调研的部分内容为博主个人判断,可能存在问题。
方法指导
油气田油气采收可以划分为前、中、后期三大阶段。
前期:依靠地层的压力可以做到直接采油
中期:储层压力和地表压力关系逐渐持平,采收速率减缓
后期:需要额外的手段采取剩余油气资源,如注水等手段
产量预测又可以分短期、中期、长期预测,如预测未来多天、多月、多年。
同时,也可以按照不同规模预测,如单井、井组、油田。
调研内容
A Better Way to Forecast Production from Unconventional Gas Wells ***
预测非常规气井产量
使用方法:新的下降曲线模型。新方法对比了Arps方法
输入:
输出:产量增量
时间粒度:月
规模:井组(文献内使用“month-group”,井组每月的产量)
阶段:前、中期
An Artificial Intelligence Neural Networks Driven Approach to ForecastProduction in Unconventional Reservoirs – Comparative Analysis withDecline Curve
人工智能神经网络驱动的非常规油藏产量预测方法–与下降曲线的比较分析
输入:井口压力(WHP)、井底压力(BHP)、储层参数等。输入数据有平滑处理
输出:气体率?(gas rate)
时间粒度:天、月(时间粒度在不同的案例下不同)
规模:单井
阶段:前、中期(推测)
Data-Driven End-To-End Production Prediction of Oil Reservoirs byEnKF-Enhanced Recurrent Neural Networks ***
利用EnKF增强的循环神经网络进行数据驱动的油藏端到端生产预测
输入:生产率、含水率(water cut)和控制参数(井底压力BHP和注入率
q
w
q_w
qw)组成的输入多变量时间序列
输出:每口井的输出总产量、含水率
时间粒度:天
规模:单井
阶段:后期
Oil production forecast models based on sliding window regression ***
基于滑动窗口回归的石油产量预测模型
使用方法:线性回归模型
输入:各井井口地表位置、注水井数量、生产井数量、注水速率、井底压力、历史产量
输出:油田整体产油量
时间粒度:月
规模:油田
阶段:后期
Prediction of Production in Oil Reservoirs by Considering Change in Number of Production Wells
使用方法:适用于井数量动态变化的新模型(Effective-Well Model,有效井模型)
输入:历史产油速率?
输出:有效井产油量
时间粒度:月
规模:油田中所有有效井
阶段:后期
Production prediction at ultra-high water cut stage via Recurrent Neural Network ***
输入:生产天数、近10年及以前投产油井的产油贡献率(投产1、2、3……10年的油井的产油贡献率)、近10年及以前新投产油井的数量,当年投产井的产油贡献率,增产井数量,增产油量,当年投产井数量,月注水量(特征经过SVM挑选)
输出:产油量
时间粒度:月
规模:油田
阶段:后期
基于多变量时间序列及向量自回归机器学习模型的水驱油藏产量预测方法
输入:不同采出井产油量与注入井注水量作为多变量时间序列
输出:产油量
时间粒度:月
规模:单井
阶段:后期
基于人工神经网络的注水开发油藏产量预测
输入:油管头压力(生产井)THP、油管头温度(生产井)THT、气举量(生产井)GLR、套管压力(生产井)CP、生产管汇压力PMP、注水量WIR、注水管汇压力WIMP、注水压力WIP
输出:产油量OPR、产气量GPR、产水量WPR
时间粒度:天
规模:油田?
阶段:后期
暂时的总结
产量预测主要关注油田开发后期的预测,调研发现短中期预测居多,后期产量预测居多。
后续调研内容待添加……