摘要： 在低滲致密油氣藏資源與低產(chǎn)井開發(fā)過程中，水力壓裂是增產(chǎn)改造的主要技術(shù)手段。對(duì)壓裂施工全過程的實(shí)時(shí)監(jiān)控并對(duì)施工風(fēng)險(xiǎn)進(jìn)行實(shí)時(shí)識(shí)別是保證壓裂成功的必要手段。依托現(xiàn)有的EasyFrac系統(tǒng)和威遠(yuǎn)頁巖氣龍馬溪組儲(chǔ)層壓裂地質(zhì)數(shù)據(jù)，開展了基于大數(shù)據(jù)挖掘技術(shù)的砂堵模型研究，通過進(jìn)行人工標(biāo)注、參數(shù)分析、模型構(gòu)建、模型訓(xùn)練、線下測(cè)試，構(gòu)建了針對(duì)橋堵類砂堵風(fēng)險(xiǎn)的基于LSTM的壓裂砂堵預(yù)測(cè)模型;并深入研究以頁巖氣為主的非常規(guī)儲(chǔ)層段塞式加砂的作業(yè)特點(diǎn)，進(jìn)一步構(gòu)建了針對(duì)脫砂類砂堵風(fēng)險(xiǎn)的周期性壓裂砂堵預(yù)測(cè)模型。現(xiàn)場(chǎng)實(shí)際應(yīng)用表明，兩套壓裂砂堵模型的聯(lián)用，能夠預(yù)測(cè)92%的橋堵類砂堵風(fēng)險(xiǎn)與64%的脫砂類砂堵風(fēng)險(xiǎn)，平均預(yù)警提前時(shí)間25-35秒，為現(xiàn)場(chǎng)壓裂技術(shù)人員提供了科學(xué)高效的砂堵風(fēng)險(xiǎn)預(yù)測(cè)手段。

關(guān)鍵詞：水力壓裂;砂堵;風(fēng)險(xiǎn)預(yù)警;LSTM預(yù)測(cè)模型;周期性模型

1. 引言

水力壓裂是低滲透油氣藏資源開發(fā)中的主要技術(shù)手段，在頁巖氣、致密砂巖氣、煤層氣開發(fā)中應(yīng)用愈發(fā)廣泛。通過在目的層中泵入高速流體，形成水力裂縫，并以追加支撐劑的方式，提高填砂裂縫的導(dǎo)流能力。砂堵是水力壓裂過程中常見的事故之一，深層頁巖氣頁巖層水平方向的應(yīng)力以及地應(yīng)力更高，并且層理裂縫分布復(fù)雜[1]，更容易發(fā)生砂堵。造成砂堵的原因很多，如壓裂液濾失過大，導(dǎo)致端部脫砂、壓裂液提前破膠、加砂梯度提升過快、縫寬過窄等。從產(chǎn)生機(jī)理上分類，可分為支撐劑過早沉降的脫砂類砂堵與支撐劑通過寬度不足的橋堵類砂堵兩類[2]。

目前，國(guó)內(nèi)外已有部分學(xué)者和機(jī)構(gòu)對(duì)砂堵風(fēng)險(xiǎn)預(yù)警進(jìn)行了研究。國(guó)外哈里伯頓、斯倫貝謝、威德福等公司開發(fā)的壓裂監(jiān)測(cè)系統(tǒng)[3]。斯倫貝謝的SpectraSphere井下流體實(shí)驗(yàn)室，可以在鉆井作業(yè)中獲取高精度的流體成分?jǐn)?shù)據(jù)，并形成數(shù)據(jù)倉儲(chǔ)庫，靈活運(yùn)用大數(shù)據(jù)建模為使用者提供分析支持，減免了為其數(shù)周的實(shí)驗(yàn)室分析流程。大慶油田常凌云建立了一種基于人工智能的重復(fù)壓裂井篩選方法，運(yùn)用大數(shù)據(jù)分析的手段從不同層位、有效厚度、注水情況等相關(guān)方面進(jìn)行研究[4]。李彥尊等利用數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)等手段，建立了大數(shù)據(jù)壓裂參數(shù)優(yōu)化方法， 通過多元回歸等方法分析參數(shù)關(guān)系 ，建立和訓(xùn)練機(jī)器學(xué)習(xí)預(yù)測(cè)模型，對(duì)壓裂參數(shù)進(jìn)行優(yōu)化，并對(duì)產(chǎn)量進(jìn)行預(yù)測(cè)評(píng)價(jià)[5]。代海洋通過優(yōu)選GRNN神經(jīng)網(wǎng)絡(luò)算法，建立了依托時(shí)間序列的砂堵預(yù)警系統(tǒng)，并配套數(shù)據(jù)庫[6]。

隨著近些年人工智能技術(shù)的發(fā)展與大數(shù)據(jù)應(yīng)用的普及，在石油行業(yè)中推廣應(yīng)用大數(shù)據(jù)技術(shù)成為行業(yè)發(fā)展的趨勢(shì)。通過開展人工智能研究，構(gòu)建大數(shù)據(jù)倉儲(chǔ)庫，用科學(xué)高效的方法豐富行業(yè)技術(shù)支持手段顯得尤為重要。現(xiàn)有的壓裂實(shí)時(shí)監(jiān)控與遠(yuǎn)程支持系統(tǒng)（EasyFrac），能夠?qū)崟r(shí)采集傳輸并存儲(chǔ)壓裂施工數(shù)據(jù)，并對(duì)施工曲線進(jìn)行實(shí)時(shí)展示，有效解決專家資源無法集中，多井同步壓裂作業(yè)難以集中決策的問題。壓裂行業(yè)人工智能大數(shù)據(jù)技術(shù)應(yīng)用較少，因此，近兩年期間，通過組建專業(yè)研發(fā)團(tuán)隊(duì)，參與鉆完井新技術(shù)前期研究、虛擬現(xiàn)實(shí)與人工智能技術(shù)在工程技術(shù)作業(yè)過程支持研究應(yīng)用等系列科研項(xiàng)目，在現(xiàn)有EasyFrac壓裂實(shí)時(shí)監(jiān)測(cè)與遠(yuǎn)程支持系統(tǒng)的基礎(chǔ)上，開展了壓裂大數(shù)據(jù)倉庫建設(shè)與壓裂風(fēng)險(xiǎn)預(yù)警等技術(shù)攻關(guān)，旨在運(yùn)用大數(shù)據(jù)挖掘技術(shù)豐富壓裂現(xiàn)場(chǎng)作業(yè)技術(shù)支持手段。

2.基于大數(shù)據(jù)挖掘技術(shù)的壓裂砂堵模型研究

根據(jù)油壓、砂比（砂濃度）、排量、累計(jì)加砂量、加砂方式等參數(shù)，并通過人工標(biāo)注過去發(fā)生的砂堵或砂堵隱患?xì)v史數(shù)據(jù)，在壓裂過程中提前預(yù)測(cè)下一段時(shí)間內(nèi)發(fā)生砂堵的隱患，并給出當(dāng)前發(fā)生砂堵概率。模型需要預(yù)測(cè)未來一段時(shí)間的參數(shù)變化趨勢(shì)，由此可知該砂堵預(yù)警是一個(gè)時(shí)間序列問題，基于對(duì)未來變化趨勢(shì)的預(yù)測(cè)，結(jié)合分類算法，判斷未來發(fā)生砂堵概率。

2.1基于LSTM的壓裂砂堵模型研究

大數(shù)據(jù)挖掘需要對(duì)數(shù)據(jù)進(jìn)行機(jī)器學(xué)習(xí)，分析數(shù)據(jù)規(guī)律，在威遠(yuǎn)頁巖氣區(qū)塊地質(zhì)條件與工程參數(shù)相似的壓裂平臺(tái)，通過歷史數(shù)據(jù)的學(xué)習(xí)對(duì)未知數(shù)據(jù)進(jìn)行預(yù)測(cè)或者分類。長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)（LSTM）是機(jī)器深度學(xué)習(xí)中的一種特殊的循環(huán)神經(jīng)網(wǎng)絡(luò)方法，與傳統(tǒng)的循環(huán)神經(jīng)網(wǎng)絡(luò)RNN相比，模擬時(shí)序更加精確，并且具有長(zhǎng)期依賴關(guān)系[7]。

2.1.1 LSTM模型構(gòu)建思路

LSTM模型的主要特點(diǎn)是采用了記憶塊替代了RNN模型中的隱含節(jié)點(diǎn)，確保梯度在傳遞跨越很多時(shí)間步驟之后不會(huì)消失或爆炸，從而克服了RNN模型在訓(xùn)練中梯度消失的問題。LSTM模型由輸入門、輸出門、遺忘門和一個(gè)記憶細(xì)胞（cell）組成，輸入門表示是否允許新信息進(jìn)入到當(dāng)前內(nèi)部記憶單元中，遺忘門表示是否保留當(dāng)前內(nèi)部記憶單元存儲(chǔ)的歷史信息;輸出門表示是否將當(dāng)前節(jié)點(diǎn)響應(yīng)值輸出到下一層[8]。

LSTM模型內(nèi)部結(jié)構(gòu)如圖5所示，h為隱藏層，c為控制層，在任意t時(shí)刻，神經(jīng)網(wǎng)絡(luò)有三個(gè)輸入，即當(dāng)前t時(shí)刻該序列的輸入值xt，上一時(shí)刻隱藏層h的輸出值ht-1，上一時(shí)刻控制層c的輸出值ct-1;同時(shí)當(dāng)前時(shí)刻也有兩個(gè)輸出值，即隱藏層h的輸出值ht，控制層c的輸出值ct[9] 。

LSTM模型的計(jì)算方法和過程如下：

式中，it、ft、ct、ot、ht分別為輸入門、遺忘門、記憶細(xì)胞、輸出門和隱藏層在t時(shí)刻的輸出[10]， 為t時(shí)刻的輸入， 為不同參數(shù)之間的權(quán)值矩陣， 表示不同單元的偏置， 表示sigmoid激活函數(shù)，tanh表示hyperbolic tangent函數(shù)。

構(gòu)建壓裂砂堵長(zhǎng)短時(shí)記憶模型主要包括三個(gè)步驟：1、對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理;2、構(gòu)建基于LSTM的壓裂砂堵預(yù)測(cè)模型，并通過訓(xùn)練集對(duì)砂堵預(yù)測(cè)模型進(jìn)行訓(xùn)練;3、測(cè)試模型的預(yù)測(cè)準(zhǔn)確率。在實(shí)際預(yù)測(cè)時(shí)，向砂堵預(yù)測(cè)模型輸入油壓、排量、砂濃度、累計(jì)加砂量等砂堵特征，得到相應(yīng)的預(yù)測(cè)結(jié)果，預(yù)測(cè)結(jié)果為砂堵風(fēng)險(xiǎn)或無砂堵風(fēng)險(xiǎn)。

2.1.2原始數(shù)據(jù)預(yù)處理方法

（1）從壓裂現(xiàn)場(chǎng)采集的原始數(shù)據(jù)中所有的砂堵特征組成一個(gè)p維的砂堵特征集合，包含油壓、套壓、排量、砂比、輸砂總量、總液量、時(shí)間等參數(shù)，將原始數(shù)據(jù)中所有的實(shí)際砂堵結(jié)果組成一個(gè)1維的實(shí)際砂堵結(jié)果集合;

（2）從p維的砂堵特征集合中刪除第i個(gè)維度，其中，i=1，2，...或p;將其余p-1個(gè)維度作為特征子集Mi，其中，i=1，2，...，p;對(duì)p維的砂堵特征集合重復(fù)刪除維度，每次刪除的維度不同，則得到特征子集M1，M2，...和Mp;將p維的砂堵特征集合記為特征子集M0，將M0，M1，M2，...和Mp分別和對(duì)應(yīng)的實(shí)際砂堵結(jié)果集合組成樣本子集S0，S1，S2，...，Sp;對(duì)于樣本子集S0，S1，S2，...和Sp，分別采用十折交叉驗(yàn)證方法計(jì)算神經(jīng)網(wǎng)絡(luò)模型對(duì)于該樣本子集的平均誤差，將S0，S1，S2，...和Sp對(duì)應(yīng)的平均誤差分別記為X0，X1，X2，...和Xp;

（3）分別比較X1，X2，...和Xp與X0的差距，當(dāng)X1，X2，...和Xp中任意一個(gè)平均誤差Xi與X0相差小于預(yù)設(shè)值m時(shí)，m的取值范圍為1%～5%，則認(rèn)為單獨(dú)刪除第i維特征后，不影響整體誤差，則將第i維數(shù)據(jù)視為冗余特征。若不存在冗余特征，則執(zhí)行下一步驟;若只存在1維冗余特征，則直接將該維特征從砂堵特征集合中剔除，接著執(zhí)行下一步驟;若存在多維冗余特征，則從p維砂堵特征集合中刪除最先得到的冗余特征，得到p-1維砂堵特征集合，將得到的p-1維特征集合作為下一輪循環(huán)的砂堵特征集合，直到刪除所有的冗余特征。

（4）將不存在冗余特征的n維的砂堵特征及每個(gè)砂堵特征對(duì)應(yīng)的1維的實(shí)際砂堵結(jié)果集合組成樣本集合，然后根據(jù)不同回采點(diǎn)和時(shí)間段對(duì)訓(xùn)練集進(jìn)行分組，每組包含k條連續(xù)的樣本數(shù)據(jù)，每條樣本數(shù)據(jù)包括n維的砂堵特征和n維的砂堵特征中每條砂堵特征對(duì)應(yīng)的1維的實(shí)際砂堵結(jié)果，n表示不存在冗余特征的砂堵特征集合的維數(shù);接下來，按照8：2的黃金分割比例，將分組后的將樣本集合劃分為訓(xùn)練集和測(cè)試集，訓(xùn)練集與測(cè)試集互不相交。

2.1.3構(gòu)建LSTM壓裂砂堵預(yù)測(cè)模型

基于LSTM的砂堵預(yù)測(cè)模型包括輸入層、隱藏層和輸出層，其中：輸入層每次向砂堵預(yù)測(cè)模型中輸入訓(xùn)練集中的一組樣本數(shù)據(jù)中的壓裂砂堵特征參數(shù);隱藏層的輸入為一個(gè)n維向量和一個(gè)2維向量，n維向量來自于輸入層，2維向量來自于上一時(shí)刻的隱藏層的輸出;輸出層的輸入為來自隱藏層的2維向量。對(duì)隱藏層學(xué)習(xí)的結(jié)果向量進(jìn)行分類，輸出為1維砂堵結(jié)果，通過將輸出的砂堵結(jié)果與該樣本數(shù)據(jù)中的實(shí)際砂堵結(jié)果相比較，計(jì)算誤差。

對(duì)砂堵預(yù)測(cè)模型訓(xùn)練時(shí)，將訓(xùn)練集中的一組數(shù)據(jù)傳入輸入層，訓(xùn)練集中的每組數(shù)據(jù)包括k條連續(xù)的壓裂數(shù)據(jù)，每條壓裂數(shù)據(jù)包括n維的砂堵特征和1維的實(shí)際壓裂結(jié)果;輸入層將k條連續(xù)的砂堵數(shù)據(jù)中的k條n維砂堵特征傳給隱藏層;根據(jù)前文LSTM模型的計(jì)算方法和過程，計(jì)算相應(yīng)的輸入門、遺忘門、記憶細(xì)胞、輸出門和隱藏層，輸出層收到隱藏層傳來的最后一個(gè)時(shí)刻的輸出值ht ，并將隱藏層LSTM單元的最后一個(gè)時(shí)刻的輸出值ht 進(jìn)行解碼操作，轉(zhuǎn)變?yōu)椤?”或者“1” [11]， “0”或者“1”為預(yù)測(cè)的砂堵結(jié)果，當(dāng)為“0”時(shí)表示不砂堵，當(dāng)為“1”時(shí)表示砂堵。

通過對(duì)50口井，1200余段歷史數(shù)據(jù)進(jìn)行聚類分析，油壓、排量、砂比、加砂總量與砂堵的相關(guān)性較高，是砂堵預(yù)警的關(guān)鍵參數(shù)。對(duì)壓裂過程中的油壓、排量等數(shù)據(jù)進(jìn)行預(yù)處理，建立基于時(shí)間序列的分類模型，利用威遠(yuǎn)2000余段數(shù)據(jù)進(jìn)行標(biāo)注和模型訓(xùn)練，經(jīng)過22次模型參數(shù)調(diào)優(yōu)，迭代學(xué)習(xí)等方式，建立了基于長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)的壓裂砂堵預(yù)警模型。

針對(duì)壓裂砂堵預(yù)警模型的輸出結(jié)果無法量化的難題，創(chuàng)新引入Sigmoid函數(shù)，將模型輸出的結(jié)果轉(zhuǎn)化為砂堵概率數(shù)值。針對(duì)砂堵預(yù)警提前時(shí)間短的技術(shù)難題，建立滑動(dòng)式窗口數(shù)據(jù)提取模式，預(yù)測(cè)當(dāng)前狀態(tài)下砂堵的風(fēng)險(xiǎn)。測(cè)試結(jié)果表明：基于LSTM的壓裂砂堵模型能夠預(yù)測(cè)92%的橋堵類砂堵風(fēng)險(xiǎn)，即對(duì)裂縫擴(kuò)展過程中縫寬變窄這種異常情況的預(yù)測(cè)效果較為顯著。此類風(fēng)險(xiǎn)具有突然性、平均油壓上漲幅度在2-10Mpa等特點(diǎn)。

但對(duì)于脫砂類砂堵風(fēng)險(xiǎn)的預(yù)測(cè)成功率僅為42%（42%包括兩種類型砂堵同時(shí)發(fā)生的情況），此類風(fēng)險(xiǎn)預(yù)測(cè)成功率低的原因，從測(cè)試數(shù)據(jù)中可知，預(yù)警提前時(shí)間較短，平均僅為11秒。而脫砂類風(fēng)險(xiǎn)初期壓力波動(dòng)往往是較為緩慢，隨著時(shí)間積累，突然上漲造成砂堵。LSTM模型無法在隱患形成初期進(jìn)行有效預(yù)警，后期壓力上漲已成顯著趨勢(shì)的預(yù)警已無指導(dǎo)施工的意義，屬于無效預(yù)警。

2.2基于周期性的壓裂砂堵模型研究

通過數(shù)據(jù)分析與研究發(fā)現(xiàn)，基于LSTM的砂堵模型對(duì)于脫砂類砂堵風(fēng)險(xiǎn)的預(yù)測(cè)效果不好的原因在于，由于地層吃砂困難，以頁巖氣為首的非常規(guī)儲(chǔ)集層壓裂工藝采用段塞式加砂的方式。與常規(guī)階梯式加砂工藝不同，段塞式加砂導(dǎo)致液柱壓力處于持續(xù)波動(dòng)的狀態(tài)。此因素導(dǎo)致施工壓力亦處于波動(dòng)狀態(tài)。而脫砂類砂堵風(fēng)險(xiǎn)的早期預(yù)測(cè)工作對(duì)油壓變化較為敏感，排除井口油壓的波動(dòng)干擾尤為重要。因此需在基于LSTM的砂堵模型研究基礎(chǔ)上，運(yùn)用大數(shù)據(jù)挖掘技術(shù)研究段塞加砂與油壓波動(dòng)之間的規(guī)律，構(gòu)建大數(shù)據(jù)模型，并根據(jù)模型預(yù)測(cè)周期性波動(dòng)趨勢(shì)，進(jìn)而對(duì)脫砂類砂堵風(fēng)險(xiǎn)進(jìn)行預(yù)測(cè)。

2.2.1周期性模型構(gòu)建思路

將每個(gè)段塞與前后隔離液的看做一個(gè)加砂周期，分別看做前置液、攜砂液、頂替液，通過標(biāo)注和學(xué)習(xí)2-3個(gè)周期的油壓、排量的變化，評(píng)估當(dāng)前狀態(tài)下砂堵的風(fēng)險(xiǎn)情況。其中一段隔離液既被視為前一個(gè)段塞的“頂替液”，又被視為下一個(gè)段塞的“前置液”。

2.2.2構(gòu)建周期性模型

周期性模型的原始數(shù)據(jù)處理與模型原理同LSTM模型基本一致，二者主要區(qū)別在于，LSMT模型訓(xùn)練過程中，針對(duì)數(shù)據(jù)變化而及時(shí)做出預(yù)警，而周期性模型訓(xùn)練過程中，更注重于長(zhǎng)期的數(shù)據(jù)變化趨勢(shì)，通過周期性數(shù)據(jù)的標(biāo)注處理，在隱藏層中不斷積累，進(jìn)而判斷該時(shí)間段的數(shù)據(jù)構(gòu)成的曲線應(yīng)歸于遺忘或是記憶。周期性模型的預(yù)警機(jī)制往往需要考慮到該時(shí)間點(diǎn)之前的幾個(gè)周期的油壓、排量、砂濃度、砂量等參數(shù)。

通過現(xiàn)場(chǎng)試驗(yàn)以及多次參數(shù)調(diào)整優(yōu)化，周期性模型對(duì)脫砂類砂堵風(fēng)險(xiǎn)的預(yù)測(cè)成功率為64%，平均預(yù)警提前時(shí)間延長(zhǎng)至25-35秒，能夠做到對(duì)早期脫砂類砂堵隱患進(jìn)行合理預(yù)警。而對(duì)常規(guī)的以橋堵風(fēng)險(xiǎn)為主的砂堵風(fēng)險(xiǎn)預(yù)測(cè)成功率僅為26-32%，其原因在于周期性模型的預(yù)測(cè)及參數(shù)判斷范圍較為狹窄，其識(shí)別范圍僅包括本周期內(nèi)部或連續(xù)幾個(gè)周期的變化趨勢(shì)，且更偏向于細(xì)微的壓力變化（0.15-0.25Mpa），在壓裂施工過程中的總體掌控能力不如LSTM模型。

3.砂堵預(yù)警模型的應(yīng)用

3.1兩種砂堵預(yù)警模型的整合應(yīng)用測(cè)試

由于兩種砂堵風(fēng)險(xiǎn)預(yù)警模型同時(shí)輸出數(shù)據(jù)，實(shí)時(shí)壓裂過程中會(huì)出現(xiàn)兩個(gè)砂堵風(fēng)險(xiǎn)概率值，不利于現(xiàn)場(chǎng)作業(yè)人員的使用。將兩種模型整合以達(dá)到預(yù)警模塊的高效應(yīng)用。整合規(guī)則為：①當(dāng)LSTM模型預(yù)警值較高（達(dá)到報(bào)警閾值），周期性模型無預(yù)警時(shí)，模塊顯示“橋堵型風(fēng)險(xiǎn)，砂堵概率…%”。②當(dāng)周期性模型預(yù)警值較高（達(dá)到報(bào)警閾值），LSTM模型無預(yù)警時(shí)，模塊顯示“脫砂型風(fēng)險(xiǎn)，砂堵概率…%”。③當(dāng)兩個(gè)模型預(yù)警值均較高時(shí)（均達(dá)到報(bào)警閾值），模塊顯示“綜合型風(fēng)險(xiǎn)，砂堵概率…%”，此處砂堵概率取兩個(gè)值的加權(quán)平均值。

通過規(guī)則設(shè)定，LSTM模型與周期性模型的聯(lián)用得到了解決，并在威202H58、威202H83共計(jì)9口井中進(jìn)行了現(xiàn)場(chǎng)應(yīng)用試驗(yàn)。應(yīng)用結(jié)果表明，通過實(shí)時(shí)標(biāo)識(shí)出風(fēng)險(xiǎn)類型，更有利于輔助現(xiàn)場(chǎng)作業(yè)人員進(jìn)行工況判斷，針對(duì)性更強(qiáng)，兩類砂堵預(yù)警模型的聯(lián)用效果顯著。

3.2.砂堵模型在壓裂實(shí)時(shí)監(jiān)控系統(tǒng)中的應(yīng)用

壓裂實(shí)時(shí)監(jiān)控與遠(yuǎn)程支持系統(tǒng)框架如圖X所示，通過采集傳輸軟件，從壓裂施工現(xiàn)場(chǎng)儀表車內(nèi)實(shí)時(shí)采集施工參數(shù)數(shù)據(jù)，再以網(wǎng)絡(luò)傳輸至基地服務(wù)器，進(jìn)行集中計(jì)算、分析和存儲(chǔ)，展示端通過IP進(jìn)行實(shí)時(shí)訪問。同時(shí)系統(tǒng)還配備有視頻監(jiān)控系統(tǒng)，通過高清攝像頭和網(wǎng)絡(luò)NVR對(duì)壓裂施工現(xiàn)場(chǎng)進(jìn)行動(dòng)態(tài)攝監(jiān)視。最終通過展示端軟件進(jìn)行實(shí)時(shí)壓裂曲線與相應(yīng)技術(shù)支持手段的展示。

壓裂數(shù)據(jù)采集包括壓裂實(shí)時(shí)數(shù)據(jù)、壓裂設(shè)計(jì)數(shù)據(jù)、壓裂動(dòng)態(tài)數(shù)據(jù)三個(gè)方面的采集模塊。其中壓裂實(shí)時(shí)數(shù)據(jù)采集模塊，能夠高效穩(wěn)定的采集油壓、套壓、砂比（砂濃度）、排量、總砂量、總液量等參數(shù)，并自動(dòng)衍生計(jì)算參數(shù)的變化量數(shù)值，為施工監(jiān)控和優(yōu)化提供數(shù)據(jù)支撐。

展示端軟件分為綜合監(jiān)測(cè)（包括實(shí)時(shí)曲線、泵注動(dòng)態(tài)模擬、實(shí)時(shí)數(shù)據(jù)、水力學(xué)算法模型等）、鄰井對(duì)比、統(tǒng)計(jì)分析（時(shí)效統(tǒng)計(jì)、砂液統(tǒng)計(jì)、射孔參數(shù)統(tǒng)計(jì)等）、歷史數(shù)據(jù)等功能。

考慮到作業(yè)人員的使用習(xí)慣，結(jié)合施工現(xiàn)場(chǎng)作業(yè)經(jīng)驗(yàn)，決定將砂堵風(fēng)險(xiǎn)預(yù)警模型集成在壓裂實(shí)時(shí)監(jiān)測(cè)系統(tǒng)中的綜合監(jiān)測(cè)界面，以滾動(dòng)條形式展示砂堵風(fēng)險(xiǎn)概率，并設(shè)置報(bào)警閾值為50%，當(dāng)概率超過閾值，該模塊出現(xiàn)閃爍報(bào)警標(biāo)識(shí)。

3.3模型的現(xiàn)場(chǎng)應(yīng)用效果

砂堵預(yù)警模型經(jīng)歷開發(fā)、測(cè)試、改進(jìn)、應(yīng)用、持續(xù)優(yōu)化等過程，并集成在EasyFrac壓裂實(shí)時(shí)監(jiān)控與遠(yuǎn)程支持系統(tǒng)上，應(yīng)用于壓裂作業(yè)現(xiàn)場(chǎng)。從砂堵模型預(yù)警應(yīng)用情況分析，預(yù)警類型可以分為兩種情況，一是砂堵預(yù)警，即壓裂實(shí)際施工過程中，確實(shí)發(fā)生了砂堵，砂堵模型也提前進(jìn)行了預(yù)警。二是風(fēng)險(xiǎn)預(yù)警，施工過程中油壓出現(xiàn)異常升高現(xiàn)象，但是現(xiàn)場(chǎng)施工時(shí)采取了停砂、降排量等措施后，油壓恢復(fù)正常，砂堵風(fēng)險(xiǎn)出現(xiàn)時(shí)，如果處理不當(dāng)很有可能造成砂堵，這一過程中砂堵模型也進(jìn)行了正確預(yù)警。針對(duì)這兩種報(bào)警類型，選取兩段具有典型特點(diǎn)的施工曲線，對(duì)砂堵預(yù)警進(jìn)行分析。

3.3.1 砂堵風(fēng)險(xiǎn)預(yù)警實(shí)例1

施工曲線如圖6所示，該段在施工過程中發(fā)生了兩次砂堵，砂堵模型也都進(jìn)行了提前預(yù)警。在第一次發(fā)生砂堵前，施工排量為15m3/min，施工壓力在73-76MPa之間，砂堵概率值幾乎為零，在最后一次加砂階段，壓力上升至73.86MPa，比前一個(gè)壓力波峰73.47MPa高了近0.4MPa，開始出現(xiàn)砂堵概率，立即停止加砂，壓力持續(xù)上升，砂堵概率值也逐漸上升，概率值超過了0.5，開始報(bào)警，壓力上升至78.1MPa后，開始降排量，最高壓力上升至87.08MPa，砂堵模型持續(xù)報(bào)警，最高概率值達(dá)到了0.91。

通過注酸后，壓力下降，解堵成功，繼續(xù)加砂施工。前5次加砂都正常，施工排量為13m3/min，施工壓力在72-77MPa之間，砂堵概率值較小，第6次加砂階段，壓力陡然上升，快速超過了前一個(gè)壓力波峰73.4MPa，砂堵概率值激增，開始報(bào)警，停止加砂前壓力上升至75.3MPa，接著開始降排量，壓力最高值上升至81.34MPa，砂堵模型持續(xù)報(bào)警。

3.3.2 砂堵風(fēng)險(xiǎn)預(yù)警實(shí)例2

圖7為該段壓裂施工曲線，該段施工排量為14.6m3/min，壓力在79到81MPa之間，較為平穩(wěn)，砂堵風(fēng)險(xiǎn)報(bào)警出現(xiàn)在頂替液階段，施工壓力突然急劇上升，超過了前幾個(gè)壓力波峰值，砂堵概率也快速增加，超過0.5后開始報(bào)警，壓力持續(xù)上升至82.95MPa，采取降排量措施，降至13m3/min后壓力達(dá)到最高點(diǎn)83.89MPa，壓力開始下降，穩(wěn)定排量在12m3/min，壓力下降至74.5MPa，砂堵風(fēng)險(xiǎn)解除，繼續(xù)施工。

4、結(jié)論

針對(duì)威遠(yuǎn)頁巖氣壓裂作業(yè)現(xiàn)場(chǎng)加砂困難、砂堵風(fēng)險(xiǎn)大、預(yù)測(cè)難度高等問題，基于人工智能與大數(shù)據(jù)挖掘技術(shù)，通過整理區(qū)塊歷史壓裂數(shù)據(jù)中的油壓、排量、砂比等與砂堵相關(guān)性較高的參數(shù)變化趨勢(shì)，進(jìn)行原始數(shù)據(jù)預(yù)處理、指標(biāo)分析、數(shù)據(jù)標(biāo)注、構(gòu)建和訓(xùn)練砂堵預(yù)測(cè)初始模型、算法優(yōu)化及調(diào)參，逐步建立基于LSTM的壓裂砂堵預(yù)測(cè)模型，通過在威202區(qū)塊的大量現(xiàn)場(chǎng)試驗(yàn)應(yīng)用，該模型能夠預(yù)測(cè)92%的橋堵類突發(fā)型砂堵風(fēng)險(xiǎn)。

針對(duì)LSTM壓裂砂堵預(yù)測(cè)模型對(duì)緩慢脫砂類型的砂堵風(fēng)險(xiǎn)預(yù)警成功率不高與提前時(shí)間不足的問題，通過排除段塞式加砂工藝造成的靜液壓力變化，在基于LSTM的壓裂砂堵預(yù)測(cè)模型研究基礎(chǔ)上，建立周期性模型。雙模型聯(lián)動(dòng)預(yù)警的功能支持下，脫砂類砂堵風(fēng)險(xiǎn)的預(yù)警成功率達(dá)到64%，平均預(yù)警提前時(shí)間延長(zhǎng)至25-35秒。

將兩套砂堵風(fēng)險(xiǎn)預(yù)警模型集成在已廣泛應(yīng)用的EasyFrac壓裂實(shí)時(shí)監(jiān)測(cè)與遠(yuǎn)程支持系統(tǒng)中，并在實(shí)時(shí)壓裂曲線綜合監(jiān)測(cè)界面形成砂堵風(fēng)險(xiǎn)預(yù)警子模塊。通過基于LSTM的壓裂砂堵預(yù)測(cè)模型與周期性模型的聯(lián)用，以百分比的形式對(duì)實(shí)時(shí)砂堵風(fēng)險(xiǎn)進(jìn)行預(yù)測(cè)。該組模型具有較高的預(yù)測(cè)精度及時(shí)效性。EasyFrac系統(tǒng)的壓裂大數(shù)據(jù)倉儲(chǔ)庫也可為后續(xù)砂堵風(fēng)險(xiǎn)預(yù)警模型的優(yōu)化與調(diào)參工作進(jìn)行數(shù)據(jù)支持，從而不斷精進(jìn)模型各項(xiàng)功能。

參考文獻(xiàn)：

[1]楊峻捷.深層頁巖氣水平井體積壓裂技術(shù)探析[J].中國(guó)石油和化工標(biāo)準(zhǔn)與質(zhì)量，2021，41（09）：177-178.

[2]趙金洲，彭瑀，李勇明，王雷，張燁，米強(qiáng)波.高排量反常砂堵現(xiàn)象及對(duì)策分析[J].天然氣工業(yè)，2013，33（04）：56-60.

[3] Maxwell S C， Urbancic T I， Falls S D， et al. Real-time microseismic mapping of hydraulic fractures in Carthage， Texas[J]. Seg Technical Program Expanded Abstracts， 2000，19（1）：1449.

[4]常凌云.基于決策樹算法的壓裂井判別及效果預(yù)測(cè)方法研究[J].中國(guó)管理信息化，2021，24（06）：113-114.

[5]李彥尊，白玉湖，陳桂華，徐兵祥，陳嶺，董志強(qiáng).基于人工神經(jīng)網(wǎng)絡(luò)方法的頁巖油氣產(chǎn)量預(yù)測(cè)新技術(shù)——以美國(guó)Eagle Ford頁巖油氣田為例[J].中國(guó)海上油氣，2020，32（04）：104-110.

[6]代海洋. 壓裂砂堵實(shí)時(shí)監(jiān)測(cè)與預(yù)警系統(tǒng)研究與應(yīng)用[D].西南石油大學(xué)，2017.

[7]王奇安. 基于廣泛內(nèi)核的CVM算法研究及參數(shù)C的選擇[D].南京航空航天大學(xué)，2009.

[8]魏敏敏. 機(jī)器學(xué)習(xí)在趨勢(shì)預(yù)測(cè)中的研究及應(yīng)用[D].西安理工大學(xué)，2019.

[9]樊雪瑩. 深度學(xué)習(xí)在文章編輯中智能語義檢查算法的研究[D].西安理工大學(xué)，2019.

[10]李志剛，紀(jì)月，任雄朝.基于LSTM與ARIMA組合模型的高爐煤氣產(chǎn)生量預(yù)測(cè)[J].鑄造技術(shù)，2018，39（11）：2456-2460.

[11]董麗麗，費(fèi)城，張翔，曹超凡.基于LSTM神經(jīng)網(wǎng)絡(luò)的煤礦突水預(yù)測(cè)[J].煤田地質(zhì)與勘探，2019，47（02）：137-143.

作者簡(jiǎn)介：

孫欽瑞，男，1990.05.研究方向：壓裂酸化，本科，長(zhǎng)城鉆探工程技術(shù)研究院，科員