CN113792479A - 一种基于物理约束的煤层气藏压裂效果评价方法 - Google Patents
一种基于物理约束的煤层气藏压裂效果评价方法 Download PDFInfo
- Publication number
- CN113792479A CN113792479A CN202110971711.3A CN202110971711A CN113792479A CN 113792479 A CN113792479 A CN 113792479A CN 202110971711 A CN202110971711 A CN 202110971711A CN 113792479 A CN113792479 A CN 113792479A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- fracturing
- dynamic
- permeability
- 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
- 230000000694 effects Effects 0.000 title claims abstract description 45
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 title claims description 32
- 238000011156 evaluation Methods 0.000 title claims description 18
- 230000035699 permeability Effects 0.000 claims abstract description 61
- 238000012549 training Methods 0.000 claims abstract description 54
- 238000000034 method Methods 0.000 claims abstract description 41
- 238000012360 testing method Methods 0.000 claims abstract description 40
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 29
- 230000003068 static effect Effects 0.000 claims abstract description 28
- 239000003245 coal Substances 0.000 claims abstract description 17
- 238000011161 development Methods 0.000 claims abstract description 12
- 238000004140 cleaning Methods 0.000 claims abstract description 10
- 238000013210 evaluation model Methods 0.000 claims abstract description 9
- 238000010276 construction Methods 0.000 claims description 50
- 238000004519 manufacturing process Methods 0.000 claims description 33
- 238000002347 injection Methods 0.000 claims description 16
- 239000007924 injection Substances 0.000 claims description 16
- 230000002159 abnormal effect Effects 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 12
- 210000002569 neuron Anatomy 0.000 claims description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 12
- 238000013136 deep learning model Methods 0.000 claims description 9
- 239000004576 sand Substances 0.000 claims description 9
- 125000004122 cyclic group Chemical group 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000005484 gravity Effects 0.000 claims description 5
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 238000000556 factor analysis Methods 0.000 claims description 3
- 230000006872 improvement Effects 0.000 claims description 3
- 239000007788 liquid Substances 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims 1
- 238000005516 engineering process Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005293 physical law Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B43/00—Methods or apparatus for obtaining oil, gas, water, soluble or meltable materials or a slurry of minerals from wells
- E21B43/25—Methods for stimulating production
- E21B43/26—Methods for stimulating production by forming crevices or fractures
-
- 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
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- 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
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Geometry (AREA)
- Fluid Mechanics (AREA)
- Mining & Mineral Resources (AREA)
- Geology (AREA)
- Computer Hardware Design (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Algebra (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Pure & Applied Mathematics (AREA)
- Environmental & Geological Engineering (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于物理约束的煤层气藏压裂效果评价方法，属于油藏开发技术领域；包括步骤如下：基于油气田现场提供的动静态数据构建数据集；建立针对动态数据的基于物理背景下的数据清洗算法；根据直接的参数控制以及间接的物理约束构建了“数据+物理”双指导条件下的误差指导方程；考虑动静态数据维度以及物理参数的实际重要程度建立了结合网络结构；通过循环组合模式来构建训练集和测试集；基于训练集和测试集，利用误差指导方程来构建新的残差函数，并通过反向传播算法对结合网络模型进行训练及测试，获得最优的压裂效果评价模型；建立排己算法定义各个输入参数对于裂缝半长以及压裂后渗透率的贡献度。
Description
技术领域：
本发明涉及油气开发技术领域，特别是指一种基于物理约束的煤层气藏压裂效果评价方法。
背景技术
低渗透、超低渗透油气储量正逐渐成为我国各个主力油气田的开发重点，如何将低渗透和超低渗透油气田中的非常规油气采出已经成为了我国能源开发的主要战略目标，在这样的大环境下，以水力压裂技术为核心的对于低渗透储层的改造手段已经展现了极佳的开发效果。水力压裂技术利用地面高压泵，通过井筒向油层注入具有较高粘度的压裂液，注入压裂液的速度超过油层的吸收能力时，则在井底油层上形成很高的压力，当这种压力超过井底附近油层岩石的破裂压力时，油层将被压开并产生大小不一的裂缝，从而在一定范围内提升油层的渗透率以及导流能力等，提高产量。但是，由于储层地质情况极为复杂，因此通过传统数值模拟等方式进行历史匹配不但耗时，而且压裂后裂缝形态及大小很难进行准确的预测。实际监测方法如微地震等技术成本极高，无法被运用到整个油气田。深度学习技术可以在无需构建物理模型条件下基于实际数据建立参数之间的非线性映射关系，利用参数之间的隐含特征进行关联预测，为煤层气藏压裂效果的评价提供了一种极具潜力的解决办法。
发明内容
本发明要解决的技术问题是提供一种基于物理约束的压裂效果评价方法，该方法可在不同储层条件以及压裂施工状况下，计算裂缝半长以及压裂后渗透率，从而对压裂效果进行评价，同时可以计算各个输入参数包括储层地质数据、压裂施工数据以及动态生产数据对于压裂效果模型的贡献度，更好的指导油气田的二次开发。
具体包括步骤如下：
(1)基于油气田现场提供的动静态数据构建数据集；
(2)建立针对动态数据的基于物理背景下的数据清洗算法；
(3)根据直接的参数控制以及间接的物理约束构建了“数据+物理”双指导条件下的误差指导方程；
(4)考虑动静态数据维度以及物理参数的实际重要程度建立了结合网络结构；
(5)通过循环组合模式来构建训练集和测试集；
(6)基于训练集和测试集，利用误差指导方程来构建新的残差函数，并通过反向传播算法对结合网络模型进行训练及测试，获得最优的压裂效果评价模型；
(7)建立排己算法定义各个输入参数对于裂缝半长以及压裂后渗透率的贡献度。
其中，步骤(1)具体为：收集样本数据集。样本数据集主要由150口压裂井的数据构成，即有150组数据样本，即S＝[S1,S2,…,Sn]，其中n为总样本数。每个样本包含两部分，一部分是模型的输入X＝[X1,X2,…,Xn]，由地质数据G＝[G1,G2,…,Gn]、压裂施工数据C＝[C1,C2,…,Cn]和储层动态监测数据D＝[D1,D2,…,Dn]组成，则有Xn＝[Gn,Cn,Dn]；另一部分是模型的输出Y＝[Y1,Y2,…,Yn]，由压裂效果评价参数构成。对于地质数据而言，Gn＝[gn,1,gn,2,…gn,z1]，其中n表示第n个数据样本，z1表示地质的参数(z1最大值为9，地质参数共有9个)，地质参数1～9分别为(经度、纬度、煤层深度、煤层厚度、孔隙度、测井渗透率、平均渗透率、地层压力、含气量)；对于压裂施工数据而言，Cn＝[cn,1,cn,2,…cn,z2]，z2表示压裂施工的参数(z2最大值为8，施工参数共有8个)，施工参数1～8分别为(闷井时间、排量、施工压力最大值、施工压力最小值、压裂砂量、压裂液量、砂比最小值、砂比最大值)；对于动态监测数据而言，Dn＝[qn,t,pn,t,wn,t]，其中q、p、w分别代表动态参数的产量、压力及注水量；t表示生产时间，最大生产时间为2400天，如p120,240表示第120个样本中第240天的压力值；对于压裂效果数据而言，Yn＝[hn,kn]，其中h和k分别代表压裂评价参数的裂缝半长和压裂后渗透率。因此，每个样本可表示为Sn＝[Xn,Yn]。
步骤(2)中建立动态数据清洗算法。油气田现场监测到的产量和压力数据一般会存在数据质量问题，主要是数据的异常和缺失。对于一些数据缺失问题，如缺失产量或压力数据，通过公式(1)和(2)进行数据补全：
其中，q、p、w、t分别代表了产量、压力及注入量及时间。该方程不但考虑了产量压力和注入量的关系，同时将注水受效所需要的时间也考虑进去，其中α和β分别表示权重因子以及时间衰减因子，Δt表示产油井对于注水井注水所需的响应时间。当数据异常时，通过公式(3-5)进行异常值分析，以产量为例，
其中，p表示产量，
表示产量的期望值，σ表示产量的标准差，t表示时间，dt为参考时间。当p(t)为第t天的产量值，当不满足公式(3)且满足公式(4)及(5)，即可判断该点为异常点，可以通过公式(1)进行修正。该方程考虑了实际过程中由于关井造成的产量突然降为0，避免此类点被认为是异常点的问题。通过上述方法可以对动态数据进行清洗，从而提高数据质量。
步骤(3)中基于参数控制和物理约束条件构建了“数据+物理”双指导条件下的误差指导方程。对于网络模型的输出，即压裂后渗透率及裂缝半长Yn＝[hn,kn]。在实际开发过程中，专家们会根据储层的勘探状况，依托专家经验和知识给出渗透率及裂缝半长的有效范围，因此对于这些参数的直接控制可以加速网络模型的收敛及准确率，参数控制如公式(6-7)所示。
其中，Ep以及EHL分别表示压裂后渗透率以及裂缝半长的残差值，EKp和EKHL表示专家估计的渗透率及裂缝半长，(x，y)表示井位坐标，min和max分别为最小值和最大值，Netp和NetHL表示网络的渗透率及裂缝半长的预测值。
除了上述直接参数控制，还建立了针对煤层气藏基于气体控制方程的间接物理约束条件。物理约束如方程(8)所示：
其中，Resg为气体控制方程残差，ρg、μg、
为气体密度、粘度及孔隙度，Netpfg及NetSg分别表示预测的气体压力和含气饱和度，(x,y,t；θ)表明坐标点(x,y)井位、t时刻、网络的阈值为θ的条件，g为重力加速度，D和Df分别为深度以及距基准面深度，qvg、qmfg为气体产量及气体扩散率。基于上述气体控制方程，通过计算预测的压力和含气饱和度的残差来间接的对渗透率及裂缝半长的预测进行约束。
步骤(4)中结合网络模型的构建。模型的输入数据主要由储层地质数据(静态)、压裂施工数据(静态)以及动态生产数据(动态)，每个样本中，静态参数为17个(地质参数9+压裂施工8)，动态参数为4800个(产量2400+压力2400)，因此在模型训练中，相对于动态数据，静态参数往往会由于参数过少导致被网络忽略，使得预测效果不理想，但是对于渗透率及裂缝半长的预测而言，地质参数及压裂施工参数极为重要，因此建立了结合网络结构，在不减少数据特征的基础上可以充分提取数据特征，如图所示。第一层网络结构是由4800个包含了产量和压力数据的神经元构成，通过三层每层180个神经元来提取动态特征，最后输出至72个神经元中，并在此时加入储层地质数据以及压裂施工数据(17个参数)，构成新的数据结构体输入到深度学习模型中，模型的输出为渗透率及压裂半长。
步骤(5)中训练集和测试集的循环组合模式的建立。将由150个样本组成的数据集S＝[S1,S2,…,Sn]等分成6个子集S＝[SS1,SS2,…,SS6]，每个子集由25个样本组成，如SS1＝[S1,S2,…,S25]。模型的测试集依此由其中一个子集构建，模型的训练集则由剩下的5个子集组成。如测试集为SS1，则训练集为SS2～SS6。通过这种方式，虽然都是同一个数据集，但是训练集和测试集的组成方式为6种，而且，测试集可以遍历整个数据集，提高模型的鲁棒性和准确性。
步骤(6)中压裂效果评价模型的训练。通过训练集的数据对深度学习模型进行训练，首先初始化网络中各神经元的权重和阈值，基于储层地质数据、压裂施工数据以及动态生产数据，利用正向传播的方法预测出渗透率及裂缝半长，然后通过物理约束下的误差函数计算模型的误差，基于参数控制以及物理约束条件下“数据+物理”双指导条件下的误差指导方程，建立新的残差函数为：
其中hact以及hpre分别表述实际裂缝半长以及预测的裂缝半长，kact以及kpre分别是实际渗透率及预测渗透率。接着根据误差梯度利用反向传播算法更新模型权重和阈值。通过正向传播和反向传播算法的不断交替使用使得模型误差不断下降，完成模型的训练，获取最优的训练，并利用循环组合模式下的训练集和测试集进行多方位的交叉验证。
步骤(7)中利用排己法进行输入参数贡献度计算。由于深度学习模型是黑箱模型，因此利用排己法对输入变量对于模型精度的贡献率进行影响因素分析。输入数据主要由储层地质数据、压裂施工数据及动态生产数据，因此当研究地质数据对于模型的贡献率时，需要将储层地质数据从输入数据中全部删除，此时的输入数据只有压裂施工数据以及动态生产数据，该数据集记为S-G；同理可以得到分别研究压裂施工数据以及动态生产数据贡献率的数据集S-C及S-D。然后利用相应的数据集作为模型输入用于计算模型误差，将该误差与以完备数据集作为输入时候的误差进行对比，根据误差的变化程度来决定该参数的贡献度，因此当误差越大时，说明该参数的贡献程度越高，贡献率的计算公式(10-12)为：
其中hact以及hpre分别表述实际裂缝半长以及预测的裂缝半长，kact以及kpre分别是实际渗透率及预测渗透率，T为模型的误差值，Acc为误差提升度，Acc(S-G)表明在数据集为S-G时误差提升度，即删掉储层地质数据时模型误差上升程度。Cont为贡献率，如Cont(S-G)表明储层地质数据对于模型的贡献度。
本发明的上述技术方案的有益效果如下：
1、该方法设计一种压裂效果评价的深度学习框架，通过油气田现场容易获取的储层地质、压裂施工以及动态生产数据预测裂缝半长以及压裂后的渗透率；
2、该方法基于物理背景提出了一种针对动态数据的数据清洗算法，解决数据缺失及异常问题；
3、本方法根据直接的参数控制以及间接的物理约束构建了“数据+物理”双指导条件下的误差指导方程，更好的适用于油藏开发，可以快速准确的指导压裂效果模型的训练；
4、该方法考虑动静态数据维度以及物理参数的实际重要程度建立了结合网络结构，更充分的提取动静态数据特征以及加强了静态数据权重，更加符合物理规律。
5、该方法提出了一种循环组合模式构建训练集和测试集，使得测试集可以遍历整个数据集，增加了模型的鲁棒性和可解释性。
6、本方法基于误差指导方程构建了新的残差函数，指导结合网络模型的训练，使得压裂效果模型更加准确。
7、本方法提出了一种排己法来计算输入参数对于裂缝半长以及压裂后渗透率的贡献度，明确了各输入参数的重要性。
附图说明
图1为本发明基于物理约束的煤层气藏压裂效果评价方法流程示意图；
图2为本发明考虑了动静态参数特征的结合网络结构示意图；
图3为本发明裂缝半长与压裂后渗透率预测值与实际值的散点交汇示意图；
图4为本发明输入参数对于裂缝半长及压裂后渗透率预测的贡献度。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
本发明提供一种基于物理约束的煤层气藏压裂效果评价方法。
如图1所示，本方法基于油气田现场提供的动静态数据构建数据集；然后建立针对动态数据基于物理背景下的数据清洗算法，解决数据缺失及异常问题；再根据直接的参数控制以及间接的物理约束构建了“数据+物理”双指导条件下的误差指导方程；并考虑动静态数据维度以及物理参数的实际重要性建立了结合网络结构；接着通过循环组合模式来构建训练集和测试集，使得测试集可以遍历整个样本，提高模型鲁棒性；基于训练集和测试集，利用误差指导方程来构建新的残差函数，并通过反向传播算法对结合网络模型进行训练及测试，获得最优的煤层气藏压裂效果评价模型，精准预测压裂后裂缝长以及渗透率；最后建立排己算法定义各个输入参数对于裂缝半长以及压裂后渗透率的贡献度，进而对煤层气藏二次开发进行有效指导。。
具体包括步骤如下：
(1)基于油气田现场提供的动静态数据构建数据集；
(2)建立针对动态数据的基于物理背景下的数据清洗算法；
(3)根据直接的参数控制以及间接的物理约束构建了“数据+物理”双指导条件下的误差指导方程；
(4)考虑动静态数据维度以及物理参数的实际重要程度建立了结合网络结构；
(5)通过循环组合模式来构建训练集和测试集；
(6)基于训练集和测试集，利用误差指导方程来构建新的残差函数，并通过反向传播算法对结合网络模型进行训练及测试，获得最优的压裂效果评价模型；
(7)建立排己算法定义各个输入参数对于裂缝半长以及压裂后渗透率的贡献度。
下面结合具体实施例予以说明。
实施例1
第一步，收集样本数据集。样本数据集主要由150口压裂井的数据构成，即有150组数据样本，即S＝[S1,S2,…,Sn]，其中n为总样本数。每个样本包含两部分，一部分是模型的输入X＝[X1,X2,…,Xn]，由地质数据G＝[G1,G2,…,Gn]、压裂施工数据C＝[C1,C2,…,Cn]和储层动态监测数据D＝[D1,D2,…,Dn]组成，则有Xn＝[Gn,Cn,Dn]；另一部分是模型的输出Y＝[Y1,Y2,…,Yn]，由压裂效果评价参数构成。对于地质数据而言，Gn＝[gn,1,gn,2,…gn,z1]，其中n表示第n个数据样本，z1表示地质的相关参数(z1最大值为9，地质参数共有9个)，地质参数1～9分别为(经度、纬度、煤层深度、煤层厚度、孔隙度、测井渗透率、平均渗透率、地层压力、含气量)；对于压裂施工数据而言，Cn＝[cn,1,cn,2,…cn,z2]，z2表示压裂施工的参数(z2最大值为8，施工参数共有8个)，施工参数1～8分别为(闷井时间、排量、施工压力最大值、施工压力最小值、压裂砂量、压裂液量、砂比最小值、砂比最大值)；对于动态监测数据而言，Dn＝[qn,t,pn,t,wn,t]，其中q、p、w分别代表动态参数的产量、压力及注水量；t表示生产时间，最大生产时间为2400天，如p120,240表示第120个样本中第240天的压力值；对于压裂效果数据而言，Yn＝[hn,kn]，其中h和k分别代表压裂评价参数的裂缝半长和压裂后渗透率。因此，每个样本可表示为Sn＝[Xn,Yn]。
第二步，建立动态数据清洗算法。油气田现场监测到的产量和压力数据一般会存在数据质量问题，主要是数据的异常和缺失。对于一些数据缺失问题，如缺失产量或压力数据，通过公式(1)和(2)进行数据补全：
其中，q、p、w、t分别代表了产量、压力及注入量及时间。该方程不但考虑了产量压力和注入量的关系，同时将注水受效所需要的时间也考虑进去，其中α和β分别表示权重因子以及时间衰减因子，Δt表示产油井对于注水井注水所需的响应时间。当数据异常时，通过公式(3-5)进行异常值分析，以产量为例，
其中，p表示产量，
表示产量的期望值，σ表示产量的标准差，t表示时间，dt为参考时间。当p(t)为第t天的产量值，当不满足公式(3)且满足公式(4)及(5)，即可判断该点为异常点，可以通过公式(1)进行修正。该方程考虑了实际过程中由于关井造成的产量突然降为0，避免此类点被认为是异常点的问题。通过上述方法可以对动态数据进行清洗，从而提高数据质量。
第三步，基于参数控制和物理约束条件构建了“数据+物理”双指导条件下的误差指导方程。对于网络模型的输出，即压裂后渗透率及裂缝半长Yn＝[hn,kn]。在实际开发过程中，专家们会根据储层的勘探状况，依托专家经验和知识给出渗透率及裂缝半长的有效范围，因此对于这些参数的直接控制可以加速网络模型的收敛及准确率，参数控制如公式(6-7)所示。
其中，Ep以及EHL分别表示压裂后渗透率以及裂缝半长的残差值，EKp和EKHL表示专家估计的渗透率及裂缝半长，(x，y)表示井位坐标，min和max分别为最小值和最大值，Netp和NetHL表示网络的渗透率及裂缝半长的预测值。
除了上述直接参数控制，还建立了针对煤层气藏基于气体控制方程的间接物理约束条件。物理约束如方程(8)所示：
其中，Resg为气体控制方程残差，ρg、μg、
为气体密度、粘度及孔隙度，Netpfg及NetSg分别表示预测的气体压力和含气饱和度，(x,y,t；θ)表明坐标点(x,y)井位、t时刻、网络的阈值为θ的条件，g为重力加速度，D和Df分别为深度以及距基准面深度，qvg、qmfg为气体产量及气体扩散率。基于上述气体控制方程，通过计算预测的压力和含气饱和度的残差来间接的对渗透率及裂缝半长的预测进行物理约束。
第四步，结合网络模型的构建。如图2所示，模型的输入数据主要由储层地质数据(静态)、压裂施工数据(静态)以及动态生产数据(动态)，每个样本中，静态参数为17个(地质参数9+压裂施工8)，动态参数为4800个(产量2400+压力2400)，因此在模型训练中，相对于动态数据，静态参数往往会由于参数过少导致被网络忽略，使得预测效果不理想，但是对于渗透率及裂缝半长的预测而言，地质参数及压裂施工参数极为重要，因此建立了结合网络结构，在不减少数据特征的基础上可以充分提取数据特征，如图所示。第一层网络结构是由4800个包含了产量和压力数据的神经元构成，通过三层每层180个神经元来提取动态特征，最后输出至72个神经元中，并在此时加入储层地质数据以及压裂施工数据(17个参数)，构成新的数据结构体输入到深度学习模型中，模型的输出为渗透率及压裂半长。
第五步，训练集和测试集的循环组合模式的建立。将由150个样本组成的数据集S＝[S1,S2,…,Sn]等分成6个子集S＝[SS1,SS2,…,SS6]，每个子集由25个样本组成，如SS1＝[S1,S2,…,S25]。模型的测试集依此由其中一个子集构建，模型的训练集则由剩下的5个子集组成。如测试集为SS1，则训练集为SS2～SS6。通过这种方式，虽然都是同一个数据集，但是训练集和测试集的组成方式为6种，而且，测试集可以遍历整个数据集，提高模型的鲁棒性和准确性。
第六步，压裂效果评价模型的训练。通过训练集的数据对深度学习模型进行训练，首先初始化网络中各神经元的权重和阈值，基于储层地质数据、压裂施工数据以及动态生产数据，利用正向传播的方法预测出渗透率及裂缝半长，然后通过物理约束下的误差函数计算模型的误差，基于参数控制以及物理约束条件下新的残差函数为：
其中hact以及hpre分别表述实际裂缝半长以及预测的裂缝半长，kact以及kpre分别是实际渗透率及预测渗透率。接着根据误差梯度利用反向传播算法更新模型权重和阈值。通过正向传播和反向传播算法的不断交替使用使得模型误差不断下降，完成模型的训练，获取最优的训练模型，并利用循环组合模式下的训练集和测试集进行多方位的交叉验证，压裂效果模型对于裂缝半长以及渗透率的预测结果如图3所示，当散点越接近y＝x直线时，说明预测的准确性越高。
第七步，利用排己法进行输入参数贡献度计算。由于深度学习模型是黑箱模型，因此利用排己法对输入变量对于模型精度的贡献率进行影响因素分析。输入数据主要由储层地质数据、压裂施工数据及动态生产数据，因此当研究地质数据对于模型的贡献率时，需要将储层地质数据从输入数据中全部删除，此时的输入数据只有压裂施工数据以及动态生产数据，该数据集记为S-G；同理可以得到分别研究压裂施工数据以及动态生产数据贡献率的数据集S-C及S-D。然后利用相应的数据集作为模型输入用于计算模型误差，将该误差与以完备数据集作为输入时候的误差进行对比，根据误差的变化程度来决定该参数的贡献度，因此当误差越大时，说明该参数的贡献程度越高，贡献率的计算公式(10-12)为：
其中hact以及hpre分别表述实际裂缝半长以及预测的裂缝半长，kact以及kpre分别是实际渗透率及预测渗透率，T为模型的误差值，Acc为误差提升度，Acc(S-G)表明在数据集为S-G时误差提升度，即删掉储层地质数据时模型误差上升程度。Cont为贡献率，如Cont(S-G)表明储层地质数据对于模型的贡献度，贡献度的结果如图4所示。
Claims (9)
1.一种基于物理约束的煤层气藏压裂效果评价方法，其特征在于：首先本方法基于油气田现场提供的动静态数据构建数据集；然后建立针对动态数据基于物理背景下的数据清洗算法，解决数据缺失及异常问题；再根据直接的参数控制以及间接的物理约束构建了“数据+物理”双指导条件下的误差指导方程；并考虑动静态数据维度以及物理参数的实际重要性建立了结合网络结构；接着通过循环组合模式来构建训练集和测试集，使得测试集可以遍历整个样本，提高模型鲁棒性；基于训练集和测试集，利用误差指导方程来构建新的残差函数，并通过反向传播算法对结合网络模型进行训练及测试，获得最优的煤层气藏压裂效果评价模型，精准预测压裂后裂缝半长以及渗透率；最后建立排己算法定义各个输入参数对于裂缝半长以及压裂后渗透率的贡献度，进而对煤层气藏二次开发进行有效指导。
2.根据权利要求1所述的基于物理约束的煤层气藏压裂效果评价方法，其特征在于：
包括步骤如下：
(1)基于油气田现场提供的动静态数据构建数据集；
(2)建立针对动态数据的基于物理背景下的数据清洗算法；
(3)根据直接的参数控制以及间接的物理约束构建了“数据+物理”双指导条件下的误差指导方程；
(4)考虑动静态数据维度以及物理参数的实际重要程度建立了结合网络结构；
(5)通过循环组合模式来构建训练集和测试集；
(6)基于训练集和测试集，利用误差指导方程来构建新的残差函数，并通过反向传播算法对结合网络模型进行训练及测试，获得最优的压裂效果评价模型；
(7)建立排己算法定义各个输入参数对于裂缝半长以及压裂后渗透率的贡献度。
3.根据权利要求2所述的基于物理约束的煤层气藏压裂效果评价方法，其特征在于：所述步骤(1)具体为：收集样本数据集；样本数据集主要由150口压裂井的数据构成，即有150组数据样本，即S＝[S1,S2,…,Sn]，其中n为总样本数；每个样本包含两部分，一部分是模型的输入X＝[X1,X2,…,Xn]，由地质数据G＝[G1,G2,…,Gn]、压裂施工数据C＝[C1,C2,…,Cn]和储层动态监测数据D＝[D1,D2,…,Dn]组成，则有Xn＝[Gn,Cn,Dn]；另一部分是模型的输出Y＝[Y1,Y2,…,Yn]，由压裂效果评价参数构成；对于地质数据而言，Gn＝[gn,1,gn,2,…gn,z1]，其中n表示第n个数据样本，z1表示地质的参数(z1最大值为9，地质参数共有9个)，地质参数1～9分别为(经度、纬度、煤层深度、煤层厚度、孔隙度、测井渗透率、平均渗透率、地层压力、含气量)；对于压裂施工数据而言，Cn＝[cn,1,cn,2,…cn,z2]，z2表示压裂施工的参数(z2最大值为8，施工参数共有8个)，施工参数1～8分别为(闷井时间、排量、施工压力最大值、施工压力最小值、压裂砂量、压裂液量、砂比最小值、砂比最大值)；对于动态监测数据而言，Dn＝[qn,t,pn,t,wn,t]，其中q、p、w分别代表动态参数的产量、压力及注水量；t表示生产时间，最大生产时间为2400天，如p120,240表示第120个样本中第240天的压力值；对于压裂效果数据而言，Yn＝[hn,kn]，其中h和k分别代表压裂评价参数的裂缝半长和压裂后渗透率；因此，每个样本可表示为Sn＝[Xn,Yn]。
4.根据权利要求2所述的基于物理约束的煤层气藏压裂效果评价方法，其特征在于：所述步骤(2)中建立动态数据清洗算法；油气田现场监测到的产量和压力数据一般会存在数据质量问题，主要是数据的异常和缺失；对于一些数据缺失问题，如缺失产量或压力数据，通过公式(1)和(2)进行数据补全：
其中，q、p、w、t分别代表了产量、压力及注入量及时间；该方程不但考虑了产量压力和注入量的关系，同时将注水受效所需要的时间也考虑进去，其中α和β分别表示权重因子以及时间衰减因子，Δt表示产油井对于注水井注水所需的响应时间；当数据异常时，通过公式(3-5)进行异常值分析，以产量为例，
其中，p表示产量，
表示产量的期望值，σ表示产量的标准差，t表示时间，dt为参考时间；当p(t)为第t天的产量值，当不满足公式(3)且满足公式(4)及(5)，即可判断该点为异常点，可以通过公式(1)进行修正；该方程考虑了实际过程中由于关井造成的产量突然降为0，避免此类点被认为是异常点的问题；通过上述方法可以对动态数据进行清洗，从而提高数据质量。
5.根据权利要求2所述的基于物理约束的煤层气藏压裂效果评价方法，其特征在于：所述步骤(3)中基于参数控制和物理约束条件构建了“数据+物理”双指导条件下的误差指导方程；对于网络模型的输出，即压裂后渗透率及裂缝半长Yn＝[hn,kn]；在实际开发过程中，专家们会根据储层的勘探状况，依托专家经验和知识给出渗透率及裂缝半长的有效范围，因此对于这些参数的直接控制可以加速网络模型的收敛及准确率，参数控制如公式(6-7)所示；
其中，Ep以及EHL分别表示压裂后渗透率以及裂缝半长的残差值，EKp和EKHL表示专家估计的渗透率及裂缝半长，(x，y)表示井位坐标，min和max分别为最小值和最大值，Netp和NetHL表示网络的渗透率及裂缝半长的预测值；
除了上述直接参数控制，还建立了针对煤层气藏基于气体控制方程的间接物理约束条件；物理约束如方程(8)所示：
其中，Resg为气体控制方程残差，ρg、μg、
为气体密度、粘度及孔隙度，Netpfg及NetSg分别表示预测的气体压力和含气饱和度，(x,y,t；θ)表明坐标点(x,y)井位、t时刻、网络的阈值为θ的条件，g为重力加速度，D和Df分别为深度以及距基准面深度，qvg、qmfg为气体产量及气体扩散率；基于上述气体控制方程，通过计算预测的压力和含气饱和度的残差来间接的对渗透率及裂缝半长的预测进行约束。
6.根据权利要求2所述的基于物理约束的煤层气藏压裂效果评价方法，其特征在于：所述步骤(4)中结合网络模型的构建；模型的输入数据主要由储层地质数据(静态)、压裂施工数据(静态)以及动态生产数据(动态)，每个样本中，静态参数为17个(地质参数9+压裂施工8)，动态参数为4800个(产量2400+压力2400)，因此在模型训练中，相对于动态数据，静态参数往往会由于参数过少导致被网络忽略，使得预测效果不理想，但是对于渗透率及裂缝半长的预测而言，地质参数及压裂施工参数极为重要，因此建立了结合网络结构，在不减少数据特征的基础上可以充分提取数据特征，第一层网络结构是由4800个包含了产量和压力数据的神经元构成，通过三层每层180个神经元来提取动态特征，最后输出至72个神经元中，并在此时加入储层地质数据以及压裂施工数据(17个参数)，构成新的数据结构体输入到深度学习模型中，模型的输出为渗透率及压裂半长。
7.根据权利要求2所述的基于物理约束的煤层气藏压裂效果评价方法，其特征在于：所述步骤(5)具体为:训练集和测试集的循环组合模式的建立；将由150个样本组成的数据集S＝[S1,S2,…,Sn]等分成6个子集S＝[SS1,SS2,…,SS6]，每个子集由25个样本组成，如SS1＝[S1,S2,…,S25]；模型的测试集依此由其中一个子集构建，模型的训练集则由剩下的5个子集组成；如测试集为SS1，则训练集为SS2～SS6；通过这种方式，虽然都是同一个数据集，但是训练集和测试集的组成方式为6种，而且，测试集可以遍历整个数据集，提高模型的鲁棒性和准确性。
8.根据权利要求2所述的基于物理约束的煤层气藏压裂效果评价方法，其特征在于：所述步骤(6)为压裂效果评价模型的训练；通过训练集的数据对深度学习模型进行训练，首先初始化网络中各神经元的权重和阈值，基于储层地质数据、压裂施工数据以及动态生产数据，利用正向传播的方法预测出渗透率及裂缝半长，然后通过物理约束下的误差函数计算模型的误差，基于参数控制以及物理约束条件下“数据+物理”双指导条件下的误差指导方程，建立新的残差函数为：
其中hact以及hpre分别表述实际裂缝半长以及预测的裂缝半长，kact以及kpre分别是实际渗透率及预测渗透率；接着根据误差梯度利用反向传播算法更新模型权重和阈值；通过正向传播和反向传播算法的不断交替使用使得模型误差不断下降，完成模型的训练，获取最优的训练，并利用循环组合模式下的训练集和测试集进行多方位的交叉验证。
9.根据权利要求2所述的基于物理约束的煤层气藏压裂效果评价方法，其特征在于：所述步骤(7)中，利用排己法进行输入参数贡献度计算；由于深度学习模型是黑箱模型，因此利用排己法对输入变量对于模型精度的贡献率进行影响因素分析；输入数据主要由储层地质数据、压裂施工数据及动态生产数据，因此当研究地质数据对于模型的贡献率时，需要将储层地质数据从输入数据中全部删除，此时的输入数据只有压裂施工数据以及动态生产数据，该数据集记为S-G；同理可以得到分别研究压裂施工数据以及动态生产数据贡献率的数据集S-C及S-D；然后利用相应的数据集作为模型输入用于计算模型误差，将该误差与以完备数据集作为输入时候的误差进行对比，根据误差的变化程度来决定该参数的贡献度，因此当误差越大时，说明该参数的贡献程度越高，贡献率的计算公式(10-12)为：
其中hact以及hpre分别表述实际裂缝半长以及预测的裂缝半长，kact以及kpre分别是实际渗透率及预测渗透率，T为模型的误差值，Acc为误差提升度，Acc(S-G)表明在数据集为S-G时误差提升度，即删掉储层地质数据时模型误差上升程度；Cont为贡献率，如Cont(S-G)表明储层地质数据对于模型的贡献度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110971711.3A CN113792479B (zh) | 2021-08-23 | 2021-08-23 | 一种基于物理约束的煤层气藏压裂效果评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110971711.3A CN113792479B (zh) | 2021-08-23 | 2021-08-23 | 一种基于物理约束的煤层气藏压裂效果评价方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113792479A true CN113792479A (zh) | 2021-12-14 |
| CN113792479B CN113792479B (zh) | 2023-09-22 |
Family
ID=78876322
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110971711.3A Active CN113792479B (zh) | 2021-08-23 | 2021-08-23 | 一种基于物理约束的煤层气藏压裂效果评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113792479B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114925632A (zh) * | 2022-05-26 | 2022-08-19 | 西南石油大学 | 一种缝洞型气藏产能测试的动态模拟方法 |
| CN115577645A (zh) * | 2022-12-08 | 2023-01-06 | 中国石油大学(华东) | 一种燃爆压裂破裂范围预测模型的构建方法及预测方法 |
| CN116451877A (zh) * | 2023-06-16 | 2023-07-18 | 中国石油大学(华东) | 一种基于可计算语义网络的管网停开井产量预测方法 |
| CN117313557A (zh) * | 2023-11-29 | 2023-12-29 | 中国石油大学(华东) | 基于深度学习的压裂磁法实时监测中裂缝诊断方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102362262A (zh) * | 2009-03-24 | 2012-02-22 | 雪佛龙美国公司 | 用于表征地下储油层中的裂面的系统和方法 |
| CN112818591A (zh) * | 2021-01-20 | 2021-05-18 | 北京科技大学 | 基于物理约束的dl模型预测致密油压裂范围的方法 |
| CN112819240A (zh) * | 2021-02-19 | 2021-05-18 | 北京科技大学 | 基于物理约束的lstm模型预测页岩油产量的方法 |
-
2021
- 2021-08-23 CN CN202110971711.3A patent/CN113792479B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102362262A (zh) * | 2009-03-24 | 2012-02-22 | 雪佛龙美国公司 | 用于表征地下储油层中的裂面的系统和方法 |
| CN112818591A (zh) * | 2021-01-20 | 2021-05-18 | 北京科技大学 | 基于物理约束的dl模型预测致密油压裂范围的方法 |
| CN112819240A (zh) * | 2021-02-19 | 2021-05-18 | 北京科技大学 | 基于物理约束的lstm模型预测页岩油产量的方法 |
Non-Patent Citations (2)
| Title |
|---|
| EZULIKE, OD等: "Capturing the effects of secondary fractures on production data using flow regime equations and specialised plots: An uncertainty analysis approach", 《JOURNAL OF PETROLEUM SCIENCE AND ENGINEERING》, pages 201 - 217 * |
| 李舫 等: "基于不确定性分析的页岩气单井SEC储量动态评估的一种方法——以CN区块Well-1井为例", 《天然气勘探与开发》, vol. 41, no. 4, pages 38 - 46 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114925632A (zh) * | 2022-05-26 | 2022-08-19 | 西南石油大学 | 一种缝洞型气藏产能测试的动态模拟方法 |
| CN114925632B (zh) * | 2022-05-26 | 2023-09-01 | 西南石油大学 | 一种缝洞型气藏产能测试的动态模拟方法 |
| CN115577645A (zh) * | 2022-12-08 | 2023-01-06 | 中国石油大学(华东) | 一种燃爆压裂破裂范围预测模型的构建方法及预测方法 |
| CN116451877A (zh) * | 2023-06-16 | 2023-07-18 | 中国石油大学(华东) | 一种基于可计算语义网络的管网停开井产量预测方法 |
| CN116451877B (zh) * | 2023-06-16 | 2023-09-01 | 中国石油大学(华东) | 一种基于可计算语义网络的管网停开井产量预测方法 |
| CN117313557A (zh) * | 2023-11-29 | 2023-12-29 | 中国石油大学(华东) | 基于深度学习的压裂磁法实时监测中裂缝诊断方法 |
| CN117313557B (zh) * | 2023-11-29 | 2024-01-23 | 中国石油大学(华东) | 基于深度学习的压裂磁法实时监测中裂缝诊断方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113792479B (zh) | 2023-09-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113792479B (zh) | 一种基于物理约束的煤层气藏压裂效果评价方法 | |
| US10546072B2 (en) | Obtaining micro- and macro-rock properties with a calibrated rock deformation simulation | |
| CN112901137B (zh) | 基于深度神经网络Sequential模型的深井钻井机械钻速预测方法 | |
| CN104879103A (zh) | 一种分层注水效果分析方法 | |
| CN106104590A (zh) | 不确定性下多级油田设计优化 | |
| GB2585153A (en) | Petroleum reservoir behaviour prediction using a proxy flow model | |
| CN112016212B (zh) | 一种基于渗流控制方程的储层纵向非均质性评价方法 | |
| CN116306385B (zh) | 一种油藏压裂渗吸增能数值模拟方法、系统、设备及介质 | |
| CN107989603A (zh) | 一种高含水致密凝析气藏干气吞吐效果的预测方法 | |
| CN113592194A (zh) | 建立co2吞吐效果预测模型的方法以及co2吞吐效果评价方法 | |
| CN114358434A (zh) | 基于lstm循环神经网络模型的钻井机械钻速预测方法 | |
| CN110717270B (zh) | 一种基于数据的油气藏仿真模拟方法 | |
| CN114638401A (zh) | 一种基于历史及预测油藏知识的剩余油分布预测方法及装置 | |
| CN116305850A (zh) | 一种基于随机森林模型的地层热导率预测方法 | |
| Hou et al. | Data-driven optimization of brittleness index for hydraulic fracturing | |
| Ibrahim et al. | Application of machine learning to predict estimated ultimate recovery for multistage hydraulically fractured wells in niobrara shale formation | |
| Bahari et al. | Intelligent drilling rate predictor | |
| Liu | Potential for evaluation of interwell connectivity under the effect of intraformational bed in reservoirs utilizing machine learning methods | |
| CN111948718B (zh) | 页岩气储层总有机碳含量预测方法及装置 | |
| CN111751878B (zh) | 横波速度的预测方法和装置 | |
| Djebbas et al. | Integrating hydraulic flow unit concept and adaptive neuro-fuzzy inference system to accurately estimate permeability in heterogeneous reservoirs: Case study Sif Fatima oilfield, southern Algeria | |
| Aryanto et al. | Hydraulic fracturing candidate-well selection using artificial intelligence approach | |
| Costa et al. | A new methodology to reduce uncertainty of global attributes in naturally fractured reservoirs | |
| CN115049173B (zh) | 深度学习和Eaton法耦合驱动地层孔隙压力预测方法 | |
| Qu et al. | Modelling of the impact of stress concentration on permeability in porous medium based on machine learning method |
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 |