一种页岩气产能预测和开发方案优化方法技术

本发明专利技术公开了一种页岩气产能预测和开发方案优化方法，包括：获取多个单井对应的数据集(X，Y)；从多个单井对应的数据集(X，Y)中按预设规则分别提取训练数据集(X1，Y1)和测试数据集(X2，Y2)；通过多个机器学习子模型框架的堆叠得到产能预测模型；获取待优化施工参数对应的数据集U，应用产能预测模型得到优化产能目标值对应的数据集J；应用粒子群算法、差分进化算法、贝叶斯优化算法和网格自适应搜索算法，得到最优施工参数对应的数据集U

【技术实现步骤摘要】
一种页岩气产能预测和开发方案优化方法


[0001]本专利技术属于页岩气开发
，更具体地，涉及一种页岩气产能预测和开发方案优化方法、电子设备及介质。

技术介绍

[0002]页岩气产能受水平井多级压裂影响非常显著，压裂完井参数设计对页岩气开发具有重要意义。在进行开发方案设计优化时，首先需要准确预测产能，然后以产能最大化为目标优化各压裂施工参数。但是在“基质
‑
裂缝
‑
井筒”复杂耦合流动、多重地质工程因素的共同影响下，最优施工参数组合很难确定。建立精准的产能预测模型，并提出高效的施工参数优化方案，对提高压裂改造效果、有效提升产能具有重要意义。
[0003]目前页岩气产能预测方法主要有三类：一是建立产能解析解或半经验公式模型，这类方法通常有理论依据、计算快捷，但是基于众多理想状态下的物理假设，在实际应用中具有较大局限性。二是建立完整的地质模型和气藏模型，通过数值模拟精确计算产能。这类方法应用广泛，但计算难度大、耗时长，且无法完全反映复杂地质条件及施工设计方案实际实施情况。三是建立反映地质工程参数和产能之间关系的替代模型。模型结构简单，则无法表征复杂多因素的共同影响，预测精度不高；模型结构复杂，则对数据质量和数量提出更高要求，容易出现过度拟合现象。施工参数优化工作要在产能精准预测的基础上开展，而现有产能预测方法在精度和效率上还有很大提升空间。
[0004]目前页岩气开发方案优化方法主要有三类：一是分析地质条件和类比相似区块，通过经验迁移和专家知识制定开发方案。这类方法在缺少区块精细描述和数据支撑的开发前期最具可行性，但也具有较大的不确定性和主观性。二是基于气藏工程数值模拟试验，计算不同开发方案下的产能预估值，进而优选最佳施工参数。这类方法具有较好的物理和专业含义，但数值模拟计算成本高，而且缺少对多个相互影响的工程参数进行同时优化的系统性方法。三是在产能替代模型基础上搜索施工参数优化方向，这类方法可实施性强，可以融合多种人工智能、机器学习、智能优化算法，具有广阔发展前景，但目前还处于探索试验阶段，未得到广泛应用。
[0005]因此，期待专利技术一种页岩气产能预测和开发方案优化方法，能够有效解决现有技术中现有页岩气开发方案优化方法存在不确定性和主观性、数值模拟计算成本高以及应用不广泛的问题。

技术实现思路

[0006]本专利技术的目的是提出一种页岩气产能预测和开发方案优化方法，以解决现有技术中现有页岩气开发方案优化方法存在不确定性和主观性、数值模拟计算难度大和成本高的问题。
[0007]为了实现上述目的，本专利技术提供一种页岩气产能预测和开发方案优化方法，包括：
[0008]获取多个单井对应的数据集(X，Y)，其中，X为多个单井对应的地质工程数据集，Y
为多个单井对应的产能表征数据集；
[0009]从所述多个单井对应的数据集(X，Y)中按预设规则分别提取训练数据集(X1，Y1)和测试数据集(X2，Y2)；
[0010]基于所述训练数据集(X1，Y1)和所述测试数据集(X2，Y2)，通过多个机器学习子模型框架的堆叠得到产能预测模型；
[0011]获取待优化施工参数对应的数据集U，并基于所述待优化施工参数对应的数据集，应用所述产能预测模型得到优化产能目标值对应的数据集J；
[0012]基于所述优化产能目标值对应的数据集J和所述待优化施工参数对应的数据集U，应用粒子群算法、差分进化算法、贝叶斯优化算法和网格自适应搜索算法，得到最优施工参数对应的数据集U
*
和最大产能目标值对应的数据集J
*
。
[0013]可选地，所述获取多个单井对应的数据集(X，Y)包括：
[0014]获取所述多个单井对应的历史数据集(X
′
,Y
′
)；
[0015]对所述历史数据集(X
′
,Y
′
)进行清洗，得到所述多个单井对应的数据集(X，Y)。
[0016]可选地，所述从所述多个单井对应的数据集(X，Y)中按预设规则分别提取训练数据集(X1，Y1)和测试数据集(X2，Y2)包括：
[0017]将所述述多个单井对应的数据集(X，Y)分割成k个数据子集；
[0018]从k个所述数据子集中提取第i个数据子集作为所述测试数据集(X2，Y2)中的输入测试数据集X2，其中，i＝1,...,k，N
i
表示第i个所述数据子集中样本的个数；
[0019]从k个所述数据子集中提取排除第i个所述数据子集的k
‑
1个所述数据子集作为所述训练数据集(X1，Y1)中的输入训练数据集X1，其中，且N表示所述多个单井对应的数据集(X，Y)中样本的个数，i＝1,...,k，N
i
表示第i个所述数据子集中样本的个数。
[0020]可选地，所述基于所述训练数据集(X1，Y1)和所述测试数据集(X2，Y2)，通过多个机器学习子模型框架的堆叠得到产能预测模型包括：
[0021]建立P个所述机器学习子模型框架f
q
(X,ξ
q
,θ
q
)，其中，f
q
为地质工程参数和产能之间的映射关系，X＝(x1,
…
,x
M
)，且表征M个地质工程参数，ξ
q
为第q个所述机器学习子模型框架f
q
(X,ξ
q
,θ
q
)对应的表征通过训练更新的模型参数，θ
q
为第q个所述机器学习子模型框架f
q
(X,ξ
q
,θ
q
)对应的表征控制模型结构的超参数，q＝1,...,P，P为所述机器学习子模型框架的个数；
[0022]对于每个所述机器学习子模型框架，执行以下步骤S1至S3，得到总第一层输出测试预测集Y4，其中，q＝1,...,P，为所述总第一层输出测试预测集Y4中第q个第一层输出测试预测集：
[0023]S1：确定第q个所述机器学习子模型框架f
q
(X,ξ
q
,θ
q
)对应的所述超参数θ
q
，并基于所述超参数θ
q
，确定第q个最优机器学习子模型框架
[0024]S2：应用所述训练数据集(X1，Y1)和所述测试数据集(X2，Y2)对第q个所述最优机器学习子模型框架进行训练，更新所述模型参数ξ
q
，得到第一层机器学习子
模型框架
[0025]S3：将所述输入测试数据集X2输入到第一层机器学习子模型框架中，得到第q个第一层输出测试预测集Yq4，其中，
[0026]建立第二层模型框架F(X
*
,ξ
F
,θ
F
)，并应用所述总第一层输出测试预测集Y4作为第二层输入训练数据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种页岩气产能预测和开发方案优化方法，其特征在于，包括：获取多个单井对应的数据集(X，Y)，其中，X为多个单井对应的地质工程数据集，Y为多个单井对应的产能表征数据集；从所述多个单井对应的数据集(X，Y)中按预设规则分别提取训练数据集(X1，Y1)和测试数据集(X2，Y2)；基于所述训练数据集(X1，Y1)和所述测试数据集(X2，Y2)，通过多个机器学习子模型框架的堆叠得到产能预测模型；获取待优化施工参数对应的数据集U，并基于所述待优化施工参数对应的数据集，应用所述产能预测模型得到优化产能目标值对应的数据集J；基于所述优化产能目标值对应的数据集J和所述待优化施工参数对应的数据集U，应用粒子群算法、差分进化算法、贝叶斯优化算法和网格自适应搜索算法，得到最优施工参数对应的数据集U
*
和最大产能目标值对应的数据集J
*
。2.根据权利要求1所述的页岩气产能预测和开发方案优化方法，其特征在于，所述获取多个单井对应的数据集(X，Y)包括：获取所述多个单井对应的历史数据集(X
′
,Y
′
)；对所述历史数据集(X
′
,Y
′
)进行清洗，得到所述多个单井对应的数据集(X，Y)。3.根据权利要求1所述的页岩气产能预测和开发方案优化方法，其特征在于，所述从所述多个单井对应的数据集(X，Y)中按预设规则分别提取训练数据集(X1，Y1)和测试数据集(X2，Y2)包括：将所述述多个单井对应的数据集(X，Y)分割成k个数据子集；从k个所述数据子集中提取第i个数据子集作为所述测试数据集(X2，Y2)中的输入测试数据集X2，其中，N
i
表示第i个所述数据子集中样本的个数；从k个所述数据子集中提取排除第i个所述数据子集的k
‑
1个所述数据子集作为所述训练数据集(X1，Y1)中的输入训练数据集X1，其中，且N表示所述多个单井对应的数据集(X，Y)中样本的个数，i＝1,...,k，N
i
表示第i个所述数据子集中样本的个数。4.根据权利要求3所述的页岩气产能预测和开发方案优化方法，其特征在于，所述基于所述训练数据集(X1，Y1)和所述测试数据集(X2，Y2)，通过多个机器学习子模型框架的堆叠得到产能预测模型包括：建立P个所述机器学习子模型框架f
q
(X,ξ
q
,θ
q
)，其中，f
q
为地质工程参数和产能之间的映射关系，X＝(x1,
…
,x
M
)，且表征M个地质工程参数，ξ
q
为第q个所述机器学习子模型框架f
q
(X,ξ
q
,θ
q
)对应的表征通过训练更新的模型参数，θ
q
为第q个所述机器学习子模型框架f
q
(X,ξ
q
,θ
q
)对应的表征控制模型结构的超参数，q＝1,...,P，P为所述机器学习子模型框架的个数；对于每个所述机器学习子模型框架，执行以下步骤S1至S3，得到总第一层输出测试预测集Y4，其中，q＝1,...,P，测集Y4，其中，q＝1,...,P，为所述总第一层输出测试预测集Y4中第q个第一层输出测试预测集：
S1：确定第q个所述机器学习子模型框架f
q
(X,ξ
q
,θ
q
)对应的所述超参数θ
q
，并基于所述超参数θ
q
，确定第q个最优机器学习子模型框架S2：应用所述训练数据集(X1，Y1)和所述测试数据集(X2，Y2)对第q个所述最优机器学习子模型框架进行训练，更新所述模型参数ξ
q
，得到第一层机器学习子模型框架...

【专利技术属性】
技术研发人员：孟晋，叶天睿，周钰杰，肖倚天，韩萌，王惠勇，张宝森，
申请(专利权)人：中国石油化工股份有限公司石油勘探开发研究院，
类型：发明
国别省市：