本發(fā)明屬于非常規(guī)油氣開(kāi)采，特別涉及一種基于人工智能的射孔效果評(píng)價(jià)方法及系統(tǒng)。

背景技術(shù)：

1、隨著我國(guó)非常規(guī)儲(chǔ)層大規(guī)模投入壓裂開(kāi)發(fā)并獲得可喜的成果以來(lái)，非常規(guī)資源作為油氣資源日漸成為解決我國(guó)“氣荒”問(wèn)題的主力軍。由于非常規(guī)油氣藏的非均質(zhì)性，水平井各段之間的產(chǎn)量差異較大，美國(guó)幾大頁(yè)巖氣區(qū)塊統(tǒng)計(jì)表明壓裂氣井大約有1/3的射孔孔眼沒(méi)有產(chǎn)量，單井總產(chǎn)氣量的60％貢獻(xiàn)度來(lái)自40％壓裂段，采用常規(guī)分析方法顯示各項(xiàng)施工參數(shù)(射孔參數(shù)、壓裂參數(shù))與地質(zhì)參數(shù)與單段產(chǎn)氣貢獻(xiàn)度的依存關(guān)系不明顯。隨著頁(yè)巖氣開(kāi)發(fā)產(chǎn)業(yè)從粗放型到集約精細(xì)化的發(fā)展，能借助多因素準(zhǔn)確地評(píng)價(jià)射孔對(duì)儲(chǔ)層改造效果，實(shí)現(xiàn)射孔參數(shù)優(yōu)化方案“一段一法、一井一策”，已經(jīng)成為非常規(guī)儲(chǔ)層高效開(kāi)采的一個(gè)關(guān)鍵過(guò)程。

2、射孔效果評(píng)價(jià)有兩種含義：

3、1)在總體方案實(shí)施過(guò)程中進(jìn)行的評(píng)估，其目的除了評(píng)價(jià)射孔效果對(duì)儲(chǔ)層改造的影響之外，還有檢驗(yàn)設(shè)計(jì)與實(shí)際的符合程度，尤其是設(shè)計(jì)中涉及到基礎(chǔ)數(shù)據(jù)的合理性，以便完善設(shè)計(jì)，指導(dǎo)后續(xù)工作；

4、2)實(shí)施后的整體評(píng)估，其目的射孔方案(射孔段數(shù)、射孔簇?cái)?shù)、射孔位置、射孔孔密、射孔孔徑、射孔孔深)評(píng)估，從頂部改進(jìn)設(shè)計(jì)方案。國(guó)內(nèi)外就有對(duì)儲(chǔ)層改造效果評(píng)價(jià)方法進(jìn)行了大量的研究，而有關(guān)非常規(guī)儲(chǔ)層射孔效果后評(píng)估的研究則不多。

5、發(fā)明人發(fā)現(xiàn)，現(xiàn)有的常規(guī)儲(chǔ)層主要通過(guò)產(chǎn)能評(píng)價(jià)射孔完井方案的優(yōu)劣；非常規(guī)儲(chǔ)層射孔效果評(píng)價(jià)主要包括兩類(lèi)：

6、1)現(xiàn)場(chǎng)監(jiān)測(cè)法：主要是通過(guò)微地震解釋的起裂率、產(chǎn)液剖面測(cè)試結(jié)果來(lái)間接評(píng)價(jià)、可視化測(cè)井系統(tǒng)——videolog系統(tǒng)，通過(guò)視頻圖像直觀認(rèn)識(shí)套管狀況、射孔形態(tài)、定性分析射孔產(chǎn)出情況；定量分析射孔沖蝕情況與支撐劑分布情況。

7、2)理論模型法：通過(guò)建立裂縫擴(kuò)展模型，模擬分析不同射孔參數(shù)對(duì)裂縫起裂率及srv體積影響進(jìn)行評(píng)價(jià)效果。雖然數(shù)值模擬方法日趨完善，可以通過(guò)建立不斷精細(xì)化的地質(zhì)模型及描述復(fù)雜的動(dòng)態(tài)模型來(lái)追求產(chǎn)量預(yù)測(cè)的精準(zhǔn)，但主要是用來(lái)前期射孔方案優(yōu)化設(shè)計(jì)階段的評(píng)價(jià)，而且計(jì)算復(fù)雜，工作量大。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)上述問(wèn)題，本發(fā)明提供一種基于人工智能的射孔效果評(píng)價(jià)方法，所述方法包括：

2、確定影響射孔效果和產(chǎn)量的影響因素；

3、基于影響因素得到目標(biāo)預(yù)測(cè)模型；

4、利用目標(biāo)預(yù)測(cè)模型對(duì)射孔效果進(jìn)行判斷。

5、優(yōu)選地，所述確定影響射孔效果和產(chǎn)量的影響因素，包括：

6、獲取原始樣本集，所述原始樣本集中包括多個(gè)影響因素；

7、對(duì)原始樣本集中的影響因素進(jìn)行篩選，得到中間樣本集；

8、對(duì)中間樣本集進(jìn)行分類(lèi)和數(shù)據(jù)降維，得到最終樣本集，所述最終樣本集中的元素即為影響射孔效果和產(chǎn)量的影響因素。

9、優(yōu)選地，所述基于影響因素得到目標(biāo)預(yù)測(cè)模型，包括：

10、將最終樣本集中的元素劃分為訓(xùn)練集和測(cè)試集；

11、構(gòu)建初始預(yù)測(cè)模型，并確定預(yù)測(cè)模型的模型參數(shù)；

12、利用訓(xùn)練集對(duì)初始預(yù)測(cè)模型進(jìn)行訓(xùn)練，調(diào)整模型參數(shù)，得到目標(biāo)訓(xùn)練模型。

13、優(yōu)選地，所述利用目標(biāo)預(yù)測(cè)模型對(duì)射孔效果進(jìn)行判斷，包括：

14、根據(jù)目標(biāo)預(yù)測(cè)模型，構(gòu)建影響因素與產(chǎn)量的偏依賴關(guān)系；

15、根據(jù)偏依賴關(guān)系分析影響因素對(duì)產(chǎn)量的增益情況，根據(jù)分析結(jié)果判斷射孔效果。

16、優(yōu)選地，所述方法還包括：利用目標(biāo)預(yù)測(cè)模型對(duì)產(chǎn)量進(jìn)行預(yù)測(cè)。

17、優(yōu)選地，所述利用目標(biāo)預(yù)測(cè)模型對(duì)產(chǎn)量進(jìn)行預(yù)測(cè)，包括：

18、利用目標(biāo)預(yù)測(cè)模型獲得測(cè)試集中各壓裂段對(duì)應(yīng)的預(yù)測(cè)產(chǎn)量；

19、利用均方根誤差判斷預(yù)測(cè)產(chǎn)量的誤差程度。

20、本發(fā)明還提出一種基于人工智能的射孔效果評(píng)價(jià)系統(tǒng)，所述系統(tǒng)包括：

21、確定模塊，用于確定影響射孔效果和產(chǎn)量的影響因素；

22、構(gòu)建模塊，用于基于影響因素得到目標(biāo)預(yù)測(cè)模型；

23、判斷模塊，用于利用目標(biāo)預(yù)測(cè)模型對(duì)射孔效果進(jìn)行判斷。

24、優(yōu)選地，所述確定模塊用于確定影響射孔效果和產(chǎn)量的影響因素，包括：

25、確定模塊用于獲取原始樣本集，所述原始樣本集中包括多個(gè)影響因素；

26、對(duì)所述原始樣本集中的影響因素進(jìn)行篩選，得到中間樣本集；

27、對(duì)中間樣本集進(jìn)行分類(lèi)和數(shù)據(jù)降維，得到最終樣本集，所述最終樣本集中的元素即為影響射孔效果和產(chǎn)量的影響因素。

28、優(yōu)選地，所述構(gòu)建模塊用于基于影響因素得到目標(biāo)預(yù)測(cè)模型，包括：

29、構(gòu)建模塊用于將最終樣本集中的元素劃分為訓(xùn)練集和測(cè)試集；

30、構(gòu)建初始預(yù)測(cè)模型，并確定預(yù)測(cè)模型的模型參數(shù)；

31、利用訓(xùn)練集對(duì)初始預(yù)測(cè)模型進(jìn)行訓(xùn)練，調(diào)整模型參數(shù)，得到目標(biāo)訓(xùn)練模型。

32、優(yōu)選地，所述判斷模塊用于利用目標(biāo)預(yù)測(cè)模型對(duì)射孔效果進(jìn)行判斷，包括：

33、判斷模塊用于根據(jù)目標(biāo)預(yù)測(cè)模型，構(gòu)建影響因素與產(chǎn)量的偏依賴關(guān)系；

34、根據(jù)偏依賴關(guān)系分析影響因素對(duì)產(chǎn)量的增益情況，根據(jù)分析結(jié)果判斷射孔效果。

35、優(yōu)選地，所述系統(tǒng)還包括：

36、預(yù)測(cè)模塊，用于利用目標(biāo)預(yù)測(cè)模型對(duì)產(chǎn)量進(jìn)行預(yù)測(cè)。

37、優(yōu)選地，所述預(yù)測(cè)模塊用于利用目標(biāo)預(yù)測(cè)模型對(duì)產(chǎn)量進(jìn)行預(yù)測(cè)，包括：

38、預(yù)測(cè)模塊用于利用目標(biāo)預(yù)測(cè)模型獲得測(cè)試集中各壓裂段對(duì)應(yīng)的預(yù)測(cè)產(chǎn)量；

39、利用均方根誤差判斷預(yù)測(cè)產(chǎn)量的誤差程度。

40、本發(fā)明還提出一種電子設(shè)備，包括：

41、處理器以及存儲(chǔ)器；

42、所述處理器調(diào)用所述存儲(chǔ)器存儲(chǔ)的計(jì)算機(jī)程序，以執(zhí)行上述任意一項(xiàng)所述的基于人工智能的射孔效果評(píng)價(jià)方法。

43、本發(fā)明還提出一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，

44、所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)中存儲(chǔ)有計(jì)算機(jī)程序，當(dāng)所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)，使得所述處理器能夠執(zhí)行上述任一項(xiàng)所述的基于人工智能的射孔效果評(píng)價(jià)方法。

45、本發(fā)明具有以下有益效果：

46、(1)本發(fā)明借助壓裂數(shù)據(jù)、地質(zhì)數(shù)據(jù)和現(xiàn)場(chǎng)監(jiān)測(cè)數(shù)據(jù)，來(lái)進(jìn)行射孔效果評(píng)價(jià)，更有說(shuō)服力，能夠找到各影響因素益于改造和增產(chǎn)的合理范圍；

47、(2)本發(fā)明用機(jī)器學(xué)習(xí)中的隨機(jī)森林算法，使用射孔參數(shù)、地質(zhì)數(shù)據(jù)、監(jiān)測(cè)數(shù)據(jù)構(gòu)成的模型進(jìn)行產(chǎn)量預(yù)測(cè)，所有數(shù)據(jù)均來(lái)自歷史數(shù)據(jù)，減少了人為的干預(yù)；

48、(3)本發(fā)明采用二級(jí)降維策略和隨機(jī)森林算法能夠識(shí)別重要的儲(chǔ)層改造和產(chǎn)量影響因素，還可以良好的進(jìn)行產(chǎn)量預(yù)測(cè)。

49、本發(fā)明的其它特征和優(yōu)點(diǎn)將在隨后的說(shuō)明書(shū)中闡述，并且，部分地從說(shuō)明書(shū)中變得顯而易見(jiàn)，或者通過(guò)實(shí)施本發(fā)明而了解。本發(fā)明的目的和其他優(yōu)點(diǎn)可通過(guò)在說(shuō)明書(shū)以及附圖中所指出的結(jié)構(gòu)來(lái)實(shí)現(xiàn)和獲得。

技術(shù)特征：

1.一種基于人工智能的射孔效果評(píng)價(jià)方法，其特征在于，所述方法包括：

2.根據(jù)權(quán)利要求1所述的基于人工智能的射孔效果評(píng)價(jià)方法，其特征在于，

3.根據(jù)權(quán)利要求1所述的基于人工智能的射孔效果評(píng)價(jià)方法，其特征在于，

4.根據(jù)權(quán)利要求1所述的基于人工智能的射孔效果評(píng)價(jià)方法，其特征在于，

5.根據(jù)權(quán)利要求1所述的基于人工智能的射孔效果評(píng)價(jià)方法，其特征在于，

6.根據(jù)權(quán)利要求1所述的基于人工智能的射孔效果評(píng)價(jià)方法，其特征在于，

7.一種基于人工智能的射孔效果評(píng)價(jià)系統(tǒng)，其特征在于，所述系統(tǒng)包括：

8.根據(jù)權(quán)利要求7所述的基于人工智能的射孔效果評(píng)價(jià)系統(tǒng)，其特征在于，

9.根據(jù)權(quán)利要求7所述的基于人工智能的射孔效果評(píng)價(jià)系統(tǒng)，其特征在于，

10.根據(jù)權(quán)利要求7所述的基于人工智能的射孔效果評(píng)價(jià)系統(tǒng)，其特征在于，

11.根據(jù)權(quán)利要求7所述的基于人工智能的射孔效果評(píng)價(jià)系統(tǒng)，其特征在于，所述系統(tǒng)還包括：

12.根據(jù)權(quán)利要求11所述的基于人工智能的射孔效果評(píng)價(jià)系統(tǒng)，其特征在于，

13.一種電子設(shè)備，其特征在于，包括：

14.一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其特征在于，

技術(shù)總結(jié)
本發(fā)明屬于非常規(guī)油氣開(kāi)采技術(shù)領(lǐng)域，特別涉及一種基于人工智能的射孔效果評(píng)價(jià)方法及系統(tǒng)。所述方法包括：確定影響射孔效果和產(chǎn)量的影響因素；基于影響因素得到目標(biāo)預(yù)測(cè)模型；利用目標(biāo)預(yù)測(cè)模型對(duì)射孔效果進(jìn)行判斷。本發(fā)明借助壓裂數(shù)據(jù)、地質(zhì)數(shù)據(jù)和現(xiàn)場(chǎng)監(jiān)測(cè)數(shù)據(jù)，來(lái)進(jìn)行射孔效果評(píng)價(jià)，更有說(shuō)服力，能夠找到各影響因素益于改造和增產(chǎn)的合理范圍；本發(fā)明用機(jī)器學(xué)習(xí)中的隨機(jī)森林算法，使用射孔參數(shù)、地質(zhì)數(shù)據(jù)、監(jiān)測(cè)數(shù)據(jù)構(gòu)成的模型進(jìn)行產(chǎn)量預(yù)測(cè)，所有數(shù)據(jù)均來(lái)自歷史數(shù)據(jù)，減少了人為的干預(yù)；本發(fā)明采用二級(jí)降維策略和隨機(jī)森林算法能夠識(shí)別重要的儲(chǔ)層改造和產(chǎn)量影響因素，還可以良好的進(jìn)行產(chǎn)量預(yù)測(cè)。

技術(shù)研發(fā)人員：任國(guó)輝,唐凱,趙昕迪,賀洪舉,張浩,汪曉星,羅苗壯,王艦,張鴻韻,馬自強(qiáng),李陪
受保護(hù)的技術(shù)使用者：中國(guó)石油天然氣集團(tuán)有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2025/5/15