CN113503158A - 页岩气储层焖井时间与产量关系的预测分析方法 - Google Patents

页岩气储层焖井时间与产量关系的预测分析方法 Download PDF

Info

Publication number
CN113503158A
CN113503158A CN202110968813.XA CN202110968813A CN113503158A CN 113503158 A CN113503158 A CN 113503158A CN 202110968813 A CN202110968813 A CN 202110968813A CN 113503158 A CN113503158 A CN 113503158A
Authority
CN
China
Prior art keywords
shale gas
yield
data
neural network
gas reservoir
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.)
Pending
Application number
CN202110968813.XA
Other languages
English (en)
Inventor
刘洪�
孙新毅
林魂
庞进
张旭
姜艳
梁朝阳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University of Science and Technology
Original Assignee
Chongqing University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing University of Science and Technology filed Critical Chongqing University of Science and Technology
Priority to CN202110968813.XA priority Critical patent/CN113503158A/zh
Publication of CN113503158A publication Critical patent/CN113503158A/zh
Pending legal-status Critical Current

Links

Classifications

    • E—FIXED CONSTRUCTIONS
    • E21—EARTH DRILLING; MINING
    • E21B—EARTH DRILLING, e.g. DEEP DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
    • E21B49/00—Testing the nature of borehole walls; Formation testing; Methods or apparatus for obtaining samples of soil or well fluids, specially adapted to earth drilling or wells
    • E—FIXED CONSTRUCTIONS
    • E21—EARTH DRILLING; MINING
    • E21B—EARTH DRILLING, e.g. DEEP DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
    • E21B47/00—Survey of boreholes or wells
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Mining

Abstract

本发明专利公开了页岩气储层焖井时间与产量关系的预测分析方法，具体涉及页岩气开发的技术领域。包括如下步骤：收集整理页岩气储层的测井数据；对测井数据进行数据清洗，并对数据清洗后的测井数据进行补全或删除操作；构建BP神经网络模型，确定输入层、隐藏层、输出层的神经元个数、学习率以及迭代次数，并将特征数据进行特征构造，将产量作为BP神经网络的输出神经元；利用BP神经网络模型进行不断迭代学习，在学习过程中不断的去调节模型的输入参数；通过输入不同关井时间来得到对应产量，从而确定最优关井时间。采用本发明技术方案解决了现有技术无法对焖井时间与产量进行合理预测分析的问题，可用于优化页岩气的开采工艺，提高开采效率。

Description

页岩气储层焖井时间与产量关系的预测分析方法
技术领域
本发明涉及页岩气开发的技术领域，特别涉及页岩气储层焖井时间与产量关系的预测分析方法。
背景技术
我国的页岩气资源潜力巨大，页岩气的勘探和开发可以极大缓解我国的天然气需求压力，改善了我国的能源结构，并确保了我国的能源安全。水力压裂是页岩气储层成功开发的关键技术之一。与常规油气储层不同，现场经验证实，页岩气储层水力压裂后关井一段时间(即压后“焖井”阶段)，再返排压裂液能有效提高页岩气井产能。页岩气井“焖井”增产机理目前尚未完全清楚。其中一种解释为，“焖井”期间由于压裂液与页岩充分接触，发生水化反应，增加了页岩储层的有效孔隙度，提高了储层气体的渗流能力，从而实现增产。但还不能确定具体的“焖井”时间与页岩气产量之间的关系。
中国专利(专利公开号：CN112228054A)公开了一种基于卷积神经网络的页岩气产量确定方法、装置和设备，其中，该方法包括：获取目标页岩气水平井的特征参数集；其中，特征参数集中包含多个特征参数的值，特征参数为影响目标页岩气水平井产能的地质参数和/或工程参数；根据目标页岩气水平井的特征参数集和利用卷积神经网络训练得到的产能预测模型，确定目标页岩气水平井在预设时间段内的产量数据，其中，目标预测模型用于根据目标页岩气水平井的多个特征参数预测所述目标页岩气水平井在预设时间段内的产量数据。在本说明书实施例中，可以在页岩气水平井的物理渗流机理不明确的情况下，利用多个特征参数，便捷、准确地确定目标页岩气水平井在预设时间段内的产量数据。
上述技术方案虽然可以预测某一时间段的产量，但并不能分析出焖井时间与产量之间的关系。
发明内容
本发明意在提供页岩气储层焖井时间与产量关系的预测分析方法，解决了现有技术无法对焖井时间与产量进行合理预测分析的问题。
为了达到上述目的，本发明的一种技术方案如下：页岩气储层焖井时间与产量关系的预测分析方法，包括如下步骤：
S101、收集整理页岩气储层的测井数据；
S103、对步骤S101的测井数据进行数据清洗，并对数据清洗后的测井数据进行补全或删除操作；
S105、构建BP神经网络模型，确定输入层、隐藏层和输出层的神经元个数、学习率以及迭代次数参数，并将步骤S103中操作完成后的测井数据利用基于参数物理意义和随机组合的方式提取新参数，并将所述新参数作为BP神经网络的的输入参数，并将产量作为BP神经网络的输出神经元；
S107、利用BP神经网络模型进行不断迭代学习，在学习过程中不断的去调节模型的输入参数；
S109、将产量与关井时间进行对比，通过输入不同关井时间来得到对应产量，从而确定最优关井时间。
进一步的，步骤S101的所述测井数据包括关井时间、开井压力、总液量、砂比、排量、压裂段长、石英砂、孔隙度、渗透率和含气量。
进一步的，步骤S105中，所述特征构造的方法为利用基于特征数据的物理意义和随机组合的方式提取成新参数。
与现有技术相比，本方案的有益效果：
本方案进行了基于物理意义和随机组合方法的特征参数提取，在分析焖井时间与产量关系时，模型的预测效果更加显著，有利于优化页岩气的开采工艺，提高开采效率。
具体实施方式
下面通过具体实施方式对本发明作进一步详细的说明：
实施例
页岩气储层焖井时间与产量关系的预测分析方法，包括如下步骤：
S101、收集整理页岩气储层的测井数据，其收集整理方法为从样本数量、训练集数量、是否有时间特征、特征所表示的含义、特征类型、特征的缺失情况、特征的均值方差、缺失值、异常值等情况显示出数据特性。测井数据包括关井时间、开井压力、总液量、砂比、排量、压裂段长、石英砂、孔隙度、渗透率和含气量。
S103、对步骤S101的测井数据进行数据清洗，并对显示出数据特性的特征数据进行补全或删除操作；
补全或删除操作的方法如下：
分析对应的特征数据应该是填充还是删除，对于特征数据明显异常且占比小于总量的5％-10％时，则直接采用删除操作，对于特征数据出现缺失且占比小于总量的5％-10％时，采用对应特征数据的均值进行补全操作。
S105、构建BP神经网络模型，BP神经网络采用前向传播和反向学习方法，确定输入层、隐藏层和输出层的神经元个数、学习率以及迭代次数参数，并将步骤S103中操作完成后的特征数据进行特征构造、特征选择等处理操作(即利用基于特征数据的物理意义和随机组合的方式提取成新参数，例如砂量与总液量之比可得到新参数砂比；另也可通过运用现有特征数据进行简单数学运算得到新参数)，使之能更好的和BP神经网络模型融合，特征构造在一定程度上可以提高机器学习的效果，并将新参数作为BP神经网络的输入参数，同时将产量作为BP神经网络的输出神经元，相较于单一参数的预测效果，使用特征构造的新参数可以改善BP神经网络模型的预测效果。
S107、利用BP神经网络模型进行不断迭代学习，在学习过程中不断的去调节模型的输入参数，使其达到一个很好的训练预测效果。
S109、分析S107的预测数据，将产量与关井时间进行对比，通过输入不同关井时间来得到对应产量，最终进行比较分析产量与关井时间之间的关系，总结分析出产量高的情况下合理范围内的关井时间，从而确定最优关井时间。
以上的仅是本发明的实施例，方案中公知的具体结构和/或特性等常识在此未作过多描述。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。

Claims (3)

1.页岩气储层焖井时间与产量关系的预测分析方法，其特征在于：包括如下步骤：
S101、收集整理页岩气储层的测井数据；
S103、对步骤S101的测井数据进行数据清洗，并对数据清洗后的测井数据进行补全或删除操作；
S105、构建BP神经网络模型，确定输入层、隐藏层、输出层的神经元个数、学习率以及迭代次数，并将步骤S103中操作完成后的特征数据进行特征构造，并将特征构造后的特征数据作为BP神经网络的的输入参数，并将产量作为BP神经网络的输出神经元；
S107、利用BP神经网络模型进行不断迭代学习，在学习过程中不断的去调节模型的输入参数；
S109、将产量与关井时间进行对比，通过输入不同关井时间来得到对应产量，从而确定最优关井时间。
2.根据权利要求1所述的页岩气储层焖井时间与产量关系的预测分析方法，其特征在于：步骤S101的所述测井数据包括关井时间、开井压力、总液量、砂比、排量、压裂段长、石英砂、孔隙度、渗透率和含气量。
3.根据权利要求1所述的页岩气储层焖井时间与产量关系的预测分析方法，其特征在于：步骤S105中，所述特征构造的方法为利用基于特征数据的物理意义和随机组合的方式提取成新参数。
CN202110968813.XA 2021-08-23 2021-08-23 页岩气储层焖井时间与产量关系的预测分析方法 Pending CN113503158A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110968813.XA CN113503158A (zh) 2021-08-23 2021-08-23 页岩气储层焖井时间与产量关系的预测分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110968813.XA CN113503158A (zh) 2021-08-23 2021-08-23 页岩气储层焖井时间与产量关系的预测分析方法

Publications (1)

Publication Number Publication Date
CN113503158A true CN113503158A (zh) 2021-10-15

Family

ID=78016109

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110968813.XA Pending CN113503158A (zh) 2021-08-23 2021-08-23 页岩气储层焖井时间与产量关系的预测分析方法

Country Status (1)

Country Link
CN (1) CN113503158A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116066068A (zh) * 2021-12-30 2023-05-05 中国石油天然气集团有限公司 一种焖井时间的确定方法、装置、存储介质及电子设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020016665A1 (en) * 1998-10-22 2002-02-07 Ulyanov Sergei V. System for intelligent control of an engine based on soft computing
US20080208782A1 (en) * 2004-07-28 2008-08-28 William Weiss Imbibition gas well stimulation via neural network design
CN104632188A (zh) * 2014-12-04 2015-05-20 杭州和利时自动化有限公司 一种单油井产量的预测方法及装置
CN105096007A (zh) * 2015-08-27 2015-11-25 中国石油天然气股份有限公司 基于一种改进的神经网络的油井产量预测方法及其装置
CN110334868A (zh) * 2019-07-08 2019-10-15 西南石油大学 一种耦合流体流动与地质应力预测最优焖井时间的方法
CN112761628A (zh) * 2021-01-25 2021-05-07 中国石油大学(北京) 基于长短期记忆神经网络的页岩气产量确定方法、装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020016665A1 (en) * 1998-10-22 2002-02-07 Ulyanov Sergei V. System for intelligent control of an engine based on soft computing
US20080208782A1 (en) * 2004-07-28 2008-08-28 William Weiss Imbibition gas well stimulation via neural network design
CN104632188A (zh) * 2014-12-04 2015-05-20 杭州和利时自动化有限公司 一种单油井产量的预测方法及装置
CN105096007A (zh) * 2015-08-27 2015-11-25 中国石油天然气股份有限公司 基于一种改进的神经网络的油井产量预测方法及其装置
CN110334868A (zh) * 2019-07-08 2019-10-15 西南石油大学 一种耦合流体流动与地质应力预测最优焖井时间的方法
CN112761628A (zh) * 2021-01-25 2021-05-07 中国石油大学(北京) 基于长短期记忆神经网络的页岩气产量确定方法、装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116066068A (zh) * 2021-12-30 2023-05-05 中国石油天然气集团有限公司 一种焖井时间的确定方法、装置、存储介质及电子设备
CN116066068B (zh) * 2021-12-30 2024-03-29 中国石油天然气集团有限公司 一种焖井时间的确定方法、装置、存储介质及电子设备

Similar Documents

Publication Publication Date Title
CN104727798B (zh) 一种低渗透气藏转向重复压裂工艺方法
CN108009705B (zh) 一种基于支持向量机技术的页岩储层可压性评价方法
US11939864B2 (en) Cluster efficiency operation control
CN109711595A (zh) 一种基于机器学习的水力压裂投产效果评价方法
CN105386751A (zh) 一种基于油藏渗流模型的水平井测井产能预测方法
CN109063403B (zh) 一种滑溜水压裂优化设计方法
CN109083641A (zh) 一种井下修井作业中措施性作业施工效果评价方法
Bin et al. Intelligent identification and real-time warning method of diverse complex events in horizontal well fracturing
CN113503158A (zh) 页岩气储层焖井时间与产量关系的预测分析方法
CN108843296B (zh) 一种基于多因素影响下的单井重复压裂效果预测方法
CN108573076B (zh) 一种页岩气压裂施工事故的预测方法
CN111997581B (zh) 非均质油藏开发方法、装置及电子设备
CN110714755B (zh) 水驱油藏剩余油二次富集速度快速预测方法
Luo et al. Study on the production decline characteristics of shale oil: case study of jimusar field
CN115952620A (zh) 一种页岩储层防套变压裂施工方法与关键裂缝控制材料
Ren et al. Shale gas effective fracture network volume prediction and analysis based on flow back data: A case study of southern Sichuan Basin shale
Qikang et al. Intelligent production optimization method for a low pressure and low productivity shale gas well
CN112502677B (zh) 一种基于多元线性回归的注水开发效果评价方法
CN116084901A (zh) 压裂井全生命周期压后生产制度调控方法及装置
Guo et al. Use of a new analytical model to match production data and identify opportunities to maximize well productivity in the Tuscaloosa marine shale reservoir
Guo et al. Multi-stage and multi-well fracturing and induced stress evaluation: An experiment study
CN112418489A (zh) 一种天然气井修井暂堵剂用量神经网络预测方法
CN113627069A (zh) 针对缝洞型油藏油气井的试井动态产量评价方法及系统
Gao et al. Automatic history matching of parent-child wells in shale gas reservoirs with complex fracture hits
Mohammed et al. Combining Statistical Analysis with Simulation to Optimize Unconventional Completions-Upper and Lower Montney Formations, Canada

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20211015