基于大数据挖掘技术的砂堵预警模型研究与应用

摘要： 在低渗致密油气藏资源与低产井开发过程中，水力压裂是增产改造的主要技术手段。对压裂施工全过程的实时监控并对施工风险进行实时识别是保证压裂成功的必要手段。依托现有的EasyFrac系统和威远页岩气龙马溪组储层压裂地质数据，开展了基于大数据挖掘技术的砂堵模型研究，通过进行人工标注、参数分析、模型构建、模型训练、线下测试，构建了针对桥堵类砂堵风险的基于LSTM的压裂砂堵预测模型;并深入研究以页岩气为主的非常规储层段塞式加砂的作业特点，进一步构建了针对脱砂类砂堵风险的周期性压裂砂堵预测模型。现场实际应用表明，两套压裂砂堵模型的联用，能够预测92%的桥堵类砂堵风险与64%的脱砂类砂堵风险，平均预警提前时间25-35秒，为现场压裂技术人员提供了科学高效的砂堵风险预测手段。

关键词：水力压裂;砂堵;风险预警;LSTM预测模型;周期性模型

1. 引言

水力压裂是低渗透油气藏资源开发中的主要技术手段，在页岩气、致密砂岩气、煤层气开发中应用愈发广泛。通过在目的层中泵入高速流体，形成水力裂缝，并以追加支撑剂的方式，提高填砂裂缝的导流能力。砂堵是水力压裂过程中常见的事故之一，深层页岩气页岩层水平方向的应力以及地应力更高，并且层理裂縫分布复杂[1]，更容易发生砂堵。造成砂堵的原因很多，如压裂液滤失过大，导致端部脱砂、压裂液提前破胶、加砂梯度提升过快、缝宽过窄等。从产生机理上分类，可分为支撑剂过早沉降的脱砂类砂堵与支撑剂通过宽度不足的桥堵类砂堵两类[2]。

目前，国内外已有部分学者和机构对砂堵风险预警进行了研究。国外哈里伯顿、斯伦贝谢、威德福等公司开发的压裂监测系统[3]。斯伦贝谢的SpectraSphere井下流体实验室，可以在钻井作业中获取高精度的流体成分数据，并形成数据仓储库，灵活运用大数据建模为使用者提供分析支持，减免了为其数周的实验室分析流程。大庆油田常凌云建立了一种基于人工智能的重复压裂井筛选方法，运用大数据分析的手段从不同层位、有效厚度、注水情况等相关方面进行研究[4]。李彦尊等利用数据挖掘、机器学习等手段，建立了大数据压裂参数优化方法， 通过多元回归等方法分析参数关系 ，建立和训练机器学习预测模型，对压裂参数进行优化，并对产量进行预测评价[5]。代海洋通过优选GRNN神经网络算法，建立了依托时间序列的砂堵预警系统，并配套数据库[6]。

随着近些年人工智能技术的发展与大数据应用的普及，在石油行业中推广应用大数据技术成为行业发展的趋势。通过开展人工智能研究，构建大数据仓储库，用科学高效的方法丰富行业技术支持手段显得尤为重要。现有的压裂实时监控与远程支持系统（EasyFrac），能够实时采集传输并存储压裂施工数据，并对施工曲线进行实时展示，有效解决专家资源无法集中，多井同步压裂作业难以集中决策的问题。压裂行业人工智能大数据技术应用较少，因此，近两年期间，通过组建专业研发团队，参与钻完井新技术前期研究、虚拟现实与人工智能技术在工程技术作业过程支持研究应用等系列科研项目，在现有EasyFrac压裂实时监测与远程支持系统的基础上，开展了压裂大数据仓库建设与压裂风险预警等技术攻关，旨在运用大数据挖掘技术丰富压裂现场作业技术支持手段。

2.基于大数据挖掘技术的压裂砂堵模型研究

根据油压、砂比（砂浓度）、排量、累计加砂量、加砂方式等参数，并通过人工标注过去发生的砂堵或砂堵隐患历史数据，在压裂过程中提前预测下一段时间内发生砂堵的隐患，并给出当前发生砂堵概率。模型需要预测未来一段时间的参数变化趋势，由此可知该砂堵预警是一个时间序列问题，基于对未来变化趋势的预测，结合分类算法，判断未来发生砂堵概率。

2.1基于LSTM的压裂砂堵模型研究

大数据挖掘需要对数据进行机器学习，分析数据规律，在威远页岩气区块地质条件与工程参数相似的压裂平台，通过历史数据的学习对未知数据进行预测或者分类。长短时记忆网络（LSTM）是机器深度学习中的一种特殊的循环神经网络方法，与传统的循环神经网络RNN相比，模拟时序更加精确，并且具有长期依赖关系[7]。

2.1.1 LSTM模型构建思路

LSTM模型的主要特点是采用了记忆块替代了RNN模型中的隐含节点，确保梯度在传递跨越很多时间步骤之后不会消失或爆炸，从而克服了RNN模型在训练中梯度消失的问题。LSTM模型由输入门、输出门、遗忘门和一个记忆细胞（cell）组成，输入门表示是否允许新信息进入到当前内部记忆单元中，遗忘门表示是否保留当前内部记忆单元存储的历史信息;输出门表示是否将当前节点响应值输出到下一层[8]。

LSTM模型内部结构如图5所示，h为隐藏层，c为控制层，在任意t时刻，神经网络有三个输入，即当前t时刻该序列的输入值xt，上一时刻隐藏层h的输出值ht-1，上一时刻控制层c的输出值ct-1;同时当前时刻也有两个输出值，即隐藏层h的输出值ht，控制层c的输出值ct[9] 。

LSTM模型的计算方法和过程如下：

式中，it、ft、ct、ot、ht分别为输入门、遗忘门、记忆细胞、输出门和隐藏层在t时刻的输出[10]， 为t时刻的输入， 为不同参数之间的权值矩阵， 表示不同单元的偏置， 表示sigmoid激活函数，tanh表示hyperbolic tangent函数。

构建压裂砂堵长短时记忆模型主要包括三个步骤：1、对原始数据进行预处理;2、构建基于LSTM的压裂砂堵预测模型，并通过训练集对砂堵预测模型进行训练;3、测试模型的预测准确率。在实际预测时，向砂堵预测模型输入油压、排量、砂浓度、累计加砂量等砂堵特征，得到相应的预测结果，预测结果为砂堵风险或无砂堵风险。

2.1.2原始数据预处理方法

（1）从压裂现场采集的原始数据中所有的砂堵特征组成一个p维的砂堵特征集合，包含油压、套压、排量、砂比、输砂总量、总液量、时间等参数，将原始数据中所有的实际砂堵结果组成一个1维的实际砂堵结果集合;

（2）从p维的砂堵特征集合中删除第i个维度，其中，i=1，2，...或p;将其余p-1个维度作为特征子集Mi，其中，i=1，2，...，p;对p维的砂堵特征集合重复删除维度，每次删除的维度不同，则得到特征子集M1，M2，...和Mp;将p维的砂堵特征集合记为特征子集M0，将M0，M1，M2，...和Mp分别和对应的实际砂堵结果集合组成样本子集S0，S1，S2，...，Sp;对于样本子集S0，S1，S2，...和Sp，分别采用十折交叉验证方法计算神经网络模型对于该样本子集的平均误差，将S0，S1，S2，...和Sp对应的平均误差分别记为X0，X1，X2，...和Xp;

（3）分别比较X1，X2，...和Xp与X0的差距，当X1，X2，...和Xp中任意一个平均误差Xi与X0相差小于预设值m时，m的取值范围为1%～5%，则认为单独删除第i维特征后，不影响整体误差，则将第i维数据视为冗余特征。若不存在冗余特征，则执行下一步骤;若只存在1维冗余特征，则直接将该维特征从砂堵特征集合中剔除，接着执行下一步骤;若存在多维冗余特征，则从p维砂堵特征集合中删除最先得到的冗余特征，得到p-1维砂堵特征集合，将得到的p-1维特征集合作为下一轮循环的砂堵特征集合，直到删除所有的冗余特征。

（4）将不存在冗余特征的n维的砂堵特征及每个砂堵特征对应的1维的实际砂堵结果集合组成样本集合，然后根据不同回采点和时间段对训练集进行分组，每组包含k条连续的样本数据，每条样本数据包括n维的砂堵特征和n维的砂堵特征中每条砂堵特征对应的1维的实际砂堵结果，n表示不存在冗余特征的砂堵特征集合的维数;接下来，按照8：2的黄金分割比例，将分组后的将样本集合划分为训练集和测试集，训练集与测试集互不相交。

2.1.3构建LSTM压裂砂堵预测模型

基于LSTM的砂堵预测模型包括输入层、隐藏层和输出层，其中：输入层每次向砂堵预测模型中输入训练集中的一组样本数据中的压裂砂堵特征参数;隐藏层的输入为一个n维向量和一个2维向量，n维向量来自于输入层，2维向量来自于上一时刻的隐藏层的输出;输出层的输入为来自隐藏层的2维向量。对隐藏层学习的结果向量进行分类，输出为1维砂堵结果，通过将输出的砂堵结果与该样本数据中的实际砂堵结果相比较，计算误差。

对砂堵预测模型训练时，将训练集中的一组数据传入输入层，训练集中的每组数据包括k条连续的压裂数据，每条压裂数据包括n维的砂堵特征和1维的实际压裂结果;输入层将k条连续的砂堵数据中的k条n維砂堵特征传给隐藏层;根据前文LSTM模型的计算方法和过程，计算相应的输入门、遗忘门、记忆细胞、输出门和隐藏层，输出层收到隐藏层传来的最后一个时刻的输出值ht ，并将隐藏层LSTM单元的最后一个时刻的输出值ht 进行解码操作，转变为“0”或者“1” [11]， “0”或者“1”为预测的砂堵结果，当为“0”时表示不砂堵，当为“1”时表示砂堵。

通过对50口井，1200余段历史数据进行聚类分析，油压、排量、砂比、加砂总量与砂堵的相关性较高，是砂堵预警的关键参数。对压裂过程中的油压、排量等数据进行预处理，建立基于时间序列的分类模型，利用威远2000余段数据进行标注和模型训练，经过22次模型参数调优，迭代学习等方式，建立了基于长短时记忆神经网络的压裂砂堵预警模型。

针对压裂砂堵预警模型的输出结果无法量化的难题，创新引入Sigmoid函数，将模型输出的结果转化为砂堵概率数值。针对砂堵预警提前时间短的技术难题，建立滑动式窗口数据提取模式，预测当前状态下砂堵的风险。测试结果表明：基于LSTM的压裂砂堵模型能够预测92%的桥堵类砂堵风险，即对裂缝扩展过程中缝宽变窄这种异常情况的预测效果较为显著。此类风险具有突然性、平均油压上涨幅度在2-10Mpa等特点。

但对于脱砂类砂堵风险的预测成功率仅为42%（42%包括两种类型砂堵同时发生的情况），此类风险预测成功率低的原因，从测试数据中可知，预警提前时间较短，平均仅为11秒。而脱砂类风险初期压力波动往往是较为缓慢，随着时间积累，突然上涨造成砂堵。LSTM模型无法在隐患形成初期进行有效预警，后期压力上涨已成显著趋势的预警已无指导施工的意义，属于无效预警。

2.2基于周期性的压裂砂堵模型研究

通过数据分析与研究发现，基于LSTM的砂堵模型对于脱砂类砂堵风险的预测效果不好的原因在于，由于地层吃砂困难，以页岩气为首的非常规储集层压裂工艺采用段塞式加砂的方式。与常规阶梯式加砂工艺不同，段塞式加砂导致液柱压力处于持续波动的状态。此因素导致施工压力亦处于波动状态。而脱砂类砂堵风险的早期预测工作对油压变化较为敏感，排除井口油压的波动干扰尤为重要。因此需在基于LSTM的砂堵模型研究基础上，运用大数据挖掘技术研究段塞加砂与油压波动之间的规律，构建大数据模型，并根据模型预测周期性波动趋势，进而对脱砂类砂堵风险进行预测。

2.2.1周期性模型构建思路

将每个段塞与前后隔离液的看做一个加砂周期，分别看做前置液、携砂液、顶替液，通过标注和学习2-3个周期的油压、排量的变化，评估当前状态下砂堵的风险情况。其中一段隔离液既被视为前一个段塞的“顶替液”，又被视为下一个段塞的“前置液”。

2.2.2构建周期性模型

周期性模型的原始数据处理与模型原理同LSTM模型基本一致，二者主要区别在于，LSMT模型训练过程中，针对数据变化而及时做出预警，而周期性模型训练过程中，更注重于长期的数据变化趋势，通过周期性数据的标注处理，在隐藏层中不断积累，进而判断该时间段的数据构成的曲线应归于遗忘或是记忆。周期性模型的预警机制往往需要考虑到该时间点之前的几个周期的油压、排量、砂浓度、砂量等参数。

通过现场试验以及多次参数调整优化，周期性模型对脱砂类砂堵风险的预测成功率为64%，平均预警提前时间延长至25-35秒，能够做到对早期脱砂类砂堵隐患进行合理预警。而对常规的以桥堵风险为主的砂堵风险预测成功率仅为26-32%，其原因在于周期性模型的预测及参数判断范围较为狭窄，其识别范围仅包括本周期内部或连续几个周期的变化趋势，且更偏向于细微的压力变化（0.15-0.25Mpa），在压裂施工过程中的总体掌控能力不如LSTM模型。

3.砂堵预警模型的应用

3.1两种砂堵预警模型的整合应用测试

由于两种砂堵风险预警模型同时输出数据，实时压裂过程中会出现两个砂堵风险概率值，不利于现场作业人员的使用。将两种模型整合以达到预警模块的高效应用。整合规则为：①当LSTM模型预警值较高（达到报警阈值），周期性模型无预警时，模块显示“桥堵型风险，砂堵概率…%”。②当周期性模型预警值较高（达到报警阈值），LSTM模型无预警时，模块显示“脱砂型风险，砂堵概率…%”。③当两个模型预警值均较高时（均达到报警阈值），模块显示“综合型风险，砂堵概率…%”，此处砂堵概率取两个值的加权平均值。

通过规则设定，LSTM模型与周期性模型的联用得到了解决，并在威202H58、威202H83共计9口井中进行了现场应用试验。应用结果表明，通过实时标识出风险类型，更有利于辅助现场作业人员进行工况判断，针对性更强，两类砂堵预警模型的联用效果显著。

3.2.砂堵模型在压裂实时监控系统中的应用

压裂实时监控与远程支持系统框架如图X所示，通过采集传输软件，从压裂施工现场仪表车内实时采集施工参数数据，再以网络传输至基地服务器，进行集中计算、分析和存储，展示端通过IP进行实时访问。同时系统还配备有视频监控系统，通过高清摄像头和网络NVR对压裂施工现场进行动态摄监视。最终通过展示端软件进行实时压裂曲线与相应技术支持手段的展示。

压裂数据采集包括压裂实时数据、压裂设计数据、压裂动态数据三个方面的采集模块。其中压裂实时数据采集模块，能够高效稳定的采集油压、套压、砂比（砂浓度）、排量、总砂量、总液量等参数，并自动衍生计算参数的变化量数值，为施工监控和优化提供数据支撑。

展示端软件分为综合监测（包括实时曲线、泵注动态模拟、实时数据、水力学算法模型等）、邻井对比、统计分析（时效统计、砂液统计、射孔参数统计等）、历史数据等功能。

考虑到作业人员的使用习惯，结合施工现场作业经验，决定将砂堵风险预警模型集成在压裂实时监测系统中的综合监测界面，以滚动条形式展示砂堵风险概率，并设置报警阈值为50%，当概率超过阈值，该模块出现闪烁报警标识。

3.3模型的现场应用效果

砂堵预警模型经历开发、测试、改进、应用、持续优化等过程，并集成在EasyFrac压裂实时监控与远程支持系统上，应用于压裂作业现场。从砂堵模型预警应用情况分析，预警类型可以分为两种情况，一是砂堵预警，即压裂实际施工过程中，确实发生了砂堵，砂堵模型也提前进行了预警。二是风险预警，施工过程中油压出现异常升高现象，但是现场施工时采取了停砂、降排量等措施后，油压恢复正常，砂堵风险出现时，如果处理不当很有可能造成砂堵，这一过程中砂堵模型也进行了正确预警。针对这两种报警类型，选取两段具有典型特点的施工曲线，对砂堵预警进行分析。

3.3.1 砂堵风险预警实例1

施工曲线如图6所示，该段在施工过程中发生了两次砂堵，砂堵模型也都进行了提前预警。在第一次发生砂堵前，施工排量为15m3/min，施工压力在73-76MPa之间，砂堵概率值几乎为零，在最后一次加砂阶段，压力上升至73.86MPa，比前一个压力波峰73.47MPa高了近0.4MPa，开始出现砂堵概率，立即停止加砂，压力持续上升，砂堵概率值也逐渐上升，概率值超过了0.5，开始报警，压力上升至78.1MPa后，开始降排量，最高压力上升至87.08MPa，砂堵模型持续报警，最高概率值达到了0.91。

通过注酸后，压力下降，解堵成功，继续加砂施工。前5次加砂都正常，施工排量为13m3/min，施工压力在72-77MPa之间，砂堵概率值较小，第6次加砂阶段，压力陡然上升，快速超过了前一个压力波峰73.4MPa，砂堵概率值激增，开始报警，停止加砂前压力上升至75.3MPa，接着开始降排量，压力最高值上升至81.34MPa，砂堵模型持续报警。

3.3.2 砂堵风险预警实例2

图7为该段压裂施工曲线，该段施工排量为14.6m3/min，压力在79到81MPa之间，较为平稳，砂堵风险报警出现在顶替液阶段，施工压力突然急剧上升，超过了前几个压力波峰值，砂堵概率也快速增加，超过0.5后开始报警，压力持续上升至82.95MPa，采取降排量措施，降至13m3/min后压力达到最高点83.89MPa，压力开始下降，稳定排量在12m3/min，压力下降至74.5MPa，砂堵风险解除，继续施工。

4、结论

针对威远页岩气压裂作业现场加砂困难、砂堵风险大、预测难度高等问题，基于人工智能与大数据挖掘技术，通过整理区块历史压裂数据中的油压、排量、砂比等与砂堵相关性较高的参数变化趋势，进行原始数据预处理、指标分析、数据标注、构建和训练砂堵预测初始模型、算法优化及调参，逐步建立基于LSTM的压裂砂堵预测模型，通过在威202区块的大量现场试验应用，该模型能够预测92%的桥堵类突发型砂堵风险。

针对LSTM压裂砂堵预测模型对缓慢脱砂类型的砂堵风险预警成功率不高与提前时间不足的问题，通过排除段塞式加砂工艺造成的静液压力变化，在基于LSTM的压裂砂堵预测模型研究基础上，建立周期性模型。双模型联动预警的功能支持下，脱砂类砂堵风险的预警成功率达到64%，平均预警提前时间延长至25-35秒。

将两套砂堵风险预警模型集成在已广泛应用的EasyFrac压裂实时监测与远程支持系统中，并在实时压裂曲线综合监测界面形成砂堵风险预警子模块。通过基于LSTM的压裂砂堵预测模型与周期性模型的联用，以百分比的形式对实时砂堵风险进行预测。该组模型具有较高的预测精度及时效性。EasyFrac系统的压裂大数据仓储库也可为后续砂堵风险预警模型的优化与调参工作进行数据支持，从而不断精进模型各项功能。

参考文献：

[1]杨峻捷.深层页岩气水平井体积压裂技术探析[J].中国石油和化工标准与质量，2021，41（09）：177-178.

[2]赵金洲，彭瑀，李勇明，王雷，张烨，米强波.高排量反常砂堵现象及对策分析[J].天然气工业，2013，33（04）：56-60.

[3] Maxwell S C， Urbancic T I， Falls S D， et al. Real-time microseismic mapping of hydraulic fractures in Carthage， Texas[J]. Seg Technical Program Expanded Abstracts， 2000，19（1）：1449.

[4]常凌云.基于决策树算法的压裂井判别及效果预测方法研究[J].中国管理信息化，2021，24（06）：113-114.

[5]李彦尊，白玉湖，陈桂华，徐兵祥，陈岭，董志强.基于人工神经网络方法的页岩油气产量预测新技术——以美国Eagle Ford页岩油气田为例[J].中国海上油气，2020，32（04）：104-110.

[6]代海洋. 压裂砂堵实时监测与预警系统研究与应用[D].西南石油大学，2017.

[7]王奇安. 基于广泛内核的CVM算法研究及参数C的选择[D].南京航空航天大学，2009.

[8]魏敏敏. 机器学习在趋势预测中的研究及应用[D].西安理工大学，2019.

[9]樊雪莹. 深度学习在文章编辑中智能语义检查算法的研究[D].西安理工大学，2019.

[10]李志刚，纪月，任雄朝.基于LSTM与ARIMA组合模型的高炉煤气产生量预测[J].铸造技术，2018，39（11）：2456-2460.

[11]董麗丽，费城，张翔，曹超凡.基于LSTM神经网络的煤矿突水预测[J].煤田地质与勘探，2019，47（02）：137-143.

作者简介：

孙钦瑞，男，1990.05.研究方向：压裂酸化，本科，长城钻探工程技术研究院，科员