System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及页岩油气藏开发,特别是涉及到一种基于协同训练的页岩油井压裂效果评价方法。
技术介绍
1、近年来,伴随着世界各国对能源需求的不断增大,常规油气资源勘探开发进入后期阶段,油气勘探开发重心正逐步向低质量、难开发的非常规油气资源转移。页岩油作为非常规油气资源的重要组成部分和典型代表,已经成为勘探开发领域的研究热点。我国页岩油资源储量十分巨大,具有良好的开发前景。加大页岩油的勘探开发力度,对确保我国能源安全具有重要战略意义。
2、页岩油藏具有极低孔隙度和渗透率的特点,生产井不经过压裂改造一般无自然产能,很难实现商业开采。目前,水平井和多段压裂技术的综合应用已成为页岩油气藏开发的有效方法。体积压裂可在近井地带形成多条主裂缝,通过主裂缝的剪切滑移生成一系列的分支缝,形成复杂的裂缝网络系统,实现储层的三维立体改造,改善油气渗流环境和油气层动用状况。因此,评价页岩油井的压裂效果,对于储层的产能预测及开发决策有着非常重要的作用。
3、目前常用的压裂效果评估手段主要有微地震、电位监测和基于产能模型的评估方法。微地震监测信号噪声较大,分析的裂缝尺寸不准确,无法提供可靠的裂缝半长和支撑缝体积等参数。电位监测法取样点较少,无法获得监测数据准确的时间-空间分布,且这两种方法均存在施工难度大、成本高等问题,限制了该类方法的扩大应用。通过数值模拟和解析方法对压裂油井的产量进行预测,评估生产井的压裂效果,是当前较为常用的压裂效果评价方法。但目前对于非常规油气藏的数值模拟,其不确定性较大,对油气藏参数和裂缝参数的精度要求较高,且
4、在申请号:cn201811102171.x的中国专利申请中,涉及到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。
5、在申请号:cn202011418354.x的中国专利申请中,涉及到一种致密油压裂水平井产能主控因素评判与产能预测方法;确定出致密油压裂水平井产能的潜在影响因素;建立适应研究区的压裂水平井产能综合评价体系;获取相关数据;评判研究区压裂水平井产能主控因素;计算主控因素在所属分类中所占的权重比例;建立研究区压裂水平井产能水平预测公式;建立研究区压裂水平井产能递减预测模型,预测油井产能递减规律。该专利技术提出的产能预测方法所预测的致密油压裂水平井产能与现场生产数据吻合度高,1口水平井的产油数据与预测结果对比,相对误差小于7%,预测精度较高,能够满足生产需求。
6、在申请号:cn201710212038.9的中国专利申请中,涉及到一种页岩气井产量预测方法,包括:根据原始地层压力、井底流压和日产量构建待分析页岩气井的拟压力规整化产量函数;根据拟压力规整化产量函数,基于产量确定双对数图版绘制函数,根据双对数图版绘制函数绘制拟压力规整化产量双对数图版;对拟压力规整化产量双对数图版进行拟合,并根据双对数图版拟合结果进行产量与压力历史拟合,确定出待分析页岩气井的相关参数;基于预设页岩气井产量预测模型,根据待分析页岩气井的相关参数,确定预测产量。该方法能够有效避开物质平衡时间随真实时间不单调变化的问题,消除了因生产数据间断、大的波动给生产数据解释带来的负面影响,同时能实现双对数图版数据和生产历史数据的同步拟合。
7、以上现有技术均与本专利技术有较大区别,未能解决我们想要解决的技术问题,为此我们专利技术了一种新的基于协同训练的页岩油井压裂效果评价方法。
技术实现思路
1、本专利技术的目的是提供一种综合利用已投产井和待压裂井的地质、工程数据,评估生产井的压裂效果的基于协同训练的页岩油井压裂效果评价方法。
2、本专利技术的目的可通过如下技术措施来实现:基于协同训练的页岩油井压裂效果评价方法,该基于协同训练的页岩油井压裂效果评价方法包括:
3、步骤1,对投产初期页岩区块的多源数据进行收集;
4、步骤2,统计分析目标区块压裂水平井产能数据,建立压裂效果评价标准;
5、步骤3,根据目标区块数据开展产能影响因素分析,建立学习样本库;
6、步骤4,基于目标区块建立的样本库开展协同训练,建立产油贡献率预测模型;
7、步骤5,根据目标区块的投产数据和建立的预测模型,评价水平井的分段压裂效果。
8、本专利技术的目的还可通过如下技术措施来实现:
9、在步骤1,收集和整理待分析目标区块已投产井与待压裂井的多源数据,构建原始数据集。
10、在步骤1,收集的多源数据包括地质参数和工程参数;地质参数包括水平段埋深、有效厚度、孔隙度、渗透率、压力系数、可动烃饱和度、有机碳含量、有机质成熟度、脆性指数和应力差,工程参数包括段长、簇数、加砂量、施工液量、砂比、破裂压力和返排率。
11、在步骤2,根据已压裂井段的产油量贡献率监测结果,利用蒙特克罗模拟生成水平段产油量贡献率的概率分布曲线。
12、在步骤2,生成产油量贡献率的概率分布曲线具体为:对统计的水平段产油贡献率数列,计算均值和方差这些统计参数,假设水平段的产油量贡献率符合正态分布,利用蒙特卡罗模拟生成相应的概率分布曲线。
13、在步骤2,根据产油量概率分布曲线,获取若干概率所对应的水平段产油量贡献率值p,根据p值大小建立压裂效果优,良,中,及格和差五个评价等级。
14、在步骤2,当水平段的产油贡献率≥p80时,则压裂效果评价为优;
15、当p60≤井的实际产能值<p80时,则压裂效果评价为良;
16、当p40≤井的实际产能值<p60时,则压裂效果评价为中;
17、当p20≤井的实际产能值<p40时,则压裂效果评价为及格;
18、当井的实际产能值<p20时,则压裂效果评价为差。
19、在步骤3,将压裂效果的评价等级视为离散型类别变量,并对各个等级标准数值化,利用本文档来自技高网...
【技术保护点】
1.基于协同训练的页岩油井压裂效果评价方法,其特征在于,该基于协同训练的页岩油井压裂效果评价方法包括:
2.根据权利要求1所述的基于协同训练的页岩油井压裂效果评价方法,其特征在于,在步骤1,收集和整理待分析目标区块已投产井与待压裂井的多源数据,构建原始数据集。
3.根据权利要求2所述的基于协同训练的页岩油井压裂效果评价方法,其特征在于,在步骤1,收集的多源数据包括地质参数和工程参数;地质参数包括水平段埋深、有效厚度、孔隙度、渗透率、压力系数、可动烃饱和度、有机碳含量、有机质成熟度、脆性指数和应力差,工程参数包括段长、簇数、加砂量、施工液量、砂比、破裂压力和返排率。
4.根据权利要求1所述的基于协同训练的页岩油井压裂效果评价方法,其特征在于,在步骤2,根据已压裂井段的产油量贡献率监测结果,利用蒙特克罗模拟生成水平段产油量贡献率的概率分布曲线。
5.根据权利要求4所述的基于协同训练的页岩油井压裂效果评价方法,其特征在于,在步骤2,生成产油量贡献率的概率分布曲线具体为:对统计的水平段产油贡献率数列,计算均值和方差这些统计参数,假设水平段的
6.根据权利要求4所述的基于协同训练的页岩油井压裂效果评价方法,其特征在于,在步骤2,根据产油量概率分布曲线,获取若干概率所对应的水平段产油量贡献率值P,根据P值大小建立压裂效果优,良,中,及格和差五个评价等级。
7.根据权利要求6所述的基于协同训练的页岩油井压裂效果评价方法,其特征在于,在步骤2,当水平段的产油贡献率≥P80时,则压裂效果评价为优;
8.根据权利要求1所述的基于协同训练的页岩油井压裂效果评价方法,其特征在于,在步骤3,将压裂效果的评价等级视为离散型类别变量,并对各个等级标准数值化,利用递归特征消除与交叉验证相结合的方法,确定水平段产油量贡献率的主要影响因素。
9.根据权利要求8所述的基于协同训练的页岩油井压裂效果评价方法,其特征在于,在步骤3,根据步骤2建立的评价等级,将压裂效果评价等级优用5表示,4表示评价等级良,3表示评价等级中,2表示评价等级及格,1表示评价等级差;对比压裂效果等级与利用上述数值化规则,对数据集中的响应变量序列进行数值化编码;采用10折交叉验证方法,将标记数据集分为10组训练集和验证集,以随机森林算法作为递归特征消除的学习算法,在每组训练集上开展递归特征消除,并在验证集上测试特征选择效果;对比10组训练集下的特征选择效果,确定预测精度最高的特征组合作为影响产油量贡献率的主要因素。
10.根据权利要求8所述的基于协同训练的页岩油井压裂效果评价方法,其特征在于,在步骤3,根据产能影响因素分析结果,融合已投产井形成的标记数据和待压裂井形成的未标记数据,并进行数据的归一化处理,实现标准产油量贡献率学习样本库的构建,将已标记数据集划分为训练集、验证集和测试集。
11.根据权利要求10所述的基于协同训练的页岩油井压裂效果评价方法,其特征在于,在步骤3,归一化方式如下:
12.根据权利要求1所述的基于协同训练的页岩油井压裂效果评价方法,其特征在于,在步骤4,搭建基于多个决策树模型协同训练的初始结构,并对决策树模型的个数和深度这些超参数随机初始化;生成N个决策树模型,并对每个决策树模型设定不同的决策树深度和节点数这些超参数,以决策树模型作为协同训练的基学习器。
13.根据权利要求12所述的基于协同训练的页岩油井压裂效果评价方法,其特征在于,在步骤4,在训练数据集上结合未标记数据开展决策树的协同训练,不断利用未标记样本提升模型的学习性能,并在验证集上基于网格搜索方法,反复验证和评估,确定最合适的决策树模型个数和深度这些超参数。
14.根据权利要求13所述的基于协同训练的页岩油井压裂效果评价方法,其特征在于,在步骤4,确定最合适的决策树模型个数和深度这些超参数的步骤包括:
15.根据权利要求13所述的基于协同训练的页岩油井压裂效果评价方法,其特征在于,在步骤4,确定的模型超参数设置,利用标记样本和未标记样本集重新开展协同训练,建立水平段压裂效果评价模型,在测试集上对比模型的预测值与实际的压裂效果评价等级,验证协同训练模型的预测效果。
16.根据权利要求1所述的基于协同训练的页岩油井压裂效果评价方法,其特征在于,在步骤5,应用基于协同训练建立的压裂效果评价模型,对比建立的压裂效果评价等级,评价目标页岩区块待压裂井的压裂效果;在验证了压裂效果评价模型可靠性的基础上,基于建立的模型评估目标页岩区块待压裂井的压裂效果,指导水平井压裂方案的...
【技术特征摘要】
1.基于协同训练的页岩油井压裂效果评价方法,其特征在于,该基于协同训练的页岩油井压裂效果评价方法包括:
2.根据权利要求1所述的基于协同训练的页岩油井压裂效果评价方法,其特征在于,在步骤1,收集和整理待分析目标区块已投产井与待压裂井的多源数据,构建原始数据集。
3.根据权利要求2所述的基于协同训练的页岩油井压裂效果评价方法,其特征在于,在步骤1,收集的多源数据包括地质参数和工程参数;地质参数包括水平段埋深、有效厚度、孔隙度、渗透率、压力系数、可动烃饱和度、有机碳含量、有机质成熟度、脆性指数和应力差,工程参数包括段长、簇数、加砂量、施工液量、砂比、破裂压力和返排率。
4.根据权利要求1所述的基于协同训练的页岩油井压裂效果评价方法,其特征在于,在步骤2,根据已压裂井段的产油量贡献率监测结果,利用蒙特克罗模拟生成水平段产油量贡献率的概率分布曲线。
5.根据权利要求4所述的基于协同训练的页岩油井压裂效果评价方法,其特征在于,在步骤2,生成产油量贡献率的概率分布曲线具体为:对统计的水平段产油贡献率数列,计算均值和方差这些统计参数,假设水平段的产油量贡献率符合正态分布,利用蒙特卡罗模拟生成相应的概率分布曲线。
6.根据权利要求4所述的基于协同训练的页岩油井压裂效果评价方法,其特征在于,在步骤2,根据产油量概率分布曲线,获取若干概率所对应的水平段产油量贡献率值p,根据p值大小建立压裂效果优,良,中,及格和差五个评价等级。
7.根据权利要求6所述的基于协同训练的页岩油井压裂效果评价方法,其特征在于,在步骤2,当水平段的产油贡献率≥p80时,则压裂效果评价为优;
8.根据权利要求1所述的基于协同训练的页岩油井压裂效果评价方法,其特征在于,在步骤3,将压裂效果的评价等级视为离散型类别变量,并对各个等级标准数值化,利用递归特征消除与交叉验证相结合的方法,确定水平段产油量贡献率的主要影响因素。
9.根据权利要求8所述的基于协同训练的页岩油井压裂效果评价方法,其特征在于,在步骤3,根据步骤2建立的评价等级,将压裂效果评价等级优用5表示,4表示评价等级良,3表示评价等级中,2表示评价等级及格,1表示评价等级差;对比压裂效果等级与利用上述数值化规则,对数据集中的响应变量序列进行数值化编码;采用10折交...
【专利技术属性】
技术研发人员:杨勇,刘巍,曹小朋,郭奇,徐耀东,胡慧芳,刘祖鹏,刘营,李洪毅,
申请(专利权)人:中国石油化工股份有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。