期刊文献+

储层岩石压缩系数的一种预测方法 被引量:9

A prediction method for reservoir rock compressibility
下载PDF
导出
摘要 岩石压缩系数是油藏工程研究中的一个重要参数,它标志着油气开采过程中岩石所能提供的能量大小。实际应用时,如果按照经验公式求取岩石压缩系数,往往会产生较大误差。为此,引入近年来预测效果较好的支持向量回归机技术,以压力、孔隙度为输入参数,建立支持向量回归机预测模型,用来对未知地层岩石压缩系数进行预测。实际应用表明,预测结果与岩石实际压缩系数之间的相对误差基本都控制在允许范围之内,可见该方法的预测效果很好,可行性高,从而为油气储层岩石压缩系数的预测求取开拓了一种新思路。 Rock compressibility is a very important parameter in the study of reservoir engineering. It indicates that how much energy the rock can provide during the oil and gas exploitation. In practical application, if we calculate the rock compressibility according to the empirical formula, the result will cause major error. Therefore, this paper introduces a method of supporting vector regression, which has preferable forecasting effect to set up the forecasting model for rock compressibility of the unknown reservoir. In this model, we take pressure and porosity as input to calculate rock compressibility. The result indicates that the fractional error between the prediction result and the real value is very small, so this method has preferable effect and feasibility, which affords a new clue of calculating rock compressibility for oil and gas reservoir.
出处 《断块油气田》 CAS 北大核心 2009年第1期45-47,共3页 Fault-Block Oil & Gas Field
关键词 岩石压缩系数 油藏工程 经验公式 支持向量回归机 储层 rock compressibility, reservoir engineering, empirical formula, supporting vector regression, reservoir.
  • 相关文献

参考文献9

二级参考文献12

  • 1李先炜.岩块力学性质[M].北京:煤炭工业出版社,1983.123-146.
  • 2黄炳光 刘蜀知.实用油藏工程与动态分析方法[M].北京:石油工业出版社,1998..
  • 3王德新,吕从容.油井中后期出砂预测及防砂对策[J].石油钻采工艺,1997,19(3):81-84. 被引量:20
  • 4陈元千.异常高压气藏物质平衡方程式的推导反应.石油学报,1983,17(5):355-358.
  • 5中国油气井测试资料解释范例编写组.中国油气井测试资料解释范例[M].北京:石油工业出版社,1994..
  • 6朱军.线性模型分析原理[M].北京:科学出版社,2000.57-64.
  • 7HALL H N. Compressibility of Reservoir Rocks [J] . Trans, AIME,1953, 198: 309-316.
  • 8张学工.统计学习理论的本质[M].北京:清华大学出版社,1996:39—45.
  • 9Vapnik V N. Statistical learning theory [ M ]. John Wiley,New York, 1998:85 - 92.
  • 10Platt J. Fast training of support vector machines using sequential minimal optimization [ C]. Advances in Kernel methods support vector learning. Cambridge, MA : MIT Press, 1999 : 185 - 208.

共引文献113

同被引文献63

引证文献9

二级引证文献26

相关作者

内容加载中请稍等...

相关机构

内容加载中请稍等...

相关主题

内容加载中请稍等...

浏览历史

内容加载中请稍等...
;
使用帮助 返回顶部