基于广义回归神经网络的CO2 驱最小混相压力预测

doi:10.3969/j.issn.1673-8926.2012.01.021

岩性油气藏 ›› 2012, Vol. 24 ›› Issue (1): 108–111.doi: 10.3969/j.issn.1673-8926.2012.01.021

基于广义回归神经网络的CO2 驱最小混相压力预测

李虎，蒲春生，吴飞鹏

中国石油大学（华东）石油工程学院

出版日期:2012-02-20 发布日期:2012-02-20
第一作者:李虎，1985 年生，男，中国石油大学（华东）在读硕士研究生，主要从事油气田开发方面的研究工作。地址：（257061）山东省东营市东营区北一路739 号中国石油大学（华东）石油工程学院。E-mail：fox1118@126.com
通信作者: 蒲春生，1959 年生，男，教授，博士生导师。主要从事特种油气藏物理-化学强化开采等工作。E-mail：chshpu@163.com
基金资助:
国家科技重大专项“复杂油气田地质与提高采收率技术”（编号：2009ZX05009）部分成果

Prediction of minimum miscibility pressure in CO2 flooding based on general regression neural network

LI Hu， PU Chunsheng， WU Feipeng

College of Petroleum Engineering， China University of Petroleum， Dongying 257061， China

Online:2012-02-20 Published:2012-02-20

摘要/Abstract

摘要：

针对传统的最小混相压力预测方法应用不便或误差较大等问题，提出利用广义回归神经网络进行CO₂驱最小混相压力预测。以油藏温度、C₅₊分子量、中间组分摩尔分数、挥发组分摩尔分数为输入变量，以最小混相压力为输出变量，建立广义回归神经网络预测模型，对CO₂驱最小混相压力进行预测，将结果与其他预测方法进行对比，并做误差分析。实例计算结果表明，广义回归神经网络用于CO₂驱最小混相压力预测是可行的，且具有精度高、收敛快、适用范围广、使用简便等特点。

关键词: 随机建模, 河流相, 实验设计, Monte-Carlo 计算, 不确定性分析

Abstract:

To reduce the inconvenience and errors in traditional prediction methods for minimum miscibility pressure （MMP）, a general regression neural network（GRNN） model was established for MMP prediction in CO₂ flooding. The main factors affecting CO₂ MMP, such as reservoir temperature, mole percentage of oil components (volatile and intermediate） and molecular weight of C5+ , were employed as the input variables of the GRNN, and the CO₂ MMP was used as the output variable. To evaluate the advantage of the new method, the predicted results were compared between the GRNN model and the traditional empirical formula. The results show that the GRNN model is feasible for CO₂ MMP prediction, and also has the characteristics of good precision, fast convergence, wide applicability and simple application.

Key words: stochastic modeling, fluvial facies, experimental design, Monte-Carlo calculation, uncertainty analysis

李虎，蒲春生，吴飞鹏. 基于广义回归神经网络的CO2 驱最小混相压力预测[J]. 岩性油气藏, 2012, 24(1): 108–111.

LI Hu， PU Chunsheng， WU Feipeng. Prediction of minimum miscibility pressure in CO2 flooding based on general regression neural network[J]. Lithologic Reservoirs, 2012, 24(1): 108–111.

参考文献

［1］ Alvarado V，Manrique E． Enhanced oil recovery：An update review［J］． Energies，2010，3（9）：1529-1575．
［2］夏为卫，王新海，雷娟青．低渗透油藏注二氧化碳气体的井网优选研究———以松辽盆地南部 H 油田 L 油藏为例［J］．岩性油气藏，2009，21（4）：105-107．
［3］王锦昌，杜建芬，曾铮，等．二氧化碳含量对天然气性质影响的实验研究［J］．岩性油气藏，2011，23（3）：115-118．
［4］赵明国，周海菲，王谦．原油与CO2驱最小混相压力预测方法研究［J］．西部探矿工程，2007，19（12）：60-62．
［5］郝永卯，陈月明，于会利．CO2驱最小混相压力的测定与预测［J］．油气地质与采收率，2005，12（6）：64-66．
［6］董长虹． MATLAB 神经网络与应用［M］．北京：国防工业出版社，2007：125-139．
［7］杨建，杨程博，张岩，等．基于改进神经网络的渗透率预测方法［J］．岩性油气藏，2011，23（1）：98-102．
［8］张顶学，廖锐全，徐永高，等．基于广义回归神经网络的压裂井砂量优化［J］．石油天然气学报，2006，28（3）：88-90．
［9］ Shokir E M． CO2-oil minimum miscibility pressure model for impure and pure CO2 streams［J］． Journal of Petroleum Science and Engineering，2007，58（1/2）：173-185．
［10］陈钢花，杨叶．利用常规测井资料确定黏土矿物含量的方法研究［J］．岩性油气藏，2011，23（2）：109-113．
［11］ Shahvaranfard A，Moradi B，Tahami S A，et al． Evaluation of different flooding scenarios as enhanced oil recovery method in a fractured reservoir：A case study［J］． Brazilian Journal of Petroleum and Gas，2009，3（3）：113-124．
［12］ Aleidan A A S． Experimental and simulation studies to evaluate the improvement of oil recovery by different modes of CO2 injection in carbonate reservoirs ［D］． Texas：Texas A & M University，2010：65-68．
［13］ Al-Ajmi M，Alomair O，Elsharkawy A． Planning miscibility test and gas injection projects for four major Kuwaiti reservoirs ［R］． SPE 127537，2009．
［14］ Al-Netaifi A S． Experimental investigation of CO2-miscible oil recovery at different conditions［D］． Riyadh：King Saud University，2008：9-16．
［15］熊钰，孙雷，李士伦，等．辽河稀油区注CO2提高采收率潜力实验评价［J］．西南石油学院学报，2001，23（2）：30-32．
［16］王涛，颜明，郭海波．一种新的回归分析方法———响应曲面法在数值模拟研究中的应用［J］．岩性油气藏，2011，23（2）：100-104．

Metrics

Viewed

Full text

Abstract

Cited

Shared

Discussed

[1]	方锐, 蒋裕强, 陈沁, 曾令平, 罗宇卓, 周亚东, 杜磊, 杨广广. 川东北五宝场地区侏罗系沙溪庙组沉积特征[J]. 岩性油气藏, 2023, 35(2): 47-58.
[2]	王航, 杨海风, 黄振, 白冰, 高雁飞. 基于可容纳空间变化的河流相演化新模式及其控藏作用——以莱州湾凹陷垦利A构造为例[J]. 岩性油气藏, 2020, 32(5): 73-83.
[3]	王涛. 底水油藏直井含水上升预测新方法的建立[J]. 岩性油气藏, 2013, 25(5): 109-112.
[4]	白振华，詹燕涛，王赢，曾丽媛. 苏里格气田苏14 井区盒8 段河流相砂体展布与演化规律研究[J]. 岩性油气藏, 2013, 25(1): 56-62.
[5]	王冬焕，黄思静. 单砂体建模技术及应用———以华北油田某区块为例[J]. 岩性油气藏, 2012, 24(4): 93-98.
[6]	薛艳霞，廖新武，赵春明，霍春亮，张如才. 基于随机建模技术的油田开发初期河流相储层不确定性分析方法———以渤海A油田为例[J]. 岩性油气藏, 2012, 24(1): 80-83.
[7]	王宏，王蓓蕾，王成俊. “两步法”相控随机建模在延长油田储层描述中的应用[J]. 岩性油气藏, 2011, 23(4): 110-114.
[8]	吕坐彬，赵春明，霍春亮，薛艳霞，张岚. 精细相控储层地质建模技术在老油田调整挖潜中的应用———以绥中36-1油田为例[J]. 岩性油气藏, 2010, 22(3): 100-105.
[9]	苏进昌, 张岚, 马新福. 河流相储层开发初期地质建模[J]. 岩性油气藏, 2008, 20(3): 114-118.
[10]	严耀祖, 段天向. 厚油层中隔夹层识别及井间预测技术[J]. 岩性油气藏, 2008, 20(2): 127-131.

基于广义回归神经网络的CO2 驱最小混相压力预测

Prediction of minimum miscibility pressure in CO2 flooding based on general regression neural network

PDF (PC)

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 10

Metrics

本文评价

推荐阅读 10