一种基于交互数据预测致密气产量主控因素的方法技术

本发明专利技术公开了一种基于交互数据预测致密气产量主控因素的方法，包括：根据地质研究资料和压裂施工报告，收集并整理多种对致密气产量有影响的特征因素数据，进行数据清洗；计算剩余样本数据中各变量两两之间的最大互信息数；对最大的互信息值进行归一化，选择不同尺度下的互信息的最大值作为MIC值，再将其转换为百分制评分MIC

【技术实现步骤摘要】
一种基于交互数据预测致密气产量主控因素的方法


[0001]本专利技术涉及气藏开发
，特别涉及一种基于交互数据预测致密气产量主控因素的方法。

技术介绍

[0002]密砂岩气、致密气包括致火山岩气和碳酸盐岩气，是一种重要的非常规油气资源，其产量几乎占全球非常规资源量的70％。美国储量前100的气藏中有58个是致密气藏，中国80％的天然气赋存于致密气藏，具有十分广阔的开发潜力。虽然我国致密气具有大面积分布的特点，但全面动用致密气的能力还较差，主要原因是在现行天然气价格体系下，开发成本偏高，产出投入比较小，经济效益很差，甚至亏损。因此，准确的筛选出影响致密气产量的主控因素，对后续致密气产量预测研究有着极其深远的意义。
[0003]根据国内外学者的研究成果，致密气压裂井的产量控制因素包括地质因素和工程因素。地质因素一般包括保存条件(如埋深和烃源岩厚度)，含气饱和度，天然裂缝发育情况；工程因素一般包括压裂液注入体积、支撑剂注入量及储层压裂改造效果等。传统主控因素筛选的方法与实际生产存在较大的偏差，对此基于互信息的主控因素筛选方法，是目前最新且最切合实际的方法。

技术实现思路

[0004]针对上述问题，本专利技术旨在提供一种基于交互数据预测致密气产量主控因素的方法，其更易于实施且能够弥补现筛选影响致密气产量主控因素方法的不足。
[0005]本专利技术的技术方案如下：
[0006]一种基于交互数据预测致密气产量主控因素的方法，包括以下步骤：
[0007]Step1：根据地质研究资料和压裂施工报告，收集并整理多种对致密气产量有影响的特征因素数据，获得原始数据集并对原始数据集进行数据清理，剔除异常的样本数据；
[0008]作为优选，所得基础特征因素数据包括射孔深度(m)、射孔井段长(m)、烃源岩厚度(m)、支撑缝宽(mm)、支撑缝高(m)、裂缝导流能力(md
·
m)、全烃峰值(％)、电阻率(Ω
·
m)、岩石密度(g/cm3)、声波时差(μs/m)、孔隙度(％)、含气饱和度(％)、总液量(m3)、前置液百分比(％)、支撑剂量(m3)、平均砂比(％)、施工排量(m3)、携砂液量(m3)等18个自变量。
[0009]作为优选，Step1中在基础数据里剔除异常样本数据包括以下子步骤：
[0010]Step101：筛选出基础样本数据中含零的样本，将其剔除；
[0011]Step102：计算产气量递增梯度，绘制产气量递增梯度散点图，剔除产气量变化幅度过大的样本；
[0012]Step103：剔除含气饱和量异常的样本。
[0013]Step2：计算剩余样本数据中各变量(包括各自变量与致密气产量这一因变量)两两之间的最大互信息数；
[0014]作为优选，Step2中最大互信息数的计算规则如下：
[0015]在信息论中，根据熵的连锁规则，有
[0016]H(X,Y)＝H(X)+H(Y|X)＝H(Y)+H(X|Y)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0017]因此
[0018]H(X)
‑
H(X|Y)＝H(Y)
‑
H(Y|X)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0019]式(2)中的差叫做X和Y的互信息(Mutual Information)，记作I(X；Y).
[0020]其中I(x；y)的计算公式如下：
[0021][0022]式中：p(x),p(y)为两个随机变量(X,Y)的边缘分布，p(x,y)为两个随机变量(X,Y)的联合分布。
[0023]Step3：对最大的互信息值进行归一化，选择不同尺度下的互信息的最大值作为MIC值，再将其转换为百分制评分MIC
i
；
[0024]作为优选，Step3中具体含有以下子步骤：
[0025]Step301：将Step2中得到的最大互信息除以log2(min(a,b))即为归一化；
[0026]Step302：将所有得到的归一化后的最大互信息值的最大值作为MIC值；
[0027]计算MIC值的具体计算公式为：给定i、j，对各个自变量与因变量构成的散点图进行i列j行网格化，并求出最大的互信息值，计算互信息值的公式如下：
[0028][0029]式中：a代表沿x方向划分的网格数；b代表沿y方向划分的网格数；经验系数B≈n
0.6
，其中n为样本数；
[0030]Step303：将得到的MIC值评分转化为百分制的MIC
i
，公式如下：
[0031][0032]作为优选，MIC具有很多优点，其最为突出的优点如下：
[0033]MIC具有普适性、公平性。
[0034]所谓普适性，是指在样本量足够大(包含了样本的大部分信息)时，能够捕获各种各样的有趣的关联，而不限定于特定的函数类型(如线性函数、指数函数或周期函数)，或者说能均衡覆盖所有的函数关系。一般变量之间的复杂关系不仅仅是通过单独一个函数就能够建模的，而是需要叠加函数来表现。对于普适性较好的函数，不同类型的关联关系其起点应当是接近的，而且是接近于一的。
[0035]所谓公平性，是指在样本量足够大时能为不同类型单噪声程度相似的相关关系给出相近的系数。例如，对于一个充满相同噪声的线性关系和一个正弦关系，一个好的评价算法应该给出相同或相近的相关系数。而对于公平性较好的比较方法，随着噪音的增加，不同类型关联关系函数变化应当是相近的。
[0036]Step4：引入随机森林回归算法循环计算10次各变量(包括各自变量与致密气产量
这一因变量)两两之间的RF评分，再将其转换为百分制评分RF
i
，并取10次RF
i
的均值作为最终RF评分即RF
I
；
[0037]作为优选，Step4具体包括以下子步骤：
[0038]Step401：采用随机森林回归算法循环计算10次各变量(包括各自变量与致密气产量这一因变量)两两之间的RF评分；
[0039]Step402：将10次RF评分转换为百分制评分RF
i
，公式如下：
[0040][0041]Step403：取10次RF
i
的均值作为最终RF评分RF
I
。
[0042]Step5：取Step3得到的MIC
i
值及Step4得到的RF
I
值的均值作为综合评分Total_Score
i
，并对Total_Score
i
值进行排序筛选出最优的自变量，将其作为影响致密气产量的主控因素。
[0043]作为优选，Step5具体包括以下步骤：
[0044]Step501：分别得到MIC
i
和RF
I<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于交互数据预测致密气产量主控因素的方法，包括以下步骤：Step1：根据地质研究资料和压裂施工报告，收集并整理多种对致密气产量有影响的特征因素数据，获得原始数据集并对原始数据集进行数据清理，剔除异常的样本数据；Step2：计算剩余样本数据中各变量(包括各自变量与致密气产量这一因变量)两两之间的最大互信息数；Step3：对最大的互信息值进行归一化，选择不同尺度下的互信息的最大值作为MIC值，再将其转换为百分制评分MIC
i
；Step4：引入随机森林回归算法循环计算10次各变量(包括各自变量与致密气产量这一因变量)两两之间的RF评分，再将其转换为百分制评分RF
i
，并取10次RF
i
的均值作为最终RF评分即RF
I
；Step5：取Step3得到的MIC
i
值及Step4得到的RF
I
值的均值作为综合评分Total_Score
i
，并对Total_Score
i
值进行排序筛选出最优的自变量，将其作为影响致密气产量的主控因素。2.一种基于交互数据预测致密气产量主控因素的方法，其特征在于，所得基础特征因素数据包括射孔深度(m)、射孔井段长(m)、烃源岩厚度(m)、支撑缝宽(mm)、支撑缝高(m)、裂缝导流能力(md
·
m)、全烃峰值(％)、电阻率(Ω
·
m)、岩石密度(g/cm3)、声波时差(μs/m)、孔隙度(％)、含气饱和度(％)、总液量(m3)、前置液百分比(％)、支撑剂量(m3)、平均砂比(％)、施工排量(m3)、携砂液量(m3)等18个自变量。3.一种基于交互数据预测致密气产量主控因素的方法，其特征在于，Step1中在基础数据里剔除异常样本数据包括以下子步骤：Step101：筛选出基础样本数据中含零的样本，将其剔除；Step102：计算产气量递增梯度，绘制产气量递增梯度散点图，剔除产气量变化幅度过大的样本；Step103：剔除含气饱和量异常的样本。4.根据权力要求1所述的基于最大互信息法和随机森林法综合筛选影响致密气产量主控因素的方法，其特征在于，Step2中最大互信息数的计算规则如下：在信息论中，根据熵的连锁规则，有H(X,Y)＝H(X)+H(Y|X)＝H(Y)+H(X|Y)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)因此H(X)
‑
H(X|Y)＝H(Y)
‑
H(Y|X)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(2)式(2)中的差叫做X和Y的互信息(Mutual Information)，记作I(X；Y)其中I(x；y)的计算公式如下：式中：p(x),p(y)为两个...

【专利技术属性】
技术研发人员：李海涛，张启辉，李颖，王海光，高素娟，聂松，马欣，王周炀，陆宽，代晶晶，
申请(专利权)人：西南石油大学，
类型：发明
国别省市：