116 / 2023-07-14 07:37:59

基于自动学习模型的致密气水平井产能预测

致密气；产能预测；机器学习；自动学习

水平井产能预测是非常规油气藏研究中的重要问题。致密气水平井产能预测受地质条件、钻井工程参数、以及压裂施工参数等影响。传统产能预测方法，通常使用Arps递减公式，以及物质平衡方程法等。通常需要稳产后的生产数据。然而新投产井往往处于不稳定状态，为了解决这一矛盾，利用自动学习模型，建立一系列区块内稳定生产井的单井EUR和地质工程参数之间的机器学习模型，通过对这些模型进行EUR预测的测试，选取预测分数最高的模型进行新投产井的EUR预测。从而在新井投产初期的不稳定状态下，借助单井地质、工程参数，得到一种预测EUR的方法。

国内外针对致密气的EUR影响因素的研究已有多年，其背后的机理仍未被完全揭开。使用传统参数模型进行EUR的回归预测，需要先假定预测目标与参数之间符合某个模型，如线性模型、指数模型、样条模型等，然后进行数据的回归与预测。虽然可以得到回归结果，但由于EUR的真实规律复杂且未知，过于简单的假设不符合实际规律，导致预测结果极不可靠。

为了避免模型假设错误，选取数据驱动下的非参数机器学习模型进行致密气水平井产能预测。使用真实数据驱动模型训练，在训练前，不对模型进行参数假设。在训练过程中，由真实数据的值和数据量决定模型的结构、参数、复杂度等。在数据准备阶段，对单井数据进行标准化处理，分割出特征值和目标EUR预测值，并自动划分出训练集与测试集。对于K-近邻、人工神经网络、XGBOOST等机器学习模型，以均方误差作为优化的目标分数，采用梯度下降、Adam等优化器，寻找目标函数下降速度最快的方向。对于随机森林等基于决策树的方法，通过计算基尼系数，寻找信息增益最大的分枝方向。保存训练中得到的最优模型后，将前期分割出的测试集数据带入训练模型，计算验证分数，从而评价模型的准确性和普适性。

使用自动学习模型对致密气水平井进行产能预测，具有以下优点：（1）使用自动学习模型，让数据决定模型，避免人工选取过于简单或过于复杂的模型，导致预测结果不可靠。（2）模型使用范围广，对预测井的当前生产状态没有限制。（3）创新性使用机器学习算法搭建地质、工程参数和EUR预测间的桥梁。（4）相比人工训练模型，使用自动学习模型预测EUR，代码量减少80%以上，易于操作。（5）使用自动学习模型在超参数优化时，速度是普通参数搜索的1.5倍。（6）在建模过程中结合石油地质、石油工程、统计学、运筹学、数学及计算机科学的思路，真正践行了学科融合和油气行业的智能化转型。

评价认为，使用自动学习进行致密气水平井EUR预测，训练速度快，模型精度高，集成水平高，可以作为一种新型预测手段，推广到其他气种以及井型的EUR预测中。自动学习模型得到EUR的影响因素排序，符合地质、工程专家的认识。