一种页岩气调产井生产压力动态预测方法技术

本发明专利技术公开了一种页岩气调产井生产压力动态预测方法，首先利用模糊聚类算法对页岩气调产井产量数据进行自适应聚类，根据聚类结果对历史生产数据进行归类，分类剔除不完整数据以及异常数据，以保证数据的准确性；再利用Kendall相关系数分析法对生产数据进行相关性分析，从而分析不同变量因素的相关密切程度，以确定用于BP网络建模的输入变量。最后分别对每一类数据进行建模，形成多模型库；预测时输入需要预测的产量以及历史数据，系统将自动识别并调用其对应的模型进行压力预测，实现调产井不同产量下的压力预测。

【技术实现步骤摘要】
一种页岩气调产井生产压力动态预测方法
本专利技术涉及页岩气开发
，特别是涉及一种页岩气调产井生产压力动态预测方法。
技术介绍
在采气过程中，生产压力可以反映气井生产状态是否异常，然而页岩气井储量巨大，生产过程复杂，呈现出非线性、强耦合、时序性等特点，导致生产压力难以预测。生产过程中采集的大量数据蕴含信息丰富，若能根据历史生产数据对气井的生产压力进行预测，可对后期开发和生产指导两个方面产生促进作用。传统页岩气分析方法主要是对产量下降趋势进行分析。然而这些方法对于涪陵焦石坝页岩气田生产方式来说并不适用。特别是对于生产方式为调产时，产量随着气井状态或者公司销售等原因进行调整时，产量变化趋势并非是下降的，而是不同产量对应的各生产参数有自己不同的变化规律。而FCM能较好的解决产量梯度多和硬划分问题，将产量进行自适应聚类，分类对数据进行处理和多模型建模。而BP神经网络具有很强的非线性映射能力，适用于解决非线性系统建模问题，为生产过程压力建模提供了新的思路。对于页岩气生产数据，具有噪声大、不完整、易受人为影响等特点，若直接使用，会影响动态模型的准确度。因此，在多模型建模之前，应将数据根据模糊聚类结果进行归类，再进行筛选及处理操作，只有保留完整、正确的数据，才能保证所建模型的真实性与准确性。在多模型建模之前利用肯Kendall相关系数分析法对生产数据进行相关性分析，从而分析不同变量因素的相关密切程度，以确定用于递归神网络建模的输入变量。最后运用BP神经网络对每一类产量数据进行建模，最终利用建立多模型库进行调产井生产压力预测。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提供一种页岩气调产井生产压力动态预测方法：首先利用模糊聚类算法对页岩气调产井产量数据进行自适应聚类，根据聚类结果对历史生产数据进行归类，分类剔除不完整数据以及异常数据，以保证数据的准确性；再利用Kendall相关系数分析法对生产数据进行相关性分析，从而分析不同变量因素的相关密切程度，以确定用于BP网络建模的输入变量。最后分别对每一类数据进行建模，形成多模型库；预测时输入需要预测的产量以及历史数据，系统将自动识别并调用其对应的模型进行压力预测，实现调产井不同产量下的压力预测。本专利技术的目的是这样实现的：一种页岩气调产井生产压力动态预测方法，包括如下步骤：S1：选择对页岩气井生产有影响的控制参数构成决策变量X＝[x1,x2,···,xM]，M为所选参数的个数，所述控制参数包括油管压力Y，套管压力T,产量P,产水量W，然后选定页岩气工业现场，采集N组决策变量X1,X2,···,XN作为数据样本；S2：选定聚类方法，首先对N组产量P数据进行自适应聚类，根据聚类结果对S1中采集的样本数据进行归类，再结合产量P、产水量W、油管压力Y对套管压力T的影响，分类对套管压力数据进行处理；S3：选定相关性分析方法，对步骤S2归类后的N组生产数据进行相关性分析，从而分析不同控制参数的相关密切程度；S4：利用BP神经网络算法，以产量P、产水量W、油管压力Y作为输入，套管压力T作为输出，根据步骤S3所得的每一类数据分别建立BP神经网络模型，得到页岩气井生产数据多模型库；S5：预测时，对页岩气井生产数据多模型库输入需要预测的生产压力所对应的产量，并且导入需要预测压力当天以前的历史数据；S6：页岩气井生产数据多模型库根据S5所输入的产量，以及导入的历史数据，自动识别，找取并调用其对应的BP神经网络模型；S7：BP网络模型自动进行生产压力预测，为后期实际生产调度提供参考和预警。优选地，步骤S2中，选定聚类方法为FCM算法，聚类过程包括以下步骤：S21：根据页岩气井原始数据，首先对产量数据采用FCM进行聚类，其原理为：FCM把N组产量P数据Pi(i＝1,2,···,n)分为c个模糊组，并求每组的聚类中心，使得非相似性指标的价值函数达到最小，FCM用模糊划分，使得每个给定数据点用值在[0,1]间的隶属度来确定其属于各个组的程度，与引入模糊划分相适应，隶属矩阵U允许有取值在[0,1]间的元素，加上归一化规定，一个数据集的隶属度的和总等于1：那么，FCM的价值函数就是：式中，uij介于[0,1]之间；ci为模糊组I的聚类中心，dij＝||ci-xj||为第i个聚类中心与第j个数据点间的欧几里德距离；且m∈[1,∞)是一个加权指数，构造如下新的目标函数，可求得使式子(2-2)达到最小值的必要条件：式中λj，j＝1到n，是式子(2-1)的n个约束式的拉格朗日乘子，对所有输入参量求导，使式子(2-2)达到最小的必要条件为：和由上述两个必要条件，模糊c均值聚类算法是一个迭代过程，在批处理方式运行时，FCM用下列步骤确定聚类中心ci和隶属矩阵U：S211:用值在[0,1]间的随机数初始化隶属矩阵U，使其满足式(2-1)中的约束条件；S212:用式(2-4)计算c个聚类中心ci，i＝1,2···,c；S213:根据式(2-2)计算价值函数，如果它小于某个确定的阀值，或它相对上次价值函数值的改变量小于某个阀值，则算法停止；S214：用式(2-5)计算新的U矩阵，返回步骤S212；S215：聚类结束后，根据聚类结果对原始数据进行归类，分类进行数据处理。优选地，步骤S3中，选定的相关性分析方法为肯德尔相关系数分析法，步骤S3中，以套管压力T作为基本参考变量，分别分析产量P、产水量W、油管压力Y与套管压力T的相关性。优选地，步骤S4中建立的页岩气井生产数据多模型，其输入层采用4个神经元节点，隐藏层采用8个神经元节点，输出层采用1个神经元节点，输入层到隐藏层之间传递函数为Logsig函数，隐藏层到输出层之间的函数为Purelin函数，样本训练时的迭代次数为1000。优选地，步骤S4包括以下步骤：S41：初始化网络参数，包括阈值R，迭代次数T，权值w；S411：设定BP神经网络输入，设定神经网络输出值y(k)与理想输出值d(k)误差e(k)，理想输出值d(k)是指套管压力值Y1,,Y2,···,YN：e(k)＝d(k)-y(k)；S412：定义k时刻网络权值调整的误差函数E：其中，di(k)是k时刻第i个输出节点的期望输出；S413：反向传播，采用δ学习算法，调整各层间的权值：输出层及隐含层的连接权值wj2学习算法为：η为学习速率，η∈[0,1]，k+1时刻网络的权值为：wj0(k+1)＝wj0(k)+Δwj2S414：隐层及出入层连接的权值wij学习算法为：k+1时刻网络的权值为：wij(k+1)＝wij(k)+ΔwijS415：为了避免权值的学习过程发生震荡，考虑上次权值变化对本次权值变化的影响，加入动量因子α，此时权值为：wj0(k+1)＝wj0(k)+Δwj0+α(wj0(k)-wj0(k-1))wij(k+1)＝wij(k)+Δwij+α(wij(k)-wij(k-1))S416：利用建立的模型进行套管压力预测，将预测值与实际值比较；S417：判断当前模型预测精度是否满足要求，若精度不满足要求，重新进行训练，调整迭代次数T，若满足，则为最终建立的模型；S418：当所有类模型建立完成后，最终形成多模型库。由于采用了上述技术方案，本专利技术具有如下有益效果：本专利技术首先利用模糊聚类算法对页岩气调产井产本文档来自技高网...

【技术保护点】
1.一种页岩气调产井生产压力动态预测方法，其特征在于，包括如下步骤：S1：选择对页岩气井生产有影响的控制参数构成决策变量X＝[x1,x2,…,xM]，M为所选参数的个数，所述控制参数包括油管压力Y，套管压力T,产量P,产水量W，然后选定页岩气工业现场，采集N组决策变量X1,X2,…,XN作为数据样本；S2：选定聚类方法，首先对N组产量P数据进行自适应聚类，根据聚类结果对S1中采集的样本数据进行归类，再结合产量P、产水量W、油管压力Y对套管压力T的影响，分类对套管压力数据进行处理；S3：选定相关性分析方法，对步骤S2归类后的N组生产数据进行相关性分析，从而分析不同控制参数的相关密切程度；S4：利用BP神经网络算法，以产量P、产水量W、油管压力Y作为输入，套管压力T作为输出，根据步骤S3所得的每一类数据分别建立BP神经网络模型，得到页岩气井生产数据多模型库；S5：预测时，对页岩气井生产数据多模型库输入需要预测的生产压力所对应的产量，并且导入需要预测压力当天以前的历史数据；S6：页岩气井生产数据多模型库根据S5所输入的产量，以及导入的历史数据，自动识别，找取并调用其对应的BP神经网络模型；S7：BP网络模型自动进行生产压力预测，为后期实际生产调度提供参考和预警。...

【技术特征摘要】
1.一种页岩气调产井生产压力动态预测方法，其特征在于，包括如下步骤：S1：选择对页岩气井生产有影响的控制参数构成决策变量X＝[x1,x2,…,xM]，M为所选参数的个数，所述控制参数包括油管压力Y，套管压力T,产量P,产水量W，然后选定页岩气工业现场，采集N组决策变量X1,X2,…,XN作为数据样本；S2：选定聚类方法，首先对N组产量P数据进行自适应聚类，根据聚类结果对S1中采集的样本数据进行归类，再结合产量P、产水量W、油管压力Y对套管压力T的影响，分类对套管压力数据进行处理；S3：选定相关性分析方法，对步骤S2归类后的N组生产数据进行相关性分析，从而分析不同控制参数的相关密切程度；S4：利用BP神经网络算法，以产量P、产水量W、油管压力Y作为输入，套管压力T作为输出，根据步骤S3所得的每一类数据分别建立BP神经网络模型，得到页岩气井生产数据多模型库；S5：预测时，对页岩气井生产数据多模型库输入需要预测的生产压力所对应的产量，并且导入需要预测压力当天以前的历史数据；S6：页岩气井生产数据多模型库根据S5所输入的产量，以及导入的历史数据，自动识别，找取并调用其对应的BP神经网络模型；S7：BP网络模型自动进行生产压力预测，为后期实际生产调度提供参考和预警。2.根据权利要求1所述的页岩气调产井生产压力动态预测方法，其特征在于，步骤S2中，选定聚类方法为FCM算法，聚类过程包括以下步骤：S21：根据页岩气井原始数据，首先对产量数据采用FCM进行聚类，其原理为：FCM把N组产量P数据xi(i＝1,2,…,n)分为c个模糊组，并求每组的聚类中心，使得非相似性指标的价值函数达到最小，FCM用模糊划分，使得每个给定数据点用值在[0,1]间的隶属度来确定其属于各个组的程度，与引入模糊划分相适应，隶属矩阵U允许有取值在[0,1]间的元素，加上归一化规定，一个数据集的隶属度的和总等于1：那么，FCM的价值函数(或目标函数)就是：式中，uij介于[0,1]之间；ci为模糊组I的聚类中心，dij＝||ci-xj||为第i个聚类中心与第j个数据点间的欧几里德距离；且m∈[1,∞)是一个加权指数，构造如下新的目标函数，可求得使式子(2-2)达到最小值的必要条件：式中λj，j＝1到n，是式子(2-1)的n个约束式的拉格朗日乘子，对所有输入参量求导，使式子(2-2)达到最小的必要条件为：和由上述两个必要条件，模糊c均值聚类算法是一个迭代过程，在批处理方式运行时，FCM用下列步骤确定聚类中心ci和隶属矩阵U：S211:用值在[0,1]间的随...

【专利技术属性】
技术研发人员：易军，陈雪梅，张卫，汪波，黄家华，施建阳，钱龙，张绍春，
申请(专利权)人：重庆科技学院，
类型：发明
国别省市：重庆,50