CN115271261A - 页岩气井返排率预测模型建立、返排率预测方法和装置 - Google Patents

Abstract

本发明公开了页岩气井返排率预测模型建立、返排率预测方法和装置。其中，页岩气井返排率预测模型建立方法包括，根据获取到的页岩气井数据建立样本集，样本集中的样本包含对应井的若干返排率敏感参数，且以多个返排率参数为标签数据；设置深度前馈神经网络的网络层数为9层，设置网络的网络参数和每层网络节点数；利用设置后的深度前馈神经网络学习样本集中样本的返排率敏感参数与标签数据间的关系及标签数据中各返排率参数间的关系，以得到用于预测多个返排率参数的返排率预测模型。该方法综合多返排率敏感因素，引入深度学习算法，从数据驱动的角度合理预测返排率，保证预测准确性和客观性；合理设置网络层数，实现了多返排率参数的同步预测。

Description

页岩气井返排率预测模型建立、返排率预测方法和装置

技术领域

本发明涉及石油与天然气技术领域，主要涉及非常规油气资源，特别涉及页岩气井返排率预测模型建立、返排率预测方法和装置。

背景技术

页岩气井的返排率是其获得经济效益最关键的参数之一。目前，页岩气井返排率预测方法主要包含以下几种：

解析模型法，主要是基于在某些假设条件下的简化渗流机理，通过建立页岩储层中气体渗流模型的方式预测页岩气井的返排率。该方法多应用于理论分析，实际生产应用较少。

数值模拟法，则是基于上述简化渗流机理，通过数值法进行生产数据的拟合，从而进行返排率的预测，但是需要的参数较多，应用条件比较苛刻。

经验法，主要是基于某些假设，不考虑复杂渗流机理，仅通过大量的生产数据去分析页岩气井的返排率，也是现在比较常用的方法，但是该方法需要获取页岩气井的连续生产数据，对于生产数据较少的井来说，不确定性较高。

综上所述，在页岩气井生产实践中，现有的返排率预测方法均有其特定的适用条件，返排率预测的不确定性较高。

发明内容

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的页岩气井返排率预测模型建立、返排率预测方法和装置，能够从数据驱动角度合理、客观的预测返排率。

第一方面，本发明实施例提供一种页岩气井返排率预测模型建立方法，包括：

根据获取到的页岩气井数据建立样本集，所述样本集中的样本包含对应井的若干返排率敏感参数，且以该井的多个返排率参数为标签数据；

设置深度前馈神经网络的网络层数为9层，按设定规则设置深度前馈神经网络的网络参数和每层网络的节点数；

利用设置后的深度前馈神经网络学习所述样本集中样本的返排率敏感参数与标签数据间的关系及标签数据中各返排率参数间的关系，以得到用于预测目标页岩气井多个返排率参数的返排率预测模型。

第二方面，本发明实施例提供一种页岩气井返排率预测方法，包括：

将待预测页岩气井的若干返排率敏感参数输入按上述方法建立的返排率预测模型中，根据模型的输出结果预测所述待预测页岩气井的多个返排率参数。

第三方面，本发明实施例提供一种页岩气井返排率预测模型建立装置，包括：

样本集建立模块，用于根据获取到的页岩气井数据建立样本集，所述样本集中的样本包含对应井的若干返排率敏感参数，且以该井的多个返排率参数为标签数据；

深度前馈神经网络设置模块，用于设置深度前馈神经网络的网络层数为9层，按设定规则设置深度前馈神经网络的网络参数和每层网络的节点数；

模型训练模块，用于利用设置后的深度前馈神经网络学习所述样本集中样本的返排率敏感参数与标签数据间的关系及标签数据中各返排率参数间的关系，以得到用于预测目标页岩气井多个返排率参数的返排率预测模型。

第四方面，本发明实施例提供一种具备返排率预测功能的计算机程序产品，包括计算机程序/指令，其中，该计算机程序/指令被处理器执行时实现上述页岩气井返排率预测模型建立方法，或实现上述页岩气井返排率预测方法。

第五方面，本发明实施例提供一种服务器，包括：存储器、处理器及存储于存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述页岩气井返排率预测模型建立方法，或实现上述页岩气井返排率预测方法。

本发明实施例提供的上述技术方案的有益效果至少包括：

（1）本发明实施例提供的页岩气井返排率预测模型建立方法，综合多返排率敏感因素，通过深度学习算法，基于深度前馈神经网络，从数据驱动的角度实现页岩气井返排率合理预测，在保证数据预测结果准确性的基础上，保证一定的客观性，在一定程度上克服现有方法的主观性和随机性。

（2）合理设置网络层数，实现了多返排率参数的同步预测；同时多返排率参数的相互影响和相互学习，提高了各多返排率参数预测的准确度。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1为本发明实施例一中页岩气井返排率预测模型建立方法的流程图；

图2为本发明实施例二中深度前馈神经网络的网络结构示意图；

图3为本发明实施例二中训练集、预测集30天返排率的标签与预测值交汇图；

图4为本发明实施例二中训练集、预测集90天返排率的标签与预测值交汇图；

图5为本发明实施例二中训练集、预测集180天返排率的标签与预测值交汇图；

图6为本发明实施例二中训练集、预测集360天返排率的标签与预测值交汇图；

图7为本发明实施例二中训练集、预测集产气峰值返排率的标签与预测值交汇图；

图8为本发明实施例中页岩气井返排率预测模型建立装置的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

应理解本发明中所述的术语仅仅是为描述特别的实施方式，并非用于限制本发明。除非另有说明，否则本文使用的所有技术和科学术语具有本发明所属领域的常规技术人员通常理解的相同含义。虽然本发明仅描述了优选的方法和材料，但是在本发明的实施或测试中也可以使用与本文所述相似或等同的任何方法和材料。本说明书中提到的所有文献通过引用并入，用以公开和描述与所述文献相关的方法和/或材料。在与任何并入的文献冲突时，以本说明书的内容为准。

为了解决现有技术中存在的页岩气井返排率预测方法适用条件有限且预测不确定性较高的问题，本发明实施例提供了页岩气井返排率预测模型建立、返排率预测方法和装置，从数据驱动的角度合理预测返排率，保证预测准确性和客观性，且实现了多返排率参数的同步预测。

实施例一

本发明实施例一提供一种页岩气井返排率预测模型建立方法，其流程如图1所示，包括如下步骤：

步骤S11：根据获取到的页岩气井数据建立样本集。

样本集中的样本包含对应井的若干返排率敏感参数，且以该井的多个返排率参数为标签数据。

返排率敏感参数，包含地质因素参数、工程因素参数和生产因素参数。

具体的，地质因素参数包含至少一项下述参数：

总有机碳含量、孔隙度、优质储层厚度、含气饱和度、压力系数和脆性矿物含量；

工程因素参数包含至少一项下述参数：

压裂段长、压裂段数、垂深、平均段间距、用液强度、加砂强度、平均排量、优质储层钻遇长度和目的层钻遇长度；

生产因素参数包含至少一项下述参数：

测试产量、首年日产和最终可采储量。

多个返排率参数，包括30天返排率、90天返排率、180天返排率和360天返排率中的至少一项，及产气峰值返排率。

在一些实施例中，还包括，对每一类参数进行归一化处理。

可按照下述公式对各样本井的同一设定参数（返排率敏感参数或返排率参数）进行归一化处理：

（1）

式（1）中，

为第i口样本井的该设定参数的归一化后值，i=1，2，……N，N为样本井的总井数；x_i为第i口样本井的该设定参数的原始值；μ(x)为该设定参数的期望值；σ(x)为该设定参数的标准差。

步骤S12：设置深度前馈神经网络的网络层数为9层，按设定规则设置深度前馈神经网络的网络参数和每层网络的节点数。

对于深度前馈神经网络，网络结构的设计需要考虑数据集大小，平衡模型学习能力、训练效率和训练难度。更深层的网络具有更强的学习能力，但过深的网络无助于显著提升效果。针对页岩气井返排率的预测，设计了多输出深度前馈神经网络。

进一步的，根据返排率敏感参数的种类数和返排率参数的种类数，设置深度前馈神经网络的每层网络的节点数。

具体的，设置深度前馈神经网络的网络层依次为：输入层、第一隐藏层、第二隐藏层、第三隐藏层、第四隐藏层、第五隐藏层、第六隐藏层、第七隐藏层和输出层；设置输入层的节点数为返排率敏感参数的种类数，第一隐藏层的节点数为70，第二隐藏层的节点数为60，第三隐藏层的节点数为52，第四隐藏层的节点数为42，第五隐藏层的节点数为31，第六隐藏层的节点数为20，第七隐藏层的节点数为11，输出层的节点数为返排率参数的种类数。

按设定规则设置深度前馈神经网络的网络参数，即超参数选择及设置，可以包括：

（1）激活函数

激活函数用以产生输入与输出间的非线性映射，在反向传播优化网络参数时会传播其导数，为了有效避免造成无效神经元，优选深度前馈神经网络的激活函数为Leaky-ReLU，如式

（2）

其中，α为偏移斜率，x为变量，Leaky-ReLU(x)为变量x对应的激活函数值；将偏移斜率的值设置为0.2。

（2）学习率调整函数

深度学习以损失函数作为目标优化调整模型参数，以获得使模型输出值与实际值更接近的一套参数。优化参数用于控制模型参数调整的过程，对模型的训练效率和学习效果有直接影响，学习率如果太小，训练收敛会非常慢；学习率过大，也会阻碍收敛，并导致损失函数在最小值附近波动，优选地，将深度前馈神经网络的学习率调整函数设置为RMSProp函数。

步骤S13：利用设置后的深度前馈神经网络学习样本集中样本的返排率敏感参数与标签数据间的关系及标签数据中各返排率参数间的关系，以得到用于预测目标页岩气井多个返排率参数的返排率预测模型。

利用样本集对设置后的深度前馈神经网络进行迭代训练，训练至网络收敛。

本发明实施例一提供的页岩气井返排率预测模型建立方法，综合多返排率敏感因素，通过深度学习算法，基于深度前馈神经网络，从数据驱动的角度实现页岩气井返排率合理预测，在保证数据预测结果准确性的基础上，保证一定的客观性，在一定程度上克服现有方法的主观性和随机性。

合理设置网络层数，实现了多返排率参数的同步预测；同时多返排率参数的相互影响和相互学习，提高了各多返排率参数预测的准确度。

实施例二

本发明实施例二提供一种页岩气井返排率预测模型建立方法的应用实例，以中国某盆地某页岩气田为例，收集该区域内不同页岩气井地质因素（TOC、孔隙度、优质储层厚度、含气饱和度、压力系数、脆性矿物含量）、工程因素（压裂段长、压裂段数、垂深、平均段间距、用液强度、加砂强度、平均排量、优质储层钻遇长度、目的层钻遇长度）、生产因素（测试产量、首年日产、最终可采储量EUR）18个返排率敏感参数的具体数据，共119组，部分具体数据情况如表1和表2所示。

对上述数据进行归一化处理，获取归一化后的数据情况，如表3和表4所示。

按照设定的比例（例如3:1），采取随机抽样的方法进行训练集样本和预测集样本的划分，本实施例二中的训练集和预测集的数据比例为88:30。

网络结构为9层（包含输入层、隐藏层和输出层），其中输入层1层（网络节点为18），隐藏层7层（网络节点依次为70，60，52，42，31，20，11），输出层1层（网络节点为5），参见图2所示，图2中填充了竖线的节点为偏置节点。

优选激活函数为Leaky-ReLU，α=0.2，优选自适应学习率调整函数RMSprop。

采用上述网络结构和超参数，基于训练集数据，进行神经网络的训练，优选地，迭代训练10000次后网络收敛。

采用预测集样本数据对网络进行测试，通过平均相对误差和均方根误差，评价网络训练结果，参见表5和图3-图7所示，图3-图7中，圆圈为训练集数据点，具体为训练集中每个样本标签数据中的相应返排率参数和预测的相应返排率参数在坐标系中的投影点；三角为预测集数据点，具体为预测集中每个样本标签数据中的相应返排率参数和预测的相应返排率参数在坐标系中的投影点；虚线表示y=x线。

表1 原始样本数据表-1

表2 原始样本数据表-2

表3 归一化处理后的样本数据表-1

表4 归一化处理后的样本数据表-2

表5 训练集和预测集样本数据相对误差和均方根误差统计表

基于本发明的发明构思，本发明实施例还提供一种页岩气井返排率预测方法，包括：

将待预测页岩气井的若干返排率敏感参数输入按上述方法建立的返排率预测模型中，根据模型的输出结果预测所述待预测页岩气井的多个返排率参数。

基于本发明的发明构思，本发明实施例还提供一种页岩气井返排率预测模型建立装置，该装置的结构如图8所示，包括：

样本集建立模块81，用于根据获取到的页岩气井数据建立样本集，所述样本集中的样本包含对应井的若干返排率敏感参数，且以该井的多个返排率参数为标签数据；

深度前馈神经网络设置模块82，用于设置深度前馈神经网络的网络层数为9层，按设定规则设置深度前馈神经网络的网络参数和每层网络的节点数；

模型训练模块83，用于利用设置后的深度前馈神经网络学习所述样本集中样本的返排率敏感参数与标签数据间的关系及标签数据中各返排率参数间的关系，以得到用于预测目标页岩气井多个返排率参数的返排率预测模型。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

基于本发明的发明构思，本发明实施例还提供一种具备返排率预测功能的计算机程序产品，包括计算机程序/指令，其中，该计算机程序/指令被处理器执行时实现上述页岩气井返排率预测模型建立方法，或实现上述页岩气井返排率预测方法。

基于本发明的发明构思，本发明实施例还提供一种服务器，包括：存储器、处理器及存储于存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述页岩气井返排率预测模型建立方法，或实现上述页岩气井返排率预测方法。

除非另外具体陈述，术语比如处理、计算、运算、确定、显示等等可以指一个或更多个处理或者计算系统、或类似设备的动作和/或过程，所述动作和/或过程将表示为处理系统的寄存器或存储器内的物理(如电子)量的数据操作和转换成为类似地表示为处理系统的存储器、寄存器或者其他此类信息存储、发射或者显示设备内的物理量的其他数据。信息和信号可以使用多种不同的技术和方法中的任何一种来表示。例如，在贯穿上面的描述中提及的数据、指令、命令、信息、信号、比特、符号和码片可以用电压、电流、电磁波、磁场或粒子、光场或粒子或者其任意组合来表示。

应该明白，公开的过程中的步骤的特定顺序或层次是示例性方法的实例。基于设计偏好，应该理解，过程中的步骤的特定顺序或层次可以在不脱离本公开的保护范围的情况下得到重新安排。所附的方法权利要求以示例性的顺序给出了各种步骤的要素，并且不是要限于所述的特定顺序或层次。

在上述的详细描述中，各种特征一起组合在单个的实施方案中，以简化本公开。不应该将这种公开方法解释为反映了这样的意图，即，所要求保护的主题的实施方案需要清楚地在每个权利要求中所陈述的特征更多的特征。相反，如所附的权利要求书所反映的那样，本发明处于比所公开的单个实施方案的全部特征少的状态。因此，所附的权利要求书特此清楚地被并入详细描述中，其中每项权利要求独自作为本发明单独的优选实施方案。

本领域技术人员还应当理解，结合本文的实施例描述的各种说明性的逻辑框、模块、电路和算法步骤均可以实现成电子硬件、计算机软件或其组合。为了清楚地说明硬件和软件之间的可交换性，上面对各种说明性的部件、框、模块、电路和步骤均围绕其功能进行了一般地描述。至于这种功能是实现成硬件还是实现成软件，取决于特定的应用和对整个系统所施加的设计约束条件。熟练的技术人员可以针对每个特定应用，以变通的方式实现所描述的功能，但是，这种实现决策不应解释为背离本公开的保护范围。

结合本文的实施例所描述的方法或者算法的步骤可直接体现为硬件、由处理器执行的软件模块或其组合。软件模块可以位于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、移动磁盘、CD-ROM或者本领域熟知的任何其它形式的存储介质中。一种示例性的存储介质连接至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于ASIC中。该ASIC可以位于用户终端中。当然，处理器和存储介质也可以作为分立组件存在于用户终端中。

对于软件实现，本申请中描述的技术可用执行本申请所述功能的模块(例如，过程、函数等)来实现。这些软件代码可以存储在存储器单元并由处理器执行。存储器单元可以实现在处理器内，也可以实现在处理器外，在后一种情况下，它经由各种手段以通信方式耦合到处理器，这些都是本领域中所公知的。

上文的描述包括一个或多个实施例的举例。当然，为了描述上述实施例而描述部件或方法的所有可能的结合是不可能的，但是本领域普通技术人员应该认识到，各个实施例可以做进一步的组合和排列。因此，本文中描述的实施例旨在涵盖落入所附权利要求书的保护范围内的所有这样的改变、修改和变型。此外，就说明书或权利要求书中使用的术语“包含”，该词的涵盖方式类似于术语“包括”，就如同“包括，”在权利要求中用作衔接词所解释的那样。此外，使用在权利要求书的说明书中的任何一个术语“或者”是要表示“非排它性的或者”。

Claims (10)

1.一种页岩气井返排率预测模型建立方法，其特征在于，包括：

根据获取到的页岩气井数据建立样本集，所述样本集中的样本包含对应井的若干返排率敏感参数，且以该井的多个返排率参数为标签数据；

设置深度前馈神经网络的网络层数为9层，按设定规则设置深度前馈神经网络的网络参数和每层网络的节点数；

利用设置后的深度前馈神经网络学习所述样本集中样本的返排率敏感参数与标签数据间的关系及标签数据中各返排率参数间的关系，以得到用于预测目标页岩气井多个返排率参数的返排率预测模型。

2.如权利要求1所述的方法，其特征在于，按设定规则设置深度前馈神经网络的网络参数，具体包括：

将深度前馈神经网络的激活函数设置为Leaky-ReLU函数；

将深度前馈神经网络的学习率调整函数设置为RMSProp函数。

3.如权利要求2所述的方法，其特征在于，所述将深度前馈神经网络的激活函数设置为Leaky-ReLU函数，具体包括：

将深度前馈神经网络的激活函数设置为下述函数：

其中，α为偏移斜率，x为变量，Leaky-ReLU（x）为变量x对应的激活函数值；

将所述偏移斜率的值设置为0.2。

4.如权利要求1所述的方法，其特征在于，按设定规则设置深度前馈神经网络的每层网络的节点数，具体包括：

根据返排率敏感参数的种类数和返排率参数的种类数，设置深度前馈神经网络的每层网络的节点数。

5.如权利要求4所述的方法，其特征在于，所述设置深度前馈神经网络的每层网络的节点数，具体包括：

设置深度前馈神经网络的网络层依次为：输入层、第一隐藏层、第二隐藏层、第三隐藏层、第四隐藏层、第五隐藏层、第六隐藏层、第七隐藏层和输出层；

设置所述输入层的节点数为返排率敏感参数的种类数，所述第一隐藏层的节点数为70，所述第二隐藏层的节点数为60，所述第三隐藏层的节点数为52，所述第四隐藏层的节点数为42，所述第五隐藏层的节点数为31，所述第六隐藏层的节点数为20，所述第七隐藏层的节点数为11，所述输出层的节点数为返排率参数的种类数。

6.如权利要求1所述的方法，其特征在于，所述返排率敏感参数，包含地质因素参数、工程因素参数和生产因素参数。

7.如权利要求6所述的方法，其特征在于，所述地质因素参数包含至少一项下述参数：

总有机碳含量、孔隙度、优质储层厚度、含气饱和度、压力系数和脆性矿物含量；

所述工程因素参数包含至少一项下述参数：

压裂段长、压裂段数、垂深、平均段间距、用液强度、加砂强度、平均排量、优质储层钻遇长度和目的层钻遇长度；

所述生产因素参数包含至少一项下述参数：

测试产量、首年日产和最终可采储量。

8.如权利要求1所述的方法，其特征在于，所述多个返排率参数，包括30天返排率、90天返排率、180天返排率和360天返排率中的至少一项，及产气峰值返排率。

9.一种页岩气井返排率预测方法，其特征在于，包括：

将待预测页岩气井的若干返排率敏感参数输入按权利要求1～8中任一项所述的方法建立的返排率预测模型中，根据模型的输出结果预测所述待预测页岩气井的多个返排率参数。

10.一种页岩气井返排率预测模型建立装置，其特征在于，包括：

样本集建立模块，用于根据获取到的页岩气井数据建立样本集，所述样本集中的样本包含对应井的若干返排率敏感参数，且以该井的多个返排率参数为标签数据；

深度前馈神经网络设置模块，用于设置深度前馈神经网络的网络层数为9层，按设定规则设置深度前馈神经网络的网络参数和每层网络的节点数；

模型训练模块，用于利用设置后的深度前馈神经网络学习所述样本集中样本的返排率敏感参数与标签数据间的关系及标签数据中各返排率参数间的关系，以得到用于预测目标页岩气井多个返排率参数的返排率预测模型。

Images