CN115345378B - 一种基于机器学习的页岩气井产量评价方法 - Google Patents
一种基于机器学习的页岩气井产量评价方法 Download PDFInfo
- Publication number
- CN115345378B CN115345378B CN202211041911.XA CN202211041911A CN115345378B CN 115345378 B CN115345378 B CN 115345378B CN 202211041911 A CN202211041911 A CN 202211041911A CN 115345378 B CN115345378 B CN 115345378B
- Authority
- CN
- China
- Prior art keywords
- well
- yield
- shale gas
- production
- curve
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 41
- 238000010801 machine learning Methods 0.000 title claims abstract description 18
- 238000004519 manufacturing process Methods 0.000 claims abstract description 220
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000011161 development Methods 0.000 claims abstract description 7
- 238000005259 measurement Methods 0.000 claims abstract description 7
- 230000001105 regulatory effect Effects 0.000 claims abstract description 6
- 238000007637 random forest analysis Methods 0.000 claims abstract description 5
- 239000007789 gas Substances 0.000 claims description 291
- 230000001186 cumulative effect Effects 0.000 claims description 56
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 52
- 239000003345 natural gas Substances 0.000 claims description 26
- 230000005526 G1 to G0 transition Effects 0.000 claims description 25
- 238000011084 recovery Methods 0.000 claims description 21
- 238000004458 analytical method Methods 0.000 claims description 13
- 230000007423 decrease Effects 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000013079 data visualisation Methods 0.000 claims description 11
- 238000005553 drilling Methods 0.000 claims description 10
- 239000012530 fluid Substances 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 9
- 239000005416 organic matter Substances 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 7
- 238000012986 modification Methods 0.000 claims description 6
- 230000004048 modification Effects 0.000 claims description 6
- 230000035699 permeability Effects 0.000 claims description 5
- 239000003795 chemical substances by application Substances 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 239000011435 rock Substances 0.000 claims description 3
- 239000004576 sand Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 11
- 238000000513 principal component analysis Methods 0.000 description 11
- 230000002159 abnormal effect Effects 0.000 description 10
- 238000002790 cross-validation Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 5
- 238000004138 cluster model Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000010219 correlation analysis Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 238000012352 Spearman correlation analysis Methods 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012847 principal component analysis method Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005380 natural gas recovery Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000031068 symbiosis, encompassing mutualism through parasitism Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Mining & Mineral Resources (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marine Sciences & Fisheries (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于机器学习的页岩气井产量评价方法,包括以下步骤:S1:建立贯穿整个页岩气井开发周期且考虑井间干扰的页岩气井产量主控因素体系,根据所述主控因素体系收集并处理相应基础数据,以获得建模数据体;S2:建立页岩气井产量规整流程,收集或预测各页岩气井6年累计产气量,以所述6年累计产量作为页岩气井产量等级评价及预测模型的分级衡量指标以及页岩气井产量回归预测模型的标签;S3:建立页岩气井产量等级评价及预测模型,对页岩气井产量等级进行评价及预测;S4:基于随机森林方法建立页岩气井产量回归预测模型,对页岩气井产量进行回归预测。本发明能够准确的对页岩气新井和老井进行产量预测,为页岩气开采提供技术支持。
Description
技术领域
本发明涉及油气开采技术领域,特别涉及一种基于机器学习的页岩气井产量评价方法。
背景技术
页岩气储层的孔隙度和渗透率极低(达到纳米达西),因此需要对初始页岩气层进行增产,提高页岩储层的渗透率,以便进行商业化开采。在众多增产技术中,水平井水力压裂技术被认为是实现上述目标的有效手段。在大多数页岩气藏中,页岩气产量急剧下降,导致天然气采收率低。因此,页岩气产量的评估和预测成为一个关键问题。然而,由于复杂的裂缝网络、裂缝动态变化、井场中的多井井间干扰,压裂后裂缝中复杂的多相流(气、水和压裂液)流动,以及数据质量和不确定性,导致页岩气井的产量很难预测。因此,如何高效、准确地评价和预测页岩气井的产量,对提高页岩气资源的生产性能具有重要意义。
目前,现场预测页岩气井产量最常用的方法是以经验递减模型为主的分析方法,以及使用数值模拟技术预测页岩气井产量。然而上述方法存在推广性低、在实际工作中使用混乱、计算时间长、难度大、不确定性高、满足不了现场需要根据产量预测结果进一步设计开发或提采方案的迫切性的缺点。
发明内容
针对上述问题,本发明旨在提供一种基于机器学习的页岩气井产量评价方法。
本发明的技术方案如下:
一种基于机器学习的页岩气井产量评价方法,包括以下步骤:
S1:建立贯穿整个页岩气井开发周期并且考虑井间干扰的页岩气井产量主控因素体系,根据所述页岩气井产量主控因素体系收集相应基础数据,并对所述基础数据进行预处理,获得建模数据体;
S2:建立页岩气井产量规整流程,用以收集或预测页岩气藏中各页岩气井的6年累计产气量,以所述6年累计产量作为页岩气井产量等级评价及预测模型的分级衡量指标以及页岩气井产量回归预测模型的标签;
S3:建立页岩气井产量等级评价及预测模型,对页岩气井产量等级进行评价及预测;
S4:基于随机森林方法建立页岩气井产量回归预测模型,对页岩气井产量进行回归预测。
作为优选,步骤S1中,所述页岩气井产量主控因素体系包括地质因素、钻井因素、压裂因素和考虑了井间干扰的生产因素。
作为优选,所述地质因素包括有机质总量、有机质成熟度、总含气量、泊松比、最小水平主应力、岩石脆性指数、孔隙度、渗透率、储层厚度、裂缝充填程度、裂缝与最大水平主应力夹角、储层构造曲率、岩心裂缝与地震结果之间的相关性、压力梯度和储层深度;
当所述页岩气井采用水平井开采时,所述钻井因素包括水平井筒长度、小层钻遇率、小层钻孔长度;
所述压裂因素包括射孔簇数、裂缝半长、裂缝间距、储层改造体积、有效储层改造体积、压裂液体积、注入砂体积、压裂液返排率、压裂液滤失量和支撑剂性质;
所述考虑了井间干扰的生产因素包括页岩气井测试产量、关井时间、首年日产气量、产气总干扰度、井干扰总恢复程度、总干扰时间;
所述产气总干扰度通过下式进行计算:
式中:InterfFrachits为由井间干扰引起的天然气生产的总干扰程度,即所述产气总干扰度;n为井间干扰的次数;QFrachits-i为第i次井间干扰所影响的天然气总产量,104m3;InterfFrachits-i为第i次井间干扰引起的天然气生产的干扰程度;qBefore-Frachits为井间干扰发生前天然气日产量,104m3/d;qFrachits-occurs为井间干扰发生后天然气日产量,104m3/d;
所述井干扰总恢复程度通过下式进行计算:
式中:RFrachits为井间干扰发生后单井的天然气产量总恢复程度,即所述井干扰总恢复程度;RFrachits-i为第i次井间干扰发生后单井的天然气产量恢复程度;qFrachits-recovery为井间干扰恢复后单井天然气日产量,104m3/d;
所述总干扰时间通过下式进行计算:
式中:tall为井间干扰影响单井生产的总干扰时间,d;ti为第i次井间干扰影响生产的干扰时间,d。
作为优选,步骤S2中,所建立的产量规整流程为:判断页岩气井生产时间是否大于6年,若页岩气井生产时间大于6年则直接收集其6年累计产气量,若页岩气井生产时间小于6年则称此类页岩气井为拟合井,使用玻尔兹曼曲线预测拟合井的6年累计产气量。
作为优选,对于生产时间大于等于5年但小于6年的拟合井,使用玻尔兹曼曲线对此类井原始累计产量的整体曲线进行拟合,根据拟合得到的曲线趋势预测所述6年累计产气量。
作为优选,对于生产时间小于5年的拟合井,判断拟合井受井间干扰程度的影响程度:
若拟合井未受井间干扰或受井间干扰单次影响时间小于2个月,则使用该井原始累计产量的整体曲线进行拟合;
若判断拟合井受井间干扰单次影响时间大于等于2个月,则使用该井原始累计产量的部分曲线进行拟合。
作为优选,当使用拟合井原始累计产量的整体曲线进行拟合预测所述6年累计产气量时:
首先,计算拟合井产气量进入平稳期的时间;
其次,设置拟合井产气量进入平稳期时累计产量的迭代初始值,将所述迭代初始值与拟合井的原始累计产量数据进行组合,使用玻尔兹曼曲线对组合后的数据进行拟合,获得拟合曲线;
然后,通过页岩气产量下降程度计算拟合井产气量进入平稳期时累计产量曲线的理论斜率;
最后,计算拟合曲线在拟合井产气量进入平稳期时对应的斜率,若所述斜率与所述理论斜率的相对误差绝对值超过阈值一,则对所述迭代初始值进行修正;修正的具体方法为:
若所述斜率大于所述理论斜率,则减小所述迭代初始值;若所述斜率小于所述理论斜率,则增大所述迭代初始值;
以修正后的迭代初始值重复上述三个步骤,直至所述斜率与所述理论斜率的相对误差绝对值小于等于所述阈值一,此时对应的曲线即为拟合井6年累计产量曲线,根据该曲线即可获得拟合井6年累计产量。
作为优选,将页岩气产量下降程度达到95%时的时间定义为页岩气井产气量进入平稳期时间,所述页岩气产量下降程度通过下式进行计算:
式中:w为页岩气产量下降程度;kj为原始累计产量曲线中第j天至第j+α天的曲线斜率;qfirstyear为页岩气井首年日产量,104m3/d;Qtj为原始累计产量曲线中第j天对应的累产量,104m3;Qtj+α为原始累计产量曲线中第j+α天对应的累产量,104m3;α为间隔的天数,d。
根据页岩气井产气量进入平稳期时间的定义,结合公式(6)-(7)即可计算生产时间大于6年且未受或井间干扰或受井间干扰单次影响时间小于2个月的页岩气井产气量进入平稳期的时间;
通过拟合该类页岩气井首年日产量及其产气量进入平稳期时间,即可获得其首年累产量与其产气量进入平稳期时间的函数关系:
tG=f(qfirstyear) (8)
式中:tG为页岩气井产气量进入平稳期时间,d;
通过公式(8)所示的函数关系即可确定生产时间小于5年的未受井间干扰或受井间干扰单次影响时间小于2个月的拟合井产气量进入平稳期时间;
当公式(7)中tj为拟合井产气量进入平稳期的时间时,该公式即可计算拟合曲线在拟合井产气量进入平稳期时对应的斜率。
作为优选,当使用拟合井原始累计产量的部分曲线进行拟合预测所述6年累计产气量时,所述拟合井原始累计产量的部分曲线是指该井原始累计产量最后一次关井后,重新开井对应的曲线;用拟合井原始累计产量的部分曲线进行拟合预测所述6年累计产气量具体包括以下子步骤:
首先,计算拟合井重新开井后一年内的累产量,使用公式(8)计算拟合井重新开井后产气量进入平稳期的时间,并通过页岩气产量下降程度计算拟合井产气量进入平稳期时累计产量曲线所对应的斜率一;
然后,设置拟合井产气量进入平稳期时累计产量迭代初始值,将所述迭代初始值与拟合井的原始累计产量数据进行组合,使用玻尔兹曼曲线对组合后的数据进行拟合,获得拟合曲线;
最后,计算拟合曲线在拟合井产气量进入平稳期时对应的斜率二,若所述斜率二与所述斜率一的误差超过阈值二,则对所述迭代初始值进行修正;修正的具体方法为:
若所述斜率二大于所述斜率一,则减小所述迭代初始值;若所述斜率二小于所述斜率一,则增大所述迭代初始值;
以修正后的迭代初始值重复上述两个步骤,直至所述斜率二与所述斜率一的误差小于等于所述阈值二,此时对应的曲线即为拟合井6年累计产量曲线,根据该曲线即可获得拟合井6年累计产量。
作为优选,步骤S3中,建立页岩气井产量等级评价及预测模型具体包括以下子步骤:
S31:从所述建模数据体中选取具有代表性的两组数据体,一组为全指标数据体,另一组为仅使用现场数据分析得出的与页岩气产量相关指标数据体;
S32:对所述两组数据体进行数据可视化;
S33:从所述两组数据体中筛选所述页岩气井产量等级评价及预测模型的最优数据体;
S34:以所述最优数据体为基础,结合所述数据可视化的结果,采用聚类算法对所述最优数据体进行聚类分析;
S35:根据聚类分析结果,采用邻近算法建立所述页岩气井产量等级评价及预测模型。
本发明的有益效果是:
1、本发明克服了解析或半解析模型使用混乱,以及数值模拟建模复杂、计算难度大时间长、推广性差的缺点;通过建立贯穿整个页岩气井开发周期并且考虑井间干扰的页岩气井产量主控因素体系,能够克服机器学习模型由于考虑影响页岩气井产量因素种类片面而导致模型精度低的缺点;
2、为了平等地评估天然气产量,准确表征气井实际生产能力,本发明建立了产量规整流程,延长气井生产时间至同一水平,并将此时页岩气井的累计产气量作为页岩气井产量等级评价及预测模型的分级衡量指标以及页岩气井产量回归预测模型的标签,解决了无阻流量或平均产气量等参数难以表征气井实际生产能力的缺点,并且使用本发明提出的产量规整流程可以直接对生产时间超过一年的页岩气井的未来累计产气量直接进行预测;
3、使用页岩气井累计产气量作为页岩气井产量等级评价及预测模型的分级衡量指标,引入数据可视化方法,建立精度更高的页岩气井产量等级评价及预测模型,可对页岩气井产气量等级进行更准确的划分及预测,为后续页岩气井生产开发方案提供理论基础;
4、使用页岩气井累计产气量作为页岩气井产量回归预测模型的标签,对比不同数据集,建立了页岩气井产量回归模型,所建页岩气井产量回归模型可对生产时间小于一年的页岩气井的未来累计产量进行预测,弥补了产量规整流程不能直接对生产时间小于一年的页岩气井的未来累计产气量进行预测的缺点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明基于机器学习的页岩气井产量评价方法的流程示意图;
图2为一个具体实施例1#页岩气井的6年累计产量预测结果示意图;
图3为一个具体实施例2#页岩气井的6年累计产量预测结果示意图;
图4为一个具体实施例3#页岩气井校正的6年累计产量预测结果示意图;
图5为一个具体实施例全指标可视化示意图;
图6为一个具体实施例部分指标可视化示意图;
图7为一个具体实施例与页岩气产量相关指标可视化结果示意图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的技术特征可以相互结合。需要指出的是,除非另有指明,本申请使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。本发明公开使用的“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。
如图1所示,本发明提供一种基于机器学习的页岩气井产量评价方法,包括以下步骤:
S1:建立贯穿整个页岩气井开发周期并且考虑井间干扰的页岩气井产量主控因素体系,根据所述页岩气井产量主控因素体系收集相应基础数据,并对所述基础数据进行预处理,获得建模数据体。
页岩气井开发的整个周期包括地质勘探、钻井、压裂、生产,在一个具体的实施例中,所述页岩气井产量主控因素体系包括地质因素、钻井因素、压裂因素和考虑了井间干扰的生产因素。
所述地质因素包括有机质总量、有机质成熟度、总含气量、泊松比、最小水平主应力、岩石脆性指数、孔隙度、渗透率、储层厚度、裂缝充填程度、裂缝与最大水平主应力夹角、储层构造曲率、岩心裂缝与地震结果之间的相关性、压力梯度和储层深度;
当所述页岩气井采用水平井开采时,所述钻井因素包括水平井筒长度、小层钻遇率、小层钻孔长度;
所述压裂因素包括射孔簇数、裂缝半长、裂缝间距、储层改造体积、有效储层改造体积、压裂液体积、注入砂体积、压裂液返排率、压裂液滤失量和支撑剂性质;
所述考虑了井间干扰的生产因素包括页岩气井测试产量、关井时间、首年日产气量、产气总干扰度、井干扰总恢复程度、总干扰时间;
所述产气总干扰度通过下式进行计算:
式中:InterfFrachits为由井间干扰引起的天然气生产的总干扰程度,即所述产气总干扰度;n为井间干扰的次数;QFrachits-i为第i次井间干扰所影响的天然气总产量,104m3;InterfFrachits-i为第i次井间干扰引起的天然气生产的干扰程度;qBefore-Frachits为井间干扰发生前天然气日产量,104m3/d;qFrachits-occurs为井间干扰发生后天然气日产量,104m3/d;
所述井干扰总恢复程度通过下式进行计算:
式中:RFrachits为井间干扰发生后单井的天然气产量总恢复程度,即所述井干扰总恢复程度;RFrachits-i为第i次井间干扰发生后单井的天然气产量恢复程度;qFrachits-recovery为井间干扰恢复后单井天然气日产量,104m3/d;
所述总干扰时间通过下式进行计算:
式中:tall为井间干扰影响单井生产的总干扰时间,d;ti为第i次井间干扰影响生产的干扰时间,d。
在一个具体的实施例中,对所述基础数据进行预处理包括缺失值插补、标准化处理、相关性分析、异常值处理中的任意一种或多种。
在一个具体的实施例中,对所述基础数据进行预处理具体包括以下子步骤:
首先,使用多重插补法对原始数据体进行缺失值插补;其次,根据插补过后的数据体进行斯皮尔曼相关性分析,为之后异常值分析做准备;再次,对插补过后的数据体进行异常值分析;对于独立性较强的因素(无其他因素与之相关)采用箱型法筛选异常值,对于与其他因素相关性较高的因素采用马氏距离法来筛选异常值;最后,避免使用因素间数量级不同,在异常值分析后还需进行数据标准化处理,保证使用的数据在模型中的“发言权”相同使用。
S2:建立页岩气井产量规整流程,用以收集或预测页岩气藏中各页岩气井的6年累计产气量,以所述6年累计产量作为页岩气井产量等级评价及预测模型的分级衡量指标以及页岩气井产量回归预测模型的标签。
建立的页岩气井产量规整流程为:判断页岩气井生产时间是否大于6年,若页岩气井生产时间大于6年则直接收集其6年累计产气量,若页岩气井生产时间小于6年则称此类页岩气井为拟合井,使用玻尔兹曼曲线预测拟合井的6年累计产气量。
其中,使用玻尔兹曼曲线预测拟合井的6年累计产气量具体方法为:首先判断拟合井生产时间是否大于等于5年但小于6年,若是,则使用玻尔兹曼曲线对此类井原始累计产量的整体曲线进行拟合,根据拟合得到的曲线趋势预测所述6年累计产气量。
如图2所示,1#井共生产2162天,生产时间大于5年但小于6年,在生产阶段曾被井间干扰影响过,但受井间干扰影响时间都较短(一般不超过5个月)。由于页岩气井生产时间较长,井间干扰对其累计产量曲线趋势影响不大。因此,直接使用玻尔兹曼曲线对1#井原始累计产量的整体曲线进行拟合,并通过该曲线求得1#井6年累计产气量为1810.9×104m3。
若拟合井生产时间小于5年,则继续判断此类拟合井受井间干扰程度的影响程度,若其未受井间干扰或受井间干扰影响小(井间干扰单次影响时间小于2个月),则使用该井原始累计产量的整体曲线进行拟合,否则使用该井原始累计产量的部分曲线进行拟合。
对于生产时间小于5年且未受井间干扰或受井间干扰影响小的拟合井,使用其原始累计产量的整体曲线进行拟合预测所述6年累计产气量时的步骤为:
首先,计算拟合井产气量进入平稳期的时间;
其次,设置拟合井产气量进入平稳期时累计产量的迭代初始值(大于拟合井目前累计产量即可),将所述迭代初始值与拟合井的原始累计产量数据进行组合,使用玻尔兹曼曲线对组合后的数据进行拟合,获得拟合曲线;
然后,通过页岩气产量下降程度计算拟合井产气量进入平稳期时累计产量曲线的理论斜率;
最后,计算拟合曲线在拟合井产气量进入平稳期时对应的斜率,若所述斜率与所述理论斜率的相对误差绝对值超过阈值一,则对所述迭代初始值进行修正;修正的具体方法为:
若所述斜率大于所述理论斜率,则减小所述迭代初始值(迭代点下移);若所述斜率小于所述理论斜率,则增大所述迭代初始值(迭代点上移);
以修正后的迭代初始值重复上述三个步骤,直至所述斜率与所述理论斜率的相对误差绝对值小于等于所述阈值一,此时对应的曲线即为拟合井6年累计产量曲线,根据该曲线即可获得拟合井6年累计产量。
在一个具体的实施例中,所述阈值一为2%。需要说明的是,阈值一值越小,获得的结果越精确,使用本发明时,可根据精度需求设置不同的阈值。
在一个具体的实施例中,将页岩气产量下降程度达到95%时的时间定义为页岩气井产气量进入平稳期时间,所述页岩气产量下降程度通过下式进行计算:
式中:w为页岩气产量下降程度;kj为原始累计产量曲线中第j天至第j+α天的曲线斜率;qfirstyear为页岩气井首年日产量,104m3/d;Qtj为原始累计产量曲线中第j天对应的累产量,104m3;Qtj+α为原始累计产量曲线中第j+α天对应的累产量,104m3;α为间隔的天数,d;
根据页岩气井产气量进入平稳期时间的定义,结合公式(6)-(7)即可计算生产时间大于6年且未受或井间干扰或受井间干扰单次影响时间小于2个月的页岩气井产气量进入平稳期的时间;
通过拟合该类页岩气井首年日产量及其产气量进入平稳期时间,即可获得其首年累产量与其产气量进入平稳期时间的函数关系:
tG=f(qfirstyear) (8)
式中:tG为页岩气井产气量进入平稳期时间,d;
通过公式(8)所示的函数关系即可确定生产时间小于5年的未受井间干扰或受井间干扰单次影响时间小于2个月的拟合井产气量进入平稳期时间;
当公式(7)中tj为拟合井产气量进入平稳期的时间时,该公式即可计算拟合曲线在拟合井产气量进入平稳期时对应的斜率。
在一个具体的实施例中,2#井仅产气636天,生产时间小于5年且受井间干扰影响小。则使用其原始累计产量的整体曲线对其6年累计产气量进行拟合预测,具体的流程为:按照公式(6)、公式(7)计算生产时间大于6年且未受或受井间干扰影响小(井间干扰单次影响时间小于2个月)的页岩气井产气量进入平稳期的时间,通过拟合此类页岩气井首年日产量及其产气量进入平稳期时间,获得其首年累产量与其产气量进入平稳期时间的函数关系:
tG=1274.1ln(qfirstyears)-1237.4 (9)
如图3所示,2#井首年日产量为9.5×104m3/d,将其带入到公式(9),求得2#井产气量进入平稳期时间为1630天。设迭代初始值为9120×104m3,将其与2#井原始累计产量数据组合后,使用玻尔兹曼曲线对组合后的数据进行拟合。取α为10天,根据公式(6)、公式(7)计算2#井进入平稳期时累计产量曲线对应的理论斜率(kj)应为0.475,使用迭代初始值与2#井原始累计产量数据组合后所拟合的曲线在2#井的产量进入平稳期时对应斜率为2.15,大于2#井进入平稳期时累计产量曲线对应的理论斜率,两者的相对误差绝对值为352%。因此,应将迭代点下移,经过不断迭代,相对误差绝对值逐渐减小,直至将迭代点移至7440×104m3后,计算拟合曲线在2#产量进入平稳期时的斜率为0.467,与2#井进入平稳期时累计产量曲线对应的理论斜率的误差为1.68%,误差第一次小于2%。因此,使用最后一次迭代点(7440×104m3)与2#井原始累计产量数据组合后所拟合的曲线作为2#井6年累计产量曲线,并通过该曲线求得2#井6年累计产气量为7500.41×104m3。
对于生产时间小于5年且受井间干扰影响大的拟合井,则使用拟合井原始累计产量的部分曲线进行拟合预测所述6年累计产气量。所述拟合井原始累计产量的部分曲线是指该井原始累计产量最后一次关井后,重新开井对应的曲线。
使用拟合井原始累计产量的部分曲线对拟合井所述6年累计产气量进行拟合预测时,具体包括以下子步骤
首先,计算拟合井重新开井后一年内的累产量,使用公式(9)计算拟合井重新开井后产气量进入平稳期的时间,并通过页岩气产量下降程度计算拟合井产气量进入平稳期时累计产量曲线所对应的斜率一;
然后,设置拟合井产气量进入平稳期时累计产量迭代初始值(大于拟合井目前累计产量即可),将所述迭代初始值与拟合井的原始累计产量数据进行组合,使用玻尔兹曼曲线对组合后的数据进行拟合,获得拟合曲线;
最后,计算拟合曲线在拟合井产气量进入平稳期时对应的斜率二,若所述斜率二与所述斜率一的误差超过阈值二,则对所述迭代初始值进行修正;修正的具体方法为:
若所述斜率二大于所述斜率一,则减小所述迭代初始值;若所述斜率二小于所述斜率一,则增大所述迭代初始值;
以修正后的迭代初始值重复上述两个步骤,直至所述斜率二与所述斜率一的误差小于等于所述阈值二,此时对应的曲线即为拟合井6年累计产量曲线,根据该曲线即可获得拟合井6年累计产量。
在一个具体的实施例中,所述斜率二与所述斜率一之间的误差同样采用相对误差,通过该相对误差的绝对值判断其是否小于所述阈值二。可选地,所述阈值二为2%。同样的,阈值二值越小,获得的结果越精确,使用本发明时,可根据精度需求设置不同的阈值。
如图4所示,3#井在生产242天时受到井间干扰,由于日产气量大幅下降,因此当生产到474天时3#井选择关井复压,直至第711天时3#井才开井生产。井间干扰影响程度高(井间干扰影响时间超过2个月),且3#井共生产863天,因此使用3#井原始累计产量的部分曲线(3#井重新开井后曲线)对其6年累计产量进行拟合预测。3#井关井完毕重新开井后首年日产气量为4.37×104m3/d,使用公式(9)计算3#井产气量进入平稳期时间为重新开井后的第642天,即3#井生产至第1353天后产气量进入平稳期。设迭代初始值为6560×104m3,将其与3#井重新开井后原始累计产量数据组合,使用玻尔兹曼曲线对组合后的数据进行拟合。取α为10天,根据公式(6)、公式(7)计算3#井产气量进入平稳期时累计产量曲线对应的理论斜率(kj)应为0.219(此时公式(6)中qfirst=4.37×104m3/d),使用迭代初始值与3#井原始累计产量数据组合后所拟合的曲线在3#井产气量进入平稳期时对应斜率为1.79,大于3#井产气量进入平稳期时累计产量曲线对应的理论斜率,两者的相对误差绝对值为717%。因此,应将迭代点下移,经过不断迭代,相对误差绝对值逐渐减小,直至将迭代点移至5495×104m3后,计算拟合曲线在3#产气量进入平稳期时的斜率为0.223,与3#井产气量进入平稳期时累计产量曲线对应的理论斜率的误差为1.83%,误差第一次小于2%。因此,使用最后一次迭代点(5495×104m3)与3#井重新开井后的原始累计产量数据所拟合的曲线作为3#井6年累计产量曲线,并通过该曲线求得3#井6年累计产气量为5598.7×104m3。
S3:建立页岩气井产量等级评价及预测模型,对页岩气井产量等级进行评价及预测。
在一个具体的实施例中,建立页岩气井产量等级评价及预测模型具体包括以下子步骤:
S31:从所述建模数据体中选取具有代表性的两组数据体,一组为全指标数据体,另一组为仅使用现场数据分析得出的与页岩气产量相关指标数据体;
S32:对所述两组数据体进行数据可视化;
在一个具体的实施例中,采用主成分分析法进行数据可视化;
S33:从所述两组数据体中筛选所述页岩气井产量等级评价及预测模型的最优数据体;
在一个具体的实施例中,根据所述主成分分析得到的结果,确定那种指标体系更好,更好的指标体系对应的数据体即为所述最优数据体。
S34:以所述最优数据体为基础,结合所述数据可视化的结果,采用聚类算法对所述最优数据体进行聚类分析;可选地,所述聚类算法采用Kmeans聚类算法。
S35:根据聚类分析结果,采用邻近算法建立所述页岩气井产量等级评价及预测模型。
在上述实施例中,本发明创新性地将全指标和与目标指标具有相关性的指标这两种指标体系转换为两组仅含有两个变量的指标体系进行建模。这样不仅可进行数据可视化,有利于理解数据,并且仅使用两个指标建立的聚类模型的最终等级分类结果(聚类中心)相较于使用更多指标建立的模型在不同等级的区别度较高。此外使用两个指标进行建模,可以用于筛选在两组不同指标体系中最终建模效果更好的数据集(选择数据分散程度低的数据集建模效果更好),并辅助聚类算法进行参数优化。最终建立的模型简单,便于使用。
S4:基于随机森林方法建立页岩气井产量回归预测模型,对页岩气井产量进行回归预测。
在一个具体的实施例中,步骤S4具体包括以下子步骤:使用步骤S1中预处理(缺失值插补、相关性分析、异常值分析、数据标准化)得到的数据集作为基础数据集,不做其他处理步骤,使用全因素直接建模并调参(不考虑相关性,不使用主成分分析)得到模型基础精度。将其他更复杂的数据处理步骤根据是否考虑相关性(仅使用与页岩气累产量相关因素建模),是否应用主成分分析分为三类:(1)考虑相关性,不使用主成分分析;(2)考虑相关性,使用主成分分析;(3)不考虑相关性,使用主成分分析。分别使用上述三种数据处理结果进行建模并调参,得出对应模型精度与模型基础精度对比,选择可使模型精度提高的模型作为使用的最终页岩气井产量回归预测模型。
需要说明的是,所述聚类分析、邻近算法以及随机森林均为现有技术,具体的步骤在此不再赘述。
在一个具体的实施例中,以某页岩气藏为例,采用本发明所述基于机器学习的页岩气井产量评价方法对其中的某井进行产量评价,具体包括以下步骤:
(1)收集现场数据,并对其进行预处理;
首先,根据本发明步骤S2计算各井页岩气6年累计产量;其次,根据所述页岩气井产量主控因素体系和现场数据确定目标区域页岩气井产量主控因素;然后进行数据处理,检查和提高数据质量;数据处理时发现关井时间和关井时间占总生产时间的比例只影响累计产量,与其他因素无关,因此,在使用马氏距离法对数据处理时,将关井时间和关井时间占总生产时间的比例从其他因素对应的相关因素中剔除;此外,有机质总量与孔隙度和脆性指数呈负相关,因此,将有机质总量从其他因素的相关因素中剔除。
然后,进一步应用马氏距离法检查各种因素的异常值,对多次出现异常值的页岩气井进行删除;删除异常值后再次进行Spearman相关性分析,以此提高数据质量。
(2)数据可视化处理;
首先对整体因素和与目标相关的因素进行主成分分析,分别确定能够表征这两种因素的影响因素。然后,利用页岩气井的累计产气量和得到的两个影响因素进行数据可视化,结果分别如图5和图6所示。从图5和图6可以看出,图6的数据离散度更小,表明聚类性能也更好,模型的准确度也更高。因此,选择与页岩气产量相关指标数据体作为页岩气井产量等级评价及预测模型的最优数据体。
(3)页岩气井产量等级评价;
使用Kmeans聚类算法对所述最优数据体和累计产气量进行聚类。以所述6年累计产气量作为分类评价标准,选取轮廓系数作为聚类的衡量指标。首先将簇数分成2~5个簇,然后进行筛选,对应簇的轮廓系数如表1所示:
表1对应簇的轮廓系数
簇数 | 2 | 3 | 4 | 5 |
轮廓系数 | 0.5373 | 0.4363 | 0.4148 | 0.3964 |
当簇数为5时,Kmeans聚类的轮廓系数分析结果表示低和中的簇中心差异很小。由此,将聚类的簇数分成两到四个簇。其中,两个簇聚类后对应的轮廓系数的平均值是最高的,因此,低产页岩气井优先选择两个集群,进一步预测精度也会更高。
(4)页岩气井产量预测;
采用KNN算法,根据步骤(3)的页岩气井产量等级评价结果建立生产水平预测模型,使用交叉验证方法验证模型泛化性(交叉验证方法常用于验证模型的泛化性,以有效避免因选择不同测试集而导致最终预测精度有偏差),并随机抽取测试集对模型精度进行测试。
分两簇模型(将产量分为2个等级)的交叉验证准确率为99.09%,随机抽取测试集(占所有数据的20%)验证模型的准确率达到100%。分三簇模型(将产量分为3个等级)的交叉验证准确率为97.23%,随机抽取测试集(占所有数据的20%)验证模型的准确率达96.42%。分四簇模型(将产量分为4个等级)的交叉验证准确率为96.27%,随机抽取测试集(占所有数据的20%)验证模型的准确率达96.43%。各个模型的验证精度都非常高,根据现场确定需要的生产水平(2-4)后,可输入新数据预测页岩气井的生产水平。
使用步骤1中数据预处理方法(缺失值插补、相关性分析、异常值分析、数据标准化)处理后的数据集作为基础数据集,使用此基础数据集直接进行建模及调参,得到模型基础精度。根据是否考虑相关性(仅使用与页岩气累产量相关因素建模),是否应用主成分分析,建立以下三类建模备用数据集:(1)考虑相关性,不使用主成分分析;(2)考虑相关性,使用主成分分析;(3)不考虑相关性,使用主成分分析。
分别使用上述三种建模备用数据集进行建模并调参。使用均方误差(MSE)和决定系数(R2)以及10折交叉验证衡量各个模型精度。MSE可以评估模型是否拟合了正确的值,R2显示模型是否拟合了足够的信息以捕获数据质量,其中MSE和R2的计算公式如下所示:
上述所建四个模型的模型精度皆为10折交叉验证结果,表2为使用上述三种建模备用数据集所建模型的模型精度与模型基础精度对比表:
表2使用不同数据集建模并调参后的结果
建模使用数据集 | 基础数据集 | 备用数据集(1) | 备用数据集(2) | 备用数据集(3) |
<![CDATA[R<sup>2</sup>]]> | 0.5510 | 0.4563 | 0.7108 | 0.4583 |
MSE | 0.0124 | 0.0150 | 0.0079 | 0.0126 |
从表2可以看出,利用累积产气量的相关因素建立了优化模型,并用主成分分析法对数据集进行处理后的数据集(备用数据集2)进行建模最终精度最高。这样,处理后的数据可以有效地减少由数据噪声和共线性引起的误差。需要指出的一点是,对于不同的数据集,数据处理方法可能不同,因此可使用上述三种数据处理方法来获得最佳方法,选择其中可使模型精度提高的模型作为使用的最终页岩气井产量回归预测模型。
随机选择50口井,使用最优回归模型预测累积天然气产量,预测结果如图7所示。从图7可以看出,本发明模型精度为82.59%,表明预测结果准确,可用于页岩气井累积产量预测。
综上所述,本发明能够准确地对页岩气井产量进行预测,对页岩气井生产水平预测准确率达96%以上,对页岩气井产量进行回归预测的准确率达80%以上;与现有技术相比,具有显著的进步。
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 (8)
1.一种基于机器学习的页岩气井产量评价方法,其特征在于,包括以下步骤:
S1:建立贯穿整个页岩气井开发周期并且考虑井间干扰的页岩气井产量主控因素体系,根据所述页岩气井产量主控因素体系收集相应基础数据,并对所述基础数据进行预处理,获得建模数据体;
所述页岩气井产量主控因素体系包括地质因素、钻井因素、压裂因素和考虑了井间干扰的生产因素;
所述地质因素包括有机质总量、有机质成熟度、总含气量、泊松比、最小水平主应力、岩石脆性指数、孔隙度、渗透率、储层厚度、裂缝充填程度、裂缝与最大水平主应力夹角、储层构造曲率、岩心裂缝与地震结果之间的相关性、压力梯度和储层深度;
当所述页岩气井采用水平井开采时,所述钻井因素包括水平井筒长度、小层钻遇率、小层钻孔长度;
所述压裂因素包括射孔簇数、裂缝半长、裂缝间距、储层改造体积、有效储层改造体积、压裂液体积、注入砂体积、压裂液返排率、压裂液滤失量和支撑剂性质;
所述考虑了井间干扰的生产因素包括页岩气井测试产量、关井时间、首年日产气量、产气总干扰度、井干扰总恢复程度、总干扰时间;
所述产气总干扰度通过下式进行计算:
式中:InterfFrachits为由井间干扰引起的天然气生产的总干扰程度,即所述产气总干扰度;n为井间干扰的次数;QFrachits-i为第i次井间干扰所影响的天然气总产量,104m3;InterfFrachits-i为第i次井间干扰引起的天然气生产的干扰程度;qBefore-Frachits为井间干扰发生前天然气日产量,104m3/d;qFrachits-occurs为井间干扰发生后天然气日产量,104m3/d;
所述井干扰总恢复程度通过下式进行计算:
式中:RFrachits为井间干扰发生后单井的天然气产量总恢复程度,即所述井干扰总恢复程度;RFrachits-i为第i次井间干扰发生后单井的天然气产量恢复程度;qFrachits-recovery为井间干扰恢复后单井天然气日产量,104m3/d;
所述总干扰时间通过下式进行计算:
式中:tall为井间干扰影响单井生产的总干扰时间,d;ti为第i次井间干扰影响生产的干扰时间,d;
S2:建立页岩气井产量规整流程,用以收集或预测页岩气藏中各页岩气井的6年累计产气量,以6年累计产量作为页岩气井产量等级评价及预测模型的分级衡量指标以及页岩气井产量回归预测模型的标签;
S3:建立页岩气井产量等级评价及预测模型,对页岩气井产量等级进行评价及预测;
S4:基于随机森林方法建立页岩气井产量回归预测模型,对页岩气井产量进行回归预测。
2.根据权利要求1所述的基于机器学习的页岩气井产量评价方法,其特征在于,步骤S2中,所建立的产量规整流程为:判断页岩气井生产时间是否大于6年,若页岩气井生产时间大于6年则直接收集其6年累计产气量,若页岩气井生产时间小于6年则称此类页岩气井为拟合井,使用玻尔兹曼曲线预测拟合井的6年累计产气量。
3.根据权利要求2所述的基于机器学习的页岩气井产量评价方法,其特征在于,对于生产时间大于等于5年但小于6年的拟合井,使用玻尔兹曼曲线对此类井原始累计产量的整体曲线进行拟合,根据拟合得到的曲线趋势预测所述6年累计产气量。
4.根据权利要求2所述的基于机器学习的页岩气井产量评价方法,其特征在于,对于生产时间小于5年的拟合井,判断拟合井受井间干扰程度的影响程度:
若拟合井未受井间干扰或受井间干扰单次影响时间小于2个月,则使用该井原始累计产量的整体曲线进行拟合;
若判断拟合井受井间干扰单次影响时间大于等于2个月,则使用该井原始累计产量的部分曲线进行拟合。
5.根据权利要求4所述的基于机器学习的页岩气井产量评价方法,其特征在于,当使用拟合井原始累计产量的整体曲线进行拟合预测所述6年累计产气量时:
首先,计算拟合井产气量进入平稳期的时间;
其次,设置拟合井产气量进入平稳期时累计产量的迭代初始值,将所述迭代初始值与拟合井的原始累计产量数据进行组合,使用玻尔兹曼曲线对组合后的数据进行拟合,获得拟合曲线;
然后,通过页岩气产量下降程度计算拟合井产气量进入平稳期时累计产量曲线的理论斜率;
最后,计算拟合曲线在拟合井产气量进入平稳期时对应的斜率,若所述斜率与所述理论斜率的相对误差绝对值超过阈值一,则对所述迭代初始值进行修正;修正的具体方法为:
若所述斜率大于所述理论斜率,则减小所述迭代初始值;若所述斜率小于所述理论斜率,则增大所述迭代初始值;
以修正后的迭代初始值重复上述三个步骤,直至所述斜率与所述理论斜率的相对误差绝对值小于等于所述阈值一,此时对应的曲线即为拟合井6年累计产量曲线,根据该曲线即可获得拟合井6年累计产量。
6.根据权利要求5所述的基于机器学习的页岩气井产量评价方法,其特征在于,将页岩气产量下降程度达到95%时的时间定义为页岩气井产气量进入平稳期时间,所述页岩气产量下降程度通过下式进行计算:
式中:w为页岩气产量下降程度;kj为原始累计产量曲线中第j天至第j+α天的曲线斜率;qfirstyear为页岩气井首年日产量,104m3/d;Qtj为原始累计产量曲线中第j天对应的累产量,104m3;Qtj+α为原始累计产量曲线中第j+α天对应的累产量,104m3;α为间隔的天数,d;
根据页岩气井产气量进入平稳期时间的定义,结合公式(6)-(7)即可计算生产时间大于6年且未受或井间干扰或受井间干扰单次影响时间小于2个月的页岩气井产气量进入平稳期的时间;
通过拟合该类页岩气井首年日产量及其产气量进入平稳期时间,即可获得其首年累产量与其产气量进入平稳期时间的函数关系:
tG=f(qfirstyear) (8)
式中:tG为页岩气井产气量进入平稳期时间,d;
通过公式(8)所示的函数关系即可确定生产时间小于5年的未受井间干扰或受井间干扰单次影响时间小于2个月的拟合井产气量进入平稳期时间;
当公式(7)中tj为拟合井产气量进入平稳期的时间时,该公式即可计算拟合曲线在拟合井产气量进入平稳期时对应的斜率。
7.根据权利要求6所述的基于机器学习的页岩气井产量评价方法,其特征在于,当使用拟合井原始累计产量的部分曲线进行拟合预测所述6年累计产气量时,所述拟合井原始累计产量的部分曲线是指该井原始累计产量最后一次关井后,重新开井对应的曲线;用拟合井原始累计产量的部分曲线进行拟合预测所述6年累计产气量具体包括以下子步骤:
首先,计算拟合井重新开井后一年内的累产量,使用公式(8)计算拟合井重新开井后产气量进入平稳期的时间,并通过页岩气产量下降程度计算拟合井产气量进入平稳期时累计产量曲线所对应的斜率一;
然后,设置拟合井产气量进入平稳期时累计产量迭代初始值,将所述迭代初始值与拟合井的原始累计产量数据进行组合,使用玻尔兹曼曲线对组合后的数据进行拟合,获得拟合曲线;
最后,计算拟合曲线在拟合井产气量进入平稳期时对应的斜率二,若所述斜率二与所述斜率一的误差超过阈值二,则对所述迭代初始值进行修正;修正的具体方法为:
若所述斜率二大于所述斜率一,则减小所述迭代初始值;若所述斜率二小于所述斜率一,则增大所述迭代初始值;
以修正后的迭代初始值重复上述两个步骤,直至所述斜率二与所述斜率一的误差小于等于所述阈值二,此时对应的曲线即为拟合井6年累计产量曲线,根据该曲线即可获得拟合井6年累计产量。
8.根据权利要求1-7中任意一项所述的基于机器学习的页岩气井产量评价方法,其特征在于,步骤S3中,建立页岩气井产量等级评价及预测模型具体包括以下子步骤:
S31:从所述建模数据体中选取具有代表性的两组数据体,一组为全指标数据体,另一组为仅使用现场数据分析得出的与页岩气产量相关指标数据体;
S32:对所述两组数据体进行数据可视化;
S33:从所述两组数据体中筛选所述页岩气井产量等级评价及预测模型的最优数据体;
S34:以所述最优数据体为基础,结合所述数据可视化的结果,采用聚类算法对所述最优数据体进行聚类分析;
S35:根据聚类分析结果,采用邻近算法建立所述页岩气井产量等级评价及预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211041911.XA CN115345378B (zh) | 2022-08-29 | 2022-08-29 | 一种基于机器学习的页岩气井产量评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211041911.XA CN115345378B (zh) | 2022-08-29 | 2022-08-29 | 一种基于机器学习的页岩气井产量评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115345378A CN115345378A (zh) | 2022-11-15 |
CN115345378B true CN115345378B (zh) | 2023-04-18 |
Family
ID=83954938
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211041911.XA Active CN115345378B (zh) | 2022-08-29 | 2022-08-29 | 一种基于机器学习的页岩气井产量评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115345378B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115985407A (zh) * | 2023-01-06 | 2023-04-18 | 西南石油大学 | 一种低阻页岩含气量预测融合模型方法 |
CN116109019A (zh) * | 2023-04-12 | 2023-05-12 | 成都英沃信科技有限公司 | 一种基于随机森林的气井日产气量预测方法及设备 |
CN116432975B (zh) * | 2023-04-23 | 2023-09-19 | 重庆万普隆能源股份有限公司北京分公司 | 页岩气多场站平台的开采管理方法、装置、设备及介质 |
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 |
CN117763466B (zh) * | 2024-02-22 | 2024-07-09 | 中石化经纬有限公司 | 一种基于聚类算法的地层可钻性评价方法及系统 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105631184B (zh) * | 2014-11-05 | 2018-05-08 | 中国石油化工股份有限公司 | 一种油气井产量递减分析方法和系统 |
KR101975436B1 (ko) * | 2018-10-25 | 2019-05-07 | 동아대학교 산학협력단 | 머신러닝 기법을 이용한 천이 유동 영역의 셰일가스정에 대한 생산성 예측 장치 및 방법 |
CN110992200B (zh) * | 2019-12-11 | 2022-09-27 | 长江大学 | 基于随机森林的页岩气井分段压裂效果评价和产量预测方法 |
CN113762614B (zh) * | 2021-09-01 | 2024-09-13 | 北京中地金石科技有限公司 | 一种基于静态油气田数据的页岩气井产能预测的方法 |
CN114021466B (zh) * | 2021-11-10 | 2022-08-23 | 西南石油大学 | 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 |
CN114358427B (zh) * | 2022-01-07 | 2024-05-07 | 西南石油大学 | 一种预测页岩气井最终可采储量的方法 |
-
2022
- 2022-08-29 CN CN202211041911.XA patent/CN115345378B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115345378A (zh) | 2022-11-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115345378B (zh) | 一种基于机器学习的页岩气井产量评价方法 | |
CN111441767B (zh) | 油藏生产动态预测方法及装置 | |
US10997518B2 (en) | Method for predicting oil and gas reservoir production | |
CN106351651B (zh) | 页岩气井产能的预测方法及装置 | |
CN105488583B (zh) | 预测致密油待评价区域可采储量的方法及装置 | |
CN102041995B (zh) | 复杂油藏水淹状况监测系统 | |
US8504341B2 (en) | Methods, systems, and computer readable media for fast updating of oil and gas field production models with physical and proxy simulators | |
CN112308269B (zh) | 用于低渗透油气藏的产能预测方法及装置 | |
CN105386751B (zh) | 一种基于油藏渗流模型的水平井测井产能预测方法 | |
US20070179766A1 (en) | Methods, systems, and computer-readable media for real-time oil and gas field production optimization using a proxy simulator | |
CN110287516B (zh) | 一种页岩气藏压裂水平井可压性综合评价方法 | |
CN113792936A (zh) | 一种随钻岩性智能识别方法、系统、设备和存储介质 | |
CN110632274A (zh) | 一种烃源岩排烃效率的确定方法及装置 | |
CN114066084B (zh) | 一种基于机器学习的相渗曲线预测方法及系统 | |
CN116127675A (zh) | 一种页岩油水平井体积压裂最大可采储量的预测方法 | |
WO2022011015A1 (en) | Optimization of discrete fracture network (dfn) using streamlines and machine learning | |
CN116305702A (zh) | 分析数据波动页岩气井产量经验递减曲线的方法及系统 | |
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 | |
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 | |
Galkin et al. | Prediction of reservoir pressure and study of its behavior in the development of oil fields based on the construction of multilevel multidimensional probabilistic-statistical models | |
CN114580261A (zh) | 可采储量预测模型建立方法、可采储量预测方法和装置 | |
CN114117654A (zh) | 一种基于机器学习的水平井射孔优化设计方法及装置 | |
CN117648573A (zh) | 基于元素录井数据和综合录井数据的地层可钻性预测方法 | |
CN116562428A (zh) | 一种基于机器学习的压裂施工参数优化方法 | |
CN111488666A (zh) | 一种气藏水平井产能预测模型建立、预测方法及装置 |
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 |