基于機(jī)器學(xué)習(xí)的氣井產(chǎn)量預(yù)測(cè)方法

孟雅蕾 賀姍 關(guān)曉琳

摘要：氣井產(chǎn)量評(píng)價(jià)預(yù)測(cè)對(duì)氣田高效開發(fā)具有重要意義。由于不同氣井儲(chǔ)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(duì)這一問題，文章提出了一種基于機(jī)器學(xué)習(xí)的氣井產(chǎn)量預(yù)測(cè)方法。首先，通過對(duì)特征參數(shù)進(jìn)行皮爾遜相關(guān)分析，篩選出用于氣井產(chǎn)量預(yù)測(cè)的12種儲(chǔ)層特征。然后，采用改進(jìn)的ID3算法建立基學(xué)習(xí)器，并采用隨機(jī)森林算法對(duì)基學(xué)習(xí)器進(jìn)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(duì)相關(guān)區(qū)塊的儲(chǔ)層進(jìn)行氣井產(chǎn)量預(yù)測(cè)。研究結(jié)果表明，文章提出的氣井產(chǎn)量預(yù)測(cè)方法預(yù)測(cè)結(jié)果良好，準(zhǔn)確率為95.3%。該預(yù)測(cè)方法提高了氣井產(chǎn)量預(yù)測(cè)的實(shí)效性，降低了人為判斷的主觀性，對(duì)氣田產(chǎn)量預(yù)測(cè)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(chǔ)層特征；隨機(jī)森林；決策樹；ID3

中圖分類號(hào)：TP391? ? 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2024）09-0119-03

開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）

全球非常規(guī)油氣資源量占油氣總儲(chǔ)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(chǔ)量大，但儲(chǔ)層物性差、單井產(chǎn)量低，且天然氣儲(chǔ)層非均質(zhì)性強(qiáng)，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(duì)氣井進(jìn)行合理、精準(zhǔn)、高效的分類預(yù)測(cè)，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(cè)的12種儲(chǔ)層特征；然后，采用改進(jìn)的ID3算法建立基學(xué)習(xí)器，并采用隨機(jī)森林算法對(duì)基學(xué)習(xí)器進(jìn)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(duì)相關(guān)區(qū)塊進(jìn)行氣井產(chǎn)量預(yù)測(cè)。

研究結(jié)果表明，本文提出的氣井產(chǎn)量預(yù)測(cè)方法預(yù)測(cè)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(cè)的實(shí)效性，降低了人為判斷的主觀性，對(duì)氣田產(chǎn)量預(yù)測(cè)和開發(fā)策略的制訂具有一定的指導(dǎo)意義。

1 儲(chǔ)層相關(guān)因素分析

1.1 儲(chǔ)層特征

儲(chǔ)層的特征包括了儲(chǔ)層的物性、巖性、含油性、含氣性等方面的特征，這也是儲(chǔ)層預(yù)測(cè)的主要方向。儲(chǔ)層巖性是描述儲(chǔ)層礦物質(zhì)組成成分的主要特征，反映了巖層的儲(chǔ)藏性能和儲(chǔ)層特征，常用參數(shù)包括儲(chǔ)層巖石物理結(jié)構(gòu)、分布范圍、儲(chǔ)層厚度等。儲(chǔ)層物性是描述儲(chǔ)層的物理性質(zhì)，廣義上包括了儲(chǔ)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(chǔ)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(chǔ)層含油氣性主要指儲(chǔ)層內(nèi)的流體性質(zhì)、流體類型等特性。對(duì)儲(chǔ)層含油氣性評(píng)價(jià)，可以利用測(cè)井等資料對(duì)地找出滲透層，然后對(duì)含油性進(jìn)行評(píng)價(jià)預(yù)測(cè)，識(shí)別儲(chǔ)層的油層、氣層、水層、干層等不同層位，就可以對(duì)油氣富集區(qū)域即進(jìn)行預(yù)測(cè)，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(gè)方面[8-9]：

1） 地質(zhì)因素是儲(chǔ)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(xiàng)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(dá)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(jì)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(jìn)行儲(chǔ)層評(píng)價(jià)的數(shù)據(jù)類型為連續(xù)型，且評(píng)價(jià)因素要進(jìn)行相關(guān)性分析。因此，在評(píng)價(jià)之前，需要對(duì)大量的儲(chǔ)層原始數(shù)據(jù)進(jìn)行預(yù)處理。

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

2） 異常值處理及相關(guān)性分析。對(duì)于簡(jiǎn)單的異常數(shù)據(jù)（如數(shù)量級(jí)差距較大）易于分辨，而對(duì)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(gè)因素中的異常值，但對(duì)于多個(gè)因素相關(guān)性較強(qiáng)的情況而言，箱型法得出結(jié)論較片面[11]。在進(jìn)行異常值判斷時(shí)，需找到不同因素彼此之間的關(guān)聯(lián)。對(duì)在異常值處理后，采用皮爾遜相關(guān)系數(shù)法對(duì)連續(xù)數(shù)據(jù)進(jìn)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(cè)的12種儲(chǔ)層特征。皮爾遜相關(guān)系數(shù)r檢驗(yàn)兩個(gè)變量之間的相關(guān)程度，其中r的取值[-1，1]。假設(shè)兩個(gè)儲(chǔ)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(jī)的樣本值，[X]和[Y]隨機(jī)樣本的平均值，則隨機(jī)變量X和Y的皮爾遜相關(guān)系數(shù)r的計(jì)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(chǔ)層是一個(gè)相對(duì)的概念，并沒有絕對(duì)評(píng)價(jià)指標(biāo)，在不同的氣田和不同的儲(chǔ)層中，評(píng)價(jià)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(gè)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(gè)儲(chǔ)層特征因素相關(guān)性較小，但對(duì)該儲(chǔ)層具有較大影響的特征指標(biāo)，這些儲(chǔ)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(cè)算法

我國天然氣資源豐富，市場(chǎng)需求發(fā)展旺盛，創(chuàng)新勘探開發(fā)技術(shù)，實(shí)現(xiàn)氣井產(chǎn)量的智能化預(yù)測(cè)對(duì)增加氣田產(chǎn)能、降低開發(fā)成本和促進(jìn)氣井管理精細(xì)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(cè)的方法。但是由于儲(chǔ)層因素復(fù)雜，每個(gè)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(jī)器學(xué)習(xí)的預(yù)測(cè)模型中。氣井產(chǎn)量作為一個(gè)預(yù)測(cè)目標(biāo)是一個(gè)有監(jiān)督學(xué)習(xí)問題。在氣井產(chǎn)量預(yù)測(cè)中，本文選擇使用ID3決策樹和隨機(jī)森林這兩種機(jī)器學(xué)習(xí)器來進(jìn)行訓(xùn)練和預(yù)測(cè)。

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(jìn)的ID3算法。首先，基于均衡系數(shù)對(duì)ID3算法得到的信息增益進(jìn)行優(yōu)化；當(dāng)某個(gè)條件屬性的取值個(gè)數(shù)非常接近總數(shù)時(shí)會(huì)導(dǎo)致增益率修正補(bǔ)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(bǔ)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(gè)別噪聲數(shù)據(jù)對(duì)構(gòu)建決策樹的影響，改進(jìn)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(duì)屬性[Bj]的信息增益[GBj]進(jìn)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(gè)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(gè)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(duì)信息增益[GBj]進(jìn)行優(yōu)化。

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

2.2 隨機(jī)森林算法

集成學(xué)習(xí)屬于機(jī)器學(xué)習(xí)中的一種思想，通過結(jié)合多個(gè)弱學(xué)習(xí)器進(jìn)行聯(lián)合預(yù)測(cè)形成精度更高的模型。隨機(jī)森林是一種集成學(xué)習(xí)算法，隨機(jī)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(jī)森林。由多個(gè)決策樹共同組成的隨機(jī)森林模型可以提高最終預(yù)測(cè)值的準(zhǔn)確率和健壯性[16-17]。

隨機(jī)森林算法中的決策樹能夠?qū)δＰ瓦M(jìn)行可視化展示，對(duì)結(jié)果的控制因素級(jí)數(shù)由決策樹的最上層往下層依次減弱[18]。當(dāng)隨機(jī)森林模型用于預(yù)測(cè)問題時(shí)，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(gè)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(jī)森林進(jìn)行基學(xué)習(xí)器組合時(shí)，首先在每個(gè)訓(xùn)練集上采用隨機(jī)森林分類算法獨(dú)立地訓(xùn)練出M個(gè)預(yù)測(cè)結(jié)果，最終采用投票的方式，投票多的決策樹最終進(jìn)行決策。

[Q（X）=argmaxi=1Mwihi（x）]? ? （10）

3 實(shí)驗(yàn)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(cè)試集，訓(xùn)練集用于構(gòu)建機(jī)器學(xué)習(xí)模型，測(cè)試集用于模型預(yù)測(cè)和參數(shù)調(diào)整[19-20]。實(shí)驗(yàn)中對(duì)隨機(jī)森林模型進(jìn)行調(diào)參，調(diào)參結(jié)果如表2所示：

實(shí)驗(yàn)的運(yùn)行環(huán)境為Intel Core-i7，內(nèi)存16GB的PC機(jī)，操作系統(tǒng)是Windows10，編程語言是Python， 每個(gè)實(shí)驗(yàn)獨(dú)立運(yùn)行10次，使用訓(xùn)練后的模型對(duì)20%的預(yù)測(cè)集進(jìn)行預(yù)測(cè)，預(yù)測(cè)值與實(shí)際值的對(duì)比如圖1所示。

從預(yù)測(cè)值和實(shí)際值的對(duì)比可知，用隨機(jī)森林算法構(gòu)建的機(jī)器學(xué)習(xí)模型在對(duì)測(cè)試數(shù)據(jù)做預(yù)測(cè)時(shí)，預(yù)測(cè)值與實(shí)際值出現(xiàn)偏差情況較少，預(yù)測(cè)值曲線變化趨勢(shì)與實(shí)際值曲線幾近重合，擬合效果良好，預(yù)測(cè)準(zhǔn)確率分別達(dá)到了95.3%，本文提出的基于機(jī)器學(xué)習(xí)的氣井預(yù)測(cè)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(chǔ)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(jī)器學(xué)習(xí)的氣井產(chǎn)量預(yù)測(cè)方法預(yù)測(cè)結(jié)果良好，準(zhǔn)確率高、穩(wěn)定性高。該項(xiàng)研究可以提高氣井產(chǎn)量預(yù)測(cè)的實(shí)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(duì)氣田產(chǎn)量預(yù)測(cè)和開發(fā)策略的制訂具有一定的指導(dǎo)意義。

參考文獻(xiàn)：

[1] 劉豪.二氧化碳?jí)毫训孛嫔淞骰焐把b置設(shè)計(jì)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(zhǎng)組7段3亞段頁巖油風(fēng)險(xiǎn)勘探突破與意義[J].石油學(xué)報(bào)，2022，43（6）：760-769，787.

[3] 劉長(zhǎng)春，楊永興，方鐵園，等.鄂爾多斯盆地頁巖油優(yōu)質(zhì)儲(chǔ)層評(píng)價(jià)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(jī)器算法的致密氣井產(chǎn)能預(yù)測(cè)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(jī)森林的頁巖氣 “甜點(diǎn)” 分類方法[J].油氣藏評(píng)價(jià)與開發(fā)，2023，13（3）：358-367.

[9] 劉佳慧.基于數(shù)據(jù)驅(qū)動(dòng)的多聯(lián)機(jī)系統(tǒng)用能評(píng)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(diǎn)、趨勢(shì)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(shí)蒸餾的輕量化圖像分類方法[J].西安工程大學(xué)學(xué)報(bào)，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(cè)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(cè)[J].油氣井測(cè)試，2019，28（1）：1-6.

[15] 紀(jì)磊，李菊花，肖佳林.隨機(jī)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(jī)器學(xué)習(xí)預(yù)測(cè)油氣產(chǎn)量現(xiàn)狀[J].油氣藏評(píng)價(jià)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(chǔ)層可壓裂性影響因素及計(jì)算方法[J].斷塊油氣田，2016，23（2）：216-220，225.

[18] 陳桂華，肖鋼，徐強(qiáng)，等.頁巖油氣地質(zhì)評(píng)價(jià)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(qiáng)，等.頁巖油氣地質(zhì)評(píng)價(jià)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(rèn)識(shí)與實(shí)踐[J].石油勘探與開發(fā)，2018，45（4）：561-574.

【通聯(lián)編輯：梁書】