CN110287516A - 一种页岩气藏压裂水平井可压性综合评价方法 - Google Patents
一种页岩气藏压裂水平井可压性综合评价方法 Download PDFInfo
- Publication number
- CN110287516A CN110287516A CN201910392122.2A CN201910392122A CN110287516A CN 110287516 A CN110287516 A CN 110287516A CN 201910392122 A CN201910392122 A CN 201910392122A CN 110287516 A CN110287516 A CN 110287516A
- Authority
- CN
- China
- Prior art keywords
- compressibility
- parameter
- evaluation index
- neural network
- index
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种页岩气藏压裂水平井可压性综合评价方法,包括以下步骤:采集目标井区的地质、工程参数以及压后产能数据,获得神经网络输入层、隐含层、输出层之间的连接权重;基于训练好的神经网络模型的连接权重,计算可压性评价指标参数相互之间的相对重要度;根据层次分析法,利用可压性评价指标参数之间的相对重要度建立相对重要度判断矩阵,构建综合可压性指数计算式;考察可压性指数与压后产能的关联程度。本发明利用神经网络方法,实现了可压性评价指标参数两两之间相对重要度的客观计算,避免了以往方法由根据专家经验确定各可压性评价参数间相对重要度而引入的主观误差。因此在后续进行层次分析时,综合可压性指数的计算将更客观、准确。
Description
技术领域
本发明涉及一种页岩气藏压裂水平井可压性综合评价方法,属于油气田开发领域。
背景技术
水力压裂技术是目前页岩层储层获得高产气流的必要的技术手段,页岩气储层压裂改造效果地好坏将直接影响气井产能地大小,而页岩储层的可压性的好坏则决定了压裂改造效果地好坏。为此,对储层的可压性评价工作已经成了水力压裂施工前进行选井选层工作的重要组成部分。通常来说,页岩的可压性是指页岩储层能够被有效压裂从而增加产量的性质,可压性越好,则意味着压后形成的裂缝网络越复杂,增产效果越好。为了评价页岩的可压性,众多学者从不同角度开展了大量的研究工作。
现有的页岩储层可压性评价方法主要分为定性的实验评价法和定量的系数评价法两大类。实验评价法是对页岩储层岩心进行一系列室内实验,通过观察岩心实验过程的变化情况,记录实验参数,通过简单的计算,然后来对页岩储层进行可压性评价,此类方法具有一定的准确性,但操作复杂、耗时耗力,不适合在现场推广;系数评价法则又可细分为脆性指数法与可压性系数法,而脆性指数法应用最广,系数评价法与实验评价法相比具有直观有效、操作简单、现场适用强等优点,但现有的可压性系数评价法存在因素考虑单一、简单的多因素叠加的不足或者考虑因素不够准确等,不能全面科学的反映页岩储层的可压性。
综上所述,在实现本发明过程中,主要考虑到了两点现有可压性评价技术方法的缺陷:①可压性影响因素片面、单一,结果不够准确;②考虑影响因素不够准确、客观,存在较大的误差与主观性。因此本发明提出一种考虑多种可压性影响因素,通过神经网络训练计算得出各种因素之间的相对重要度,利用层次分析法得出可压性综合评价指数的方法,具有考虑因素全面、客观准确的特点。
发明内容
本发明主要是克服现有技术中的不足之处,提出一种页岩气藏压裂水平井可压性综合评价方法,本发明用来评价页岩气井段的改造潜力,具有计算方法客观、考虑因素全面、计算结果可靠、操作简便等优点。
本发明解决上述技术问题所提供的技术方案是:一种页岩气藏压裂水平井可压性综合评价方法,包括以下步骤:
S1、采集目标井区的地质、工程参数以及压后产能数据,并选出对页岩气储层压后产能影响较大的地质、工程参数,其中选出的地质、工程参数作为可压性评价指标参数;
S2、将可压性评价指标参数形成可用于神经网络训练及层次分析的样本数据组,对所有样本数据进行标准化处理;
S3、利用神经网络方法,训练建立以压后产能为目标,以可压性评价指标参数为分析对象的神经网络模型,获得神经网络输入层、隐含层、输出层之间的连接权重;
S4、基于训练好的神经网络模型的连接权重,计算可压性评价指标参数相互之间的相对重要度;
S5、根据层次分析法,利用可压性评价指标参数之间的相对重要度建立相对重要度判断矩阵,利用该相对重要度判断矩阵计算各可压性评价参数对综合可压性指数的影响权重,构建综合可压性指数计算式;
S6、利用获得的综合可压性指数计算式,计算不同页岩气井段的综合可压性指数值,并考察可压性指数与压后产能的关联程度。
进一步的技术方案是,所述步骤S2中将可压性评价指标参数分为正向参数、反向参数,其中正向参数的参数值越大,压后产能越大;反向参数的参数值越大,压后产能越小;
对于正向参数,采用下式进行数据处理:
X=(x-xmin)/(xmax-xmin)
对于正向参数,采用下式进行数据处理:
X=(xmax-x)/(xmax-xmin)
式中:X——归一化可压性评价指标参数;
xmax——某种可压性评价指标参数中的最大值;
xmin——某种可压性评价指标参数中的最小值;
x——某种可压性评价指标参数的当前值。
进一步的技术方案是,所述步骤S3中先设定神经网络模型各层间的连接权重和偏置,初步构建神经网络模型,然后以标准化后的可压性评价指标参数作为输入参数,以压后产能作为输出参数,训练建立能够反映可压性指标体系与压后产能之间关系的神经网络模型;
按照BP神经网络训练构建方法,完成神经网络模型训练;
完成神经网络模型训练后,根据下列计算关系式获得神经网络输入层、隐含层、输出层之间的连接权重;
[S]N×P=[X]N×M×[W]M×P+[θ]N×P
[H]N×P=f([S]N×P)
式中:[X]N×M为输入层地质、工程参数输入数据;
[Y]N×1为输出层页岩气压后产能的期望输出数据;
为输出层页岩气压后产能的实际输出数据;
[S]N×P为神经网络隐含层的加权输入值;
[H]N×P为神经网络隐含层的输出值;
[L]N×1为输出层各层的加权输入值;
[W]M×P为输入层至隐含层的连接权重;
[V]P×1为隐含层至输出层的连接权重;
[θ]N×P为隐含层各单元的偏置;
为输出层各单元的偏置。
进一步的技术方案是,所述步骤S4的具体过程为:
S401、先计算可压性评价指标参数影响压后产量的重要度;
利用神经网络模型的连接权重[W]M×P、[V]P×1,计算各个可压性评价指标参数对页岩气压后产能的重要度,其重要度计算式如下式所示:
式中:Wmp为由输入层第m个神经元到隐含层第p个神经元的连接权重;
Vp为由隐含层第p个神经元到输出层神经元的连接权重;
S402、计算相对重要度;
利用各可压性评价指标参数的重要度,通过相互比较,计算可压性评价指标间的相对重要度,如下式所示;
aij=Ri/Rj
式中,i和j表示对应任意可压性评价指标参数的编号。
进一步的技术方案是,所述步骤S5具体为:
S501、根据层次分析法,利用可压性评价指标间的相对重要度建立相对重要度判断矩阵,然后对该相对重要度判断矩阵进行一致性检验;
S502、检验通过后根据下式计算各个可压性评价参数对综合可压性指数的影响权重;
式中:I表示综合可压性评价指标的总数;
S503、利用各可压性评价指标参数对可压性指数的影响权重wi,构建综合可压性指数FI计算式:
FI=w1x1+w2x2+…+wIxI
式中:x1~xI为各可压性评价指标参数进行标准化后得到的样本数据;
w1~wI为与I个可压性评价指标参数相对应的权重。
进一步的技术方案是,所述步骤S501中的一致性检验过程为:
(1)计算最大矩阵特征值λ;
(2)根据下式计算一致性指标CI;
CI=(λ-M)/(M-1)
式中:M为可压性评价指标的总数;
(3)查询随机一致性指标RI,随机一致性指标RI的大小与可压性评价指标总数M对应,
(4)根据下式计算一致性比例CR;
CR=CI/RI
式中:CR为一致性比例;CI为一致性指标;RI为随机一致性指标;
(5)当一致性比例满足CR<0.1时,矩阵即通过一致性检验。
本发明具有以下优点:本发明利用神经网络方法,实现了可压性评价指标参数两两之间相对重要度的客观计算,避免了以往方法由根据专家经验确定各可压性评价参数间相对重要度而引入的主观误差。因此在后续进行层次分析时,综合可压性指数的计算将更客观、准确。
附图说明
图1为本发明实施例提供的页岩气藏压裂水平井可压性综合评价方法的计算流程图;
图2为BP神经网络结构图;
图3为可压性评价层次结构模型构建出的三层层次结构模型;
图4为某页岩气井各压裂段的综合可压性指数与压后30天累积产气量散点关系图。
具体实施方式
下面结合实施例和附图对本发明做更进一步的说明。
实施例1
本发明的一种页岩气藏压裂水平井可压性综合评价方法,包括以下步骤:
S1、采集目标井区的地质、工程参数以及压后产能数据,并选出对页岩气储层压后产能影响较大的地质、工程参数,其中选出的地质、工程参数作为可压性评价指标参数;
S2、将可压性评价指标参数形成可用于神经网络训练及层次分析的样本数据组,将可压性评价指标参数分为正向参数、反向参数,其中正向参数的参数值越大,压后产能越大;反向参数的参数值越大,压后产能越小;
对于正向参数,采用下式进行数据处理:
X=(x-xmin)/(xmax-xmin)
对于正向参数,采用下式进行数据处理:
X=(xmax-x)/(xmax-xmin)
式中:X——归一化可压性评价指标参数;
xmax——某种可压性评价指标参数中的最大值;
xmin——某种可压性评价指标参数中的最小值;
x——某种可压性评价指标参数的当前值。
S3、利用神经网络方法,训练建立以压后产能为目标,以可压性评价指标参数为分析对象的神经网络模型,获得神经网络输入层、隐含层、输出层之间的连接权重;
先设定神经网络模型各层间的连接权重和偏置,初步构建神经网络模型,然后以标准化后的可压性评价指标参数作为输入参数,以压后产能作为输出参数,训练建立能够反映可压性指标体系与压后产能之间关系的神经网络模型;
构造输入层M个神经元、输出层1个神经元、隐含层P个神经元的BP神经网络模型。输入层的M个神经元对应根据专家经验初选出的M个地质、工程参数。输出层1个神经元对应页岩气井段的压后产能。用于神经网络训练的数据样本组数为N;
按照BP神经网络训练构建方法,在训练过程中,各层间的连接权重和偏置会动态调整,实际压后产能与神经网络模型计算值之差将作为连接权重、偏置动态修正的依据,完成神经网络模型训练;
完成神经网络模型训练后,根据下列计算关系式获得神经网络输入层、隐含层、输出层之间的连接权重;
[S]N×P=[X]N×M×[W]M×P+[θ]N×P
[H]N×P=f([S]N×P)
式中:[X]N×M为输入层地质、工程参数输入数据(N行M列矩阵);
[Y]N×1为输出层页岩气压后产能的期望输出数据(N行1列向量);
为输出层页岩气压后产能的实际输出数据(N行1列向量);
[S]N×P为神经网络隐含层的加权输入值(N行P列矩阵);
[H]N×P为神经网络隐含层的输出值(N行P列矩阵);
[L]N×1为输出层各层的加权输入值(N行1列向量);
[W]M×P为输入层至隐含层的连接权重(M行P列矩阵);
[V]P×1为隐含层至输出层的连接权重(P行1列向量);
[θ]N×P为隐含层各单元的偏置(N行P列矩阵);
为输出层各单元的偏置(N行1列向量);
f()为激活函数;
S4、基于训练好的神经网络模型的连接权重,计算可压性评价指标参数相互之间的相对重要度;
S401、先计算可压性评价指标参数影响压后产量的重要度;
利用神经网络模型的连接权重[W]M×P、[V]P×1,计算各个可压性评价指标参数对页岩气压后产能的重要度,其重要度计算式如下式所示:
式中:Wmp为由输入层第m个神经元到隐含层第p个神经元的连接权重;
Vp为由隐含层第p个神经元到输出层神经元的连接权重;
S402、计算相对重要度;
利用各可压性评价指标参数的重要度,通过相互比较,计算可压性评价指标间的相对重要度,如下式所示;
aij=Ri/Rj
式中,i和j表示对应任意可压性评价指标参数的编号;
S5、根据层次分析法,利用可压性评价指标参数之间的相对重要度建立相对重要度判断矩阵,利用该相对重要度判断矩阵计算各可压性评价参数对综合可压性指数的影响权重,构建综合可压性指数计算式;
S501、根据层次分析法,利用可压性评价指标间的相对重要度建立相对重要度判断矩阵(表1),然后对该相对重要度判断矩阵进行一致性检验;
相对重要度判断矩阵中,元素aij表示元素i对元素j的相对重要度,aji表示元素j对元素i的相对度,两者之间关系为:aji=1/aij;当i与j相等时,aij=aji=1。
表1可压性评价指标相对重要度判断矩阵
S502、检验通过后根据下式计算各个可压性评价参数对综合可压性指数的影响权重;
式中:I表示综合可压性评价指标的总数;
S503、利用各可压性评价指标参数对可压性指数的影响权重wi,构建综合可压性指数FI计算式:
FI=w1x1+w2x2+…+wIxI
式中:x1~xI为各可压性评价指标参数进行标准化后得到的样本数据;
w1~wI为与I个可压性评价指标参数相对应的权重。
所述步骤S501中的一致性检验过程为:
(1)计算最大矩阵特征值λ;
(2)根据下式计算一致性指标CI;
CI=(λ-M)/(M-1)
式中:M为可压性评价指标的总数;
(3)查询随机一致性指标RI,随机一致性指标RI的大小与可压性评价指标总数M对应,如表2所示;
表2随机一致性指标RI查询表
M | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 |
RI | 0 | 0 | 0.58 | 0.90 | 1.12 | 1.24 | 1.32 | 1.41 | 1.45 |
(4)根据下式计算一致性比例CR;
CR=CI/RI
式中:CR为一致性比例;CI为一致性指标;RI为随机一致性指标;
(5)当一致性比例满足CR<0.1时,矩阵即通过一致性检验
S6、利用获得的综合可压性指数计算式,计算不同页岩气井段的综合可压性指数值,并考察可压性指数与压后产能的关联程度;
根据综合可压性指数计算式,将各可压性评价指标参数的标准化样本数据代入该式,计算出不同页岩气井段的综合可压性指数;利用不同页岩气井段的综合可压性指数计算数据与对应的压后产能数据在Excel中绘制散点图并进行线性拟合,即可考察该可压性评价指数对压后产能的关联程度。
实施例2
四川盆地龙马溪组某分段压裂页岩气水平井,对本发明进一步详细说明,该方法流程如图1所示,具体步骤如下:
(1)根据专家经验初步优选对页岩气井压后产能影响较大的部分地质、工程参数,其中优选出的参数将作为可压性评价指标参数。
四川盆地龙马溪组某分段压裂页岩气水平井压后产能的影响因素包括:储层厚度、最小水平主应力、最大水平主应力、水平主应力差、地层压力、温度、基质孔隙度、基质渗透率、弹性模量、泊松比、脆性指数、脆性矿物含量、粘土矿物含量、天然裂缝走向、天然裂缝密度、有机质含量、含气量等地质参数,以及压裂段长、压裂段数、压裂簇数、排量、总液量、总砂量、焖井时间等工程参数。专家凭经验初步优选出孔隙度、有机质含量、含气量、脆性指数、天然裂缝走向五种地质参数及压裂段长、液量、砂量三种工程参数。按压裂段号整理地质、工程参数及压后30天累积产气量数据,组成样本数据组,如表3所示。该井第12压裂段由于套管变形而没有实施压裂,因此该段不纳入以下分析过程中。
表3某压裂井优选出的部分参数的数据样本
(2)按照对于正向参数,采用下式进行数据处理:
X=(x-xmin)/(xmax-xmin)
对于正向参数,采用下式进行数据处理:
X=(xmax-x)/(xmax-xmin)
处理后所有参数数据均在-1至1范围内。标准化后的数据如表4所示。
表4标准化处理后的数据样本
(3)根据BP神经网络方法原理,构建输入层8个神经元、输出层1个神经元、隐含层11个神经元的神经网络模型。输入层的8个神经元对应根据专家经验初选出的孔隙度、有机质含量、含气量、脆性指数、天然裂缝走向、压裂段长、液量、砂量八种参数。输出层1个神经元对应该井各压裂段的压后产能。用于神经网络训练的数据样本组数为18。通过神经网络训练,输入层至隐含层、隐含层至输出层的连接权重、偏置动态调整。训练完毕后,最终输入层至隐含层的连接权重如表5所示,隐含层至输出层的连接权重如表6所示。
表5输入层至隐含层的连接权重
表6隐含层至输出层的连接权重
(4)基于训练好的神经网络模型的连接权重,计算可压性评价指标两两之间的相对重要度,并可根据层次分析法,利用可压性评价指标间的相对重要度建立相对重要度判断矩阵(表7)。对相对重要度判断矩阵做一致性检验,结果显示矩阵最大特征值大小为5,进一步计算出一致性指标CI=0、一致性比例CR=0,表明矩阵通过一致性检验。因此,利用该相对重要度判断矩阵计算孔隙度、TOC、含气量、脆性指数、天然弱面走向五种参数对综合可压性指数的影响权重,结果如表8所示。
表7相对重要度判断矩阵(成对对比矩阵)
相对重要度 | 孔隙度 | TOC | 含气量 | 脆性指数 | 天然弱面走向 |
孔隙度 | 1.0000 | 0.1280 | 0.3176 | 1.2505 | 1.1039 |
TOC | 7.8127 | 1.0000 | 2.4812 | 9.7697 | 8.6241 |
含气量 | 3.1487 | 0.4030 | 1.0000 | 3.9375 | 3.4758 |
脆性指数 | 0.7997 | 0.1024 | 0.2540 | 1.0000 | 0.8827 |
天然弱面走向 | 0.9059 | 0.1160 | 0.2877 | 1.1328 | 1.0000 |
表8可压性评价指标对可压性指数的影响权重
利用各可压性评价指标参数对可压性指数的影响权重,构建综合可压性指数FI计算式,该式即可直接用于评价类似页岩气井段的可压性。
FI=0.0732x1+0.5716x2+0.2304x3+0.0585x4+0.0663x5
式中,x1~xI代表孔隙度、TOC、含气量、脆性指数、天然弱面走向五种可压性评价指标参数标准化后的样本数据。
(5)关联性分析
根据综合可压性指数计算式,将各可压性评价指标参数的标准化样本数据代入该式计算出不同压裂段的综合可压性指数(表9)。利用不同压裂段的综合可压性指数计算数据与对应的实际压后产能数据在Excel中绘制散点图并进行线性拟合,如图4所示。结果表明,该页岩气压裂水平井各压裂段的综合可压性指数与压后30天累积产量明显呈正相关关系;综合可压性指数可以反映压后30天累积产气量的变化趋势,因而可用于对页岩气井层进行压前评价。
表9某页岩气井不同压裂段的综合可压性指数和压后30天累积产量
段号 | 综合可压性指数 | 压后产量10<sup>4</sup>m<sup>3</sup> | 段号 | 综合可压性指数 | 压后产量10<sup>4</sup>m<sup>3</sup> |
1 | 0.0853 | 3.24 | 10 | 0.8572 | 10.96 |
2 | 0.0643 | 17.35 | 11 | 0.9103 | 35.94 |
3 | 0.0714 | 12.19 | 12 | 0.7597 | 26.52 |
4 | 0.1668 | 6.65 | 13 | 0.6887 | 20.51 |
5 | 0.4476 | 12.01 | 14 | 0.9257 | 24.21 |
6 | 0.3775 | 9.43 | 15 | 0.7624 | 15.01 |
7 | 0.8177 | 17.82 | 16 | 0.6677 | 23.96 |
8 | 0.8121 | 7.05 | 17 | 0.5417 | 24.64 |
9 | 0.7462 | 23.33 | 18 | 0.8664 | 13.2 |
以上所述,并非对本发明作任何形式上的限制,虽然本发明已通过上述实施例揭示,然而并非用以限定本发明,任何熟悉本专业的技术人员,在不脱离本发明技术方案范围内,当可利用上述揭示的技术内容作出些变动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (6)
1.一种页岩气藏压裂水平井可压性综合评价方法,其特征在于,包括以下步骤:
S1、采集目标井区的地质、工程参数以及压后产能数据,并选出对页岩气储层压后产能影响较大的地质、工程参数,其中选出的地质、工程参数作为可压性评价指标参数;
S2、将可压性评价指标参数形成可用于神经网络训练及层次分析的样本数据组,对所有样本数据进行标准化处理;
S3、利用神经网络方法,训练建立以压后产能为目标,以可压性评价指标参数为分析对象的神经网络模型,获得神经网络输入层、隐含层、输出层之间的连接权重;
S4、基于训练好的神经网络模型的连接权重,计算可压性评价指标参数相互之间的相对重要度;
S5、根据层次分析法,利用可压性评价指标参数之间的相对重要度建立相对重要度判断矩阵,利用该相对重要度判断矩阵计算各可压性评价参数对综合可压性指数的影响权重,构建综合可压性指数计算式;
S6、利用获得的综合可压性指数计算式,计算不同页岩气井段的综合可压性指数值,并考察可压性指数与压后产能的关联程度。
2.根据权利要求1所述的一种页岩气藏压裂水平井可压性综合评价方法,其特征在于,所述步骤S2中将可压性评价指标参数分为正向参数、反向参数,其中正向参数的参数值越大,压后产能越大;反向参数的参数值越大,压后产能越小;
对于正向参数,采用下式进行数据处理:
X=(x-xmin)/(xmax-xmin)
对于负向参数,采用下式进行数据处理:
X=(xmax-x)/(xmax-xmin)
式中:X——归一化可压性评价指标参数;
xmax——某种可压性评价指标参数中的最大值;
xmin——某种可压性评价指标参数中的最小值;
x——某种可压性评价指标参数的当前值。
3.根据权利要求1或2所述的一种页岩气藏压裂水平井可压性综合评价方法,其特征在于,所述步骤S3中先设定神经网络模型各层间的连接权重和偏置,初步构建神经网络模型,然后以标准化后的可压性评价指标参数作为输入参数,以压后产能作为输出参数,训练建立能够反映可压性指标体系与压后产能之间关系的神经网络模型;
按照BP神经网络训练构建方法,完成神经网络模型训练;
完成神经网络模型训练后,根据下列计算关系式获得神经网络输入层、隐含层、输出层之间的连接权重;
[S]N×P=[X]N×M×[W]M×P+[θ]N×P
[H]N×P=f([S]N×P)
式中:[X]N×M为输入层地质、工程参数输入数据;
[Y]N×1为输出层页岩气压后产能的期望输出数据;
为输出层页岩气压后产能的实际输出数据;
[S]N×P为神经网络隐含层的加权输入值;
[H]N×P为神经网络隐含层的输出值;
[L]N×1为输出层各层的加权输入值;
[W]M×P为输入层至隐含层的连接权重;
[V]P×1为隐含层至输出层的连接权重;
[θ]N×P为隐含层各单元的偏置;
为输出层各单元的偏置。
4.根据权利要求1或2所述的一种页岩气藏压裂水平井可压性综合评价方法,其特征在于,所述步骤S4的具体过程为:
S401、先计算可压性评价指标参数影响压后产量的重要度;
利用神经网络模型的连接权重[W]M×P、[V]P×1,计算各个可压性评价指标参数对页岩气压后产能的重要度,其重要度计算式如下式所示:
式中:Wmp为由输入层第m个神经元到隐含层第p个神经元的连接权重;
Vp为由隐含层第p个神经元到输出层神经元的连接权重;
S402、计算相对重要度;
利用各可压性评价指标参数的重要度,通过相互比较,计算可压性评价指标间的相对重要度,如下式所示;
aij=Ri/Rj
式中,i和j表示对应任意可压性评价指标参数的编号。
5.根据权利要求4所述的一种页岩气藏压裂水平井可压性综合评价方法,其特征在于,所述步骤S5具体为:
S501、根据层次分析法,利用可压性评价指标间的相对重要度建立相对重要度判断矩阵,然后对该相对重要度判断矩阵进行一致性检验;
S502、检验通过后根据下式计算各个可压性评价参数对综合可压性指数的影响权重;
式中:I表示综合可压性评价指标的总数;
S503、利用各可压性评价指标参数对可压性指数的影响权重wi,构建综合可压性指数FI计算式:
FI=w1x1+w2x2+…+wIxI
式中:x1~xI为各可压性评价指标参数进行标准化后得到的样本数据;
w1~wI为与I个可压性评价指标参数相对应的权重。
6.根据权利要求5所述的一种页岩气藏压裂水平井可压性综合评价方法,其特征在于,所述步骤S501中的一致性检验过程为:
(1)计算最大矩阵特征值λ;
(2)根据下式计算一致性指标CI;
CI=(λ-M)/(M-1)
式中:M为可压性评价指标的总数;
(3)查询随机一致性指标RI,随机一致性指标RI的大小与可压性评价指标总数M对应,
(4)根据下式计算一致性比例CR;
CR=CI/RI
式中:CR为一致性比例;CI为一致性指标;RI为随机一致性指标;
(5)当一致性比例满足CR<0.1时,矩阵即通过一致性检验。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910392122.2A CN110287516B (zh) | 2019-05-13 | 2019-05-13 | 一种页岩气藏压裂水平井可压性综合评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910392122.2A CN110287516B (zh) | 2019-05-13 | 2019-05-13 | 一种页岩气藏压裂水平井可压性综合评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110287516A true CN110287516A (zh) | 2019-09-27 |
CN110287516B CN110287516B (zh) | 2020-05-05 |
Family
ID=68001517
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910392122.2A Active CN110287516B (zh) | 2019-05-13 | 2019-05-13 | 一种页岩气藏压裂水平井可压性综合评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110287516B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111311119A (zh) * | 2020-03-18 | 2020-06-19 | 西南石油大学 | 一种海相页岩气储层缝网改造能力的地质评价方法 |
CN111648767A (zh) * | 2020-05-15 | 2020-09-11 | 中国石油大学(华东) | 一种天然气水合物储层可压性评价方法 |
CN112906760A (zh) * | 2021-01-29 | 2021-06-04 | 中国石油天然气集团有限公司 | 一种水平井压裂段分段方法、系统、设备及存储介质 |
CN113034001A (zh) * | 2021-03-24 | 2021-06-25 | 西南石油大学 | 一种基于井下工程参数的评价数据处理方法及系统 |
CN114113518A (zh) * | 2021-11-11 | 2022-03-01 | 杭州电子科技大学 | 一种入户生活用水水质评价方法 |
CN116911640A (zh) * | 2023-09-11 | 2023-10-20 | 中国地质大学(北京) | 一种基于机器深度学习的页岩储层含气量预测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105221140A (zh) * | 2014-06-20 | 2016-01-06 | 中国石油化工股份有限公司 | 一种确定页岩地层可压裂性指数的方法 |
CN108073786A (zh) * | 2017-12-27 | 2018-05-25 | 中国石油化工股份有限公司江汉油田分公司勘探开发研究院 | 页岩可压性评价方法及装置 |
-
2019
- 2019-05-13 CN CN201910392122.2A patent/CN110287516B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105221140A (zh) * | 2014-06-20 | 2016-01-06 | 中国石油化工股份有限公司 | 一种确定页岩地层可压裂性指数的方法 |
CN108073786A (zh) * | 2017-12-27 | 2018-05-25 | 中国石油化工股份有限公司江汉油田分公司勘探开发研究院 | 页岩可压性评价方法及装置 |
Non-Patent Citations (2)
Title |
---|
EHSAN SANJARI 等: "Estimation of natural gas compressibility factors using artificial neural network approach", 《JOURNAL OF NATURAL GAS SCIENCE AND ENGINEERING》 * |
叶洪涛 等: "BP神经网络在页岩储层可压裂性评价中的应用", 《2018油气田勘探与开发国际会议(IFEDC 2018)论文集》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111311119A (zh) * | 2020-03-18 | 2020-06-19 | 西南石油大学 | 一种海相页岩气储层缝网改造能力的地质评价方法 |
CN111311119B (zh) * | 2020-03-18 | 2022-03-11 | 西南石油大学 | 一种海相页岩气储层缝网改造能力的地质评价方法 |
CN111648767A (zh) * | 2020-05-15 | 2020-09-11 | 中国石油大学(华东) | 一种天然气水合物储层可压性评价方法 |
CN111648767B (zh) * | 2020-05-15 | 2023-03-28 | 中国石油大学(华东) | 一种天然气水合物储层可压性评价方法 |
CN112906760A (zh) * | 2021-01-29 | 2021-06-04 | 中国石油天然气集团有限公司 | 一种水平井压裂段分段方法、系统、设备及存储介质 |
CN112906760B (zh) * | 2021-01-29 | 2024-05-03 | 中国石油天然气集团有限公司 | 一种水平井压裂段分段方法、系统、设备及存储介质 |
CN113034001A (zh) * | 2021-03-24 | 2021-06-25 | 西南石油大学 | 一种基于井下工程参数的评价数据处理方法及系统 |
CN113034001B (zh) * | 2021-03-24 | 2022-03-22 | 西南石油大学 | 一种基于井下工程参数的评价数据处理方法及系统 |
CN114113518A (zh) * | 2021-11-11 | 2022-03-01 | 杭州电子科技大学 | 一种入户生活用水水质评价方法 |
CN114113518B (zh) * | 2021-11-11 | 2024-04-16 | 杭州电子科技大学 | 一种入户生活用水水质评价方法 |
CN116911640A (zh) * | 2023-09-11 | 2023-10-20 | 中国地质大学(北京) | 一种基于机器深度学习的页岩储层含气量预测方法 |
CN116911640B (zh) * | 2023-09-11 | 2023-12-26 | 中国地质大学(北京) | 一种基于机器学习的页岩储层含气量预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110287516B (zh) | 2020-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110287516A (zh) | 一种页岩气藏压裂水平井可压性综合评价方法 | |
CN104134101B (zh) | 低渗透储层天然气产能预测方法 | |
CN104018831B (zh) | 一种压裂井储层评价方法 | |
CN108009716B (zh) | 一种水平井体积压裂效果影响因素多层次评价方法 | |
CN109214026A (zh) | 一种页岩气水平井初期产能预测方法 | |
CN110147561B (zh) | 一种含天然裂缝致密油气储层体积压裂缝网预测方法 | |
CN108733632B (zh) | 一种中低渗高含水油藏重复压裂选井评价方法 | |
CN107676085A (zh) | 一种海相页岩气水平井测井产能预测方法 | |
CN106150477A (zh) | 一种确定单井控制储量的方法 | |
CN109386272B (zh) | 超深层礁滩相气藏合理井距多目标优化方法 | |
CN112987125B (zh) | 一种基于测井数据的页岩脆性指数预测方法 | |
CN104899411A (zh) | 一种储层产能预测模型建立方法和系统 | |
CN109800954A (zh) | 基于测井数据的储层评价新方法 | |
CN112541571A (zh) | 基于双并联神经网络的机器学习的注采连通性确定方法 | |
CN110533237A (zh) | 一种砂岩储层含油气产能预测方法 | |
CN115758514A (zh) | 一种基于时间序列的压力恢复试井设计全局敏感性分析方法 | |
CN114781951A (zh) | 一种页岩油藏二氧化碳吞吐开发选井决策方法及系统 | |
CN115563856A (zh) | 一种基于XGBoost与CV交叉函数的多层合采产液剖面劈分方法 | |
CN108661628A (zh) | 一种基于参数优选的工程甜点定量评价方法 | |
CN113807021A (zh) | 一种基于指标分析及多模型融合的气井产能等级预测方法 | |
CN108268466A (zh) | 一种基于神经网络模型的网页排序方法和装置 | |
CN105718720A (zh) | 一种复杂气藏储量品质分类综合评价方法 | |
CN108843296A (zh) | 一种基于多因素影响下的单井重复压裂效果预测方法 | |
CN110956388B (zh) | 一种海上油气藏增产方案生成方法 | |
CN109268003A (zh) | 一种地质工程一体化框架下的致密油增产数学建模方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |