基于GA-BP神經(jīng)網(wǎng)絡(luò)的長寧地區(qū)頁巖氣水平井產(chǎn)能預(yù)測技術(shù)

陳 娟, 黃浩勇, 劉俊辰, 曾 波, 楊昕睿

(1.中國石油西南油氣田公司頁巖氣研究院，成都 6100017； 2.中國石油西南油氣田公司四川頁巖氣公司，成都 610017)

頁巖氣以其儲量豐富、開采潛力巨大在世界能源中占有重要地位。四川盆地頁巖氣資源豐富，具有廣闊開采前景，是中國天然氣規(guī)模生產(chǎn)的重要組成部分[1-4]。目前，頁巖氣井水平井產(chǎn)能預(yù)測技術(shù)仍處于起步階段。產(chǎn)能預(yù)測是實現(xiàn)頁巖氣藏經(jīng)濟效益開發(fā)的關(guān)鍵科學(xué)問題，準(zhǔn)確預(yù)測進行體積壓裂后水平頁巖氣井的產(chǎn)能是確定合理開發(fā)決策的重要前提，對四川盆地頁巖氣田勘探開發(fā)進程具有重要意義。

目前，中外專家從不同角度對頁巖氣井產(chǎn)能開展了相關(guān)研究，主要有經(jīng)驗圖版、解析模型和數(shù)值模型等3種方法[5]。Li等[6]建立了Barnett頁巖氣藏雙曲線遞減圖版，并利用圖版對Barnett頁巖氣藏超過8 700口水平井進行了分組評價。李龍龍等[7]基于半解析方法，建立了頁巖氣井體積壓裂產(chǎn)能計算模型。Yu等[8]考慮了應(yīng)力敏感和吸附解析的作用，采用數(shù)值模擬方法建立頁巖氣壓裂水平井產(chǎn)能預(yù)測模型。通過經(jīng)驗法、解析法以及數(shù)值模擬法對頁巖氣產(chǎn)能進行描述和評估[9-14]，推動了頁巖氣產(chǎn)能研究的理論進步，在解決實際問題中，均提供了巨大的幫助。但是，由于研究方法主要基于理論模型，需要理想化假設(shè)條件和不易得到的參數(shù)，同時，在排采測試初期，缺乏歷史擬合數(shù)據(jù)，無法應(yīng)用理論模型開展產(chǎn)量預(yù)測，且受地質(zhì)與工程參數(shù)的綜合影響，地質(zhì)參數(shù)和壓裂工程參數(shù)與頁巖氣水平井產(chǎn)量之間存在復(fù)雜的非線性關(guān)系，常規(guī)的線性回歸方法預(yù)測精度較低。

人工神經(jīng)網(wǎng)絡(luò)是在生物學(xué)研究基礎(chǔ)上發(fā)展起來的新型信息處理網(wǎng)絡(luò)系統(tǒng)，具有通過學(xué)習(xí)獲取知識并解決問題的能力，是一種通過自學(xué)習(xí)的方法求解復(fù)雜非線性問題的有效方法。近些年來，一些學(xué)者[15-17]用人工神經(jīng)網(wǎng)絡(luò)來解決油田實際生產(chǎn)過程中的一些復(fù)雜性及模糊性的參數(shù)預(yù)測問題。2011年Arabjamaloei[18]利用人工神經(jīng)網(wǎng)絡(luò)方法開展了機械鉆速的預(yù)測，訓(xùn)練樣本有330組，實際預(yù)測準(zhǔn)確度可以達到74%。2012年，雪佛龍采用Hadoop技術(shù)來實現(xiàn)地震數(shù)據(jù)分析[19]，可以快速準(zhǔn)確地定位油藏的位置，顯著降低了地震數(shù)據(jù)處理的時間和花費。2013年，英國石油公司也采用類似的技術(shù)，采用更高性能計算中心，對地震成像進行模擬和處理，以估算油藏狀況，使團隊更好地了解地下情況，減少地震數(shù)據(jù)分析時間，并在鉆井之前提供更精細(xì)的地層信息[19]。2016年，田亞鵬等[20]根據(jù)遺傳算法改進的反向傳播(back propagation,BP)神經(jīng)網(wǎng)絡(luò)，建立了以時間、累計產(chǎn)量、地層壓力作為輸入層，頁巖氣日產(chǎn)量作為輸出層的頁巖氣產(chǎn)量遞減預(yù)測模型，產(chǎn)量預(yù)測精度較高。2017年，朱紅等[21]提出了一種適用于高維小規(guī)模頁巖氣儲層改造產(chǎn)量預(yù)測的自適應(yīng)閾值去噪法神經(jīng)網(wǎng)絡(luò)模型(ATD-BP)，該模型首先利用自適應(yīng)閾值去噪法(adaptive treshold denoising,ATD)算法去除噪聲，再運用BP神經(jīng)網(wǎng)絡(luò)對儲層改造數(shù)據(jù)進行非線性擬合，得到頁巖氣井產(chǎn)量預(yù)測模型，與傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)模型相比，該預(yù)測模型有效提高了預(yù)測的準(zhǔn)確率和穩(wěn)定性。2017年Manshad[22]采用多層神經(jīng)網(wǎng)絡(luò)開展了機械鉆速的預(yù)測，通過332組參數(shù)的訓(xùn)練，最終預(yù)測精度達到96.2%。2019年，張遠(yuǎn)汀等[23]應(yīng)用機器學(xué)習(xí)技術(shù)預(yù)測強雨雪天氣過程中的積雪；2019年，Zhao等[19]鑒于傳統(tǒng)油氣生產(chǎn)的復(fù)雜性和不確定性以及難度，提出了一種基于大數(shù)據(jù)挖掘的潛在解決方案。通過大數(shù)據(jù)分析和處理，可以對油氣井生產(chǎn)狀態(tài)進行診斷、預(yù)測和警告。

在頁巖氣田開發(fā)過程中，解決眾多地質(zhì)、工程參數(shù)與頁巖氣井產(chǎn)能之間的非線性問題是BP神經(jīng)網(wǎng)絡(luò)的重要挑戰(zhàn)之一。首先利用灰色關(guān)聯(lián)度計算影響頁巖氣壓后產(chǎn)能的地質(zhì)和工程因素的權(quán)重，然后利用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，通過數(shù)據(jù)挖掘技術(shù)直接從地質(zhì)參數(shù)和工程參數(shù)入手，突破傳統(tǒng)理論模型的局限，建立長寧地區(qū)頁巖氣藏體積壓裂水平井產(chǎn)能預(yù)測模型，提高頁巖氣水平井產(chǎn)能預(yù)測效率和精度。

1 壓裂產(chǎn)能影響參數(shù)優(yōu)選

影響頁巖體積壓裂井產(chǎn)能的因素有很多，包括總有機碳含量(total organic carbon,TOC)、孔隙度、含氣量、脆性礦物指數(shù)、I類儲層鉆遇長度、巷道位置距離優(yōu)質(zhì)頁巖底部等地質(zhì)參數(shù)，單井百米液量、單井百米砂量、平均分段段長、排量、脆性礦物指數(shù)、巷道位置距離優(yōu)質(zhì)頁巖底部、平均停泵壓力、井筒完整性等工程參數(shù)。為研究頁巖氣井體積壓裂后產(chǎn)能與各因素之間的關(guān)系，利用灰色關(guān)聯(lián)度確定影響長寧地區(qū)57口頁巖氣水平井壓后產(chǎn)量的主控因素及權(quán)重，為下一步的神經(jīng)網(wǎng)絡(luò)產(chǎn)能預(yù)測模型提供重要的指導(dǎo)。

1.1 灰色關(guān)聯(lián)理論

灰色關(guān)聯(lián)方法的基礎(chǔ)是灰色系統(tǒng)理論，能夠統(tǒng)計多種因素之間的關(guān)聯(lián)度。多因素之間的關(guān)聯(lián)度是通過計算參考數(shù)列和比較數(shù)列的關(guān)聯(lián)系數(shù)來實現(xiàn)，若參考數(shù)列和比較數(shù)列變化趨勢不一致，則說明關(guān)聯(lián)度較低，反之關(guān)聯(lián)度較強。

設(shè)X0={X0(k)|k=1,2,…,n}為參考數(shù)列，Xi={Xi(k)|k=1,2,…,n}(i=1,2,…,m)為比較數(shù)列，其中m表示因素個數(shù)，n表示每個因素的實驗次數(shù)。灰色關(guān)聯(lián)度分析方法的具體計算步驟如下。

(1)數(shù)據(jù)無因次化。

(1)

(2)求差序列記。

(2)

(3)計算兩級最大差M與最小差m。

(3)

(4)

(4)計算關(guān)聯(lián)系數(shù)。

(5)

式(5)中：ξ∈(0,1)，一般ξ=0.5。

(5)計算灰色關(guān)聯(lián)度。

(6)

1.2 產(chǎn)能影響因素關(guān)聯(lián)度排序

將TOC、含氣量、孔隙度、脆性礦物指數(shù)、巷道位置距離優(yōu)質(zhì)頁巖底部、Ⅰ類儲層鉆遇長度、平均分段段長、排量、單井百米液量、單井百米砂量、平均停泵壓力、井筒完整性等參數(shù)與測試產(chǎn)量的關(guān)聯(lián)度進行排序，如圖1所示。通過計算得到的各因素對單井測試產(chǎn)量的影響程度由大到小排序依次為：TOC>單井百米液量>單井百米砂量>脆性礦物指數(shù)>含氣量>Ⅰ類儲層鉆遇長度>孔隙度>平均停泵壓力>巷道位置距離優(yōu)質(zhì)頁巖底部>排量>平均分段段長>井筒完整性；TOC的關(guān)聯(lián)度最高，井筒完整性的關(guān)聯(lián)度最??；關(guān)聯(lián)度在0.7以上有TOC、單井百米液量、單井百米砂量、脆性礦物指數(shù)4個參數(shù)。據(jù)推斷，在與測試產(chǎn)量相關(guān)的地質(zhì)工程參數(shù)中，TOC含量非常關(guān)鍵，同時頁巖氣水平井體積壓裂的規(guī)模和復(fù)雜程度對頁巖氣水平井的開發(fā)初期影響更大。

圖1 影響產(chǎn)量的因素與測試產(chǎn)量的關(guān)聯(lián)度大小排序Fig.1 Sorting the degree of correlation between factors affecting production and test production

將TOC、含氣量、孔隙度、脆性礦物指數(shù)、巷道位置距離優(yōu)質(zhì)頁巖底部、Ⅰ類儲層鉆遇長度、平均分段段長、排量、單井百米液量、單井百米砂量、平均停泵壓力、井筒完整性等參數(shù)與3個月累產(chǎn)量的關(guān)聯(lián)度進行排序，如圖2所示。通過計算得到的各因素對單井測試產(chǎn)量的影響程度由大到小排序依次為：TOC>單井百米液量>脆性礦物指數(shù)>單井百米砂量>巷道位置距離優(yōu)質(zhì)頁巖底部>平均停泵壓力>含氣量>孔隙度>Ⅰ類儲層鉆遇長度>平均分段段長>排量>井筒完整性；TOC的關(guān)聯(lián)度最高，井筒完整性的關(guān)聯(lián)度最小；關(guān)聯(lián)度在0.7以上的有TOC、單井百米液量、單井百米砂量、脆性礦物指數(shù)等4個參數(shù)，其中TOC含量相關(guān)性還是最高。與地質(zhì)參數(shù)相比，壓裂工程參數(shù)在此階段與3個月累產(chǎn)的相關(guān)性更大。據(jù)推斷，頁巖氣水平井體積壓裂的規(guī)模和復(fù)雜程度對頁巖氣水平井的開發(fā)初期影響更大。

圖2 影響產(chǎn)量的因素與3個月累產(chǎn)量的關(guān)聯(lián)度大小排序Fig.2 Sorting the relationship between factors affecting production and the production of three months

將TOC、含氣量、孔隙度、脆性礦物指數(shù)、巷道位置距離優(yōu)質(zhì)頁巖底部、Ⅰ類儲層鉆遇長度、平均分段段長、排量、單井百米液量、單井百米砂量、平均停泵壓力、井筒完整性等參數(shù)與12個月累產(chǎn)量的關(guān)聯(lián)度進行排序，如圖3所示。通過計算得到的各因素對單井測試產(chǎn)量的影響程度由大到小排序依次為：TOC>Ⅰ類儲層鉆遇長度>孔隙度>含氣量>脆性礦物指數(shù)>平均停泵壓力>單井百米砂量>巷道位置距離優(yōu)質(zhì)頁巖底部>排量>單井百米液量>平均分段段長>井筒完整性；TOC的關(guān)聯(lián)度最高，井筒完整性的關(guān)聯(lián)度最?。魂P(guān)聯(lián)度在0.7以上的有TOC和Ⅰ類儲層鉆遇長度2個參數(shù)。與地質(zhì)參數(shù)相比，壓裂工程參數(shù)在此階段與12個月累產(chǎn)的相關(guān)性顯著下降，基本處于關(guān)聯(lián)度排序的后半段。據(jù)推斷，頁巖氣藏地質(zhì)條件對頁巖氣水平井的開發(fā)穩(wěn)產(chǎn)階段影響更大。

圖3 影響產(chǎn)量的因素與12個月累產(chǎn)量的 關(guān)聯(lián)度大小排序Fig.3 Sorting the relationship between factors affecting production and the production of twelve months

2 GA-BP神經(jīng)網(wǎng)絡(luò)

2.1 BP神經(jīng)網(wǎng)絡(luò)基本原理

BP神經(jīng)網(wǎng)絡(luò)是一種自學(xué)習(xí)的非線性擬合建模方法，根據(jù)輸入的訓(xùn)練樣本，即可自動適應(yīng)和確定各神經(jīng)元的連接權(quán)重[19]。通過神經(jīng)網(wǎng)絡(luò)系統(tǒng)進行多次訓(xùn)練后，神經(jīng)網(wǎng)絡(luò)的各層權(quán)值將存儲擬合信息，該擬合信息是從樣本數(shù)據(jù)集中提取而來的。最終，通過輸入數(shù)據(jù)和權(quán)值的運算即可得到所需的預(yù)測值。

盡管BP神經(jīng)網(wǎng)絡(luò)具有很多優(yōu)點，比如計算量小和并性強等，但是它的網(wǎng)絡(luò)收斂速度慢，造成學(xué)習(xí)效率低，可能會使神經(jīng)網(wǎng)絡(luò)性能變差，甚至無法使用。需要尋求一種方法來克服BP神經(jīng)網(wǎng)絡(luò)的缺點，通過遺傳算法來對BP算法進行優(yōu)化。

2.2 GA-BP神經(jīng)網(wǎng)絡(luò)算法

遺傳算法是通過迭代算法實現(xiàn)計算的，是在全局內(nèi)進行優(yōu)化搜索的一種算法[20]。利用基因編碼的染色體來組成一個種群，該種群即表示遺傳算法中需要求解的問題集。通過選擇、交叉以及變異的遺傳操作方法和選擇適應(yīng)度函數(shù)來對每個染色體進行處理，淘汰適應(yīng)度值差的染色體。如此反復(fù)循環(huán)，直到達到所要求的條件。遺傳算法參數(shù)關(guān)系如圖4所示。

圖4 遺傳算法參數(shù)關(guān)系示意Fig.4 Schematic of genetic algorithm parameters

GA-BP神經(jīng)網(wǎng)絡(luò)充分利用遺傳算法和神經(jīng)網(wǎng)絡(luò)的優(yōu)點，在神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值計算階段，利用遺傳算法對其進行優(yōu)化，獲得更加準(zhǔn)確的模型初值，避免發(fā)生收斂速度慢、局部最小值等問題。

GA-BP神經(jīng)網(wǎng)絡(luò)優(yōu)化算法的主要流程如下：

(1)對原始數(shù)據(jù)進行編碼，建立初始種群。

(2)建立適應(yīng)度函數(shù)。將預(yù)測的測試產(chǎn)量數(shù)據(jù)Ok與實際測試產(chǎn)量數(shù)據(jù)Yk之間的誤差平方和定義為E(i)，將E(i)的倒數(shù)設(shè)定為適應(yīng)度函數(shù)f(i)，適應(yīng)度越大，則預(yù)測精度越高。

(7)

(3)選擇操作。首先計算每口訓(xùn)練井的適應(yīng)度之和，定義為F，并由式(9)得到每口訓(xùn)練井的相對適應(yīng)度pk，并以此作為該個體遺傳到下一代種群中的概率。

(8)

(9)

(4)交叉操作。采用算術(shù)交叉算子，交叉操作示意如圖5所示。

(5)變異操作。采用變異算子產(chǎn)生新個體，變異操作示意如圖6所示。

(6)輸出結(jié)果并設(shè)置BP網(wǎng)絡(luò)的初始權(quán)值與閾值。

設(shè)置兩種判斷條件終止計算:①設(shè)定最大迭代次數(shù)，迭代到最大代數(shù)時計算自動停止；②設(shè)置誤差最小值，當(dāng)滿足誤差要求，停止計算。此時輸出最優(yōu)的BP網(wǎng)絡(luò)初始權(quán)值與閾值。

綜上，GA-BP神經(jīng)網(wǎng)絡(luò)算法流程圖如圖7所示。

圖5 交叉操作示意Fig.5 Cross operation diagram

圖6 變異操作示意Fig.6 Variation operation diagram

圖7 GA-BP神經(jīng)網(wǎng)絡(luò)算法流程Fig.7 GA-BP neural network algorithm flow

3 頁巖氣產(chǎn)能預(yù)測模型

3.1 主控參數(shù)的選擇

為了保證頁巖氣產(chǎn)能預(yù)測模型的真實有效性，樣本數(shù)據(jù)來源于長寧地區(qū)已壓裂井的統(tǒng)計數(shù)據(jù)，保證了模型的可靠性。本模型的樣本庫數(shù)據(jù)來自于長寧A2、A3、A4、A5、A6等11個平臺的57口井?dāng)?shù)據(jù)，部分參數(shù)如表1所示。

3.2 模型初始化

常規(guī)氣藏壓裂后影響產(chǎn)能的主要參數(shù)有儲層厚度、滲透率、裂縫條數(shù)、裂縫半縫長等，而由于頁巖氣藏基質(zhì)滲透率極低，無自然產(chǎn)能，必須通過水力壓裂才能實現(xiàn)商業(yè)開采，因此常規(guī)參數(shù)無法充分考慮頁巖氣井產(chǎn)量特征。

選取影響頁巖氣井產(chǎn)能的地質(zhì)參數(shù)和工程參數(shù)作為模型的指標(biāo)參數(shù)[24-29]，其中影響頁巖氣井產(chǎn)能的地質(zhì)參數(shù)指標(biāo)為TOC、含氣量、有效孔隙度、脆性礦物含量、地層壓力等5個參數(shù)，其中脆性礦物含量由脆性礦物指數(shù)替代，由于水平井段的鉆井液密度同地層壓力存在相關(guān)，地層壓力可由鉆井液密度替代；影響頁巖氣水平井體積壓裂改造效果的重要工程參數(shù)為巷道位置距離優(yōu)質(zhì)頁巖底部距離、Ⅰ類儲層鉆遇長度、有效改造段長度、平均分段段長、泵壓、總液量、總砂量、平均單段砂量、100目粉砂總量、40/70目陶粒用量、平均停泵壓力、井筒完整性等參數(shù)。

圖8 GA-BP神經(jīng)網(wǎng)絡(luò)算法結(jié)構(gòu)圖Fig.8 GA-BP neural network algorithm structure

產(chǎn)能預(yù)測模型選用經(jīng)典的3層神經(jīng)網(wǎng)絡(luò)模型來構(gòu)建。其中17個與產(chǎn)能相關(guān)的地質(zhì)及工程參數(shù)作為輸入?yún)?shù)，則輸入層節(jié)點個數(shù)為17；頁巖氣井壓裂后測試產(chǎn)量作為輸出參數(shù)，則設(shè)定輸出層節(jié)點個數(shù)為1。經(jīng)過多次試驗，本網(wǎng)絡(luò)的隱含層節(jié)點數(shù)確定為35，最終構(gòu)建的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)圖如圖8所示。根據(jù)模型調(diào)試計算的結(jié)果和經(jīng)驗，本模型設(shè)定的最大訓(xùn)練次數(shù)為10 000次，訓(xùn)練要求的精度為0.000 01。綜合考慮模型的精度和穩(wěn)定性要求，將學(xué)習(xí)速率設(shè)定為0.05，種群規(guī)模設(shè)定為80，進化次數(shù)設(shè)定為20，交叉概率設(shè)定為0.4，變異概率設(shè)定為0.2。利用實數(shù)編碼方式來編碼閾值、權(quán)值，采用遺傳算法優(yōu)化獲得個體最優(yōu)解，作為BP網(wǎng)絡(luò)的初始權(quán)值和閾值。

綜上，基于MATLAB軟件平臺，選用經(jīng)典三層BP神經(jīng)網(wǎng)絡(luò)模型，利用遺傳算法對各層間權(quán)值和層內(nèi)閾值進行了優(yōu)化，結(jié)合長寧地區(qū)已生產(chǎn)井的地質(zhì)、工程參數(shù)和產(chǎn)量數(shù)據(jù)，構(gòu)建了頁巖氣水平井體積壓裂產(chǎn)能預(yù)測模型。

3.3 模型參數(shù)訓(xùn)練

為了保證頁巖氣產(chǎn)能預(yù)測模型的真實有效性，樣本數(shù)據(jù)來源于長寧地區(qū)已壓裂井的統(tǒng)計數(shù)據(jù)，保證了模型的可靠性。本模型的樣本庫數(shù)據(jù)來自于長寧A2、A3、A4、A5、A6等11個平臺的57口井?dāng)?shù)據(jù)，部分參數(shù)如表1所示。

利用建立的GA-BP神經(jīng)網(wǎng)絡(luò)模型，對樣本庫中隨機選取的54口井的數(shù)據(jù)進行訓(xùn)練，建立頁巖氣水平井體積壓裂產(chǎn)能預(yù)測模型。留下3口井的數(shù)據(jù)不參加學(xué)習(xí)，作為模型精度檢驗。模型的訓(xùn)練結(jié)果如圖9所示，54口井的預(yù)測測試產(chǎn)量與實測測試產(chǎn)量相比誤差值為1.29 m3/d至3.49×102m3/d，最大相對誤差在A8-4井(本井采用了不同壓裂工藝)，誤差為1.247%，訓(xùn)練精度高。

4 現(xiàn)場應(yīng)用

為了進一步驗證頁巖氣水平井體積壓裂產(chǎn)量預(yù)測模型的適用性，將長寧地區(qū)B1井、B2井和B3井的地質(zhì)、工程參數(shù)輸入到軟件中(具體參數(shù)如表2、表3所示)，開展測試產(chǎn)量預(yù)測，并將預(yù)測結(jié)果與現(xiàn)場實測數(shù)據(jù)以及多元回歸法[26]進行對比，結(jié)果如表4所示。

圖9 訓(xùn)練數(shù)據(jù)誤差對比Fig.9 Training data error comparison

由表4可得，訓(xùn)練后的頁巖氣水平井體積壓裂產(chǎn)量預(yù)測模型最大相對誤差為17.57%，平均誤差為8.76%；多元回歸模型預(yù)測結(jié)果最大相對誤差為69.752%，平均誤差為56.55%。這表明，基于GA-BP神經(jīng)網(wǎng)絡(luò)建立的頁巖氣產(chǎn)量預(yù)測模型可以很好地表達測試產(chǎn)量與各個影響因素之間的內(nèi)在規(guī)律和聯(lián)系。對比多元回歸模型預(yù)測產(chǎn)能值和GA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測值，GA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測值的精度明顯遠(yuǎn)高于多元回歸的預(yù)測值，且預(yù)測精度的誤差率較小，為預(yù)測頁巖氣體積壓裂產(chǎn)量提供了一個高效、可行、較精確的方法。

表1 樣本數(shù)據(jù)庫部分參數(shù)Table1 Some parameter of sample database

表2 壓裂井的地質(zhì)參數(shù)Table 2 Geological parameters of fracturing wells

表3 壓裂井的工程參數(shù)Table 3 Engineering parameters of fracturing wells

表4 預(yù)測數(shù)據(jù)同實際數(shù)據(jù)對比Table 4 Comparison of forecast data with actual data

5 結(jié)論

(1)利用灰色關(guān)聯(lián)度，確定了影響頁巖氣產(chǎn)能的地質(zhì)因素和工程因素的排序大小。根據(jù)計算結(jié)果，TOC的影響權(quán)重最大，同時頁巖氣水平井體積壓裂的規(guī)模和復(fù)雜程度對頁巖氣水平井的開發(fā)初期影響更大，而頁巖氣藏地質(zhì)條件對頁巖氣水平井的開發(fā)穩(wěn)產(chǎn)階段影響更大。

(2)基于MATLAB軟件平臺，選用經(jīng)典三層BP神經(jīng)網(wǎng)絡(luò)模型，利用遺傳算法對各層間權(quán)值和層內(nèi)閾值進行了優(yōu)化，同時，根據(jù)影響頁巖氣產(chǎn)量的因素，利用現(xiàn)場實際數(shù)據(jù)，建立了以有機碳含量、含氣量、有效孔隙度、脆性礦物含量等17種地質(zhì)、工程參數(shù)作為輸入層，測試產(chǎn)量作為輸出層的GA-BP神經(jīng)網(wǎng)絡(luò)模型。

(3)以長寧地區(qū)54口實際壓裂井?dāng)?shù)據(jù)作為訓(xùn)練學(xué)習(xí)樣本，利用GA-BP神經(jīng)網(wǎng)絡(luò)模型建立了頁巖氣水平井產(chǎn)能預(yù)測模型具有較高的準(zhǔn)確度，擬合數(shù)據(jù)最大誤差僅為1.247%。利用3口實際井?dāng)?shù)據(jù)作為檢驗樣品，結(jié)果表明最大誤差為17.57%，平均誤差為8.76%，該模型同多元回歸法相比，具有操作靈活和預(yù)測精度高的特點，這種基于數(shù)據(jù)挖掘的分析方法為長寧地區(qū)頁巖氣井的產(chǎn)能預(yù)測提供了一種新思路，提高了產(chǎn)能預(yù)測效率。