（大慶油田有限責(zé)任公司第一采油廠 信息中心，黑龍江 大慶 163000）

0 引言

大數(shù)據(jù)分析技術(shù)作為新興的主流技術(shù)在越來越多的領(lǐng)域中逐步展現(xiàn)出其特有的技術(shù)魅力。目前，隨著低油價(jià)時(shí)代的來臨，各大石油公司實(shí)行降本增效，大數(shù)據(jù)的發(fā)展是很多石油公司的突破口，由于地質(zhì)條件復(fù)雜，微觀尺度的精細(xì)描述很難實(shí)現(xiàn)，為了找到油氣井高產(chǎn)的主控因素，可以把油田的采油、油藏、作業(yè)的歷史數(shù)據(jù)作為油田開發(fā)領(lǐng)域大數(shù)據(jù)分析中的基礎(chǔ)數(shù)據(jù)庫，可以在這些浩瀚的數(shù)據(jù)海洋中運(yùn)用現(xiàn)有基本成熟的數(shù)據(jù)挖掘方法進(jìn)行規(guī)律分析、因次分析、關(guān)聯(lián)分析以及經(jīng)驗(yàn)相關(guān)式的統(tǒng)計(jì)回歸，進(jìn)而指導(dǎo)實(shí)際油田的生產(chǎn)實(shí)踐。

壓裂是油田開發(fā)過程中的重要增產(chǎn)措施，壓裂效果將會對油田開發(fā)效果的評價(jià)和開發(fā)方案的調(diào)整產(chǎn)生直接的影響。目前，老油田處于特高含水期，壓裂措施面臨著很多不利因素，主要有以下3 種：一是油田進(jìn)入高含水開發(fā)階段后，壓裂井的層條件越來越差，措施挖潛的難度逐漸變大，壓裂增油效果變差；二是油田儲層相對致密，油水井間的連通性較差，油井的受效程度相對低；三是部分儲層裂縫不發(fā)育，壓裂后油井含水上升快，容易出現(xiàn)水淹。傳統(tǒng)的方法是基于統(tǒng)計(jì)和經(jīng)驗(yàn)方法，根據(jù)上壓裂井的一些特性采用一些壓裂方法來提高油產(chǎn)量，但是根據(jù)經(jīng)驗(yàn)判斷上壓裂井的方式，可能不會產(chǎn)生很大作用，需要繼續(xù)實(shí)施壓裂措施。

因此，以提高油井單井產(chǎn)量為目的，快速準(zhǔn)確地進(jìn)行優(yōu)化壓裂選井及壓裂選層就顯得愈發(fā)重要，本文運(yùn)用大數(shù)據(jù)分析技術(shù)和人工智能算法，通過讀取油水井動靜態(tài)開發(fā)數(shù)據(jù)，從不同層位、有效厚度、注水情況、采出程度等指標(biāo)，對已經(jīng)上壓裂井進(jìn)行壓裂井產(chǎn)量效果的影響因素分析，從而確定下一步選取井進(jìn)行壓裂的原則，根據(jù)已有的壓裂井的數(shù)據(jù)進(jìn)行訓(xùn)練，構(gòu)建壓裂選井模型，來預(yù)測井的日增油產(chǎn)量情況，以此來判斷油井是否需要上壓裂，為油田油井提高產(chǎn)油量提供快速、有效的決策方法。

1 基于大數(shù)據(jù)分析技術(shù)的壓裂選井影響因素分析

影響壓裂決策的因素較多，決策參數(shù)的規(guī)模較大，不能只依靠專家的經(jīng)驗(yàn)和建議。需要根據(jù)因素的全面性、獨(dú)立性、泛化性進(jìn)行科學(xué)的分析和篩選，綜合考慮油氣藏特性、地質(zhì)特征、物性參數(shù)、測試數(shù)據(jù)和動態(tài)生產(chǎn)數(shù)據(jù)等多方面的因素。這些因素不是相互獨(dú)立的，而是有聯(lián)系的，需選出對壓裂效果影響較大的因素。

1.1 數(shù)據(jù)準(zhǔn)備

影響壓裂效果的指標(biāo)分為3 類：①地層靜態(tài)數(shù)據(jù)，包括油層深度、厚度、層數(shù)、孔隙度、滲透率、含油飽和度等；②壓裂施工數(shù)據(jù)，包括支撐劑用量、粒度、壓裂液用量、壓裂液名稱等壓裂工藝數(shù)據(jù)；③動態(tài)生產(chǎn)數(shù)據(jù)，包含壓裂前后6 個(gè)月的平均日產(chǎn)油量。

1.2 數(shù)據(jù)預(yù)處理

油田開發(fā)數(shù)據(jù)存在不完整性、不一致性及異常值等侵?jǐn)_，質(zhì)量較低的數(shù)據(jù)將直接導(dǎo)致數(shù)據(jù)挖掘結(jié)果質(zhì)量下降，因此需要對原始數(shù)據(jù)進(jìn)行處理。①數(shù)據(jù)清洗。將原有缺失的值進(jìn)行補(bǔ)充填寫，平滑數(shù)據(jù)噪聲，刪除離群較遠(yuǎn)的點(diǎn)，解決數(shù)據(jù)的不一致性問題。②數(shù)據(jù)集成。使用靜態(tài)數(shù)據(jù)、動態(tài)數(shù)據(jù)、作業(yè)數(shù)據(jù)等多個(gè)數(shù)據(jù)庫進(jìn)行集成。③數(shù)據(jù)歸約。用替代的、較小的數(shù)據(jù)表示形式替換元數(shù)據(jù)，使得到信息內(nèi)容的損失最小化。④數(shù)據(jù)變換。如生成新的數(shù)據(jù)字段，利用壓裂井信息表中的壓裂日期和井號身份標(biāo)識號（Identity document，ID）字段拼接，與油井月數(shù)據(jù)關(guān)聯(lián)匹配出壓裂日期前6 個(gè)月，壓裂后6 個(gè)月、12 個(gè)月、18 個(gè)月、24 個(gè)月的數(shù)據(jù)。

1.3 數(shù)據(jù)關(guān)聯(lián)

數(shù)據(jù)關(guān)聯(lián)的主要目的是實(shí)現(xiàn)不同數(shù)據(jù)庫之間的跨庫查詢及數(shù)據(jù)使用，將不同數(shù)據(jù)來源及不同數(shù)據(jù)庫中的數(shù)據(jù)，通過共有的關(guān)聯(lián)字段或變量整合為一個(gè)統(tǒng)一的數(shù)據(jù)庫。將某采油廠2011-2018 年的全部壓裂井相關(guān)信息做數(shù)據(jù)關(guān)聯(lián)，壓裂井的單井沉積單元儲層數(shù)據(jù)與油井月生產(chǎn)數(shù)據(jù)做關(guān)聯(lián)，計(jì)算壓裂井前和壓裂后的日產(chǎn)油、日產(chǎn)水開發(fā)指標(biāo)。同時(shí)，用同樣的計(jì)算方法計(jì)算壓裂井前和壓裂后的油井產(chǎn)液量和含水變化、油壓、套壓、流壓、靜壓變化以及動液面變化。

2 基于人工智能算法的壓裂選井模型構(gòu)建

壓裂井選取分析可采用簡單參數(shù)的梯度提升決策樹算法構(gòu)建回歸模型。梯度提升決策樹（Gradient Boosting Decision Tree，GBDT）是一種迭代的決策樹算法，該算法由多棵決策樹組成，所有樹的結(jié)論累加起來得出最終答案。GBDT 主要結(jié)合回歸樹和提升樹的思想，來做回歸預(yù)測，調(diào)整后也可以用于分類（設(shè)定閾值，大于閾值為正例，反之為負(fù)例），可以發(fā)現(xiàn)多種有區(qū)分性的特征以及特征組合。下文先介紹回歸樹和提升樹，然后詳細(xì)闡述梯度提升決策樹的算法步驟。

2.1 回歸樹

回歸樹是根據(jù)最小化平方誤差的準(zhǔn)則，遞歸構(gòu)建二叉決策樹。假設(shè)x 與y 分別為輸入輸出變量，并且y 是連續(xù)變量，給定訓(xùn)練數(shù)據(jù)：

一個(gè)回歸樹將輸入空間（即特征空間）劃分為M 個(gè)單元{R1,R2,…,RM}，回歸樹的每個(gè)葉子節(jié)點(diǎn)對應(yīng)一個(gè)單元，其相應(yīng)的有一個(gè)固定的輸出值cm。當(dāng)輸入特征為x 時(shí)，回歸樹會將其判定到一個(gè)葉子節(jié)點(diǎn)，將這個(gè)葉子節(jié)點(diǎn)對應(yīng)的輸出值cm作為回歸樹的輸出。這樣，回歸樹模型可以表示為：

其中，I(x ∈Rm)為指示函數(shù)，當(dāng)回歸樹判定x 屬于Rm時(shí)，其值為1，否則為0.

建立回歸樹的目標(biāo)是針對數(shù)據(jù)集D 選擇合適的空間劃分方式（即決策樹的生產(chǎn)方式）和相應(yīng)的輸出值，來最小化平方誤差：

2.2 提升樹模型

提升樹模型實(shí)際是將多個(gè)決策樹進(jìn)行簡單疊加，數(shù)學(xué)模型可表示為：

其中，T(x,Θm)表示決策樹，Θm表示決策樹的參數(shù)；M 為樹的個(gè)數(shù)。

針對樣本D={(x1,y1),(x2,y2),…,(xN,yN)}，提升樹模型的訓(xùn)練：選擇決策樹的參數(shù)(Θ1,Θ2,…,ΘM) 以最小化損失函數(shù)∑L(yi,fM(xi))，即：

這里，損失函數(shù)用來反映“樣本標(biāo)簽yi”與提升樹的輸出fM(xi)之間的差別，可以選擇平方誤差損失函數(shù)表示：

針對歷史壓裂井的日增油量數(shù)據(jù)，采用回歸算法建立日增油量預(yù)測模型，從而預(yù)測壓裂后增油效果較好的井，將訓(xùn)練好的模型應(yīng)用于2019 年的待壓裂井預(yù)測，進(jìn)行壓裂日增油量預(yù)測。想完成這一目標(biāo)首先要將數(shù)據(jù)集分為訓(xùn)練集和測試集，利用訓(xùn)練集建立日增油量產(chǎn)量預(yù)測模型，將訓(xùn)練好的模型用于測試集進(jìn)行預(yù)測，并分析哪些因素對壓裂井有影響。若日增油量大于0，認(rèn)為該井上了壓裂之后能提高產(chǎn)能；若小于等于0，認(rèn)為該井在上了壓裂之后不會提高產(chǎn)能，有可能降低產(chǎn)能。

將歷史數(shù)據(jù)進(jìn)行拆分，訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)按照60%和40%的比例隨機(jī)拆分，通過評估檢驗(yàn)回歸模型的準(zhǔn)確性和可靠性。從訓(xùn)練集的誤差表和誤差圖中可以看出，使用梯度提升決策樹對訓(xùn)練集訓(xùn)練的平均相對誤差為0.16，平均絕對誤差為1.39，誤差相對較少，說明模型效果較好。前1 月的含水量對該井的壓裂效果后產(chǎn)油量的影響最大，符合一般的認(rèn)知，同時(shí)影響最大的變量有前6 月平均含水量、前1 個(gè)月的連通井日產(chǎn)油總和。

3 基于人工智能算法的壓裂選井模型應(yīng)用

根據(jù)本文建立的壓裂選井模型，當(dāng)面對未壓裂井時(shí)，可以使用建立的梯度提升決策樹回歸算法的規(guī)則進(jìn)行選井，建立井的日增油量預(yù)測模型來進(jìn)行壓裂井的選取；讀取并利用訓(xùn)練好的回歸模型，預(yù)測井上壓裂后的產(chǎn)量情況；與“水驅(qū)井信息表”進(jìn)行關(guān)聯(lián)，對某區(qū)塊水驅(qū)井利用該模型進(jìn)行預(yù)測。

4 結(jié)語

①本文建立了一套基于大數(shù)據(jù)分析技術(shù)的壓裂選井設(shè)計(jì)方法，包括關(guān)聯(lián)動靜態(tài)開發(fā)數(shù)據(jù)進(jìn)行影響因素分析、壓裂選井預(yù)測模型構(gòu)建方法的判斷。通過預(yù)測對比，該方法是可行的。②通過與人工判斷選取壓裂井的對比來看，利用大數(shù)據(jù)分析平臺基于人工智能算法快速構(gòu)建預(yù)測壓裂選井模型，能夠大大提高開發(fā)人員的工作效率。③未來油田開發(fā)過程中，“智能+油田”還需深度融合，只有油田開發(fā)專業(yè)人員深入應(yīng)用大數(shù)據(jù)分析技術(shù)，同時(shí)結(jié)合生產(chǎn)實(shí)際進(jìn)行不斷探索，才能更好地為油田開發(fā)決策提供更加高效、準(zhǔn)確、全面的參考依據(jù)。