地球科学进展

地球科学进展 ›› 2020, Vol. 35 ›› Issue (3): 286 -296. doi: 10.11867/j.issn.1001-8166.2020.024

研究论文 上一篇    下一篇

中国 2020— 2030年石油资源需求情景预测
郑明贵 1, 2( ),李期 1   
  1. 1.江西理工大学 矿业贸易与投资研究中心，江西 赣州 341000
    2.中国科学技术大学 管理学院，安徽 合肥 230026
  • 收稿日期:2019-10-24 修回日期:2020-02-09 出版日期:2020-03-10
  • 基金资助:
    国家社会科学基金重点项目“中国战略性矿产资源国家安全评估与预警系统研究”(2020-2050┫┣18AGL002);国家自然科学基金重点项目“大数据环境下的评价理论、方法和应用”(71631006)

Scenario Prediction of China’s Oil Resource Demand in 2020-2030

Minggui Zheng 1, 2( ),Qi Li 1   

  1. 1.Research Center of Mining Trade & Investment, Jiangxi University of Science and Technology，Ganzhou Jiangxi 341000，China
    2.The School of Management，University of Science and Technology of China，Hefei 230026，China
  • Received:2019-10-24 Revised:2020-02-09 Online:2020-03-10 Published:2020-04-10
  • About author:Zheng Minggui (1978-), male, Yingshang City, Anhui Province, Professor. Research areas include resource economy and management. E-mail: mgz268@sina.com
  • Supported by:
    the National Social Science Foundation of China “Research on national security evaluation and early warning system of China’s strategic mineral resources(2020-2050┫” ┣18AGL002);“Evaluation theory, method and application in big data environment”(71631006)
全文 ( 30 ) 下载PDF ( 1253 )

石油对保障国家能源安全发挥着重要作用，科学预测未来中国石油需求量，对中国能源政策制定具有重要意义。结合灰色关联分析与ARIMA-BP神经网络组合模型，选取1999—2018年中国GDP、国际石油价格、单位GDP能耗、产业结构、城镇化率和石油生产量等6个驱动变量数据，对中国2020—2030年石油需求进行情景预测。结果表明：选取的驱动变量与中国石油需求具有较高的关联性，且组合模型较单一模型预测精度高。2020—2030年中国石油需求量和进口量不断增加，但增长幅度逐渐减缓。3种情景下2020年、2025年和2030年预测的石油需求量均值分别为67 577.03万t、73 227.25万t和76 081.55万t；2020—2030年预测的平均对外依存度为76.19%，远超过50%的国际警戒线。中国石油供需矛盾将更加尖锐，据此提出针对性的政策建议。

关键词: 石油需求, 对外依存度, 情景预测, ARIMA-BP模型

Oil plays an important role in ensuring national energy security. It is of great significance for China’s energy policy-making to predict the future oil demand scientifically. Combined with the grey correlation analysis and combination model of ARIMA-BP neural network, data on six driving variables of China’s GDP, international oil price, energy consumption per unit GDP, industrial structure, urbanization rate and oil production in 1999-2018 were selected to predict China’s oil demand under different scenarios in 2020-2030. The results show that the selected driving variables are highly correlated with China’s oil demand, and the combined model is more accurate than the single model. From 2020 to 2030, China’s oil demand and import will continue to increase, but the growth rate will gradually slow down. Under the three scenarios, the predicted average oil demand in 2020, 2025 and 2030 will be 675.7703 million tons, 732.2725 million tons and 760.8155 million tons, respectively; the predicted average external dependence in 2020-2030 will be 76.19%, far exceeding the international warning line of 50%. The contradiction between China’s oil supply and demand will be more acute, and accordingly, some policy suggestions were put forward.

Key words: Oil demand, External dependence, Scenario prediction, ARIMA-BP model

中图分类号: 

表1 中国石油需求量、进口量及影响因素原始数据（ 1999— 2018年）
Table 1 Raw data of China’s oil demand, imports and influencing factors（ 1999-2018）
时间 中国GDP/亿元 国际石油价格/（美元/t） 单位GDP能耗/（吨标准煤/万元） 产业结构/% 城镇化率/% 石油生产量/万t 中国石油进口需求量/万t

石油需求量

/万t
1999年 90 564.4 135.09 1.55 45.4 34.78 16 020 6 483.3 20 960
2000年 100 280.1 213.32 1.62 45.5 36.22 16 260 9 748.5 22 360
2001年 110 863.1 182.31 1.55 44.8 37.66 16 480 9 118.2 22 790
2002年 121 717.4 186.27 1.53 44.5 39.09 16 690 10 269.3 24 740
2003年 137 422.0 216.40 1.61 45.6 40.53 16 960 13 189.6 27 170
2004年 161 840.2 288.10 1.66 45.9 41.76 17 410 17 291.3 31 890
2005年 187 318.9 407.62 1.60 47.0 42.99 18 080 17 163.2 32 780
2006年 219 438.5 484.48 1.49 47.6 44.34 18 370 19 453.0 34 770
2007年 270 092.3 535.36 1.37 46.9 45.89 18 670 21 139.4 36 440
2008年 319 244.6 730.08 1.16 47.0 46.99 19 040 23 015.5 38 470
2009年 348 517.7 456.84 1.02 46.0 48.34 18 950 25 642.4 40 060
2010年 412 119.3 586.51 0.97 46.5 49.95 20 300 29 437.2 45 550
2011年 487 940.2 781.89 0.89 46.5 51.27 20 290 31 593.6 47 240
2012年 538 580.0 782.04 0.79 45.4 52.57 20 750 33 088.8 49 530
2013年 592 963.2 778.59 0.75 44.2 53.73 21 000 34 264.8 51 730
2014年 641 280.6 717.45 0.70 43.3 54.77 21 140 36 179.6 53 930
2015年 685 992.9 380.03 0.66 41.1 56.10 21 460 39 748.6 57 330
2016年 740 060.8 321.63 0.63 40.1 57.35 19 970 38 101.0 58 700
2017年 820 754.3 389.27 0.60 40.5 58.52 19 150 48 053.0 61 070
2018年 900 309.5 510.70 0.56 40.7 59.58 18 910 46 200.0 64 120
表2 中国石油需求驱动变量分析结果
Table 2 Analysis results of China’s oil demand driven variables
变量 中国GDP 国际石油价格 单位GDP能耗 产业结构 城镇化率 石油生产量
关联系数 0.70 0.69 0.54 0.68 0.82 0.77
表3 石油需求量 ADF检验结果
Table 3 Oil demand ADF test results
检验统计量 一阶差分ADF检验统计量 测试临界值

1%置信

水平

 5%置信水平 10%置信水平
t统计量 -4.903901 -3.857386 -3.040391 -2.660551
p值 0.0012
图1 中国石油需求量ACF检验
Fig.1 China’s oil demand ACF test
图2 中国石油需求量PACF检验
Fig.2 China’s oil demand PACF inspection
图3 ARIMA模型参数
Fig.3 ARIMA model parameters
图4 ARIMA(5,1,0)模型预测拟合图
Fig.4 ARIMA (5,1,0) model prediction fit map
图5 BP神经网络训练结果
Fig.5 BP neural network training result
图6 BP神经网络石油需求预测
Fig.6 BP neural network oil demand forecast
图7 3种模型预测相对误差
Fig.7 Three models predict relative error
表4 中国 GDP 2020— 2030年情景设置
Table 4 China GDP 2020-2030 scenario setting
指标 高情景（A） 基准情景（B） 低情景（C）
GDP增长率/% GDP/亿元 GDP增长率/% GDP/亿元 GDP增长率/% GDP/亿元
2020年情景 7.0 1 030 764.35 6.3 1 017 321.83 5.6 1 003 967.53
2025年情景 6.7 1 425 546.82 6.0 1 361 406.09 5.3 1 299 755.08
2030年情景 6.4 1 943 970.30 5.7 1 796 232.81 5.0 1 658 853.45
表5 1999— 2018年国际石油价格增长率
Table 5 International oil price growth rate from 1999 to 2018
时间 1999—2002年 2003—2006年 2007—2010年 2011—2014年 2015—2018年
年均增长率/% 8.36 22.32 2.31 -2.13 7.67
表6 国际石油价格 2020— 2030年情景设置
Table 6 International oil prices 2020-2030 scenario settings
指标 高情景（A） 基准情景（B） 低情景（C）
国际石油价格增长率/% 国际石油价格/（美元/t） 国际石油价格增长率/% 国际石油价格/（美元/t） 国际石油价格增长率/% 国际石油价格/（美元/t）
2020年情景 5.5 568.43 3.5 547.08 1.5 526.14
2025年情景 6.0 760.68 4.0 665.60 2.0 580.90
2030年情景 6.5 1 042.20 4.5 829.46 2.5 657.24
表7 中国能源消费总量 2020— 2030年情景设置
Table 7 China’s total energy consumption 2020-2030 scenario setting
指标 高情景（A） 基准情景（B） 低情景（C）
中国GDP/亿元 能源消费总量/万t标准煤 中国GDP/亿元 能源消费总量/万t标准煤 中国GDP/亿元 能源消费总量/万t标准煤
2020年情景 1 030 764.35 552 707.02 1 017 321.83 548 958.09 1 003 967.53 545 210.07
2025年情景 1 425 546.82 653 892.64 1 361 406.09 638 469.78 1 299 755.08 623 312.18
2030年情景 1 943 970.30 767 976.69 1 796 232.81 737 141.15 1 658 853.45 707 351.48
表8 中国单位 GDP能耗 2020— 2030年情景设置（吨标准煤 /万元）
Table 8 China’s unit GDP energy consumption 2020-2030 scenario setting（ Tons of standard coal equivalent/104 Yuan）
指标 高情景（A） 基准情景（B） 低情景（C）
2020年情景 0.537 0.540 0.542
2025年情景 0.461 0.469 0.477
2030年情景 0.398 0.411 0.422
表9 中国产业结构 2020— 2030年情景设置
Table 9 China’s industrial structure 2020-2030 scenario setting
指标 高情景（A） 基准情景（B） 低情景（C）
产业结构增长率/% 产业结构/% 产业结构增长率/% 产业结构/% 产业结构增长率/% 产业结构/%
2020年情景 -1.86 39.20 -1.00 39.89 -0.37 40.40
2025年情景 -2.40 34.72 -1.45 37.08 -0.76 38.89
2030年情景 -2.88 30.00 -1.87 33.74 -1.34 36.35
表10 中国城镇化率 2020— 2030年情景设置
Table 10 China urbanization rate 2020-2030 scenario setting
指标 高情景（A） 基准情景（B） 低情景（C）
城镇化增长率/% 城镇化率/% 城镇化增长率/% 城镇化率/% 城镇化增长率/% 城镇化率/%
2020年情景 1.50 61.38 1.00 60.78 0.50 60.18
2025年情景 1.80 67.11 1.30 64.83 0.68 62.25
2030年情景 2.20 74.82 1.50 69.84 0.90 65.10
表11 1999— 2018年中国石油生产量平均增长率
Table 11 Average growth rate of China's oil production in 1999-2018
时间 1999—2002年 2003—2006年 2007—2010年 2011—2014年 2015—2018年
平均增长率/% 1.05 2.08 2.08 2.18 -2.97
表12 中国 2020— 2030年石油生产量情景设置
Table 12 China's 2020-2030 oil production scenario setting
指标 高情景（A） 基准情景（B） 低情景（C）
石油生产量增长率/% 石油生产量/万t 石油生产量增长率/% 石油生产量/万t 石油生产量增长率/% 石油生产量/万t
2020年情景 0.50 19 099.57 0.30 19 023.63 0.10 18 947.84
2025年情景 0.75 19 826.63 0.55 19 552.57 0.35 19 281.76
2030年情景 1.00 20 837.99 0.80 20 347.28 0.60 19 867.19
表13 ARIMA误差预测 2020— 2030年情景设置（万 t）
Table 13 ARIMA error prediction 2020-2030 scenario settings( 104 t)
指标 高情景（A） 基准情景（B） 低情景（C）
2020年情景 -507.54 -517.69 -527.83
2025年情景 -51.38 -52.41 -53.44
2030年情景 255.83 260.94 266.06
表14 2020— 2030年中国石油需求情景
Table 14 China's oil demand scenario for 2020-2030
指标 高情景（A） 基准情景（B） 低情景（C）
进口量/万t 需求量/万t 进口量占需求量的比重/% 进口量/万t 需求量/万t 进口量占需求量的比重/% 进口量/万t 需求量/万t 进口量占需求量的比重/%
2020年情景 54 283.58 69 924.95 77.63 52 850.80 67 405.63 78.41 51 074.69 65 400.51 78.10
2025年情景 56 066.89 77 387.57 72.45 56 043.62 74 586.53 75.14 55 822.60 67 707.66 82.45
2030年情景 56 081.50 78 442.24 71.49 56 081.36 78 132.36 71.78 56 080.76 71 670.05 78.25
表15 预测结果与 IEA、 EIA预测结果比较分析
Table 15 Forecasting results compared with the IEA and the EIA
指标 本文预测结果/万t IEA预测结果/万t 与IEA相对误差/% EIA预测结果/万t 与EIA相对误差/%
2020年情景 67 405.63 65 850.5 2.36 73 704 -8.55
2025年情景 74 586.53 73 022.0 2.14 78 684 -3.99
2030年情景 78 132.36 77 006.0 1.46 81 672 -1.94
1 Liang Haifeng,Li Ying.Countermeasures to risks of Chinese energy security under major changes of world petroleum pattern caused by uprising of the petroleum industry of USA[J].China Mining Magazine,2019,28(7):7-12.
梁海峰，李颖.美国石油崛起推动世界石油格局重大变化下中国能源安全的风险及对策[J].中国矿业，2019，28(7)：7-12.
2 Chai Jian,Liang Ting,Zhou Youhong,et al.Analysis of oil consumption under different regional industrialization—An empirical study based on Path-STR model[J].Chinese Journal of Management Science,2017,25(11):47-57.
柴建，梁婷，周友洪，等.不同区制工业化水平下的石油消费分析——基于Path-STR模型的实证研究[J].中国管理科学，2017，25(11)：47-57.
3 Shi Jun,Liu Xiantao.Empirical test on the relationship between industrial structure, oil demand and economic growth[J].Statistics & Decision,2017, (1):135-138.
石俊，刘先涛.产业结构、石油需求及经济增长间关联的实证检验[J].统计与决策，2017，(1)：135-138.
4 Lin Feng,Yu Wentao.Analysis of the trend of international oil price and China’s oil demand[J].Macroeconomic Management,2008, (4):31-32.
林峰，于文涛.国际油价变动趋势与我国石油需求的探析[J].宏观经济管理，2008，(4)：31-32.
5 Liu Guwang,Yan Qiang,Yang Jianbo.World oil demand based on S-Curve model of the transport sector[J].Resources Science,2018,40(3):547-557.
刘固望，闫强，羊建波.基于交通部门“S”形模型的全球石油需求展望[J].资源科学，2018，40(3)：547-557.
6 Jiao Jianling,Han Xiaofei,Li Lanlan,et al.Prediction of China oil demand with the constraints of CO2 abatement[J].Journal of Beijing Institute of Technology(Social Science Edition),2015,17(1):48-52.
焦建玲，韩晓飞，李兰兰，等.减排约束下的中国石油需求预测[J].北京理工大学学报：社会科学版，2015，17(1)：48-52.
7 Lü Kui.Empirical test of oil demand forecast based on vector error correction model[J].Statistics & Decision,2009, (10):66-68.
吕魁.基于向量误差修正模型的石油需求预测实证检验[J].统计与决策，2009，(10)：66-68.
8 Li Zhenyu,Lu Hong,Ren Wenpo,et al.China’s oil consumption and its future development trend analysis[J].Chemical Industry and Engineering Progress,2016,35(6):1 739-1 747.
李振宇，卢红，任文坡，等.我国未来石油消费发展趋势分析[J].化工进展，2016，35(6)：1 739-1 747.
9 Xuan Weiqi,Liu Xue,Jing Yuejun,et al.Analysis of future trend prediction of China’s petroleum consumption[J].Operations Research and Management Science,2009,18(3):1-7.
禤伟旗，刘学，景跃军，等.中国石油消费发展趋势的预测分析[J].运筹与管理，2009，18(3)：1-7.
10 Chen Haitao.Model and forecast of China’s petroleum demand system based on system dynamics[J].Statistics & Decision,2010, (20):98-101.
陈海涛.基于系统动力学的中国石油需求系统模型及预测[J].统计与决策，2010，(20)：98-101.
11 Chen Haitao.GM(1,1) model predicts China’s oil demand[J].Ecological Economy,2014,30(2):127-131.
陈海涛.GM（1,1）模型预测我国石油需求量[J].生态经济，2014，30(2)：127-131.
12 Wu Ya.Impact of energy technology progress on oil dem and energy savings and emission reduction potential—Based on the multiple factors[J].Science and Technology Management Research,2016,36(5):199-203.
伍亚.能源技术进步对石油需求及节油减排潜力的影响——基于多因素视角的研究[J].科技管理研究，2016，36(5)：199-203.
13 Li Hongxun,Li Yuanqing,Wang Haijun.Research on China’s oil demand based on BP neural network model[J].Journal of China University of Petroleum (Edition of Social Sciences),2015,31(3):8-11.
李宏勋，李元庆，王海军.基于BP神经网络模型的中国石油需求预测研究[J].中国石油大学学报：社会科学版，2015，31(3)：8-11.
14 Shen Lei,Liu Litao,Wang Limao,et al.2050 energy consumption projection for China[J].Journal of Natural Resources,2015,30(3):361-373.
沈镭，刘立涛，王礼茂，等.2050年中国能源消费的情景预测[J].自然资源学报，2015，30(3)：361-373.
15 Sun Mei,Deng Xing,Dong Tongming.Application of neural network and Kalman algorithm in oil demand prediction[J].Journal of Beijing Institute of Technology(Social Science Edition),2013,15(6):10-15.
孙梅，邓星，董同明.神经网络和卡尔曼算法在石油需求预测中的应用[J].北京理工大学学报：社会科学版，2013，15(6)：10-15.
16 Tang Lifang,Tang Wei.Prediction of petroleum demand based on CPSO-SVM[J].Computer Simulation,2012,29(6):206-209.
唐丽芳，唐伟.基于CPSO-SVM的石油需求预测[J].计算机仿真，2012，29(6)：206-209.
17 Zhao Chengbo,Mao Chunmei.Forecast of intensity of carbon emission to China based on BP neural network and ARIMA combined model[J].Resources and Environment in the Yangtze River Basin,2012,21(6):665-671.
赵成柏，毛春梅.基于ARIMA和BP神经网络组合模型的我国碳排放强度预测[J].长江流域资源与环境，2012，21(6)：665-671.
18 Zheng Xinwang,Peng Hao.An improved gray multivariable model for predicting industrial energy consumption in China[J].Math Model,2016,40(11/12):5 745-5 758.
19 Li Shuyu,Li Rongrong.Comparison of forecasting energy consumption in Shandong, China using the ARIMA model, GM model, and ARIMA-GM model[J].Sustainability,2017,9(7):1-19.
20 Wu Xiaofeng,Yang Yingmei,Chen Yaotong.ARIMA combined forecasting model based on BP neural network error correction[J].Statistics & Decision,2019, (15):65-68.
吴晓峰，杨颖梅，陈垚彤.基于BP神经网络误差校正的ARIMA组合预测模型[J].统计与决策，2019，(15)：65-68.
21 Zheng Minggui,Yuan Xuemei.Demand forecasting of China’s chrome ore from 2020 to 2030 based on grey neural network[J].Resources Development & Market,2018,34(6):747-752.
郑明贵，袁雪梅.基于灰色神经网络的中国2020—2030年铬矿需求预测[J].资源开发与市场，2018，34(6)：747-752.
22 Xie Xiaojun,Qiu Yunlan,Shi Ling.Prediction of energy consumption based on ARIMA and BP neural network combined model[J].Mathematics in Practice and Theory,2019,49(10):292-298.
谢小军，邱云兰，时凌.基于ARIMA和BP神经网络组合模型的能源消费预测[J].数学的实践与认识，2019，49(10)：292-298.
23 Liu Chunhong,Yang Liang,Deng He,et al.Prediction of ammonia concentration in piggery based on ARIMA and BP neural network[J].China Environmental Science,2019,39(6):2 320-2 327.
刘春红，杨亮，邓河，等.基于ARIMA和BP神经网络的猪舍氨气浓度预测[J].中国环境科学，2019，39(6)：2 320-2 327.
24 Chen Kegui,Li Jin,Huang Changbing,et al.Application research of BP neural network in Potassium-Rich brine[J].Advances in Earth Science,2018,33(6):614-622.
陈科贵，李进，黄长兵，等.BP神经网络在富钾卤水中的应用研究[J].地球科学进展，2018，33(6)：614-622.
25 Bank World,Development and Research Center of the State Council.China in 2030 [M].Beijing:China Financial and Economic Publishing House,2013.
世界银行，国务院发展研究中心.2030年的中国[M].北京：中国财经经济出版社，2013.
26 National Development and Reform Commission Macroeconomic Research Institute.During the 13th Five-Year Plan Period,China’s Economic Growth Rate will Remain around7% [N].China Economic Times,2015-01-08(5)
[国家发改委宏观经济研究院.“十三五”时期我国经济增速将保持7%左右[N].中国经济时报，2015-01-08(5).]
27 IEA.World Energy Outlook 2017[M].Paris：International Energy Agency,2017:93-94.
28 Hu An'gang,Zhou Shaojie.The “New Normal” can be extended at least to 2030—How to cultivate new growth points in China’s economy [J].People’s Tribune,2015, (18):24-27.
胡鞍钢，周绍杰.“新常态”至少可延伸至2030年——如何培养中国经济新增长点[J].人民论坛，2015，(18)：24-27.
29 Wu Qinglong,Wang Jianming,Guo Peibin.Peaks regional carbon emission based on open STIRPAT modeling an energy-producing region of Shanxi[J].Resources Science,2018,40(5):1 051-1 062.
吴青龙，王建明，郭丕斌.开放STIRPAT模型的区域碳排放峰值研究——以能源生产区域山西省为例[J].资源科学，2018，40(5)：1 051-1 062.
30 China Petroleum Institute of Petroleum Economics and Technology (China Petroleum Institute of Stone and Stone).2050World and China Energy Outlook [EB/OL]. (2016-07-12)[2018-09-18]..
URL    
中石油石油经济技术研究院(中石油石经院).2050年世界与中国能源展望[EB/OL].（2016-07-12）[2018-09-18]..
URL    
31 Zhang Yuqing,Yi Zhongyi,Zhou Yingheng.Forecasting of grain output using a method nonlinear BP neural network based on linear ARIMA modified[J].Mathematics in Practice and Theory,2013,43(22):135-142.
张宇青，易中懿，周应恒.一种线性ARIMA基础上的非线性BP神经网络修正组合方法在粮食产量预测中的运用[J].数学的实践与认识，2013，43(22)：135-142.
32 Chen Wei.Forecast of import and export trade based on combined model of linear ARIMA and nonlinear BP neural network[J].Statistics & Decision,2015, (22):47-49.
陈蔚.基于线性ARIMA与非线性BP神经网络组合模型的进出口贸易预测[J].统计与决策，2015，(22)：47-49.
[1] 张富贵, 周亚龙, 孙忠军, 方慧, 杨志斌, 祝有海. 中国多年冻土区天然气水合物地球化学勘探技术研究进展[J]. 地球科学进展, 2021, 36(3): 276-287.
[2] 陈愿愿,杨晓,邓小江,王小兰,何奇,程莉莉,陈科贵. 海鸥优化算法在四川盆地渝西区块 H井区页岩气储层最优化测井解释中的应用[J]. 地球科学进展, 2020, 35(7): 761-768.
[3] 秦磊,毛金昕,倪凤玲,徐少华,李小刚,蔡长娥,尚文亮,刘家恺. 浅谈深水块体搬运复合体的结构、成因分类以及识别方法[J]. 地球科学进展, 2020, 35(6): 632-642.
[4] 李亚龙, 刘先贵, 胡志明, 端祥刚, 张杰, 詹鸿铭. 页岩气水平井产能预测数值模型综述[J]. 地球科学进展, 2020, 35(4): 350-362.
[5] 陈科贵, 刘思序, 王兆峰, 张翼飞. 基于曲线重构的缝洞型碳酸盐岩储层测井识别研究——以南图尔盖盆地Karabulak油田Pz层为例 *[J]. 地球科学进展, 2018, 33(11): 1154-1160.
[6] 陈科贵, 刘思序, 王兆峰, 张翼飞. 基于曲线重构的缝洞型碳酸盐岩储层测井识别研究——以南图尔盖盆地Karabulak油田Pz层为例[J]. 地球科学进展, 0, (): 15-.
[7] 王小垚, 曾联波, 魏荷花, 孙建芳, 史今雄, 徐翔, 曹东升, 陆诗磊. 碳酸盐岩储层缝洞储集体研究进展[J]. 地球科学进展, 2018, 33(8): 818-832.
[8] 高兴军, 徐薇薇, 余义常, 李艳然, 李蕾. 智能化学示踪剂技术及其在油藏监测中的应用[J]. 地球科学进展, 2018, 33(5): 532-544.
[9] 冯佳睿, 高志勇, 崔京钢, 周川闽. 库车坳陷迪北侏罗系深部储层孔隙演化特征与有利储层评价——埋藏方式制约下的成岩物理模拟实验研究[J]. 地球科学进展, 2018, 33(3): 305-320.
[10] 张亦弛, 马新仿, 张士诚, 韩珊, 秦思捷, 张弛. 利用工业CT对致密砂岩裂缝三维定量评价——以塔里木盆地库车凹陷巴什基奇克组砂岩为例[J]. 地球科学进展, 2018, 33(2): 213-224.
[11] 李琦, 徐亮, 匡冬琴. 阿姆河右岸区块气藏酸气的成因与分布影响因素[J]. 地球科学进展, 2017, 32(11): 1183-1192.
[12] 张创, 罗然昊, 张恒昌, 周雪, 王成龙, 邢华, 钱成. 中等地温场、长深埋期石英砂岩类储层成岩作用与孔隙度演化模式——以鄂尔多斯盆地延安地区下石盒子组为例[J]. 地球科学进展, 2017, 32(7): 744-756.
[13] 毛克宇. 梨树断陷营城组致密砂岩测井流体识别方法及其适应性分析[J]. 地球科学进展, 2016, 31(10): 1056-1066.
[14] 冯建伟, 任启强, 徐珂. 基于地质力学方法的低渗透砂岩储层构造裂缝预测研究[J]. 地球科学进展, 2016, 31(9): 946-967.
[15] 冯佳睿, 高志勇, 崔京钢, 周川闽. 深层、超深层碎屑岩储层勘探现状与研究进展[J]. 地球科学进展, 2016, 31(7): 718-736.
阅读次数
全文


摘要

版权所有 © 《地球科学进展》编辑部
地址：甘肃省兰州市天水中路8号
QQ：114723517
电话：0931-8762293　E-mail：adearth@lzb.ac.cn
陇ICP备2021001824号-5　 甘公网安备62010202000687