SPE中文翻译（SPE217781）-人工智能辅助压裂水击效应分析.docxVIP

PAGE

PAGE1

人工智能辅助压裂水击效应分析

SPE-217781-MS

Machine-LearningAssistedAnalysisofFracWaterHammer

作者：StanislavSheludko,AramcoAmericas,Houston,TX,USA;ElspethCrawford,MaksimOparin,andFaisalAleid,SaudiAramco,Dhahran,KingdomofSaudiArabia

摘要：这项工作的目的是评估压裂水击特征是否具有代表性。水平井中重要的水力裂缝和储层特性，以及这些特性是否可以输入到机器学习模型中，开展预测。水击是一种振荡压力信号，由于井筒流体速度的突然变化而产生，例如在压裂结束时当泵速迅速降至零时的处理。

作者在python中开发了一种自动识别表面压力和流体流速的算法，对原始数据中的通道进行速率检测并标记泵注结束过程，解析出水击效应和来自原始数据的压力下降信号。然后使用数值优化算法，利用近似、修正的阻尼正弦波方程从压力信号中提取水击特性。将导出的方程系数用作随机森林分类模型中的输入（特征），以对水平井生产剖面的单个裂缝阶段贡献进行分类。

生产测井工具（PLT）测试结果的数据基础是8口非常规水平井78段秒点数据。水击特性以及每个阶段的理论曲线与实际曲线的参数是相匹配的，例如信号、衰减率、相位角、角频率、峰值数量等，这些均被用作建模的特征值。70%的数据用于训练集，30%的数据用于测试集。训练随机森林分类模型，用于水平井中的各个裂缝阶段，用以区分是否对生产有贡献。该模型根据测试集进行了验证，总体测试分类准确率为0.71，F1得分为0.72。

研究表明，通过曲线匹配技术获得的压力值信号开展水击现象分析，对表征水平井各压力段对产量的贡献程度是非常有用的。

正文

水击是由井筒流体速度突然变化产生的振荡压力信号，例如瞬时停泵，排量迅速降至零。停泵后，每个压裂阶段的施工曲线都会记录几分钟的压力下降过程，包括水击特征。施工方每年都会收集大量此类压力下降数据，但这些数据很少被用于后期分析。

先前论文和科学界的评估考虑了不同的波动特性，以展示所创建的裂缝网络和井筒连通性的要素。Carey等人（2015）的建模首次利用并证明了井筒连接的特性应用。在他们的工作中，Carey等人开发了一个数值模型来模拟水击特征。带有水力裂缝的井筒由电阻（R）、电容（C）和惯性（I）串联的电路表示。然后，通过迭代地改变R、C和I的值，他们获得了现场和模拟数据之间的匹配。在获得匹配后，他们进行了灵敏度分析，以评估每个参数对水击信号行为的影响。根据模拟分析，认为水击压力特征受到所产生裂缝的影响。Iriarte等人（2017）在他们的工作中分析了美国3个不同区块的100多口井的数据集。他们通过计算衰减率、振幅、持续时间和周期来表征水击特征。为了计算衰减率，他们获得了指数衰减函数与水击峰值的最佳拟合（方程1）。图1总结了获得最佳拟合和推导衰变率系数的过程。一旦获得参数，他们通过在水击参数和每段特征参数之间建立相关性，分别评估井筒、增产效果。他们发现，振幅与每级射孔数量、排量和摩擦力密切相关，而持续时间和衰减速率与流体类型、流体体积和增加的裂缝网络复杂性相关。我们工作中查询到的井和裂缝处理都有类似的处理设计、流体类型和井筒结构，这使我们能够消除井筒和压裂液影响，并专注于由水击信号表征的地层和裂缝网络影响。

其中A是振幅，λ是衰减常数，t是时间。

图1.指数衰减函数与水击特征峰值的最佳拟合

方法

水击特征分析流程

我们的研究侧重于通过应用优化算法来确定水击特性，并基于修正的阻尼正弦方程获得实际现场数据与建模曲线之间的匹配。

本研究中使用的数据集包括由几家压裂服务提供商进行的17口水平井分段压裂的210个压裂阶段的现场处理数据。典型的阶段数据文件由表格格式的CSV或文本文件表示，其中包含多个压裂处理数据通道，如表面压力、泵速、支撑剂浓度和其他通道，是秒点数据。

在分析的第一阶段，我们从原始现场数据中推导出了水击特征参数。尽管某些阶段发生了停泵的事件，但我们的研究侧重于处理结束时水击特征的一致性。根据这一阶段的数据，还获取了一些额外的水击参数，如峰值、波谷和水击持续时间。

为此，开发了一个python脚本，包括以下步骤：

加载处理数据并识别表面压力和泥浆速率数据通道。在此步骤中，我们面临的一个重大挑战是不同压裂服务提供商的数据通道命名不一致。使用词干/匹配技术来识别压力和速率通道，尽管可能需要更稳健的机器学习模型来推广和扩展工作流程。

使用基于规则的算法和机器学习模型的组合，识别停泵过程，并在压裂阶段结束时解析出水击特征和压