一种基于数据驱动决策的压裂分析方法技术

本发明专利技术涉及数据分析处理技术领域，尤其涉及一种基于数据驱动决策的压裂分析方法，包括步骤1.集合压裂历史数据，进行数据分析优化筛选；步骤2.整合分析筛选后的数据，利用分析后的数据进行建模准备；步骤3.建立裂缝模拟神经网络与产能模拟神经网络专家组；步骤4.结合专业知识同时利用数据驱动策略，形成STACKING算法；步骤5.结合STACKING算法预测压后产量；步骤6.预测完成压后产量后，结合遗传算法进行面向油田数据的压裂参数预测；步骤7.重复步骤1

【技术实现步骤摘要】
一种基于数据驱动决策的压裂分析方法


[0001]本专利技术涉及数据分析处理
，尤其涉及一种基于数据驱动决策的压裂分析方法。

技术介绍

[0002]本部分中的陈述仅提供与本公开有关的背景信息并且不构成现有技术。
[0003]人工智能应用的两大基本难题是“不完全信息”和“噪声”问题，处理好这两类基本难题，能够有效完成数据的预处理工作，基于上述问题处理制定油田数据处理的标准化、规范化的软件数据处理方案，才能为模型选择提供基本理论基础。
[0004]现有公开技术中，人工智能在“油田大数据”应用时，以上两类问题比较突出，具体表现为工艺、单井基础信息、不稳定试井、射孔数据、压裂数据的不确定性和井史数据互相匹配产生的噪声问题；工艺、射孔数据、单井基础信息、压裂数据的缺失值问题；各项数据本身各个特征间的相关程度的分析，Pearson 相关系数的三种情况，具体包括：非线性关系导致 Pearson 系数小的问题，非因果关系的相关性分析以及因果关系相关性分析。

技术实现思路

[0005]专利技术人通过研究发现：噪声信号处理噪声问题主要出现在压裂前产能背后反映出的地质信息和压裂措施、工艺之间的拟合问题上，二者因果关系复杂，有人为、突发、不可预见性等不确定因素，这些因素共同影响压裂后的产能效果。
[0006]本公开的目的在于提供一种基于数据驱动决策的压裂分析方法，通过步骤1
‑
步骤6的分析方法，可以解决现有技术在面向噪声与不完全信息时，无法提前进行数据的预处理的技术问题；同时解决传统公式预测方法准确度不高的技术问题。
[0007]据本公开的一个方面，提供包括如下步骤：步骤1.集合压裂历史数据，进行数据分析优化筛选，优化筛选内容包括储层参数、岩石力学参数、压裂施工参数以及产能参数；步骤2.整合分析筛选后的数据，利用分析后的数据进行建模准备；步骤3.建立裂缝模拟神经网络与产能模拟神经网络专家组；步骤4.结合专业知识同时利用数据驱动策略，形成STACKING算法；步骤5.结合STACKING算法预测压后产量；步骤6.预测完成压后产量后，结合遗传算法进行面向油田数据的压裂参数预测；步骤7.重复步骤1
‑
步骤7，完成对应压裂分析后，结束循环。
[0008]本公开的一些实施例中，所述步骤1具体包括如下内容：筛选出的数据有：孔隙度Φ、渗透率 K、原始含油饱和度So、地层流体粘度μ、厚度 h、原始地层压力p、压裂液总量、支撑剂总量、井网类型、开发井距、压裂工艺、压裂液类型、支撑剂类型、时间、区块、层系、初期产液量、初期产油量、累积产液量、累积产油量、产出强度以及增油量。
[0009]本公开的一些实施例中，所述步骤2具体包括：将步骤1中的数据两两进行皮尔逊相关性分析，将皮尔逊相关性大于0.45的数据项分离出来，进行下一步分析。
[0010]本公开的一些实施例中，所述步骤3具体包括：建立裂缝模拟神经网络，搭建孔隙
度Φ、渗透率 K、原始含油饱和度So、地层流体粘度μ、厚度 h、原始地层压力p、压裂液总量、支撑剂总量、井网类型、开发井距、压裂工艺、压裂液类型、支撑剂类型、时间、区块、层系，与初期产液量、初期产油量之间的预测关系，神经网络采用四层256神经元与输入层输出层组成的全连接神经网络，中间层激活函数采用reLu，最终目标函数为MSE，梯度下降采用Adam，Epoch为1000，Batch为300。
[0011]本公开的一些实施例中，所述步骤4具体包括：将步骤3中描述的四层全连接神经网络中最后一层的最后一轮衔接XGBOOST算法，也就是实现全连接网络与XGBOOST之间的堆叠。
[0012]本公开与目前公开的技术相比，具有如下的优点和有益效果：本公开的技术中，预测压后产量的方法，局限于裂缝、压力及缝控因素等方法，无法解决数据噪声带来的干扰，从而导致准确率不高。
附图说明
[0013]图1是本专利技术的流程示意图。
具体实施方式
[0014]请参考说明附图1，本实施例提供了一种基于数据驱动决策的压裂分析方法，该基于数据驱动决策的压裂分析方法已经处于实际测试使用阶段。
[0015]在以下段落中，更为详细地限定了实施例的不同方面。如此限定的各方面可与任何其他的一个方面或多个方面组合，除非明确指出不可组合。尤其是，被认为是优选的或有利的任何特征可与其他一个或多个被认为是优选的或有利的特征组合。本专利技术中出现的“第一”、“第二”等用语仅是为了方便描述，以区分具有相同名称的不同组成部件，并不表示先后或主次关系。
实施例
[0016]本实施例至少包括如下内容：包括如下步骤：步骤1.集合压裂历史数据，进行数据分析优化筛选，优化筛选内容包括储层参数、岩石力学参数、压裂施工参数以及产能参数；步骤2.整合分析筛选后的数据，利用分析后的数据进行建模准备；步骤3.建立裂缝模拟神经网络与产能模拟神经网络专家组；步骤4.结合专业知识同时利用数据驱动策略，形成STACKING算法；步骤5.结合STACKING算法预测压后产量；步骤6.预测完成压后产量后，结合遗传算法进行面向油田数据的压裂参数预测；步骤7.重复步骤1
‑
步骤7，完成对应压裂分析后，结束循环。
[0017]具体为：步骤1具体包括如下内容：筛选出的数据有：孔隙度Φ、渗透率 K、原始含油或气饱和度So、地层流体粘度μ、厚度 h、原始地层压力p、压裂液总量、支撑剂总量、井网类型、开发井距、压裂工艺、压裂液类型、支撑剂类型、时间、区块、层系、初期产液量、初期产油量、累积产液量、累积产油量、产出强度以及增油量。步骤2具体包括：将步骤1中的数据两两进行皮尔逊相关性分析，将皮尔逊相关性大于0.45的数据项分离出来，进行下一步分析。
步骤3具体包括：建立裂缝模拟神经网络，搭建孔隙度Φ、渗透率 K、原始含油或气饱和度So、地层流体粘度μ、厚度 h、原始地层压力p、压裂液总量、支撑剂总量、井网类型、开发井距、压裂工艺、压裂液类型、支撑剂类型、时间、区块、层系，与初期产液量、初期产油量之间的预测关系，神经网络采用四层256神经元与输入层输出层组成的全连接神经网络，中间层激活函数采用reLu，最终目标函数为MSE，梯度下降采用Adam，Epoch为1000，Batch为300。步骤4具体包括：将步骤3中描述的四层全连接神经网络中最后一层的最后一轮衔接XGBOOST算法，也就是实现全连接网络与XGBOOST之间的堆叠以上所述仅为本专利技术的较佳实施例而已，并不用以限制本专利技术，凡在本专利技术的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本专利技术的保护范围之内。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种利用数据驱动决策的压裂分析方法，其特征在于，包括如下步骤：步骤1.集合压裂历史数据，进行数据分析优化筛选，优化筛选内容包括储层参数、岩石力学参数、压裂施工参数以及产能参数；步骤2.整合分析筛选后的数据，利用分析后的数据进行建模准备；步骤3.建立裂缝模拟神经网络；步骤4.结合专业知识同时利用数据驱动策略，形成STACKING算法；步骤5.结合STACKING算法预测压后产量；步骤6.预测完成压后产量后，结合遗传算法进行面向油田数据的压裂参数预测；步骤7.重复步骤1
‑
步骤7，完成对应压裂分析后，结束循环。2.根据权利要求1所述的一种利用数据驱动决策的压裂分析方法，其特征在于，所述步骤1具体包括如下内容：筛选出的数据有：孔隙度 Φ、渗透率 K、原始含油饱和度So、地层流体粘度μ、厚度 h、原始地层压力p、压裂液总量、支撑剂总量、井网类型、开发井距、压裂工艺、压裂液类型、支撑剂类型、时间、区块、层系、初期产液量、初期产油量、累积产液量、累积产油量、产出强度以及增油量。3.根据权利要求1...

【专利技术属性】
技术研发人员：王晨羽，
申请(专利权)人：大庆正方软件科技股份有限公司，
类型：发明
国别省市：