大数据挖掘技术评价致密气藏水平井产能

孙 敬，刘德华，董春艳

(1.长江大学，湖北 武汉 430100；2.非常规油气湖北省协同创新中心，湖北 武汉 430100；3.油气钻采工程湖北省重点实验室， 湖北 武汉 430100)



大数据挖掘技术评价致密气藏水平井产能

孙 敬1，2，3，刘德华1，2，3，董春艳1，3

(1.长江大学，湖北 武汉 430100；2.非常规油气湖北省协同创新中心，湖北 武汉 430100；3.油气钻采工程湖北省重点实验室， 湖北 武汉 430100)

为准确评价致密气藏压裂水平井的产能，通过分析致密气藏压裂水平井产能的影响因素，采用大数据技术进行数据过滤，给出了影响产能的2个大类9个子类40个因素，并优选出主要因素。运用主成分分析方法、线性回归方法进行影响因素的排序，并建立多因素影响下的产能方程。研究表明，采用大数据挖掘技术建立的产能评价方程预测的气井产量与实际产量相比，精度达到90%。研究内容为大数据技术在致密气藏储集层地质认识、大规模压裂技术、气井动态特征等领域的应用拓宽了思路。

致密气藏；大数据挖掘技术；水平井；压裂气井产能评价

0 引 言

致密气藏的储层复杂导致开发难度增加，所有气井必须进行大规模压裂才有天然产能，压裂技术的快速进步使得致密气储层的大规模有效开发具有可能性。目前，致密气藏压裂水平井产能评价的方法有很多，基于达西和费克定律理论计算方法[1-2]、测井方法及生产测试方法等，但每种评价方法都存在缺点和局限性，适应性不强，其计算结果与实际相差较大。致密气藏压裂水平井产能的影响因素有很多，包括储层因素、含气因素、扩散规律、井网方式、施工工艺等，采用传统数据库和分析预测方法很好地构建一个单因素产能评价方程不太可能，故提出大数据挖掘技术。

近年来，智慧油田的建设将油田信息化带到了“大数据、智能化”时代[3]。数据挖掘技术也开始应用到石油工程各个领域，同时也取得了一定的效果。2002年，吴树鹏应用大数据技术对油田开发指标进行分析[4]；2005年，孙梦茹在数值模拟的基础上采用大数据对剩余油分布进行预测[5]；2007年，文华结合大数据挖掘技术对抽油机井抽汲参数优选[6]；2014年，黄渊等人将数据挖掘技术应用在碳酸盐岩储层评价方面，取得了成功[7]；同时大数据挖掘技术在注水井酸化解堵措施选择[8]、油井出砂预测[9]、防砂方法优选[10-11]等领域也得到了很好的应用。

针对致密气藏压裂水平井产能的影响因素，文中采用大数据挖掘技术能有效地分析海量数据，分析影响因素的主次关系，构建产能方程。

1 致密气藏压裂水平井产能影响因素分析

致密气藏压裂水平井产能的影响因素除了常规的地质特征、含气因素以及气体在储集层扩散规律外，还包含井网方式、压裂规模、施工过程以及生产制度等多方面影响。通过系统分析，将影响因素归纳为2个大类9个子类40个因素(表1)。

表1 影响因素分类

2 致密气藏气井产能评价数据挖掘步骤

2.1 数据分类采集

由于影响致密气藏气井产能的数据类型多，包括地质因素、微观特征、含气特征、压裂施工、生产动态等诸多方面，需要分类整理不同类型数据。主要包括：①以压裂水平气井为基础，对不同压裂工艺进行分类，建立井所在位置的地质信息、含气特征、施工数据、生产动态数据；②勘探过程中，只有少数探井和取样井点，部分地质数据和微观特征数据依据井所属区块确定；③大量岩石力学特性数据、含气特征数据、岩石成分等数据依据测、录井数据确定。

2.2 数据标准化处理

由于数据类型复杂，包括静态数据、动态数据、测试数据、设计数据等不同类型，其数据单位、属性、对产能的影响方式均不同，在进行模型优选分析计算时需要标准化处理，主要包括：①数量级别处理，将不同级别数据处理为相同量级；②量纲处理，消除不同量纲对计算的影响；③影响方式确定，确定影响因素的正相关或负相关。

2.3 数据挖掘模型筛选

目前，油田开发过程中应用数据挖掘的方法较多，主要包括内容分析法、灰色关联分析法、模糊综合评价法、正交实验法、主成分分析法、聚类分析法、神经网络法、因素分析法等，还有很多不同的单因素分析法等。不同方法有其优缺点，通过比较分析并与实际问题结合，选用灰色关联分析法进行大数据过滤，这是因为在众多的因素中其具体关系是不确定的，处于灰箱之中。模型建立采用主成分分析法，这是因为正交实验法要求数据具有重复性。

3 多因素影响下产能方程的建立

3.1 方程建立步骤

主要采用主成分分析法、线性回归方法建立多因素影响下的产能方程，具体计算步骤如下：

设X(压裂水平气井)为N(影响因素：裂缝条数X1、加砂量X2、裂缝间距X3、水平段长度X4、钻遇率X5、返排率X6、加砂比X7、压裂规模X8、地层系数X9、TOC含量X10……等)维随机变量：

X=(X1，X2，X3，…，XN)T

(1)

对筛选出来的各影响因素进行标准化处理，消除各影响因素在量纲和数量级上的差别，得到标准化矩阵：

(2)

式中：ZXi表示Xi的标准化变量；E(Xi)表示变量Xi的均值。

求X′X的特征值和对应的特征向量。通过计算随机变量X的数学期望：

(3)

协方差矩阵：

(4)

设λ1>λ2>λ3，…，>λN≥0是∑X的特征值，所对应的特征向量为ø1，ø2，…，øN，那么λi和øi(i=1，2，…，N)之间满足：

∑Xøi=λiøi

(5)

即可计算得到特征值和对应的特征向量ø。

计算主成分贡献率及累计贡献率，确定主成分。取累计贡献率达到85%～95%的特征值λ1，λ2，λ3，…，λm所对应的影响因素为第1，第2，…，第m个主成分。同时可以计算各主成分得分，进行影响因素大小排序。

通过正交变换，获得新的自变量：

Z=Xø

(6)

将剩余的成分对因变量进行最小二乘法回归，再返回到原来的参数，得到因变量对原始变量的主成分回归，即可得到多因素影响下的产能方程。

3.2 实例分析

研究区块位于某气田的西北部，垂直深度为3 200～3 400 m，平均渗透率为0.502×10-3μm2，平均孔隙度为5%～8%。截至2013年3月底，累计完钻113口水平井，水平段长度为801～1 200 m，平均砂岩钻遇率为86.8%，平均单井日产气为8.46×104m3/d，水平井开发取得良好效果。区块水平井压裂工艺主要有以下3种类型：段内多缝体积压裂工艺、水平段分段压裂工艺及常规压裂工艺。压裂水平井具有储层非均质、生产层位不同、水平井长度不同、压裂规模不同等特点。影响气井产能因素包括长度差异、分段差异、施工工艺差异、多段体积压裂、加砂等。该区块使用常规方法没有得到合理的产能评价模型。故利用大数据挖掘技术开展产能方程预测。

(1) 因素选取。以气藏的实际资料为基础选井，苏53-78-38H、苏53-74-44H及苏53-82-48H等10口井数据记录完整，符合应用大数据挖掘技术要求。对数据不全的井开展数据挖掘分析，误差较大。根据大数据过滤选取了12个影响压裂水平井产能的因素，分别是裂缝条数(X1)、加砂量(X2)、裂缝间距(X3)、水平段长度(X4)、钻遇率(X5)、返排率(X6)、加砂比(X7)、压裂规模(X8)、地层系数(X9)、储量丰度(X10)、动态储量(X11)、和压降速率(X12)，具体数据见表2、3。

表2 选取井参数

表3 选取井参数

(2) 建立多因素影响下的产能方程。根据文中介绍的主成分分析法建立产能方程，通过数据标准化处理、计算相关系数矩阵、计算特征值与特征向量、主成分贡献率以及主成分载荷，得到各参数综合排名及综合得分(表4)。排名次序反映了各参数对产能相关性的强弱。

表4 综合得分排序

对主成分做关于因变量的最小二乘法回归分析，计算回归系数，通过回归系数估计值，代入主成分关系，还原原始变量，得到产能预测方程如下：

y=29.305+0.095X1+0.0018X2-0.0039X3+

0.00016X4+0.105X5+0.032X6-120.401X7+

0.011X8+0.0022X9-0.1903X10+

0.952X11-33.716X12

(7)

(3) 产能预测方程验证。结合式(7)及各井的实际资料预测各井产量，预测结果见表5。

表5 预测产量值与实际值对比

将实际初始产能值与回归公式计算的值进行比较，有较好的一致性，精度达到90%，数据信息量越大，回归方程相关性越好。

4 结论与认识

(1) 通过大数据挖掘技术得到的致密气藏压裂水平井产能方程准确度高，适应性强；研究成果可进行推广，页岩气藏气井产能的评价也适用。

(2) 影响致密气藏气井产能的因素排序为：水平段长度、加砂量、地层系数、裂缝半长、钻遇率、压裂规模、返排率、裂缝条数、储量丰度、动态储量、加砂比和压降速率。前5个因素为主要因素。

(3) 利用大数据挖掘技术得到的产能公式是一个多因素的线性表达式，可以用来分析不同因素对产能的贡献程度；如果想达到预期的产能，可以应用该公式来指导压裂设计，在其他储层、地质参数等确定的前提下，再设计压裂参数即可。

[1] 郭小哲，周长沙.基于扩散的页岩气藏压裂水平井渗流模型研究[J].西南石油大学学报(自然科学版)，2015，37(3)：38-42.

[2] SOEDER D J.Porosity and permeability of eastern Devonian gas shale[J].SPE Formation Evaluation，1988，3(1)：42-116.

[3] 谭锋奇，李洪奇，孟照旭，等.数据挖掘方法在石油勘探开发中的应用研究[J].石油地球物理勘探，2010，45(1)：88-91.

[4] 檀朝东，陈见成，刘志海，等.大数据挖掘技术在石油工程的应用前景展望[J].中国石油和化工，2015，23(1)：49-51.

[5] 耿晓中，张冬梅.数据挖掘综述[J].长春师范学院学报(自然科学版)，2006，25(3)：24-27.

[6] 吴树鹏，熊华平.油田开发数据挖掘技术的实现与应用[J].大庆石油地质与开发，2002，21(3)：49-51.

[7] 夏克文，沈钧毅，李昌彪.一种基于计算智能的油气层识别方法[J].计算机工程与应用，2005，41(5)：190-192.

[8] 邹晓琴，陈光海，韩爱真.基于决策树模型在油田公司项目决策中的应用[J].河南石油，2006，20(3)：100-101.

[9] 黄渊，廖明光，李斌，等.数据挖掘技术在碳酸盐岩储层评价中的应用[J].特种油气藏，2014，21(5)：37-42.

[10] 朱红旺.鄯善油田裂缝性油藏注水井解堵增注关键技术研究[D].成都：西南石油大学，2013.

[11] 张勇斌，马玉书.数据挖掘技术在出砂预测中的应用[J].西部探矿工程， 2003，15(1)：68-69.

编辑 张耀星

10.3969/j.issn.1006-6535.2016.05.017

20160422；改回日期：20160705

国家自然科学基金“致密油水平井SRV与基质耦合变质量流动模型研究”(51504038)；湖北省自然科学基金“页岩气水平分段压裂井流动机理和产能预测研究”(2015CFC857)；中国石油天然气股份有限公司科技创新基金“致密油体积压裂缝网与基质耦合流动机制研究”(2015D-5006-0208)

孙敬(1984-)，女，讲师，2006年毕业于长江大学石油工程专业，2013年毕业于该校油气田开发工程专业，获博士学位，现主要从事气藏开发和页岩气渗流机理方面的研究工作。

TE349

A

1006-6535(2016)05-0074-04