专利名称：多层混采原油分层产能贡献动态色谱监测方法
技术领域：
本发明涉及一种在油田开发生产中对油藏的监测方法，具体涉及对多层混采油井中分层产能贡献进行监测的方法。
背景技术：
在油田开发生产中，为了优化原油生产，大多数油井都是三层以上混层开采的，由于储油层本身厚度、孔隙度、渗透率等非均质性的影响，各分层的产油量是不同的。尤其是在注水开发油藏的中后期，为了实施“稳油控水”、提高采收率，就要加强油藏的动态监测、实施分层管理，即时掌握多层混采油井分层的产能贡献，确保综合治理措施的正确有效。
目前，油田现场采用找水流量计法、管柱测试法、环空测试法、放射性跟踪法等监测方法，这些监测方法多数采用机械计量、很少关注流体性质的变化，它们都存在井下作业、工艺复杂、成本高、周期长等缺点。因此，寻找一种快速、经济、简单有效的化学监测方法就非常重要。美国雪佛龙公司开发了应用原油气相色谱烃指纹计算两层混采油井的分层原油产能技术，并在加利福尼亚等地油田进行了实际应用；美国MFE测试法，可以准确获得分层油层的产油量和产水量、分层原油和水样品等特点，但该方法存在井下作业、停产测试、工艺复杂、成本高(大庆油田单层作业费9万元)、周期长等缺点。近年来，我国江汉石油学院、石油大学等单位也开展了这项技术研究，并在国内一些油田取得较好应用效果。但主要存在以下问题一是没有解决好三层以上多层混采原油分层产能贡献的理论与化学、数学模型，有的遵循线性理论，有的采用偏最小二乘法算法计算三层混采分层产能贡献时会出现负值等，不能适应油田多数为三层以上混采油井的实际生产需要；二是缺乏大量深入细致的室内模拟实验配比与现场测试试验对比工作。
发明创造内容本发明的目的是提供一种能够动态监测多层混采油井中分层产能贡献的色谱监测方法。
本发明提供的多层混采原油分层产能贡献动态色谱监测方法，包含以下步骤1)取混采油井的各分层原油，按照设定比例混合形成模拟混合油样，分别进行色谱定量分析，得到系列特征指纹参数；2)利用步骤1)得到的参数，采用非线性的人工神经网络智能学习算法建立数学模型；3)采集所需测定的混采井井口原油进行色谱定量分析，得到相应特征指纹数据；4)将步骤3)得到的系列特征指纹数据导入步骤2)建立的数学模型，计算得出此混采井各分层原油的产能贡献。
上述多层混采原油分层产能贡献动态色谱监测方法中，所述非线性的人工神经网络智能学习算法的计算过程由正向传播和反向传播组成，在正向传播过程中，输入信息从输入层经隐含层逐层处理，并向输出层传播，每一层神经元的状态只影响下一层神经元的状态；如果在输出层不能得到期望的输出，则转入反向传播，将误差信号沿原来的连接通路逐层返回，通过误差信号来修改各层神经元的权值，使得误差减小，直至误差达到精度要求；局部误差函数公式如下Ek=Σi=1n0φ(ei,k)=12Σi=1n0(yi,k-y^i,k)2=12Σi=1n0ei,k2]]>在上述多层混采原油分层产能贡献动态色谱监测方法中，步骤2)建立数学模型，是指在模拟计算处理过程中，逐个输入所有模拟混合油样色谱分析所选取的模版特征指纹参数，经过一系列的Sigmoid函数及矩阵运算、加权、平均，输出到第二个隐层，经过同样原理的一系列运算，输出到第一个隐层，再经过同样原理的一系列运算，输出到输出层，输出层即是混采原油各分层的百分贡献率，和实际配比的各层百分比对比，把误差按原来路径逐层反馈回去，在反馈的过程中，按误差的大小，依次调整各个节点的权向量矩阵；按照调整之后的权向量矩阵再次重复上面的步骤，如此循环往复，直到输出与实际配比之间的误差满足所要求的精度为止；这时，存储各层各个单元的权值矩阵及相关参数，就建立了混采原油分层产能贡献的标准数学模型。
所述Sigmoid函数为非对称Sigmoid函数为f(x)=11+e-x,]]>函数值范围为(0，1)。
上述多层混采原油分层产能贡献动态色谱监测方法中，所述输出与实际配比之间的的误差最终满足绝对误差小于5％，相对偏差小于10％。
上述多层混采原油分层产能贡献动态色谱监测方法中，所述步骤1)和2)以混采主井的参数建立数学模型，步骤3)和4)以副井采集数据进行计算，得到副井分层产能贡献。
采用本发明的方法，操作简便，得出监测结果的时间短，费用低但准确性高，对提高多层混采油井分层产能贡献计算精度有重要意义，为三层以上混采原油分层产能贡献模拟计算提供了有效手段。


图1为本发明采用的多层前向神经网络的误差反向传播计算示意图；图2为实施例中萨尔图试验区混采油井井位平面示意图；图3为实施例中萨尔图试验区混采油井生产层位示意图；图4为实施例中主井B1-50-J562分层原油气相色谱定量分析谱图；图5为实施例中试验区主井B1-50-J562分层油重复性星状图；图6为实施例中试验区主井B1-50-J562分层原油模板特征指纹差异性星状图；图7为实施例中副井B1-42-563井与主井SI原油特征烃指纹参数星状图；图8为实施例中副井B1-42-563井与主井PII2-5原油特征烃指纹参数星状图；图9-A为本发明中非对称Sigmoid函数示意图；图9-B为对称Sigmoid函数示意图。
具体实施例方式
本发明主要提出了多层混采原油分层产能贡献的非线性理论，并依据该理论、进行模拟配比实验，建立了化学模型和数学模型。本发明还就建立的模型，选择大庆油田主力产油老区萨尔图油田试验区等，进行室内模拟配比实验与现场监测对比进行验证。
以下从几方面详细说明本发明。
一、多层混采原油分层产能贡献的非线性理论与数学模拟计算1、非线性理论在连通的油层中，油层内原油组成特征应是一致或相似的，原油的毛细管气相色谱烃指纹检测技术，从分子级水平上对原油的烃类指纹组成进行分析，反映了原油中烃类化合物组成及含量。各分层原油在色谱烃指纹的组成(如异构烷烃和环烷烃等)浓度上存在可检测的差异性和可配比性，表征各分层油差异性的色谱特征指纹参数是一个不随分层原油数量(体积或重量)变化的量。
油田多层原油混合开采过程中，来自各分层原油沿着储油层流入井底，在井筒中由井底向井口的流动过程中发生混合，混合过程是一个物理化学组成浓度变化的动态过程。混采原油发生混合的程度，受各分层原油粘度、密度、烃指纹分子化合物的物理化学性质等自身特性和混合时间(分层原油从井底到井口的流动时间)、温度、压力、水等井下条件的共同影响，混采过程中各分层原油一般接近完全或完全混合，否则，就失去了色谱指纹法计算原油混采比的基础。
从理论上说，单一溶剂不同浓度的同一种化合物按不同配比完全混合，该化合物的混合浓度与单一浓度之间应符合线性关系，由于受测定精度等条件的影响，也有一定的离散度即误差。原油是由饱和烃、芳烃、非烃、沥青质等组成的非常复杂的混合物，不同原油发生完全混合时，对于烃组分化合物来说，就是多溶质在多溶剂中的多元混合，由于原油各组份分子化合物自身特性及化合物之间的相互作用、井下条件的影响及实验室定量配比、色谱分析条件和分析精度等的影响，并不是所有烃指纹化合物都满足线性关系，随着混合层数的增加，原油组分化合物之间的相互影响就增多，导致非线性关系程度增大，致使分层原油与多层混采原油中同一烃指纹浓度之间已不是简单的线性关系，而是一种复杂的曲线性关系。
2、混采原油分层贡献的模拟配比与数学模拟计算本发明在实验室用分层原油配比实验过程来模拟混采油井的生产过程，通过实验建立合适的化学模型和数学模型，实现多层混采原油分层产能贡献的数学模拟计算。
在实验室原油模拟配比过程中，由于受实验室现有条件的限制，不可能完全模拟混采油井的生产过程，如井下压力、水等(因为原油在井下发生的混合过程是一个动态过程)，能够做到在一定条件下各分层原油配比混合完全。当井下各分层原油不发生完全或接近完全混合时，在实验室模拟配比计算混采原油混采比就会产生较大误差或错误结论。因此，利用色谱烃指纹技术计算混采原油分层产能贡献，受各分层原油在井下混合程度和实验室模拟条件的共同制约，两者越接近，此方法计算油井实际混采比的准确度就越高。
以往解决两层混采问题，大多选择峰高比参数，但其并不严格成线性迭加关系，虽然通过作线性“标准图版”计算混采比存在缺陷，但两层配比影响因素相对较少、选取相关性好的峰高比特征指纹参数，能近似满足线性关系，易于建立化学和数学模型；解决两层混采问题的数学模拟计算，一般用线性拟和的方法，数学模型问题基本解决。
对于三层及以上多层混采问题，由于多元混合因素及非线性关系程度增大，建立化学和数学模型就较困难，模拟计算误差就较大。有文献报道通过采用内标法、绝对定量等建立化学模型，消除了部分误差，但选择的特征指纹参数也不完全满足线性关系，若近似用线性数学模型，势必会增大模型误差及计算结果误差，同时，特征指纹参数的选择也比较困难，即使精心挑选特征指纹参数，用类似的线性拟和方法也很难达到高精度的要求；国内文献报导采用偏最小二乘非线性回归法计算三层配比可使最大误差小于5％，但有时出现负的贡献率。因此，需要改进数学模型。
本发明采用非线性的人工神经网络智能学习算法建立数学模型，该模型计算过程见图1。该计算过程由正向传播和反向传播组成，在正向传播过程中，输入信息从输入层经隐含层逐层处理，并向输出层传播，每一层神经元的状态只影响下一层神经元的状态。如果在输出层不能得到期望的输出，则转入反向传播，将误差信号沿原来的连接通路逐层返回，通过误差信号来修改各层神经元的权值，使得误差减小，直至误差达到精度要求。
局部误差函数公式如下Ek=Σi=1n0φ(ei,k)=12Σi=1n0(yi,k-y^i,k)2=12Σi=1n0ei,k2]]>在上述数学模拟计算处理过程中，逐个输入所有混合配比样品色谱分析所选取的模版特征指纹参数值(绝对量)等，经过一系列的Sigmoid函数及矩阵运算、加权、平均，输出到第二个隐层，经过同样原理的一系列运算，输出到第一个隐层，再经过同样原理的一系列运算，输出到输出层，输出层即是混采原油各分层的百分贡献率，和实际配比的各层百分比对比，把误差按原来路径逐层反馈回去，在反馈的过程中，按误差的大小，依次调整各个节点的权向量矩阵。按照调整之后的权向量矩阵再次重复上面的步骤，如此循环往复，直到输出与实际配比之间的误差满足所要求的精度为止。这时，存储各层各个单元的权值矩阵及相关参数，就建立了混采原油分层产能贡献的标准模版。
在计算时，各分层原油贡献率与实际配比之间的相对误差及精度控制，人为分为7个控制范围＜1％不控制、1～5％、5～10％、10～25％、25～50％、50～75％、75～100％，在训练模版时分别输入各个控制范围的人为所要求的相对误差。输出与实际配比之间的的误差最终满足绝对误差小于5％，相对偏差小于10％。
Sigmoid函数为神经元的非线性作用函数，非对称Sigmoid函数为f(x)=11+e-x,]]>函数值范围为(0，1)，参见图9-A；对称Sigmoid函数f(x)=1-e-x1+e-x,]]>函数值为(-1，1)，参见图9-B。由于混采井各分油层的产量百分比范围在
，因此本发明采用非对称Sigmoid函数。
在应用该标准模版时，只需要把混采井井口原油色谱分析的相应特征指纹参数导入，即可计算出此混采井各分层原油的产能贡献。
二、实施例试验区混采原油分层产能贡献色谱监测及对比试验研究该下以大庆油田主力产油老区萨尔图为试验区说明本发明的具体实施方式
。
1、试验区地质概况大庆油田主力产油老区萨尔图试验区，参见图2，主要产油层位为萨尔图和葡萄花油层，各自含有多个小层，各产层原油含水都在90％以上。试验选择四口油井为主要试验对象(图2、图3)，其储油层砂岩发育、连通B1-50-J562井为主井，它有SI1-I4+5、SII8-9、PII2-5、PII8-10四个生产油层；副井1为B1-42-563井，它具有与主井砂岩连通且厚度变薄的特点，有SI1-3、PII2-5两个生产油层；副井2为B1-D5-143井，它有SI1-3、PII8-10两个生产油层；副井3为B1-5-B143井，它有SI1-3-I4+5、SII8、PII2-4三个生产油层。
2、样品采集用美国MFE技术(美国江斯顿公司多流测试器测试工艺技术，由多流测试器、液压锁紧接头、安全接头、P-T封隔器、压力计等组成，用于测试、采集地层流体等)取得主井B1-50-J562、副井B1-42-563分层油样，并根据MFE技术测试数据计算出各分层在混采生产状态下的日产油量。
3、实验室原油模拟配比实验3.1气相色谱分析(1)气相色谱分析条件美国HP6890 Plus气相色谱仪、7683型自动进样器和化学工作站，长60m、内径0.25mm毛细柱，载气为氮气；检测器为FID，检测器温度320℃，燃气为氢气，助燃气为空气；进样口温度300℃；柱初始温度40℃，恒温1min，以4℃/min升至300℃，恒温60min等；峰面积内标法绝对定量(μg/g)。
(2)原油色谱烃指纹的重复性色谱检测系统运行的稳定性对于分析试验结果的可靠性至关重要，从而影响到分层原油产能模拟配比的准确性，故本试验选用世界最先进的色谱仪器之一美国HP6890 Plus气相色谱仪和化学工作站，保证分析数据准确性。对于所选特征指纹烃参数多次重复分析相对偏差不大于5％。
3.2四层混采原油模拟配比实验与监测(1)分层原油色谱指纹分析及特征指纹选择取主井B 1-50-J562的SI1-I4+5、SII8-9、PII2-5、PII8-10四个分层油样，在相同气相色谱条件下定量分析(分析结果参见图4)，根据重复性(图5的重复测定相对偏差一般为1.00％～4.00％)、差异性(图6中各分层原油模版特征指纹参数相对偏差一般为7.00％～20.00％)原则选择模板特征指纹峰，可见B1-50-J562井各分层油可用于混采比计算。
(2)四层混采原油分层产能监测标准模版的建立将B1-50-J562井四个分层原油，按照表1所列比例(按一组配比中有三个比值接近的配比方法，如10∶10∶10∶70、20∶20∶20∶40等)模拟混合油样，进行气相色谱定量分析，建立混采原油分层产能贡献特征指纹参数，见表1，利用该参数按照非线性的人工神经网络智能学习算法进行数学模拟计算，形成数学模型(也称标准模版)，用该标准模版回归计算结果与实际配比的绝对误差一般小于5％、相对偏差小于5％，见表2。
表1 四层原油模拟混合样色谱指纹定量分析模版特征指纹数据 μg/g

表2 四层混采原油分层产能贡献标准模版回归计算对比结果


(3)四层混采原油分层产能监测标准模版的校验对于所建立的分层产能贡献标准模版，模拟配比混合油进行检验，模版指纹校验分析数据见表3，输入计算校验结果对比见表4，标准模版模拟计算结果和实际配比的绝对误差小于3％、相对偏差小于5％，由此可见，模拟实验配比效果及标准模版好。
表3 四层混采原油分层贡献标准模版校验指纹数据μg/g

表4四层混采原油分层贡献标准模版校验结果对比

(4)四层混采原油分层产能贡献监测结果从主井B1-50-J562井口取混采油样并色谱定量分析，模版指纹分析数据见表5，将其输入标准模版计算后四层混采原油分层产能贡献监测结果见表6。
表5B1-50-J562井四层混采原油模版指纹数据μg/g

表6 四层混采原油分层产能贡献色谱监测结果

3.3监测结果对比(1)两层混采原油分层产能监测结果比较副井B1-42-563井MFE测试技术取油样求产施工结束后，分两次间隔16天从井口取混采油样并色谱定量分析，利用该井配制的两层混采原油分层产能监测标准模版模拟计算，色谱烃指纹动态监测结果(表7)，可见两次监测结果一致，该井葡萄花油层(PII2-5层)为主力生产油层。
表7 两层混采原油分层产能贡献色谱动态监测结果

副井B1-42-563井MFE技术监测结果为SI1-30.585 t/d、PII2-56.35 t/d，单井产能6.935 t/d。与实际产能7 t/d的相对偏差为0.47％、绝对误差为0.065t。
B1-42-563井混采原油分层产能贡献色谱法与MFE法监测结果对比(表8)相对偏差不大于7.2％、绝对偏差不大于1.33％，具有很好的一致性。
表8两层混采原油分层产能监测结果比较

(2)四层混采原油分层产能监测结果比较主井B1-50-J562井色谱烃指纹监测与MFE监测结果比较(表9)各层相对产能最大相对偏差为6.60％、最大绝对偏差为3.12％，两种技术监测结果一致，萨尔图油层为主力生产油层。主井B1-50-J562井MFE监测产原油3.778t/d，与实际产原油4t/d结果比较，绝对误差为0.222t，相对偏差为3.28％。
从以上比较结果看，美国MFE测试法和本发明色谱法监测混采原油分层产能结果一致、准确性高。然而，比较MFE测试法，本发明却具有不需井下作业和停产测试的特点，并且方法简便，得出监测结果的时间短，费用低。
表9 四层混采原油分层产能监测结果比较

4、主井监测副井B1-42-563井混采原油分层产能及结果对比4.1主井与副井B1-42-563井储油层的差异性萨尔图试验区副井B 1-42-563井与主井B1-50-J562井砂岩储层连通，但其相对应储层的砂岩变差、厚度SI由7.1m变薄为5.8m，PII2-5由5.5m变薄为3.8m，砂岩厚度变薄幅度分别为18％、31％，本实验将确定副井连通油层原油的烃指纹地化特征是否有变化、从而判定主井对副井的监测效果。
4.2两口井分层原油特征烃指纹参数比较从副井B1-42-563井与主井B1-50-J562井SI原油特征烃指纹参数星状图7来看，烃指纹参数接近，一般相对偏差小于5％，说明两口井SI1-3与SI1-I4+5原油具有相似性。从副井B1-42-563井与主井B1-50-J562井PII2-5原油特征烃指纹参数星状图8来看，烃指纹参数接近，一般相对偏差小于5％，说明两口井PII2-5原油有相似性。
由此来看，可以利用主井分层原油建立标准模版，来监测两层混采副井B1-42-563井分层原油产能贡献。
4.3利用主井两层标准模版监测副井B1-42-563井分层产能及结果对比取主井B1-50-J562井SI1-I4+5和PII2-5两个原油样品，按不同比例模拟配制混合油，色谱指纹定量分析后，选择与副井B1-42-563标准模版相同的模版指纹参数，模拟计算后形成主井B1-50-J562井两层监测标准模版，回归计算和标准模版校验的相对偏差都小于5％；再取副井B1-42-563井口混采油样进行色谱定量分析后，利用主井两层标准模版模拟计算副井B1-42-563分层产能贡献为SI1-39.34％、PII2-590.65％，与MFE求产结果绝对偏差小于0.92％(表10)，与利用该井分层原油建立的标准模版计算结果(表7)比较绝对偏差小于0.4％。
表10主井监测两层混采副井B1-42-563分层贡献结果及对比

2.5主井监测其它混采井分层产能贡献(1)主井监测副井B1-5-B143三层混采分层原油产能副井B1-5-B143有SI1-I4+5、SII8-9、PII2-5三个生产油层，且与主井B1-50-J562砂岩连通，取主井的SI1-I4+5、SII8-9、PII2-5三个油样，建立主井监测副井B1-5-B143三层混采分层产能贡献的标准模版，取副井B1-5-B143井口混采油样进行色谱分析后，用主井的三层混采分层产能监测标准模版，模拟计算副井B1-5-B143三层混采分层产能结果为SI1-I4+5占54.17％、SII8-9占37.69％、PII2-5占8.12％，该井萨尔图油层(SI1-I4+5、SII8-9)为主力生产油层。
(2)主井监测副井B1-D5-143两层混采分层原油产能副井B1-D5-143有SI1-3、PII8-10两个生产油层，且与主井B1-50-J562连通，采用上述同样的方法，利用主井油样建立两层监测标准模版，监测副井B1-D5-143两层混采分层产能贡献结果SI1-3占4.46％、PII8-10占95.57％，该井葡萄花油层(PII8-10)为主力产油层。
本发明具有下述特点(1)突破了多层混采原油分层产能贡献色谱烃指纹浓度线性关系理论，确立并试验验证了多层混合油色谱烃指纹浓度与分层油色谱烃指纹浓度非线性关系理论，建立了多层混采原油产能贡献的非线性数学模拟计算方法，对提高多层混采油井分层产能贡献计算精度有重要意义，为三层以上混采原油分层产能贡献模拟计算提供了有效手段。
(2)在国内外首次利用多层混采原油分层产能贡献的非线性理论和非线性数学模拟计算方法，不仅实现三层还突破了四层混采原油分层产能贡献的模拟计算，在萨尔图油田试验区与MFE法现场监测结果对比绝对偏差不大于3.3％、相对偏差不大于6.6％，取得很好效果；并探讨了实验室模拟配比条件和原油井下混合程度可能对混采贡献率计算的影响。
(3)首次利用原油色谱烃指纹技术，将大庆萨I和萨II原油、葡II2-5和葡II8-10小层原油区分开，并用于混采原油分层产能贡献模拟计算。
(4)试验认为，副井与主井连通油层砂岩变差、变薄幅度达到31％时，混采原油分层产能计算标准模版特征指纹参数的相对偏差一般小于5％，可用混采主井标准模版监测副井分层产能贡献。
(5)多层混采原油分层产能贡献动态监测色谱技术的开发，能够用主井分层原油建立监测标准模版，对多口连通混采油井两层到四层的分层产能贡献动态监测，不用停产，只需定期从井口取样、实验室分析、模拟计算，即可实现现场井口动态在线监测，具有适用性强、投资少、周期短、准确、快速、大面积监测等特点，有广阔的应用推广前景和巨大的经济效益，为油田混采原油分层产能贡献动态监测开辟了新方法。
权利要求
1.一种多层混采原油分层产能贡献动态色谱监测方法，其特征在于，包含以下步骤1)取混采油井的各分层原油，按照设定比例混合形成模拟混合油样，分别进行色谱定量分析，得到系列特征指纹参数；2)利用步骤1)得到的参数，采用非线性的人工神经网络智能学习算法建立数学模型；3)采集所需测定的混采井井口原油进行色谱定量分析，得到相应特征指纹数据；4)将步骤3)得到的系列特征指纹数据导入步骤2)建立的数学模型，计算得出此混采井各分层原油的产能贡献。
2.根据权利要求1所述的多层混采原油分层产能贡献动态色谱监测方法，其特征在于，所述非线性的人工神经网络智能学习算法的计算过程由正向传播和反向传播组成，在正向传播过程中，输入信息从输入层经隐含层逐层处理，并向输出层传播，每一层神经元的状态只影响下一层神经元的状态；如果在输出层不能得到期望的输出，则转入反向传播，将误差信号沿原来的连接通路逐层返回，通过误差信号来修改各层神经元的权值，使得误差减小，直至误差达到精度要求；局部误差函数公式如下Ek=Σi=1n0φ(ei,k)=12Σi=1n0(yi,k-y^i,k)2=12Σi=1n0ei,k2]]>
3.根据权利要求2所述的多层混采原油分层产能贡献动态色谱监测方法，其特征在于，步骤2)建立数学模型，是指在模拟计算处理过程中，逐个输入所有模拟混合油样色谱分析所选取的模版特征指纹参数，经过一系列的Sigmoid函数及矩阵运算、加权、平均，输出到第二个隐层，经过同样原理的一系列运算，输出到第一个隐层，再经过同样原理的一系列运算，输出到输出层，输出层即是混采原油各分层的百分贡献率，和实际配比的各层百分比对比，把误差按原来路径逐层反馈回去，在反馈的过程中，按误差的大小，依次调整各个节点的权向量矩阵；按照调整之后的权向量矩阵再次重复上面的步骤，如此循环往复，直到输出与实际配比之间的误差满足所要求的精度为止；这时，存储各层各个单元的权值矩阵及相关参数，就建立了混采原油分层产能贡献的标准数学模型；所述Sigmoid函数为非对称Sigmoid函数f(x)=11+e-x,]]>函数值范围为(0，1)。
4.根据权利要求3所述的多层混采原油分层产能贡献动态色谱监测方法，其特征在于，所述输出与实际配比之间的的误差最终满足绝对误差小于5％，相对偏差小于10％。
5.根据权利要求1至4任一所述的多层混采原油分层产能贡献动态色谱监测方法，其特征在于，所述步骤1)和2)以混采主井的参数建立数学模型，步骤3)和4)以副井采集数据进行计算，得到副井分层产能贡献。
全文摘要
本发明公开了一种多层混采原油分层产能贡献动态色谱监测方法，包含步骤1)取混采油井的各分层原油，按照设定比例混合形成模拟混合油样，分别进行色谱定量分析，得到系列特征指纹参数；2)利用步骤1)得到的参数，采用非线性的人工神经网络智能学习算法建立数学模型；3)采集所需测定的混采井井口原油进行色谱定量分析，得到相应特征指纹数据；4)将步骤3)得到的系列特征指纹数据导入步骤2)建立的数学模型，计算得出此混采井各分层原油的产能贡献。该方法操作简便，得出监测结果的时间短，费用低、准确性高，对提高多层混采油井分层产能贡献计算精度有重要意义，为三层以上混采原油分层产能贡献模拟计算提供了有效手段。
文档编号G01N30/00GK1563981SQ20041002985
公开日2005年1月12日 申请日期2004年3月30日 优先权日2004年3月30日
发明者张居和, 方伟, 冯子辉, 王跃文 申请人:大庆油田有限责任公司