简介：运用常规状态方程、理论图版、经验公式计算富含CO2天然气的偏差因子会产生较大偏差。以实验数据为基础,采用常用的气体偏差因子计算模型及校正方法计算不同CO2含量的气体偏差因子,并与实验值进行对比,从而评价出富含CO2天然气偏差因子计算模型的适应性。结果表明：校正模型的计算精度普遍高于未校正模型;GXQ校正法的计算误差普遍小于WA和CKB校正法;最为准确的是结合了GXQ校正的DAK模型,其平均相对误差仅为1.93%。另外,基于DAK模型和GXQ校正法的计算结果,分析了富含CO2天然气偏差因子随温度、压力及CO2含量的变化规律。

简介：深层和超深层气藏的开发已成为气藏开发最重要的领域之一。由于气藏埋藏较深,普遍存在高温高压的特点,气藏气体偏差因子的计算直接影响单井井底流压、产能和动态储量的计算准确度,从而影响开发技术对策的制定。然而目前计算偏差因子和井底流压的方法众多,不同的气藏,计算方法的适用性存在差别。针对双鱼石茅口组高温高压气藏,通过BB法、HY法、DPR法、DKA法、LXF法和ZGD法6种偏差因子计算方法的计算结果与实验实测值进行对比,结果表明:①在气藏条件下HY法和DAK法计算准确性最高,最大偏差约为2.5%,其中DAK法计算结果最为接近实验值,并且在8MPa至123MPa压力范围内,平均偏差约为0.6%。②基于实验测试和计算结果确认DAK法适用于该气藏的天然气偏差因子计算。③在此研究基础上,对温压耦合模型进行改进,建立了新的气藏井底流压计算模型。对比现场测试压力和模型计算值,改进的温压耦合模型计算结果偏差最低,仅为-1.593%,具有较高准确性,研究结果表明针对类似于双鱼石这类高温高压气藏,DAK法和改进的温压耦合模型具有较强适用性。

简介：介绍并比较了两种有监督的机器学习方法：BP神经网络和决策树。用两种方法分别论证了如何利用测井信息非线性地表示孔隙度。与传统的线性回归方法相比,机器学习效果更好,准确性更高。BP神经网络和决策树的应用效果表明,机器学习可以有效预测孔隙度,也可以应用于储层孔隙度预测中。相比之下,神经网络具有更高的准确性和更广阔的前景。