Unconventional Oil and Gas Well Fracturing Parameter Intelligent Optimization: Research Progress and Future Development Prospects
-
摘要:
非常规油气储层具有非均质性强、低孔低渗的特征，非常规油气井需要进行压裂才能投产，与常规油气储层相比，其工程地质条件更为复杂，对传统压裂参数优化方法提出了挑战。人工智能可以为传统方法难以解决的问题提供解决方法，因此，被引入了非常规油气井压裂参数优化。为推动智能压裂理论和技术的快速发展，系统介绍了非常规油气井压裂参数智能优化研究进展情况，主要包括压裂参数优化目标的确定、压裂参数与压裂效果映射关系的建立、最优压裂参数组合的求解，提出非常规油气井压裂参数智能优化主要向基于光纤的井下压裂数据实时采集和传输、物理–数据协同的裂缝扩展–生产动态模拟、压裂参数智能优化及实时调控集成系统等3个方向发展。
Abstract:Unconventional oil and gas reservoirs are characterized by strong heterogeneity, low porosity, and low permeability, and unconventional oil and gas wells need to be fractured to produce. Compared with conventional oil and gas reservoirs, unconventional oil and gas reservoirs have more complex engineering geology condition, which poses a challenge to the traditional fracturing parameter optimization methods. Artificial intelligence can provide solutions to problems that are difficult to solve with traditional methods, so artificial intelligence have been introduced into the optimization of fracturing parameters of unconventional oil and gas wells. In order to promote the rapid development of intelligent fracturing theory and technology, the research progress of intelligent optimization of fracturing parameters for unconventional oil and gas wells was systematically introduced, which mainly including the determination of the optimization objective of fracturing parameters, the establishment of the mapping relationship between fracturing parameters and fracturing effect, and the solution of the optimal fracturing parameter combination, etc. It was also proposed that the intelligent optimization of fracturing parameters for unconventional oil and gas wells should be mainly developed in three directions: real-time acquisition and transmission of downhole fracturing data based on optical fiber, physics-data synergy fracture propagation-production dynamic simulation, as well as intelligent optimization of fracturing parameters and real-time control integrated system.
-
随着勘探开发技术的不断进步，页岩油已成为世界各国油气勘探的重点。由于页岩储层孔喉细小，渗透率极低，导致页岩油藏一次衰竭采收率极低，主要通过加密钻井技术和多级水力压裂技术实现一次采油的短期增产[1-3]。对于大多数地层能量不足的页岩储层，注气是一种常用的方法，与其他气体相比，CO2与页岩油的最小混相压力最低，不但易溶解在页岩油中增大原油体积系数，降低原油黏度，还能在压力大于7.38 MPa、温度高于31.2 ℃时达到超临界状态。CO2注入分为驱替和吞吐2种方式[4-5]，其中CO2吞吐具有用量少、规模小和见效快的优势，学者们也针对CO2吞吐技术开展了深入研究。F. Torabi等人[6-7]通过室内CO2吞吐试验，研究了渗透率、CO2注入压力、闷井时间和吞吐次数等参数对低渗透油藏采收率的影响。杨正明等人[8]进行了岩心吞吐试验，认为第一轮吞吐是CO2吞吐的关键，最佳吞吐次数为3次，CO2波及体积随着闷井时间的增长而增大；但注入过量的CO2，会导致CO2利用率和排油率降低。钱坤等人[9-10]引入核磁共振方法，从微观尺度研究了CO2注入压力、注气速度和闷井时间对微观孔隙的动用程度，评价了微观剩余油的分布特征。
然而，页岩储层开发过程中必然伴随着水力压裂增产技术，压裂后的地层中形成和分布了大量裂缝，目前大部分研究主要集中在CO2吞吐提高采收率和注采参数优化等方面[11-13]，对于压裂后裂缝的渗流特征及裂缝与基质之间的流体交换特征，以及不同渗透率条件下裂缝对CO2吞吐效果的影响研究很少。因此，笔者选取江汉油田潜3段储层不同渗透率级别页岩，开展了CO2吞吐试验，研究了裂缝对不同渗透率储层CO2吞吐效果的影响，并结合低场核磁共振技术，从微观孔隙尺度揭示了吞吐过程中裂缝–基质之间的流体交换特征，定量评价了小孔隙、大孔隙的动用程度，为评价裂缝性页岩储层产油特征、改善生产动态提供了依据和参考。
1. CO2吞吐试验
1.1 试验岩心
试验用页岩取自江汉油田王场地区潜3段，从所有钻取的短岩心中选孔隙度和渗透率相近的2块岩心作为一组，共选取3组6块岩心进行试验，其基本参数见表1。由表1可知，1#和2#页岩的平均孔隙半径最小，5#和6#页岩渗透率最大（平均孔隙半径也最大），3#和4#页岩储层物性居中。此外，为了模拟CO2–原油在裂缝与基质间的渗流特征，避免CO2注入后直接沿裂缝窜流，将1#、3#和5#岩心按照总体积的1/3横向切割（见图1），模拟人造裂缝。
表 1 试验岩心基本参数Table 1. Basic parameters of experimental cores岩心编号 长度/mm 直径/mm 孔隙度, % 渗透率/mD 有机碳含量,% 平均孔隙半径/nm 裂缝横向长度/mm 裂缝纵向长度/mm 1# 80.3 25.1 9.45 0.007 5 3.77 11.72 80.3 21.6 2# 81.3 25.2 8.76 0.005 2 3.59 8.13 无裂缝 无裂缝 3# 78.4 25.1 8.95 0.027 0 3.08 16.81 78.4 22.4 4# 79.2 25.2 9.57 0.044 0 2.74 19.24 无裂缝 无裂缝 5# 81.1 25.1 10.22 0.086 0 1.66 27.43 81.1 22.1 6# 80.6 25.1 11.38 0.094 0 2.14 24.86 无裂缝 无裂缝 1.2 试验流体
试验原油取自生产层位为潜3段的地面分离器原油。储层温度（73 ℃）下原油密度为0.862 kg/L，黏度为4.74 mPa·s。原油组分色谱分析结果表明，目标储层原油中C5—C25的摩尔分数为61.3%，而C32+的摩尔分数为11.2%，说明目标储层原油组分整体偏轻，但仍然含有一定量的重质组分。长细管（细管直径4.52 mm，长度150 mm）试验结果表明，在目标储层条件（18.7 MPa、73 ℃）下，原油与CO2的最小混相压力为20.4 MPa，说明在目前储层条件CO2与原油无法达到混相。测得不同压力下不同CO2溶解比例下的原油膨胀系数如图2所示，可以看出随着平衡压力增大，即随着CO2溶解量增大，原油膨胀系数呈线性增大；当平衡压力达到18.7 MPa时，原油膨胀率达到43.8%，说明目标储层原油具有较高的CO2溶解性和膨胀性。
![]()
图 2 不同CO2溶解比例下原油膨胀系数随平衡压力的变化Figure 2. Variation of the expansion coefficient of crude oil with different proportions of dissolved CO2 with equilibrium pressure1.3 试验装置
CO2吞吐试验装置包括多尺寸可调节无磁岩心夹持器、高压活塞驱替泵、恒温箱、压力传感器、回压阀、油气分离器（精度0.1 mL）、气体流量计和SPEC-RC2型低场核磁共振扫描仪等（见图3）。其中，岩心夹持器可夹持的岩心最大直径45 mm，长度120 mm；驱替泵的流量精度小于0.2 μL/min，压力精度小于0.5%；低场核磁共振扫描仪的磁场强度为0.23 T±0.03 T，脉冲发生器最小间隔50 ns，数字采集器脉冲精度100 ns，频率合成器范围1～40 MHz。
1.4 试验步骤
1）将所有岩心用甲苯和石油醚反复清洗后，放入200 ℃烘箱中加热24 h，充分排出岩心中的水蒸气，再将岩心放入高压密闭釜中抽真空48 h。
2）将试验原油在恒压50 MPa下注入放有页岩的高压密闭釜，充分饱和至注入泵体积不再变化时，恒压老化7 d；降压后取出页岩，将切割好的岩心放入热缩套管中，将岩心密封于套管中，确保试验过程中岩心裂缝尺寸不变；对饱和油后的岩心进行T2谱扫描。
3）将岩心放入夹持器中，加围压后关闭岩心出口端，从另一端以0.5 mL/min速度向岩心中恒速注入CO2，当注入体积达到0.2倍孔隙体积时，停止注入CO2，关闭注入端阀门，闷井12 h。
4）打开夹持器注入端，以同一压降梯度衰竭开发，直至压力降至大气压力，记录产出油和气量，并对吞吐后的岩心进行T2谱扫描，第一轮吞吐完成，然后再重复步骤3）—4），开始下一轮吞吐，累计吞吐3次。
1.5 试验结果
6块试验岩心经过3轮CO2吞吐，每轮吞吐采收率及累计吞吐采收率见表2。
表 2 试验岩心CO2吞吐采收率Table 2. CO2 huff and puff recovery of experimental cores岩心编号 吞吐采收率,% 累计吞吐
采收率，%第一轮 第二轮 第三轮 1# 20.6 8.8 2.4 31.8 2# 11.4 2.8 1.4 15.6 3# 22.4 11.6 4.3 38.3 4# 16.2 6.7 2.2 25.1 5# 25.8 14.1 4.7 44.6 6# 19.6 8.4 3.2 31.2 2. 裂缝对CO2吞吐效果的影响
2.1 裂缝对相同渗透率岩心采收率的影响
对比1#和2#岩心每轮吞吐采收率（见表2）可知，当无裂缝作用时，2#岩心第一轮吞吐采收率为11.4%，虽然后续2轮吞吐采收率分别为2.8%和1.4%，但从提高采收率幅度看，后续2次吞吐的采收率很低，可以认为有效吞吐次数为1次[14]；当有裂缝作用时，相比于2#岩心，1#岩心第一轮吞吐采收率提高幅度80.7%，第二轮吞吐采收率提高幅度214.3%，有效吞吐次数增至2次。以上研究表明，岩心渗透率相当时，裂缝不但能够提高有效吞吐次数，还能提高每轮吞吐采收率；裂缝能够有效提高吞吐初期（前2轮）采收率，但对后期（第三轮）吞吐采收率影响较小。
2.2 裂缝对不同渗透率岩心采收率的影响
为了评价裂缝对不同渗透率岩心吞吐效果的影响，分别对比了不同渗透率条件下裂缝对CO2吞吐采收率的影响及有/无裂缝作用下不同渗透率岩心的吞吐采收率。由表2可知，有裂缝作用的1#、3#、5#岩心的累计吞吐采收率比无裂缝作用的2#、4#、6#岩心的累计吞吐采收率分别提高了103.4%、52.6%和42.9%。以上研究表明，随着渗透率增大，累计吞吐采收率不断升高。这说明虽然裂缝能够提高每轮吞吐采收率及累计吞吐采收率，但随着岩心渗透率增大，裂缝对吞吐采收率的影响程度不断下降。
此外，渗透率对裂缝岩心的吞吐采收率影响较小，而对无裂缝岩心的吞吐采收率影响较大。特别是前2轮吞吐中，在无裂缝作用下，当渗透率由0.044 0 mD（4#岩心）降至0.005 2 mD（2#岩心）时，第一轮吞吐采收率的降低幅度为35.8%，第二轮吞吐采收率的降低幅度达58.2%；相反，在有裂缝作用下时，当渗透率由0.027 0 mD（3#岩心）降至0.007 5 mD（1#岩心）时，第一轮和第二轮吞吐采收率的下降幅度分别仅为8.0%和24.1%。说明裂缝能够减小渗透率降低对CO2吞吐采收率的影响，也就是说压裂能够有效改善页岩油储层CO2吞吐的开发效果。
2.3 裂缝对采油速度的影响
第一轮降压衰竭中1#、2#岩心采油速度及采出程度的关系曲线见图4。从图4可以看出，有裂缝的1#岩心在放喷初期采油速度快速上升，而后采油速度呈阶梯状下降，当衰竭时间接近15 min时，采出程度基本保持不变；无裂缝的2#岩心在放喷初期采油速度缓慢上升，且最大采油速度仅为有裂缝作用下采油速度的一半。这主要是因为无裂缝作用时，放喷泄油面仅在采出端面，随着出口端压力的降低，CO2携带原油从基质孔隙中排出，孔隙距离采出端面越远，原油排出需要克服的阻力越大，导致很多远端孔隙中的原油随CO2运移时“半途而止”；裂缝的存在大大增加了基质的泄油面积，降低了基质中原油进入出口端的阻力，提高了放喷初期和中期的采油速度。
![]()
图 4 第一轮降压衰竭中1#、2#岩心采油速度及采出程度对比Figure 4. Comparison of oil production rate and degree of reserve recovery between Core 1# and Core 2# in the first cycle of depressurization3. 微观孔隙动用特征分析
在低磁场强度中，可以通过测量岩石孔隙中含氢流体的弛豫信号振幅和弛豫速率来建立T2谱分布，研究岩石的微观孔隙结构特征[15-16]。岩石孔隙中饱和流体的弛豫时间与孔隙半径成正比，而振幅强度则代表了某一孔径孔隙中流体的饱和量[17]，因此，可以通过分析CO2吞吐前后的T2谱分布变化来定量评价不同孔径孔隙的原油动用特征。
3.1 裂缝作用下的基质动用特征
3.1.1 T2谱分布特征
根据不同孔径孔隙中原油产生的横向弛豫时间与孔隙半径成正比这一原理[16-17]，结合T2谱曲线中波峰与波谷对应的弛豫时间，可以识别出岩心在饱和油状态下的基质与裂缝。1#、2#岩心饱和油及每轮吞吐后的T2谱分布结果如图5所示。1#岩心包含裂缝，0.1 ms＜T2≤105 ms时对应的区间为基质，105 ms＜T2≤1 100 ms时对应的区间为裂缝（见图5（a））。2#岩心中由于不存在裂缝，因此弛豫时间T2在105～1 100 ms之间既不存在信号振幅，也不存在波峰（见图5（b））。此外，为了便于后续研究不同孔径孔隙中原油的动用特征，进一步将基质孔隙大小划分为2类，即小孔隙（0.1 ms＜T2≤10 ms）和大孔隙（10 ms＜T2≤105 ms）。
![]()
图 5 1#、2#岩心饱和油及每轮吞吐后的T2谱分布Figure 5. T2 spectrum distribution of Core 1# and Core 2# saturated oil and after each huff and puff cycle由图5可知，1#和2#岩心饱和油状态下T2谱分布中小孔隙和大孔隙对应的T2谱形态基本相似。小孔隙对应波峰明显高于大孔隙对应波峰，说明2块岩心孔隙结构相似，小孔隙发育程度高，而大孔隙发育程度较差，且大孔隙、小孔隙之间连通性较差。随着CO2吞吐次数增多，2块岩心的小孔隙和大孔隙对应的振幅均下降，但下降幅度逐渐减小，且大孔隙对应振幅的下降幅度大于小孔隙，说明CO2吞吐过程中大、小孔隙均有动用，且大孔隙的动用程度高于小孔隙。而1#岩心的小孔隙和大孔隙对应振幅的下降幅度均明显大于2#岩心，说明裂缝不但提高了大孔隙中原油的动用程度，还提高了小孔隙中原油的动用程度。
3.1.2 不同孔径孔隙采出程度对比
为进一步定量评价小孔隙和大孔隙中原油的动用程度，根据岩心饱和油后某一弛豫时间范围内信号振幅之和与其对应孔径孔隙中的总饱和油量成正比的特征[18]，计算出吞吐前后不同孔径孔隙中的原油采出程度：
ER=∑TmaxTminw0−∑TmaxTminwh∑TmaxTminw0×100% (1) 式中：ER为孔隙原油采出程度；Tmin，Tmax分别为T2谱分布中某一孔径孔隙对应的最小和最大驰豫时间，ms；w0为初始饱和油状态下T2谱的信号振幅；wh为某轮吞吐后T2谱的信号振幅。
1#和2#岩心每轮吞吐后不同孔隙的原油采出程度如图6所示。从图6可以看出，无论有无裂缝的影响，CO2吞吐过程中大孔隙原油采出程度一直大于小孔隙。而裂缝对大孔隙、小孔隙采出程度的影响会随着吞吐次数的增加而逐渐变化（见表3）。
![]()
图 6 1#、2#岩心每轮吞吐后不同孔径孔隙原油采出程度对比Figure 6. Comparison of degree of reserve recovery of crude oil for Core 1# and Core 2# after each huff and puff cycle from pores in different sizes表 3 不同吞吐轮次中裂缝对大、小孔隙采出程度提高幅度的影响Table 3. Influence on the increase rate in degree of reserve recovery from macropores and micropores contributed by fractures in each huff and puff cycle吞吐轮次 孔隙类型 采出程度，% 采出程度提高
幅度，%1#岩心 2#岩心 第一轮 小孔隙 6.8 4.4 54.5 大孔隙 37.5 24.6 52.4 第二轮 小孔隙 4.3 1.8 138.9 大孔隙 19.6 13.8 42.0 第三轮 小孔隙 1.8 0.6 200.0 大孔隙 10.5 8.7 20.7 从表3可知，第一轮吞吐中，有裂缝作用下大孔隙原油采出程度为37.5%，比无裂缝作用下大孔隙采出程度提高了近52.5%，虽然小孔隙采出程度较低，但相比于2#岩心，裂缝仍然能够将小孔隙采出程度提高近54.6%；第二轮吞吐中，裂缝提高大孔隙采出程度幅度下降至42.0%，而小孔隙采出程度提高幅度达到138.9%；第三轮吞吐中，裂缝提高大孔隙采出程度幅度下降至20.7%，而小孔隙采出程度提高幅度达到200.0%。说明随着CO2吞吐次数的增加，裂缝对大孔隙中原油采出程度的影响在减弱，而对小孔隙中原油采出程度的影响在增强。
3.2 不同渗透率岩心基质动用特征
3.2.1 T2谱分布特征
根据3.1节的识别方法，分别识别出3#和5#岩心的基质（小孔隙和大孔隙）及裂缝。2块岩心饱和油及每轮吞吐后的T2谱分布结果如图7所示。
![]()
图 7 3#和5#岩心饱和油及每轮吞吐后的T2谱分布Figure 7. T2 spectrum distribution of Core 3# and Core 5# saturated oil and after each huff and puff cycle从图7可以看出，3#和5#岩心在饱和油状态下的T2谱分布与1#岩心存在差异，3#岩心中小孔隙对应波峰的峰值与大孔隙对应波峰的峰值基本相当，说明该岩心物性较好，大孔隙、小孔隙发育程度较高且相当，大孔隙、小孔隙之间连通性较好。5#岩心中小孔隙对应波峰的峰值明显小于大孔隙对应波峰的峰值，说明该岩心大孔隙发育程度高，小孔隙发育程度较差，大、小孔隙之间连通性好，原油主要赋存于大孔隙之中[19-20]。结合图5（a）可知，随着岩心渗透率的增大，岩心孔隙结构参数变好，T2谱分布中大孔隙对应峰值及面积不断增大，小孔隙对应峰值及面积不断降低。在CO2吞吐过程中，随着吞吐次数增多，3#和5#岩心大孔隙、小孔隙对应振幅的变化规律与1#岩心相似，但由于3#和5#岩心大孔隙发育程度高，其对应振幅的下降幅度更大，可以看出采收率的提高主要来源于大孔隙。从T2谱分布的变化可知，对于储层物性较好的岩心，大孔隙仍然是后续挖潜的主要方向。
3.2.2 不同孔径孔隙采出程度对比
含有裂缝的3块岩心大孔隙、小孔隙采出程度关系曲线如图8所示。从图8可以看出，随着渗透率降低，小孔隙采出程度不断下降；但随着吞吐次数增加，3块岩心的小孔隙采出程度的差异减小。这说明高渗透率岩心由于大孔隙发育程度高，孔喉连通性好，CO2在进入大孔隙后，通过扩散和抽提作用能够动用与其连通的小孔隙，导致CO2波及体积大，小孔隙采出程度也相对较高。随着吞吐次数增加，由于小孔隙中原油的动用主要依靠缓慢的抽提和传质作用，导致小孔隙采出程度快速下降；而大孔隙采出程度随吞吐次数增多而快速下降，这主要是因为大孔隙原油的动用主要依靠原油体积膨胀和降压时的溶解气驱作用，这一过程快速且主要发生在吞吐初期，后续吞吐主要动用的是已波及区域内大孔隙中的剩余油，由于剩余油组分加重，导致后续吞吐中大孔隙的采出程度快速下降。
![]()
图 8 含有裂缝的不同渗透率岩心大孔隙、小孔隙采出程度对比Figure 8. Comparison between degree of reserve recovery from macropores and micropores in fractured cores with different permeability4. 结 论
1）裂缝能够显著提高CO2吞吐初期采油速度和采收率，但随着岩心渗透率升高和吞吐次数增多，裂缝对吞吐采收率的影响程度逐渐降低。另外，裂缝还能降低渗透率对CO2吞吐采收率的影响。
2）不管有无裂缝存在，CO2吞吐过程中大孔隙的动用程度高于小孔隙，但随着吞吐次数增多，裂缝对大孔隙原油采出程度的提高幅度不断减小，而对小孔隙原油采出程度的提高幅度不断增大。
3）大孔隙中原油主要靠CO2体积膨胀和溶解气驱方式动用，速度快且产量高；而小孔隙中原油主要靠抽提和传质方式动用，过程缓慢且产量低，导致后续轮次吞吐中CO2波及体积减小，动用效果变差，产量降低速度快。
-
![]()
-
[1] 窦宏恩,张蕾,米兰,等. 人工智能在全球油气工业领域的应用现状与前景展望[J]. 石油钻采工艺,2021,43(4):405–419. DOU Hongen, ZHANG Lei, MI Lan, et al. The application status and prospect of artificial intelligence in the global oil and gas in dustry[J]. Oil Drilling & Production Technology, 2021, 43(4): 405–419.
[2] 盛茂,张家麟,张彦军,等. 基于数据驱动的水平井暂堵压裂有效性评价新模型[J]. 天然气工业,2023,43(9):132–140. SHENG Mao, ZHANG Jialin, ZHANG Yanjun, et al. A new data-driven effectiveness evaluation model of temporary plugging fracturing for horizontal wells[J]. Natural Gas Industry, 2023, 43(9): 132–140.
[3] 李根生,宋先知,祝兆鹏,等. 智能钻完井技术研究进展与前景展望[J]. 石油钻探技术,2023,51(4):35–47. LI Gensheng, SONG Xianzhi, ZHU Zhaopeng, et al. Research progress and the prospect of intelligent drilling and completion technologies [J]. Petroleum Drilling Techniques, 2023, 51(4): 35–47.
[4] 崔奕,汪海阁,丁燕,等. 碳中和愿景下油气钻井的数字化、智能化转型之路[J]. 石油钻采工艺,2022,44(6):769–776. CUI Yi, WANG Haige, DING Yan, et al. Routes of digital and intelligent transformation for petroleum drilling with a vision of carbon neutrality[J]. Oil Drilling & Production Technology, 2022, 44(6): 769–776.
[5] 张世昆,陈作. 人工智能在压裂技术中的应用现状及前景展望[J]. 石油钻探技术,2023,51(1):69–77. ZHANG Shikun, CHEN Zuo. Status and prospect of artificial intelligence application in fracturing technology[J]. Petroleum Drilling Techniques, 2023, 51(1): 69–77.
[6] 葛亮, 滕怡, 肖国清,等. 基于井下环空参数的溢流智能预警技术研究[J]. 西南石油大学学报(自然科学版),2023,45(2):126–134. GE Liang, TENG Yi, XIAO Guoqing, et al. Research on over flow intelligent warning technology based on downhole annulus parameters[J]. Journal of Southwest Petroleum University( Science & Technology Edition), 2023, 45(2): 126–134.
[7] 蒋廷学,周珺,廖璐璐. 国内外智能压裂技术现状及发展趋势[J]. 石油钻探技术,2022,50(3):1–9. JIANG Tingxue, ZHOU Jun, LIAO Lulu. Development status and future trends of intelligent fracturing technologies[J]. Petroleum Drilling Techniques, 2022, 50(3): 1–9.
[8] 王敏生,光新军,耿黎东. 人工智能在钻井工程中的应用现状与发展建议[J]. 石油钻采工艺,2021,43(4):420–427. WANG Minsheng, GUANG Xinjun, GENG Lidong. Application status and development suggestions of artificial intelligence in drilling engineering[J]. Oil Drilling & Production Technology, 2021, 43(4): 420–427.
[9] 杨传书,李昌盛,孙旭东,等. 人工智能钻井技术研究方法及其实践[J]. 石油钻探技术,2021,49(5):7–13. YANG Chuanshu, LI Changsheng, SUN Xudong, et al. Research method and practice of artificial intelligence drilling technology[J]. Petroleum Drilling Techniques, 2021, 49(5): 7–13.
[10] 吴泽兵,谷亚冰,姜雯,等. 基于遗传优化算法的井底钻压智能预测模型[J]. 石油钻采工艺,2023,45(2):151–159. WU Zebing, GU Yabing, JIANG Wen, et al. Intelligent prediction models of downhole weight on bit based on genetic optimization algorithm[J]. Oil Drilling & Production Technology, 2023, 45(2): 151–159.
[11] 孙翰文,费繁旭,高阳,等. 吉木萨尔陆相页岩水平井压裂后产量影响因素分析[J]. 特种油气藏,2020,27(2):108–114. SUN Hanwen, FEI Fanxu, GAO Yang, et al. Production sensitivity analysis of fractured horizontal wells in Jimusar continental shale[J]. Special Oil & Gas Reservoirs, 2020, 27(2): 108–114.
[12] 常青,李青一,赵鹏,等. 镧系金属示踪剂的研制及其在苏里格地区的应用 [J]. 钻井液与完井液,2018,35(3):114–118. CHANG Qing, LI Qingyi, ZHAO Peng, et al. Lanthanide series metal tracers: development and application in Sulige Area[J]. Drilling Fluid & Completion Fluid, 2018, 35(3): 114–118.
[13] 张矿生,唐梅荣,陶亮,等. 庆城油田页岩油水平井压增渗一体化体积压裂技术[J]. 石油钻探技术,2022,50(2):9–15. ZHANG Kuangsheng, TANG Meirong, TAO Liang, et al. Horizontal well volumetric fracturing technology integrating fracturing, energy enhancement, and imbibition for shale oil in Qingcheng Oilfield[J]. Petroleum Drilling Techniques, 2022, 50(2): 9–15.
[14] 习传学,高东伟,陈新安,等. 涪陵页岩气田西南区块压裂改造工艺现场试验[J]. 特种油气藏,2018,25(1):108–114. XI Chuanxue, GAO Dongwei, CHEN Xin'an, et al. Field test of fracturing technology in the southwest section of Fuling Shale Gas Field[J]. Special Oil & Gas Reservoirs, 2018, 25(1): 108–114.
[15] 李宗田,肖勇,李宁,等. 低油价下的页岩油气开发工程技术新进展[J]. 断块油气田,2021,28(5):577–585. LI Zongtian,XIAO Yong,LI Ning,et al. New progress in shale oil and gas development engineering technology under low oil prices[J]. Fault-Block Oil & Gas Field, 2021, 28(5): 577–585.
[16] 刘红磊,周林波,陈作,等. 中国石化页岩气电动压裂技术现状及发展建议[J]. 石油钻探技术,2023,51(1):62–68. LIU Honglei, ZHOU Linbo, CHEN Zuo, et al. The up-to-date electric shale gas fracturing technologies of Sinopec and suggestions for further improvements[J]. Petroleum Drilling Technique, 2023, 51(1): 62–68.
[17] REN Wenxi, LI Gensheng, TIAN Shouceng, et al. Adsorption and surface diffusion of supercritical methane in shale[J]. Industrial and Engineering Chemistry Research, 2017, 56(12): 3446–3455. doi: 10.1021/acs.iecr.6b04432
[18] WU Keliu, CHEN Zhangxin, LI Xiangfang. Real gas transport through nanopores of varying cross-section type and shape in shale gas reservoirs[J]. Chemical Engineering Journal, 2015, 281: 813–825. doi: 10.1016/j.cej.2015.07.012
[19] REN Wenxi, LI Gensheng, TIAN Shouceng, et al. An analytical model for real gas flow in shale nanopores with non-circular cross-section[J]. AIChE Journal, 2016, 62(8): 2893–2901. doi: 10.1002/aic.15254
[20] SUN Zheng, LI Xiangfang, SHI Juntai, et al. Apparent permeability model for real gas transport through shale gas reservoirs considering water distribution characteristic [J]. International Journal of Heat and Mass Transfer, 2017, 115(part A): 1008−1019.
[21] REN Wenxi, GUO Jianchun, ZENG Fanghui, et al. Modeling of high-pressure methane adsorption on wet shales[J]. Energy & Fuels, 2019, 33(8): 7043–7051.
[22] LI Jing, WU Keliu, CHEN Zhangxin, et al. Effects of energetic heterogeneity on gas adsorption and gas storage in geologic shale systems[J]. Applied Energy, 2019, 251: 113368. doi: 10.1016/j.apenergy.2019.113368
[23] YANG Feng, NING Zhengfu, ZHANG Rui, et al. Investigations on the methane sorption capacity of marine shales from Sichuan Basin, China[J]. International Journal of Coal Geology, 2015, 146: 104–117. doi: 10.1016/j.coal.2015.05.009
[24] REN Wenxi, TIAN Shouceng, LI Gensheng, et al. Modeling of mixed-gas adsorption on shale using hPC-SAFT-MPTA[J]. Fuel, 2017, 210: 535–544. doi: 10.1016/j.fuel.2017.09.012
[25] YANG Feng, XIE Congjiao, NING Zhengfu, et al. High-pressure methane sorption on dry and moisture-equilibrated shales[J]. Energy & Fuels, 2017, 31(1): 482–492.
[26] 任文希,周玉,郭建春,等. 适用于中深层—深层页岩气的高压吸附模型[J]. 地球科学,2022,47(5):1865–1875. doi: 10.3321/j.issn.1000-2383.2022.5.dqkx202205023 REN Wenxi, ZHOU Yu, GUO Jianchun, et al. High-pressure adsorption model for middle–deep and deep shale gas[J]. Earth Science, 2022, 47(5): 1865–1875. doi: 10.3321/j.issn.1000-2383.2022.5.dqkx202205023
[27] ARPS J J. Analysis of decline curves[J]. Transactions of the AIME, 1945, 160(1): 228–247. doi: 10.2118/945228-G
[28] ILK D, RUSHING J A, PEREGO A D, et al. Exponential vs. hyperbolic decline in tight gas sands: understanding the origin and implications for reserve estimates using Arps’ decline curves[R]. SPE 116731, 2008.
[29] DUONG A N. An unconventional rate decline approach for tight and fracture-dominated gas wells[R]. SPE 137748, 2010.
[30] CLARK A J, LAKE L W, PATZEK T W. Production forecasting with logistic growth models[R]. SPE 144790, 2011.
[31] TAN Lei, ZUO Lihua, WANG Binbin. Methods of decline curve analysis for shale gas reservoirs[J]. Energies, 2018, 11(3): 552. doi: 10.3390/en11030552
[32] ZUO Lihua, YU Wei, WU Kan. A fractional decline curve analysis model for shale gas reservoirs[J]. International Journal of Coal Geology, 2016, 163: 140–148. doi: 10.1016/j.coal.2016.07.006
[33] YU Shaoyong, LEE W J, MIOCEVIC D J, et al. Estimating proved reserves in tight/shale wells using the modified SEPD method[R]. SPE 166198, 2013.
[34] REN Wenxi, LAU H C. Analytical modeling and probabilistic evaluation of gas production from a hydraulically fractured shale reservoir using a quad-linear flow model[J]. Journal of Petroleum Science and Engineering, 2020, 184: 106516. doi: 10.1016/j.petrol.2019.106516
[35] REN Wenxi, LAU H C. New rate-transient analysis for fractured shale gas wells using a tri-linear flow model[J]. Journal of Natural Gas Science and Engineering, 2020, 80: 103368. doi: 10.1016/j.jngse.2020.103368
[36] SONG Xuanyi, LIU Yuetian, XUE Liang, et al. Time-series well performance prediction based on long short-term memory (LSTM) neural network model[J]. Journal of Petroleum Science and Engineering, 2020, 186: 106682. doi: 10.1016/j.petrol.2019.106682
[37] CHEN Xianchao, LI Jiang, GAO Ping, et al. Prediction of shale gas horizontal wells productivity after volume fracturing using machine learning–an LSTM approach[J]. Petroleum Science and Technology, 2022, 40(15): 1861–1877. doi: 10.1080/10916466.2022.2032739
[38] LEE K, LIM J, YOON D, et al. Prediction of shale-gas production at Duvernay Formation using deep-learning algorithm[J]. SPE Journal, 2019, 24(6): 2423–2437. doi: 10.2118/195698-PA
[39] KOCOGLU Y, GORELL S, MCELROY P. Application of Bayesian optimized deep Bi-LSTM neural networks for production forecasting of gas wells in unconventional shale gas reservoirs[R]. URTEC-2021-5418-MS, 2021. .
[40] YANG Run, LIU Xiangui, YU Rongze, et al. Long short-term memory suggests a model for predicting shale gas production[J]. Applied Energy, 2022, 322: 119415. doi: 10.1016/j.apenergy.2022.119415
[41] WANG Tianyu, WANG Qisheng, SHI Jing, et al. Productivity prediction of fractured horizontal well in shale gas reservoirs with machine learning algorithms[J]. Applied Sciences, 2021, 11(24): 12064. doi: 10.3390/app112412064
[42] BEN TAIEB S, BONTEMPI G, ATIYA A F, et al. A review and comparison of strategies for multi-step ahead time series forecasting based on the NN5 forecasting competition[J]. Expert Systems with Applications, 2012, 39(8): 7067–7083. doi: 10.1016/j.eswa.2012.01.039
[43] TADJER A, HONG A, BRATVOLD R B. Machine learning based decline curve analysis for short-term oil production forecast[J]. Energy Exploration & Exploitation, 2021, 39(5): 1747–1769.
[44] 李丽哲,周福建,王博. 水平井多级压裂高维参数智能优化方法研究[J]. 石油科学通报,2023,8(3):347–359. doi: 10.3969/j.issn.2096-1693.2023.03.025 LI Lizhe, ZHOU Fujian, WANG Bo. Method investigation on intelligent optimization of high dimension HWMHF parameters[J]. Petroleum Science Bulletin, 2023, 8(3): 347–359. doi: 10.3969/j.issn.2096-1693.2023.03.025
[45] DU Yihe, LIU Hualin, SUN Yuping, et al. An improved integrated numerical simulation method to study main controlling factors of EUR and optimization of development strategy[J]. Energies, 2023, 16(4): 2011. doi: 10.3390/en16042011
[46] RAHMANIFARD H, ALIMOHAMADI H, GATES I. Well performance prediction in Montney Formation using machine learning approaches[R]. URTEC-2020-2465-MS, 2020.
[47] LI Dongshuang, YOU Shaohua, LIAO Qinzhuo, et al. Prediction of shale gas production by hydraulic fracturing in Changning Area using machine learning algorithms[J]. Transport in Porous Media, 2023, 149(1): 373–388. doi: 10.1007/s11242-023-01935-3
[48] MORADIDOWLATABAD M, JAMIOLAHMADY M. The performance evaluation and design optimisation of multiple fractured horizontal wells in tight reservoirs[J]. Journal of Natural Gas Science and Engineering, 2018, 49: 19–31. doi: 10.1016/j.jngse.2017.10.011
[49] RAHMANIFARD H, PLAKSINA T. Application of fast analytical approach and AI optimization techniques to hydraulic fracture stage placement in shale gas reservoirs[J]. Journal of Natural Gas Science and Engineering, 2018, 52: 367–378. doi: 10.1016/j.jngse.2018.01.047
[50] YAO Jun, LI Zhihao, LIU Lijun, et al. Optimization of fracturing parameters by modified variable-length particle-swarm optimization in shale-gas reservoir[J]. SPE Journal, 2021, 26(2): 1032–1049. doi: 10.2118/205023-PA
[51] 隋微波,温长云,孙文常,等. 水力压裂分布式光纤传感联合监测技术研究进展[J]. 天然气工业,2023,43(2):87–103. SUI Weibo, WEN Changyun, SUN Wenchang, et al. Joint application of distributed optical fiber sensing technologies for hydraulic fracturing monitoring[J]. Natural Gas Industry, 2023, 43(2): 87–103.
[52] ZHAO Yu, BESSA F, SAHNI V, et al. Key learnings from hydraulic fracturing test site-2 (HFTS-2), Delaware Basin[R]. URTEC-2021-5229-MS, 2021.
[53] LIU Huihai, ZHANG Jilin, LIANG Feng, et al. Incorporation of physics into machine learning for production prediction from unconventional reservoirs: a brief review of the gray-box approach[J]. SPE Reservoir Evaluation & Engineering, 2021, 24(4): 847–858.
[54] BUTLER E, PERTUSO D, HUA G, et al. Automated hydraulic fracturing integrated with predictive machine learning[R]. SPE 209165, 2022.
-
期刊类型引用(14)
1. 李斌会，邓森，张江，曹胜，郭天娇，徐全，霍迎冬. 古龙页岩油高温高压注CO_2驱动用效果. 大庆石油地质与开发. 2024(01): 42-51 . 
百度学术
2. 姚红生，高玉巧，郑永旺，邱伟生，龚月，钱洋慧. CO_2快速吞吐提高页岩油采收率现场试验. 天然气工业. 2024(03): 10-19 . 百度学术
3. 李阳，曹小朋，赵清民，刘祖鹏，薛兆杰，蒋龙. 济阳坳陷陆相断陷盆地页岩油开发的几点思考. 石油钻探技术. 2024(04): 1-7 . 本站查看
4. 吴壮坤，张宏录，池宇璇. 苏北页岩油二氧化碳强压质换技术. 石油钻探技术. 2024(04): 87-93 . 本站查看
5. 李邦国，侯家鵾，雷兆丰，张博，王斌，陈江. 超临界CO_2萃取页岩油效果评价及影响因素分析. 石油钻探技术. 2024(04): 94-103 . 本站查看
6. 陈洪才，王彪，李太伟，张鑫，朱杰，戴志鹏，孙敬，李思辰. 在线核磁监测法优化裂缝性页岩油藏赋能渗吸吞吐工艺. 石油钻采工艺. 2024(02): 228-237 . 百度学术
7. 马先林，刘朕之，湛杰，潘晓甜，李成德. 基于物理信息神经网络的CO_2羽流分布预测方法. 石油钻探技术. 2024(05): 69-75 . 本站查看
8. 黄千慧，李海波，杨正明，邢济麟，陈波，李杰，薛伟，姚兰兰，杜猛，孟焕. 页岩（致密）油藏注CO_2吞吐作用距离实验. 大庆石油地质与开发. 2024(06): 128-135 . 百度学术
9. 张岩，冯海顺，翟勇，周晓梅，刘东青，王坤. 低渗透稠油油藏CO_2压驱提高采收率机理及规律研究. 石油钻探技术. 2024(06): 97-106 . 本站查看
10. 张磊，于海洋，黄涛，唐慧婷，孙灵辉，曾华柯，汪洋. CO_2吞吐提高其埋存率及页岩油采收率的影响因素. 华南师范大学学报(自然科学版). 2024(05): 16-26 . 百度学术
11. 刘雨奇，陈哲伟，雷启鸿，徐振华，罗二辉，雷征东，熊维亮，何右安. 庆城页岩油后期补能注伴生气吞吐注采参数优化. 科学技术与工程. 2023(12): 5033-5040 . 百度学术
12. 饶志华，邓成辉，马倩芸，武广瑷，武治强，程小伟. CCUS井工况下不同引晶材料对水泥石裂缝自愈合过程的影响. 钻井液与完井液. 2023(04): 495-501 . 百度学术
13. 张矿生，齐银，薛小佳，陶亮，陈文斌，武安安. 鄂尔多斯盆地页岩油水平井CO_2区域增能体积压裂技术. 石油钻探技术. 2023(05): 15-22 . 本站查看
14. 杜书恒，沈文豪，赵亚溥. 页岩储层应力敏感性定量评价:思路及应用. 力学学报. 2022(08): 2235-2247 . 百度学术
其他类型引用(4)
下载:
计量
- 文章访问数: 664
- HTML全文浏览量: 140
- PDF下载量: 242
- 被引次数: 18
