简介:由于在冻土层和海洋环境中存在着大量的天然气水合物,因此天然气水合物将成为未来的替代能源。但是,至今尚未对各种开采方法中来自水合物的天然气开采潜力进行充分调查研究。本项研究介绍了一个简单的分析模型,该模型通过减压方法从多孔介质中分解水合物,从而模拟天然气开采。我们认为分解带的热传递、水合物分解内动力学和气水两相流动是涉及多孔介质中水合物分解的三种主要机理。本项研究对涉及物理性质实际变化范围的三种机理的相对重要性进行了比较。实例研究表明,气水两相流动的影响比热传递和水合物分解内动力学的影响小得多。考虑到速度控制作用,开发出的分析模型可以预测在多孔介质中天然气水合物分解的动态特征。模型已用于进行敏感性研究,已便调查在水合物储层进行商业性天然气开采的可行性。研究结果表明,从天然气水合物储层中能够采出大量天然气,水合物叠加在含气带上方。在西伯利亚、阿拉斯加和加拿大的永久冻土区中已发现了这种天然气水合物储层。
简介:南里海坳陷的基底表面位于20~25km深处,使其成为世界上最深的盆地之一。它占据了里海南部的深水区和两个相邻的低地:东面的西土库曼(Turkmenia)低地和西面的下库拉(Kura)低地。该盆地可以分成几个次级盆地和两个主要的沉积中心,一个在盆地的北部,也就是阿普歇伦(Apsheron)海底山脊的南翼;另一个称作前阿尔伯兹(Pre-Alborz)断槽,位于南里海盆地的东南部。南里海盆地的沉积充填已遭受严重变形。其中的一部分是外源沉积,已发生褶皱,覆盖在(渐新-早中新世)梅克普(Maikop)页岩内的塑性挤离带之上。这套褶皱层序之上是晚上新世一第四纪新的原地沉积物,两者呈不整合接触。在上新-更新世,与阿拉伯板块和欧亚大陆的NNE-SSW向聚敛相关的强烈缩短事件影响了该地区。仅上新世-第四纪的沉积物厚度就达10kin。它们源自周围的高加索、阿尔伯兹(Alborz)和科佩特(Kopet-Dagh)造山带及附近的俄罗斯地台,沉积在一个快速沉降的盆地中。盆地中部西侧的地壳厚度只有8km,而在盆地东部超过15km。地球物理数据和重力模拟提供的证据显示,该盆地海域部分的基底是一套速度很高、厚度不大的复杂地壳。盆地沉降的部分原因是陆壳深处的变薄,而更有可能的原因则是洋壳的形成。这发生在中-晚侏罗世弧后盆地发育的背景下,同时在白垩纪可能出现活化。然而有关南里海盆地洋壳增生和深水沉积的时代仍存在争议。目前得出的结论是以沉降分析为基础的,并补充了南里海盆地周边构造单元的地质资料。然而为了解释较年轻的上新世-第四纪的快速沉降阶段(与高加索磨拉石盆地的沉降和高加索造山带的隆起和侵蚀同时发生),还必须有另一种机理。这一快速沉降阶段可能具有挤压成因,因此一个简单的弹性挤压模型可得出大致相当的沉降幅度。另外
简介:模糊逻辑和其他相关“软”计算技术的理论和应用最近有了快速发展,为在以自然语言表述的知识基础上开展模拟开辟了新的途径。对于一般的沉积学模拟和具体的地层模型,基于模糊集理论的模糊逻辑系统都能提供真实的沉积分布特征。本文有两大目的:(1)介绍模糊集和模糊逻辑的基本概念;(2)在日益复杂的成套沉积模型中使用这些概念。这些沉积模型在时间和空间的标度上是变化的,因此要模拟沉积物的分布体系可以使用模糊逻辑系统。本文要介绍的模型有:(1)最近8万年海平面变化过程中的礁发育二维模型;(2)海平面变动或稳定条件下的泛滥平原三维假想模型;(3)加勒比海大巴哈马滩碳酸盐沉积物产率的二维模型;(4)美国死谷中部盆地化学和硅屑沉积物深部岩心的沉积相复原模型。这一死谷地区的模型使用了与自适应神经网络相结合的模糊逻辑系统的“学习功能”。用模糊逻辑模拟沉积特征的地层模型,一般都能以自然的地质变量模拟地下的沉积相分布(不仅仅是沉积水深)。这为地下地质学的统计模拟提供了另一种方法。对于地质家而言,这种方法与需要解成对微分方程组的复杂模型相比,在计算上显然更为有效和更为直观。
简介:由于油气勘探开发问题已变得十分复杂,已无法只依靠一个学科来解决,同时我们又处在信息爆炸的时代,所以油气行业的多学科分析方法和数据发掘工作也就显得越来越必要,已远远超出了职业好奇心。为了解决我们所面临的困难问题,需要为传统学科(例如石油工程学、地质学、地球物理学和地球化学)拆除我们所构建的隔墙,同时寻找真正的多学科解决办法。因此,我们今天基于结果的“综合”将不得不让位于一种新的综合形式,这就是学科综合。此外,为了解决复杂问题,还需要超越标准的数学技术。为此,需要用一些新兴的成套方法和软计算技术(例如专家系统、人工智能、神经网络、模糊逻辑、遗传算法、概率推理和并行处理技术)来补充常规的分析方法。软计算与常规(硬)计算的区别,表现在软计算可以接受模糊性、不确定性和局部真实。软计算还具有易于使用、功能强大、可靠有效和成本低廉的特点。在这篇综述性论文中,我们要特别强调软计算对油气藏智能描述和勘探的作用。
简介:在为特定的油藏管理问题寻求最佳解决方法的过程中,正规的优化策略一般都要评价数百种乃至数千种方案。如果用地下的数值模拟模型来预测这些方案的效果,那么这一过程就会耗费大量时间。为了在某些优化技术[例如遗传算法(GA)或模拟退火(SA)]所主导的搜寻求解的过程中取代此类模拟模型,可以采用训练人工神经网络(ANN)的做法。可以从一个有代表性的模拟样本出发来训练神经网络,而这一样本则构成了解决许多不同管理问题所需的可反复使用的知识库。这些概念已被应用于BP公司彭帕那(Pompano)油田的一个注水项目。这里的管理问题是确定1—4口注水井的组合位置,它将使彭帕那油田今后七年的简单纯利获得最大化。利用石油行业的一个标准油藏模型,为取样于25个潜在注水井井位不同组合的550次模拟创建了一个知识库。首先要查询这个知识库,以回答三年和七年内使简单纯利最大化的最优方案问题。有关的答案表明,如能将仅依靠改变现有生产井的注水扩大为新钻三至四口注水井,就可能实现利润的可观增加,但资本费用也会增加。当这一知识库用作人工神经网络训练和测试的样本来源时,可以获得更好的答案。训练人工神经网络是为了预测最高注水量以及开始注水后三年和七年的油、气产量。人工神经网络对这些数量的快速估算可以用于纯利润计算中,而遗传算法又可以利用这一计算来评估不同注水井组合方案的效果。遗传算法的探索扩展了求解的空间,它含有的新方案在纯利润上超过了仅查询上述知识库所找到的最佳方案。为了评估预测误差对求解质量的影响,可以将人工神经网络预测油、气产量时所得出的最佳方案,与油藏模拟模型本身预测油、气产量时找到的最佳方案加以对比。虽然完成基于模拟模型的方案�