【技术实现步骤摘要】
本专利技术涉及石油开采中压裂施工，是一种压裂用缝内暂堵剂配方参数智能优化方法。
技术介绍
1、目标区块为砂砾岩致密储层，岩性主要为砂砾岩，但是其非均质性强并具有复杂的地质条件。但在油田现场目标区块的缝内暂堵施工的缝内用暂堵剂配方参数设计没有体现出差异性和针对性，有一定的盲目性，区分性很差。例如bkq区块的两个垂直井，两个垂直井的地质参数如最小水平主应力和压裂液注入排量等明显影响到裂缝形态的参数存在较大差异的情况下所用的粉末暂堵剂和颗粒暂堵剂总量以及其粉末暂堵剂和颗粒暂堵剂的配比关系极其趋同，没有体现出缝内用暂堵剂用量和配方的针对性，进而导致在缝内暂堵施工过程中没有达到理想的暂堵压力升值。
2、此外另一方面现在进行暂堵压裂施工设计时对缝内暂堵剂配方参数进行确定时仅根据了缝内暂堵剂总用量和动态缝宽关系的简单图版，从另一方面导致了压裂用缝内暂堵剂配方参数设计结果重叠性极其严重，并且存在可人为随便更改的情况，进一步导致缝内暂堵剂配方参数设计盲目性的发生。由于以上方面的问题，使得绝大情况下在压裂缝内暂堵施工过程中造成了经济浪费等问题。
3、基于以上问题，针对致密砂砾岩的非均质性储层，有必要对目标区块的地质信息，缝内暂堵施工工况参数进行重新认识并分析，在不增加缝内暂堵压裂施工的成本以及达到理想的暂堵压力升值的情况下优化出压裂用缝内暂堵剂的配方参数，并可预测出目标区块的在已经优化的缝内暂堵剂配方参数的情况下缝内暂堵压裂施工可达到的理想的暂堵施工压力升值。
技术实现思路
1
2、本专利技术的技术方案是通过以下措施来实现的：一种压裂用缝内暂堵剂配方参数智能优化方法，按照下述步骤进行：第一步，收集包括但不限于目标区块的地质数据、暂堵施工工况数据、实际施工工况下所用的缝内暂堵剂类型和压力升值数据，对获取的数据进行缺失值填补，建立相应的目标区块压裂数据库；第二步，根据相应的目标区块压裂数据库，通过结合pca主成分分析的聚类算法，根据聚类结果，进行储层划分；第三步，建立目标区块的地质数据、暂堵施工工况数据、实际施工工况下压力升值数据的bp神经网络回归模型；第四步，根据聚类算法得到的聚类结果和储层划分，进行压裂用缝内暂堵剂配方参数的优化，确定暂堵剂的用量比重。
3、下面是对上述专利技术技术方案的进一步优化或/和改进：
4、上述地质数据包括但是不限于岩性、压力系数、杨氏模量、最小水平主应力、泊松比、储层温度、地层压力、有效孔隙度、有效渗透率、滤失系数和地下流体粘度；暂堵施工工况数据包括但是不限于前置液量和排量。
5、上述缝内暂堵剂类型包括粒径<1mm的颗粒暂堵剂、粒径为1mm至3mm的颗粒暂堵剂、粒径为1mm至5mm的颗粒暂堵剂、粒径为1mm至7mm的颗粒暂堵剂和粉末暂堵剂。
6、上述缺失值填补的方法包括：首先，用非机器学习的尽可能真实的方法进行缺失值填补，其中，非机器学习的尽可能真实的方法包括邻井信息进行填补；接着，在无邻井信息情况下，使用机器学习的方法进行缺失值填补；最后，综合运用机器学习特征工程方法进行异常值识别的预处理操作。
7、上述缺失值填补时，缺失率不大于5%，采用中位数填补，缺失率大于5%，采用随机差值方式填补。
8、上述进行异常值识别时，采用箱型图进行异常值识别，如果异常值为数据输入错误导致，将其修改为正常值，如果异常值错误程度过于离谱，采用视为缺失值的方式处理，其他异常值暂且保留，建立相应的目标区块的压裂用缝内暂堵剂的数据库。
9、上述第四步中，压裂用缝内暂堵剂配方参数的优化的具体过程包括:首先，联合目标区块的地质数据、暂堵施工工况数据，输入至bp神经网络回归模型中进行封堵强度压力预测，确定优化出压裂用缝内暂堵剂的第一维参数压裂用缝内暂堵剂的总用量；然后，在确定压裂用缝内暂堵剂的第一维参数压裂用缝内暂堵剂的总用量的条件下，扩大颗粒暂堵剂的比例，再次输入bp神经网络模型中进行封堵压力强度的预测，确定优化出压裂用缝内暂堵剂的第二维参数压裂用缝内暂堵剂的两种规格的配比关系。
10、本专利技术通过对目标区块的缝内暂堵施工井的地质信息、暂堵施工工况信息、缝内暂堵施工压力升值信息的收集与处理，分类建立缝内暂堵施工压力升值与缝内用暂堵剂的配方参数的回归模型，达到同时考虑缝内暂堵施工的经济成本和预可达到的理想压力升值的情况下，确定出缝内用暂堵剂的配方参数。
本文档来自技高网...【技术保护点】
1.一种压裂用缝内暂堵剂配方参数智能优化方法，其特征在于按照下述步骤进行：第一步，收集包括但不限于目标区块的地质数据、暂堵施工工况数据、实际施工工况下所用的缝内暂堵剂类型和压力升值数据，对获取的数据进行缺失值填补，建立相应的目标区块压裂数据库；第二步，根据相应的目标区块压裂数据库，通过结合PCA主成分分析的聚类算法，根据聚类结果，进行储层划分；第三步，建立目标区块的地质数据、暂堵施工工况数据、实际施工工况下压力升值数据的BP神经网络回归模型；第四步，根据聚类算法得到的聚类结果和储层划分，进行压裂用缝内暂堵剂配方参数的优化，确定暂堵剂的用量比重。
2.根据权利要求1所述的压裂用缝内暂堵剂配方参数智能优化方法，其特征在于地质数据包括但是不限于岩性、压力系数、杨氏模量、最小水平主应力、泊松比、储层温度、地层压力、有效孔隙度、有效渗透率、滤失系数和地下流体粘度；暂堵施工工况数据包括但是不限于前置液量和排量。
3.根据权利要求1或2所述的压裂用缝内暂堵剂配方参数智能优化方法，其特征在于缝内暂堵剂类型包括粒径<1mm的颗粒暂堵剂、粒径为1mm至3mm的颗粒暂堵剂
4.根据权利要求1或2所述的压裂用缝内暂堵剂配方参数智能优化方法，其特征在于缺失值填补的方法包括：首先，用非机器学习的尽可能真实的方法进行缺失值填补，其中，非机器学习的尽可能真实的方法包括邻井信息进行填补；接着，在无邻井信息情况下，使用机器学习的方法进行缺失值填补；最后，综合运用机器学习特征工程方法进行异常值识别的预处理操作。
5.根据权利要求3所述的压裂用缝内暂堵剂配方参数智能优化方法，其特征在于缺失值填补的方法包括：首先，用非机器学习的尽可能真实的方法进行缺失值填补，其中，非机器学习的尽可能真实的方法包括邻井信息进行填补；接着，在无邻井信息情况下，使用机器学习的方法进行缺失值填补；最后，综合运用机器学习特征工程方法进行异常值识别的预处理操作。
6.根据权利要求4或5所述的压裂用缝内暂堵剂配方参数智能优化方法，其特征在于缺失值填补时，缺失率不大于5%，采用中位数填补，缺失率大于5%，采用随机差值方式填补。
7.根据权利要求4或5所述的压裂用缝内暂堵剂配方参数智能优化方法，其特征在于进行异常值识别时，采用箱型图进行异常值识别，如果异常值为数据输入错误导致，将其修改为正常值，如果异常值错误程度过于离谱，采用视为缺失值的方式处理，其他异常值暂且保留，建立相应的目标区块的压裂用缝内暂堵剂的数据库。
8.根据权利要求6所述的压裂用缝内暂堵剂配方参数智能优化方法，其特征在于进行异常值识别时，采用箱型图进行异常值识别，如果异常值为数据输入错误导致，将其修改为正常值，如果异常值错误程度过于离谱，采用视为缺失值的方式处理，其他异常值暂且保留，建立相应的目标区块的压裂用缝内暂堵剂的数据库。
9.根据权利要求1或2或5或8所述的压裂用缝内暂堵剂配方参数智能优化方法，其特征在于第四步中，压裂用缝内暂堵剂配方参数的优化的具体过程包括:首先，联合目标区块的地质数据、暂堵施工工况数据，输入至BP神经网络回归模型中进行封堵强度压力预测，确定优化出压裂用缝内暂堵剂的第一维参数压裂用缝内暂堵剂的总用量；然后，在确定压裂用缝内暂堵剂的第一维参数压裂用缝内暂堵剂的总用量的条件下，扩大颗粒暂堵剂的比例，再次输入BP神经网络模型中进行封堵压力强度的预测，确定优化出压裂用缝内暂堵剂的第二维参数压裂用缝内暂堵剂的两种规格的配比关系。
10.根据权利要求7所述的压裂用缝内暂堵剂配方参数智能优化方法，其特征在于第四步中，压裂用缝内暂堵剂配方参数的优化的具体过程包括:首先，联合目标区块的地质数据、暂堵施工工况数据，输入至BP神经网络回归模型中进行封堵强度压力预测，确定优化出压裂用缝内暂堵剂的第一维参数压裂用缝内暂堵剂的总用量；然后，在确定压裂用缝内暂堵剂的第一维参数压裂用缝内暂堵剂的总用量的条件下，扩大颗粒暂堵剂的比例，再次输入BP神经网络模型中进行封堵压力强度的预测，确定优化出压裂用缝内暂堵剂的第二维参数压裂用缝内暂堵剂的两种规格的配比关系。
...【技术特征摘要】
1.一种压裂用缝内暂堵剂配方参数智能优化方法，其特征在于按照下述步骤进行：第一步，收集包括但不限于目标区块的地质数据、暂堵施工工况数据、实际施工工况下所用的缝内暂堵剂类型和压力升值数据，对获取的数据进行缺失值填补，建立相应的目标区块压裂数据库；第二步，根据相应的目标区块压裂数据库，通过结合pca主成分分析的聚类算法，根据聚类结果，进行储层划分；第三步，建立目标区块的地质数据、暂堵施工工况数据、实际施工工况下压力升值数据的bp神经网络回归模型；第四步，根据聚类算法得到的聚类结果和储层划分，进行压裂用缝内暂堵剂配方参数的优化，确定暂堵剂的用量比重。
2.根据权利要求1所述的压裂用缝内暂堵剂配方参数智能优化方法，其特征在于地质数据包括但是不限于岩性、压力系数、杨氏模量、最小水平主应力、泊松比、储层温度、地层压力、有效孔隙度、有效渗透率、滤失系数和地下流体粘度；暂堵施工工况数据包括但是不限于前置液量和排量。
3.根据权利要求1或2所述的压裂用缝内暂堵剂配方参数智能优化方法，其特征在于缝内暂堵剂类型包括粒径<1mm的颗粒暂堵剂、粒径为1mm至3mm的颗粒暂堵剂、粒径为1mm至5mm的颗粒暂堵剂、粒径为1mm至7mm的颗粒暂堵剂和粉末暂堵剂。
4.根据权利要求1或2所述的压裂用缝内暂堵剂配方参数智能优化方法，其特征在于缺失值填补的方法包括：首先，用非机器学习的尽可能真实的方法进行缺失值填补，其中，非机器学习的尽可能真实的方法包括邻井信息进行填补；接着，在无邻井信息情况下，使用机器学习的方法进行缺失值填补；最后，综合运用机器学习特征工程方法进行异常值识别的预处理操作。
5.根据权利要求3所述的压裂用缝内暂堵剂配方参数智能优化方法，其特征在于缺失值填补的方法包括：首先，用非机器学习的尽可能真实的方法进行缺失值填补，其中，非机器学习的尽可能真实的方法包括邻井信息进行填补；接着，在无邻井信息情况下，使用机器学习的方法进行缺失值填补；最后，综合运用机器学习特征工程方法进行异常值识别的预处理操作。
6.根据权利要求4或5所述的压...
【专利技术属性】
技术研发人员：孟磊峰，王晗，樊庆虎，刘晓东，卞腾飞，徐亚军，何家俊，
申请(专利权)人：中国石油天然气集团有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。