页岩气储层焖井时间与产量关系的预测分析方法技术

本发明专利技术专利公开了页岩气储层焖井时间与产量关系的预测分析方法，具体涉及页岩气开发的技术领域。包括如下步骤：收集整理页岩气储层的测井数据；对测井数据进行数据清洗，并对数据清洗后的测井数据进行补全或删除操作；构建BP神经网络模型，确定输入层、隐藏层、输出层的神经元个数、学习率以及迭代次数，并将特征数据进行特征构造，将产量作为BP神经网络的输出神经元；利用BP神经网络模型进行不断迭代学习，在学习过程中不断的去调节模型的输入参数；通过输入不同关井时间来得到对应产量，从而确定最优关井时间。采用本发明专利技术技术方案解决了现有技术无法对焖井时间与产量进行合理预测分析的问题，可用于优化页岩气的开采工艺，提高开采效率。提高开采效率。

【技术实现步骤摘要】
页岩气储层焖井时间与产量关系的预测分析方法


[0001]本专利技术涉及页岩气开发的
，特别涉及页岩气储层焖井时间与产量关系的预测分析方法。

技术介绍

[0002]我国的页岩气资源潜力巨大，页岩气的勘探和开发可以极大缓解我国的天然气需求压力，改善了我国的能源结构，并确保了我国的能源安全。水力压裂是页岩气储层成功开发的关键技术之一。与常规油气储层不同，现场经验证实，页岩气储层水力压裂后关井一段时间(即压后“焖井”阶段)，再返排压裂液能有效提高页岩气井产能。页岩气井“焖井”增产机理目前尚未完全清楚。其中一种解释为，“焖井”期间由于压裂液与页岩充分接触，发生水化反应，增加了页岩储层的有效孔隙度，提高了储层气体的渗流能力，从而实现增产。但还不能确定具体的“焖井”时间与页岩气产量之间的关系。
[0003]中国专利(专利公开号：CN112228054A)公开了一种基于卷积神经网络的页岩气产量确定方法、装置和设备，其中，该方法包括：获取目标页岩气水平井的特征参数集；其中，特征参数集中包含多个特征参数的值，特征参数为影响目标页岩气水平井产能的地质参数和/或工程参数；根据目标页岩气水平井的特征参数集和利用卷积神经网络训练得到的产能预测模型，确定目标页岩气水平井在预设时间段内的产量数据，其中，目标预测模型用于根据目标页岩气水平井的多个特征参数预测所述目标页岩气水平井在预设时间段内的产量数据。在本说明书实施例中，可以在页岩气水平井的物理渗流机理不明确的情况下，利用多个特征参数，便捷、准确地确定目标页岩气水平井在预设时间段内的产量数据。
[0004]上述技术方案虽然可以预测某一时间段的产量，但并不能分析出焖井时间与产量之间的关系。

技术实现思路

[0005]本专利技术意在提供页岩气储层焖井时间与产量关系的预测分析方法，解决了现有技术无法对焖井时间与产量进行合理预测分析的问题。
[0006]为了达到上述目的，本专利技术的一种技术方案如下：页岩气储层焖井时间与产量关系的预测分析方法，包括如下步骤：
[0007]S101、收集整理页岩气储层的测井数据；
[0008]S103、对步骤S101的测井数据进行数据清洗，并对数据清洗后的测井数据进行补全或删除操作；
[0009]S105、构建BP神经网络模型，确定输入层、隐藏层和输出层的神经元个数、学习率以及迭代次数参数，并将步骤S103中操作完成后的测井数据利用基于参数物理意义和随机组合的方式提取新参数，并将所述新参数作为BP神经网络的的输入参数，并将产量作为BP神经网络的输出神经元；
[0010]S107、利用BP神经网络模型进行不断迭代学习，在学习过程中不断的去调节模型
的输入参数；
[0011]S109、将产量与关井时间进行对比，通过输入不同关井时间来得到对应产量，从而确定最优关井时间。
[0012]进一步的，步骤S101的所述测井数据包括关井时间、开井压力、总液量、砂比、排量、压裂段长、石英砂、孔隙度、渗透率和含气量。
[0013]进一步的，步骤S105中，所述特征构造的方法为利用基于特征数据的物理意义和随机组合的方式提取成新参数。
[0014]与现有技术相比，本方案的有益效果：
[0015]本方案进行了基于物理意义和随机组合方法的特征参数提取，在分析焖井时间与产量关系时，模型的预测效果更加显著，有利于优化页岩气的开采工艺，提高开采效率。
具体实施方式
[0016]下面通过具体实施方式对本专利技术作进一步详细的说明：
[0017]实施例
[0018]页岩气储层焖井时间与产量关系的预测分析方法，包括如下步骤：
[0019]S101、收集整理页岩气储层的测井数据，其收集整理方法为从样本数量、训练集数量、是否有时间特征、特征所表示的含义、特征类型、特征的缺失情况、特征的均值方差、缺失值、异常值等情况显示出数据特性。测井数据包括关井时间、开井压力、总液量、砂比、排量、压裂段长、石英砂、孔隙度、渗透率和含气量。
[0020]S103、对步骤S101的测井数据进行数据清洗，并对显示出数据特性的特征数据进行补全或删除操作；
[0021]补全或删除操作的方法如下：
[0022]分析对应的特征数据应该是填充还是删除，对于特征数据明显异常且占比小于总量的5％
‑
10％时，则直接采用删除操作，对于特征数据出现缺失且占比小于总量的5％
‑
10％时，采用对应特征数据的均值进行补全操作。
[0023]S105、构建BP神经网络模型，BP神经网络采用前向传播和反向学习方法，确定输入层、隐藏层和输出层的神经元个数、学习率以及迭代次数参数，并将步骤S103中操作完成后的特征数据进行特征构造、特征选择等处理操作(即利用基于特征数据的物理意义和随机组合的方式提取成新参数，例如砂量与总液量之比可得到新参数砂比；另也可通过运用现有特征数据进行简单数学运算得到新参数)，使之能更好的和BP神经网络模型融合，特征构造在一定程度上可以提高机器学习的效果，并将新参数作为BP神经网络的输入参数，同时将产量作为BP神经网络的输出神经元，相较于单一参数的预测效果，使用特征构造的新参数可以改善BP神经网络模型的预测效果。
[0024]S107、利用BP神经网络模型进行不断迭代学习，在学习过程中不断的去调节模型的输入参数，使其达到一个很好的训练预测效果。
[0025]S109、分析S107的预测数据，将产量与关井时间进行对比，通过输入不同关井时间来得到对应产量，最终进行比较分析产量与关井时间之间的关系，总结分析出产量高的情况下合理范围内的关井时间，从而确定最优关井时间。
[0026]以上的仅是本专利技术的实施例，方案中公知的具体结构和/或特性等常识在此未作
过多描述。应当指出，对于本领域的技术人员来说，在不脱离本专利技术结构的前提下，还可以作出若干变形和改进，这些也应该视为本专利技术的保护范围，这些都不会影响本专利技术实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.页岩气储层焖井时间与产量关系的预测分析方法，其特征在于：包括如下步骤：S101、收集整理页岩气储层的测井数据；S103、对步骤S101的测井数据进行数据清洗，并对数据清洗后的测井数据进行补全或删除操作；S105、构建BP神经网络模型，确定输入层、隐藏层、输出层的神经元个数、学习率以及迭代次数，并将步骤S103中操作完成后的特征数据进行特征构造，并将特征构造后的特征数据作为BP神经网络的的输入参数，并将产量作为BP神经网络的输出神经元；S107、利用BP神经网络模型进行不断迭代学习，在学习过程...

【专利技术属性】
技术研发人员：刘洪，孙新毅，林魂，庞进，张旭，姜艳，梁朝阳，
申请(专利权)人：重庆科技学院，
类型：发明
国别省市：