Wellbore Pressure Response Dataset|石油工程数据集|储层分析数据集

该数据集包含20.000个基于不同储层属性组合的合成井下压力响应，用于帮助分析储层的传输性和几何结构。

This dataset comprises 20,000 synthetic downhole pressure responses based on various combinations of reservoir properties, designed to facilitate the analysis of reservoir transmissibility and geometric structures.

原始信息汇总

数据集概述

数据集名称

• Wellbore Pressure Response Dataset

数据集内容

• 包含20,000个合成井筒压力响应数据，每个数据行代表一个不同的井筒压力响应。
• 数据集用于训练Autoencoder Neural Network。

数据集结构

• 每行数据包含以下信息：
  • 列1至15：用于生成当前响应的输入数据。
  • 列16至35：用于计算压力变化及其导数的时间戳。
  • 列36至55：压力变化值。
  • 列56至75：压力变化导数值。

参数范围

• 渗透率 (k)：50至1000毫达西 (md)
• 储层高度 (h)：10至300米 (m)
• 体积形成因子 (B)：1至2立方米/立方米 (m3/m3)
• 井筒存储：0.01至5
• 皮肤因子：-2至5
• 流量率：100至1000立方米/天 (m3/d)

数据集用途

• 用于训练Autoencoder Neural Network，以实现数据的压缩和解压缩，以及复杂数据集的维度降低。

数据集许可证

• 数据集中的CSV文件根据Creative Commons Attribution 4.0 International License授权。

AI搜集汇总

数据集介绍

构建方式

Wellbore Pressure Response Dataset的构建基于Petrobras的CÉOS Strategic Reservoir项目，通过Wellbore Pressure Response Generator生成合成数据。该生成器利用13个关键参数，如渗透率、孔隙度、储层高度等，结合图像方法计算井筒压力响应。数据集的生成涵盖了20,000种不同的储层属性组合，确保了数据的多样性和代表性。

特点

该数据集包含20,000条合成井筒压力响应数据，每条数据由15个输入参数、20个时间戳、20个压力变化值及其导数组成。数据集的特点在于其广泛覆盖了储层属性的变化范围，如渗透率从50 md到1000 md，储层高度从10米到300米等，为储层评估提供了丰富的参考数据。

使用方法

Wellbore Pressure Response Dataset主要用于训练自编码器神经网络，以压缩和重建井筒压力响应数据。通过该数据集，用户可以开发新的算法，用于自动解释井测试数据，如基于原始压力数据自动建议渗透率和储层几何形状。此外，数据集还可用于类似储层查询的输入数据，提升储层评估的效率和准确性。

背景与挑战

背景概述

Wellbore Pressure Response Dataset是由巴西国家石油公司（Petrobras）在其CÉOS战略储层计划中开发的，旨在通过测量储层在生产或注入后的压力变化来评估储层特性。该数据集包含了20,000个合成的井筒压力响应数据，这些数据基于不同的储层属性组合生成，如渗透率、高度、存储系数和表皮因子等。该数据集的创建不仅为储层评估提供了新的工具，还推动了自动编码器神经网络在储层几何和传输性分析中的应用。

当前挑战

Wellbore Pressure Response Dataset面临的挑战主要包括两个方面。首先，该数据集旨在解决储层压力响应的自动解释问题，这要求模型能够准确识别和分类复杂的储层几何和传输性特征，这对算法的精确度和鲁棒性提出了高要求。其次，在数据集的构建过程中，如何确保生成的合成数据能够真实反映实际储层的物理特性，同时处理数据的高维性和非线性关系，是构建过程中的主要技术挑战。这些挑战需要通过不断优化数据生成算法和神经网络模型来克服。

常用场景

经典使用场景

Wellbore Pressure Response Dataset 在石油工程领域中被广泛应用于油藏压力响应的模拟与分析。通过该数据集，研究人员能够生成不同油藏配置下的压力响应曲线，进而评估油藏的渗透性、储层几何形状等关键参数。这一数据集为油藏工程师提供了宝贵的工具，用于优化油藏开发策略和提高采收率。

解决学术问题

该数据集解决了油藏工程中常见的压力响应模拟问题，尤其是在复杂油藏条件下的压力动态分析。通过提供20,000组合成的井筒压力响应数据，研究人员能够深入探讨不同油藏参数对压力响应的影响，从而为油藏模型的构建和验证提供了坚实的基础。这一数据集的应用显著提升了油藏动态分析的精度和效率。

衍生相关工作

基于 Wellbore Pressure Response Dataset，研究人员开发了多种相关算法和工具，如自动编码器神经网络，用于数据降维和聚类分析。这些衍生工作不仅扩展了数据集的应用范围，还为油藏工程领域提供了新的研究思路和方法。例如，自动编码器网络能够有效压缩复杂数据集，提取关键特征，为油藏动态分析提供了新的视角。