CN114021466B - 基于返排数据和机器学习的页岩气有效缝网体积预测方法 - Google Patents
基于返排数据和机器学习的页岩气有效缝网体积预测方法 Download PDFInfo
- Publication number
- CN114021466B CN114021466B CN202111326457.8A CN202111326457A CN114021466B CN 114021466 B CN114021466 B CN 114021466B CN 202111326457 A CN202111326457 A CN 202111326457A CN 114021466 B CN114021466 B CN 114021466B
- Authority
- CN
- China
- Prior art keywords
- shale gas
- volume
- effective
- flowback
- fracturing
- 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.)
- Active
Links
- 238000010801 machine learning Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 24
- 239000012530 fluid Substances 0.000 claims abstract description 37
- 238000010276 construction Methods 0.000 claims abstract description 29
- 238000004364 calculation method Methods 0.000 claims abstract description 23
- 238000005457 optimization Methods 0.000 claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 9
- 230000002068 genetic effect Effects 0.000 claims abstract description 9
- 238000000513 principal component analysis Methods 0.000 claims abstract description 9
- 230000000694 effects Effects 0.000 claims abstract description 8
- 238000013461 design Methods 0.000 claims abstract description 7
- 238000011156 evaluation Methods 0.000 claims abstract description 5
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 15
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 10
- 230000005465 channeling Effects 0.000 claims description 6
- 239000000758 substrate Substances 0.000 claims description 6
- 230000035699 permeability Effects 0.000 claims description 5
- 238000007637 random forest analysis Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 4
- 230000014509 gene expression Effects 0.000 claims description 4
- 239000000463 material Substances 0.000 claims description 4
- 108090000623 proteins and genes Proteins 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 2
- 230000006835 compression Effects 0.000 claims description 2
- 238000007906 compression Methods 0.000 claims description 2
- 230000035772 mutation Effects 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims 1
- 238000012360 testing method Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 239000007788 liquid Substances 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000006073 displacement reaction Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 239000003208 petroleum Substances 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 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
-
- 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
- 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
-
- 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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Mining & Mineral Resources (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Fluid Mechanics (AREA)
- General Physics & Mathematics (AREA)
- Geochemistry & Mineralogy (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于返排数据和机器学习的页岩气有效缝网体积预测方法,步骤如下:建立压裂液两相返排模型,基于返排数据,对缝网压裂页岩气井的有效缝网体积进行反演,获得页岩气有效缝网体积的标签数据集;建立合适的特征综合指数计算模型进行特征选择,获得影响页岩气有效缝网体积的强相关特征;对特征选择的强相关特征进行相关性计算和主成分分析,建立页岩气有效缝网体积的机器学习预测模型;应用建立的页岩气有效缝网体积预测模型,利用特征重要性评价方法PI,计算各特征对有效缝网体积的相对重要性,获得缝网压裂页岩气井压后效果的主控因素,建立缝网压裂页岩气井施工参数的遗传算法优化工作流程,进行压裂施工参数优化设计。
Description
技术领域
本发明涉及非常规油气增产改造技术领域,尤其是一种基于返排数据和机器学习的页岩气有效缝网体积预测方法。
背景技术
众所周知,美国完成了页岩气革命,我国是全球页岩气储量第二的国家,随着中石化涪陵和中石油川南页岩气的商业开发,我国成为全球第三个实现页岩气商业开发的国家。截止目前,中石油川南页岩气累计产气已经超过300×108m3,年产量超过100×108m3,建成除北美外全球最大页岩气田,日产量连续三年实现1000×104m3级增长,持续领跑国内页岩气领域。取得这一惊喜结果依靠的是水平井缝网压裂技术在页岩储层中的成功应用。
中国页岩气前期的压裂开采大多借鉴照搬美国页岩气开采经验,而由于我国页岩储层地质条件复杂,气藏非均质性强,现有的开采模式下单井生产差异明显,部分井开采效果没有达到理想的预期。所以急需学习和归纳总结出前期大量已开展压裂实践的页岩气井地质、工程以及返排因素对压裂效果的影响规律,用以高效指导目前页岩气的高效开采,实现从单一的开采模式到“一井一策”甚至“一段一策”的压裂施工模式的转变。在页岩气压裂实践中,页岩气有效缝网体积(ESRV)是评价压后效果和产能预测的重要参数。页岩气压后形成的有效裂缝网络是压裂液返排和页岩气生产的主要渗流通道,对页岩气压后返排数据信息的准确解读必然可以获取页岩气井压后形成的有效缝网体积信息,因此需要建立合适的返排模型拟合返排数据,获取单井的压后有效缝网体积信息。之后要进一步弄清地质、工程以及返排等因素对其影响规律,则需要建立考虑地质、工程以及返排因素的页岩气有效缝网体积的机器学习预测模型,进而可以明确影响它的主控因素,这对优化页岩气缝网压裂工程设计,提高压裂液有效缝网建造效率,高质量建造页岩气缝网通道至关重要。总之,急需建立一种基于返排数据的页岩气有效缝网体积预测方法。
发明内容
本发明的目的是提供一种基于返排数据和机器学习的页岩气有效缝网体积预测方法,用于实现对缝网压裂页岩气井压裂效果进行准确预测和压裂施工参数进行优化设计。
本发明提供的基于返排数据和机器学习的页岩气有效缝网体积预测方法,主要思路为:首先建立页岩气压裂液两相返排模型,基于返排数据反演可以获得缝网压裂页岩气井压后有效缝网体积的标签数据集,建立了特征综合指数计算模型,可以优选适应于页岩气有效缝网体积预测的强特征集,建立了页岩气有效缝网体积机器学习预测模型,可以弄清不同的地质、工程以及返排因素对页岩气有效缝网体积影响的重要性排序,针对不同的页岩储层地质和返排参数,可以获得对应的最优压裂施工参数组合。
本发明提供的基于返排数据和机器学习的页岩气有效缝网体积预测方法,具体步骤如下:
S1:为获得页岩气有效缝网体积的标签数据集,建立压裂液两相返排模型,基于返排数据,对缝网压裂页岩气井的有效缝网体积进行反演。
步骤S1中,所述压裂液两相返排模型包括:压裂液和页岩气流动方程,以及裂缝-基质流动物质平衡方程。结合Hagen-Poiseuille方程,利用树形分形理论以及流体压降并联和串联原理,所述压裂液和页岩气流动方程为:
式中:μi为流体粘度;Bi为流体体积系数;Kri为流体相对渗透率;i为气、水;l0、Wf0和hf0分别是树形分形裂缝的初始长、宽和高,为拟合参数;RL、RW和Rh分别是裂缝长度、宽度和高度比,为拟合参数;n为分形裂缝的分支数,本发明取n=2;m为裂缝级数,为拟合参数;Pf为缝网平均压力;Pwf为井底流压;Kri(Sw)是树形裂缝网络中气\水相对渗透率,采用直线相对渗透率模型:Krw=Sw,Krg=1-Sw。
气、水产量叠加分别为
其中,Qj g、Qj w分别为分段压裂的各簇的产气量、产水量,Nf为水平井分段压裂的总簇数,其满足下列关系
Nf=nf·nCL (4)
式中:nf为压裂段数;nCL为每段簇数。
所述裂缝-基质流动物质平衡方程包括以下两种情况:
(1)当缝网平均压力Pf大于基质平均压力Pmi时,基质流体不突破进入裂缝中,则缝网平均压力Pf可以通过下式计算
式中:Pfi为原始缝网平均压力;Vfi为原始有效裂缝体积;Wp和Gp分别为地面条件下压裂液和页岩气的累积采出量;Bw和Bg分别为目前平均缝网压力下的压裂液和页岩气的体积系数;Ct_ABT为综合压缩系数,为拟合参数。
原始有效裂缝体积通过下式计算:
有效裂缝网络中平均含水饱和度为
式中:Swi为有效裂缝体积中原始含水饱和度。
(2)当缝网平均压力Pf小于基质平均压力Pmi时,基质流体突破进入裂缝中,则缝网平均压力Pf可以通过下式计算:
式中:Gmf为基质页岩气窜流量。
基质气窜流量通过下式计算:
式中:αmf为基质到裂缝的窜流因子,为拟合参数;Pmi为原始基质压力;μg窜流的页岩气粘度,mPa·s;km为页岩气基质渗透率,um2;φm为页岩气基质孔隙度;Δt为窜流时间,s。
其中Vb为页岩气有效缝网体积(ESRV),可以通过下式计算
Vb=Nfwfxfhf0-Vb_overlap (10)
上式中,xf表征有效缝网体积的纵向扩展程度,wf表征有效缝网体积的横向扩展程度。ESRV是目前页岩气缝网压裂矿场上常用于定量评价效果的重要参数。
其中
式中:Vb_overlap是ESRV重叠区体积。
通过应用建立的页岩气压裂液两相返排模型,拟合页岩气压裂现场监测的压裂液返排生产数据,可以反演得到每口缝网压裂页岩气井的压后有效缝网体积(ESRV),其可以作为页岩气有效缝网体积机器学习预测模型的标签集。
S2:为获得影响页岩气有效缝网体积的强相关特征,建立合适的特征综合指数计算模型,进行特征选择。
步骤S2中,特征综合指数计算模型为
Score=w1·SPCC+w2·SMIC+w3·SRF+w4·SCatBoost+w5·SCV (13)
本发明权重w5=0.01,将剩下的权重平均分配给w1~w4。其中,SPCC为特征X与标签值Y之间皮尔森相关系数PCC折算为100分制的值,皮尔森相关系数PCC计算为
式中:X为特征的值;Y为标签值(预测变量);σX为X的标准差;σY为Y的标准差;cov(X,Y)为两个变量X,Y的协方差。
其中,SMIC为最大信息系数MIC折算为100分制的值,最大信息系数计算具体见文献(Ge R,Zhou M,Luo Y,et al.McTwo:a two-step feature selection algorithm basedon maximal information coefficient[J].BMC bioinformatics,2016,17(1):1-14.)。
其中,SRF为特征对标签值的重要性的随机森林(Random Forest,RF)计算值折算为100分制的值,随机森林重要性计算具体见文献(Breiman L.Random forests[J].Machinelearning,2001,45(1):5-32.)。
其中,ScatBoost为特征对标签值的重要性的CatBoost计算值折算为100分制的值,CatBoost重要性计算具体见文献(Prokhorenkova L,Gusev G,Vorobev A,etal.CatBoost:unbiased boosting with categorical features[J].arXiv preprintarXiv:1706.09516,2017.)。
其中,SCV评分反映了特征的发散度,特征发散度CV计算为
式中:σX为特征标准差;μX为特征平均值。
本发明为保证选择特征的具有代表性和与标签值有强相关性,选择累积特征综合指数大于85的特征为页岩气有效缝网体积预测的基本特征。
S3:对特征选择的强相关特征进行相关性计算和主成分分析,建立页岩气有效缝网体积的机器学习预测模型。
步骤S3中,建立页岩气有效缝网体积的机器学习预测模型之前,还需要对选择的特征进行相关性分析和主成分分析,相关性计算使用皮尔森相关性计算公式(14),主成分分析计算方法具体见文献(Wold S,Esbensen K,Geladi P.Principal componentanalysis[J].Chemometrics and intelligent laboratory systems,1987,2(1-3):37-52.)。对相关性强的特征进行主成分分析之后用来作为步骤3所述的页岩气有效缝网体积的机器学习预测模型的输入值。
所述页岩气有效缝网体积的机器学习预测模型包括人工神经网络(ANN)预测模型和基因表达式编程(GEP)预测模型。所述ANN预测模型包括如下:1)建立神经网络结构:输入层神经元个数,隐含层数,隐含层神经元个数,输出层神经元个数,激活函数等。所述ANN预测模型建立步骤具体见文献(周志华.机器学习[M].清华大学出版社,2016.)。2)训练集和测试集的划分,采用经典的7:3比例来划分。所述GEP预测模型建立步骤具体见文献(Ferreira C.Gene expression programming in problem solving[M]//Soft computingand industry.Springer,London,2002:635-653.)。
S4:应用建立的页岩气有效缝网体积机器学习预测模型进行下述两种措施:
(1)利用特征重要性评价方法PI,计算各特征对有效缝网体积影响的相对重要性。
(2)建立缝网压裂页岩气井施工参数的遗传算法优化工作流程,进行压裂施工参数优化设计。
所述特征重要性计算方法PI,具体如下:1)结合建立的页岩气有效缝网体积的机器学习预测模型,利用测试集预测得到一个得分(通常为均方根误差);2)将测试集的一个特征列的值进行随机打乱,预测得到该特征的得分(均方根误差);3)将上述得分做差即可得到特征对预测值的影响;4)依次将每一列特征按上述方法执行,得到每个特征对预测值的影响;5)最后将所有特征的得分进行排序,即可得到特征对目标的重要性排序。
所述缝网压裂页岩气井施工参数的遗传算法优化工作流程如下:(1)施工参数优化程序开始,形成施工参数qi的初始种群;(2)建立单位ESRV预测模型;(3)计算单位ESRV;(4)计算适应度函数;(5)判断是否达到终止条件;如果是,则存储qi,最终优化参数组合,并结束;如果否,则基因选择,基因交叉和变异,产生新的种群,并重复步骤(3)。
应用步骤S3建立的页岩气有效缝网体积ANN和GEP预测模型,固定地质和返排参数,通过调整施工参数组合,结合遗传算法基本原理,获得最大的页岩气有效缝网体积对应的施工参数组合为最优施工参数组合。具体如下,单位ESRV预测模型可以表示为:
将计算单位ESRV的全部特征表示为:
其中xi1~xio表示地质因素和返排因素,xio+1~xin表示工程因素。
优化目标为:
与现有技术相比,本发明的有益之处在于:
本发明的方法充分利用了页岩气压裂液返排数据中携带的压裂效果信息(压后有效缝网体积)和前期已经压裂的不同页岩气井的地质、工程以及返排信息,通过建立的页岩气有效缝网体积预测模型,可以为后期页岩气井的缝网压裂,通过调整压裂施工参数组合获得最优的有效缝网体积,有效提高页岩气井的产量和采收率,最终实现页岩气的高效开发。本发明有利于通过页岩气压裂液返排数据进行压后缝网体积预测,对完善页岩气缝网压裂压后评价具有重要意义。
本发明的其它优点、目标和特征将部分通过下面的说明体现,部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明
图1为基于返排数据反演的川南162口页岩气井有效缝网体积分布直方图。
图2为设计的20个特征的特征综合指数排序图。
图3为ANN模型训练集测量的和预测的有效缝网体积比较图。
图4为ANN模型测试集测量的和预测的有效缝网体积比较图。
图5为GEP模型训练集测量的和预测的有效缝网体积比较图。
图6为GEP模型测试集测量的和预测的有效缝网体积比较图
图7为基于页岩气有效缝网体积预测模型的压裂施工参数优化遗传算法工作流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
本发明提供的基于返排数据和机器学习的页岩气有效缝网体积预测方法,具有包括以下步骤:
步骤S1、首先建立页岩气压裂液两相返排模型。然后收集页岩气压裂现场返排数据以及设计20个可能影响页岩气有效缝网体积的特征数据(包括工程因素9个、地质因素6个以及返排因素5个),见表1。利用页岩气压裂液两相返排模型拟合现场返排数据,通过公式(10)反演得到页岩气井的有效缝网体积标签数据集(见图1)。为了方便对比不同施工参数组合下的有效缝网体积的大小,对获得的每口井的有效缝网体积标签数据除以其对应的水平井压裂水平段长度,使用该井的单位有效缝网体积作为预测值(标签值)。
表1特征代号及含义
步骤S2、建立合适的特征综合指数计算模型。然后利用特征综合指数计算模型,计算设计的20个特征的特征综合指数,见表2和图2,特征综合指数排名前11个特征的累积综合指数为85.2(大于85),可以认为这11个特征包含了特征设计的20个特征85%的信息,而且考虑到这11个特征中包含了5个工程特征(排量、单段簇数、簇间距、用液强度和停泵压力)、4个地质特征(孔隙度、杨氏模量、泊松比和脆性指数)以及2个返排特征(焖井时间和见气返排率),特征包含工程、地质和返排因素,而且以工程因素为主,符合后面进行压裂施工参数优化的基本要求,所以选择这11个特征(见表3)作为预测单位有效缝网体积(单位ESRV)的基本特征。
表2特征综合指数(每个评价指标的绝对值总分为100)
表3特征选择的11个特征统计表
步骤S3、首先对特征选择的强相关特征进行相关性计算和主成分分析。对特征选择的11个强相关特征进行相关性计算(见表4)和主成分分析,由表可知,特征F1(排量)和特征F2(平均单段簇数)和特征F3(簇间距)是强相关特征,相关性分别为0.63和-0.65,特征F2(平均单段簇数)和特征F3(簇间距)是强相关特征,相关性为-0.78,由表4可知,工程因素之间存在一定的相关性,需要对选择的5个工程特征进行去相关性处理,即对5个工程特征进行主成分分析,见表5。
表4特征选择的11个特征相关性计算
表5 5个工程特征的主成分系数分布
通过表5中各工程特征对应的系数可以建立工程特征的主成分因子计算公式,如下:
FE1=0.05×F1+0.08×F2-0.38×F3+0.12×F4+0.91×F5
FE2=-0.10×F1-0.09×F2+0.71×F3-0.57×F4+0.39×F5
FE3=-0.17×F1-0.27×F2+0.50×F3+0.79×F4+0.14×F5
FE4=0.98×F1-0.02×F2+0.19×F3+0.08×F4+0.02×F5
FE5=-0.04×F1+0.96×F2+0.24×F3+0.16×F4+0.00×F5
由工程特征在每个主成分因子中的系数绝对值大小可知,工程因子1主要反映F5(停泵压力)的信息,工程因子2主要反映F3(簇间距)的信息,工程因子3主要反映F4(用液强度)的信息,工程因子4主要反映F1(排量)的信息,工程因子5主要反映F2(平均单段簇数)的信息。将原始数据集5个工程特征进行归一化处理后,通过主成分系数矩阵,将5个工程特征(排量、平均单段簇数、簇间距、用液强度和停泵压力)转换为5个彼此独立的工程因子,这5个工程因子携带了5个工程特征的全部信息而且彼此独立,可以作为机器学习预测模型的输入变量,地质特征和返排特征分别进行归一化后作为机器学习模型的输入变量。
建立页岩气有效缝网体积的机器学习预测模型包括人工神经网络(ANN)预测模型和基因表达式编程(GEP)预测模型,其中ANN预测模型的结构参数见表6,ANN预测模型训练集和测试集性能见图3和图4。其中GEP预测模型的参数见表7,GEP预测模型训练集和测试集性能见图5和图6。
表6有效缝网体积预测的ANN参数表
表7有效缝网体积预测的GEP参数表
通过GEP预测模型获得了单位有效缝网体积预测计算的具体函数形式如下:
y3=(d(9)+min(atan(1.0-min(d(6),G3C6)),(d(9)×tanh(d(7))))/atan((d(10)-((d(1)-d(3))-G3C7))-(G3C8+G3C1+d(2)))
G1C9=7.88 G2C8=-0.50 G2C5=5.25 G2C1=7.56
G3C7=-8.85 G3C8=-4.47 G3C1=-1.62 G3C6=0.89
G4C0=0.41 G4C6=1.54 G4C3=-7.31 G4C9=-5.60
G4C5=1.90 G5C5=-6.63 G5C2=-6.03 G5C1=-1.37
G5C6=8.27 G6C0=-2.98 G6C5=-0.68
d(1)=FE1 d(2)=FE2 d(3)=FE3 d(4)=FE4
d(5)=FE5 d(6)=G1 d(7)=G2 d(8)=G3
d(9)=G4 d(10)=FB1 d(11)=FB2
ERSV_Norm=y1+y2+y3+y4+y5+y6
式中:ESRV_Norm——归一化单位有效缝网体积,无因次;
ESRVmin——162个数据集中最小单位有效缝网体积,104m3/m;
ESRVmax——162个数据集中最大单位有效缝网体积,104m3/m。
步骤S4、应用上一步骤建立的页岩气有效缝网体积预测模型,进行以下两个操作:
(1)使用PI方法,分别对ANN预测模型和GEP预测模型的特征参数计算了其对页岩气有效缝网体积的相对重要性,计算50次取平均值,见表8。由表8可知,缝网压裂施工参数中,簇间距和用液强度对有效缝网体积的影响程度很大,综合排名分别为第1和第2。地质参数中,泊松比和脆性指数对有效缝网体积影响很大。
表8模型特征参数相对重要性分数排序表
(2)某页岩气储层的平均工程、地质和返排条件(表9),由表9可知,在平均工程参数条件下,利用步骤S3建立的有效缝网体积预测ANN和GEP模型,计算得到平均单位ESRV为0.969×104m3/m,应用建立的缝网压裂页岩气井施工参数的遗传算法优化工作流程(图7),进行压裂施工参数优化设计,获得最优施工参数组合见表10,优化方案主要采用增大排量,增加簇数,减小簇间距和增大用液强度的策略实现最大单位ESRV的优化,相比数据集平均施工参数水平,可以增加单位ESRV约2.843×104m3/m,提高百分比约293.4%。
表9某页岩气储层平均工程、地质以及返排条件
表10优化结果与平均施工参数结果对比
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,虽然本发明已以较佳实施例揭露如上,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许更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 (7)
1.一种基于返排数据和机器学习的页岩气有效缝网体积预测方法,其特征在于,包括如下步骤:
S1、建立压裂液两相返排模型,然后基于返排数据,对缝网压裂页岩气井的有效缝网体积进行反演;所述压裂液两相返排模型包括:压裂液和页岩气流动方程,以及裂缝-基质流动物质平衡方程;
S2:为获得影响页岩气有效缝网体积的强相关特征,建立特征综合指数计算模型,进行特征选择;
S3:对特征选择的强相关特征进行相关性计算和主成分分析,建立页岩气有效缝网体积的机器学习预测模型;
S4:应用建立的页岩气有效缝网体积机器学习预测模型进行下述两种措施:
(1)利用特征重要性评价方法PI,计算各特征对有效缝网体积影响的相对重要性;
(2)建立缝网压裂页岩气井施工参数的遗传算法优化工作流程,进行压裂施工参数优化设计。
3.如权利要求2所述的基于返排数据和机器学习的页岩气有效缝网体积预测方法,其特征在于,所述步骤S1中裂缝-基质流动物质平衡方程包括以下两种情况:
(1)当缝网平均压力Pf大于基质平均压力Pmi时,基质流体不突破进入裂缝中,则缝网平均压力Pf通过下式计算
式中:Pfi为原始缝网平均压力;Vfi为原始有效裂缝体积;Wp和Gp分别为地面条件下压裂液和页岩气的累积采出量;Bw和Bg分别为目前平均缝网压力下的压裂液和页岩气的体积系数;Ct_ABT为综合压缩系数,为拟合参数;
原始有效裂缝体积通过下式计算:
有效裂缝网络中平均含水饱和度为
式中:Swi为有效裂缝体积中原始含水饱和度;
(2)当缝网平均压力Pf小于基质平均压力Pmi时,基质流体突破进入裂缝中,则缝网平均压力Pf通过下式计算:
式中:Gmf为基质页岩气窜流量;
基质气窜流量通过下式计算:
式中:αmf为基质到裂缝的窜流因子,为拟合参数;Pmi为原始基质压力;
其中Vb为页岩气有效缝网体积ESRV,可以通过下式计算
Vb=Nfwfxfhf0-Vb_overlap (10)
上式中,xf表征有效缝网体积的纵向扩展程度,wf表征有效缝网体积的横向扩展程度,ESRV是目前页岩气缝网压裂矿场上常用于定量评价效果的重要参数;
其中,
式中:Vb_overlap是ESRV重叠区体积。
4.如权利要求3所述的基于返排数据和机器学习的页岩气有效缝网体积预测方法,其特征在于,所述步骤S1中,建立页岩气压裂液两相返排模型后,收集页岩气压裂现场返排数据以及设计数个影响页岩气有效缝网体积的特征数据,利用页岩气压裂液两相返排模型拟合现场返排数据,通过公式(10)反演得到页岩气井的有效缝网体积标签数据集。
5.如权利要求1所述的基于返排数据和机器学习的页岩气有效缝网体积预测方法,其特征在于,所述步骤S2中,特征综合指数计算模型如下:
Score=w1·SPCC+w2·SMIC+w3·SRF+w4·SCatBoost+w5·SCV (13)
式中,w1~w5是权重;SPCC为特征X与标签值Y之间皮尔森相关系数PCC折算为100分制的值;SMIC为最大信息系数MIC折算为100分制的值;SRF为特征对标签值的重要性的随机森林计算值折算为100分制的值;ScatBoost为特征对标签值的重要性的CatBoost计算值折算为100分制的值;SCV评分反映特征的发散度。
6.如权利要求1所述的基于返排数据和机器学习的页岩气有效缝网体积预测方法,其特征在于,所述步骤S3中,所述页岩气有效缝网体积的机器学习预测模型包括人工神经网络ANN预测模型和基因表达式编程GEP预测模型。
7.如权利要求1所述的基于返排数据和机器学习的页岩气有效缝网体积预测方法,其特征在于,所述步骤S4中,建立的缝网压裂页岩气井施工参数的遗传算法优化工作流程如下:
(1)施工参数优化程序开始,形成施工参数qi的初始种群;(2)建立单位ESRV预测模型;(3)计算单位ESRV;(4)计算适应度函数;(5)判断是否达到终止条件;如果是,则存储qi,最终优化参数组合,并结束;如果否,则基因选择,基因交叉和变异,产生新的种群,并重复步骤(3)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111326457.8A CN114021466B (zh) | 2021-11-10 | 2021-11-10 | 基于返排数据和机器学习的页岩气有效缝网体积预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111326457.8A CN114021466B (zh) | 2021-11-10 | 2021-11-10 | 基于返排数据和机器学习的页岩气有效缝网体积预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114021466A CN114021466A (zh) | 2022-02-08 |
CN114021466B true CN114021466B (zh) | 2022-08-23 |
Family
ID=80063278
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111326457.8A Active CN114021466B (zh) | 2021-11-10 | 2021-11-10 | 基于返排数据和机器学习的页岩气有效缝网体积预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114021466B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114881230B (zh) * | 2022-07-11 | 2022-11-04 | 成都创源油气技术开发有限公司 | 一种压裂液返排智能控制系统与装备 |
CN115345378B (zh) * | 2022-08-29 | 2023-04-18 | 西南石油大学 | 一种基于机器学习的页岩气井产量评价方法 |
CN115271261A (zh) * | 2022-09-26 | 2022-11-01 | 中国石油天然气股份有限公司 | 页岩气井返排率预测模型建立、返排率预测方法和装置 |
CN116306330A (zh) * | 2022-11-23 | 2023-06-23 | 西南石油大学 | 一种深层断层附近页岩气压裂簇间距优化方法 |
CN115577645B (zh) * | 2022-12-08 | 2023-04-18 | 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 |
CN117077572B (zh) * | 2023-10-16 | 2024-01-26 | 西安石油大学 | 一种页岩油储层多簇裂缝扩展均匀程度的定量表征方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109472037A (zh) * | 2017-09-08 | 2019-03-15 | 中国石油化工股份有限公司 | 页岩气储层人工裂缝参数优选方法及系统 |
CN108009705B (zh) * | 2017-11-07 | 2021-05-14 | 中国石油大学(华东) | 一种基于支持向量机技术的页岩储层可压性评价方法 |
CN108959679A (zh) * | 2018-03-19 | 2018-12-07 | 中国石油天然气股份有限公司 | 一种页岩气井压裂效果的评价方法和评价装置 |
CN113090258B (zh) * | 2021-05-25 | 2023-06-16 | 中国石油天然气股份有限公司 | 基于测井数据的深层页岩气水平井压裂差异化设计方法 |
-
2021
- 2021-11-10 CN CN202111326457.8A patent/CN114021466B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114021466A (zh) | 2022-02-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114021466B (zh) | 基于返排数据和机器学习的页岩气有效缝网体积预测方法 | |
CN111441767B (zh) | 油藏生产动态预测方法及装置 | |
CN108573320B (zh) | 页岩气藏最终可采储量的计算方法和系统 | |
CN104750896B (zh) | 一种缝洞型碳酸盐岩油藏数值模拟方法 | |
CN106150477A (zh) | 一种确定单井控制储量的方法 | |
CN104899411B (zh) | 一种储层产能预测模型建立方法和系统 | |
CN111062129A (zh) | 页岩油复杂缝网离散裂缝连续介质混合数值模拟方法 | |
CN107038516A (zh) | 一种中渗复杂断块油藏水驱开发效果定量评价方法 | |
CN109063403B (zh) | 一种滑溜水压裂优化设计方法 | |
CN108222909B (zh) | 一种页岩气井重复压裂选井评价方法 | |
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 | |
CN108984877A (zh) | 一种致密储层复杂压裂裂缝形成条件的评估方法 | |
CN112983377A (zh) | 低渗透油藏直井重复压裂增产改造潜力评价及选井方法 | |
CN111622724A (zh) | 一种分层注水层段配注量计算和优化的方法 | |
CN116950654A (zh) | 一种低渗致密砂岩气藏开发效果评价方法 | |
CN113837482B (zh) | 一种断溶体油藏动态预测方法 | |
CN113610446B (zh) | 一种复杂分散断块油田群投产顺序的决策方法 | |
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 | |
CN112502677B (zh) | 一种基于多元线性回归的注水开发效果评价方法 | |
CN114066166A (zh) | 一种沙砾岩低渗透油藏co2混相驱筛选方法 | |
CN113090232B (zh) | 提高复杂断块高饱和砂岩油藏采收率的方法 | |
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 | |
CN108242025B (zh) | 基于信息熵-区间数的砂岩油藏注水开发效果评价方法 | |
CN111946323B (zh) | 进行增能吞吐试验的油井选择方法及装置 | |
CN115163022B (zh) | 一种用于优选油井增产改造区域的系统扩容方法 |
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 |