基于卷积神经网络与SHAP值的页岩气产能主控因素分析方法技术

本发明专利技术提供一种基于卷积神经网络与SHAP值的页岩气产能主控因素分析方法，属于页岩气开发领域。所述方法包括：确定影响目标区块页岩气产能的因素；其中，每个影响因素作为一个特征；根据确定的页岩气产能的影响因素获取页岩气数据构成特征数据集，并获取页岩气数据对应的产能构成标签数据集；利用特征数据集和标签数据集，建立基于卷积神经网络的产能预测模型；基于训练后的产能预测模型，计算特征数据集中每个特征的SHAP值，量化每个因素对产能的影响程度；基于得到的SHAP值，分析产能与其影响因素之间的内在关系，确定目标区块的产能主控因素。采用本发明专利技术，能够对影响产能的因素进行重要性分析，提高了主控因素分析的准确率。提高了主控因素分析的准确率。提高了主控因素分析的准确率。

【技术实现步骤摘要】
基于卷积神经网络与SHAP值的页岩气产能主控因素分析方法


[0001]本专利技术涉及页岩气开发领域，特别是指一种基于卷积神经网络与SHAP值的页岩气产能主控因素分析方法。

技术介绍

[0002]页岩气特指赋存于页岩、泥岩、高碳泥岩和粉砂质岩类夹层中的非常规天然气。页岩气产能评价方法研究是对页岩气藏进行合理、高效开发的基础，产量影响因素分析是油气田开发中一项重要的任务，可以帮助开发者找到井在实际生产中的产量的主控因素，并获得更加深刻的理论认知。
[0003]传统分析主控因素的方法一般借助数值模拟开展，但对于复杂的问题，数值模拟无法考虑所有物理过程，进而影响主控因素分析结果的准确性。此外还可通过相关性分析方法分析主控因素，包括Pearson方法、Spearman方法和Kendall方法等。将不同的计算相关性的方法进行比较，Pearson适用于线性数据，使用时需要进行标准化，计算复杂度低，鲁棒性低；Spearman适用于线性数据和简单单调非线性数据，使用前需要标准化，计算复杂度低，鲁棒性为中等；Kendall与Spearman类似，适用于线性数据和简单单调非线性数据，使用前需要标准化，计算复杂度低，鲁棒性也是中等。

技术实现思路

[0004]本专利技术实施例提供了基于卷积神经网络与SHAP值的页岩气产能主控因素分析方法，能够对影响产能的因素进行重要性分析，提高了主控因素分析的准确率。所述方法包括：
[0005]确定影响目标区块页岩气产能的因素；其中，每个影响因素作为一个特征；
[0006]根据确定的页岩气产能的影响因素获取页岩气数据构成特征数据集，并获取页岩气数据对应的产能构成标签数据集；
[0007]利用特征数据集和标签数据集，建立基于卷积神经网络的产能预测模型；
[0008]基于训练后的产能预测模型，计算特征数据集中每个特征的SHAP值；
[0009]基于得到的SHAP值，分析产能与其影响因素之间的内在关系，确定目标区块的产能主控因素。
[0010]进一步地，所述确定影响目标区块页岩气产能的因素包括：
[0011]从地质数据、工程数据和生产数据方面确定影响目标区块页岩气产能的因素；
[0012]其中，确定的影响目标区块页岩气产能的因素包括：裂缝导流能力evqual_p、厚度h、基质渗透率matrix_p、簇数cluster、裂缝半长half_length、入地液量liquid_volume、水平井长度well_length、饱和度S和生产压差pressure。
[0013]进一步地，第j个特征的SHAP值φ
j
表示为：
[0014][0015]其中，M为特征的数目，S为产能预测模型中特征的子集，f(S)为产能预测模型在特征子集S上的输出值，f(S∪{j})表示产能预测模型在特征子集S与第j个特征的并集上的输出值，j＝{1,...M}，S表示S的大小，！表示阶乘。
[0016]进一步地，所述基于得到的SHAP值，分析产能与其影响因素之间的内在关系，确定目标区块的产能主控因素包括：
[0017]基于得到的每个特征的SHAP值，利用单个产能影响因素的SHAP分析、总体特征概要分析、聚类SHAP分析和特征交互分析，分析产能与其影响因素之间的线性和非线性内在关系，确定目标区块的产能主控因素；
[0018]其中，单个产能影响因素的SHAP分析：通过计算每个影响产能的因素的平均绝对SHAP值，量化每个因素对产能的影响程度，对训练后的产能预测模型进行局部解释；
[0019]总体特征概要分析：以0为分界点表征特征对产能预测模型的输出的正负影响，并在量化完每个因素的影响程度后，通过排序，确定对产能影响较大的因素，实现对训练后的产能预测模型的全局解释；
[0020]聚类SHAP分析：将具有相似SHAP值的样本合并在一起并进行排序；
[0021]特征交互分析：分析不同特征之间的耦合非线性关系。
[0022]进一步地，第j个影响产能的因素的平均绝对SHAP值等于第j个特征的平均绝对SHAP值，表示为：
[0023][0024]其中，I
j
为第j个影响产能的因素的平均绝对SHAP值，具体为：特征数据集中所有样本的第j个特征的平均绝对SHAP值；φ
j
(x
i
)表示第i个样本的第j个特征的SHAP值，N表示特征数据集中样本的数目。
[0025]进一步地，总体特征概要分析，用于描述特征重要性和特征效应；其中，特征效应指：当第j个特征的平均绝对SHAP值大于0时，则表明第j个影响因素对产能预测模型的输出有正影响，当第j个特征的平均绝对SHAP值小于0时，则表明第j个影响因素对产能预测模型的输出有负影响。
[0026]进一步地，特征重要性是将各特征的平均绝对SHAP值I
j
作为对应特征的重要性度量标准，I
j
越大，则表明该特征越重要，确定所有特征的平均绝对SHAP值后，记为I＝(I1,I2,...,I
M
)，对I中的元素从大到小进行降序排序，排序越在前的特征对产能的影响越大；其中，I
j
为第j个特征的平均绝对SHAP值，M为特征的数目。
[0027]进一步地，通过计算两个特征之间的SHAP交互指数进行特征交互分析；其中，SHAP交互指数表示为：
[0028][0029]其中，φ
i,j
表示第i个特征和第j个特征之间的SHAP交互指数，M为特征的数量，S为产能预测模型中特征的子集，S表示S的大小，f(S)为产能预测模型在特征子集S上的输出值，f(S∪{j})表示产能预测模型在特征子集S与第j个特征的并集上的输出值，f(S∪{i})表示产能预测模型在特征子集S与第i个特征的并集上的输出值，f(S∪{i,j})表示产能预
测模型在特征子集S与第i，j个特征的并集上的输出值，！表示阶乘。
[0030]本专利技术实施例提供的技术方案带来的有益效果至少包括：
[0031]本专利技术实施例中，确定影响目标区块页岩气产能的因素；其中，每个影响因素作为一个特征；根据确定的页岩气产能的影响因素获取页岩气数据构成特征数据集，并获取页岩气数据对应的产能构成标签数据集；利用特征数据集和标签数据集，建立基于卷积神经网络的产能预测模型；基于训练后的产能预测模型，计算特征数据集中每个特征的SHAP值，量化每个因素对产能的影响程度；基于得到的SHAP值，分析产能与其影响因素之间的内在关系，确定目标区块的产能主控因素。这样，通过深度学习算法与SHAP值，对影响产能的因素进行重要性分析，提高了分析的准确率，从而解决了传统主控因素分析方法准确性低、无法处理复杂问题、无法定量定性评价影响页岩气产能主控因素的问题。
附图说明
[0032]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络与SHAP值的页岩气产能主控因素分析方法，其特征在于，包括：确定影响目标区块页岩气产能的因素；其中，每个影响因素作为一个特征；根据确定的页岩气产能的影响因素获取页岩气数据构成特征数据集，并获取页岩气数据对应的产能构成标签数据集；利用特征数据集和标签数据集，建立基于卷积神经网络的产能预测模型；基于训练后的产能预测模型，计算特征数据集中每个特征的SHAP值；基于得到的SHAP值，分析产能与其影响因素之间的内在关系，确定目标区块的产能主控因素。2.根据权利要求1所述的基于卷积神经网络与SHAP值的页岩气产能主控因素分析方法，其特征在于，所述确定影响目标区块页岩气产能的因素包括：从地质数据、工程数据和生产数据方面确定影响目标区块页岩气产能的因素；其中，确定的影响目标区块页岩气产能的因素包括：裂缝导流能力evqual_p、厚度h、基质渗透率matrix_p、簇数cluster、裂缝半长half_length、入地液量liquid_volume、水平井长度well_length、饱和度S和生产压差pressure。3.根据权利要求1所述的基于卷积神经网络与SHAP值的页岩气产能主控因素分析方法，其特征在于，第j个特征的SHAP值φ
j
表示为：其中，M为特征的数目，S为产能预测模型中特征的子集，f(S)为产能预测模型在特征子集S上的输出值，f(S∪{j})表示产能预测模型在特征子集S与第j个特征的并集上的输出值，j＝{1,...M}，|S|表示S的大小，！表示阶乘。4.根据权利要求1所述的基于卷积神经网络与SHAP值的页岩气产能主控因素分析方法，其特征在于，所述基于得到的SHAP值，分析产能与其影响因素之间的内在关系，确定目标区块的产能主控因素包括：基于得到的每个特征的SHAP值，利用单个产能影响因素的SHAP分析、总体特征概要分析、聚类SHAP分析和特征交互分析，分析产能与其影响因素之间的线性和非线性内在关系，确定目标区块的产能主控因素；其中，单个产能影响因素的SHAP分析：通过计算每个影响产能的因素的平均绝对SHAP值，量化每个因素对产能的影响程度，对训练后的产能预测模型进行局部解释；总体特征概要分析：以0为分界点表征特征对产能预测模型的输出的正负影响，并在量化完每个因素的影响程度后，通过排序，确定对产能影响较大的因素，实现对训练后的产能预测模型的全局解释；聚类SHAP分析：将具有相...

【专利技术属性】
技术研发人员：岳明，宋田茹，朱维耀，范琳，宋洪庆，潘滨，
申请(专利权)人：北京科技大学，
类型：发明
国别省市：