SPE外文翻译.docVIP

在低渗透砂岩层气藏中现场预测克林肯伯格渗透率的新方法 Mehdi Tadayoni ，National Iranian Oil Company and Mina Valadkhani ，Sepah Bank 摘要 油藏的沉积作用和成岩作用使得低渗透性气藏趋于不均质状态，这给地质研究员的分析研究带来了很大困难。对于静态和动态的储量模型来说，岩石的物理特性是非常重要的。 本文是一篇关于借用人工神经网络的方法、综合的测井曲线和岩心分析数据的方法，来预测位于美国西部一个盆地的克林肯伯格渗透率。克林肯伯格模型是一个关于气相渗透率和平均岩心压力倒数的近似线性关系式。克林肯伯格方法是一个与正在开发的以单根数据点为基础的计算岩心样本的渗透率方法相一致的基础方法。 在低渗透性气藏中，随着天然气滑脱现象（克林肯伯格效应）的不断增加导致了孔隙喉管的减小和渗透性参数逐渐降低。 有一些方法可以测定现场的克林肯伯格渗透率——通过测量常规???空气渗透率和克林肯伯格参数，例如在1997年和2003年伯恩的计算，但是这些方法侧重于以岩心的渗透率为计算核心，这就需要很多的岩心塞，所以我们不得不在这方面花很多的时间和费用。 这项研究的目的是，通过使用总纲发展蓝图的方法和反传播的方法(人工神经网络)来描述在三个不同的阶段(培训，确认，应用)的三个不同的井，用适当的岩心校准现场的克林肯伯格渗透率，来研究关于岩心克林肯伯格渗透率和综合测井曲线 (伽玛射线，密度，中子，地层电阻率等等)的关系。为了两口井能在这里进行非常好的岩心校准，在培训和应用过程中，第二口井（R2）的半径要超过0.7。 非均质性低渗透性强的气藏评价的重要的一项是通过应用人工神经网络和常规的测井曲线来实现的。这将花费更少的费用和时间，而且最终可获得更精确的克林肯伯格渗透率。 绪论 低渗透气藏被定义为底层的渗透率要少于0.1毫达西。在致密储集层中的油气储量在天然气资源中占有一个非常重要的百分数。低渗透气藏常常展现出异常的特性，这需要对低渗透气藏有更多的研究。可靠地油藏描述和这种低渗透率的致密性气藏的评价需要可靠地实验室的渗透率数据。 气体滑脱是一个在多孔介质中与非层流气体流动相互联系的非达西效应。这个效应的显示是当岩石孔隙吼道半径接近这所谓的气体摩尔自由半径 ，因此导致自由气体摩尔的速度增加和滑脱当接触到岩石的表面。这种现象对于低渗透气体砂岩有特殊的意义特别是对于非常细微的喉道孔隙，在这个进程中，气层的速度与坚固的岩石的毛细管或者多孔有直接密切的关联，他的数值不是0 。在多孔介质样本中有气体流动率增加的例子：是第一个研究并记录气体滑脱效应在多孔介质中的影响，观察到气体渗透率和平均压力是函数关系，更进一步的他观察到气体渗透率在无限大的平均压力下将接近临界值，这个临界渗透率值有时候通过公式1被参考为等效的液体渗透率或者是克林肯伯格校正后的渗透率。通过电脑模拟线性截取平均压力渗透率通过互换平均压力值。他的方程形式，线性形式的定义为 （1） 方程1也与克林肯伯格提及的相互关联，p是平均压力，k在平均压力下观察到的表面气体渗透率，K是真实的渗透率或者是克林肯伯格在无限大的平均压力下的渗透率。b是气体滑脱因子，他的系数取决于特别气体的平均自由半径和多孔介质的平均孔隙半径。正如下面给出的方程式（2） （2） 其中λ是自由行程的气体摩尔数，他是通过速度梯度垂直传导给井的,并且c是比值因子，其中r是毛细管的半径或者孔隙半径。理想化的多孔介质是这样的全部的数值在 这些原料中是同一横截面和横向是随机的通过坚固的原料。方程2表明气体滑脱效应对于低渗透的孔隙岩样有重大的意义由于他的极其小的孔隙值。 人工神经网络（ANN）是克林肯伯格效应预测的一种方法。利用人工网络神经可以除去一些关于成本和发展模型预测渗透率贡献的问题。人工网络神经是一个数字进程系统有能力学习和了解投入和产出的复杂关系通过使用联通的智能神经元。人工网络神经有学习的能力，因为他能认知，分类和归纳。人工网络神经的自主学习可以被管理，在这种情况下，投入和产出模式被要求或者自主的方式，这仅仅需要输入模式。图表1展示了人工神经网络的。神经网络的反传播的方法在有价值的网络中在广泛的不同的问题中由于它的能力而被设计，训练和归纳（预测），这样而被选中的(Oyerokun, 2002)。一个反传播方法的网络是多层网络而不是未发现的地层。他的有效输入向前传播是当错误的向后传播去适应这个链接体系是为了提高他的可预测能力。这种持续性是知道需要的最小量错误被获得时才停止。 图