文摘

评价液压骨折(高频)的表现是至关重要的发展等非常规资源紧张的石油和天然气。提出了一种概率评估方法与蒙特卡罗模拟整体集成机器学习。在该方法中,我们使用整体学习来开发生产力和其影响因素之间的预测模型包括地质属性和高频处理参数。接下来,耦合建立预测模型与蒙特卡罗模拟,实证的累积概率分布生成效率。好的高频性能评估估计其累积概率值。该方法应用于评价高频表演在一个发达的东部Sulige块地区。研究表明,19%的井是骨折具有良好的质量和井与平均质量骨折的55%,而其余的是刺激与质量较差。高频的评估提供指导优化设计的井没有液压刺激。

1。介绍

致密砂岩天然气已成为一个新的勘探目标和中国天然气供应的重要来源1- - - - - -6]。油气田,位于鄂尔多斯盆地的中心部分,是最大的致密气田天然气储量估计为18.85 Tcf(在中国7- - - - - -9]。Sulige东部的一个主要地区的天然气勘探和开发气田(10,11]。由于低质量的岩石属性如渗透率和孔隙度的含气地层水力压裂进行刺激,天然气可以产生经济紧张的形成。

水力压裂是一个过程,注入大量的水,支撑剂(砂),通过井筒和添加剂在高压低渗透地层破坏岩石和创建裂缝(液压骨折)。注入的支撑剂保持骨折开放(12- - - - - -14]。这些骨折可以延长几百英尺远的井筒,形成高渗透流路径,从紧张缓解天然气流动形成向井筒和提高气体复苏。在过去的几年里,数百名井水力刺激和Sulige东部地区生产。然而,天然气产量的显著差异在压裂井(15]。进一步开发气田,有必要探讨液压骨折表演和确定最佳水力压裂实践井天然气产量最大化。

完成高频工作,生产性能等绝对无阻流量(AOFP)或累计天然气生产采用作为水力断裂性能的指标。油井生产性能是由多个变量控制的。在这项工作中,我们考虑地质属性和压裂治疗参数。地质属性包括气体饱和度、油层厚度、孔隙度、基质渗透率,存在自然的骨折。治疗参数主要包含流体注入量、注入率和压力,支撑剂卷,影响裂缝的几何图形。进行绩效评价,有必要建立一个预测模型,确定油井生产性能与这些影响因素。油藏数值模拟软件通常是用来建立这样的模型通过模拟天然气流动严格矩阵和骨折(16- - - - - -19]。然而,油气产量预测的准确性高度依赖的致密气储层描述和表示诱导裂缝几何。由于有限的数据和地下形成的复杂性,不可能精确地量化属性。同时,底层流机制非常复杂的紧形成多个简化假设已经在机械的造型20.]。这些挑战了,估计从储层油气生产模拟通常不同于实际生产数据(21]。此外,数值模拟运行计算密集型通过求解偏微分方程和非线性大让他们不可行的概率评估的高频性能,在数以百计的模拟通常是必需的。大量的数据从各种来源收集和可用Sulige东部地区。机器学习方法可以提供可能的解决方案来克服的缺点。

近年来,机器学习方法预测已经成为一个强大的工具的生产性能。例如,内贾德et al。22)建立了一个神经网络模型检查完成的效果和骨折治疗的设计在鹰福特页岩天然气产量。Mohaghegh [23)提出了页岩的概念分析来描述页岩气开发的人工智能的应用。页岩分析应用于调查不同的储层和完成参数如何影响在几个美国的页岩天然气产量。蒙哥马利和奥沙利文24)开发了一种空间误差模型和regression-Kriging预测致密油生产使用大型数据集从北达科他州的威利斯顿盆地。王,陈25]调查四个机器学习算法的性能预测第一年石油生产Montney紧水库和得出结论,随机森林的表现优于其他算法。波勒斯et al。26)建立了一个随机森林模型来预测一年级使用地质和石油生产完井设计参数。发达模型被用来评估水力裂缝水平井的性能在维京形成,加拿大。虽然机器学习技术取得了可喜的成果在生产预测在上面的研究,这些研究没有考虑高频的不确定性与复杂性的过程。这些不确定因素的量化评估高频性能可以提供宝贵的信息。

在这项研究中,我们发展一个概率的方法来评估高频性能。我们的方法与蒙特卡罗模拟集成整体学习,考虑到不确定性造成的高频治疗复杂性。方法受到Mohaghegh结合神经网络和蒙特卡罗模拟(23]。我们应用开发方法获得的经验累积概率分布以及生产力。好的高频性能评估估计其概率值。

2。方法

概率评估工作流的高频性能包括四个主要步骤,如图1。(步骤1)数据收集:收集原始数据从一个数据库。独立变量包括地质属性和水力压裂处理参数。目标变量代表了后处理生产性能。(步骤2)数据预处理:将原始数据准备建立一个预测模型。数据预处理是由两部分组成:数据清洗和特征选择。(步骤3)整体学习:建立一个模型来预测油井生产性能使用整体机器学习。(步骤4)概率评估:结合预测模型与蒙特卡罗模拟来评估高频性能。


图1
高频性能评估的工作流程。
2.1。数据收集和预处理

我们提取743垂直裂缝井从私人数据库。这些井选择没有缺失值和从同一块在东部Sulige开发。作为中国天然气发展的一个重点领域,苏里格气田东部延伸从内蒙古自治区鄂尔多斯地区在中国陕西省榆林地区。气田的储层岩石主要由上古生代河流和三角洲砂(27]。主气层Permian-age石河子形成、山西形成,本溪市形成,马家沟的形成。第八届成员石河子形成(He8)是一种最气体生产区域地层厚度之间的45米,60米。严格的平均深度地层的研究区域范围从2300米到3800米。储层孔隙度范围从5%到15%,基质渗透率变化从0.5到20 mD (28]。应用了多级水力压裂井最近在这个领域。然而,该领域仍主要由垂直发展,占总数的80%以上的井(29日]。垂直井钻到形成He8和1圣山西的成员形成(Shan1)在2009年和2016年之间。基于地质解释,大部分的垂直井气层有几个平均厚度小于5米。刺激独立层,多层分段压裂技术,如机械封隔器,套管的袖子,连续油管是提高压裂开发的效率和提高单井产量。然而,压裂井只能保持稳定的天然气生产1 - 1.5年;然后生产迅速下降。因此,气体流速分配适当保持相对长期稳定的生产(30.]。

对于每一个垂直井,有十二个变量中列出的表1。

表1
模型变量的列表。

目标变量是绝对无阻流量(AOFP)量化水力断裂性能。独立变量的数量是十一岁。两种独立变量识别最重要的采用水力压裂井的生产性能:地质属性和心力衰竭的治疗参数。地质属性包括地层厚度、真正的垂直深度(TVD)、孔隙度、基质渗透率和天然气饱和。心力衰竭治疗参数,如流体卷,注入率,和压力确定断裂几何学和电导率,在天然气流动起着重要的作用。

收集到的原始数据通常包括缺失的数据,不正确的格式,和异常数据,影响后来的直接使用原始数据预测模型。数据预处理是用来解决问题,主要包括数据清理、数据转换、和特征选择中所描述的部分3。

2.2。整体学习

集成学习方法是机器学习技术的进步通过建立多个学习者和结合这些学习者的输出获得鲁棒预测(31日]。已经证实,合奏学习者具有更好的表现比一个学习者和已经被应用于许多回归和分类问题(32]。提高整体学习是一种有效的方法。弗里德曼(33,34)认为提高作为损失函数的优化的概念,介绍了梯度增加。梯度提高决策树(GBDT)是一个整体算法结合许多决策树模型,其中每个树构建迭代前树的残差最小化。最后输出的预测是综合所有的树木。GBDT算法简要描述如下。

假设 是一组特性(地质属性和高频处理参数)和 是一个预测函数的目标变量y(绝对无阻流量)。给定的训练数据集 ,GBDT模型 建立的总和吗 添加剂的功能 基于决策树 (35,36]: 在哪里 的意思是分裂的终端节点位置和树吗 和 预计通过最小化指定损失函数 :

迭代的数量 从1开始 ,和消极的梯度 在当前的预测模型计算

这棵树 用于近似负梯度,下降步长 是计算

更新模型基于方程(2)- (4):

GBDT有几个优点,包括应对倾斜的能力变量,计算鲁棒性和高可伸缩性(37]。更多细节的算法可以找到朱et al。27]。

2.3。概率评估

由于水力压裂过程的复杂性,生产预测有一定的不确定性,这强烈影响高频性能评估。

蒙特卡罗模拟可以用来量化预测的不确定性估计一个经验累积概率分布的生产力,而不是一个确定的值。如图2,我们固定的地质属性的值选择,认为骨折治疗参数作为随机变量服从某种概率分布,如三角形或高斯或制服。范围,意味着,这些分布的方差估计的数据集。我们运行成千上万次的预测模型从给定的随机抽样分布。结束的时候,一个经验累积概率分布生成AOFP所选的好。通过概率分布的高频性能可以通过估计其概率值进行评估。在下一节中描述的细节。


图2
骨折的概率评价通过从[获得AOFP累积概率分布(修改23])

3所示。结果

3.1。离群值删除

图3通过直方图显示异常值的存在的主要输入变量。数据中的异常值环绕在黑色的变量。我们还应用Rosner的测试来验证异常值直方图中标识(38]。总共39井数据集的异常值检测和删除。704口井被保持到下面的预测模型。


图3
直方图的主要变量。

表2总结了范围和统计特性的独立和相关的变量。每口井的绝对无阻流量范围从0.4到21.5 (104米3/天),平均 4米3/天。总注入流体体积和支撑剂液比例每口井的平均是589.7米3分别为(27.4%)。

表2
变量的统计特性。
3.2。相关分析

图4显示了皮尔森协方差矩阵量化的变量之间的线性相关程度。它指出,所有治疗参数与油井生产效率正相关(AOFP)。压裂液量的增加加大水库刺激区域,从而创造出更多的井筒和储层之间的接触面积。正如预期的那样,有垫之间的多重共线性流体体积(PFV)浆体液(SFV)和总体液(TFV)由于流体总量包括垫流体体积和泥浆流体体积。因此,流体总量将下降在接下来的预测模型。此外,地质属性与AOFP也有正相关。形成厚度最大的皮尔森系数值。更复杂的特征选择方法包括逐步回归和递归特性消除正在接受调查。


图4
皮尔森之间的协方差矩阵的特性。
3.3。生产预测

704口井的数据集被分为训练集和测试数据集的比例80:20。的主要hyperparameters GBDT模型包括学习速率、数量的树木,最小数量的样品需要在一个叶节点,最大深度和数量的特性最好的分裂。hyperparameter调优进行训练数据使用网格搜索结合5倍交叉验证(简历)。最优hyperparameter值表中列出3。

表3
最优hyperparameter GBDT的值。

图5结果显示10个输入变量的相对重要性AOFP。地层厚度和支撑剂液比例是两个最重要的变量,其次是垫流体体积和基质渗透率。变量重要性控诉,地层厚度对油井生产效率产生重大影响。因此,当压裂气井,我们需要评估其渗透性地层厚度和矩阵。压裂操作而言,我们可以添加更多的支撑剂提高裂缝传导性和体液增加垫改善压裂效果。


图5
相关变量的重要性。

图6比较实际和预测AOFP使用建立GBDT模型训练集和测试数据集。


图6
比较实际和预测AOFP培训和测试数据。

在图中,数据点沿45度的直线,分组,确定系数的值 训练和测试数据集计算是0.91和0.74,分别。结果表明,预测AOFP与实际AOFP值有很好的匹配的训练和测试数据集,这表明发达AOFP预测模型是健壮的水力裂缝性能的评价。

3.4。井水力性能评估

我们选择Sudong42-48评估其水力压裂性能作为一个例子。表4显示的输入变量和AOFP值。

表4
Sudong42-48性能好。

我们固定的地质属性的值,认为骨折治疗参数作为随机变量服从某种概率分布,如三角形或高斯或制服。我们运行成千上万次的预测模型从给定的采样处理参数分布。估计AOFP从每个运行了。结束的时候,一个直方图和经验的累积概率分布选择生成如图7。油井水力性能评估估计其累积概率基于AOFP,如图7。油井AOFP是 ,被标记为一个填充圆的 - - - - - -轴。相应的累积概率是0.18确定水力压裂的性能。这口井的水力压裂质量列为“穷”根据表中给出的评估标准5因为其累积概率值小于0.3。采取相同的评估过程,评估其他垂直井的水力压裂的表演在发达Sulige东部地区的块。


图7
柱状图和概率分布AOFP。
表5
评估标准。

从变量的重要性分析,支撑剂液比(玻璃钢)是最具影响力的因素在骨折治疗参数。如果我们增加玻璃钢值从9.7%(最初的)23%,油井产量增加了29%,这口井的水力压裂质量可以归类为“公平。“因此,评估是有用的优化治疗心力衰竭。

我们为所有704断裂井进行了评估。物体的评价结果在图所示8。54.6%的水井在块断裂以“公平”质量,井与“穷”质量26.4%,只有19%的井与“好”的质量。结果表明,更好的高频设计要求提高气田的高频表现。


图8
液压骨折块的性能评价结果Sulige东部地区。

4所示。结论

在本文中,我们开发了一种概率工作流水力裂缝性能评估通过集成与蒙特卡罗模拟整体学习。使用数据从一个块Sulige东部地区的开发,我们应用了工作流评价水力裂缝井的性能。(1)绝对无阻流量作为响应变量,而十地质和骨折治疗选择参数作为输入变量(2)一个学习模式是建立量化复杂的地质属性之间的关系,处理参数,绝对无阻流量。结果起诉,形成厚度最重要影响生产力,支撑剂液比例紧随其后(3)704断裂的垂直井,19%的水井已经刺激了“好”的质量,井以“公平”质量的54.6%,和26.4%的井与“穷”的质量(4)提出的工作流可以应用到评价多级水力压裂等增产措施的表演在水平井或酸压裂

数据可用性

数据是可用的。

的利益冲突

作者宣称没有利益冲突。

确认

这项研究是由中国国家自然科学基金项目(批准号51974253和51974253),中国国家自然科学基金青年项目(批准号52004219),的科学研究项目由教育部陕西省(批准号。18 js085和20 js117),陕西和自然科学基础研究项目(批准号。2020金桥- 781和2017 jm5109)。