基于可解释机器学习的水平井产能预测方法

doi:10.11885/j.issn.1674-5086.2021.10.23.01

西南石油大学学报(自然科学版) ›› 2022, Vol. 44 ›› Issue (4): 81-90.DOI: 10.11885/j.issn.1674-5086.2021.10.23.01

基于可解释机器学习的水平井产能预测方法

马先林^1,2, 周德胜^1,2, 蔡文斌^1,2, 李宪文³, 何明舫³

1. 西安石油大学石油工程学院, 陕西西安 710065;
2. 西部低渗特低渗油藏开发与治理教育部工程研究中心, 陕西西安 710065;
3. 中国石油长庆油田公司油气工艺研究院, 陕西西安 710018

收稿日期:2021-10-23 发布日期:2022-07-28
通讯作者: 马先林,E-mail:Xianlinm@xsyu.edu.cn
作者简介:马先林,1966年生,男,汉族,浙江东阳人,教授,主要从事油气田开发等方面的教学和研究工作。E-mail:Xianlinm@xsyu.edu.cn
周德胜,1963年生,男,汉族,四川武胜人,教授,主要从事非常规油气水力压裂提高采收率等方面的研究工作。E-mail:dzhou@xsyu.edu.cn
蔡文斌,1981年生,男,汉族,甘肃张家川人,副教授,主要从事非常规油气水力压裂提高采收率等方面的研究工作。E-mail:caiwenbin@xsyu.edu.cn
李宪文,1963年生,男,汉族,河北沧县人,教授级高级工程师,主要从事油气井压裂改造及增产技术等方面的研究工作。E-mail:lxw_cq@petrochina.com.cn
何明舫,1980年生,男,汉族,江西九江人,高级工程师,主要从事油气井压裂改造及增产技术等方面的研究工作。E-mail:hemf_cq@petrochina.com.cn
基金资助:
国家自然基金面上项目（51974253）；国家自然基金重点项目（51934005）；国家科技重大专项（2016ZX05050–009）；陕西省自然科学基础研究计划（2017JM5109）；陕西省教育厅重点实验室科研计划（18JS085）

An Interpretable Machine Learning Approach to Prediction Horizontal Well Productivity

MA Xianlin^1,2, ZHOU Desheng^1,2, CAI Wenbin^1,2, LI Xianwen³, HE Mingfang³

1. School of Petroleum Engineering, Xi'an Shiyou University, Xi'an, Shaanxi 710065, China;
2. MOE Engineering Research Center of Development and Management for Low to Ultra-Low Permeability Oil&Gas Reservoirs in West China, Xi'an, Shaanxi 710065, China;
3. Oil and Gas Technology Research Institute, Changqing Oilfield Company, PetroChina, Xi'an, Shaanxi 710018, China

Received:2021-10-23 Published:2022-07-28

摘要/Abstract

摘要： 准确预测致密气藏分段压裂水平井产能是压裂效果评价和优化设计的关键环节。现有的产能预测方法，引入了过多的假设和简化，很难全面反映致密储层流体多尺度的运移机理和复杂物理过程，导致产能预测误差较大。提出一种基于机器学习的致密气藏分段压裂水平井产能预测方法，该方法综合利用已收集的地质、压裂水平井产能及钻完井等多类型数据，通过机器学习算法直接挖掘数据内部规律，建立产能预测模型。此外，为解决常规机器学习模型的“黑盒子”问题，还利用SHAP（SHapley Additive exPlanations）方法对建立的机器学习模型进行全局和局部解释，分析影响产能的主要因素，增加了模型的可信性和透明度。以苏里格气田苏东示范区为例，验证了该方法的有效性和实用性。与油气藏数值方法相比，该方法不仅提高了产能预测的精度，而且缩短了建模周期，加快了计算速度。

关键词: 分段压裂水平井, 机器学习, 产能预测, 可解释性, 数据驱动, SHAP方法

Abstract: It is essential to predict multistage fractured horizontal well (MFHW) productivity of tight sand gas reservoirs for evaluation of hydraulic fracturing performance and optimization of hydraulic fracturing design. However, most of the current predictive methods introduce multiple assumptions and simplifications. Therefore, these methods cannot fully account for multi-scale fluid flow mechanisms in the tight formations of well productivity. A machine learning approach for predicting MFHW productivity is proposed. A well productivity model is built by machine learning algorithms to uncover hidden patterns in a data set including geological, fractured well productivity, drilling and completion data. In addition, to solve the "black box" issue of conventional machine learning modelling, the SHAP (SHapley Additive exPlanations) method is used to explain the built ML model globally and locally. The efficiency and practicality of the proposed method is demonstrated by the application to the Eastern Sulige Gas Field. Compared with petroleum reservoir simulation, the method not only improves the prediction performance of the well productivity, but also reduces modelling cycle and improve computational speed.

Key words: multistage fractured horizontal well, machine learning, productivity prediction, interpretablity, data-driven, SHAP method

中图分类号:

TE33

马先林, 周德胜, 蔡文斌, 李宪文, 何明舫. 基于可解释机器学习的水平井产能预测方法[J]. 西南石油大学学报(自然科学版), 2022, 44(4): 81-90.

MA Xianlin, ZHOU Desheng, CAI Wenbin, LI Xianwen, HE Mingfang. An Interpretable Machine Learning Approach to Prediction Horizontal Well Productivity[J]. Journal of Southwest Petroleum University(Science & Technology Edition), 2022, 44(4): 81-90.

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.1674-5086.2021.10.23.01

http://journal15.magtechjournal.com/Jwk_xnzk/CN/Y2022/V44/I4/81

参考文献

[1] RAJAGOPAL R, JOSHI S. Productivity of multiple drianholes or fractured horizontal wells[J]. SPE Formation Evaluation, 1993, 8(1):11-16. doi:10.2118/21263-PA
[2] 郎兆新, 张丽华, 程林松.压裂水平井产能研究[J].石油大学学报(自然科学版), 1994, 18(2):43-46. LANG Zhaoxin, ZHANG Lihua, CHENG Linsong. Investigation on pkodectivity of fractured horizontal well[J]. Journal of the University of Petroleum, China, 1994, 18(2):43-46.
[3] 孙福街, 韩树刚, 程林松, 等.低渗气藏压裂水平井渗流与井筒管流耦合模型[J].西南石油学院学报, 2005, 27(1):32-37. doi:10.3863/j.issn.1000-2634.2005.01.009 SUN Fujie, HAN Shugang, CHENG Linsong, et al. Coupling models between fractured horizontal well fluid flow of low permeabilty gas reservoir and wellbore pipe flow[J]. Journal of Southwest Petroleum Institute, 2005, 27(1):32-37. doi:10.3863/j.issn.1000-2634.2005.01.009
[4] GUO Boyun, YU Xiance. A simple and accurate mathematical model for predicting productivity of multifractured horizontal wells[C]. SPE 114452-MS, 2008. doi:10.2118/114452-MS
[5] 杨兆中, 陈倩, 李小刚, 等.致密气藏分段多簇压裂水平井产能计算新方法[J].大庆石油地质与开发, 2019, 38(1):147-154. doi:10.19597/J.ISSN.1000-3754.201806064 YANG Zhaozhong, CHEN Qian, LI Xiaogang, et al. A new method for calculating the productivity of the staged multi-bunch fractured horizontal well in tight gas reservoirs[J]. Petroleum Geology & Oilfield Development in Daqing, 2019, 38(1):147-154. doi:10.19597/J.ISSN.1000-3754.201806064
[6] WU Y, GEORGE M, BAI B, et al. A multi-continuum modrl for gas production in tight fracture reservoirs[C]. SPE 118944-MS, 2009. doi:10.2118/118944-MS
[7] CIPOLLA C L, LOLON E P. Reservoir modeling and production evaluation in shale gas reservoirs[C]. IPTC 13185-MS, 2009. doi:10.2523/IPTC-13185-MS
[8] CIPOLLA C L, LOLON E P, MAYERHOFER M J, et al. Fracture design consideration in horizontal wells drilled in unconventional gas reservoirs[C]. SPE 119366-MS, 2009. doi:10.2118/119366-MS
[9] 张烈辉, 刘沙, 雍锐, 等.基于EDFM的致密油藏分段压裂水平井数值模拟[J].西南石油大学学报(自然科学版), 2019, 41(4):1-11. doi:10.11885/j.issn.1674-5086.2018.11.21.05 ZHANG Liehui, LIU Sha, YONG Rui, et al. EDFM-based numerical simulation of horizontal wells with multi-stage hydraulic fracturing in tight reservoirs[J]. Journal of Southwest Petroleum University (Science & Technology Edition), 2019, 41(4):1-11. doi:10.11885/j.issn.1674-5086.2018.11.21.05
[10] NEJAD M, SHELUDKO S, HODGSON T, et al. A case history:Evaluating well completions in the Eagle Ford Shale using a data-driven approach[C]. SPE 173336-MS, 2015. doi:10.2118/173336-MS
[11] SHELLEY R, NEJAD A, GULIYEV N, et al. Understanding multi-fractured horizontal Marcellus completions[C]. SPE 171003-MS, 2014. doi:10.2118/171003-MS
[12] 檀朝东, 贺甲元, 周彤, 等.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. doi:10.11885/j.issn.1674-5086.2020.05.12.05 TAN Chaodong, HE Jiayuan, ZHOU Tong, et al. 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. doi:10.11885/j.issn.1674-5086.2020.05.12.05
[13] WANG Shuhua, CHEN Shengnan. Insights to fracture stimulation design in unconventional reservoirs based on machine learning modeling[J]. Journal of Petroleum Science and Engineering, 2018, 174(2):22-45. doi:10.1016/j.petrol.2018.11.076
[14] CLAR H, MONACO A. Data-driven approach to optimize stimulation design in Eagle Ford Formation[C]. URTEC 2019-224-MS, 2019. doi:10.15530/urtec-2019-224
[15] LUNDBERG S M, LEE S I. A unified approach to interpreting model predictions[C]. Long Beach:31st Conference on Neural Information Processing Systems, 2017. doi:10.48550/arXiv.1705.07874
[16] 孔钦, 叶长青, 孙赟.大数据下数据预处理方法研究[J].计算机技术与发展, 2018, 28(5):1-4. doi:10.3969/j.issn.1673-629X.2018.05.001 KONG Qin, YE Changqing, SUN Yun. Research on data preprocessing methods for big data[J]. Computer Technology and Development, 2018, 28(5):1-4. doi:10.3969/j.issn.1673-629X.2018.05.001
[17] 周志华.机器学习[M].北京:清华大学出版社, 2016. ZHOU Zhihua. Machine learning[M]. Beijing:Tsinghua University Press, 2016.
[18] 纪守领, 李进锋, 杜天宇.机器学习模型可解释性方法、应用与安全研究综述[J].计算机研究与发展, 2019, 56(10):2071-2096. doi:10.7544/issn1000-1239.2019.20190540 JI Shouling, LI Jinfeng, DU Tianyu. Survey on techniques, applications and security of machine learning interpretability[J]. Journal of Computer Research and Development, 2019, 56(10):2071-2096. doi:10.7544/issn1000-1239.2019.20190540
[19] MOLNAR C. Interpretable machine learning[M/OL].[2022-03-29]. https://christophm.github.io/interpretable-ml-book, 2022.
[20] GUIDOTTI R, MONREALE A, RUGGIERI S, et al. A survey of methods for explaining black box models[J]. ACM Computing Surveys, 2018, 51(5):93-100. doi:10.1145/3236009
[21] BAEHRENS D, SCHROETER T, HARMELING S, et al. How to explain individual classification decisions[J]. Journal of Machine Learning Research, 2010, 11(6):1803-1831. doi:10.1007/s10846-009-9348-4
[22] 冯德成, 吴刚.混凝土结构基本性能的可解释机器学习建模[J].建筑结构学报, 2022, 43(4):228-238. doi:10.14006/j.jzjgxb.2020.0491 FENG Decheng, WU Gang. Interpretable machine learning-based modeling approach for fundamental properties of concrete structures[J]. Journal of Building Structures, 2022, 43(4):228-238. doi:10.14006/j.jzjgxb.2020.0491

基于可解释机器学习的水平井产能预测方法

An Interpretable Machine Learning Approach to Prediction Horizontal Well Productivity

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]	闵超, 代博仁, 张馨慧, 杜建平. 机器学习在油气行业中的应用进展综述[J]. 西南石油大学学报(自然科学版), 2020, 42(6): 1-15.
[2]	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.
[3]	黄诚, 潘雯晋. 基于机器学习的石油多峰模型研究及应用[J]. 西南石油大学学报(自然科学版), 2020, 42(6): 75-81.
[4]	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.
[5]	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.
[6]	张烈辉, 刘沙, 雍锐, 李博, 赵玉龙. 基于EDFM的致密油藏分段压裂水平井数值模拟[J]. 西南石油大学学报(自然科学版), 2019, 41(4): 1-11.
[7]	马奎前, 刘东. 稠油油藏水平井热采吞吐产能预测新模型[J]. 西南石油大学学报(自然科学版), 2018, 40(1): 114-121.
[8]	黄世军, 熊浩, 叶恒, 顾浩, 杨阳. 考虑注采压差下SAGD产能预测模型[J]. 西南石油大学学报(自然科学版), 2017, 39(6): 101-108.
[9]	郭小哲, 李景, 张欣. 页岩气藏压裂水平井物质平衡模型的建立[J]. 西南石油大学学报(自然科学版), 2017, 39(2): 132-138.
[10]	周拓, 刘学伟, 王艳丽, 秦春光, 盖长城. 致密油藏水平井分段压裂CO₂吞吐实验研究[J]. 西南石油大学学报(自然科学版), 2017, 39(2): 125-131.
[11]	姜均伟, 徐星. 中东H油田复杂碳酸盐岩储层评价及产能预测[J]. 西南石油大学学报(自然科学版), 2016, 38(5): 33-40.
[12]	杨正明*，骆雨田，何英，郭和坤，赵玉集. 致密砂岩油藏流体赋存特征及有效动用研究[J]. 西南石油大学学报(自然科学版), 2015, 37(3): 85-92.
[13]	李元生1，2 *，李相方1，藤赛男3，徐大融1，和向楠4. 近井地带高速非达西动边界对产能预测的影响[J]. 西南石油大学学报(自然科学版), 2015, 37(1): 128-134.
[14]	王强1，2，童敏1，武站国3，魏漪1. 致密火山岩气藏压裂水平井产能预测方法[J]. 西南石油大学学报(自然科学版), 2014, 36(4): 107-115.
[15]	司连收1，2，李自安1，张健3. 砾石充填防砂对稠油井产能影响研究[J]. 西南石油大学学报(自然科学版), 2013, 35(5): 135-140.