基于智能计算水力压裂施工参数优化.docVIP

基于智能计算水力压裂施工参数优化 　　摘 要：本文研究基于智能计算的压裂施工参数优化方法，在收集、分析了大量储层、压裂、产能数据的基础上，优选出了储层参数、岩石力学参数、压裂施工参数和产能参数等，分别建立了用于裂缝模拟的神经网络专家组和用于产能模拟的神经网络专家组，采用遗传算法优化施工参数，现场应用效果良好，对其他类似区块具有借鉴意义。 　　关键词：压裂；智能计算；压裂参数优化 　　DOI：10.16640/j.cnki.37-1222/t.2017.24.070 　　1 前言 　　传统压裂施工参数的优化是基于数学模型或理论公式的，软件模拟的结果与实际裂缝监测结果都有偏差，软件可信度越来越低。国内外学者对智能计算方法应用于压裂工程已经做了一些探索[1-3]。然而这些研究都仅限于探索阶段，目前未见到成熟的研究成果和应用的相关文献报道。本文首先收集了大量压裂历史数据，优选出储层参数、岩石力学参数、压裂施工参数和产能参数等作为建模的基础，然后分别建立了裂缝模拟神经网络专家组和产能模拟神经网络专家组，最后应用遗传算法优化施工方案，形成了软件并应用于现场。 　　2 方案设计 　　2.1 参数分析与优选 　　通过对目标区块大量压裂施工曲线进行大量观察和总结，发现压裂加砂时按照“五段式”加砂方式进行，即携砂液阶段可按照砂比的不同分为五个阶段。最终确定了储层参数5个（深度、地层压力、渗透率、孔隙度、厚度），岩石力学参数6个（盖层、底层与储层的闭合压力；盖层、底层与储层的杨氏模量），压裂参数12个（排量（RD）、前置液量（V0），第1段～第5段携砂液量（V1～V5）、第1段～第5段砂浓度（C1～C5））。同时，输出参数共6个（动态裂缝长度、支撑裂缝长度、动态裂缝高度、支撑裂缝高度、平均支撑裂缝宽度和无因次导流能力）。 　　考虑到目标区块一般情况下压裂可在一年内有效，故选择研究压裂后300天内的产量递减情况。通过研究和对比发现，目标储层经过压裂措施后基本符合对数递减模型的规律，式子（1）给出了对数递减模型。最终选择输入参数9个（产层闭合应力、产层压力、渗透率、孔隙度、产层厚度、支撑裂缝长度、支撑裂缝宽度、无因次导流能力、生产压差），输出参数2个（Q0， D）。 　　（1） 　　式中 Q―压裂后的日产量，t/d； 　　Q0―压裂后的初始日产量，t/d； 　　D―产量递减率，t/log（d）； 　　t―压裂后的生产时间，d。 　　2.2 模型建立 　　采用BP神经网络和LM算法，Sigmoid函数作为激活函数，并采用委员会机器的思想建立专家组，提高神经网络的精度和稳定性。使用23×10×10×6的双隐层BP神经网络建立裂缝模拟的神经网络专家组，并分成6组数据进行训练。为避免初始权值矩阵的影响，进行共计10次的训练，从中选择性能最佳的网络。类似地，选择使用了5个神经网络建立专家组对产能参数进行预测，最终确定9×10×10×2的双隐层网络结构。 　　最终得到裂缝模拟的神经网络专家组预测平均相对误差为8.87%，比单一网络预测平均相对误差低3.14个百分点，产能模拟的神经网络专家组平均相对误差11.78%，比单一网络平均相对误差小1.03个百分点。 　　2.3 方案优化 　　在压裂施工之前应使用净现值指标建立优化模型，使得压裂施工的NPV最大化，以确保压裂后具有良好的经济效益。建立的优化目标函数如下： 　　（2） 　　其中，RD?榕帕浚?Vl为压裂液量；Vp为支撑剂量。可写成： 　　（3） 　　式中，V0表示前置液量；V1至V5分别表示第1段至第5段的携砂液量；C1至C5分别表示第1段至第5段的支撑剂浓度。If是对应参数搜索空间。 　　采用遗传算法，先对连续空间进行离散，然后对每个参数的离散点位置进行二进制编码。先确定搜索空间离散时的取值间隔及对应的编码位数，每个参数的所有码对应一个基因，12个基因组成染色体，也就是1个个体。最终结果为净现值最大的一代种群的个体按净现值排序组合，决策者可对N个个体进行压裂方案的决策。 　　3 应用 　　针对鄂尔多斯盆地东部区块进行了建模，并进行8层的应用，表2为试验井与历年压裂层平均日产油量和平均日产液量的对比情况，试验井压裂平均日产油量比往年增加了39.01个百分点，日产液量比往年增加11.37个百分点。总体来看，通过现场应用，达到了压裂方案科学决策与参数精细优化、切实提高压裂效果的目的。 　　4 结论 　　本文建立了一套完整的基于智能计算方法的水力压裂参数优化设计，包括裂缝模拟的神经网络专家组、产能模拟的神经网络专家组和基于遗传算法的经济优化模型。裂缝模拟的神经网络专家组预测平均相对误差为8.87%，比单一网络预测平均相对误差低3.14个百分点，产能模拟的神经网