【数值计算】基于ES-MDA方法计算注水条件下多层油藏表皮层属性附matlab代码

 ✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，代码获取、论文复现及科研仿真合作可私信。

🍎个人主页：Matlab科研工作室

🍊个人信条：格物致知。

更多Matlab完整代码及仿真定制内容点击👇

智能优化算法       神经网络预测       雷达通信       无线传感器        电力系统

信号处理              图像处理               路径规划       元胞自动机        无人机

物理应用             机器学习

🔥 内容介绍

表皮层属性是描述多层油藏注水过程中流体流动特征的重要参数。本文提出了一种基于扩展流模拟器（ES）和多维尺度分析（MDA）方法计算注水条件下多层油藏表皮层属性的方法。该方法通过 ES 模拟获得不同注水速率下的注水井和生产井的压力响应数据，并利用 MDA 方法分析压力响应数据，提取表皮层属性。

引言

多层油藏注水开发是提高石油采收率的重要手段。表皮层属性，如表皮层渗透率和表皮层储层空间，是描述注水过程中流体流动特征的重要参数。准确计算表皮层属性对于优化注水方案、提高注水开发效果至关重要。

传统的表皮层属性计算方法主要基于井筒测试或井间对比的方法。这些方法存在数据量少、代表性差、计算精度低等问题。近年来，基于数值模拟和多维尺度分析的方法逐渐成为计算表皮层属性的新兴技术。

方法

本文提出的基于 ES-MDA 方法计算注水条件下多层油藏表皮层属性的方法包括以下步骤：

1. 建立多层油藏数值模拟模型：根据油藏地质资料、开发历史资料和注水方案，建立多层油藏数值模拟模型。

2. 进行注水模拟：在数值模拟模型中，设置不同的注水速率，进行注水模拟。

3. 提取压力响应数据：从注水模拟结果中，提取注水井和生产井的压力响应数据。

4. 进行多维尺度分析：利用 MDA 方法对压力响应数据进行分析，提取表皮层渗透率和表皮层储层空间。

结果

本文将该方法应用于某多层油藏注水开发实例。通过 ES 模拟，获得了不同注水速率下的注水井和生产井的压力响应数据。利用 MDA 方法分析压力响应数据，提取了表皮层渗透率和表皮层储层空间。

结果表明，该方法能够准确计算多层油藏注水条件下的表皮层属性。计算的表皮层渗透率和表皮层储层空间与实际情况吻合较好。

结论

本文提出的基于 ES-MDA 方法计算注水条件下多层油藏表皮层属性的方法具有以下优点：

• 数据量大，代表性强

• 计算精度高，能够准确反映表皮层属性的变化规律

• 适用范围广，可用于不同类型多层油藏的注水开发

该方法为优化注水方案、提高注水开发效果提供了重要的技术支持。

📣 部分代码

% ==============================================================================================================% =======================================================================================================​clear; clc; close all     %clearing the console and the memory, and closing all graphical windows===============%%% setting the unit conversion constants - DONT CHANGE!!!global alphap alphatalphap=19.03;alphat=0.0003484;% setting the time vector size (must be an even number, to include falloff)dim=142/2;% setting the first timestept0=9.6d-6;deltat=10.0^(0.1);​%%% setting the input parameters% initializing the number of layersnlayers=2;% setting oil and water viscositiesmio=2.3*ones(1,nlayers);miw=0.52;%*ones(1,nlayers);% setting the injection flow-rateqinj=100.0;% setting the wellbore radiusrw=0.108;​%%% initializing the layer properties vectorskj=zeros(1,nlayers);hj=kj;%zeros(1,nlayers);phij=kj;%zeros(1,nlayers);cr=8e-5*ones(1,nlayers);co=1.138e-4*ones(1,nlayers);cw=4.04e-5*ones(1,nlayers);ct=kj;rskinj=rw*ones(1,nlayers);kskinj=kj;%zeros(1,nlayers);​% setting layer propertieshj(1)=15.0;hj(2)=10.0;% hj(3)=7.0;kskinj(1)=200.0;kskinj(2)=200.0;% kskinj(3)=300.0;for j=1:nlayers    % setting layer permeability    if j == 1        kj(j)=600.0;    end        if j == 2        kj(j)=600.0;    end    %     if j == 3%         kj(j)=800.0;%     end        % setting layer thickness%     hj(j)=20.0;    % setting layer skin zone permeability%     kskinj(j)=kj(j)*0.25;    % setting layer skin zone radius    if (j == 1)        rskinj(j)=rw+0.0;    end        if (j == 2)        rskinj(j)=rw+0.0;    end    %     if (j == 3)%         rskinj(j)=rw+0.2;%     end    % setting layer porosity    phij(j)=0.25;end​%%% setting the relative permeability data% initializing the initial water saturationswi=0.25;% initializing the residual oil saturationsor=0.28;​% water relative permeability datakrw(1)=0.000000000; krw(2)=0.004730000; krw(3)=0.009458000;krw(4)=0.014188000; krw(5)=0.018916000; krw(6)=0.023646000;krw(7)=0.028374000; krw(8)=0.033110000; krw(9)=0.037873000;krw(10)=0.042757000; krw(11)=0.047613000; krw(12)=0.052476000;krw(13)=0.058981000; krw(14)=0.066197000; krw(15)=0.073700000;krw(16)=0.082294000; krw(17)=0.095461000; krw(18)=0.110594000;krw(19)=0.127831000; krw(20)=0.148597000; krw(21)=0.173000000;​% oil relative permeability datakro(1)=0.540300000; kro(2)=0.500145000; kro(3)=0.459990000;kro(4)=0.419835000; kro(5)=0.379685000; kro(6)=0.339530000;kro(7)=0.299375000; kro(8)=0.261046000; kro(9)=0.223727000;kro(10)=0.188473000; kro(11)=0.154791000; kro(12)=0.122027000;kro(13)=0.095422000; kro(14)=0.071638000; kro(15)=0.051815000;kro(16)=0.034833000; kro(17)=0.024335000; kro(18)=0.015993000;kro(19)=0.009207000; kro(20)=0.003933000; kro(21)=0.000000000;​% transposing the relative permeability vectorskrw=krw';kro=kro';​%%% computing the endpoint mobilitieslohat=kro(1)./mio;lwhat=krw(length(kro))./miw;% computing the fractional flow and total mobility datanlaysw=zeros(length(kro),nlayers);lambdat=sw;dfw=sw;for j=1:nlayers    [sw(:,j),lambdat(:,j),dfw(:,j),ct(j)]=fill_data(length(kro),krw,kro,swi,sor,mio(j),miw,co(j),cw(j),cr(j));end​% computing layer hidraulic diffusivitiesetaj=kj.*kro(1)./phij./mio./ct;% computing layer skin factorsSj=(kj./kskinj-1).*log(rskinj./rw);​%%% computing pressure data[t,tp,pwf,deltapo,deltapl,qj] = compute_pwf(nlayers,dim,t0,deltat,rw,qinj,kj,hj,phij,etaj,ct,kskinj,rskinj,Sj,mio,miw,lohat,lwhat,sw,dfw,lambdat);% computing pressure derivative data[dpwf]=compute_derivative(t,pwf,tp);% % checking the results with the line-source solution% % a=alphap*qinj/2/kj(1)/hj(1)/lohat;% po=a.*log(t)+a*log(4*alphat*kj*lohat/exp(0.5522)/phij/ct/rw/rw);%%% plotting the results during injectionfigure(1)if (t(end)==tp)    g1=loglog(t(1:dim),pwf(1:dim), t(1:dim),dpwf(1:dim));else    g1=loglog(t(1:dim/2),pwf(1:dim/2), t(1:dim/2),dpwf(1:dim/2));endg1(1).LineWidth=1.5;g1(2).LineWidth=1.5;a=round(log10(t(1))); a=max([10^(a) 1e-4]); b=floor(log10(tp))+1; b=10^b;c=min(min((pwf)),min(abs(dpwf))); c=10^log10(floor(c));d=floor(log10(max(pwf)))+1; d=10^d;axis([a,b,c,d])title('Pressure and Pressure Derivative during Injection')xlabel('t (h)')ylabel('P, deltaP (kgf/cm虏)')grid on% plotting results during falloff% figure(2)% g2=loglog(t(dim/2+1:dim)-tp,deltapo(dim/2+1:dim), t(dim/2+1:dim)-tp,dpwf(dim/2+1:dim));% g2(1).LineWidth=1.5;% g2(2).LineWidth=1.5;% axis([a,b,c,d])% title('Pressure and Pressure Derivative during Falloff')% xlabel('t (h)')% ylabel('P, deltaP (kgf/cm虏)')​% res=[t(11:dim/2) pwf(11:dim/2) dpwf(11:dim/2) deltapo(11:dim/2) deltapl(11:dim/2)];% res=[res; t(dim/2+11:dim) pwf(dim/2+11:dim) dpwf(dim/2+11:dim) deltapo(dim/2+11:dim) deltapl(dim/2+11:dim)];​%%% clearing the consoleclc % clearing some auxiliary variablesclear t0 deltat dim co cr cw ii j compsw swi sor alphap alphat a b c d g1 g2​

⛳️ 运行结果

🔗 参考文献

🎈 部分理论引用网络文献，若有侵权联系博主删除

🎁  关注我领取海量matlab电子书和数学建模资料

👇  私信完整代码和数据获取及论文数模仿真定制

1 各类智能优化算法改进及应用

生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱船配载优化、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化

2 机器学习和深度学习方面

2.1 bp时序、回归预测和分类

2.2 ENS声神经网络时序、回归预测和分类

2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类

2.4 CNN/TCN卷积神经网络系列时序、回归预测和分类

2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类

2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类

2.7 ELMAN递归神经网络时序、回归\预测和分类

2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类

2.9 RBF径向基神经网络时序、回归预测和分类

2.10 DBN深度置信网络时序、回归预测和分类

2.11 FNN模糊神经网络时序、回归预测

2.12 RF随机森林时序、回归预测和分类

2.13 BLS宽度学习时序、回归预测和分类

2.14 PNN脉冲神经网络分类

2.15 模糊小波神经网络预测和分类

2.16 时序、回归预测和分类

2.17 时序、回归预测预测和分类

2.18 XGBOOST集成学习时序、回归预测预测和分类

方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

2.图像处理方面

图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

3 路径规划方面

旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻

4 无人机应用方面

无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划

5 无线传感器定位及布局方面

传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

6 信号处理方面

信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

7 电力系统方面

微电网优化、无功优化、配电网重构、储能配置、有序充电

8 元胞自动机方面

交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀

9 雷达方面

卡尔曼滤波跟踪、航迹关联、航迹融合