基于广义回归神经网络的CO2 驱最小混相压力预测

薛艳霞; 廖新武; 赵春明; 霍春亮; 张如才

doi:10.3969/j.issn.1673-8926.2012.01.021

岩性油气藏 >

2012 , Vol. 24 >Issue 1: 108 - 111

DOI: https://doi.org/10.3969/j.issn.1673-8926.2012.01.021

油气田开发

基于广义回归神经网络的CO2 驱最小混相压力预测

薛艳霞 ,
廖新武 ,
赵春明 ,
霍春亮 ,
张如才

展开

中国石油大学（华东）石油工程学院

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

网络出版日期: 2012-02-20

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

收起

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

XUE Yanxia ,
LIAO Xinwu ,
ZHAO Chunming ,
HUO Chunliang ,
ZHANG Rucai

Expand

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

Online published: 2012-02-20

Fold

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

本文引用格式

薛艳霞 , 廖新武 , 赵春明 , 霍春亮 , 张如才 . 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 . DOI: 10.3969/j.issn.1673-8926.2012.01.021

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

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．

Options

文章导航

模态框（Modal）标题

摘要

本文引用格式

Abstract

参考文献