CN115929289B - 基于时间顺序的页岩气产量预测方法及装置 - Google Patents

Abstract

本发明公开了基于时间顺序的页岩气产量预测方法及装置，包括：获取待预测页岩气产量所在区域的基础特征因素数据；求得产气量递减梯度，剔除异常基础特征因素数据，并分为训练集和验证集；对待预测页岩气产量所在区域的岩样进行孔隙分布实验，求得区域岩样孔隙的正态分布，将区域岩样孔隙的孔隙占比作为特征值；构建时间顺序网络模型；以区域岩样孔隙为参数，利用训练集对时间顺序网络模型进行训练；将验证集至训练后的时间顺序网络模型，并进行误差验证。通过上述方案，本发明具有逻辑简单、准确可靠等优点，在油气田开发技术领域具有很高的实用价值和推广价值。

Description

基于时间顺序的页岩气产量预测方法及装置

技术领域

本发明涉及油气田开发技术领域，尤其是基于时间顺序的页岩气产量预测方法及装置。

背景技术

页岩气藏在非常规天然气勘探开发领域已占据重要地位。其中，极低孔隙度和渗透率的页岩气藏，单井一般无自然产能或自然产能低于工业气流下限，需要采用水平井和水力压裂改造技术进行开发。但压裂后，缝网关系复杂、多井平台中井间压窜现象显著，导致页岩气井产量难以预测，致使后续开发方案设计与调整缺乏科学依据。因此，页岩气产量的准确预测，对后续页岩气生产与产能评价有重要意义。

众所周知，改造页岩气井的成本很高，并且还会对原始地层结构产生影响。目前，现有技术中对页岩气产量预测的方法主要包括：经验公式及解析模型、基于数值模型的产量预测方法。其中，经验公式及解析模型是没有考虑页岩气藏复杂的渗流特征，不同模型的适用条件及适用阶段都各有不同，导致预测结果与实际相差较大。另外，基于数值模型的产量预测方法对实际储层进行了简化，包括对复杂动态缝网刻画不够精确、未考虑井组压窜干扰特征等，且页岩气井组缝网数值模型计算量较大，历史拟合难度大，产量预测效率较低，结果不确定性高，故现场推广性一般。

例如“专利公开号为：CN106351651A、名称为：页岩气井产能的预测方法及装置”的中国发明专利，其根据体积压裂页岩气井的线性流生产动态模型，建立页岩气井拟压力与页岩气产量的动态变化关系，该动态变化关系包含多个基础参数和多个未知参数；利用页岩气井的历史生产数据，确定所述多个未知参数中的主裂缝半长，并利用该主裂缝半长更新该动态变化关系；基于更新后的动态变化关系，通过特征流动段识别方法获得参数约束方程；利用所述基础参数的概率分布模型和所述参数约束方程，计算得到剩余未知参数及产能评价参数的概率分布模式及相应的可信域；利用该概率分布模式及相应的可信域，据更新后的该动态变化关系预测所述页岩气井的产能。其采用经验公式及解析模型，并未考虑的页岩气藏复杂的渗流特征等。

再如“专利公开号为：CN109488276A、名称为：经水力压裂改造的产水页岩气井页岩气产量预测方法“中国发明专利，其包括以下步骤：S1，建立页岩基质的气体渗流模型；S2，建立页岩裂缝的渗流数学模型；S3，根据页岩基质的气体渗流模型和页岩裂缝的渗流数学模型，得到产水页岩气井的渗流数学模型；S4，利用数值模拟方法对产水页岩气井的渗流数学模型进行求解，得到产水页岩气井的页岩气产量。该技术虽然考虑了气体渗流模型和页岩裂缝，但是，其对复杂动态缝网刻画不够精确、未考虑井组压窜干扰特征等，不仅如此，其计算较为繁琐，工作量较大，准确可靠性一般。

再如“专利公开号为：CN115345378A、名称为：一种基于机器学习的页岩气井产量评估方法”的中国发明专利，其包括：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。该发明对影响页岩气产量主控因素分析是根据经验设定，基础数据的筛选规则制定简单，且其神经网络结构为随机森林算法，对单个产量曲线的神经网络，简单输入非时间序列参数，然后输出随时间变化的累计产量。

因此，急需要提出一种逻辑简单、准确可靠的基于时间顺序的页岩气产量预测方法及装置。

发明内容

针对上述问题，本发明的目的在于提供基于时间顺序的页岩气产量预测方法及装置，本发明采用的技术方案如下：

第一部分，本技术提供了基于时间顺序的页岩气产量预测方法，其包括以下步骤：

获取待预测页岩气产量所在区域的基础特征因素数据；

求得产气量递减梯度，剔除异常基础特征因素数据，并分为训练集和验证集；

对待预测页岩气产量所在区域的岩样进行孔隙分布实验，求得区域岩样孔隙的正态分布，将区域岩样孔隙的孔隙占比作为特征值；

构建时间顺序网络模型；

以区域岩样孔隙为参数，利用训练集对时间顺序网络模型进行训练；

将验证集至训练后的时间顺序网络模型，并进行误差验证。

第二部分，本技术提供了一种基于时间顺序的页岩气产量预测装置，其包括：

基础特征因素数据收集模块，获取待预测页岩气产量所在区域的基础特征因素数据；

基础特征因素数据整理模块，与基础特征因素数据收集模块连接，求得产气量递减梯度，剔除异常基础特征因素数据，并分为训练集和验证集；

孔隙占比计算模块，对待预测页岩气产量所在区域的岩样进行孔隙分布实验，求得区域岩样孔隙的正态分布，将区域岩样孔隙的孔隙占比作为特征值；

网络模型构建模块，构建时间顺序网络模型；

训练模块，与基础特征因素数据整理模块、孔隙占比计算模块和网络模型构建模块连接，以区域岩样孔隙为参数，利用训练集对时间顺序网络模型进行训练；

验证模块，与基础特征因素数据整理模块和训练模块连接，将验证集至训练后的时间顺序网络模型，并进行误差验证。

与现有技术相比，本发明具有以下有益效果：

(1)本发明巧妙地通过正态分布叠加对页岩储层中有机质孔、脆性矿物孔、黏土矿物孔三种孔隙进行表征，得到不同种类矿物孔隙的孔隙占比作为特征值，并且利用时间顺序网络模型进行预测，不仅考虑了储层物理参数，而且考虑了不同生产动态对于页岩气井生产的影响，解决了机器学习过程中的过拟合问题。

(2)本发明可有效地避免了页岩气井产量预测所需的复杂经验公式和解析模型以及精细量化分析，能够基于孔隙分布数据快速且准确预测页岩气产量，从而对现场生产作出指导。

(3)本发明通过计算产气量递减梯度，剔除异常基础特征因素数据，其好处在于，根据产气量递减梯度对数据进行筛选，而不是通过简单的数据筛选规则对基础数据进行预处理，使得基础数据更加符合生产实际，保证预测趋势准确、可靠。

(4)本发明巧妙地采用时间顺序网络模型，其好处在于，训练时随机去除某一参数(时间序列或物性)以去除过拟合现象(训练过多导致同样参数输出结果过于符合，扩展至其他数据导致精度降低)。

(5)本发明巧妙地进行误差验证，保证预测估计的准确率。

综上所述，本发明具有逻辑简单、准确可靠等优点，在油气田开发技术领域具有很高的实用价值和推广价值。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需使用的附图作简单介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对保护范围的限定，对于本领域技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本发明的逻辑流程图。

图2为本发明的网络模型结构示意图。

图3为本发明中叠加后孔隙分布曲线图。

图4为本发明中目标页岩气井的预测产量。

具体实施方式

为使本申请的目的、技术方案和优点更为清楚，下面结合附图和实施例对本发明作进一步说明，本发明的实施方式包括但不限于下列实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

本本实施例中，术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。

本实施例的说明书和权利要求书中的术语“第一”和“第二”等是用于区别不同的对象，而不是用于描述对象的特定顺序。例如，第一目标对象和第二目标对象等是用于区别不同的目标对象，而不是用于描述目标对象的特定顺序。

在本申请实施例中，“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。

在本申请实施例的描述中，除非另有说明，“多个”的含义是指两个或两个以上。例如，多个处理单元是指两个或两个以上的处理单元；多个系统是指两个或两个以上的系统。

如图1至图4所示，本实施例提供了基于时间顺序的页岩气产量预测方法，其包括以下步骤：

Step1：根据区域地质研究资料和压裂施工报告，收集并整理多种对产量有影响的特征因素数据，获得原始数据集并数据清理，剔除异常的样本数据；转换原始数据为特征参数并通过MIC方法计算处理后样本数据中各变量(包括各自变量与页岩气产量这一因变量)两两之间的最大互信息数，获取特征因数评分。在此，最大互信息数大于0.4的参数作为主要参数。

在本实施例中，基础特征因素数据可以为生产时长(d)、井底压力(Mpa)、吸附气量(m3)、游离气量(m3)、孔隙度(％)、含气饱和度(％)、总液量(m3)、前置液百分比(％)、气水比、日产气量(104m3/d)、携砂液量(m3)等18个自变量。另外，对基础特征因素数据转换为特征因数，其表达式为：

其中，a_i表示自变量，a_max表示自变量a_i的最大值。

某区块A井，开采50天，地层能量充足。下表为某区块A井剔除异常值且转换为特征值后的部分数据。

表1某区块A井剔除异常值且转换为特征值后的部分数据

在本实施例中，需要求得产气量递减梯度，并剔除异常基础特征因素数据，最后将修正处理后的基础特征因素数据分为训练集和验证集。具体来说，其包括以下步骤：

Step101：剔除基础特征因素数据中含零的样本；

Step102：计算基础特征因素数据对应的产气量递减梯度，绘制产气量递减梯度散点图，剔除产气量变化幅度过大的样本。该产气量递减梯度的表达式为：

其中，α表示权重因子；θ_t表示t时刻的真实值；γ_t-1表示t-1时刻指数移动平均值；γ_t表示t时刻指数移动平均值。

Step103：根据实际情况，若现场数据受到不同因素影响波动较大时，预设较短指数移动平滑的步长T，反算求得对应的权重因子α；所述较短指数移动平滑的步长T的其表达式为：

其中，剔除异常基础特征因素数据，包括以下步骤：

Step104：引入偏差修正，其表达式为：

其中，α^t表示较短指数移动平滑的步长T对应的数值，即示平滑窗口/周期的大小；

Step105：将公式(1)和式(2)代入公式(3)得到：：

其中，T表示指数移动平滑的步长，t表示天数；

Step106：剔除误差大于20％的基础特征因素数据的样本。

Step2：对区域不同岩样进行核磁共振孔隙分布实验获取3-5组区域岩样孔隙分布。在本实施例中，核磁共振孔隙分布实验具体步骤为：

Step201：使用常规岩心处理方法预处理获取的3-5块岩心样本，得到形状大小相同的3-5块岩心，放入核磁共振仪器进行干样测试，获取岩心干样测试数据。

Step202：配置现场使用的压裂液，抽真空密封24h后，使用氮气加压容器至储层压力20MPa，保持密封状态20天；反应实验结束后，卸压并取出岩心，使用核磁共振分析系统测定岩心孔隙结构。

Step203：对Step201和Step202中获得的测试结果，将Step202测试的结果减去Step201的测试结果以消除页岩样品中有机质对核磁测试的影响。

Step3：对岩样孔隙分布进行处理，基于页岩样品基质中三种矿物孔隙获得对应孔隙分布下的特征参数。

具体来说，通过实验方法获取孔隙分布和孔隙占比的数据；现有研究对页岩孔隙大量数据分析得出，页岩储层中有机质孔、脆性矿物孔、黏土矿物孔，三种孔隙分布符合正态分布，因此基于Step2中获取的孔隙分布数据，划分为有机质孔(a₁∈(10⁰nm，10²nm))、黏土矿物孔(a₂∈(10²nm，10⁴nm))、脆性矿物孔(a₃∈(10⁴nm，10⁶nm))的正态分布叠加，使用遍历方法设定不同的均值、标准差，获得三种不同种类矿物孔隙分布使得，β满足：

其中，β(a₁)表示有机质孔的正态分布；β(a₂)表示有脆性矿物孔的正态分布；β(a₃)表示有黏土矿物孔的正态分布；σ表示标准差；a表示孔径；μ表示均值；

对公式(5)的进行积分，分别求得岩样的孔径量S(a)、有机质孔的孔径量S(a₁)、黏土矿物孔的孔径量S(a₂)和脆性矿物孔的孔径量S(a₃)，其表达分别为：

分别求得有机质孔、脆性矿物孔和黏土矿物孔的孔隙占比和/>

Step4：基于时间序列网络，引入Step3中获取的3-5组岩样孔隙分布特征参数以解决机器学习过程中的过拟合问题。其中，时间序列网络包括两个隐藏层，其原理是：选取前一时间序列基础数据作为参数一、参数二，随机选取的孔隙占比特征值作为参数三构成网络输入层，以下一时间序列的输出产量作为训练结果，训练结果作为下一时间序列的输入值迭代至设定的生产预测时间。

相较于传统“门控”随机“丢弃”处理上一节点的部分信息，所述时间序列网络引入随机的，且同时符合多种孔隙占比的特征结构进行训练，解决了传统人工智能预测页岩气生产动态方法只能笼统考虑储层物理参数，未考虑不同生产动态对于页岩气生产的影响且学习过程容易过拟合导致预测不准确的现象，同时提升了效率。

Step5：基于step1中获取的生产参数进行训练，选取80％数据作为训练数据，对剩下20％生产数据进行验证，误差限定为7％。

在本实施例中，选取Step1中的部分参数代入进行迭代计算，剩余的作为验证，如果误差值控制在7％，则说明数据可靠。其中，误差验证的表达式为：

其中，表示误差值；g(X)表示样本函数；/>表示估计的模型结果；σ_ω表示产气量递减梯度的偏差修正值；E表示期望。

如果小于7％，则满足误差要求；如果/>大于7％，将对应的特征值再次由Step4进行迭代计算。

上述实施例仅为本发明的优选实施例，并非对本发明保护范围的限制，但凡采用本发明的设计原理，以及在此基础上进行非创造性劳动而作出的变化，均应属于本发明的保护范围之内。

Claims (5)

1.基于时间顺序的页岩气产量预测方法，其特征在于，包括以下步骤：

获取待预测页岩气产量所在区域的基础特征因素数据；

求得产气量递减梯度，剔除异常基础特征因素数据，并分为训练集和验证集；

对待预测页岩气产量所在区域的岩样进行孔隙分布实验，求得区域岩样孔隙的正态分布，将区域岩样孔隙的孔隙占比作为特征值；

构建时间顺序网络模型；

以区域岩样孔隙为参数，利用训练集对时间顺序网络模型进行训练；

将验证集至训练后的时间顺序网络模型，并进行误差验证；

所述基础特征因素数据包括：生产时长、井底压力、吸附气量、游离气量、孔隙度、含气饱和度、总液量、前置液百分比、气水比、日产气量和携砂液量；

还包括对基础特征因素数据转换为特征因数，其表达式为：

其中，a_i表示自变量，a_max表示自变量a_i的最大值；利用最大互信息数MIC算法求得基础特征因素数据对于产量的影响程度；

求得产气量递减梯度，包括以下步骤：

剔除基础特征因素数据中含零的样本；

计算基础特征因素数据对应的产气量递减梯度，获得产气量递减梯度散点图；所述产气量递减梯度的表达式为：

其中，α表示权重因子；θ_t表示t时刻的真实值；γ_t-1表示t-1时刻指数移动平均值；γ_t表示t时刻指数移动平均值；

预设较短指数移动平滑的步长T，反算求得对应的权重因子α；所述较短指数移动平滑的步长T的其表达式为：

所述剔除异常基础特征因素数据，包括以下步骤：

引入偏差修正，其表达式为：

其中，α^t表示较短指数移动平滑的步长T对应的数值，即示平滑窗口/周期的大小；

将公式(1)和式(2)代入公式(3)得到：

其中，T表示指数移动平滑的步长，t表示天数；剔除误差大于20％的基础特征因素数据的样本；

求得区域岩样孔隙的孔隙占比，包括以下步骤：

求得有机质孔、脆性矿物孔和黏土矿物孔的正态分布，其表达式为：

其中，β(a₁)表示有机质孔的正态分布；β(a₂)表示有脆性矿物孔的正态分布；β(a₃)表示有黏土矿物孔的正态分布；σ表示标准差；a表示孔径；μ表示均值；

对公式(5)的进行积分，分别求得岩样的孔径量S(a)、有机质孔的孔径量S(a₁)、黏土矿物孔的孔径量S(a₂)和脆性矿物孔的孔径量S(a₃)，其表达分别为：

分别求得有机质孔、脆性矿物孔和黏土矿物孔的孔隙占比和/>

2.根据权利要求1所述的基于时间顺序的页岩气产量预测方法，其特征在于，所述区域岩样孔隙的正态分布包括有机质孔、脆性矿物孔和黏土矿物孔的正态分布。

3.根据权利要求1所述的基于时间顺序的页岩气产量预测方法，其特征在于，所述误差验证的表达式为：

其中，表示误差值；g(X)表示样本函数；/>表示估计的模型结果；σ_ω表示产气量递增梯度的偏差修正值；E表示期望。

4.根据权利要求1所述的基于时间顺序的页岩气产量预测方法，其特征在于，所述时间顺序网络模型为依次连接的两个隐藏层。

5.一种基于时间顺序的页岩气产量预测装置，用于实现权利要求1-4任一的基于时间顺序的页岩气产量预测方法，其特征在于，包括：

基础特征因素数据收集模块，获取待预测页岩气产量所在区域的基础特征因素数据；

基础特征因素数据整理模块，与基础特征因素数据收集模块连接，求得产气量递减梯度，剔除异常基础特征因素数据，并分为训练集和验证集；

孔隙占比计算模块，对待预测页岩气产量所在区域的岩样进行孔隙分布实验，求得区域岩样孔隙的正态分布，将区域岩样孔隙的孔隙占比作为特征值；

网络模型构建模块，构建时间顺序网络模型；

训练模块，与基础特征因素数据整理模块、孔隙占比计算模块和网络模型构建模块连接，以区域岩样孔隙为参数，利用训练集对时间顺序网络模型进行训练；

验证模块，与基础特征因素数据整理模块和训练模块连接，将验证集至训练后的时间顺序网络模型，并进行误差验证。