基于PCA-BNN的页岩气压裂施工参数优化

doi:10.11885/j.issn.1674-5086.2020.05.12.05

西南石油大学学报(自然科学版) ›› 2020, Vol. 42 ›› Issue (6): 56-62.DOI: 10.11885/j.issn.1674-5086.2020.05.12.05

• 油气田人工智能技术与应用专刊 • 上一篇下一篇

基于PCA-BNN的页岩气压裂施工参数优化

檀朝东¹, 贺甲元², 周彤², 刘健康¹, 宋文容³

1. 中国石油大学(北京)油气资源与探测国家重点实验室, 北京昌平 102249;
2. 中国石化石油勘探开发研究院, 北京海淀 100083;
3. 北京雅丹石油技术开发有限公司, 北京昌平 102200

收稿日期:2020-05-12 发布日期:2020-12-21
通讯作者: 檀朝东,E-mail:tanchaodong@cup.edu.cn
作者简介:檀朝东,1968年生,男,汉族,安徽望江人,教授级高级工程师,博士,主要从事采油气工程和大数据方面的研究。E-mail:tanchaodong@cup.edu.cn;贺甲元,1984年生,男,汉族,湖南衡阳人,副研究员,硕士,主要从事水力压裂增产改造方面的研究。E-mail:hejy.syky@sinopec.com;周彤,1986年生,男,汉族,山东济宁人,副研究员,博士,主要从事水力压裂增产改造方面的研究。E-mail:zhout1986@126.com;刘健康,1996年生,男,汉族,黑龙江绥化人,硕士研究生,主要从事数据挖掘算法在压裂参数优化、注水开发方面的研究工作。E-mail:2244705046@qq.com;宋文容,1991年生,女,汉族,湖北黄冈人,工程师,硕士,主要从事采气工程和大数据方面的研究。E-mail:yougongswr@163.com
基金资助:
国家自然科学基金（51974327）；国家科技重大专项（2016ZX05043-004）

A Study on the Optimization of Fracturing Operation Parameters Based on PCA-BNN

TAN Chaodong¹, HE Jiayuan², ZHOU Tong², LIU Jiankang¹, SONG Wenrong³

1. State Key Laboratory of Petroleum Resource and Prospecting, China University of Petroleum, Changping, Beijing 102249, China;
2. Petroleum Exploration and Production Research Institute, SINOPEC, Haidian, Beijing 100083, China;
3. Beijing Yadan Petroleum Technology Development Co. Ltd., Changping, Beijing 102200, China

Received:2020-05-12 Published:2020-12-21

摘要/Abstract

摘要： 国内外学者在已有大量国外页岩压裂样本数据的前提下，开展了基于机器学习的页岩气压裂有效期预测及压裂参数优化的研究。随着近年来中国F气田不断地规模开发，积累了大量的压裂施工、生产动态、解释成果数据。通过利用已有的200口井的压裂施工历史数据及储层物性参数建立贝叶斯神经网络模型来优化压裂施工参数。选取对压裂效果有影响的储层物性参数、完井参数、压裂施工参数，用皮尔逊相关系数法分析11个参数的相关性；用主成分分析法（PCA）进一步降维处理，以降维后的主成分作为贝叶斯神经网络模型的输入参数，以压裂效果评价指标（有效期）为输出参数，引入贝叶斯方法自适应调整正则化系数避免神经网络过拟合，生成三层贝叶斯神经网络预测模型。用200口井中90%的井数据作为训练集，10%的井数据作为测试集，对该模型进行训练，实验结果表明，训练后该模型预测测试集的相对误差均值在5%以内，可以用来优化压裂施工参数。

关键词: 压裂, 主成分分析, 贝叶斯神经网络, 施工参数, 优化

Abstract: Domestic and foreign scholars have carried out the research of shale gas fracturing production prediction and fracturing parameter optimization based on machine learning on the premise of a large number of foreign shale fracturing sample data. With the continuous development of F Gas Field in recent years, a large number of data from fracturing operation, production dynamic and interpretation results have been accumulated. In view of the fact that these data are not fully utilized in the design of fracturing operation parameters at present, the Bayesian neural network model is established to optimize the fracturing operation parameters by using history data of the fracturing operation parameters and reservoir physical parameters from 200 wells. The reservoir physical parameters, completion parameters and fracturing operation parameters which have an impact on the fracturing effect are selected. The correlation of 11 parameters is analyzed by Pearson correlation coefficient method. Principal Component Analysis (PCA) is used for further dimension reduction. The principal components are used as input parameters of Bayesian Neural Network model. The validity period is used as output parameter. Bayesian method is introduced to adjust regularization coefficient adaptively to avoid neural network overfitting. And then, a three-layer Bayesian neural network prediction model is generated. The model is trained by using 90% of the data of 200 wells as training set and 10% as test set. The experimental results show that the mean relative error of the model prediction results after training is within 5%, which can be used to optimize the fracturing operation parameters.

Key words: fracturing, PCA, Bayesian neural network, operation parameters, optimization

中图分类号:

TE319

檀朝东, 贺甲元, 周彤, 刘健康, 宋文容. 基于PCA-BNN的页岩气压裂施工参数优化[J]. 西南石油大学学报(自然科学版), 2020, 42(6): 56-62.

TAN Chaodong, HE Jiayuan, ZHOU Tong, LIU Jiankang, SONG Wenrong. A Study on the Optimization of Fracturing Operation Parameters Based on PCA-BNN[J]. Journal of Southwest Petroleum University(Science & Technology Edition), 2020, 42(6): 56-62.

0
/ / 推荐

导出引用管理器 EndNote|Ris|BibTeX

链接本文: http://journal15.magtechjournal.com/Jwk_xnzk/CN/10.11885/j.issn.1674-5086.2020.05.12.05

http://journal15.magtechjournal.com/Jwk_xnzk/CN/Y2020/V42/I6/56

参考文献

[1] BUKHAMSEEN N Y, ERTEKIN T. Validating hydraulic fracturing properties in reservoir simulation using artificial neural networks[C]. SPE 188093-MS, 2017. doi:10.2118/188093-MS
[2] BANSAL Y, ERTEKIN T, KARPYN Z, et al. Forecasting well performance in a discontinuous tight oil reservoir using artificial neural networks[C]. SPE 164542-MS, 2013. doi:10.2118/164542-MS
[3] CHEN P, RAHMAN M M. A novel approach to predict interaction between hydraulic fracture and natural fracture using artificial neural networks[C]. SPE 176143-MS, 2015. doi:10.2118/176143-MS
[4] LEE K, LIM J, YOON D, et al. Prediction of shale-gas production at Duvernay formation using deep-learning algorithm[C]. SPE 195698-PA, 2019. doi:10.2118/195698-PA
[5] RANJAN A, VERMA S, SINGH Y. Gas lift optimization using artificial neural network[C]. SPE 172610-MS, 2015. doi:10.2118/172610-MS
[6] AMIRIAN E, CHEN Zhangxin. Practical application of data-driven modeling approach during waterflooding operations in heterogeneous reservoirs[C]. SPE 174031-MS, 2015. doi:10.2118/174031-MS
[7] 刘洪,赵金洲,胡永全,等. 用T-S模型模糊神经网络进行压裂效果预测[J]. 断块油气田, 2002, 9(3):35-38. doi:10.3969/j.issn.1005-8907.2002.03.011 LIU Hong, ZHAO Jinzhou, HU Yongquan, et al. Post-frac effect forecasting using the fuzzy neural network[J]. FaultBlock Oil & Gas Field, 2002, 9(3):35-38. doi:10.3969/j.issn.1005-8907.2002.03.011
[8] 李哲,杨兆中,陈锐. 数据挖掘技术在压裂施工中的应用研究[J]. 天然气工业, 2004, 24(11):52-54, 57. doi:10.3321/j.issn:1000-0976.2004.11.015 LI Zhe, YANG Zhaozhong, CHEN Rui. Application of data mining techinque in fracturing operation[J]. Natural Gas Industry, 2004, 24(11):52-54, 57. doi:10.3321/j.issn:1000-0976.2004.11.015
[9] 蒋廷学,汪永利,丁云宏,等. 压裂方案经济优化的智能专家系统研究[J]. 石油学报, 2004, 25(1):66-69. doi:10.3321/j.issn:0253-2697.2004.01.014 JIANG Tingxue, WANG Yongli, DING Yunhong, et al. Expert system for economic optimization of hydraulic fracturing design[J]. Acta Petrolei Sinica, 2004, 25(1):66-69. doi:10.3321/j.issn:0253-2697.2004.01.014
[10] CHRISTIAN O, GERHARD R, GEORG Z, et al. New tools for fracture design optimization[C]. SPE 86467-MS, 2004. doi:10.2118/86467-MS
[11] 孟庆民,刘恩新,孙辉,等. 浊积岩储层压裂效果数据挖掘研究[J]. 石油天然气学报, 2014, 36(1):92-95. doi:10.3969/j.issn.1000-9752.2014.01.019 MENG Qingmin, LIU Enxin, SUN Hui, et al. Data mining research on fracturing effect of turbidite reservoir[J]. Journal of Petroleum and Natural Gas, 2014, 36(1):92-95. doi:10.3969/j.issn.1000-9752.2014.01.019
[12] 郭建春,邹一锋,邓齐,等. 利用支持向量机优化压裂加砂规模研究[J]. 西南石油大学学报(自然科学版), 2009, 31(5):79-82. doi:10.3863/j.issn.1674-5086.2009.05.016 GUO Jianchun, ZOU Yifeng, DENG Qi, et al. The study on optimizing the proppant quantity in fracturing by SVM[J]. Journal of Southwest Petroleum University (Science & Technology Edition), 2009, 31(5):79-82. doi:10.3863/j.issn.1674-5086.2009.05.016
[13] 刘洪,黄桢,王峰,等. 基于免疫系统原理的RBF神经网络及其压裂优化设计应用[J]. 钻采工艺, 2009, 32(2):47-50. doi:10.3969/j.issn.1006-768X.2009.02.017 LIU Hong, HUANG Zhen, WANG Feng, et al. A novel RBF neural network and its application in optimizing fracturing design[J]. Drilling & Production Technology, 2009, 32(2):47-50. doi:10.3969/j.issn.1006-768X.2009.02.017
[14] 欧阳传湘,涂志勇,付蓉,等. BP神经网络预测压裂井施工参数的研究[J]. 新疆石油天然气, 2009, 5(3):40-44. doi:10.3969/j.issn.1673-2677.2009.03.011 OUYANG Chuanxiang, TU Zhiyong, FU Rong, et al. Study of prediction of fracturing well operation parameters by BP neural network[J]. Xinjiang Oil & Gas, 2009, 5(3):40-44. doi:10.3969/j.issn.1673-2677.2009.03.011
[15] 姚广聚,彭红利,肖倩,等. 基于BP神经网络的压裂施工参数优化方法[J]. 中国西部油气地质, 2006(4):454-456. YAO Guangju, PENG Hongli, XIAO Qian, et al. Optimizing fracturing parameter by BP neural network[J]. West China Petroleum Geosciences, 2006(4):454-456.
[16] 王少英. 基于智能计算的水力压裂施工参数优化[J]. 山东工业技术, 2017(24):79, 82. doi:10.16640/j.cnki.37-1222/t.2017.24.070 WANG Shaoying. Optimization of hydraulic fracturing operation parameters based on intelligent calculation[J]. Shandong Industrial Technology, 2017(24):79, 82. doi:10.16640/j.cnki.37-1222/t.2017.24.070
[17] 朱乔木,李弘毅,王子琪,等. 基于长短期记忆网络的风电场发电功率超短期预测[J]. 电网技术,2017,41(12):3797-3802. doi:10.13335/j.1000-3673.pst.2017.1657 ZHU Qiaomu, LI Hongyi, WANG Ziqi, et al. Short-term wind power forecasting based on LSTM[J]. Power System Technology, 2017, 41(12):3797-3802. doi:10.13335/j.1000-3673.pst.2017.1657
[18] 何晓群. 多元统计分析[M]. 4版. 北京:中国人民大学出版社, 2015. HE Xiaoqun. Multivariate statistical analysis[M]. 4th ed. Beijing:China Renmin University Press, 2015.
[19] 刘慧婷,倪志伟,李建洋. 经验模态分解方法及其实现[J]. 计算机工程与应用, 2006, 42(32):44-47. doi:10.3321/j.issn:1002-8331.2006.32.014 LIU Huiting, NI Zhiwei, LI Jianyang. Empirical mode decomposition method and its implementation[J]. Computer Engineering and Application, 2006, 42(32):44-47. doi:10.3321/j.issn:1002-8331.2006.32.014
[20] 王小川,史峰,郁磊,等. MATLAB神经网络43个案例分析[M]. 北京:北京航空航天大学出版社, 2013. WANG Xiaochuan, SHI Feng, YU Lei, et al. Analysis of 43 cases by MATLAB neural network[M]. Beijing:Beihang University Press, 2013.
[21] 阎平凡,张长水. 人工神经网络与模拟进化计算[M]. 北京:清华大学出版社, 2005. YAN Pingfan, ZHANG Changshui. Artificial neural network and simulated evolutionary computation[M]. Beijing:Tsinghua University Press, 2005.

基于PCA-BNN的页岩气压裂施工参数优化

A Study on the Optimization of Fracturing Operation Parameters Based on PCA-BNN

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	刘兆年, 赵颖, 孙挺. 渤海区域基于数据驱动的钻井提速[J]. 西南石油大学学报(自然科学版), 2020, 42(6): 35-41.
[2]	隋先富, 彭龙, 韩国庆, 范白涛, 于继飞. 基于主成分分析法的电潜泵故障诊断[J]. 西南石油大学学报(自然科学版), 2020, 42(6): 107-114.
[3]	张恒汝, 朱科霖, 徐媛媛, 谯英. 抽油机井参数优化的粒计算方法[J]. 西南石油大学学报(自然科学版), 2020, 42(6): 115-123.
[4]	孙林, 黄波, 易飞, 张杰. 爆燃压裂技术对水泥试样致裂实验研究[J]. 西南石油大学学报(自然科学版), 2020, 42(5): 99-106.
[5]	乐宏, 杨兆中, 范宇. 宁209井区裂缝控藏体积压裂技术研究与应用[J]. 西南石油大学学报(自然科学版), 2020, 42(5): 86-98.
[6]	张博宁, 张芮菡, 吴婷婷, 鲁友常. 致密气藏多级压裂水平井生产动态机理分析[J]. 西南石油大学学报(自然科学版), 2020, 42(5): 107-117.
[7]	祝金利. 神木双110井区非均质气藏井位优化部署技术[J]. 西南石油大学学报(自然科学版), 2020, 42(4): 83-94.
[8]	张烈辉, 崔乾晨, 谢军, 郑健, 李成勇. 页岩气藏压裂水平井线性耦合渗流模型研究[J]. 西南石油大学学报(自然科学版), 2019, 41(6): 1-12.
[9]	杨兆中, 李扬, 李小刚, 李成勇. 页岩气水平井重复压裂关键技术进展及启示[J]. 西南石油大学学报(自然科学版), 2019, 41(6): 75-86.
[10]	李勇明, 骆昂, 吴磊, 伊向艺. 考虑应力敏感和水力裂缝方位角的页岩产能模型[J]. 西南石油大学学报(自然科学版), 2019, 41(6): 117-123.
[11]	周明, 廖茂, 韩宏昌, 肖阳, 李辰. 页岩气低伤害超临界CO₂凝胶压裂液研究[J]. 西南石油大学学报(自然科学版), 2019, 41(6): 100-105.
[12]	胡德高, 郭肖, 郑爱维, 舒志国, 张柏桥. 页岩气藏压裂井产能评价及分析[J]. 西南石油大学学报(自然科学版), 2019, 41(6): 132-138.
[13]	方全堂, 李政澜, 段永刚, 魏明强, 张羽翼. 考虑次生裂缝的页岩气藏有限导流缝网模型[J]. 西南石油大学学报(自然科学版), 2019, 41(6): 139-145.
[14]	李进, 许杰, 王昆剑, 韩耀图, 亓彦铼. 基于最优穿深分析的射孔参数优化设计新方法[J]. 西南石油大学学报(自然科学版), 2019, 41(5): 142-149.
[15]	刘恩斌, 匡建超, 吕留新, 刘渊, 张璐. 大型天然气管道稳态运行优化研究[J]. 西南石油大学学报(自然科学版), 2019, 41(5): 150-160.