一种基于机器学习的水力压裂投产效果评价方法技术

本发明专利技术涉及致密油气藏开发技术领域，具体涉及一种基于机器学习的水力压裂投产效果评价方法，先获取区块的地质数据、工程数据和产能数据；再把这些数据集随机划分为训练数据块、验证数据块和测试数据块，并应用多种机器学习算法对这些数据块进行处理，选出预测误差最小的机器学习算法；再根据选出的算法按照影响产能数据重要度的预设值得出影响产能的主要数据；令工程数据服从概率分布，结合选取的机器学习算法以及影响产能的主要数据，应用蒙特卡罗模拟产生单井产能概率分布曲线；再根据该曲线分别获取若干概率所对应的单井产能值；对比单井的实际产能值和从概率曲线得到的单井产能值，对该井压裂效果进行评价，进一步可实现区块的压裂效果评价。

An Evaluation Method of Hydraulic Fracturing Operation Effect Based on Machine Learning

【技术实现步骤摘要】
一种基于机器学习的水力压裂投产效果评价方法
本专利技术涉及致密油气藏开发
，具体涉及一种基于机器学习的水力压裂投产效果评价方法。
技术介绍
致密油气藏在我国和世界上均占有相当大的比例，其岩层致密，地层的孔隙度和渗透率都比较低，往往需要对这些油气藏进行人工水力压裂从而达到增产或投产的目的。水力压裂是利用地面的高压泵组将高粘度压裂液泵入油井或气井中，当压裂层段的液体压力达到一定值后，压裂层段就会破裂并开启裂缝，随着支撑剂的(一般为砂子或陶粒)的添加，逐渐形成一条高导流能力的添砂裂缝，从而达到提高油气产量的目的。水力压裂机理复杂、影响因素众多，涉及到地质、工程、材料等不同的领域，而投产压裂效果评价是以保障压裂施工成功率、优化压裂工艺技术、提高压后产能为目的，按照科学的程序和方法，系统地对压裂施工本身和压裂后油气井或油气藏的表现进行分析和评价，为优化压裂设计和油气藏管理决策提供依据。投产效果评价结论是否可信,取决于油气井产能预测模型的选取。目前评价方法普遍存在如下问题：采用单一的油气井产能预测模型，没有对模型进行优化，从而影响了压裂效果评价的可信性。
技术实现思路
为解决现有技术中存在的问题，本专利技术的目的在于提供一种基于机器学习的水力压裂投产效果评价方法，该方法用机器学习算法建立产能预测模型，通过优选机器学习算法实现产能预测模型的优化，并将蒙特卡洛模拟的概率评价技术与机器学习方法相结合，能够实现对单井压裂效果评价。本专利技术采用的技术方案如下：一种基于机器学习的水力压裂投产效果评价方法，包括如下步骤：步骤1，获取区块的地质数据、工程数据和产能数据；步骤2，按照对数据个数预设的比例，把数据集随机划分为训练数据块、验证数据块和测试数据块，其中所述数据集包括步骤1所述的地质数据、工程数据和产能数据；步骤3，应用多种机器学习算法分别对训练数据块进行学习，用验证数据块分别确定所述多种机器学习算法的模型参数，根据模型参数分别构建所述多种机器学习算法的机器学习模型；步骤4，分别利用所述多种机器学习算法的机器学习模型对测试数据块进行预测，根据预测误差，选取预测误差最小的机器学习算法；步骤5，应用步骤4选取的机器学习算法，按照对油气井产能的影响程度，对地质数据和工程数据进行排序，按照影响产能数据重要度的预设值得出影响产能的主要数据；步骤6，令工程数据服从已知的概率分布，结合步骤4选取的机器学习算法以及步骤5得出的影响产能的主要数据，应用蒙特卡罗模拟产生单井产能概率分布曲线；步骤7，应用步骤6产生的单井产能概率分布曲线，分别获取若干概率所对应的单井产能值P；步骤8，对比单井的实际产能值和从步骤7得到的单井产能值P，根据对比结果对该井的压裂效果进行评价。所述地质数据包括地层的有效厚度、孔隙度、渗透率、泥质含量和含气饱和度。所述工程数据包括压裂液的排量、前置液量、平均砂比、混砂液量、破裂压力和返排率。所述产能数据包括无阻流量、累积产油量或累计产气量。数据个数按照7：1：2的比例把数据集随机划分为训练数据块、验证数据块和测试数据块。所述多种机器学习算法包括随机森林、广义线性模型、支持向量机、决策树、人工神经网络和梯度提升决策树。所述步骤6中，可令工程数据服从任意概率分布。所述步骤7中，获取若干概率所对应的单井产能值P时，若干概率可根据实际需要由评价人员任意选取。所述步骤7中，分别获取概率为0.8、0.6、0.4和0.2所对应的单井产能值P80、P60、P40和P20；所述步骤8中，对比单井的实际产能值和从步骤7得到的单井产能值P80、P60、P40和P20：当井的实际产能值≥P80时，则压裂效果评价为优；当P60≤井的实际产能值＜P80时，则压裂效果评价为良；当P40≤井的实际产能值＜P60时，则压裂效果评价为中；当P20≤井的实际产能值＜P40时，则压裂效果评价为及格；当井的实际产能值＜P20时，则压裂效果评价为差。通过步骤8对区块的所有压裂井进行效果评价，分别统计投产效果为“优”、“良”、“中”、“及格”和“差”井的数量，通过统计的数量来对区块压裂效果进行评价。本专利技术具有如下有益效果：本专利技术通过综合考虑地质因素、工程因素，用单井压后产能变化情况为评价指标，对数据个数按照预设比例把地质数据、工程数据和产能数据随机划分为训练数据块、验证数据块和测试数据块，接着采用多种机器学习方法分别对训练数据块进行学习，用验证数据块分别确定所述多种机器学习算法的模型参数，根据模型参数分别构建所述多种机器学习算法的机器学习模型，由于在不同的数据和应用中，各类机器算法有不同准确率的表现，因此在实际应用中需要结合具体的应用和数据，选择最合适该数据的机器学习算法及其参数，以得到该数据上到达最高预测准确率的算法，因此本专利技术接着分别利用所述多种机器学习算法的机器学习模型对测试数据块进行预测，根据预测误差，选取预测误差最小的机器学习算法，实现了对机器学习算法的优化，提高了压裂效果评价的质量；接着利用选取的机器学习算法，按照对油气井产能的影响程度，对地质数据和工程数据进行排序，按照影响产能数据重要度的预设值得出影响产能的主要数据；然后令工程数据服从概率分布，结合选取的机器学习算法以及得出的影响产能的主要数据，应用蒙特卡罗模拟产生单井产能概率分布曲线，蒙特卡洛模拟能综合考虑多种因素，不仅能得到评价结果，也能得到对应的发生概率，使得评价结果更可靠、更贴近实际，有助于对所采用的压裂施工工艺、压裂液、支撑剂的优选，提高项目决策的科学性；接着应用单井产能概率分布曲线，分别获取若干概率所对应的单井产能值P，最后对比单井的实际产能值和得到的单井产能值P，根据对比结果对该井的压裂效果进行评价；综上，本专利技术的评价方法采用定性、定量结合以及人机结合的评价技术，并将定性影响因素通过评价指标而定量表示，使评价结果具有科学性和客观性。本专利技术不仅仅是针对单井或单项压裂工艺，而是一种最为普遍的压裂工艺在区块的应用情况的评价，评价的结果具有宏观性。附图说明图1为本专利技术实施例中地质数据和工程数据影响产能数据重要度示意图；图2为本专利技术实施例中无阻流量概率分布曲线的产生流程图；图3为利用本专利技术实施例中区块压裂投产效果评价示意图；图4为本专利技术评价方法的流程图。具体实施方式下面结合附图和实施例来对本专利技术作进一步的说明。参照图4，本专利技术的基于机器学习的水力压裂投产效果评价方法，包括两个部分，第一部分是从多种学习算法中是确定最优的机器学习算法；第二部分是应用最优的学习算法实现水力压裂投产效果评价。具体步骤如下：步骤1，获取评价区块的地质数据、工程数据和油气井产能数据地质，地质数据包括地层的有效厚度、孔隙度、渗透率、泥质含量和含气饱和度；工程数据包括压裂液的排量、前置液量、平均砂比、混砂液量、破裂压力和返排率；产能数据包括无阻流量、累积产油量或累计产气量；压裂液的排量、前置液量、平均砂比、混砂液量称为压裂施工数据，地质数据和工程数据统称为输入数据，油气井产能数据称为输出数据；步骤2，按照对数据个数预设的比例，把数据集随机划分为训练数据块、验证数据块和测试数据块，其中所述数据集包括步骤1所述的地质数据、工程数据和产能数据；步骤3，应用多种现有的机器学习算法对训练数据块进行学习，用验证数据块分别确定所述多种机本文档来自技高网...

【技术保护点】
1.一种基于机器学习的水力压裂投产效果评价方法，其特征在于，包括如下步骤：步骤1，获取区块的地质数据、工程数据和产能数据；步骤2，按照对数据个数预设的比例，把数据集随机划分为训练数据块、验证数据块和测试数据块，其中所述数据集包括步骤1所述的地质数据、工程数据和产能数据；步骤3，应用多种机器学习算法分别对训练数据块进行学习，用验证数据块分别确定所述多种机器学习算法的模型参数，根据模型参数分别构建所述多种机器学习算法的机器学习模型；步骤4，分别利用所述多种机器学习算法的机器学习模型对测试数据块进行预测，根据预测误差，选取预测误差最小的机器学习算法；步骤5，应用步骤4选取的机器学习算法，按照对油气井产能的影响程度，对地质数据和工程数据进行排序，按照影响产能数据重要度的预设值得出影响产能的主要数据；步骤6，令工程数据服从概率分布，结合步骤4选取的机器学习算法以及步骤5得出的影响产能的主要数据，应用蒙特卡罗模拟产生单井产能概率分布曲线；步骤7，应用步骤6产生的单井产能概率分布曲线，分别获取若干概率所对应的单井产能值P；步骤8，对比单井的实际产能值和从步骤7得到的单井产能值P，根据对比结果对该井的压裂效果进行评价。...

【技术特征摘要】
1.一种基于机器学习的水力压裂投产效果评价方法，其特征在于，包括如下步骤：步骤1，获取区块的地质数据、工程数据和产能数据；步骤2，按照对数据个数预设的比例，把数据集随机划分为训练数据块、验证数据块和测试数据块，其中所述数据集包括步骤1所述的地质数据、工程数据和产能数据；步骤3，应用多种机器学习算法分别对训练数据块进行学习，用验证数据块分别确定所述多种机器学习算法的模型参数，根据模型参数分别构建所述多种机器学习算法的机器学习模型；步骤4，分别利用所述多种机器学习算法的机器学习模型对测试数据块进行预测，根据预测误差，选取预测误差最小的机器学习算法；步骤5，应用步骤4选取的机器学习算法，按照对油气井产能的影响程度，对地质数据和工程数据进行排序，按照影响产能数据重要度的预设值得出影响产能的主要数据；步骤6，令工程数据服从概率分布，结合步骤4选取的机器学习算法以及步骤5得出的影响产能的主要数据，应用蒙特卡罗模拟产生单井产能概率分布曲线；步骤7，应用步骤6产生的单井产能概率分布曲线，分别获取若干概率所对应的单井产能值P；步骤8，对比单井的实际产能值和从步骤7得到的单井产能值P，根据对比结果对该井的压裂效果进行评价。2.根据权利要求1所述的一种基于机器学习的水力压裂投产效果评价方法，其特征在于，所述地质数据包括地层的有效厚度、孔隙度、渗透率、泥质含量和含气饱和度。3...

【专利技术属性】
技术研发人员：马先林，蔡文斌，周德胜，李宪文，何明舫，
申请(专利权)人：西安石油大学，
类型：发明
国别省市：陕西,61