【www.zhangdahai.com--其他范文】
陈德承
（荆州职业技术学院，湖北 荆州 434000）
近年来，随着大数据技术的发展，为石油勘探与开发各技术环节的算法升级提供新启发，并已率先应用于提高测井与地震解释质量、采油工程动图优化、智能钻井等领域［1-5］。将人工智能算法应用于压裂参数优化，能有效提高压后油井产能的预测精度，并据此提出更加高效的压裂设计及实施方案，成为新一代压裂工程师最迫切的任务。
智能压裂参数优化方法是具有全面感知、自动调整和优化决策等功能的压裂参数优化技术。借助大数据、数据挖掘技术、压后产能主控因素分析方法，进行智能模拟和预测分析，从而实现压裂参数优化设计的动态优化，达到提高压后产能的目的。基于数据模型的压裂参数智能优化方法包括大数据分析技术、数据代理模型建立及智能优化算法寻优技术。现有的压裂参数设计主要是基于单井的数值模拟及解析法。苟波等［6］以储层精细地质模型为基础，采用数值模拟方法进行压裂参数优化。曲占庆等［7］建立了气藏模型和裂缝模型，并对地压裂参数进行优化。钟森［8］基于复位势及势叠加原理等基本渗流理论，利用解析法对压裂参数进行优化。现有的压裂参数优化方法缺乏对大规模压裂数据的全面认知，很难从整体上对压裂参数进行优化，且设计过程耗时较长。基于数据模型的压裂参数智能优化方法将实现从压裂关键参数分析、压后产能预测到压裂方案设计的各环节大数据的适时获取、充分共享和深度挖掘应用，从而达到优化压裂参数设计、精细化压裂流程管理与量化决策的一体化运作模式，是未来发展方向和压裂施工降本增效的有力保障。
1.1 研究思路与流程设计
基于数据模型的压裂参数智能优化方法的研究思路与流程设计如图1所示。首先，建立地质工程一体化数据库，在此基础上进行压后产能主控因素分析，从而得到对压后产能影响较大的压裂参数。其次，利用机器学习算法来搭建压裂参数与压后产能的关联模型，形成数据代理模型。最后，利用智能优化算法并基于该数据代理模型来搜寻最优的压裂施工参数组合，从而形成压裂方案。
图1 基于数据模型的压裂参数智能优化方法实现流程
1.2 压后产能主控因素分析
大数据分析目的是从海量的未知相关数据中找出一定的相关性。基于一体化模型及压裂施工、生产数据等，对数据进行数据整理、数据清洗、模型训练和预测，选择与水平井产能关系相对密切且影响较大的参数，并对其进行排序，为指导区块高效开发提供参考依据。不同区块间的地质、岩石力学地应力、压裂施工等参数的差异性较大。产能受多种因素的影响，且影响因素极为复杂。建立以产量最大化的决策函数，将训练好的参数使用智能优化算法寻找最佳参数组合。在兼顾产量或投资效益的基础上，为压裂作业过程提供最佳的方案设计。压后产能主控因素分析实现流程如图2所示。
图2 压后产能主控因素分析实现流程
1.2.1 地质工程一体化知识数据库建立。使用人工智能大数据分析软件，并基于油田现场的水平井完井报告，从而提取完井数据，整理苏东南区致密气井区的全生命周期的各种动静态数据，建立产能主控因素分析的大数据分析数据库。储层物性及岩石力学参数包括砂体厚度、含气饱和度、有效储层段长度、储层厚度、水平段长度、渗透率、孔隙度等。压裂施工参数包括返排率、砂比、总液量、加砂量、加砂强度、簇数、段数、最大排量等。生产数据为6个月和1年的产气量。
1.2.2 数据预处理技术。区块全生命周期的地质工程一体化数据数量庞大，且来自不同类型的数据源，出现数据异常的可能性比较高。因此，在数据分析前，有必要对数据进行预处理，至少要经过异常值的甄别和缺失值的填充。通过对数据的统计分析，计算最大值、最小值、下四分位值、上四分位值和中位数。每个类型的数据都有一个范围，超出范围的，即为异常值。此外，另一类异常值属离群点，如图3所示，上、下四分位的差值IQR=U-L，即合理的值的范围为［L-1.5IQR，U+1.5IQR］，超出该范围的数据，很可能就是异常值。
图3 离群异常值箱型图
1.2.3 数据代理模型优选。使用不同算法，如Linear、Lasso、Quadratic、Quadratic Lasso、Random Forest、Gradient Boost Regression等，基于已有的地质、工程、岩石力学、压裂施工等参数来预测模型的产能。在训练模型时，把数据分为训练集和评价集，综合考虑模型在训练集和评价集上的表现，这是为了防止出现过拟合或欠拟合，优选出最佳的算法模型，从而预测产能（见图4）。
图4 不同算法训练集、测试集、全集拟合度雷达图
1.3 压裂施工参数优化
利用粒子群算法［9-10］，在数据代理模型的基础上对压裂施工参数进行优化。标准的PSO的算法流程如图5所示。
图5 标准PSO算法流程
基于智能优化法对水平井总液量、加砂强度、砂比进行优化。通过对74口水平井（水力喷砂分段压裂）进行优化，原始总液量从1 534～8 151.4 m3，平均3 456 m3，将总液量优化为3 000～4 600 m3。加砂强度从1.2～3.2优化为2～3。砂比从15.8～19.8，平均18，优化为17～19。优化后，74口水平井（图6展示15口井的产气量）的6个月累计产气量从54 390万m3预计增加为57 051万m3，预计实现增气量2 661万m3。
图6 基于大数据的总液量优化
本研究利用基于数据模型的压裂参数智能优化法来实现大规模压裂数据的全局快速优化，比依靠工程师经验及单个井的数值模拟进行压裂参数优化的传统方法具有明显优势。利用该方法对苏东南某致密气井区的74口水平井进行了压裂参数进行优化，优化结果显示，该区合理的总液量为3 000～4 600 m3，加砂强度优化为2～3，砂比优化为17～19，优化后增气量为2 661万m3，优化效果显著。
猜你喜欢 液量数据模型水平井 低渗透油田压裂水平井生产动态分析云南化工(2020年11期)2021-01-14TAP阀压开地层解决方案及其在苏南的应用石油工业技术监督(2020年3期)2020-06-03工程因素对页岩气井产水的影响分析科学导报·学术(2019年18期)2019-10-21面板数据模型截面相关检验方法综述中央民族大学学报（自然科学版）(2018年3期)2018-11-09CO2 驱低液量高气液比井下气锚模拟与优化西南石油大学学报(自然科学版)(2016年6期)2017-01-15基于水平井信息的单一河口坝内部增生体识别西南石油大学学报(自然科学版)(2016年6期)2017-01-15经济全球化对我国劳动收入份额影响机制研究——基于面板数据模型党政干部学刊(2015年7期)2015-12-24一种计算水平井产能的新方法天然气勘探与开发(2015年3期)2015-12-08热采水平井加热半径计算新模型中国海上油气(2015年3期)2015-07-01基于数据模型的编程应用中南民族大学学报（自然科学版）(2012年4期)2012-11-26本文来源：http://www.zhangdahai.com/shiyongfanwen/qitafanwen/2023/0808/636812.html
