一种复杂储层水平井初期产量融合预测方法

1.本发明涉及一种复杂储层水平井初期产量融合预测方法，属于油气藏开采领域。


背景技术：

2.随着勘探开发技术的突破，在砾岩、缝洞碳酸盐岩、非常规页岩油气等复杂储层的开发受到越来越多的重视，其中页岩油气的勘探开发已成为现阶段能源界热点。页岩油气藏具有超低孔隙度、渗透率特点，需要通过水平井钻井和水力压裂改造，才能获得具有一定经济价值的有效开发。由于其开发的特殊性，从而导致页岩油气藏产能预测比常规气藏更为复杂，因此在对复杂储层水平井进行油气开发的过程中，准确预测储层水平井的初期产能对于单井配产具有重要的意义，但是目前的预测方法的预测准确率均不高，所以有必要提供一种复杂储层水平井初期产量融合预测方法。


技术实现要素：

3.为了克服现有技术中的问题，本发明提供一种复杂储层水平井初期产量融合预测方法。
4.本发明解决上述技术问题所提供的技术方案是：一种复杂储层水平井初期产量融合预测方法，包括以下步骤：
5.步骤s1、根据研究区块生产井资料，确定每口生产水平井的初期产量，并收集每口生产井的地质资料、钻井资料、测井解释资料、压裂资料、生产资料的统计参数；
6.步骤s2、采用数理统计方法分析水平井的初期产量与统计参数的相关性；
7.步骤s3、对统计参数进行归一化处理，以水平井初期产量为母序列，以统计参数为子序列，利用灰色关联理论计算统计参数与初期产量间的关联度；
8.步骤s4、利用随机森林算法计算统计参数对水平井初期产量的影响因子；
9.步骤s5、综合利用灰色关联和随机森林算确定影响水平井初期产量的主控参数；
10.步骤s6、以主控参数作为因素，利用机器学习方法构建水平井产量预测模型；
11.步骤s7、以水平井产量预测模型的预测结果为基础，利用集成学习思想构建多种智能算法融合的复杂储层水平井初期产量预测融合模型，再利用pearson相关系数准则的计算得到各个模型的pearson相关系数，从而确定各个模型的权重系数；利用该预测融合模型对水平井初期产量进行预测。
12.进一步的技术方案是，所述统计参数包括水平井段长、钻遇率、段数、段簇数、每米加砂量、每米加液量、闷井时间、抽深、动液面、孔隙度、渗透率、含油饱和度。
13.进一步的技术方案是，所述水平井产量预测模型包括支持向量机预测模型、广义线性模型预测模型、多层感知类神经网络预测模型、随机森林预测模型、cart树模型预测模型。
14.进一步的技术方案是，所述pearson相关系数的计算公式为：
[0015][0016]
式中：ρ为pearson相关系数；yi为岩石力学参数的实测值；为岩石力学参数的预测值；n为测试数量。
[0017]
进一步的技术方案是，所述权重系数的计算公式为：
[0018][0019]
式中：wi为第i个基模型权重系数；ρi为第i个基模型pearson相关系数；n为基模型个数。
[0020]
进一步的技术方案是，所述融合模型的计算公式为：
[0021][0022]
式中：g为融合模型；gi为第i个智能预测模型；wi为第i个基模型权重系数。
[0023]
本发明具有以下有益效果：本发明引入pearson相关系数的准则，进行多种智能算法的融合以提高预测方法泛化，增强智能算法的迁移学习能力，以提高预测方法的适应性，因此与单个模型的预测结果进行对比，综合分析所构建多种智能算法融合的预测方法具有更高的预测效果。
附图说明
[0024]
图1为水平井预测产量与实际产量间的关系图。
具体实施方式
[0025]
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0026]
本发明的一种复杂储层水平井初期产量融合预测方法，包括以下步骤：
[0027]
步骤s1、根据研究区块生产井资料，确定每口生产水平井的初期产量，并收集每口生产井的地质资料、钻井资料、测井解释资料、压裂资料、生产资料的统计参数；
[0028]
所述统计参数包括水平井段长、钻遇率、段数、段簇数、每米加砂量、每米加液量、闷井时间、抽深、动液面、孔隙度、渗透率、含油饱和度等；
[0029]
步骤s2、采用数理统计方法分析水平井的初期产量与统计参数的相关性；
[0030]
步骤s3、对统计参数进行归一化处理，以水平井初期产量为母序列，以统计参数为子序列，利用灰色关联理论计算统计参数与初期产量间的关联度；
[0031]
其中水平井段长、钻遇率、段数、段簇数、每米加砂量、每米加液量、闷井时间、抽深、动液面、孔隙度、渗透率、含油饱和度的关联度分别为0.654、0.590、0.622、0.717、
0.705、0.696、0.664、0.606、0.753、0.612、0.589、0.593，则各因素与水平井初期产量的关联程度由大到小依次为动液面》段簇数》每米加砂量》每米加液量》闷井时间》水平井段长》段数》孔隙度》含油饱和度》抽深》钻遇率》渗透率；
[0032]
步骤s4、利用随机森林算法计算统计参数对水平井初期产量的影响因子；
[0033]
其中水平井段长、钻遇率、段数、段簇数、每米加砂量、每米加液量、闷井时间、抽深、动液面、孔隙度、渗透率、含油饱和度等因素对水平井初期产量的影响因子分别为0.05649、0.06816、0.02675、0.06955、0.02968、0.07181、0.05898、0.02636、0.21278、0.04754、0.01489、0.00095，则各因素影响因子由大到小依次为动液面》段簇数》每米加砂量》每米加液量》闷井时间》水平井段长》孔隙度》钻遇率》段数》抽深》渗透率》含油饱和度；
[0034]
步骤s5、综合利用灰色关联和随机森林算法确定影响水平井初期产量的主控参数，其中主控参数排序依次为动液面、段簇数、每米加砂量、每米加液量、闷井时间、水平井段长，将影响水平井初期产量的13个影响维度降低到6个影响维度，降低数据计算量和提高计算速度；
[0035]
步骤s6、以主控参数作为因素，利用机器学习方法构建水平井产量预测模型，所述水平井产量预测模型包括支持向量机预测模型、广义线性模型预测模型、多层感知类神经网络预测模型、随机森林预测模型、cart树模型预测模型；
[0036][0037][0038][0039][0040][0041][0042][0043]
式中：yi为水平井初期产量的实测值；为水平井初期产量的平均值；为水平井初期产量的预测值；n为水平井数量；g为融合模型；gi为第i个智能预测模型；wi为第i个智能算法的权重系数；ρi为第i个智能算法pearson相关系数；n为智能算法个数；
[0044]
支持向量机预测模型、广义线性模型预测模型、多层感知类神经网络预测模型、随
机森林预测模型、cart树模型预测模型计算结果的r2相关系数(式(1))分别为0.8674、0.8396、0.9132、0.9189、0.9289，平均相对误差(式(2))分别为6.7547％、8.2325％、6.6367％、7.2926％、4.7679％，平均绝对误差(式(3))分别为1.0598、1.2391、1.0311、1.0951、0.7883，均方根误差(式(4))分别为1.7388、1.6985、1.2688、1.5709、1.2150、1.1868，综合从多种对比指标来看从中可发现cart树模型的预测效果最好，广义线性模型预测效果最差；
[0045]
步骤s7、以水平井产量预测模型的预测结果为基础，利用pearson相关系数准则的计算公式得到各个模型的pearson相关系数(式(6))分别为0.9313、0.9163、0.9556、0.9586、0.9582，进一步按照式(7)计算获得各个智能模型的融合的权重系数分别为0.1973、0.1941、0.2025、0.2031、0.2030，再利用集成学习思想构建多种智能算法融合的复杂储层水平井初期产量预测融合模型，利用该预测融合模型对对水平井初期产量进行预测，预测结果如图1所示，计算结果的r2相关系数为0.942，平均相对误差5.6301％，平均绝对误差为0.8884，均方根误差为1.1868，与单个模型的预测结果进行对比，综合分析所构建多种智能算法融合的预测方法具有更高的预测效果。
[0046]
以上所述，并非对本发明作任何形式上的限制，虽然本发明已通过上述实施例揭示，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，可利用上述揭示的技术内容作出些变动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。