基于致密砂岩气储层施工曲线图的压裂效果评价方法研究.pdf
《基于致密砂岩气储层施工曲线图的压裂效果评价方法研究.pdf》由会员分享,可在线阅读,更多相关《基于致密砂岩气储层施工曲线图的压裂效果评价方法研究.pdf(6页珍藏版)》请在咨信网上搜索。
1、中 国 石 油 勘 探CHINA PETROLEUM EXPLORATION2024 年 1 月第 29 卷第 1 期基于致密砂岩气储层施工曲线图的压裂效果评价方法研究刘子雄1 张静2 周子惠3 郭布民1 李新发3 陈玲1(1中海油服油田生产研究院;2中国石油玉门油田公司勘探开发研究院;3中国石油玉门油田公司工程技术研究院)摘要:压裂施工曲线中隐含了人工裂缝和储层信息,是压裂效果评价的基础,目前主要采用理论及统计的方法进行评价,对压裂工艺的改进和优化指导作用有限。为了充分挖掘施工曲线中隐含的信息,对压裂施工曲线的图像按照压裂无阻流量分类构建样本库,采用人工智能中的卷积神经网络(CNN)进行训练
2、,建立基于产能分类的施工曲线效果评价模型,然后应用 Grad-CAM 进行可解释性研究,找出人工智能进行识别的主要参考位置,进而指导压裂工艺优化和改进。研究表明:采用 CNN 进行压裂曲线分类准确率能够达到 85%以上,影响压裂效果的关键在压裂施工的初期和后期两个阶段,主要包括压裂初期的排量及对应的压力上升速度、停泵压力、段塞持续时间等,可以通过改变施工参数提高压裂产能。因此采用该方法能针对性地进行压裂施工优化和改进。关键词:压裂施工曲线;人工智能;卷积神经网络;图像分类;可解释性中图分类号:TE19 文献标识码:A DOI:10.3969/j.issn.1672-7703.2024.01.0
3、14 Research on fracturing results evaluation method based on construction curve of tight sandstone gas reservoirLiu Zixiong1,Zhang Jing2,Zhou Zihui3,Guo Bumin1,Li Xinfa3,Chen Ling1(1 Research Institute of Oilfield Production,COSL;2 Research Institute of Exploration&Development,PetroChina Yumen Oilfi
4、eld Company;3 Engineering Technology Research Institute of PetroChina Yumen Oilfield Company)Abstract:The fracturing construction curve contains information of artificial fractures and reservoir,which is the basis for evaluating fracturing results.At present,the evaluation of fracturing results main
5、ly relies on the theoretical and statistical methods,which have limited guidance for the improvement and optimization of fracturing technology.In order to fully tap the hidden information in the construction curve,a sample library is constructed for the image of fracturing construction curve based o
6、n the classification of open flow rate after fracturing.The convolution neural network CNN in artificial intelligence is used for training,and an evaluation model is established based on the capacity classification,Then,the interpretability study is conducted by using Grad-CAM to find out the main r
7、eference position for artificial intelligence identification,so as to guide the optimization and improvement of the fracturing technology.The research results show that the accuracy of fracturing curve classification by CNN is higher than 85%.The key to the fracturing results lies in the early and l
8、ate stages of fracturing construction,mainly including the initial fracturing displacement and corresponding pressure rise rate,pump stop pressure,and slug duration,and production capacity can be improved by changing fracturing construction parameters.This method enables to optimize and improve frac
9、turing construction with targeted measures.Key words:fracturing construction curve,artificial intelligence,convolution neural network,image classification,interpretability基金项目:中海油服科研项目“海上大型压裂关键技术研究及应用”(YSB23YF002)。第一作者简介:刘子雄(1982-),男,湖北随州人,硕士,2009 年毕业于长江大学,高级工程师,现主要从事油气田开发方面的工作。地址:天津市塘海洋高新技术开发区海川路 1
10、581 号,邮政编码:300459。E-mail:收稿日期:2022-12-08;修改日期:2023-12-18引用:刘子雄,张静,周子惠,等基于致密砂岩气储层施工曲线图的压裂效果评价方法研究 J.中国石油勘探,2024,29(1):177-182.Liu Zixiong,Zhang Jing,Zhou Zihui,et al.Research on fracturing results evaluation method based on construction curve of tight sandstone gas reservoirJ.China Petroleum Explorat
11、ion,2024,29(1):177-182.中 国 石 油 勘 探1782024 年第 29 卷0 引言压裂裂缝的形态是决定压裂效果的关键因素,目前对压裂裂缝形态的研究以物理模型压裂实验和岩石力学数值模拟为主1-2。在压裂裂缝延伸过程中,受施工工艺、岩性及天然裂缝等影响,压裂裂缝的形态存在不确定性3。由于对压裂裂缝扩展规律及破裂形态的研究不足,难以准确地进行压裂效果评价,影响了压裂施工参数的优化4。为了实现“打碎”储层的目的,目前的研究主要通过物理模型压裂实验,评价不同加砂阶段对应的裂缝扩展情况,确定不同岩性储层的破裂特征,据此研究复杂缝改造工艺5。但低渗储层非均质性强,影响储层形成复杂缝的
12、因素较多,实验条件无法准确全面地描述地层情况,因此难以实现真正意义上的压裂优化设计。在裂缝起裂及扩展模型的研究中,从二维的 PKG 模型逐渐过渡到全三维模型的模拟中,也面临同样的问题6,模型过于理想化,缺少对真实影响因素的全面考虑。从压裂施工曲线的变化中,也可以进行压裂裂缝形态定性判断及裂缝参数定量计算。由于压裂施工曲线排量和砂比的变化,会引起施工压力的改变,因此不同的储层条件施工压力变化幅度及形态不同,其中蕴含了大量的储层和裂缝形态信息未被充分挖掘。通过对施工曲线中压力变化进行分段分析,能够定性地判断裂缝延伸、缝网复杂程度7,但在识别过程中受人为主观判断经验的影响,无法准确进行裂缝形态判断。
13、近年来随着人工智能技术的发展,图像分类方面取得了飞跃发展,通过大量样本的训练,图像识别的准确率达到了95%以上,并在多个领域进行了广泛的应用8,尤其在利用图像资料进行机械故障诊断方面,应用效果较好9-10。为了能够充分挖掘施工曲线中的信息,指导压裂施工优化,采用深度学习中的卷积神经网络(CNN),将鄂尔多斯盆地东部的某气田 737 层的压裂施工曲线图像按照压裂产能分为 3 类,用 CNN 进行训练后,准确率达到 86%,即通过压裂施工曲线就可以进行压裂效果的判断。为了找出人工智能在施工曲线识别时权重分布,采用 Grad-CAM 方式,获取了施工曲线中的人工智能识别权重分布的热力图,并找出了鄂尔
14、多斯盆地东部的某气田中决定压裂效果的关键施工阶段,为压裂工艺的改进提供了指导。1 压裂曲线样本库构建压裂效果评价主要包括两类,分别是直接监测和间接诊断。各种方法获取的裂缝参数不一致,无法进行准确的认识11。从压裂施工曲线中可以求取地层岩石力学、裂缝形态解释、储层物性、破裂体积等参数,与压裂产能直接相关,因此可以通过采用人工智能建立施工曲线与压裂效果的关联关系,实现压裂效果人工智能评价。为此需要采用深度学习中图像分类方法对压裂施工曲线进行训练,建立识别模型。目前比较常用的CNN以其局部权值共享的特殊结构,在语音识别和图像处理方面有着独特的优越性,其布局更接近实际的生物神经网络,权值共享降低了网络
15、的复杂性,特别是多维输入向量的图像可以直接输入网络这一特点避免了特征提取和分类过程中数据重建的复杂度8。使用 CNN 进行特征提取,其优点是使用者完全不用关心具体的特征是哪些,大量的应用表明,该方法在文字识别、图像分类等领域的优势显著强于其他人工智能方法。与传统神经网络相比,卷积神经网络能够局部连接,减少参数数量,容易收敛12-13。由于 CNN 无需对样本中图像进行复杂的前期预处理,可以直接采用原始图像进行训练,因此可以直接导入压裂施工曲线图像作为单个样本。单个施工曲线图像中包含了施工压力、排量、砂比等信息,确保所有样本中包含的参数信息相同。为了构建样本库,需要对每张施工曲线图像设定一个标签
16、。将鄂尔多斯盆地东部某致密气田主力层为石盒子组(平均渗透率为 1.7mD)、太原组(平均渗透率为1.1mD)及本溪组(平均渗透率 0.8mD)的 737 层的压裂施工曲线图像按照测试的无阻流量QAOF进行分类。为了减少人为的干扰,未进行样本的剔除及处理,尤其是部分砂堵层,也参与了训练。由于对研究区的压裂施工曲线进行了统一要求,压裂施工录取的参数及图像类型一致,构建样本时不用区分不同的施工单位及区块。根据压裂产能不同,一共分为 3 类标签,分别为:低产(QAOF1 104m3)、中产(1104m3QAOF5104m3)、高产(QAOF5104m3),各个标签的样本数见图 1。2 人工智能训练基于
17、深度学习技术的 CNN,能够从大量的图像中自动提取特征值,获取图像空间特征,目前应用比较成熟的是直接采用深度卷积神经网络进行图像的分类及识别。常用的模型有 VGG、GoogleNet、AlexNet、ResNet 等。本次采用广泛应用的 VGG-16刘子雄等:基于致密砂岩气储层施工曲线图的压裂效果评价方法研究179第 1 期卷积神经网络模型,其主要优势在于增加了网络层数、减少了卷积核大小,以及使用了较小的多个卷积核组合,使得其在分类识别方面表现出较好的效果。在训练之前先对图像进行标准化处理,由于不同的施工图像中,对同一个参数所使用的颜色、像素等不同,会影响卷积神经网络特征值提取。因此采用常用的
18、 Z-Score 标准化法,将图像中的彩色 RGB 分量映射成均值为零、标准差为 1 的正态分布,相当于将各个分量映射到同一个坐标系统中,具有相同的尺度,使得所有的 RGB 分量具有相当的数值分布,消除了无序及收敛慢等问题。为了增强训练效果,随机将各类施工曲线以 28的比例进行分割,分别作为验证样本及训练样本14。采用基础的 CNN 模型进行训练时,准确率为 55%左右(图 2a),主要是由于样本数量偏少,识别的特征可能不准确,以及出现过拟合的现象。为了提高准确率,一方面改进 CNN 的结构,即减小卷积核大小、提升学习效率;另一方面对训练样本进行处理,包括将图片以缩放、偏移、旋转等方式进行数据
19、增强后,准确率提高到了 61%;为了防止过拟合,采用变化学习率、增大一次训练所选取的样本数、不增大训练集中所有数据训练次数后准确率达到了 87%(图 2b)。应用该模型对未参与训练的 20 余层进行了压裂效果识别,仅 2 层的识别结果比实际测试结果低了一个等级,其余的结果均与实际一致。表明通过对样本进行处理以及优化神经网络参数后,能够达到较好的预测精度。在图 3 中对其中两压裂层进行产能识别,结果显示 X-57-3D 井为高产井(概率为 0.87)、X-28 井为低产井(概率为 0.91),两口井无阻流量分别为5.9104m3、0.3104m3,与实际产能一致。识别结果:上传图片开始识别油压套
20、压排出排量砂比液氮排量油压套压排出排量砂比液氮排量压裂高产井时间/min(a)X-57-3D井(b)X-28井时间/min油压,套压/MPa排出排量/(m3min-1)油压,套压/MPa排出排量/(m3min-1)砂比/%砂比/%液氮排量/(m3min-1)识别结果:上传图片开始识别压裂低产井液氮排量/(m3min-1)000215430645860107500216432648864108027538010713316000.20.40.60.81.0025507510012515002004006008001000020406080100020406080100图 3 X-57-3D 井、
21、X-28 井压裂识别结果图Fig.3 Fracturing identification results of wells X-57-3D and X-280255075100125训练集(a)优化前(b)优化后验证集405060708090100准确率/%准确率/%训练次数1501750255075100125训练集验证集80859095100训练次数150175图 2 优化前后 CNN 训练结果图Fig.2 CNN training results before and after optimization层数占比05101520253035404550332350300250200150
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 致密 砂岩 气储层 施工 曲线图 效果 评价 方法 研究
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。