孟雅蕾 賀姍 關(guān)曉琳

摘要：氣井產(chǎn)量評價預(yù)測對氣田高效開發(fā)具有重要意義。由于不同氣井儲層物性及生產(chǎn)特征存在較大差異，因此開發(fā)策略急需改善。針對這一問題，文章提出了一種基于機器學(xué)習(xí)的氣井產(chǎn)量預(yù)測方法。首先，通過對特征參數(shù)進行皮爾遜相關(guān)分析，篩選出用于氣井產(chǎn)量預(yù)測的12種儲層特征。然后，采用改進的ID3算法建立基學(xué)習(xí)器，并采用隨機森林算法對基學(xué)習(xí)器進行優(yōu)化組合。其次，利用訓(xùn)練集數(shù)據(jù)完成模型訓(xùn)練并調(diào)整參數(shù)。最后，對相關(guān)區(qū)塊的儲層進行氣井產(chǎn)量預(yù)測。研究結(jié)果表明，文章提出的氣井產(chǎn)量預(yù)測方法預(yù)測結(jié)果良好，準(zhǔn)確率為95.3%。該預(yù)測方法提高了氣井產(chǎn)量預(yù)測的實效性，降低了人為判斷的主觀性，對氣田產(chǎn)量預(yù)測和開發(fā)策略的制訂具有一定的指導(dǎo)意義。

關(guān)鍵詞：氣井產(chǎn)量；儲層特征；隨機森林；決策樹；ID3

中圖分類號：TP391? ? 文獻標(biāo)識碼：A

文章編號：1009-3044（2024）09-0119-03

開放科學(xué)（資源服務(wù)）標(biāo)識碼（OSID）

全球非常規(guī)油氣資源量占油氣總儲量的 80%，非常規(guī)天然氣資源的勘探、開發(fā)、投產(chǎn)在我國能源安全中發(fā)揮著重要作用[1-2]。中國非常規(guī)天然氣資源儲量大，但儲層物性差、單井產(chǎn)量低，且天然氣儲層非均質(zhì)性強，同一區(qū)域內(nèi)氣井生產(chǎn)特征和生產(chǎn)效果參差不齊[3-4]。因此，對氣井進行合理、精準(zhǔn)、高效的分類預(yù)測，有利于制訂合理開發(fā)措施，降低勘探開發(fā)成本，提高氣田收益。

本文通過特征參數(shù)的皮爾遜相關(guān)分析，篩選出用于氣井產(chǎn)量預(yù)測的12種儲層特征；然后，采用改進的ID3算法建立基學(xué)習(xí)器，并采用隨機森林算法對基學(xué)習(xí)器進行組合；其次，采用訓(xùn)練集數(shù)據(jù)完成模型訓(xùn)練并調(diào)整參數(shù)；最后，對相關(guān)區(qū)塊進行氣井產(chǎn)量預(yù)測。

研究結(jié)果表明，本文提出的氣井產(chǎn)量預(yù)測方法預(yù)測結(jié)果良好，準(zhǔn)確率為95.3%。該研究提高了氣井產(chǎn)量預(yù)測的實效性，降低了人為判斷的主觀性，對氣田產(chǎn)量預(yù)測和開發(fā)策略的制訂具有一定的指導(dǎo)意義。

1 儲層相關(guān)因素分析

1.1 儲層特征

儲層的特征包括了儲層的物性、巖性、含油性、含氣性等方面的特征，這也是儲層預(yù)測的主要方向。儲層巖性是描述儲層礦物質(zhì)組成成分的主要特征，反映了巖層的儲藏性能和儲層特征，常用參數(shù)包括儲層巖石物理結(jié)構(gòu)、分布范圍、儲層厚度等。儲層物性是描述儲層的物理性質(zhì)，廣義上包括了儲集層巖石的骨架性質(zhì)、孔隙性、滲透性、含流體性、熱學(xué)性質(zhì)、導(dǎo)電性、聲學(xué)性質(zhì)、放射性及各種敏感性等；狹義的一般指儲層巖石的孔隙率和滲透率，既物性參數(shù)性質(zhì)、物性空間展布等。

儲層含油氣性主要指儲層內(nèi)的流體性質(zhì)、流體類型等特性。對儲層含油氣性評價，可以利用測井等資料對地找出滲透層，然后對含油性進行評價預(yù)測，識別儲層的油層、氣層、水層、干層等不同層位，就可以對油氣富集區(qū)域即進行預(yù)測，為油氣鉆探指明位置，為開采方案的制定提供參考依據(jù)[5-7]。

1.2 影響因素

本文將氣井產(chǎn)量影響因素分為地質(zhì)、工程、排液因素幾個方面[8-9]：

1） 地質(zhì)因素是儲層的固有特征，包含有效厚度、電阻率、密度、泥質(zhì)含量、泊松比、孔隙度、含氣飽和度、基質(zhì)滲透率、射孔厚度等。

2） 工程因素指與氣井開采過程相關(guān)的各項參數(shù)，包含稠化酸、降阻酸、頂替液、含砂濃度、破裂壓力、停泵壓力、垂向壓力、砂比等。

3） 排液因素可以提升返排效能，達到穩(wěn)定高效地排液。與排液相關(guān)的參數(shù)有關(guān)井油壓、關(guān)井套壓、累計排液量等。

1.3 數(shù)據(jù)處理

原始數(shù)據(jù)的數(shù)據(jù)量大且復(fù)雜程度高、數(shù)據(jù)缺失多，存在一定的異常值。可以進行儲層評價的數(shù)據(jù)類型為連續(xù)型，且評價因素要進行相關(guān)性分析。因此，在評價之前，需要對大量的儲層原始數(shù)據(jù)進行預(yù)處理。

1） 缺失值處理。對原始數(shù)據(jù)進行分析，數(shù)據(jù)缺失高達23.4%，因此采用多重插補法對缺失值進行插補：基于除缺失值外的變量建立線性模型，以此預(yù)測要填補的數(shù)據(jù)[10]。對插補后的數(shù)據(jù)進行分析，未出現(xiàn)明顯異常值，因此多重插補結(jié)果可信度較高，不影響后續(xù)氣井產(chǎn)量預(yù)測。

2） 異常值處理及相關(guān)性分析。對于簡單的異常數(shù)據(jù)（如數(shù)量級差距較大）易于分辨，而對于不明顯的異常，人工篩選效果較差。本文選用箱型法，可迅速判斷單個因素中的異常值，但對于多個因素相關(guān)性較強的情況而言，箱型法得出結(jié)論較片面[11]。在進行異常值判斷時，需找到不同因素彼此之間的關(guān)聯(lián)。對在異常值處理后，采用皮爾遜相關(guān)系數(shù)法對連續(xù)數(shù)據(jù)進行分析[12-13]。

1.4 特征篩選

本文用皮爾遜相關(guān)系數(shù)篩選出用于產(chǎn)量預(yù)測的12種儲層特征。皮爾遜相關(guān)系數(shù)r檢驗兩個變量之間的相關(guān)程度，其中r的取值[-1，1]。假設(shè)兩個儲層特征含氣飽和度和泥質(zhì)含量分別用X和Y表示，Xi、Yi是隨機的樣本值，[X]和[Y]隨機樣本的平均值，則隨機變量X和Y的皮爾遜相關(guān)系數(shù)r的計算公式如式（1） 所示[14-15]：

[r=i=1n（Xi-X）（Yi-Y）i=1n（Xi-X）2i=1n（Yi-Y）2]? ? （1）

優(yōu)質(zhì)儲層是一個相對的概念，并沒有絕對評價指標(biāo)，在不同的氣田和不同的儲層中，評價指標(biāo)也是完全不同的。本文通過研究鄂爾多斯某區(qū)塊目的層12口井、58個顯示層的試氣數(shù)據(jù)，根據(jù)皮爾遜相關(guān)系數(shù)，篩選出的12個儲層特征因素相關(guān)性較小，但對該儲層具有較大影響的特征指標(biāo)，這些儲層特征指標(biāo)的皮爾遜相關(guān)系數(shù)如表1所示。

2 氣井產(chǎn)量預(yù)測算法

我國天然氣資源豐富，市場需求發(fā)展旺盛，創(chuàng)新勘探開發(fā)技術(shù)，實現(xiàn)氣井產(chǎn)量的智能化預(yù)測對增加氣田產(chǎn)能、降低開發(fā)成本和促進氣井管理精細化發(fā)展具有重要意義。近年來，國內(nèi)外專家學(xué)者產(chǎn)出了大量氣井產(chǎn)能預(yù)測的方法。但是由于儲層因素復(fù)雜，每個氣田產(chǎn)量的主控因素都有較大差別，且很多參數(shù)是無法量化的，無法直接加入機器學(xué)習(xí)的預(yù)測模型中。氣井產(chǎn)量作為一個預(yù)測目標(biāo)是一個有監(jiān)督學(xué)習(xí)問題。在氣井產(chǎn)量預(yù)測中，本文選擇使用ID3決策樹和隨機森林這兩種機器學(xué)習(xí)器來進行訓(xùn)練和預(yù)測。

2.1 ID3決策樹

傳統(tǒng)的ID3算法存在傾向選擇取值較多的屬性，因此本文使用改進的ID3算法。首先，基于均衡系數(shù)對ID3算法得到的信息增益進行優(yōu)化；當(dāng)某個條件屬性的取值個數(shù)非常接近總數(shù)時會導(dǎo)致增益率修正補償過度，引入屬性偏向閾Q避免屬性偏向問題；引入均衡系數(shù)的概念，平衡多值偏向?qū)π畔⒃鲆娴挠绊懞托畔⒃鲆嫘拚a償過度；每一次搜索都使用全部數(shù)據(jù)訓(xùn)練樣本，在一定程度上降低了個別噪聲數(shù)據(jù)對構(gòu)建決策樹的影響，改進的ID3算法如下：

[I=-i=1znpjlog2（pj）]? ? ? ? ? ?（2）

[EBj=j=1mpBjIBj=-j=1mZ1j+…+ZmjZi=1npijlog2（pij）]? ? （3）

[GBj=I-E（Bj）]? ? ? ? （4）

其中，[E（Bj）是條件熵]、[GBj]是信息增益[，I]為信息熵，[pij]是指訓(xùn)練集[Zi]中第j類樣本的概率，[ pj]是指訓(xùn)練集[Z]中的任意樣本數(shù)據(jù)元組屬于第j類的概率，[pj=ZjZ]。

[ G'Bj=fm1GBj]? ? ? ? ? （5）

其中，[G'Bj]是對屬性[Bj]的信息增益[GBj]進行修正得到修正信息增益，f（m1）為修正參數(shù)，其中m1表示各決策屬性的取值個數(shù)，[f（m1）=1m1]。

[Q=1m1j=1mE（Bj）]? ? ? ? ?（6）

屬性偏向閾Q通常取值為所有條件熵[E（Bj）]的平均值，m1表示條件屬性的個數(shù)。

[TBj=1m1GBj×1m1E（Bj）1m1GBj+1m1E（Bj）]? ? ? （7）

[GBjnew=GBj×TBj]? ?（8）

均衡系數(shù)[TBj]由修正信息增益[G'Bj]和屬性偏向閾Q得到；優(yōu)化信息增益[GBjnew]利用均衡系數(shù)[TBj]對信息增益[GBj]進行優(yōu)化。

重復(fù)公式（2） -公式（8） ，使用改進的ID3算法，利用優(yōu)選好的儲層特征因素建立基學(xué)習(xí)器。

2.2 隨機森林算法

集成學(xué)習(xí)屬于機器學(xué)習(xí)中的一種思想，通過結(jié)合多個弱學(xué)習(xí)器進行聯(lián)合預(yù)測形成精度更高的模型。隨機森林是一種集成學(xué)習(xí)算法，隨機森林以決策樹為基本單元，通過集成大量的決策樹構(gòu)成了隨機森林。由多個決策樹共同組成的隨機森林模型可以提高最終預(yù)測值的準(zhǔn)確率和健壯性[16-17]。

隨機森林算法中的決策樹能夠?qū)δＰ瓦M行可視化展示，對結(jié)果的控制因素級數(shù)由決策樹的最上層往下層依次減弱[18]。當(dāng)隨機森林模型用于預(yù)測問題時，輸出為所有決策樹輸出值的平均值：

[Q（X）=1Mi=1Mwihij（x）]? ? ?（9）

其中[hi（x）]為每一個子決策樹的輸出，[wi]為子決策樹的權(quán)重，[hij（x）]為[hi（x）]在基學(xué)習(xí)器上的輸出。在使用隨機森林進行基學(xué)習(xí)器組合時，首先在每個訓(xùn)練集上采用隨機森林分類算法獨立地訓(xùn)練出M個預(yù)測結(jié)果，最終采用投票的方式，投票多的決策樹最終進行決策。

[Q（X）=argmaxi=1Mwihi（x）]? ? （10）

3 實驗與分析

本文選取鄂爾多斯某區(qū)塊的12口單井的相關(guān)數(shù)據(jù)作為訓(xùn)練集Y，將數(shù)據(jù)集按照8：2的比例分為訓(xùn)練集和測試集，訓(xùn)練集用于構(gòu)建機器學(xué)習(xí)模型，測試集用于模型預(yù)測和參數(shù)調(diào)整[19-20]。實驗中對隨機森林模型進行調(diào)參，調(diào)參結(jié)果如表2所示：

實驗的運行環(huán)境為Intel Core-i7，內(nèi)存16GB的PC機，操作系統(tǒng)是Windows10，編程語言是Python， 每個實驗獨立運行10次，使用訓(xùn)練后的模型對20%的預(yù)測集進行預(yù)測，預(yù)測值與實際值的對比如圖1所示。

從預(yù)測值和實際值的對比可知，用隨機森林算法構(gòu)建的機器學(xué)習(xí)模型在對測試數(shù)據(jù)做預(yù)測時，預(yù)測值與實際值出現(xiàn)偏差情況較少，預(yù)測值曲線變化趨勢與實際值曲線幾近重合，擬合效果良好，預(yù)測準(zhǔn)確率分別達到了95.3%，本文提出的基于機器學(xué)習(xí)的氣井預(yù)測方法的準(zhǔn)確率和穩(wěn)定性較高。

4 總結(jié)

隨著鄂爾多斯盆地勘探的不斷深入，多變的地質(zhì)條件、日趨復(fù)雜的儲層物性及油水關(guān)系，使得勘探開發(fā)工作變得更富有挑戰(zhàn)和難度。本文提出的基于機器學(xué)習(xí)的氣井產(chǎn)量預(yù)測方法預(yù)測結(jié)果良好，準(zhǔn)確率高、穩(wěn)定性高。該項研究可以提高氣井產(chǎn)量預(yù)測的實效性，降低人為判斷的主觀性，本研究具有良好的推廣應(yīng)用前景，對氣田產(chǎn)量預(yù)測和開發(fā)策略的制訂具有一定的指導(dǎo)意義。

參考文獻：

[1] 劉豪.二氧化碳壓裂地面射流混砂裝置設(shè)計及其性能研究[D].西安：西安石油大學(xué)，2021.

[2] 付金華，牛小兵，李明瑞，等.鄂爾多斯盆地延長組7段3亞段頁巖油風(fēng)險勘探突破與意義[J].石油學(xué)報，2022，43（6）：760-769，787.

[3] 劉長春，楊永興，方鐵園，等.鄂爾多斯盆地頁巖油優(yōu)質(zhì)儲層評價方法[J].錄井工程，2023，34（3）：49-54，62.

[4] 柳潔，田冷，劉士鑫，等.基于復(fù)合機器算法的致密氣井產(chǎn)能預(yù)測模型：以鄂爾多斯盆地SM區(qū)塊為例[J].大慶石油地質(zhì)與開發(fā). 2023（8）：10-18.

[5] WANG H Y.What factors control shale-gas production and production-decline trend in fractured systems：a comprehensive analysis and investigation[J].SPE Journal，2017，22（2）：562-581.

[6] JOSHI K G，AWOLEKE O O，MOHABBAT A.Uncertainty quantification of gas production in the barnett shale using time series analysis[C]//Day 5 Thu，April 26，2018.April 22-26，2018.Garden Grove，California，USA.SPE，2018.

[7] LOLON E，HAMIDIEH K，WEIJERS L，et al.SPE Hydraulic Fracturing Technology Conference - Evaluating the Relationship Between Well Parameters and Production Using Multivariate[C].Spe Hydraulic Fracturing Technology Conference，2016.

[8] 聶云麗，高國忠.基于隨機森林的頁巖氣 “甜點” 分類方法[J].油氣藏評價與開發(fā)，2023，13（3）：358-367.

[9] 劉佳慧.基于數(shù)據(jù)驅(qū)動的多聯(lián)機系統(tǒng)用能評估與診斷[D].武漢：華中科技大學(xué)，2019.

[10] 張文浩，苗苗青，姜鯤鵬，等.中國油氣資源勘探開發(fā)特點、趨勢及生態(tài)管理[J].地質(zhì)與資源，2019，28（5）：454-459.

[11] 張凱兵，馬東佟，孟雅蕾.基于雙源自適應(yīng)知識蒸餾的輕量化圖像分類方法[J].西安工程大學(xué)學(xué)報，2023，37（4）：82-91.

[12] 路兆陽.基于大數(shù)據(jù)分析的致密氣藏氣井產(chǎn)量預(yù)測方法研究[D].成都：西南石油大學(xué)，2019.

[13] VIKARA D，REMSON D，KHANNA V.Machine learning-informed ensemble framework for evaluating shale gas production potential：case study in the Marcellus Shale[J].Journal of Natural Gas Science and Engineering，2020，84：103679.

[14] 祝元寵，咸玉席，李清宇，等.基于大數(shù)據(jù)的頁巖氣產(chǎn)能預(yù)測[J].油氣井測試，2019，28（1）：1-6.

[15] 紀(jì)磊，李菊花，肖佳林.隨機森林算法在頁巖氣田多段壓裂改造中的應(yīng)用[J].大慶石油地質(zhì)與開發(fā)，2020，39（6）：168-174.

[16] 黃家宸，張金川.機器學(xué)習(xí)預(yù)測油氣產(chǎn)量現(xiàn)狀[J].油氣藏評價與開發(fā)期刊， 2021，11（4）：613-620.

[17] 王建波，馮明剛，嚴(yán)偉，等.焦石壩地區(qū)頁巖儲層可壓裂性影響因素及計算方法[J].斷塊油氣田，2016，23（2）：216-220，225.

[18] 陳桂華，肖鋼，徐強，等.頁巖油氣地質(zhì)評價方法和流程[J].天然氣工業(yè)，2012，32（12）：1-5，123.

[19] 陳桂華，肖鋼，徐強，等.頁巖油氣地質(zhì)評價方法和流程[J].天然氣工業(yè)，2012，32（12）：1-5，123.

[20] 馬永生，蔡勛育，趙培榮.中國頁巖氣勘探開發(fā)理論認識與實踐[J].石油勘探與開發(fā)，2018，45（4）：561-574.

【通聯(lián)編輯：梁書】