CN115539026A - 一种复杂储层水平井初期产量融合预测方法 - Google Patents
一种复杂储层水平井初期产量融合预测方法 Download PDFInfo
- Publication number
- CN115539026A CN115539026A CN202211183999.9A CN202211183999A CN115539026A CN 115539026 A CN115539026 A CN 115539026A CN 202211183999 A CN202211183999 A CN 202211183999A CN 115539026 A CN115539026 A CN 115539026A
- Authority
- CN
- China
- Prior art keywords
- horizontal well
- prediction
- model
- initial yield
- fusion
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 238000004519 manufacturing process Methods 0.000 claims abstract description 18
- 238000010801 machine learning Methods 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000005553 drilling Methods 0.000 claims description 11
- 239000007788 liquid Substances 0.000 claims description 11
- 238000007637 random forest analysis Methods 0.000 claims description 10
- 230000035699 permeability Effects 0.000 claims description 8
- 239000004576 sand Substances 0.000 claims description 8
- 238000005086 pumping Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000008447 perception Effects 0.000 claims description 4
- 239000011435 rock Substances 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000011160 research Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 5
- 238000013526 transfer learning Methods 0.000 abstract description 2
- 238000011161 development Methods 0.000 description 5
- 239000012530 fluid Substances 0.000 description 5
- 239000003079 shale oil Substances 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 1
- 150000004649 carbonic acid derivatives Chemical class 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- E21B47/00—Survey of boreholes or wells
-
- 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
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Geology (AREA)
- Mining & Mineral Resources (AREA)
- Physics & Mathematics (AREA)
- Environmental & Geological Engineering (AREA)
- Fluid Mechanics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Geophysics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种复杂储层水平井初期产量融合预测方法，包括：确定每口生产水平井的初期产量；分析水平井的初期产量与统计参数的相关性；利用灰色关联理论计算统计参数与初期产量间的关联度；确定影响水平井初期产量的主控参数；利用机器学习方法构建水平井产量预测模型；利用集成学习思想构建多种智能算法融合的复杂储层水平井初期产量预测融合模型，利用该预测融合模型对水平井初期产量进行预测。本发明引入Pearson相关系数的准则，进行多种智能算法的融合以提高预测方法泛化，增强智能算法的迁移学习能力，以提高预测方法的适应性，因此与单个模型的预测结果进行对比，综合分析所构建多种智能算法融合的预测方法具有更高的预测效果。
Description
技术领域
本发明涉及一种复杂储层水平井初期产量融合预测方法，属于油气藏开采领域。
背景技术
随着勘探开发技术的突破，在砾岩、缝洞碳酸盐岩、非常规页岩油气等复杂储层的开发受到越来越多的重视，其中页岩油气的勘探开发已成为现阶段能源界热点。页岩油气藏具有超低孔隙度、渗透率特点，需要通过水平井钻井和水力压裂改造，才能获得具有一定经济价值的有效开发。由于其开发的特殊性，从而导致页岩油气藏产能预测比常规气藏更为复杂，因此在对复杂储层水平井进行油气开发的过程中，准确预测储层水平井的初期产能对于单井配产具有重要的意义，但是目前的预测方法的预测准确率均不高，所以有必要提供一种复杂储层水平井初期产量融合预测方法。
发明内容
为了克服现有技术中的问题，本发明提供一种复杂储层水平井初期产量融合预测方法。
本发明解决上述技术问题所提供的技术方案是：一种复杂储层水平井初期产量融合预测方法，包括以下步骤：
步骤S1、根据研究区块生产井资料，确定每口生产水平井的初期产量，并收集每口生产井的地质资料、钻井资料、测井解释资料、压裂资料、生产资料的统计参数；
步骤S2、采用数理统计方法分析水平井的初期产量与统计参数的相关性；
步骤S3、对统计参数进行归一化处理，以水平井初期产量为母序列，以统计参数为子序列，利用灰色关联理论计算统计参数与初期产量间的关联度；
步骤S4、利用随机森林算法计算统计参数对水平井初期产量的影响因子；
步骤S5、综合利用灰色关联和随机森林算确定影响水平井初期产量的主控参数；
步骤S6、以主控参数作为因素，利用机器学习方法构建水平井产量预测模型；
步骤S7、以水平井产量预测模型的预测结果为基础，利用集成学习思想构建多种智能算法融合的复杂储层水平井初期产量预测融合模型，再利用Pearson相关系数准则的计算得到各个模型的Pearson相关系数，从而确定各个模型的权重系数；利用该预测融合模型对水平井初期产量进行预测。
进一步的技术方案是，所述统计参数包括水平井段长、钻遇率、段数、段簇数、每米加砂量、每米加液量、闷井时间、抽深、动液面、孔隙度、渗透率、含油饱和度。
进一步的技术方案是，所述水平井产量预测模型包括支持向量机预测模型、广义线性模型预测模型、多层感知类神经网络预测模型、随机森林预测模型、Cart树模型预测模型。
进一步的技术方案是，所述Pearson相关系数的计算公式为：
式中：ρ为Pearson相关系数；yi为岩石力学参数的实测值；
为岩石力学参数的预测值；n为测试数量。
进一步的技术方案是，所述权重系数的计算公式为：
式中：wi为第i个基模型权重系数；ρi为第i个基模型Pearson相关系数；N为基模型个数。
进一步的技术方案是，所述融合模型的计算公式为：
式中：g为融合模型；gi为第i个智能预测模型；wi为第i个基模型权重系数。
本发明具有以下有益效果：本发明引入Pearson相关系数的准则，进行多种智能算法的融合以提高预测方法泛化，增强智能算法的迁移学习能力，以提高预测方法的适应性，因此与单个模型的预测结果进行对比，综合分析所构建多种智能算法融合的预测方法具有更高的预测效果。
附图说明
图1为水平井预测产量与实际产量间的关系图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的一种复杂储层水平井初期产量融合预测方法，包括以下步骤：
步骤S1、根据研究区块生产井资料，确定每口生产水平井的初期产量，并收集每口生产井的地质资料、钻井资料、测井解释资料、压裂资料、生产资料的统计参数；
所述统计参数包括水平井段长、钻遇率、段数、段簇数、每米加砂量、每米加液量、闷井时间、抽深、动液面、孔隙度、渗透率、含油饱和度等；
步骤S2、采用数理统计方法分析水平井的初期产量与统计参数的相关性；
步骤S3、对统计参数进行归一化处理，以水平井初期产量为母序列，以统计参数为子序列，利用灰色关联理论计算统计参数与初期产量间的关联度；
其中水平井段长、钻遇率、段数、段簇数、每米加砂量、每米加液量、闷井时间、抽深、动液面、孔隙度、渗透率、含油饱和度的关联度分别为0.654、0.590、0.622、0.717、0.705、0.696、0.664、0.606、0.753、0.612、0.589、0.593，则各因素与水平井初期产量的关联程度由大到小依次为动液面>段簇数>每米加砂量>每米加液量>闷井时间>水平井段长>段数>孔隙度>含油饱和度>抽深>钻遇率>渗透率；
步骤S4、利用随机森林算法计算统计参数对水平井初期产量的影响因子；
其中水平井段长、钻遇率、段数、段簇数、每米加砂量、每米加液量、闷井时间、抽深、动液面、孔隙度、渗透率、含油饱和度等因素对水平井初期产量的影响因子分别为0.05649、0.06816、0.02675、0.06955、0.02968、0.07181、0.05898、0.02636、0.21278、0.04754、0.01489、0.00095，则各因素影响因子由大到小依次为动液面>段簇数>每米加砂量>每米加液量>闷井时间>水平井段长>孔隙度>钻遇率>段数>抽深>渗透率>含油饱和度；
步骤S5、综合利用灰色关联和随机森林算法确定影响水平井初期产量的主控参数，其中主控参数排序依次为动液面、段簇数、每米加砂量、每米加液量、闷井时间、水平井段长，将影响水平井初期产量的13个影响维度降低到6个影响维度，降低数据计算量和提高计算速度；
步骤S6、以主控参数作为因素，利用机器学习方法构建水平井产量预测模型，所述水平井产量预测模型包括支持向量机预测模型、广义线性模型预测模型、多层感知类神经网络预测模型、随机森林预测模型、Cart树模型预测模型；
式中：yi为水平井初期产量的实测值；
为水平井初期产量的平均值；
为水平井初期产量的预测值；n为水平井数量；g为融合模型；gi为第i个智能预测模型；wi为第i个智能算法的权重系数；ρi为第i个智能算法Pearson相关系数；N为智能算法个数；
支持向量机预测模型、广义线性模型预测模型、多层感知类神经网络预测模型、随机森林预测模型、Cart树模型预测模型计算结果的R2相关系数(式(1))分别为0.8674、0.8396、0.9132、0.9189、0.9289，平均相对误差(式(2))分别为6.7547％、8.2325％、6.6367％、7.2926％、4.7679％，平均绝对误差(式(3))分别为1.0598、1.2391、1.0311、1.0951、0.7883，均方根误差(式(4))分别为1.7388、1.6985、1.2688、1.5709、1.2150、1.1868，综合从多种对比指标来看从中可发现Cart树模型的预测效果最好，广义线性模型预测效果最差；
步骤S7、以水平井产量预测模型的预测结果为基础，利用Pearson相关系数准则的计算公式得到各个模型的Pearson相关系数(式(6))分别为0.9313、0.9163、0.9556、0.9586、0.9582，进一步按照式(7)计算获得各个智能模型的融合的权重系数分别为0.1973、0.1941、0.2025、0.2031、0.2030，再利用集成学习思想构建多种智能算法融合的复杂储层水平井初期产量预测融合模型，利用该预测融合模型对对水平井初期产量进行预测，预测结果如图1所示，计算结果的R2相关系数为0.942，平均相对误差5.6301％，平均绝对误差为0.8884，均方根误差为1.1868，与单个模型的预测结果进行对比，综合分析所构建多种智能算法融合的预测方法具有更高的预测效果。
以上所述，并非对本发明作任何形式上的限制，虽然本发明已通过上述实施例揭示，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，可利用上述揭示的技术内容作出些变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 (6)
1.一种复杂储层水平井初期产量融合预测方法，其特征在于，包括以下步骤：
步骤S1、根据研究区块生产井资料，确定每口生产水平井的初期产量，并收集每口生产井的地质资料、钻井资料、测井解释资料、压裂资料、生产资料的统计参数；
步骤S2、采用数理统计方法分析水平井的初期产量与统计参数的相关性；
步骤S3、对统计参数进行归一化处理，以水平井初期产量为母序列，以统计参数为子序列，利用灰色关联理论计算统计参数与初期产量间的关联度；
步骤S4、利用随机森林算法计算统计参数对水平井初期产量的影响因子；
步骤S5、综合利用灰色关联和随机森林算确定影响水平井初期产量的主控参数；
步骤S6、以主控参数作为因素，利用机器学习方法构建水平井产量预测模型；
步骤S7、以水平井产量预测模型的预测结果为基础，利用集成学习思想构建多种智能算法融合的复杂储层水平井初期产量预测融合模型，再利用Pearson相关系数准则的计算得到各个模型的Pearson相关系数，从而确定各个模型的权重系数；利用该预测融合模型对水平井初期产量进行预测。
2.根据权利要求1所述的一种复杂储层水平井初期产量融合预测方法，其特征在于，所述统计参数包括水平井段长、钻遇率、段数、段簇数、每米加砂量、每米加液量、闷井时间、抽深、动液面、孔隙度、渗透率、含油饱和度。
3.根据权利要求1所述的一种复杂储层水平井初期产量融合预测方法，其特征在于，所述水平井产量预测模型包括支持向量机预测模型、广义线性模型预测模型、多层感知类神经网络预测模型、随机森林预测模型、Cart树模型预测模型。
4.根据权利要求1所述的一种复杂储层水平井初期产量融合预测方法，其特征在于，所述Pearson相关系数的计算公式为：
式中：ρ为Pearson相关系数；yi为岩石力学参数的实测值；
为岩石力学参数的预测值；n为测试数量。
5.根据权利要求4所述的一种复杂储层水平井初期产量融合预测方法，其特征在于，所述权重系数的计算公式为：
式中：wi为第i个基模型权重系数；ρi为第i个基模型Pearson相关系数；N为基模型个数。
6.根据权利要求5所述的一种复杂储层水平井初期产量融合预测方法，其特征在于，所述融合模型的计算公式为：
式中：g为融合模型；gi为第i个智能预测模型；wi为第i个基模型权重系数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211183999.9A CN115539026B (zh) | 2022-09-27 | 2022-09-27 | 一种复杂储层水平井初期产量融合预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211183999.9A CN115539026B (zh) | 2022-09-27 | 2022-09-27 | 一种复杂储层水平井初期产量融合预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115539026A true CN115539026A (zh) | 2022-12-30 |
| CN115539026B CN115539026B (zh) | 2023-11-14 |
Family
ID=84730316
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211183999.9A Active CN115539026B (zh) | 2022-09-27 | 2022-09-27 | 一种复杂储层水平井初期产量融合预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115539026B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109214026A (zh) * | 2017-07-07 | 2019-01-15 | 中国石油天然气股份有限公司 | 一种页岩气水平井初期产能预测方法 |
| CN109509033A (zh) * | 2018-12-14 | 2019-03-22 | 重庆邮电大学 | 一种消费金融场景下的用户购买行为大数据预测方法 |
| WO2019199723A1 (en) * | 2018-04-12 | 2019-10-17 | Total Sa | Predictions in unconventional plays using machine learning |
| CN113807021A (zh) * | 2021-09-29 | 2021-12-17 | 西南石油大学 | 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 |
-
2022
- 2022-09-27 CN CN202211183999.9A patent/CN115539026B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109214026A (zh) * | 2017-07-07 | 2019-01-15 | 中国石油天然气股份有限公司 | 一种页岩气水平井初期产能预测方法 |
| WO2019199723A1 (en) * | 2018-04-12 | 2019-10-17 | Total Sa | Predictions in unconventional plays using machine learning |
| CN109509033A (zh) * | 2018-12-14 | 2019-03-22 | 重庆邮电大学 | 一种消费金融场景下的用户购买行为大数据预测方法 |
| CN113807021A (zh) * | 2021-09-29 | 2021-12-17 | 西南石油大学 | 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 |
Non-Patent Citations (1)
| Title |
|---|
| 王威: "致密油藏水平井体积压裂初期产能预测", 新疆石油地质, vol. 37, no. 5, pages 575 - 579 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115539026B (zh) | 2023-11-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112360411B (zh) | 基于图神经网络的局部井网注水开发优化方法 | |
| WO2010111398A2 (en) | A system and method for characterizing fractures in a subsurface reservoir | |
| CN107895092B (zh) | 一种基于复杂非线性注采建模的井间连通定量评价方法 | |
| CN109063403B (zh) | 一种滑溜水压裂优化设计方法 | |
| CN114510854A (zh) | 一种循缝找洞的酸压数值模拟结果准确性评价方法 | |
| Sales et al. | A genetic algorithm integrated with Monte Carlo simulation for the field layout design problem | |
| CN114462262A (zh) | 一种基于时间和空间双重维度的历史拟合预测方法 | |
| CN112049629B (zh) | 一种基于甲型水驱特征曲线的缝洞型油藏采收率预测方法 | |
| Badru | Well-placement optimization using the quality map approach | |
| CN115539026A (zh) | 一种复杂储层水平井初期产量融合预测方法 | |
| CN114429023A (zh) | 基于平面流动单元划定的分段注采参数优化方法 | |
| CN115564136A (zh) | 一种地热历史拟合和产能预测方法 | |
| Yi et al. | Spatial correlation-based machine learning framework for evaluating shale gas production potential: A case study in southern Sichuan Basin, China | |
| US11501043B2 (en) | Graph network fluid flow modeling | |
| CN114109374B (zh) | 页岩气储层靶窗位置的确定方法及装置 | |
| CN114218877A (zh) | 缝洞型油藏数值模拟方法及系统 | |
| CN111428375A (zh) | 一种高含水油田层系重组划分新方法 | |
| CN117892642A (zh) | 一种致密砾岩的井距优化方法 | |
| CN116911216B (zh) | 一种储层油井产能因素评估与预测方法 | |
| CN115455632B (zh) | 一种规模和形态协同优化的压裂优化设计方法及系统 | |
| Virstyuk et al. | Reducing electricity consumption in oil production | |
| Aslam et al. | Capacitance Resistance Clustered Model for Mature Peripheral Waterflood Performance Prediction & Optimization | |
| Lu et al. | A new production forecasting method of the multifractured horizontal wells based on cluster analysis | |
| CN116011309A (zh) | 一种稠油油藏多轮次吞吐后氮气泡沫调剖潜力评价方法 | |
| CN115081170A (zh) | 一种油气田开发评价的井网系统优选方法及装置 |
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 |