一种油气藏压裂工艺参数确定方法与流程

1.本发明涉及一种油气藏压裂工艺参数确定方法，属于石油天然气储层改造技术领域。


背景技术：

2.低渗、特低渗或者近井筒附近受污染的中、高渗油气田开发中，为了获得工业油气流，必须对该类储层采取适当的压裂增产措施。为了尽可能实现更好的压裂增产效果，获得更优的裂缝几何参数和压后产能，水力压裂施工前需要对压裂施工参数进行优化设计，寻求满足地质、工程和设备条件下经济有效的最优方案。
3.但目前的裂缝延伸模型研究还远不能较精确地反映储层压后裂缝延伸的真实情况。此外，部分模型极大的求解难度也从侧面反映了通过建立裂缝延伸模型来模拟实际情况的难度很大，常规裂缝延伸模型研究存在过多模型假设和远不能较精确地反映储层压后裂缝延伸的真实情况的问题。并且现有的压裂参数设计是将其作为了独立的压裂设计过程，没有对过去或者历史上存在的成功案例进行学习和借鉴，不利于实现增产最大化的目的。


技术实现要素：

4.本发明的目的是提供一种油气藏压裂工艺参数确定方法，以解决目前压裂工艺参数确定存在的没有借鉴历史数据不利用增产的问题。
5.本发明为解决上述技术问题而提供一种油气藏压裂工艺参数确定方法，该确定方法包括以下步骤：
6.1)获取历史压裂数据，包括压后产能以及影响压后产能的各影响因素，确定各影响因素的对压后产能大小的影响程度，依此筛选出主要影响因素，并按照筛选出的主要影响因素构建压裂样本参数数据库；
7.2)建立压后产能预测模型，利用压裂样本参数数据库对压后产能预测模型进行训练；
8.3)获取目标井层的主要影响因素中的地层静态因素，并以此从压裂样本参数数据库中找到相似井层；
9.4)选取相似井层的压裂参数作为目标井层的压裂参数的约束条件，在该约束条件调整目标井层的压裂参数，将获取的目标井层地层静态因素和在约束条件下选取的压裂参数输入到压后产能模型中，选取使压后产能最大的压裂参数作为最终确定压裂参数。
10.本发明通过获取历史压裂数据，根据历史压裂数据建立压后产能预测模型，并从历史压裂数据中选取与目标井层的固有参数最接近的井层作为相似井层，利用相似井层的压裂数据、目标井层的固有参数和压后产能预测模型实现对目标井层压裂参数的确定。本发明充分考虑了历史压裂数据，解决了独立的压裂设计无法对历史上存在的成功案例进行学习借鉴的问题，提高了压裂效果，实现增产的目的。
11.进一步地，所述步骤2)中的压后产能预测模型采用支持向量机来建立。
12.进一步地，为准确、快速筛选出主要影响因素，所述步骤1)中主要影响因素筛选过程如下：
13.a.获取的历史压裂数据，形成原始数列，从原始数列中任选一个数列作为参考数列x0，其他数列作为比较数列xi，并对数列中的影响因素进行无量纲化处理；
14.其中比较数列和参考数列分别表示为：
15.xi＝{xi(1),xi(2),xi(3),
…
,xi(n)},(i＝1,2,
…
,m)
16.x0＝{x0(1),x0(2),x0(3),
…
x0(n)}
17.m为影响因素的个数，n为样本的个数，xi(n)表示第n个样本中第i个影响因素；
18.b.基于无量纲化处理后的比较数列和参考数列计算之间的关联系数；
19.c.根据关联系数计算各个影响因素的关联程度，并根据关联程度确定各影响因素的权重，选取权重大于设定阈值的影响因素作为主要影响因素。
20.进一步地，所述步骤b中关联系数采用邓氏关联度模型计算得到，其中的分辨系数选取原则为：
21.当δ
max
＞3δy时，∈
δ
≤ρ＜1.5∈
δ
；当δ
max
≤3δy时，1.5∈
δ
≤ρ≤2∈
δ
；
[0022][0023][0024]
其中yi(k)为无量纲化后的比较序列，为无量纲化后的参考序列，n为样本个数，m为影响因素的个数，δ
max
为全部比较数列中最大样品数据绝对差值，ρ为分辨系数。
[0025]
进一步地，利用支持向量机建立压后产能预测模型所采用的决策函数为：
[0026][0027]
其中l为样本数，k(xi,u)为支持向量机核函数，b
*
为支持向量机常数项，及αi为拉格朗日乘子。
[0028]
进一步地，为保证压后产能预测模型的精度，所述压后产能预测模型在训练时将压裂样本参数数据库按设定比例分成训练样本和测试样本，且保证训练样本和测试样本同时满足精度要求。
[0029]
进一步地，为准确、快速确定相似井层，所述步骤3)中相似井层的确定过程如下：
[0030]
a.计算各地层静态因素的灰色关联系数；
[0031]
b.根据各地层静态因素的灰色关联系数、目标井层中各地层静态因素和压裂样本参数数据库中各井层的地层静态因素计算任一地层静态因素在目标井层与数据库中各井层的差异；
[0032]
c.将地层静态因素的差异求和，从数据库各井层中选取求和之后与目标井层差异最小的井层，该井层为相似井层。
附图说明
[0033]
图1是本发明油气藏压裂工艺参数确定方法的流程图；
[0034]
图2是本发明压后产能预测模型训练过程示意图。
具体实施方式
[0035]
下面结合附图对本发明的具体实施方式作进一步地说明。
[0036]
本发明首先获取历史压裂数据，确定各影响因素的对压后产能大小的影响程度，依此筛选出主要影响因素，并按照筛选出的主要影响因素构建压裂样本参数数据库；然后建立压后产能预测模型，利用压裂样本参数数据库对压后产能预测模型进行训练；获取目标井层的主要影响因素中的地层静态因素，并以此从压裂样本参数数据库中找到相似井层；选取相似井层的压裂参数作为目标井层的压裂参数的约束条件，利用训练后的压后产能预测模型选取使压后产能最大的压裂参数作为最终确定压裂参数。该方法的实现过程如图1所示，具体过程如下。
[0037]
1.对历史压裂数据产能的影响因素进行剖析和权重分析，得到不同影响因素对压后产能大小的影响程度，依此筛选出主要影响因素，并构建压裂样本参数数据库。
[0038]
1)获取历史压裂数据，包括压后产能以及影响压后产能的各影响因素，对获取的历史压裂数据进行预处理。
[0039]
影响压后产能的因素主要有地质因素、井因素和压裂参数因素等，这些因素统称为影响因素，假设获取的历史压裂数据的样本数一共有n个，每个压裂数据样本包括有m个影响因素，叫做原始数列。
[0040]
从各样本中随机选择一个影响因素的压裂数据作为参考数列，本实施例选择的参考数列可表示为：
[0041]
x0＝{x0(1),x0(2),x0(3),
…
x0(n)}
[0042]
此时，其他数列叫比较数列，比较数列可以表示为：
[0043]
xi＝{xi(1),xi(2),xi(3),
…
,xi(n)},(i＝1,2,
…
,m)
[0044]
式中：i为比较数列的序号；m为自变量因素的个数；n为数列中数据样品的个数。
[0045]
为方便后续计算对比较数列和参考数列之间的关联程度(或者说相似性)，需要将两个序列曲线处于同一参考坐标系中，这就要求原始数列中的数据具有相同的数量级和量纲，否则，这两个序列为不可比数列。由于原始数据序列中各因素的计量单位不尽相同，不同的数列有不同的数量级和量纲，需对原始数据无量纲化，无量纲化后的数据用yi(k)来表示；k为数据序列中的样品序号，k＝1，2，
…
，n。
[0046]
2)基于无量纲化处理后的原始数列计算比较数列和参考数列之间的关联系数。
[0047]
本实施例采用邓氏关联度模型进行关联系数的计算，具体的计算过程如下：
[0048]
将比较数列(第i个)中每一个样品数值和参考数列中所对应的样品数值之间的绝对差值用下式表示：
[0049]
δ
0i
(k)＝|yi(k)-y0(k)|
[0050]
在全部比较数列中，最大和最小样品数据绝对差值为
[0051]
[0052][0053]
邓氏关联系数表示为(第i个比较数列和参考数列第k个样品)
[0054][0055]
式中：ρ为分辨系数，ρ∈(0,1)。
[0056]
依据分辨系数选取原则，同时考虑序列异常值支配系统关联度取值的情况，将所有差值绝对值的均值记为δy，用下式表示：
[0057][0058]
记则分辨系数的取值为∈
δ
≤ρ≤2∈
δ
，且满足关系：当δ
max
＞3δy时，∈
δ
≤ρ＜1.5∈
δ
；当δ
max
≤3δy时，1.5∈
δ
≤ρ≤2∈
δ
。
[0059]
3)根据关联系数计算各个影响因素的关联程度。
[0060]
单个关联系数反映出的信息具有分散性，如果仅仅用n个关联系数对比较数列和参考数列之间的关联程度进行表示，无法反映各个因素对产能影响程度的大小。因此，需要集中处理关联信息，用其平均值对数列间的关联程度进行定量反映。
[0061][0062]r0i
为第i个比较数列和参考数列之间关联度，当关联度越大时，比较数列和参考数列的变化规律越相近。
[0063]
4)确定各影响因素的权重，根据权重对影响因素进行筛选。
[0064]
将得到的关联程度进行归一化处理，所得结果即为各比较数列(各影响因素)关联程度的权重，用wi表示。
[0065][0066]
将关联程度或者权重按照大小顺序进行排列，形成关联序，以此反映各个影响因素之间的主次关系，越靠前的影响因素对压后产能的影响就越大，因此选取靠前的设定数量(或者权重大于设定阈值)的影响因素作为主要影响因素，将原始序列中的主要影响因素筛选出来构建压裂样本参数数据库。
[0067]
本实施通过大数据方法对压后产能各项影响因素的影响权重进行了分析，得到其主要影响因素，发现地层的静态因素是影响压裂效果的重要因素，但压裂施工参数也与压后产能关系较为密切。筛选出的主要影响因素有24，这24个影响因素的显著性排序为：每米加砂强度、前置液比、储层有效厚度、杨氏模量、大中砾岩厚度、细砂岩厚度、脆性指数、小中砾岩厚度、水平应力差、粗砂岩厚度、渗透率、中子孔隙度、施工排量、含油饱和度、最小水平主应力、孔隙结构指数、垂向应力、声波时差、泊松比、泥质含量、电阻率、平均砂比、孔隙度、密度。
[0068]
2.建立压后产能预测模型，利用压裂样本参数数据库对模型进行训练。
[0069]
压后产能预测模型可采用机器学习算法建立，本实施例采用支持向量机作为压后产能预测模型，而支持向量机在产能预测中应用时需要将不同井层的产能通过支持向量分类机划分到不同的等级里，达到初步分类的目的；然后再通过支持向量回归机来对压后产能进行预测。因此，在对模型训练前，需要对压裂样本参数数据库(简称数据库)中产能数据进行等级划分，本发明选用米采液指数来表征产能，根据数据库中产能数据的实际情况采用如表1所示等级划分标准进行产能等级划分。
[0070]
表1
[0071][0072]
产能等级的判定就是一个分类问题。支持向量分类机不能同时处理六个类别的分类问题，因此选择成对分类法进行分类。该方法衍生自二分类问题，决策函数不唯一。当存在n个类别时，成对分类法需构造n(n-1)/2个决策函数，对支持向量机也有相同数量的需求。
[0073]
所划分的等级取值为{1,2,3,4,5,6}，而(i,j)∈{(i,j)|i＜j,i,j＝1,2,3,4,5,6}。抽取所有的y＝i和y＝j的数据点，构建不同的支持向量分类模型。将测试样本的自变量输入到不同的决策函数中，会得到不同的分类结果。测试样本分到的类别记一分，然后将所有决策函数的结果汇总，把得分最高的类别作为测试样本的最终分类标签。本实施例产能等级评价问题中共有六个类别，计算得到必须构造15个决策函数才能解决产能的分类问题。利用步骤1中建立的数据库对支持向量机模型进行训练，训练过程如图2所示。
[0074]
假定本实施例中数据库中的压裂数据样本包括目标区块中已知的53个井层的主要影响因素数据，在训练前现将数据库按特定比例分为两个部分，即训练样本和测试样本。一个典型的划分是训练集占总样本的70％，而测试集占30％，因此将样本数量确定为训练样本37个和测试样本16个。
[0075]
首先将训练样本的压后产能影响因素赋值给预测模型的自变量，并将训练样本的压后产能赋值给预测模型的因变量，对支持向量回归机进行训练，通过训练得到决策函数的表达式；然后根据得到的决策函数表达式对训练样本产能的历史数据进行拟合；并在历史数据拟合的基础上，对拟合结果的数据进行去噪处理，尽量在平滑去噪的同时避免信息的大量损失；最后判断去噪后分析样本误差是否满足要求，分析误差时选择使用相对误差(即预测值与真实值的差值与真实值的比值的绝对值)，若满足要求，则确定产能预测模型，可在模型的基础上对压后产能进行预测；若不满足要求，则通过调整参数来重新训练支持向量回归机，直到满足要求为止。
[0076]
值得注意的是，只有当训练样本和测试样本同时满足精度要求时才能确定最终的产能预测模型。
[0077]
通过上述训练过程即可实现对本发明产能预测模型的训练。
[0078]
3.获取目标井层的主要影响因素中地质因素和井因素，并以此从数据库中找到相似井层。
[0079]
确定相似储层对于目标井层进行压裂施工参数优化具有重要的借鉴意义。相似储层判定基于储层条件，这里从24个主要因素中选择包括储层地质因素和井因素的共20个地层静态因素作为评判因素，考虑到不同因素的差异性，基于灰色关联分析方法提出相似储层的确定方法。
[0080]
20个地层静态因素可通过地质勘探和测井数据得到，因此，对于目标井层而言，其主要影响因素中的地质因素和井因素是已知的，可通过现有地质勘探手段和测井手段得到，这20个主要因素为：储层有效厚度、杨氏模量、大中砾岩厚度、细砂岩厚度、脆性指数、小中砾岩厚度、水平应力差、粗砂岩厚度、渗透率、中子孔隙度、含油饱和度、最小水平主应力、孔隙结构指数、垂向应力、声波时差、泊松比、泥质含量、电阻率、孔隙度和密度。
[0081]
设各个地层静态因素的灰色关联系数的集合为r，令两个不同井层的地层参数为x1，x2，那么它们分别可以表示为：
[0082]
r＝{r1,r2,
…
,rs}
[0083]
x1＝{x1(1),x1(2),
…
,x1(s)}
[0084]
x2＝{x2(1),x2(2),
…
,x2(s)}
[0085]
式中：s为地层静态因素个数，本实施例中s等于20。
[0086]
将目标井层的上述参数与数据库中各井层的对应参数相减后取绝对值，并乘上该因素的灰色关联系数，得到任一地层因素在目标井层与数据库中各井层的差异δi，表示为：
[0087]
δi＝ri·
|x1(i)-x2(i)|
[0088]
将不同地层因素之间的差异求和，表示为：
[0089][0090]
作为不同地层因素之间差异之和，delta描述了两个井层间储层条件的差异，delta越小，储层条件则越相似。将目标井层的地层静态因素与压裂数据库中的各井层进行比较和分析，delta最小的井层就是与目标井层储层条件最为相近的井层，也叫相似井层，并获取相似井层对应的压裂参数。
[0091]
4.选取相似井层的压裂参数确定目标井层的压裂参数的约束条件，在该约束条件调整目标井层的压裂参数，将获取的目标井层地层静态因素和在约束条件选取的压裂参数输入到压后产能模型中，选取使压后产能最大的压裂参数作为优化后的压裂参数。
[0092]
对支持向量机产能预测模型的研究，确定了决策函数为下式，核函数选择为下式。令
[0093][0094]
此时，决策函数表示为：
[0095][0096]
优化压裂工艺，本质上就是通过不断改变几个施工参数的取值，达到压后产能最
大化的目的，亦即使得在约束条件下达到最大值，此时最大预测产能所对应的施工参数就是所求的最优施工参数。
[0097]
在最优化问题的建立过程中，将储层的固有参数(地层静态因素)与压裂施工参数分开，那么若将所有产能影响因素表示为：
[0098]
xi＝(x
i1
,x
i2
,
…
,x
i24
)
[0099]
则x
i1
～x
i20
代表着20个地层静态因素，用mi表示这个集合，而x
i21
～x
i24
代表着压裂施工参数，用ni来表示这个集合。即：
[0100]
mi＝(x
i1
,x
i2
,
…
,x
i20
)
[0101]
ni＝(x
i21
,x
i18
,
…
,x
i24
)
[0102]
同理，令
[0103]
p＝(u1,u2,
…
,u
20
)
[0104]
q＝(u
21
,u
22
,u
23
,u
24
)＝(q1,q2,q3,q4)
[0105]
式中：p表示固有参数；q表示施工参数，自变量；q1、q2、q3、q4分别代表前置液比、施工排量、每米加砂强度、平均砂比。
[0106]
代入核函数高斯径向基函数后将目标函数写成如下形式：
[0107][0108]
令f(q)＝f(u)，同时令
[0109][0110]
那么目标函数进一步表示成：
[0111][0112]
将关于压裂施工参数q的最优化问题写为如下形式：
[0113][0114][0115]
约束条件为目标井层的压裂参数大于等于相似井层同一参数的最小值，小于等于相似井层同一参数的最大值。其步骤为：首先找到目标井层的相似井层，统计相似井层压裂参数的最大值及最小值，并把最大值和最小值作为约束条件。
[0116]
求得最优解即为最优的压裂施工参数。
[0117]
为了证明本发明的可行性，将本发明的方法在实例井层ah2-1进行应用，并通过预
测无阻流量和分析模拟裂缝进行验证，发现测试井层基于优化后的压裂施工参数(具体为前置液比32.7％，施工排量3.5m3/min，每米加砂强度11.3m3，平均砂比19.8％)能实现更优的裂缝尺寸、支撑剂铺置和导流能力分布，显著地提高了压裂效果，说明了本发明压裂施工参数优化方法的有效性。且本发明压后产能预测模型平均相对误差为9.50％，能达到比较好的预测精度。