简介:许多致密气井和页岩气井的线性流态都可以持续数年。然而,非常规油藏(如巴肯油藏)生产分析表明,线性流态并不是唯一的主导流态。现场数据表明,受增产处理油藏体积(SRV)影响的边界流(boundary—dominatedflow)和复合线性流的持续时间一般要远长于早期的线性流态。根据裂缝网络或SRV模式,非常规油藏的线性流态可能只持续几个月,但对估计最终开采量(EUR)的贡献却高达约30%。本研究提出了一种基于解析模型来识别裂缝网络模式和获取相关流动参数的方法,由此得出的油藏描述结果被移植到油藏~流量数值模拟模型中,用于捕捉非常规油藏系统中压实作用、多相流动特性以及各种流态对开采动态的影响。这种方法有助于认识油井的开采动态,以便于了解历史拟合情况。特别是,文中通过产量不稳定分析确定了裂缝网络模式和流态,通过数值模拟与解析模型相结合,开展了生产动态约束下的历史拟合;对非均质效应、压实效应和多相流效应进行了敏感性分析;此外,还介绍了本方法在巴肯油井的现场应用。研究认为,在开展详细的油藏一流量数值模拟研究之前,应当先进行解析模拟。该项研究成果为改善非常规油藏描述奠定了基础。
简介:传统上,时间域航空电磁数据通过拟合迭代反演计算得到大地模型,然而,由于航空电磁数据道间的较强相关性,导致病态反演,并引起超定问题;同时电磁数据的相关性使其与模型参数的映射关系复杂,增加了反演的复杂度。采用主成分分析法将航空电磁数据变换为正交的较少数量的主成分,不仅降低了数据道间的相关性,减小了数据量,同时压制了数据的不相关噪声。本文利用人工神经网络(ANN)逼近主成分与大地模型参数间的映射关系,避免了传统反演算法中雅克比矩阵的复杂计算。层状模型的主成分神经网络与数据神经网络的反演结果对比显示,主成分神经网络反演方法网络结构简单,训练步数少,反演结果好,特别是对于含噪数据。准二维模型的主成分ANN、数据ANN以及Zhody方法的反演结果显示了主成分神经网络具有更接近真实模型的反演效果,进一步证明了主成分神经网络反演方法适合海量航空电磁探测数据反演。
简介:泥岩孔隙网络对于沉积盆地流体动力学特征有很强的改变作用,对于油气分布和注入流体的封存也有关键的作用。我们从陆相和海相泥岩中采集了岩心样品,深入研究了各种地质环境中孔隙类型及其网络的特性,并通过压汞孔隙度仪测量估算了毛细管突破压力。,利用双聚焦离子束扫描电子显微镜获得了定量的和定性的三维(3D)观察结果,对这些观测结果进行分析和解释发现,根据形态与连通性可以划分出七种主要的泥岩孔隙类型。在所研究的全部泥岩样品中,都存在一种主导的面状孔隙类型(planarporetype),而且其配位数(即相邻连通孔隙的数目)通常较大。由于在连通孔隙d的连接点处孔喉较小,这种类型的连通孔隙网络是导致压汞毛细管压力较高的原因,而且可能对这类泥岩中大部分的基质(流体)输导能力有控制作用。其他孔隙类型与自生(如交代或孔壁附着结晶)粘土矿物和黄铁矿结核有关,包括与体积更大、刚性更强的碎屑颗粒相邻的粘土团(claypacket)中的孔隙、有机相中的孔隙以及与缝合线和微裂缝有关的孔隙等。自生粘土矿物分布区内的孔隙通常会形成较小的孤立孔隙网络(〈3μm)。有机相细脉里的孔隙以管状孔隙或槽状和/或片状孔隙的形式存在。这些孔隙在3D重建空间中可以形成较短的连通网络,但所形成的孔隙网络的长度似乎超不过几个微米。本文研究的泥岩层的封闭效率随着沉积地点到物源区的距离和最大埋深的增大而提高。
简介:湿地与周边水文系统通过复杂的水文过程相互联系和影响,具有整体性和复杂性。研究湿地与周边水文系统相互作用过程和机理,对湿地保护和恢复起着重要的作用。以美国奥克弗诺基(Okefenokee)流域为案例,构建包含沼泽地表水、沼泽地下水、高地地表水和高地地下水4个水文子系统的流域水文网络模型,采用生态网络分析方法中的效用、控制和单位元分析研究水文单元间作用关系。控制分析的结果显示,高地地表水和地下水两个子系统对沼泽地表水和地下水子系统的支持程度达到100%。无论是沼泽还是松林高地,其地表水和地下水之间存在高度的相互依赖和互补性。效用分析结果表明,沼泽地表水和高地地下水之间存在着互利的水文关系。而单位元分析结果显示,沼泽地下水深层渗漏和高地松树生态系统的蒸散过程是袭夺流域湿地系统水资源的重要一环。上述结果表明,生态网络分析方法可以有效地分析水文单元之间的作用过程、描述水文单元之间直接和间接的水文关系,可以用于流域湿地水资源管理。
简介:根据先进星载热发射和反辐射计(ASTER)图像获取滑坡相关因素,并利用地理信息系统(GIS)开发、应用和验证韩国Boun地区滑坡脆弱性分析的综合技术。从ASTER图像中获取数字高程模型(DEM)、线性特征、归一化差值植被指数(NDVI)和土地覆盖因素并进行分析。根据DEM地形数据库评估边坡、方位和曲率。根据已有空间数据库并利用频率比(FR)、逻辑回归(LR)和人工神经网络模型(ANN)鉴定和量化检测的滑坡位置与6种相关因素之间的关系。在叠加分析中把这些相互关系用作因子额定值以创建滑坡脆弱性指数和滑坡脆弱性图。随后,在FR、LR和ANN模型中作为新输人因子结合并应用3种滑坡脆弱性图,从而创建改进的滑坡脆弱性图。通过对比在模型实验中未使用的已知滑坡位置来验证所有这些滑坡脆弱性图。对比利用3种滑坡相关输入参数创建的改进精度的综合滑坡脆弱性图(FR}莫型为87.00%;LRN型为88.21%;ANN模型为86.51%)与利用ASTER图像中6种因素创建的单独滑坡脆弱性图(FR丰莫型为84.34%;LR模型为85.40%;ANN模型为74.29%)。