摘要: 在低渗致密油气藏资源与低产井开发过程中,水力压裂是增产改造的主要技术手段。对压裂施工全过程的实时监控并对施工风险进行实时识别是保证压裂成功的必要手段。依托现有的EasyFrac系统和威远页岩气龙马溪组储层压裂地质数据,开展了基于大数据挖掘技术的砂堵模型研究,通过进行人工标注、参数分析、模型构建、模型训练、线下测试,构建了针对桥堵类砂堵风险的基于LSTM的压裂砂堵预测模型;并深入研究以页岩气为主的非常规储层段塞式加砂的作业特点,进一步构建了针对脱砂类砂堵风险的周期性压裂砂堵预测模型。现场实际应用表明,两套压裂砂堵模型的联用,能够预测92%的桥堵类砂堵风险与64%的脱砂类砂堵风险,平均预警提前时间25-35秒,为现场压裂技术人员提供了科学高效的砂堵风险预测手段。
关键词:水力压裂;砂堵;风险预警;LSTM预测模型;周期性模型
1. 引言
水力压裂是低渗透油气藏资源开发中的主要技术手段,在页岩气、致密砂岩气、煤层气开发中应用愈发广泛。通过在目的层中泵入高速流体,形成水力裂缝,并以追加支撑剂的方式,提高填砂裂缝的导流能力。砂堵是水力压裂过程中常见的事故之一,深层页岩气页岩层水平方向的应力以及地应力更高,并且层理裂縫分布复杂[1],更容易发生砂堵。造成砂堵的原因很多,如压裂液滤失过大,导致端部脱砂、压裂液提前破胶、加砂梯度提升过快、缝宽过窄等。从产生机理上分类,可分为支撑剂过早沉降的脱砂类砂堵与支撑剂通过宽度不足的桥堵类砂堵两类[2]。
目前,国内外已有部分学者和机构对砂堵风险预警进行了研究。国外哈里伯顿、斯伦贝谢、威德福等公司开发的压裂监测系统[3]。斯伦贝谢的SpectraSphere井下流体实验室,可以在钻井作业中获取高精度的流体成分数据,并形成数据仓储库,灵活运用大数据建模为使用者提供分析支持,减免了为其数周的实验室分析流程。大庆油田常凌云建立了一种基于人工智能的重复压裂井筛选方法,运用大数据分析的手段从不同层位、有效厚度、注水情况等相关方面进行研究[4]。李彦尊等利用数据挖掘、机器学习等手段,建立了大数据压裂参数优化方法, 通过多元回归等方法分析参数关系 ,建立和训练机器学习预测模型,对压裂参数进行优化,并对产量进行预测评价[5]。代海洋通过优选GRNN神经网络算法,建立了依托时间序列的砂堵预警系统,并配套数据库[6]。
随着近些年人工智能技术的发展与大数据应用的普及,在石油行业中推广应用大数据技术成为行业发展的趋势。通过开展人工智能研究,构建大数据仓储库,用科学高效的方法丰富行业技术支持手段显得尤为重要。现有的压裂实时监控与远程支持系统(EasyFrac),能够实时采集传输并存储压裂施工数据,并对施工曲线进行实时展示,有效解决专家资源无法集中,多井同步压裂作业难以集中决策的问题。压裂行业人工智能大数据技术应用较少,因此,近两年期间,通过组建专业研发团队,参与钻完井新技术前期研究、虚拟现实与人工智能技术在工程技术作业过程支持研究应用等系列科研项目,在现有EasyFrac压裂实时监测与远程支持系统的基础上,开展了压裂大数据仓库建设与压裂风险预警等技术攻关,旨在运用大数据挖掘技术丰富压裂现场作业技术支持手段。
2.基于大数据挖掘技术的压裂砂堵模型研究
根据油压、砂比(砂浓度)、排量、累计加砂量、加砂方式等参数,并通过人工标注过去发生的砂堵或砂堵隐患历史数据,在压裂过程中提前预测下一段时间内发生砂堵的隐患,并给出当前发生砂堵概率。模型需要预测未来一段时间的参数变化趋势,由此可知该砂堵预警是一个时间序列问题,基于对未来变化趋势的预测,结合分类算法,判断未来发生砂堵概率。
2.1基于LSTM的压裂砂堵模型研究
大数据挖掘需要对数据进行机器学习,分析数据规律,在威远页岩气区块地质条件与工程参数相似的压裂平台,通过历史数据的学习对未知数据进行预测或者分类。长短时记忆网络(LSTM)是机器深度学习中的一种特殊的循环神经网络方法,与传统的循环神经网络RNN相比,模拟时序更加精确,并且具有长期依赖关系[7]。
2.1.1 LSTM模型构建思路
LSTM模型的主要特点是采用了记忆块替代了RNN模型中的隐含节点,确保梯度在传递跨越很多时间步骤之后不会消失或爆炸,从而克服了RNN模型在训练中梯度消失的问题。LSTM模型由输入门、输出门、遗忘门和一个记忆细胞(cell)组成,输入门表示是否允许新信息进入到当前内部记忆单元中,遗忘门表示是否保留当前内部记忆单元存储的历史信息;输出门表示是否将当前节点响应值输出到下一层[8]。
LSTM模型内部结构如图5所示,h为隐藏层,c为控制层,在任意t时刻,神经网络有三个输入,即当前t时刻该序列的输入值xt,上一时刻隐藏层h的输出值ht-1,上一时刻控制层c的输出值ct-1;同时当前时刻也有两个输出值,即隐藏层h的输出值ht,控制层c的输出值ct[9] 。
LSTM模型的计算方法和过程如下:
式中,it、ft、ct、ot、ht分别为输入门、遗忘门、记忆细胞、输出门和隐藏层在t时刻的输出[10], 为t时刻的输入, 为不同参数之间的权值矩阵, 表示不同单元的偏置, 表示sigmoid激活函数,tanh表示hyperbolic tangent函数。
构建压裂砂堵长短时记忆模型主要包括三个步骤:1、对原始数据进行预处理;2、构建基于LSTM的压裂砂堵预测模型,并通过训练集对砂堵预测模型进行训练;3、测试模型的预测准确率。在实际预测时,向砂堵预测模型输入油压、排量、砂浓度、累计加砂量等砂堵特征,得到相应的预测结果,预测结果为砂堵风险或无砂堵风险。
2.1.2原始数据预处理方法
(1)从压裂现场采集的原始数据中所有的砂堵特征组成一个p维的砂堵特征集合,包含油压、套压、排量、砂比、输砂总量、总液量、时间等参数,将原始数据中所有的实际砂堵结果组成一个1维的实际砂堵结果集合;