浮沉淀作用而沉积的,但泥岩结构分析发现,这些泥层通常会在多种因素的共同作用下而分散,包括波浪、重力驱动的作用以及风暴或潮流驱动的单向流。这些分散机理表明,泥质沉积序列一般可以在层序地层学的框架下进行解释。早期的生物活动会使泥层均质化,而早期的化学成岩作用会导致高度胶结地层的发育,尤其是在地层表面。埋藏较深的成岩作用涉及压实作用、矿物溶解、重结晶、矿物重新排列定向和岩化以及油气生成等,这要取决于泥层的沉积特征和早期成岩特征。
简介:在为特定的油藏管理问题寻求最佳解决方法的过程中,正规的优化策略一般都要评价数百种乃至数千种方案。如果用地下的数值模拟模型来预测这些方案的效果,那么这一过程就会耗费大量时间。为了在某些优化技术[例如遗传算法(GA)或模拟退火(SA)]所主导的搜寻求解的过程中取代此类模拟模型,可以采用训练人工神经网络(ANN)的做法。可以从一个有代表性的模拟样本出发来训练神经网络,而这一样本则构成了解决许多不同管理问题所需的可反复使用的知识库。这些概念已被应用于BP公司彭帕那(Pompano)油田的一个注水项目。这里的管理问题是确定1—4口注水井的组合位置,它将使彭帕那油田今后七年的简单纯利获得最大化。利用石油行业的一个标准油藏模型,为取样于25个潜在注水井井位不同组合的550次模拟创建了一个知识库。首先要查询这个知识库,以回答三年和七年内使简单纯利最大化的最优方案问题。有关的答案表明,如能将仅依靠改变现有生产井的注水扩大为新钻三至四口注水井,就可能实现利润的可观增加,但资本费用也会增加。当这一知识库用作人工神经网络训练和测试的样本来源时,可以获得更好的答案。训练人工神经网络是为了预测最高注水量以及开始注水后三年和七年的油、气产量。人工神经网络对这些数量的快速估算可以用于纯利润计算中,而遗传算法又可以利用这一计算来评估不同注水井组合方案的效果。遗传算法的探索扩展了求解的空间,它含有的新方案在纯利润上超过了仅查询上述知识库所找到的最佳方案。为了评估预测误差对求解质量的影响,可以将人工神经网络预测油、气产量时所得出的最佳方案,与油藏模拟模型本身预测油、气产量时找到的最佳方案加以对比。虽然完成基于模拟模型的方案�
简介:本文介绍了一种连续监测水驱动态数据的方法,这些数据可以是单井数据、井组数据或者整个油田的数据。通过注水进行非混相驱的效率取决于许多参数,包括流度比、纵横比和非均质性指数。累积水油比(在本文中叫做CWOR)可以作为评价水驱效率的无因次参数。为了得到这些控制参数的标准范围,进行了以模拟为基础的研究(包括这些因素的重复组合)。估算了CWOR的预计范围(从1.5到50以上)。此外,检验了不同油藏给定条件下的瞬时WOR(IWOR)与CWOR的上升趋势,可以把这些趋势作为测量水驱效率与预计的渐近水平的监测工具。本文提出了这样一种方法,即通过比较IWOR与CWOR的无因次曲线估算油藏非均质性指数。