点击数: 更新日期: 2023-03-09
论文题目：Shale gas well productivity potential evaluation based on data-driven methods: case study in the WY block
录用期刊：JOURNAL OF PETROLEUM EXPLORATION AND PRODUCTION TECHNOLOGY (JCR Q2)
原文DOI：10.1007/s13202-022-01455-8
录用/见刊时间：2022-08-01
作者列表：
1）檀朝东，中国石油大学（北京），信息科学与工程学院，博士生导师
2）邓涵文，中国石油大学（北京），石油工程学院，油气田开发工程专业，硕士 19
3）宋文容，北京雅丹石油技术开发有限公司
4）牛会钊，北京雅丹石油技术开发有限公司
5）王春秋，中国石油大学（北京），石油工程学院，油气田开发工程专业，硕士 20
背景与动机:
由于页岩气井压裂机理复杂，作业投资高，在压裂改造前评价其产能潜力势在必行。然而，由于影响因素众多且复杂，传统的单因素分析方法已不能满足生产力潜力评价的要求。
本文以威远（WY）页岩气区块为研究对象。位于四川盆地的WY区块是中国下寒武统页岩气勘探取得工业化生产成果的代表区块。整个区块为单斜构造，向东南倾斜，该区块断层不发育，储层物性一般较高。
本文基于WY区块282口页岩气井的数据，提出了一种基于数据驱动的方法。使用LightGBM进行特征排序，使用K-means根据地质特征和压裂作业参数对井进行分类并评估天然气产量，通过随机森林实现产量优化。本文建立的模型可以根据页岩气井的产能差异对其进行分类，有助于为工程师提供页岩气井产能评估和压裂作业参数设计的建议。
设计与实现:
WY区块282口页岩气井的数据集包含11种不同类型的数据项，包括垂直深度、TOC含量、孔隙度、优质储层厚度、含气饱和度、压力系数、脆性矿物含量、平均水力压裂间隔长度、水力压裂液量、，水力压裂砂量，第一年平均日产气量。这些井的天然气产能差异很大，为了提高页岩气产量，进一步探索井间产能差异的原因，找出影响产能的主要控制因素具有重要意义。
具体而言，282口页岩气井的数据将用于：1）计算每个因素的重要性权重，并通过LightGBM进行特征排序。2） 根据地质和压裂属性实现特征重构，并将新特征与第一年平均日产气量相结合，形成新的数据集。3） 对新数据集进行分类，以便通过K-均值评估天然气产能。4） 利用随机森林预测模型优化天然气产能。
实验结果及分析:
选择LightGBM算法作为特征选择算法确定每个特征的重要性权重，并进行归一化处理以消除各特征之间的数量级差异。在训练过程中，80%的数据集被划分为训练集，20%被划分为测试集，并使用网格搜索方法调整LightGBM预测模型的超参数。每个特征的影响权重如图3所示。可以看出，优质储层厚度和水力压裂砂量是影响天然气产量的重要参数。地质特征的总权重为0.64，压裂作业特征的总重量为0.36，表明地质条件对天然气产量更具确定性。结果还证明，在油藏条件较差的情况下，很难通过调整工程参数来提高气井的产量。
图1特征重要性权重直方图
通过特征转换，根据2个特征属性将11个特征压缩为二维，并形成三维数据集，包括地质特征综合指数（c1）、压裂作业特性综合指数（c2）和天然气产量（Qg），以供进一步分析。由于Qg、c1和c2的值之间存在较大差异，因此在分类之前需要进行数据预处理。本文使用MinMaxScaler的方法将这些值压缩到0到1之间。然后，在对新数据集进行标准化之后，通过K-means进行聚类。为了获得最佳聚类数，采用轮廓系数（SC）和卡林斯基-哈拉巴斯指数（CH）两种内部评估方法对聚类数k进行了敏感性分析。从图2和图3可以看出，当k为2时，聚类效果最好，而当k为3或4时，聚类效果也可接受。
图2 簇数为k的SC变化曲线 图3 簇数为k的CH变化曲线
为了更合理地评估油井的产能潜力，绘制了k为2、3和4时的聚类图，如图4所示。
图4 归一化Qg、地质特征综合指数（c1）和压裂作业特征（c2）聚类图
当聚类数为4时，各类型井之间的差异更明显，更有利于后续分析。因此，本文将研究区块内的282口页岩气井分为4类。2类井中的Qg和c1值非常小,证明这类井的地质条件最差，生产潜力低，经济开发效益低。1和3类井的c1值相对较大，表明这两类井具有优越的地质条件，而1类井的Qg值较低，这证明该类井压裂作业参数设计不合理，优化空间较大。如果需要二次压裂，应首先考虑此类井。3类井压裂参数设计合理，具有重要意义，压裂作业参数的设计可参考3类井。
总之，压裂前应准确评估油井的地质条件，以确定油井的产能潜力。对于地质条件良好的井，由于设计合理的水力压裂压裂参数将带来更大的经济效益，因此可以增加投资。地质条件较差的井，投资成本可以相对减少。通过考虑不同的储层特征，对压裂方案进行定制，使其更加具体和适用。
完成上述工作后，从1类井中选择六口井进行产能优化，因为这些井具有较大的优化空间。将c2作为优化变量，目标函数是通过改变c2的值来最大化Qg，并使用随机森林算法以建立282口井的c1、c2和Qg之间的预测模型。预测模型的训练集与测试集的比率为7:3。当预测模型的精度达到标准时，它开始迭代。在每口井的优化过程中c2在每次迭代中被调整而c1保持不变，c2的值在0和1的范围内变化。结果如图5所示，图中的红线表示原始Qg，蓝色虚线曲线为优化Qg随迭代次数的变化趋势。
图5 1类井中6口井的优化Qg随迭代的变化曲线
从图中可以看出，每口井在70迭代范围内达到最大Qg值。实验结果表明，六口井得到了极大的改善，表明压裂作业参数的先前设计，如水力压裂液和水力压裂砂的用量设计是不合理的。这些井由于其天然气产量尚未得到充分开发，因此应认真考虑具有更大生产力潜力的天然气。
结论:
1.优质储层厚度及水力压裂砂量是影响压裂效果的重要参数，地质条件对天然气产量起决定性作用。
2.本文建立的模型可以根据页岩气井的地质条件和产能潜力，将页岩气井准确划分为四类，主要包括地质条件好、压裂措施差、产气量低的气井；井地质条件差，无论采取何种压裂措施，产量都很低；地质条件优越、压裂措施好、产量高的井；地质条件中等、产气量中等的井。
3. 本文建立的模型可以根据页岩气井的产能差异对其进行分类，可以选择具有良好压裂措施和良好地质条件的井作为样本井。同时，由于压裂措施较差，产能潜力较高但产量较低的井也可选择为可压裂井。
4．成功优化了6口地质条件良好但压裂作业参数设计不合理的低产井，优化后这些井的产气量平均提高了5倍。此外，这类潜力尚未充分开发的井应得到高度重视。
作者简介:
檀朝东，博士，副教授，正高级工程师，博士生导师。信息科学与工程学院教师，从事教学和科研工作。主要从事油气田开发、数据驱动理论与方法、智能油田等方面的研究，致力于采油气工程、油气举升设备故障诊断、油气生产物联网大数据和智能油井的关键核心技术研究及应用。主持和参与了国家自然科学基金、国家科技重大专项、省部级以上课题等20余项，发表技术论文100余篇，国家专利10多项，教材专著5部，获省部级科技进步奖16项，教学奖5项。