油气藏评价与开发

参数	数值	参数	数值
油藏压力/MPa	21.9	非混相边界压力/MPa	11.05
岩心长度/cm	10	CO₂注入速率/（cm³/s）	0.02
岩心截面/cm²	5	孔隙度/%	12.7
束缚水饱和度	0.35	储层渗透率/10^-3 μm²	5.12
气驱残余油饱和度	0.1	原油地下黏度/（mPa·s）	1.91
残余气饱和度	0.05	原油相对密度	0.78
最小混相压力/MPa	34.3

参数

数值

参数

数值

油藏压力/MPa

21.9

非混相边界压力/MPa

11.05

岩心长度/cm

CO₂注入速率/（cm³/s）

0.02

岩心截面/cm²

孔隙度/%

12.7

束缚水饱和度

0.35

储层渗透率/10^-3 μm²

5.12

气驱残余油饱和度

0.1

原油地下黏度/（mPa·s）

1.91

残余气饱和度

0.05

原油相对密度

0.78

最小混相压力/MPa

34.3

参数	数值	参数	数值
油藏压力/MPa	21.9	非混相边界压力/MPa	11.05
岩心长度/cm	10	CO₂注入速率/（cm³/s）	0.02
岩心截面/cm²	5	孔隙度/%	12.7
束缚水饱和度	0.35	储层渗透率/10^-3 μm²	5.12
气驱残余油饱和度	0.1	原油地下黏度/（mPa·s）	1.91
残余气饱和度	0.05	原油相对密度	0.78
最小混相压力/MPa	34.3

参数

数值

参数

数值

油藏压力/MPa

21.9

非混相边界压力/MPa

11.05

岩心长度/cm

CO₂注入速率/（cm³/s）

0.02

岩心截面/cm²

孔隙度/%

12.7

束缚水饱和度

0.35

储层渗透率/10^-3 μm²

5.12

气驱残余油饱和度

0.1

原油地下黏度/（mPa·s）

1.91

残余气饱和度

0.05

原油相对密度

0.78

最小混相压力/MPa

34.3

基于物理信息神经网络的低渗透油藏CO₂非混相驱渗流模拟

石琼林 1^,2 , 李俊键 1 , 吕晓聪 1 , 刘慧卿 1 , 杨小亮 2

油气藏评价与开发 | 数智能源 2026,16(4): 926-933

收起

油气藏评价与开发 |数智能源 2026 , 16 (4) : 926 -933

基于物理信息神经网络的低渗透油藏CO₂非混相驱渗流模拟

全屏

石琼林1^,2, 李俊键1, 吕晓聪1, 刘慧卿1, 杨小亮2

作者信息

¹　中国石油大学（北京）石油工程学院，北京　102249

²　中国石油冀东油田分公司陆上作业区，河北　　唐山　063200

通讯作者:

吕晓聪（1989—），男，博士，副教授，博士生导师，从事地下空间储能研究。地址：北京市昌平区府学路18号中国石油大学（北京），邮政编码：102249。E-mail： xiaocongcup@hotmail.com

作者简介:

石琼林（1983—），男，在读博士研究生，高级工程师，从事复杂油气藏CO₂提高采收率研究。地址：河北省唐山市曹妃甸区陆上作业区，邮政编码：063200。E-mail： shiqionglin@petrochina.com.cn

Seepage simulation of CO₂ immiscible flooding in low-permeability reservoirs based on physics-informed neural networks

QIONGLIN SHI1^,2, JUNJIAN LI1, LYU XIAOCONG1, HUIQING LIU1, XIAOLIANG YANG2

Affiliations

¹ College of Petroleum Engineering, China University of Petroleum (Beijing), Beijing 102249, China

² Onshore Operation Area, PetroChina Jidong Oilfield Company, Tangshan, Hebei 063200, China

出版时间: 2026-07-26 doi: 10.13809/j.cnki.cn32-1825/te.2025057

文章导航

关键词

物理信息神经网络 / 低渗透油藏 / CO₂非混相驱 / 启动压力梯度 / CO₂溶解 / Buckley-Leverett方程

Key words

physics-informed neural networks / low-permeability reservoirs / CO₂ immiscible flooding / threshold pressure gradient / CO₂ dissolution / Buckley-Leverett equation

引用本文

石琼林, 李俊键, 吕晓聪, 刘慧卿, 杨小亮. 基于物理信息神经网络的低渗透油藏CO₂非混相驱渗流模拟. 油气藏评价与开发, 2026 , 16 (4) : 926 -933 . DOI: 10.13809/j.cnki.cn32-1825/te.2025057

QIONGLIN SHI, JUNJIAN LI, LYU XIAOCONG, HUIQING LIU, XIAOLIANG YANG. Seepage simulation of CO₂ immiscible flooding in low-permeability reservoirs based on physics-informed neural networks[J]. Petroleum Reservoir Evaluation and Development, 2026 , 16 (4) : 926 -933 . DOI: 10.13809/j.cnki.cn32-1825/te.2025057

正文

收起

随着全球能源需求的不断增长和环境保护意识的提升，CO₂驱油技术作为一种重要的增强油气采收率手段，在低渗透油藏的开发中发挥了越来越关键的作用^[1-6]。在众多CO₂驱油方法中，非混相驱因其较高的成本效益和技术成熟度被广泛应用于油田实际开发中^[7-8]。CO₂非混相驱通过物理方式将CO₂注入油藏中，与油层中的原油相互作用，逐步将原油驱出，从而提高采收率。然而，CO₂非混相驱过程中存在诸多复杂的物理现象，包括启动压力梯度和CO₂溶解效应，这些因素显著增加了其渗流行为的复杂程度^[9-10]。这些复杂效应使得传统的数值模拟方法在处理这些现象时常常面临计算精度和效率的挑战^[11-15]。因此，开发新的模拟技术以更准确地描述这些复杂效应，成为当前研究的重要方向。

近年来，物理信息神经网络（PINNs）作为一种新兴的数值模拟方法，展现了在解决复杂偏微分方程（PDEs）问题中的巨大潜力^[16-18]。PINNs通过将物理知识融入神经网络的训练过程中，不仅能够有效地求解各种PDEs，还能有效地处理边界条件和初始条件，以较少的网格和时间步长实现复杂物理问题的有效求解，并且具备更强的泛化能力。具体而言，PINNs通过最小化损失函数来逼近偏微分方程的解，同时结合物理定律，如质量守恒和动量守恒，进一步提升了模型的可靠性^[19]。尽管PINNs在多个领域取得了显著进展，但针对低渗透油藏中CO₂非混相驱过程的应用研究尚处于起步阶段，特别是在考虑启动压力梯度和CO₂溶解这两种关键因素时，仍然存在较大的研究空间。

以低渗透油藏CO₂非混相驱渗流模拟为研究对象，基于PINNs方法研究启动压力梯度和CO₂溶解对渗流过程的影响，并且通过PINNs方法对Buckley-Leverett（BL）方程进行求解。BL方程是描述CO₂非混相驱过程中流体行为的经典方程，能够提供对渗流过程的理论支持。已有研究表明，尽管BL方程最初用于描述低压油水驱替，但其也可以有效扩展到注气驱替（假设气体为不可压缩流体）条件下，合理刻画气体驱替过程中流体界面推进与波及效率变化^[20-24]。为了验证所提出方法的准确性，对比了PINNs数值解与解析解，评估PINNs在实际应用中的性能表现，以确保其在复杂渗流环境下的有效性和可靠性。

1　数学模型

收起

1.1　CO₂非混相驱分相流方程

忽略地层水的影响，CO₂非混相驱过程涉及油气两相流，假设多孔介质和流体为不可压缩，同时忽略重力和毛管力影响，建立油气两相渗流数学模型：

φ ∂ S g ∂ t + ∇ ∙ u g = q g φ ∂ S o ∂ t + ∇ ∙ u o = q o S g x = 0, t = 1 - S w c - S o r, B . C . S g x, t = 0 = S g r, I . C .

（1）

式中：

u g

和

u o

分别为气相和油相的速度，单位cm/s；

S g

和

S o

分别为气相和油相饱和度；

S w c

、

S g r

及

S o r

分别为束缚水、残余气和残余油饱和度；φ为储层孔隙度；

q g

和

q o

分别为气相和油相的体积流量，单位cm³/s；

x

为水平距离，单位cm；

t

为时间，单位s；B.C.和I.C.分别为边界条件和初始条件。

低渗透油藏的特征是平均孔径较小，导致流体-固体界面相互作用强烈，从而产生启动压力梯度。在这个过程中，油相的启动压力梯度对于其在多孔介质中的流动至关重要。由于气相具有较高的流动性，其启动压力梯度可以忽略不计。基于这一假设，油气的一维流动方程可以表示为：

u o = - K K r o μ o d p d x + 0.1 G o u g = - K K r g μ g d p d x u o + u g = u t = q A

（2）

式中：

K

为地层的绝对渗透率，单位μm²；

G o

为油相启动压力梯度，单位MPa/cm；p为储层压力，单位MPa；

u t

为总流速（假设注入速率为常数，该值也为常数），单位cm/s；

K r o

和

K r g

分别为油相和气相的相对渗透率；

μ o

和

μ g

分别为油相和气相黏度，单位mPa·s；

q

为CO₂总注入速率，单位cm³/s；

A

为一维模型的横截面面积，单位cm²。

对于低渗透油藏CO₂驱相对渗透率，应用改进的CO₂驱相对渗透率模型，如式（3）、式（4）所示。考虑CO₂与原油间的相互作用，建立油相相渗指数（

n r o g

）与油藏压力之间的关系式，如式（5）所示。

K r o = S o - S o r 1 - S w c - S o r n r o g

（3）

K r g = S g - S g c 1 - S w c - S g c 4

（4）

n r o g = 1, p ¯ ≥ p m m p 2 p ¯ + p n m - 3 p m m p p n m - p m m p 3, p ¯ = p m m p, p m m p > p ¯ > p n m

（5）

式中：

S g c

为束缚气饱和度；n_rog为气相渗透率相渗指数；

p ¯

为驱替时油藏平均压力或注入压力，单位MPa；

p m m p

为CO₂和原油最小混相压力，单位MPa；

p n m

为非混相边界压力，通常取CO₂和原油界面张力大于或等于7.0 mN/m时所对应的压力，单位MPa。

基于式（2）中油气两相的渗流速度可得：

d p d x = - u t / K + 0.1 G o K r o / μ o K r o / μ o + K r g / μ g

（6）

将式（6）代入式（2）中可得：

f g = 1 1 + K r o μ g / (K r g μ o) 1 + 0.1 G o K K r o u t μ o

（7）

式中：

f g

为气相分流量。

根据低渗透岩心中油相启动压力梯度的实验结果，其相关性可以表示为：

G o = α 0 1.0 × 103 K μ o - n

（8）

式中：

α 0

和

n

为实验拟合参数，此次研究中，

α 0

=1.232 7，

n

=0.975 4。

1.2　CO₂非混相驱驱替前缘速度表征

由于考虑了CO₂的溶解，传统的BL方程被修改为物质的量浓度平衡方程，且不考虑相的可压缩性和重力分异的影响，因此可得：

∂ C C O 2 ∂ T D + ∂ F C O 2 ∂ x D = 0 C C O 2 = S g C C O 2, g + S o C C O 2, o F C O 2 = f g C C O 2, g + 1 - f g C C O 2, o

（9）

式中：

T D

和

x D

为无因次时间和无因次距离；

C C O 2

为油相和气相中CO₂的总物质的量浓度，单位mol/L；

F C O 2

为CO₂分相流，单位mol/L；

C C O 2, o

和

C C O 2, g

分别为油相和气相中CO₂物质的量浓度，单位mol/L。

基于特征曲线法，无因次前缘速度（

v D

）可以表示为：

v D = f g C C O 2, g + 1 - f g C C O 2, o - 0 S g C C O 2, g + S o C C O 2, o - 0 ≈ f g - D o, g S g - D o, g = d f g d S g S g f D o, g = C C O 2, o C C O 2, o - C C O 2, g

（10）

式中：

v D

为无因次前缘速度；

D o, g

为CO₂驱过程中扩散滞留系数；

S g f

为驱替前缘含气饱和度。

CO₂在油相和气相中的物质的量浓度可以通过溶解气油比表征：

C C O 2, o = R s o 22.4 R s o B g + 1 C C O 2, g = 1 22.4 B g

（11）

式中：

R s o

为溶解气油比；

B g

为气体体积系数。

相对渗透率模型、CO₂溶解后对应的黏度模型及注入/初始条件（压力为22 MPa）见表1^[20]。

1.3　物理信息神经网络

PINNs是一种将物理信息直接融入神经网络训练过程的深度学习方法。其核心思想是在神经网络的损失函数中加入偏微分方程（PDE）及相应的边界条件，以确保网络输出符合物理规律^[21-23]。PINNs利用深度全连接神经网络（DNN）来近似偏微分方程的解。通过多层非线性变换，DNN能够有效捕捉复杂的函数关系。在PINNs中，网络的输出形式为：

u x, t; ω = f x, t; ω

（12）

式中：

u x, t; ω

为偏微分方程的未知解函数；

f x, t; ω

为神经网络映射函数；x为空间向量变量；t为无因次时间；

ω

为网络权重。

在DNN中，前向传播过程是将输入数据逐层传递，经过激活函数和线性变换，最终输出预测结果。具体计算形式为：

α l = σ [W l α l - 1 + b l]

（13）

式中：

W (l)

、

α l 和 b (l)

分别是第

l

层的权重值、输入值和偏置值；

α (l - 1)

是前一层的输出值；

σ

是激活函数。该研究中选择了Tanh激活函数，因其具有非线性特性和良好的梯度传播能力，适用于处理复杂的物理现象，有助于网络的训练和收敛。

前向传播后，损失函数用于评估模型输出与真实值之间的差异，训练目标是最小化该损失。基于PINNs改进后的损失函数的形式为：

L = L p h y s i c s + L i n i t i a l + L b o u n d a r y

（14）

其中，各项损失函数的定义为：

L p h y s i c s = 1 M p ∑ j = 1 M p N u θ x j, t j - f x j, t j 2

（15）

L i n i t i a l = 1 M i ∑ i = 1 M i I u θ x i, 0 - f x i, 0 2

（16）

L b o u n d a r y = 1 M b ∑ b = 1 M b B u θ x b, t b - f x b, t b 2

（17）

式中：

M p

为物理方程的数据采样点数；

M i

为初始条件下的数据采样点数；

M b

为边界条件下的数据采样点数；

N

为PDE项的算子；

I

为初始条件项的算子；

B

为边界条件项的算子；

f (x j, t j)

，

f x i, 0

和

f x b, t b

为已知的源项；

u θ (x j, t j)

，

u θ x i, 0

和

u θ x b, t b

为PINNs的预测值；

L p h y s i c s

反映了PDE项的损失，

L i n i t i a l

和

L b o u n d a r y

分别对应初始条件和边界条件的损失。

神经网络输出的目标解

u (x, t)

代入式（12）后，通过自动微分技术计算出损失项的梯度，保证神经网络在优化过程中不断逼近真实的物理解，如图1所示。

在此基础上，反向传播通过链式法则计算损失函数相对于每个权重的梯度，从输出层向输入层逐层更新其参数，其核心为：

∂ L ∂ W l = δ l α l - 1 T

（18）

式中：

δ (l)

是当前层的误差项，依赖于下一层的误差和激活函数的导数。通过计算，网络能够识别权重并调整，以减少预测误差。

为了有效地更新这些权重，本次研究采用Adam优化器，结合了动量法和RMSProp的优点，通过计算梯度的一阶和二阶矩估计，自适应调整每个参数的学习率，其核心更新公式为：

ω t + 1 = ω t - α ν t^+ ϵ m t^

（19）

式中：

m t^

和

ν t^

为一阶和二阶矩的偏差修正；

α

为学习率；

ω t + 1

为第

t + 1

次迭代时神经网络的参数值；

ω t

为第

t

次迭代时神经网络的参数值。

该优化器能够处理稀疏梯度问题，学习率调整更灵活，收敛速度快，且对超参数不敏感，适合处理大规模和噪声数据的优化问题。

2　模拟结果与分析

收起

2.1　神经网络结构优化

采用网格搜索方法确定神经网络的基本框架，并通过交叉验证进行系统评估。图2展示了不同深度（3层至8层）下网络层宽对相对误差L₂的影响。随着网络层宽的增加，深度为4、5、6的网络在L₂误差上的变化趋势各不相同，尤其当层宽为40时，大多数深度配置均能达到较低的误差水平。从图2可以观察到，当网络深度超过6层时，不同层宽配置下的误差趋于稳定，进一步增加深度至8时L₂误差趋于稳定。因此，综合考虑计算效率与模型性能，选择[2，40，40，40，40，40，40，1]作为该模型训练网络架构，即输入层神经元数为2，中间包含6个隐藏层，每个隐藏层设置40个神经元，输出层神经元数为1，对应预测变量

u (x, t)

。

2.2　模拟结果准确性验证

图3为气体驱替过程中

S g

随

x D

在不同无因次时间（t=0.05、0.15、0.25、0.35、0.60、0.90）的变化情况。由图3可以看出，随着时间的推移，气体驱替的前缘逐渐向右移动，即气相饱和度的跃变点逐步推进。初期t=0.05时，气相饱和度在前缘处出现一个明显的跃变，表明气体刚开始注入并推动油相向前移动。随着时间的增加，气相饱和度的分布逐渐变得平滑，气体注入的影响范围扩大，但驱替过程依然保持着相对清晰的驱替前缘。从拟合结果来看，各个时间点的红色虚线（PINNs预测结果）与蓝色实线（解析解）的吻合度较高，特别是在驱替前缘处，PINNs的预测结果能够较好地捕捉到饱和度的突变和过渡。但在某些时刻，如t=0.60时，PINNs的预测在前缘位置附近出现了轻微的偏差，但偏差并不大，表明物理信息神经网络在大多数情况下能够准确地预测驱替过程中气相饱和度的演化趋势。

图4分别展示了PINNs在模拟含气饱和度时间/空间分布与实际分流量曲线结果的差异。图4a展示了PINNs对含气饱和度在不同无因次时间和位置下的预测结果，从左上角到右下角的区域逐渐变为蓝色，表明在时间推进的过程中，含气饱和度从初始的高值（靠近左上角的红色区域）逐渐减小，这与典型的流体渗流过程一致，即随着时间的推移，饱和度沿着流动方向逐渐减小。图4b展示了基于分流量曲线获得的饱和度时空分布，与图4a相比，饱和度跃变线更明显。从图4c也可以看出，误差主要集中在饱和度变化较为剧烈的区域，即分界线附近（从左下到右上的斜线区域），这表明在含气饱和度快速变化的界面附近，PINNs的预测精度相对较低。而在驱替前缘的两侧，预测误差较小，说明PINNs在这些区域的预测较为准确。

图5为PINNs预测的含气饱和度三维分布，其曲面表现出较好的平滑性，特别是在x轴方向的变化上，含气饱和度值从注入端到生产端呈现了连续的分布，表明PINNs在预测含气饱和度分布时具有较好的数值稳定性。同时，由于颜色带的逐渐变化，表明PINNs能够较好地捕捉到不同时间点和空间位置上的含气饱和度分布。前缘位置处的跃变饱和度产生了略微的波动，主要是由于神经网络在逼近高梯度函数时仍面临求解困难，通过进一步优化网络结构和损失函数，能够提升模型在跃变区域的预测精度，或者引入局部加密网络技术，以提高模型在复杂流动界面附近的学习能力和预测准确性。此外，也可以引入改进的损失函数，以更加强调前缘区域的学习重点。虽然PINNs在求解过程中存在一定的缺陷，但整体上PINNs在复杂非线性物理问题求解中具有非常大的潜力。

2.3　模型性能评价

图6展示了一维模拟PINNs训练过程中不同损失函数随迭代次数的变化趋势。可以看出，累积损失函数随着迭代次数增加而逐渐减小，呈现明显下降趋势，表明网络在逐步优化，逼近实际解。初始阶段（大约前2 000次迭代），总损失下降较快，随后下降速率减缓，损失值趋于稳定，但依然保持着一定的下降空间，最终在大约20 000个迭代后，累积损失趋近于10^-3。这说明PINNs的整体训练效果在不断改进，网络逐渐学会了初始、边界条件和PDE的约束。边界条件损失函数在早期迭代中（迭代次数小于2 500次）迅速下降，随后进入较为平缓的下降阶段。这说明在初期阶段，PINNs迅速调整参数以满足边界条件约束，并且随着训练网络在初始条件的拟合逐渐达到理想状态。最终边界条件损失趋近于10^-5的较小值，表明PINNs能够很好地捕捉边界状态。初始条件损失函数的变化相对稳定，表现为缓慢而持续下降。从整体趋势看，初始条件的损失曲线逐渐下降到10^-3附近，并且在训练过程中没有出现明显波动，说明PINNs在训练过程中能够稳定地满足初始条件。PDE损失在整个训练过程中持续减小，下降速度较为缓慢，最终下降到10^-3附近。相比初始条件损失，PDE损失的收敛速度较慢，且中间部分有一定波动，这可能是因为求解偏微分方程时涉及较为复杂的非线性关系，导致网络需要更多的迭代次数来拟合复杂方程。

图7描述了Adam优化器自适应学习率的调整策略，整体规律表现为随着训练迭代次数增加，学习率逐渐下降。学习率初始值设定为0.001，随着迭代次数增加，学习率呈现非线性衰减。尤其在训练初期（大约0~5 000次迭代），学习率下降较为迅速，这个阶段可以理解为模型快速更新参数的阶段。通过较高的学习率，Adam优化器能够探索更大的参数空间，帮助模型快速找到损失函数中的最优路径。在这个阶段，模型通常会经历大幅度的权重调整，并快速降低训练误差。随着迭代次数接近中期（5 000~15 000次），学习率的下降趋势逐渐趋于平缓，表明模型已经接近收敛。此时较小的学习率使得模型参数的更新幅度减小，避免了训练过程中可能出现的振荡或过度调整。对于PINNs而言，这个阶段是模型在物理约束下精细调整内部参数的关键时期。由于PINNs需要同时优化数据驱动损失与物理约束损失，逐渐减小的学习率能够有效避免在优化物理信息时出现大幅度偏离真实物理规律的情况。在后期阶段（超过15 000次迭代），学习率进一步接近0.000 2，几乎达到平稳状态。这种设置确保了模型可以在训练最后阶段进行细致的微调，使得模型能以最小的步长继续减少训练误差。在PINNs的场景下，这个阶段尤其重要，因为模型此时需要在符合物理规律的前提下尽可能提高精度，过大的学习率可能导致模型发散或无法有效满足物理约束。

通过对比PINNs预测结果与解析解之间的差异，结果显示：均方误差为0.3×10^-4，均方根误差为0.17×10^-2，平均绝对误差为0.19×10^-2，决定系数（R²）为0.936，L₂误差为0.42×10^-3。通过这些误差指标可以看出，PINNs模型在预测含气饱和度时表现出较高的精度和稳定性。均方误差、均方根误差、平均绝对误差等误差指标都保持在较低范围内，R²值接近1，表明模型的拟合效果较好，能够准确预测非混相气驱过程中含气饱和度的分布，说明PINNs在处理复杂物理现象时具有较高的潜力，预测结果与真实数据之间的差异较小。

3　结论

收起

1）针对低渗透油藏CO₂非混相驱数值模拟提出了PINNs的无网格物理约束求解方法，将BL分流量方程及初边值条件直接嵌入网络训练过程，实现了对复杂非线性渗流过程的稳定、高精度模拟。

2）通过与解析解对比，PINNs模型在预测驱替前缘位置与饱和度分布方面R²超过93%，平均绝对误差仅为0.19×10^-2，证明了该方法的可行性与准确性。

3）该方法摆脱了传统数值方法对网格大小和时间步长条件的依赖，可拓展至混相驱、聚合物驱、化学驱以及多物理场耦合等更复杂问题，可以应用到更广泛的油藏类型与地下流动过程模拟中。

参考文献

收起

文献

收起

参考文献引证文献

排序方式：

陈欢庆. CO₂驱油与埋存技术新进展[J]. 油气地质与采收率, 2023, 30(2): 18-26.

CHEN

Huanqing

. New progress of CO₂ flooding and storage technology[J]. Petroleum Geology and Recovery Efficiency, 2023, 30(2): 18-26.

汤瑞佳, 江绍静, 陈龙龙, 等. 低渗致密岩心不同混相程度下CO₂微观驱替特征研究[J]. 非常规油气, 2025, 12(6): 55-62.

TANG

Ruijia

, JIANG

Shaojing

, CHEN

Longlong

, et al. Study on microscopic CO₂ displacement characteristics under different miscibility degrees in low-permeability tight cores[J]. Unconventional Oil & Gas, 2025, 12(6): 55-62.

胡文瑞, 魏漪, 鲍敬伟. 中国低渗透油气藏开发理论与技术进展[J]. 石油勘探与开发, 2018, 45(4): 646-656.

Wenrui

, WEI

, BAO

Jingwei

. Development of the theory and technology for low permeability reservoirs in China[J]. Petroleum Exploration and Development, 2018, 45(4): 646-656.

高云丛, 赵密福, 王建波, 等. 特低渗油藏CO₂非混相驱生产特征与气窜规律[J]. 石油勘探与开发, 2014, 41(1): 79-85.

GAO

Yuncong

, ZHAO

Mifu

, WANG

Jianbo

, et al. Performance and gas breakthrough during CO₂ immiscible flooding in ultra-low permeability reservoirs[J]. Petroleum Exploration and Development, 2014, 41(1): 79-85.

李珂, 韩小俊, 张晓斌, 等. CO₂地质封存选址关键要素评估[J]. 天然气勘探与开发, 2024, 47(5): 95-102.

, HAN

Xiaojun

, ZHANG

Xiaobin

, et al. Evaluating the key controls on CO₂ geologic storage site[J]. Natural Gas Exploration and Development, 2024, 47(5): 95-102.

熊玥雯, 杨宏楠, 张绍帅, 等. 低渗透油藏压裂水平井CO₂混相驱模拟研究[J]. 非常规油气, 2025, 12(4): 38-48.

XIONG

Yuewen

, YANG

Hongnan

, ZHANG

Shaoshuai

, et al. Simulation study on CO₂ miscible flooding in fractured horizontal wells in low permeability reservoirs[J]. Unconventional Oil & Gas, 2025, 12(4): 38-48.

王锐, 吕成远, 伦增珉, 等. 低渗油藏CO₂/原油及N₂/原油间油气相渗实验[J]. 大庆石油地质与开发, 2015, 34(6): 114-117.

WANG

Rui

, Chengyuan

LYU

, Zengmin

LUN

, et al. Experiments on CO₂/oil and N₂/oil relative permeability curves for low permeability reservoirs[J]. Petroleum Geology & Oilfield Development in Daqing, 2015, 34(6): 114-117.

袁斌, 汪洋, 白航航, 等. CO₂非混相驱原油膨胀及沥青质沉淀影响因素[J]. 大庆石油地质与开发, 2023, 42(4): 105-112.

YUAN

Bin

, WANG

Yang

, BAI

Hanghang

, et al. Influencing factors of crude oil expansion and asphaltene precipitation in immiscible CO₂ flooding[J]. Petroleum Geology & Oilfield Development in Daqing, 2023, 42(4): 105-112.

章星, 杨胜来, 文博, 等. 低渗油藏CO₂混相驱启动压力梯度实验研究[J]. 石油实验地质, 2013, 35(5): 583-586.

ZHANG

Xing

, YANG

Shenglai

, WEN

, et al. Experimental study on threshold pressure gradient of CO₂ miscible flooding in low permeability reservoir[J]. Petroleum Geology & Experiment, 2013, 35(5): 583-586.

杨勇, 曹小朋, 韩文成, 等. 胜利油田高89地区特低渗透油藏CO₂驱非线性渗流规律研究[J]. 油气地质与采收率, 2023, 30(2): 36-43.

YANG

Yong

, CAO

Xiaopeng

, HAN

Wencheng

, et al. Non-linear flow laws of CO₂ flooding in ultra-low permeability reservoirs in Gao89 area of Shengli Oilfield[J]. Petroleum Geology and Recovery Efficiency, 2023, 30(2): 36-43.

郭红强, 杜敏, 姚健, 等. 延长低渗透油藏CO₂驱油参数优化数值模拟研究[J]. 非常规油气, 2024, 11(1): 78-84.

GUO

Hongqiang

, DU

Min

, YAO

Jian

, et al. Numerical simulation study on optimization of CO₂ flooding parameters in Yanchang low permeability reservoir[J]. Unconventional Oil & Gas, 2024, 11(1): 78-84.

宋宪坤, 刘月田, 杨潇文, 等. 孔隙尺度下CO₂混相驱替数值模拟研究[J]. 油气地质与采收率, 2024, 31(6): 140-152.

SONG

Xiankun

, LIU

Yuetian

, YANG

Xiaowen

, et al. Numerical simulation of CO₂ miscible displacement at pore scale[J]. Petroleum Geology and Recovery Efficiency, 2024, 31(6): 140-152.

张贤松, 李保振, 王旭东, 等. 非纯CO₂近混相驱机理与开发效果数值模拟研究[J]. 中国海上油气, 2020, 32(6): 77-81.

ZHANG

Xiansong

, LI

Baozhen

, WANG

Xudong

, et al. Numerical simulation study on mechanism and development effect of impure CO₂ near-miscible flooding[J]. China Offshore Oil and Gas, 2020, 32(6): 77-81.

金忠康, 王智林, 毛超琪. 低渗透M油藏CO₂非混相驱主控机理及应用[J]. 油气藏评价与开发, 2020, 10(3): 68-74.

JIN

Zhongkang

, WANG

Zhilin

, MAO

Chaoqi

. Dominant mechanism and application of CO₂ immiscible flooding in M block with low permeability[J]. Reservoir Evaluation and Development, 2020, 10(3): 68-74.

刘学利, 李小波, 谭涛, 等. 超深断溶体油藏注天然气混相驱数值模拟研究[J]. 非常规油气, 2024, 11(6): 44-51.

LIU

Xueli

, LI

Xiaobo

, TAN

Tao

, et al. Numerical simulation of miscible flooding with natural gas injection in ultra-deep fault-karst reservoir[J]. Unconventional Oil & Gas, 2024, 11(6): 44-51.

RODRIGUEZ-TORRADO

, RUIZ

, CUETO-FELGUEROSO

, et al. Physics-informed attention-based neural network for hyperbolic partial differential equations: Application to the Buckley-Leverett problem[J]. Scientific Reports, 2022, 12: 7557.

FRACES

C G

, TCHELEPI

. Physics informed deep learning for flow and transport in porous media[C]//SPE Reservoir Simulation Conference. Richardson: Society of Petroleum Engineers, 2021: SPE 203934-MS.

ZHANG

, NGHIEM

, CHEN

. A novel approach to solve hyperbolic Buckley-Leverett equation by using a transformer based physics informed neural network[J]. Geoenergy Science and Engineering, 2024, 236: 212711.

DIAB

, CHAABI

, ZHANG

, et al. Data-free and data-efficient physics-informed neural network approaches to solve the Buckley–leverett problem[J]. Energies, 2022, 15(21): 7864.

孟凡坤, 雷群, 苏玉亮, 等. 低渗透油藏CO₂非混相驱前缘移动规律研究[J]. 西南石油大学学报(自然科学版), 2018, 40(3): 121-128.

MENG

Fankun

, LEI

Qun

, SU

Yuliang

, et al. Law of CO₂ immiscible front movement in low-permeability oil reservoir[J]. Journal of Southwest Petroleum University (Science & Technology Edition), 2018, 40(3): 121-128.

KHAN

M Y

, MANDAL

. Improvement of Buckley-Leverett equation and its solution for gas displacement with viscous fingering and gravity effects at constant pressure for inclined stratified heterogeneous reservoir[J]. Fuel, 2021, 285: 119172.

ZHURAVLJOV

, LANETC

. Relevance of analytical Buckley-Leverett solution for immiscible oil displacement by various gases[J]. Journal of Petroleum Exploration and Production Technology, 2019, 9(1): 617-626.

GHANBARNEZHAD-MOGHANLOO

, LAKE

L W

. Applying fractional-flow theory under the loss of miscibility[J]. SPE Journal, 2012, 17(3): 661-670.

GHANBARNEZHAD MOGHANLOO

, DADMOHAMMADI

, BIN Y, et al. Applying fractional flow theory to evaluate CO₂ storage capacity of an aquifer[J]. Journal of Petroleum Science and Engineering, 2015, 125: 154-161.

2026年第16卷第4期

引用本文

BibTeX

文章信息

doi: 10.13809/j.cnki.cn32-1825/te.2025057

接收时间：2026-01-12
首发时间：2026-10-30
出版时间：2026-07-26

补充材料

相关文章

文章信息

作者

出版历史

收稿日期：2026-01-12

基金

作者信息

¹　中国石油大学（北京）石油工程学院，北京　102249

²　中国石油冀东油田分公司陆上作业区，河北　　唐山　063200

通讯作者:

参考文献

分享链接

https://castjournals.cast.org.cn/joweb/yqcpjykf/CN/10.13809/j.cnki.cn32-1825/te.2025057

分享至

全文二维码

扫描看全文

引用本文

BibTeX

本文的引用情况

2种不同金属材料的力学参数

科 Family	属数 Number of genus	种数 Number of species	占总种数比例 Percentage of total species (%)	属 Genus	种数 Number of species	占总种数比例 Percentage of total species (%)
鹅膏菌科Amanitaceae	2	11	5.26	鹅膏菌属 Amanita	10	4.78
小菇科 Mycenaceae	2	12	5.74	丝盖伞属 Inocybe	5	2.39
多孔菌科 Polyporaceae	8	14	6.70	蜡蘑属 Laccaria	5	2.39
红菇科 Russulaceae	3	23	11.00	小皮伞属 Marasmius	6	2.87
				小菇属 Mycena	11	5.26
				光柄菇属 Pluteus	5	2.39
				红菇属 Russula	17	8.13
				栓菌属 Trametes	5	2.39

关闭全屏

BibTeX
EndNote
RefWorks
TxT