CN105715253A - 一种气井井底流压的预测方法 - Google Patents

Abstract

本发明涉及一种气井井底流压的预测方法，属于气井动态分析和工作制度优化领域。包括（1）测量或收集某个区块的套压、地层中深、天然气相对密度、储层温度、产气量、天然气压缩因子、已测气井井底流压参数；（2）制作一个气体钻井井底流压SVM预测器；（3）把测量或收集的参数输入到SVM预测器，进行自学习，确定SVM预测器的关键参数，即核函数参数、不敏感系数和惩罚因子的值；（4）把待预测井套压、地层中深、天然气相对密度、储层温度、产气量、天然气压缩因子输入SVM预测器，得到待预测气井井底流压预测结果。该方法准确高效，是一种实用的气井井底流压的预测新方法。

Description

一种气井井底流压的预测方法

技术领域

本发明涉及一种气井井底流压的预测方法，属于气井动态分析和工作制度优化领域。

背景技术

在气井的生产过程中，井底流压是动态分析的重要参数，快速、准确地获得井底流压，进而分析和优化生产系统和工作制度，对气井的生产具有举足轻重的作用。气井井底流压可通过井下压力计实测和利用模型计算两种方法获得。通常在气田投产初期，为了获得地层的动态参数，加深对油藏的认识，会对一小部分气井通过下入井下压力计来实测井底流压，但由于实测费时长，成本高，安全风险大，不可能对所有井都进行实测，因此，其他大部分井的井底流压需要通过利用模型计算的方法得到。其中许多的计算模型都是利用井口压力针对特定的气井条件建立起来的，适用范围窄是这些方法的通病，而且，随着气井的生产，地层参数(如储层温度)和气体物性(包括天然气相对密度和天然气压缩因子)都会发生改变，气井产量、套压和井底流压也会发生变化，这给气井井底流压的预测造成很大困难。而支持向量机方法(supportvectormachine，SVM)是通过实测的井底流压数据的自学习来预测待测的井底流压值，只对训练参数的准确性和数量有要求，适用范围大幅度扩展。该方法具有理论完备、适应性强、全局优化、训练时间短、泛化性能好等优点，在解决小样本、非线性及高维模式识别中具有许多特有的优势，在模式分类、回归领域、函数逼近、预测以及综合评价等领域得到了广泛的应用，已经成为目前国际、国内研究的热点。特别是，这种方法正适合于解决气井井底流压预测所面临的参数多、样本小、非线性和模式识别维数高的难题。

发明内容

针对气井井底流压预测难题，本发明的目的是提供一种气井井底流压的预测方法，该方法可准确高效地预测气井的井底流压。

为达到上述目的，本发明采用如下技术方案：

一种气井井底流压的预测方法，包括如下步骤：

(1)测量或收集某个区块的套压、地层中深、天然气相对密度、储层温度、产气量、天然气压缩因子、已测气井井底流压参数；

(2)制作一个气体钻井井底流压SVM预测器；

(3)把测量或收集的套压、地层中深、天然气相对密度、储层温度、产气量、天然气压缩因子、已测气井井底流压参数输入到SVM预测器，进行自学习，确定SVM预测器的关键参数，即核函数参数σ、不敏感系数ε和惩罚因子C的值；

(4)把待预测井套压、地层中深、天然气相对密度、储层温度、产气量、天然气压缩因子输入SVM预测器，得到待预测气井井底流压预测结果。

进一步地，所述步骤(1)中的参数测量或收集，包括两个方面：

(a)利用井口压力计测量套压，利用井口流量计测量产气量；或收集油田已有的生产曲线来获得套压和产气量参数；

(b)利用测量的下井钻具长度和岩性录井资料确定地层中深，利用平衡仪测量天然气相对密度，利用通井温度计测量储层温度，利用高压物性实验装置测量天然气压缩因子，利用井下压力计测量气井井底流压；或收集油田已有的试井报告来获得地层中深、天然气相对密度、储层温度、天然气压缩因子和已测气井井底流压参数。

进一步地，所述步骤(2)中的SVM预测器，具有以下步骤：

以下列基于径向基函数的ε-SVR模型为核心：对于样本集T＝{(x_i,y_i),i＝1,...,n}，其中x_i∈R^d，即数据为d维，x_i对应于上述的套压、地层中深、天然气相对密度、储层温度、产气量、天然气压缩因子组成的自变量矩阵；y_i∈R，对应于上述的已测气井井底流压组成的应变量矩阵；n为样本的组数；i为样本编号；将基于径向基函数的ε-SVR模型转化为凸二次规划寻优的对偶问题，由下式表达：

$\left\{\begin{array}{c}\underset{\mathrm{\α},{\mathrm{\α}}^{*}}{\max }\[-\frac{1}{2}\underset{i,j=1}{\overset{n}{\Σ}}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})({\mathrm{\α}}_j-{\mathrm{\α}}_j^{*})K(x_i,x_j)+\underset{i=1}{\overset{n}{\Σ}}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})y_i-\underset{i=1}{\overset{n}{\Σ}}({\mathrm{\α}}_i+{\mathrm{\α}}_i^{*})\mathrm{\ϵ}\]\\ \begin{array}{cc}s.t.& \left\{\begin{array}{c}\underset{i=1}{\overset{n}{\Σ}}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})=0\\ 0\≤{\mathrm{\α}}_i\≤C,0\≤{\mathrm{\α}}_i^{*}\≤C,i=1,2,\mathrm{...},n\end{array}\right.\end{array}\end{array}\right.---\left(1\right)$

式中j为样本编号；α_i、α_j、为Lagrange乘子；x_j为上述的套压、地层中深、天然气相对密度、储层温度、产气量、天然气压缩因子组成的自变量矩阵；K(x_i,x_j)为核函数；ε为不敏感系数；常数C＞0，为惩罚因子；若问题的解以α_io，表示，则相应的回归模型为：

$f\left(x\right)=\underset{i=1}{\overset{n}{\Σ}}({\mathrm{\α}}_{io}-{\mathrm{\α}}_{io}^{*})K(x_i,x)+b_o---\left(2\right)$

式中α_io，为优化之前的Lagrange乘子；f(x)为待测气井井底流压值，即预测值；b_o为分类阈值，由下式确定：

$\left\{\begin{array}{cc}\mathrm{\ϵ}-y_i+f\left(x_i\right)0,& {\mathrm{\α}}_{io}\∈(0,C)\\ \mathrm{\ϵ}+y_i-f\left(x_i\right)=0,& {\mathrm{\α}}_{io}^{*}\∈(0,C)\end{array}\right.,i=1,2,\mathrm{...},n---\left(3\right).$

进一步地，所述步骤(3)具体为：

(a)根据具体训练样本数量确定惩罚因子C、核函数参数σ和不敏感系数ε的范围及步长；其中，惩罚因子C的范围为[10，100]，步长为1～10；核函数参数σ的范围为[0.1，10]，步长为0.1～0.5；不敏感系数ε的范围为[0.001，3]，步长为0.1～0.5。

(b)利用网络搜索法进行参数寻优，以训练样本均方误差最小，即：

$\underset{\mathrm{\σ},C,\mathrm{\ϵ}}{\min }\sqrt{\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}{\left(f\right(x_i)-y_i)}^2}$

作为寻优标准，确定训练样本最小均方误差所对应的核函数参数σ、不敏感系数ε和惩罚因子C的值，得到适合待预测气井所在区块的井底流压预测的ε-SVR模型。

与现有技术相比，本发明具有如下突出的实质性特点和显著的优点：

本发明采用支持向量机方法通过实测的井底流压数据的自学习来预测待测的井底流压值，只对训练参数的准确性和数量有要求，适用范围大幅度扩展。特别是，这种方法正适合于解决气井井底流压预测所面临的参数多、样本小、非线性和模式识别维数高等问题。该方法准确高效，是一种实用的气井井底流压的预测新方法。

附图说明

图1为ε-SVR模型建立流程图。

图2为SVM样本预测值与实测值对比图。

图3为SVM气井井底流压预测值与实测值对比表。

具体实施方式

现将本发明结合附图的具体实施例叙述于后。

本实施例的一种气井井底流压的预测方法，预测步骤为：

1)测量或收集某个区块的套压、地层中深、天然气相对密度、储层温度、产气量、天然气压缩因子、已测气井井底流压参数。具体方法包括以下两个方面：

a收集油田已有的生产曲线来获得套压和产气量参数，见图3。

b收集地层中深参数、储层温度参数、已测井井底流压参数，利用平衡仪测量天然气相对密度，利用高压物性实验装置测量天然气压缩因子，具体参数见图3。

2)如图1所示，根据流程图，利用Matlab语言开发气体钻井井底流压SVM预测器。

3)将图3中测量或收集得到的参数(套压、地层中深、天然气相对密度、储层温度、产气量、天然气压缩因子和已测气井井底流压)输入建立的气体钻井井底流压SVM预测器进行自学习，并确定出惩罚因子C的范围为[10，100]，步长为10；核函数参数σ的范围为[0.1，10]，步长为0.2；不敏感系数ε的范围为[0.001，3]，步长为0.1。经搜索，训练样本最小均方误差为9.694×10^-4，对应的σ、ε、C值分别为1.5、0.001、10，从而确定了适合待预测气井所在区块的气井井底流压SVM预测器所需参数，对应的自学习结果及其误差见图3。

4)把待测气井的相关参数，包括套压、地层中深、天然气相对密度、储层温度、产气量、天然气压缩因子输入到SVM预测器，得到待预测气井井底流压预测结果，见图3和图2。从两个给定点的预测结果可以看出，预测结果与实测结果的绝对误差仅为0.092和0.209MPa，相对误差仅为0.7％和1.21％，体现出了很高的预测准确性。

Claims (5)

1.一种气井井底流压的预测方法，其特征在于，包括如下步骤：

(1)测量或收集某个区块的套压、地层中深、天然气相对密度、储层温度、产气量、天然气压缩因子、已测气井井底流压参数；

(2)制作一个气体钻井井底流压SVM预测器；

(3)把测量或收集的套压、地层中深、天然气相对密度、储层温度、产气量、天然气压缩因子、已测气井井底流压参数输入到SVM预测器，进行自学习，确定SVM预测器的关键参数，即核函数参数σ、不敏感系数ε和惩罚因子C的值；

(4)把待预测井套压、地层中深、天然气相对密度、储层温度、产气量、天然气压缩因子输入SVM预测器，得到待预测气井井底流压预测结果。

2.根据权利要求1所述的气井井底流压的预测方法，其特征在于，所述步骤(1)中的参数测量或收集，包括两个方面：

(a)利用井口压力计测量套压，利用井口流量计测量产气量；或收集油田已有的生产曲线来获得套压和产气量参数；

(b)利用测量的下井钻具长度和岩性录井资料确定地层中深，利用平衡仪测量天然气相对密度，利用通井温度计测量储层温度，利用高压物性实验装置测量天然气压缩因子，利用井下压力计测量气井井底流压；或收集油田已有的试井报告来获得地层中深、天然气相对密度、储层温度、天然气压缩因子和已测气井井底流压参数。

3.根据权利要求1所述的气井井底流压的预测方法，其特征在于，所述步骤(2)中的SVM预测器，具有以下步骤：

以下列基于径向基函数的ε-SVR模型为核心：对于样本集T＝{(x_i,y_i),i＝1,...,n}，其中x_i∈R^d，即数据为d维，x_i对应于上述的套压、地层中深、天然气相对密度、储层温度、产气量、天然气压缩因子组成的自变量矩阵；y_i∈R，对应于上述的已测气井井底流压组成的应变量矩阵；n为样本的组数；i为样本编号；将基于径向基函数的ε-SVR模型转化为凸二次规划寻优的对偶问题，由下式表达：

$\left\{\begin{array}{c}\underset{\mathrm{\α},{\mathrm{\α}}^{*}}{\max }\[-\frac{1}{2}\underset{i,j=1}{\overset{n}{\mathrm{\Σ}}}\left({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*}\right)\left({\mathrm{\α}}_j-{\mathrm{\α}}_j^{*}\right)K\left(x_i,x_j\right)+\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\left({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*}\right)y_i-\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\left({\mathrm{\α}}_i+{\mathrm{\α}}_i^{*}\right)\mathrm{\ϵ}\]\\ \begin{array}{cc}s.t.& \left\{\begin{array}{c}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\left({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*}\right)=0\\ \begin{array}{ccc}0\≤{\mathrm{\α}}_i\≤C,& 0\≤{\mathrm{\α}}_i^{*}\≤C,& i=1,2,...,n\end{array}\end{array}\right.\end{array}\end{array}\right.---\left(1\right)$

式中j为样本编号；α_i、α_j、 为Lagrange乘子；x_j为上述的套压、地层中深、天然气相对密度、储层温度、产气量、天然气压缩因子组成的自变量矩阵；K(x_i,x_j)为核函数；ε为不敏感系数；常数C＞0，为惩罚因子；若问题的解以α_io，表示，则相应的回归模型为：

$f\left(x\right)=\underset{i=1}{\overset{n}{\Σ}}({\mathrm{\α}}_{io}-{\mathrm{\α}}_{io}^{*})K(x_i,x)+b_o---\left(2\right)$

式中α_io，为优化之前的Lagrange乘子；f(x)为待测气井井底流压值，即预测值；b_o为分类阈值，由下式确定：

$\left\{\begin{array}{cc}\mathrm{\ϵ}-y_i+f\left(x_i\right)=0,& {\mathrm{\α}}_{io}\∈(0,C)\\ \mathrm{\ϵ}+y_i-f\left(x_i\right)=0,& {\mathrm{\α}}_{io}^{*}\∈(0,C)\end{array}\right.,i=1,2,...,n---\left(3\right).$

4.根据权利要求1所述的气井井底流压的预测方法，其特征在于，所述步骤(3)具体为：

(a)根据具体训练样本数量确定惩罚因子C、核函数参数σ和不敏感系数ε的范围及步长；

(b)利用网络搜索法进行参数寻优，以训练样本均方误差最小，即：

$\underset{\mathrm{\σ},C,\mathrm{\ϵ}}{min}\sqrt{\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}{\left(f\right(x_i)-y_i)}^2}$

作为寻优标准，确定训练样本最小均方误差所对应的核函数参数σ、不敏感系数ε和惩罚因子C的值，得到适合待预测气井所在区块的井底流压预测的ε-SVR模型。

5.根据权利要求4所述的气井井底流压的预测方法，其特征在于，所述步骤(a)中的惩罚因子C的范围为[10，100]，步长为1～10；核函数参数σ的范围为[0.1，10]，步长为0.1～0.5；不敏感系数ε的范围为[0.001，3]，步长为0.1～0.5。