简介:在岩石物性反演过程中,必须计算出作为孔隙度和矿物骨架性质函数的纵波速度(P波)和横波速度(S波)。然而,一些经验公式,比如时间平均方程或RHG公式只适用于单一均质,而不适用于混合矿物的情况;特别是碳酸盐岩地层,其骨架常常含有多种矿物并可能包含白云岩和石灰岩的混合物。本文中,我们建议使用有效介质近似方法(EMA)的均衡(或多晶质)变量来确定纵波速度和横波速度。介质的每一成分都被认为是一个三轴椭球体。颗粒和孔隙椭球体高宽比是孔隙度的函数。该技术由下列步骤组成:①确定孔隙和颗粒的高宽比,它们是孔隙度的函数;②对已知的矿物浓度和孔隙度,计算弹性速度。文中提供了双组分骨架(石灰岩和白云岩)的计算例子。我们认为孔隙高宽比与矿物学无关,它们仅仅是孔隙度的函数。为了确定固体颗粒的形状,我们假定各组分的颗粒高宽比与单组分的固体骨架的高宽比是相同的。为了求出高宽比,我们求解由EMA预测的和由经验岩石物性方程计算的纵波速度、电导率之间的非线性最小二乘差异问题。我们对各独立的固体成分,使用经验的RHG公式计算纵波速度,用Archies法则计算电导率。然后为确定组分的几何形状,我们就可以求得多组分岩石的横波速度。在石灰岩一白云岩混合的情况下,横波预测值接近Castanga等人(1993)根据多矿物岩石Vp估算Vs的经验关系。为了验证这种模拟技术,我们把计算的纵波速度Vp和横波速度Vs与混合碳酸盐岩的试验数据进行了对比,对比表明它们非常一致。
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:一种三维的有限差油藏模拟器(与一个EOR专家系统相结合),已被用于制定油藏管理和生产策略以优化一个碳酸盐岩层的原油开采。该储层被选作提高采收率采油方法实验对象,否则它便会被废弃。根据储层性质将该储层选作合适的EOR对象后,便确定用混相二氧化碳注入法作为最适当方法。这个管理策略涉及到研究不同的设计参数使这个项目的收益率达到最大化。在本研究中所实验的注入技术包括:①水气交替注入(WAG);②同时水气交互注入(SWAG);③气注入油藏底部,水注入油藏顶部。所做的所有模拟都应用经过油气田内的岩心资料校正过的渗透率资料。使用的具体方法包括水平注入井和垂直生产井。这种井结构和其它的井结构相比,表现出最佳的开采效果。模拟结果显示开采这个油藏最经济的方法是往油藏顶部注入水,同时在底部注入气。这种开采方法取得了较好的波及效率,因此获得更高的原油采收率和更好的经济效益。