油藏动态预测的物理信息神经网络方法研究

就油气田开发而言,深度学习在产量预测、饱和度预测、数值模拟等问题已经得到了广泛应用。但是,基于纯数据驱动的深度学习预测模型,存在着泛化能力较弱,数据需求量大等问题,这些问题限制了其在油藏开发动态预测方面的应用。对此,本文介绍了一种基于油藏渗流力学和数据驱动的深度学习神经网络模型,首先通过大量的文献调研,综述出物理信息神经网络(PINN)方法的国内外现状,总结PINN的机理,同时对基于PINN预测效果的影响因素进行了分析,为使用PINN方法对油藏动态预测提供一定的指导意义,同时也为油藏动态预测研究提供了理论依据与方向。

埃及西沙漠地区老油田增加新可采油量

埃及西沙漠地区老油田增加新可采油量对埃及Badr-1（BED-1）油田Kharita油藏进行的一项最新模拟研究表明，对其原始原油地质储量估计偏低。预测的动态表明，在不采取更多措施的情况下Kharita油藏的最终总采油量将仅为原始原油地质储量的53．5％。所有将来侧钻和新钻井位都将基于有限剩余储量根据初步模拟预测的结果而终止。由于目前平均原油产量与大量累积采出原油体积之间不协调，结合预测压力动态和驱动机理，进行了一项油藏管理调整和动态复查研究，以便说明BED-1油田Kharlta油藏的动态差异性和不协调问题。本文重点是了解油藏动态，而不仅是获得历史拟合。