.png){kind=icon}
返回
.png){kind=icon}
.png){kind=icon}
.png){kind=icon}
.png){kind=icon}
.png){kind=icon}
摘要
En 中文
摘要
毛细管压力在控制多相流通过多孔介质的过程中发挥着关键作用，但在地下条件下往往难以估算。Leverett毛细管压力函数J提供了一种便捷的工具来弥补这一不足；然而，当缩放数据存在较大离散度时，其性能仍然较差。因此，我们的目标是缩小J曲线之间的差距，并开发一种能够准确缩放毛细管压力的方法。我们基于从北美和中东采集的214个岩样渗透率和孔隙度值，开发了两种数学表达式。将这些值作为分组特征，我们使用机器学习中的模式识别算法将原始数据聚类到不同组中。在每个润湿相饱和度下，我们通过确定最大J与最小J的比值来量化J曲线之间的差距。开发了图形化图表以识别新岩样所属的对应组，随后利用该组的平均J曲线以及岩样的渗透率和孔隙度值来估算毛细管压力。该方法在性能上优于流动区指示器（FZI）方法。所提出的技术在六种岩性上得到了验证，并成功生成了平均毛细管压力曲线，这些曲线捕捉到了汞注入实验测量数据中的趋势和数值。此外，本研究中提出的方法为岩相分类提供了一种先进且面向机器学习的方法。本文提供了一种可靠且易于使用的方法，用于在缺乏汞注入实验测量数据的情况下估算毛细管压力。
期刊
暂无期刊信息
机构
暂无机构信息
引用论文
暂无论文信息