CN117575106B - 一种煤层气井产气剖面预测方法、系统、电子设备及介质 - Google Patents
一种煤层气井产气剖面预测方法、系统、电子设备及介质 Download PDFInfo
- Publication number
- CN117575106B CN117575106B CN202410050357.4A CN202410050357A CN117575106B CN 117575106 B CN117575106 B CN 117575106B CN 202410050357 A CN202410050357 A CN 202410050357A CN 117575106 B CN117575106 B CN 117575106B
- Authority
- CN
- China
- Prior art keywords
- parameters
- gas
- key
- coal
- well
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 183
- 238000000034 method Methods 0.000 title claims abstract description 73
- 230000000875 corresponding effect Effects 0.000 claims description 61
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 40
- 238000012360 testing method Methods 0.000 claims description 34
- 238000005553 drilling Methods 0.000 claims description 30
- 239000003245 coal Substances 0.000 claims description 29
- 239000012530 fluid Substances 0.000 claims description 24
- 238000004422 calculation algorithm Methods 0.000 claims description 22
- 238000004458 analytical method Methods 0.000 claims description 20
- 238000012216 screening Methods 0.000 claims description 17
- 230000035699 permeability Effects 0.000 claims description 14
- 239000004568 cement Substances 0.000 claims description 12
- 239000004576 sand Substances 0.000 claims description 12
- 239000002002 slurry Substances 0.000 claims description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 12
- 238000009933 burial Methods 0.000 claims description 11
- 230000000750 progressive effect Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 claims description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 238000011161 development Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 7
- 239000003795 chemical substances by application Substances 0.000 claims description 6
- 230000002596 correlated effect Effects 0.000 claims description 6
- 238000006073 displacement reaction Methods 0.000 claims description 6
- 239000007788 liquid Substances 0.000 claims description 6
- 238000000540 analysis of variance Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 description 15
- 230000000694 effects Effects 0.000 description 9
- 230000002068 genetic effect Effects 0.000 description 7
- 238000009960 carding Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 238000010219 correlation analysis Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 239000003921 oil Substances 0.000 description 4
- 238000013499 data model Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 239000010779 crude oil Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003467 diminishing effect Effects 0.000 description 1
- 238000011234 economic evaluation Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
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"
-
- 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
- E21B49/08—Obtaining fluid samples or testing fluids, in boreholes or wells
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0499—Feedforward networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G06Q10/067—Enterprise or organisation modelling
-
- 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
-
- 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
- E21B2200/00—Special features related to earth drilling for obtaining oil, gas or water
- E21B2200/20—Computer models or simulations, e.g. for reservoirs under production, drill bits
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Mining & Mineral Resources (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Geology (AREA)
- Operations Research (AREA)
- Marine Sciences & Fisheries (AREA)
- Primary Health Care (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
Abstract
本发明公开一种煤层气井产气剖面预测方法、系统、电子设备及介质，涉及产气剖面预测领域，方法包括：获取待预测煤层气井各关键参数对应的最终标定参数，将最终标定参数投射至相应的产气剖面关键参数图版，读取相应的关键参数，来绘制待预测煤层气井的产气剖面。本发明的煤层气井产气剖面预测方法将复杂的产气剖面的刻画问题转化为不同生产阶段关键参数的预测问题，深度挖掘了煤层气井实际生产数据的内在信息，首次建立了用于预测煤层气井关键参数的图版，进一步根据关键参数绘制目标气田任意煤层气井的产气剖面，提高了产气剖面的预测精度。
Description
技术领域
本发明涉及产气剖面预测领域，特别是涉及一种煤层气井产气剖面预测方法、系统、电子设备及介质。
背景技术
煤层气的开采与利用可以降低对原油和煤炭的依赖，缓解能源短缺，同时也可为储能、碳捕获、利用与封存等颠覆性技术突破和能源体系平稳转换赢得时间。在煤层气开发过程中，煤层气产量预测对规划开发利用、经济评价、井层选型、压裂参数优化、排水采产系统控制具有重要意义。
目前，理论模型、数值模拟和人工智能是预测煤层气井产气剖面的主要方法。理论模型中最常用的是传统Arps产量递减法，该方法适用于各类气井，但通过线性相关系数来判定递减类型会造成气井递减类型判识难度大，产气剖面预测的不确定性较强；现代递减模型(PLE、SEPD、Duong、LGM等)常用于致密气井和页岩气井的产量预测，该类模型可以有效降低预测结果的不确定性，但对数据点的敏感性较强，计算参数精度要求高，并且只有当气井达到拟稳定流后，预测结果才比较可靠；数值模拟方法的优点是无需任何数据样本即可解决生产预测问题，但其缺点是需要大量的模型参数和较高的输入数据精度，在现场生产中，渗透率、饱和度等参数的实际动态值难以获得，因此仿真结果的可靠性值得怀疑；人工智能方法，如人工神经网络（ANN）、径向基函数（RBF）神经网络、反向传播（BP）神经网络等浅层神经网络，已被广泛用于预测煤层气的生产，但预测所需样本数量较多，且结果容易出现过拟合现象，总体上浅层神经网络对煤层气井产气剖面的预测精度较低。
发明内容
本发明的目的是提供一种煤层气井产气剖面预测方法、系统、电子设备及介质，以提高煤层气井产气剖面的预测精度。
为实现上述目的，本发明提供了一种煤层气井产气剖面预测方法，包括：获取待预测煤层气井各关键参数对应的最终标定参数；所述关键参数为上产时间、稳产时间、稳产产量或递减率；所述最终标定参数是对地质参数、工程参数和排采参数进行筛选，基于筛选出的标定参数和数据代理模型，利用正交试验和多重比较方差分析法确定的；所述数据代理模型是利用筛选出的标定参数和对应的关键参数对卷积神经网络进行训练确定的；所述地质参数包括煤层厚度、渗透率、有效孔隙度、开发层位、埋深、煤层温度、煤层压力和含气量；所述工程参数包括井型、煤层井径、井距、完钻进尺、钻井液类型、钻井液粘度、建井周期、钻速、钻压、水泥浆密度、水泥浆用量、前置液量、加砂量、支撑剂量、砂比、压裂泵压、油压、排量、射孔厚度和射孔孔数；所述排采参数包括泵深、初始井底流压、初始动液面、见气时间、见气动液面、见气套压、见气井底流压、见气累排水量、降液幅度、产水速度、平均排量和流压降速度。
将所述最终标定参数投射至相应的产气剖面关键参数图版，确定相应的关键参数；其中，产气剖面关键参数图版是根据关键参数分类界限表和最终标定参数，利用L-M算法确定的；所述关键参数分类界限表是根据最终标定参数和对应的关键参数，利用假设迭代法确定的。
根据所有关键参数，绘制所述待预测煤层气井的产气剖面。
可选地，对地质参数、工程参数和排采参数进行筛选，基于筛选出的标定参数和数据代理模型，利用正交试验和多重比较方差分析法确定最终标定参数，具体包括：获取所述地质参数、所述工程参数和所述排采参数。
根据所述地质参数、所述工程参数和所述排采参数，确定第一候选标定参数；所述第一候选标定参数包括渗透率、含气量、煤层厚度、埋深、产水速度及流压降速度。
根据所述第一候选标定参数，利用最小二乘法，确定第二候选标定参数。
根据所述第二候选标定参数和数据代理模型，利用正交试验和多重比较方差分析法确定最终标定参数。
可选地，根据所述第一候选标定参数，利用最小二乘法，确定第二候选标定参数，具体包括：根据所述第一候选标定参数，建立任意两个参数的散点图。
利用最小二乘法对所述散点图进行拟合，得到任意两个参数的相关系数。
根据所述相关系数，以两个参数间呈不相关或者弱相关为依据，确定第二候选标定参数；当所述相关系数小于等于第一预设值时，两个参数间呈不相关；当所述相关系数小于第二预设值且大于第一预设值时，两个参数间呈弱相关；所述第二预设值大于所述第一预设值。
可选地，根据所述第二候选标定参数和数据代理模型，利用正交试验和多重比较方差分析法确定最终标定参数，具体包括：根据所述第二候选标定参数和对应的数据代理模型，进行正交试验，得到正交试验结果。
根据所述正交试验结果，利用多重比较方差分析法，确定最终标定参数。
可选地，根据最终标定参数和对应的关键参数，利用假设迭代法确定关键参数分类界限表，具体包括：根据所述最终标定参数，以最终标定参数范围不交叉为原则，利用假设迭代法对对应的关键参数进行界限划分，确定关键参数分类界限表。
一种煤层气井产气剖面预测系统，包括：数据获取模块，用于获取待预测煤层气井各关键参数对应的最终标定参数；所述关键参数为上产时间、稳产时间、稳产产量或递减率；所述最终标定参数是对地质参数、工程参数和排采参数进行筛选，基于筛选出的标定参数和数据代理模型，利用正交试验和多重比较方差分析法确定的；所述数据代理模型是利用筛选出的标定参数和对应的关键参数对卷积神经网络进行训练确定的；所述地质参数包括煤层厚度、渗透率、有效孔隙度、开发层位、埋深、煤层温度、煤层压力和含气量；所述工程参数包括井型、煤层井径、井距、完钻进尺、钻井液类型、钻井液粘度、建井周期、钻速、钻压、水泥浆密度、水泥浆用量、前置液量、加砂量、支撑剂量、砂比、压裂泵压、油压、排量、射孔厚度和射孔孔数；所述排采参数包括泵深、初始井底流压、初始动液面、见气时间、见气动液面、见气套压、见气井底流压、见气累排水量、降液幅度、产水速度、平均排量和流压降速度。
关键参数确定模块，用于将所述最终标定参数投射至相应的产气剖面关键参数图版，确定相应的关键参数；其中，产气剖面关键参数图版是根据关键参数分类界限表和最终标定参数，利用L-M算法确定的；所述关键参数分类界限表是根据最终标定参数和对应的关键参数，利用假设迭代法确定的。
产气剖面预测模块，用于根据所有关键参数，绘制所述待预测煤层气井的产气剖面。
一种电子设备，包括：存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行上述的煤层气井产气剖面预测方法。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述的煤层气井产气剖面预测方法。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明的煤层气井产气剖面预测方法、系统、电子设备及介质，通过获取待预测煤层气井各关键参数对应的最终标定参数，将最终标定参数投射至相应的产气剖面关键参数图版，读取相应的关键参数，来绘制待预测煤层气井的产气剖面。本发明的煤层气井产气剖面预测方法将复杂的产气剖面的刻画问题转化为不同生产阶段关键参数的预测问题，深度挖掘了煤层气井实际生产数据的内在信息，首次建立了用于预测煤层气井关键参数的图版，进一步根据关键参数绘制目标气田任意煤层气井的产气剖面，提高了产气剖面的预测精度。
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为本发明提供的煤层气井产气剖面预测方法流程图。
图2为本发明实施例中产气剖面关键参数构建的流程图。
图3为本发明实例中候选标定参数相关性分析结果图。
图4为本发明实例中遗传算法优化后的BP神经网络建立的数据模型效果图。
图5为本发明实例中遗传算法优化后的BP神经网络建立的数据模型效果图。
图6为本发明实例中遗传算法优化后的BP神经网络建立的数据模型效果图。
图7为本发明实例中影响上产时间的主控因素排序图。
图8为本发明实例中影响稳产时间的主控因素排序图。
图9为本发明实例中影响稳产产量的主控因素排序图。
图10为本发明实例中影响递减率的主控因素排序图。
图11为本发明实例中关键参数界限对应的主控因素分布条形图。
图12为本发明实例中L-M算法构建的上产时间的产气剖面关键参数图版示意图。
图13为本发明实例中Ⅰ型井的产气剖面关键参数图版验证效果图。
图14为本发明实例中Ⅱ型井的产气剖面关键参数图版验证效果图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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。
本发明的目的是提供一种煤层气井产气剖面预测方法、系统、电子设备及介质，以提高煤层气井产气剖面的预测精度。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一：如图1所示，本发明提供的煤层气井产气剖面预测方法，包括：步骤101-步骤103。
步骤101：获取待预测煤层气井各关键参数对应的最终标定参数；所述关键参数为上产时间、稳产时间、稳产产量或递减率；所述最终标定参数是对地质参数、工程参数和排采参数进行筛选，基于筛选出的标定参数和数据代理模型，利用正交试验和多重比较方差分析法确定的；所述数据代理模型是利用筛选出的标定参数和对应的关键参数对卷积神经网络进行训练确定的；所述地质参数包括煤层厚度、渗透率、有效孔隙度、开发层位、埋深、煤层温度、煤层压力和含气量；所述工程参数包括井型、煤层井径、井距、完钻进尺、钻井液类型、钻井液粘度、建井周期、钻速、钻压、水泥浆密度、水泥浆用量、前置液量、加砂量、支撑剂量、砂比、压裂泵压、油压、排量、射孔厚度和射孔孔数；所述排采参数包括泵深、初始井底流压、初始动液面、见气时间、见气动液面、见气套压、见气井底流压、见气累排水量、降液幅度、产水速度、平均排量和流压降速度。
作为一种可选地实施方式，对地质参数、工程参数和排采参数进行筛选，基于筛选出的标定参数和数据代理模型，利用正交试验和多重比较方差分析法确定最终标定参数。
如图2所示，在实际应用中，煤层气井产气剖面预测方法（即图2中的一种煤层气井产气剖面预测的新方法）首先进行参数筛选，包括生产动态精细分析和制定候选标定参数；其次进行模型建立，包括筛选数据建模方法和进行大数据建模；随后进行数据分析，包括开展正交试验模拟和敲定最终标定参数；最终标定参数确定之后，根据最终标定参数进行关键参数界限分类，并判断是否满足标定参数不交叉；若是，则筛选出各关键参数范围内的煤层气井，梳理各口井的最终标定参数，梳理各口井对应的关键参数，利用L-M算法对参数进行插值分析，将原数据与插值数据投射至平面，得到产气剖面关键参数图版；若否，则假设参数界限，统计分析该关键参数界限下标定参数范围，绘制标定参数分布条形图，判断是否存在交叉重复，若是，则返回假设参数界限的步骤，若否，则进行筛选出各关键参数范围内的煤层气井、梳理各口井的最终标定参数、梳理各口井对应的关键参数等一系列步骤。
确定最终标定参数的具体步骤如下：步骤1）基础资料收集，即获取所述地质参数、所述工程参数和所述排采参数。
本实施例气田在2015—2022年间共投产20口煤层气井，梳理统计其所包含的具有生产数据的各口气井的相关参数，包含地质参数、工程参数与排采参数，如表1所示。
。
步骤2）筛选第一候选标定参数，即根据所述地质参数、所述工程参数和所述排采参数，确定第一候选标定参数；所述第一候选标定参数包括渗透率、含气量、煤层厚度、埋深、产水速度及流压降速度。
在实际应用中，筛选第一候选标定参数具体如下：①对本气田20口井的产气曲线形态进行分析可知，该气田煤层气井的全周期生产过程包括三个阶段即上产期、稳产期与递减期，以此为依据，提炼出其产气剖面构成的关键参数为：上产时间、稳产时间、稳产产量、递减率。
典型的煤层气生产曲线为三段式，即上产期、稳产期与递减期，所以表征煤层气井产气剖面的关键是能够准确表征上述三个阶段，故上产期选取上产时间与上产期最终产量；稳产期选取稳产时间与稳产产量；递减期选取递减率。由于稳产产量与上产期最终产量在数值上一致，故最终选取的关键参数为：上产时间、稳产时间、稳产产量、递减率。
②对于本实施例的研究气田，其工程参数的不确定性较大，故本次研究不考虑工程参数。梳理分析各井目前的生产动态，初步统计出各井的第一候选标定参数，包括渗透率、含气量、煤层厚度、埋深、产水速度及流压降速度参数。
步骤3）参数相关性分析，即根据所述第一候选标定参数，利用最小二乘法，确定第二候选标定参数。
作为一种可选地实施方式，根据所述第一候选标定参数，利用最小二乘法，确定第二候选标定参数，具体包括：根据所述第一候选标定参数，建立任意两个参数的散点图。
利用最小二乘法对所述散点图进行拟合，得到任意两个参数的相关系数。
根据所述相关系数，以两个参数间呈不相关或者弱相关为依据，确定第二候选标定参数。当所述相关系数小于等于第一预设值时，两个参数间呈不相关；当所述相关系数小于第二预设值且大于第一预设值时，两个参数间呈弱相关；所述第二预设值大于所述第一预设值。在本实施例中，第一预设值为0.1，第二预设值为0.8。相关系数在0.8以上为强相关，0.1以下为不相关，之间认为是弱相关。
在实际应用中，步骤2）确定的是第一候选标定参数，这些参数与关键参数之间有的强相关，有的弱相关。为了使步骤4）的建模过程更加快速准确，所以需要对第一候选标定参数进行再次筛选。
确定第一候选标定参数后，对其进行参数间的独立性分析，具体方法为：①分别以要分析的参数作为横纵坐标建立二维直角坐标系散点图，建立的散点图如图3所示。
②采用最小二乘法对散点图进行拟合得到相关系数，分析参数间的相关性，按照参数间呈不相关或弱相关的原则，最终确定渗透率、含气量与流压降速度等参数作为第二候选标定参数。对于本实施例，第一候选标定参数经过相关性分析后发现各参数间两两均为不相关或弱相关，因此，本实施例中初筛得到的第一候选标定参数与细筛得到的第二候选标定参数一样。
步骤4）根据所述第二候选标定参数和数据代理模型，利用正交试验和多重比较方差分析法确定最终标定参数，该步骤4）具体包括：根据所述第二候选标定参数和对应的数据代理模型，进行正交试验，得到正交试验结果。根据所述正交试验结果，利用多重比较方差分析法，确定最终标定参数。
在实际应用中，首先构建数据代理模型。
①相关性分析后对筛选出的标定参数（第二候选标定参数）进行数据建模。对于煤层气井数较多的情况可以采用卷积神经网络建模，精度更高，对于煤层气井数较少的情况，卷积神经网络建模容易过拟合，可以采用智能算法优化后的神经网络进行数据建模。本实施例中的气田井数较少，故选用智能算法优化后的神经网络进行数据建模分析。
②以关键参数之一的上产时间为例进行说明。选取17口井的数据利用遗传算法优化后的BP神经网络进行训练，其余3口井作为测试集验证模型准确性。
③建立的BP神经网络及遗传算法的模型参数为：BP神经网络输入节点数为7，隐藏节点数为15，输出节点数为1，目标误差为10-5，遗传算法的个体数目为20，遗传代数为30，交叉概率0.2，变异概率0.1。
④按照上述模型参数以上产时间为目标进行建模（以上产时间作为BP神经网络输出值），得到用于预测该气田任意井上产时间的数据代理模型，模型整体预测结果相关性0.80，相关性越高，代表模型预测效果越好。模型的预测精度直接影响了下一步即正交试验分析主控因素的准确程度。模型预测效果越好，主控因素分析结果的准确度越高。利用不同组合参数预测的上产时间的变化趋势不做精确数值预测，进行全集拟合，相关系数R达到0.8时，模型精度满足趋势预测要求，利用训练集、测试集以及全集对数据代理模型进行验证，验证效果如图4-图6所示，其中，Data表示关键参数预测值，fit表示关键参数预测值的拟合曲线，Y=T表示关键参数预测值与目标值相等时的曲线，作为对比曲线。
模型建立完成后，进行正交试验。
①构建6因素（在本实施例中，6因素即第二候选标定参数）4水平（4水平是指各因素均取4个值，每个值视为一个水平），进行32组正交试验，正交试验数值参数选取原则为统计所有样本（煤层气井）任一因素的分布频率，选取最值与高占比值，得到正交试验数值参数，如表2所示。
②将各组数据（即正交试验数值参数）代入建立的数据代理模型，得到正交实验结果（即上产时间）。
。
最后根据正交试验结果确定最终标定参数。
①以上产时间为例，对正交实验结果进行多重比较方差分析，分析结果如表3所示，得到影响上产时间的主控因素（标定参数）排序为：渗透率＞含气量＞产水速度＞流压降速度＞厚度＞埋深。
②筛选排名前三的主控因素即渗透率、含气量与产水速度作为上产时间的最终标定参数。
③同理，对其他各关键参数（稳产时间、稳产产量、递减率）进行上述处理，得到其各自对应的最终标定参数，如图7-图10所示。
。
步骤102：将所述最终标定参数投射至相应的产气剖面关键参数图版，确定相应的关键参数。其中，产气剖面关键参数图版是根据关键参数分类界限表和最终标定参数，利用L-M算法确定的；所述关键参数分类界限表是根据最终标定参数和对应的关键参数，利用假设迭代法确定的。
作为一种可选地实施方式，根据最终标定参数和对应的关键参数，利用假设迭代法确定关键参数分类界限表，具体包括：根据所述最终标定参数，以最终标定参数范围不交叉为原则，利用假设迭代法对对应的关键参数进行界限划分，确定关键参数分类界限表。
在实际应用中，确定关键参数分类界限表具体包括：①在最终标定参数的基础上，进行关键参数分类界限的确定，确定的原则为最终标定参数范围不交叉，最终标定参数范围不交叉可以避免出现一井多参的情况。②以上产时间为例，采用假设迭代法对上产时间进行界限划分，首先假设关键参数界限，统计分析该关键参数界限下的最终标定参数范围，绘制的最终标定参数分布条形图如图11所示，判断是否存在最终标定参数范围交叉重复情况。若存在，则在原假设基础上进行迭代修正；若不存在，则认为假设的关键参数界限满足要求。按照上述方法得到本实施例关键参数之一的上产时间最终划分结果，上产时间分类界限表如表4所示。
。
作为一种可选地实施方式，根据关键参数分类界限表和最终标定参数，利用L-M算法，确定相应的产气剖面关键参数图版。
在实际应用中，以上产时间为例，构建产气剖面关键参数图版，具体如下：①以上产时间分类界限表为依据，筛选出不同界限范围内的煤层气井。
②利用L-M算法对各口井的最终标定参数及对应的上产时间进行插值处理，将插值后的最终标定参数及对应的上产时间投射至平面，构建上产时间确定图版（上产时间对应的产气剖面关键参数图版），如图12所示。
③同理对其他关键参数进行产气剖面关键参数图版的建立。需要特别说明的是图版与模型仅适用于所研究的目标气田，更换目标气田后，需重新收集数据建立图版。
步骤103：根据所有关键参数，绘制所述待预测煤层气井的产气剖面。
下面采用两口生产曲线形态存在差异的井进行图版准确性的验证：①收集两口生产曲线形态存在差异的井的最终标定参数。
②将最终标定参数与相应的关键参数分类界限表进行对比，确定各井不同生产阶段关键参数的所属范围。
③按照所属范围确定图版，将最终标定参数投射至对应的产气剖面关键参数图版，读取对应的关键参数。
④利用得到的关键参数绘制产气剖面。产气剖面可以用来进行气井的产能预测及技术可采储量预测。
⑤对比实际产气剖面与预测产气剖面，分析对比预测结果与实际结果的差异。验证结果如图13和图14所示，利用所建图版预测I型井（上产时间短，稳产时间长）的产气剖面关键参数，平均误差仅为9.1%；预测Ⅱ型井（长产时间长，稳产时间短）的产气剖面关键参数，平均误差为15.8%，上述结果表明所建立的图版具备较好的预测准确性，可以适应各种类型气井产气剖面的预测。
本发明公开的煤层气井产气剖面预测方法，将复杂的产气剖面的刻画问题转化为不同生产阶段关键参数的预测问题，避免了直接预测产气剖面的过程中复杂的模拟与计算。
本发明创新融合了大数据建模与统计分析算法，深度挖掘了煤层气井实际生产数据的内在信息，首次建立了用于预测煤层气井关键参数的图版，根据预测的关键参数，绘制目标气田任意煤层气井的产气剖面。
本发明公开的一种煤层气井产气剖面预测方法，是以理论模型与标准化图示相结合的方式指导相关人员对目标气田任意煤层气井的产气剖面进行快速准确的预测，方法简单，即使缺乏经验的人员也能够即刻上手，将研究技能与经验的影响降至最低，具有很高的适用性及推广价值。
实施例二：为了执行上述实施例一对应的方法，以实现相应的功能和技术效果，下面提供一种煤层气井产气剖面预测系统，包括：数据获取模块、关键参数确定模块和产气剖面预测模块。
数据获取模块，用于获取待预测煤层气井各关键参数对应的最终标定参数；所述关键参数为上产时间、稳产时间、稳产产量或递减率；所述最终标定参数是对地质参数、工程参数和排采参数进行筛选，基于筛选出的标定参数和数据代理模型，利用正交试验和多重比较方差分析法确定的；所述数据代理模型是利用筛选出的标定参数和对应的关键参数对卷积神经网络进行训练确定的；所述地质参数包括煤层厚度、渗透率、有效孔隙度、开发层位、埋深、煤层温度、煤层压力和含气量；所述工程参数包括井型、煤层井径、井距、完钻进尺、钻井液类型、钻井液粘度、建井周期、钻速、钻压、水泥浆密度、水泥浆用量、前置液量、加砂量、支撑剂量、砂比、压裂泵压、油压、排量、射孔厚度和射孔孔数；所述排采参数包括泵深、初始井底流压、初始动液面、见气时间、见气动液面、见气套压、见气井底流压、见气累排水量、降液幅度、产水速度、平均排量和流压降速度。
关键参数确定模块，用于将所述最终标定参数投射至相应的产气剖面关键参数图版，确定相应的关键参数；其中，产气剖面关键参数图版是根据关键参数分类界限表和最终标定参数，利用L-M算法确定的；所述关键参数分类界限表是根据最终标定参数和对应的关键参数，利用假设迭代法确定的。
产气剖面预测模块，用于根据所有关键参数，绘制所述待预测煤层气井的产气剖面，以根据所述产气剖面进行。
实施例三：本发明提供了一种电子设备，包括：存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行实施例一的煤层气井产气剖面预测方法。
实施例四：本发明提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现实施例一的煤层气井产气剖面预测方法。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种煤层气井产气剖面预测方法，其特征在于，包括：
获取待预测煤层气井各关键参数对应的最终标定参数；所述关键参数为上产时间、稳产时间、稳产产量或递减率；所述最终标定参数是对地质参数、工程参数和排采参数进行筛选，基于筛选出的标定参数和数据代理模型，利用正交试验和多重比较方差分析法确定的；所述数据代理模型是利用筛选出的标定参数和对应的关键参数对卷积神经网络进行训练确定的；所述地质参数包括煤层厚度、渗透率、有效孔隙度、开发层位、埋深、煤层温度、煤层压力和含气量；所述工程参数包括井型、煤层井径、井距、完钻进尺、钻井液类型、钻井液粘度、建井周期、钻速、钻压、水泥浆密度、水泥浆用量、前置液量、加砂量、支撑剂量、砂比、压裂泵压、油压、排量、射孔厚度和射孔孔数；所述排采参数包括泵深、初始井底流压、初始动液面、见气时间、见气动液面、见气套压、见气井底流压、见气累排水量、降液幅度、产水速度、平均排量和流压降速度；
将所述最终标定参数投射至相应的产气剖面关键参数图版，确定相应的关键参数；其中，产气剖面关键参数图版是根据关键参数分类界限表和最终标定参数，利用插值算法确定的；所述关键参数分类界限表是根据最终标定参数和对应的关键参数，利用假设迭代法确定的；
根据关键参数分类界限表和最终标定参数，利用插值算法确定产气剖面关键参数图版，具体包括：
以上产时间为关键参数，构建产气剖面关键参数图版，具体如下：
以上产时间分类界限表为依据，筛选出不同界限范围内的煤层气井；
利用插值算法对各口井的最终标定参数及对应的上产时间进行插值处理，将插值后的最终标定参数及对应的上产时间投射至平面，构建上产时间对应的产气剖面关键参数图版；
同理对其他关键参数进行产气剖面关键参数图版的建立；
根据所有关键参数，绘制所述待预测煤层气井的产气剖面。
2.根据权利要求1所述的煤层气井产气剖面预测方法，其特征在于，对地质参数、工程参数和排采参数进行筛选，基于筛选出的标定参数和数据代理模型，利用正交试验和多重比较方差分析法确定最终标定参数，具体包括：
获取所述地质参数、所述工程参数和所述排采参数；
根据所述地质参数、所述工程参数和所述排采参数，确定第一候选标定参数；所述第一候选标定参数包括渗透率、含气量、煤层厚度、埋深、产水速度及流压降速度；
根据所述第一候选标定参数，利用最小二乘法，确定第二候选标定参数；
根据所述第二候选标定参数和数据代理模型，利用正交试验和多重比较方差分析法确定最终标定参数。
3.根据权利要求2所述的煤层气井产气剖面预测方法，其特征在于，根据所述第一候选标定参数，利用最小二乘法，确定第二候选标定参数，具体包括：
根据所述第一候选标定参数，建立任意两个参数的散点图；
利用最小二乘法对所述散点图进行拟合，得到任意两个参数的相关系数；
根据所述相关系数，以两个参数间呈不相关或者弱相关为依据，确定第二候选标定参数；当所述相关系数小于等于第一预设值时，两个参数间呈不相关；当所述相关系数小于第二预设值且大于第一预设值时，两个参数间呈弱相关；所述第二预设值大于所述第一预设值。
4.根据权利要求2所述的煤层气井产气剖面预测方法，其特征在于，根据所述第二候选标定参数和数据代理模型，利用正交试验和多重比较方差分析法确定最终标定参数，具体包括：
根据所述第二候选标定参数和对应的数据代理模型，进行正交试验，得到正交试验结果；
根据所述正交试验结果，利用多重比较方差分析法，确定最终标定参数。
5.根据权利要求1所述的煤层气井产气剖面预测方法，其特征在于，根据最终标定参数和对应的关键参数，利用假设迭代法确定关键参数分类界限表，具体包括：
根据所述最终标定参数，以最终标定参数范围不交叉为原则，利用假设迭代法对对应的关键参数进行界限划分，确定关键参数分类界限表。
6.一种煤层气井产气剖面预测系统，其特征在于，包括：
数据获取模块，用于获取待预测煤层气井各关键参数对应的最终标定参数；所述关键参数为上产时间、稳产时间、稳产产量或递减率；所述最终标定参数是对地质参数、工程参数和排采参数进行筛选，基于筛选出的标定参数和数据代理模型，利用正交试验和多重比较方差分析法确定的；所述数据代理模型是利用筛选出的标定参数和对应的关键参数对卷积神经网络进行训练确定的；所述地质参数包括煤层厚度、渗透率、有效孔隙度、开发层位、埋深、煤层温度、煤层压力和含气量；所述工程参数包括井型、煤层井径、井距、完钻进尺、钻井液类型、钻井液粘度、建井周期、钻速、钻压、水泥浆密度、水泥浆用量、前置液量、加砂量、支撑剂量、砂比、压裂泵压、油压、排量、射孔厚度和射孔孔数；所述排采参数包括泵深、初始井底流压、初始动液面、见气时间、见气动液面、见气套压、见气井底流压、见气累排水量、降液幅度、产水速度、平均排量和流压降速度；
关键参数确定模块，用于将所述最终标定参数投射至相应的产气剖面关键参数图版，确定相应的关键参数；其中，产气剖面关键参数图版是根据关键参数分类界限表和最终标定参数，利用插值算法确定的；所述关键参数分类界限表是根据最终标定参数和对应的关键参数，利用假设迭代法确定的；
根据关键参数分类界限表和最终标定参数，利用插值算法确定产气剖面关键参数图版，具体包括：
以上产时间为关键参数，构建产气剖面关键参数图版，具体如下：
以上产时间分类界限表为依据，筛选出不同界限范围内的煤层气井；
利用插值算法对各口井的最终标定参数及对应的上产时间进行插值处理，将插值后的最终标定参数及对应的上产时间投射至平面，构建上产时间对应的产气剖面关键参数图版；
同理对其他关键参数进行产气剖面关键参数图版的建立；
产气剖面预测模块，用于根据所有关键参数，绘制所述待预测煤层气井的产气剖面。
7.一种电子设备，其特征在于，包括：存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行权利要求1-5任一项所述的煤层气井产气剖面预测方法。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-5任一项所述的煤层气井产气剖面预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410050357.4A CN117575106B (zh) | 2024-01-15 | 2024-01-15 | 一种煤层气井产气剖面预测方法、系统、电子设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410050357.4A CN117575106B (zh) | 2024-01-15 | 2024-01-15 | 一种煤层气井产气剖面预测方法、系统、电子设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117575106A CN117575106A (zh) | 2024-02-20 |
| CN117575106B true CN117575106B (zh) | 2024-04-09 |
Family
ID=89888426
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410050357.4A Active CN117575106B (zh) | 2024-01-15 | 2024-01-15 | 一种煤层气井产气剖面预测方法、系统、电子设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117575106B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2709047C1 (ru) * | 2019-01-09 | 2019-12-13 | Общество с ограниченной ответственностью "Газпром добыча Ямбург" | Способ адаптации гидродинамической модели продуктивного пласта нефтегазоконденсатного месторождения с учетом неопределенности геологического строения |
| CA3123281A1 (en) * | 2021-06-25 | 2022-12-25 | Cenovus Energy Inc. | Apparatus and method for oil production forecasting |
| CN116127675A (zh) * | 2021-11-12 | 2023-05-16 | 中国石油天然气股份有限公司 | 一种页岩油水平井体积压裂最大可采储量的预测方法 |
| CN117213583A (zh) * | 2023-09-01 | 2023-12-12 | 天津大唐国际盘山发电有限责任公司 | 一种火力发电输煤系统原煤仓煤位测量方法 |
-
2024
- 2024-01-15 CN CN202410050357.4A patent/CN117575106B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2709047C1 (ru) * | 2019-01-09 | 2019-12-13 | Общество с ограниченной ответственностью "Газпром добыча Ямбург" | Способ адаптации гидродинамической модели продуктивного пласта нефтегазоконденсатного месторождения с учетом неопределенности геологического строения |
| CA3123281A1 (en) * | 2021-06-25 | 2022-12-25 | Cenovus Energy Inc. | Apparatus and method for oil production forecasting |
| CN116127675A (zh) * | 2021-11-12 | 2023-05-16 | 中国石油天然气股份有限公司 | 一种页岩油水平井体积压裂最大可采储量的预测方法 |
| CN117213583A (zh) * | 2023-09-01 | 2023-12-12 | 天津大唐国际盘山发电有限责任公司 | 一种火力发电输煤系统原煤仓煤位测量方法 |
Non-Patent Citations (3)
| Title |
|---|
| 基于改进BP神经网络的地层划分方法;尚福华;李金成;原野;曹茂俊;杜睿山;;计算机技术与发展;20200910(09);全文 * |
| 无因次产水图版预测煤层气井产水量研究;李明忠;陈会娟;陈文徽;孙晓飞;孙仁远;;石油天然气学报;20120815(08);全文 * |
| 火山岩气藏气水运移规律研究;李鹏;;中国石油石化;20160515(S1);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117575106A (zh) | 2024-02-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111291097B (zh) | 一种基于决策树数据挖掘的钻井漏层位置实时预测方法 | |
| CN111425193B (zh) | 一种基于聚类分析测井岩石物理相划分的储层可压性评价方法 | |
| CN111898831B (zh) | 一种实时洪水概率预报实用化方法 | |
| CN114358427B (zh) | 一种预测页岩气井最终可采储量的方法 | |
| CN113236228A (zh) | 一种单井产量快速预测方法及系统 | |
| CN112963145B (zh) | 一种碳酸盐岩储层气井产能的预测方法 | |
| CN114186879A (zh) | 地质参数对资源量计算误差影响的评估方法及设备 | |
| CN117575106B (zh) | 一种煤层气井产气剖面预测方法、系统、电子设备及介质 | |
| CN117251802A (zh) | 一种基于迁移学习的非均质储层参数预测方法及系统 | |
| CN117488760A (zh) | 基于孔压静力触探试验的黏性土超固结比计算方法 | |
| CN113987416B (zh) | 一种基于置信水平的油气资源量计算方法及系统 | |
| CN111155980A (zh) | 一种水流优势通道识别方法及装置 | |
| CN111580179A (zh) | 一种有机碳含量确定方法、装置及系统 | |
| CN112834404B (zh) | 页岩储层的产气能力的确定方法和装置 | |
| CN112347707B (zh) | 油藏流动非均质性的表征方法及装置 | |
| CN113720952A (zh) | 用于储层解释评价的图版生成方法、装置、设备及介质 | |
| CN106326620A (zh) | 勘探目标分布范围成岩系数模型的优选方法 | |
| CN115619788B (zh) | 一种三维地质模型质量的自动化定量评价方法 | |
| CN114358441B (zh) | 一种致密气产量的智能分段预测方法 | |
| CN113378999B (zh) | 一种基于云模型的致密砂岩储层分类定级方法 | |
| CN117522173B (zh) | 基于深度神经网络的天然气水合物降压开采产能预测方法 | |
| CN117634301A (zh) | 一种预测碎屑岩储层流动单元类型的方法及设备 | |
| Strakhov et al. | PROBABILISTIC EVALUATION OF THE PERMEABILITY OF THE ROCKS OF THE ELEMENTARY CELL OF A GEOLOGICAL MODEL | |
| CN118627418A (zh) | 基于集成学习的地下水封油库涌水量预测方法和装置 | |
| CN118112676A (zh) | 基于变骨架参数的煤岩孔隙度计算方法、系统、装置及介质 |
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 |