Prediction Model of Rock Mechanics Parameters in Ultra-DeepFractured Formations Based on Big Data
-
摘要:
超深储层油气资源丰富，是目前油气开发的重点，但是储层岩体破碎和非均质性强，传统的预测储层力学参数方法误差大，对工程设计和施工造成很大的困难。基于大量试验和现场施工数据，分析了储层测井数据、储层裂缝数据、岩石力学数据的相互联系，建立了基于岩石力学性质−地质储层特征−测井解释之间物理关联的多参数约束；开发了多元非线性回归拟合算法模型，形成了超深破碎型储层全储层段岩石力学参数预测模型。该预测模型克服了破碎型地层数据量少导致的计算误差大的难题，能明确全储层段岩石力学参数，与实际工程施工参数相比预测准确度达90%以上。研究结果为超深破碎型地层钻完井安全施工提供了技术支撑。
Abstract:The rich oil and gas resources in ultra-deep reservoirs are the focus of oil and gas development at present. However, due to the high fragmentation and strong heterogeneity of rock mass in reservoirs, the traditional method of predicting reservoir mechanics parameters has a large error, which causes great difficulties in engineering design and operation. Based on a large number of experimental and field operation data, the interrelationship among reservoir logging data, reservoir fracture data, and rock mechanics data was analyzed. A multi-parameter constraint was established based on the physical correlation between rock mechanical properties, geological reservoir characteristics and logging interpretation, and a multivariate nonlinear regression fitting model was developed to predict rock mechanics parameters in the whole reservoir section of ultra-deep fractured reservoirs. The prediction model overcame the problem of large calculation errors caused by small amount of fractured formation data and could determine the rock mechanics parameters in the whole reservoir section. Compared with the actual operation parameters, the prediction accuracy is more than 90%. The research results provide technical support for the safe operation of drilling and completion in ultra-deep fractured formations.
-
水平井桥塞分段压裂已成为非常规油气高效开发的核心技术之一[1]。桥塞用于封隔已压裂井段裂缝，通常桥塞中心管中空，需井口投球、落入桥塞球座，起到密封桥塞中心管的作用。当桥塞球座处于完全密封状态，则为有效坐封[2]。一旦球座坐封失效，易发生压裂砂堵、重复压裂已改造井段等问题，无法正常后续作业。目前主要依靠人为观察井口压力变化特征判断坐封的有效性，然而对于非典型压力特征，难以快速准确识别，这已成为制约水平井桥塞分段压裂技术发展的瓶颈之一。
近年来，以大数据、机器学习、超强算力为基础的新一代人工智能技术蓬勃发展[3–4]，基于海量压裂历史数据，通过人工智能算法从大数据中学习数据变化特征[5–7]，形成了压裂工况智能诊断方法，达到实时诊断压裂工况的目的。前人已开展基于大数据分析的压裂起止时刻、暂堵、球座坐封等工况诊断研究。A. Ramirez等人[8]采用分类算法结合泵压曲线和专家经验，实现压裂作业起始与终止时刻的识别；M. M. Awad等人[9]利用小波变换方法将施工泵压蕴含的能量信息与裂缝扩展物理过程相关联，实现了单位时间内裂缝扩展事件数的定量表征；袁彬等人[10]结合长短期记忆神经网络、反向传播神经网络等多种模型，实现了泵球、前置酸降压、暂堵压裂、砂堵等事件的智能识别；盛茂等人[11]利用聚类算法、特征参数阈值法分析压裂施工数据，建立了暂堵有效性评价模型。Shen Yuchang等人[12]利用包含地面泵压以及排量的施工曲线图，基于识别图像的U-Net架构深度学习算法，建立了桥塞球座坐封起止时刻的识别模型，识别准确率达95%。该研究的判别特征是单一的排量下降，而复杂地层压裂作业过程中往往存在大量的排量下降现象，但这些并不都是由桥塞球座坐封造成的，因此仅以排量下降作为识别坐封工况的特征具有一定局限性。
为此，笔者融合专家经验定性判识和坐封数据特征挖掘定量标注，滑动窗口数据切片形成5 792组样本数据，优选井口压力–排量二维输入的长短期记忆神经网络，建立了压裂球座坐封有效性智能诊断模型；并采用欠采样平衡数据集方式提升模型判识精度，实现了每秒输出诊断结果，为桥塞球座坐封有效性实时自动诊断提供了方法。
1. 球座坐封特征参数提取
1.1 压裂球座坐封工况数据分割与标签标注
水平井桥塞分段压裂时，压裂投球坐封阶段，排量先降至0.5～1.0 m3/min，维持压裂球以较低速度坐入桥塞球座；当球座被完全密封，井筒内流体憋压，此时井口压力显著升高[13]；压力达到地层破裂压力使地层破裂后，井口压力骤降；随后逐级提高排量至压裂设计值，井口压力缓慢上升，整个投球坐封阶段井口压力呈现陡升—陡降—平缓上升的显著特征（见图1）。根据该特征，采用滑动窗口方式，对球座坐封工况进行数据分割：在排量开始降低且累计排量小于井筒体积的时段寻找第一次压力突升的时刻，并标记为坐封开始时刻；在滑动时间窗口寻找压力降落结束时刻，向后继续寻找至排量开始增加的时刻，并标记为坐封结束时刻。
工况分割后形成198段坐封数据，结合专家经验对井口压力和排量的变化特征进行判识，对每段坐封数据打标签，分为有效坐封和无效坐封2类标签，分别将其对应的时刻标记为数字1和0，最终得到有效坐封168段，无效坐封30段。
1.2 有效坐封数据特征分析
整合并提取168段有效坐封数据共有的特征点，分别是压力升高前的最小值、压力升高后达到的峰值、压力下降后的最小值及排量开始增加时刻的压力回升值，形成1—2，2—3，3—4明显的三阶段特征（见图2（a））；统计3个阶段对应的持续时间及井口压力变化值，得到各阶段的斜率分布和小提琴图（见图2（b）和（c））。
![]()
图 2 井口压力三阶段变化特征及斜率分布情况Figure 2. Characteristics of wellhead pressure change and slope distribution in three stages从图2可知，阶段一压力上升变化斜率区间[0.14，5.62]；阶段二压力下降变化斜率区间 [−0.01，−7.39]，分布范围较大；阶段三压力上升变化斜率区间[0.02，1.36]，与前2个阶段相比，分布区间更为集中。尽管有效坐封数据均呈显著的井口压力陡升—陡降—平缓上升的三阶段特征，但是数据样本分布范围较大、且不一致，无法形成明确的诊断规则实现准确诊断。
1.3 无效坐封数据特征分析
统计分析30段无效坐封数据，发现存在2类形态的无效坐封曲线（见图3）。其中，A类无效坐封虽然存在阶段一对应的压力升高过程，但阶段二的压力会降至低于压力升高前的起始值；B类无效坐封的井口压力在降低后直至提排量前始终未呈现回升趋势。
![]()
图 3 坐封失效时对应的2类井口压力曲线Figure 3. Two types of wellhead pressure curves corresponding to setting failure2. 基于长短期记忆神经网络模型建立
2.1 神经网络结构设计
压裂泵注曲线具有显著的长时序性和数据关联性，即压裂全过程具有较长的时间跨度，且每个时间步长之间的压力存在依赖关系，为此优选长短期记忆神经网络[14–18]，其特有的记忆门控单元可捕捉序列数据中的长期依赖关系[19–20]。神经网络设计采用二分类问题的设计思路，其中隐含层初始设置为256层，输入维度分别设置为一维和二维，输出设置为代表坐封有效与失效的1或0标签，对每一种输入特征值进行批标准化处理；选择Softmax激活函数对每一维度相同位置的数值进行Softmax运算，每次模型调用时对待训练参数矩阵和待训练偏置项进行初始化处理；选用Adam优化器处理二分类问题，初始学习率设置为0.01；使用交叉熵损失函数表征模型输出的有效坐封标签与实际有效坐封标签的偏差，来衡量该网络在此数据集上对坐封有效性识别效果的好坏。每次输入神经网络的训练集样本数初始设置为128个，迭代200次，每次迭代输出一次损失函数，保留最后一次训练参数，并计算准确率。神经网络结构如图4所示。
![]()
图 4 二维输入的长短期记忆神经网络结构Figure 4. Structure of LSTM neural network with two-dimensional input图4中，t表示时间，p和Q分别表示井口压力与排量的时序值，X和Y表示LSTM网络的输入和输出，σ和tanh分别表示sigmoid激活函数和tanh激活函数，参数C、h、f、i和o分别代表LSTM网络的细胞状态、隐藏状态、遗忘门、输入门和输出门。
2.2 标签数据切片处理
全连接层的神经元网络用分割出的坐封段作为训练数据集时，训练集太过冗长，会大大增加迭代时间，影响训练效果[21]，因此采用滑动窗口切片送入模型的方式来缩短训练的数据长度[22]。
统计每段数据中有效坐封的3个阶段特征的时长，得出坐封所需的时间最长为252 s。为保证特征被全部包含，将时间跨度增加，初步设定切片窗口为300 s。考虑到时间序列前后数据的相关性，设置移动步长为50 s，即窗口每次向后移动50 s，以保证对同样的一段坐封特征，其前后段的数据都能作为有效坐封的样本输入，同时也增加了样本数量。窗口从左到右，依次对每个时刻的标签进行扫描，当该窗口第一秒和最后一秒的标签均为0，且中间有且仅有一段连续为1的标签时，视为此窗口包含了一个完整的坐封段，并将整个窗口标记为标签1，作为一个有效坐封样本；当窗口内数据标签均为0，或者由1开始与结束，即无坐封段或坐封段不完整时，整个窗口标记为标签0，作为一个无效坐封样本。滑动窗口切片标注如图5所示。
198段坐封工况数据按照时间窗口300 s、移动步长50 s切片后形成5 792个样本，其中有效坐封383个，占比仅6.61%。当二分类模型中标签为1的数据量极少时，神经网络被重复传入大量的无效坐封样本，从而无法学习到有效坐封的特征。为此，采用欠采样平衡数据集方式[23]，从切片后的样本中等比例地提取标签为1和0的样本，总计766个，再以8∶2的比例划分为训练集和测试集，最终形成610个样本的训练集，156个样本的测试集。
3. 模型训练与结果分析
为考察压力和排量变化对坐封有效性判识效果的影响，分别建立井口压力一维输入和井口压力–排量二维输入的长短期记忆神经网络模型进行对比训练。首先，调整数据切片时间窗口为300，400和500 s，随着时间窗口增长，准确率由88%降至70%，表明过长的时间窗口导致样本包含更多冗余的数据信息，从而输入的干扰特征增多，因此时间窗口选择300 s；然后，调整批量大小为64，128和256，学习率分别为0.001，0.01和0.1，进行组合训练，训练结果如图6（a）所示。训练结果表明，批量大小为256时，模型准确率整体偏低，仅为50%～70%；批量大小为64、学习率为0.001时，井口压力一维输入模型的准确率最高为91.7%；批量大小为128、学习率为0.01时，井口压力–排量二维输入模型的准确率最高为96.8%，相比井口压力一维输入模型提高5.1百分点。2种模型准确率最高时对应的损失函数变化曲线如图6（b）所示。由图6（b）可以看出，迭代至第25次时，井口压力一维输入模型的损失函数降至0.30，而井口压力–排量二维输入模型的损失函数降至0.15，收敛速度更快，最终趋近于0.10。
验证集选用长庆油田合水区块51段未参与训练的压裂数据。将井口压力和排量数据以时间窗口300 s、移动步长1 s滑动输入模型，模型调用训练准确率最高的权重参数进行判识，实时输出坐封工况判识标签。若井口压力从排量降至送球排量时开始运行到累计液量达到一个井筒体积时仍未呈现三阶段特征，则判识为无效坐封。对比专家经验标签，井口压力一维输入的模型准确率为73.7%，井口压力–排量二维输入的模型准确率为84.3%。将模型识别出的43段有效坐封段绘制成瀑布图（见图7（a）），可以看出，虽然井口压力数据跨度分布较大，但该模型均能正确判识，验证了模型的有效性；将实际有效坐封、但模型误判为无效坐封的8段数据绘制成瀑布图（见图7（b）），发现此类曲线在压力突升至峰值后有一段时间的缓慢爬升，未能被该模型识别，其原因是此类情况下输入样本不足，长短期记忆神经网络未能学习到该类曲线的特征。
4. 结 论
1）针对压裂桥塞球座坐封有效性难以形成有效规则、快速准确判识的问题，提出了人工智能技术辅助诊断方法。融合专家经验定性判识和坐封数据特征挖掘定量标注，建立了基于长短记忆神经网络的压裂球座坐封有效性智能诊断模型，并采用欠采样平衡数据集方式提高模型的预测精度。
2）压裂桥塞球座有效坐封时，井口压力呈现陡升—陡降—平缓上升特征，但各阶段变化值分布离散，持续时间跨度大；无效坐封时，井口压力呈2种形态，一种是陡降幅度超过陡升幅度，一种是缺少平缓上升阶段特征。
3）利用未参与训练的51个样本验证模型，井口压力–排量二维输入模型成功识别出43个有效坐封段，准确率达84.3%。
-
![]()
图 6 X1井储层段岩石力学参数预测结果
Figure 6. Prediction results of rock mechanics parameters in reservoir section of Well X1
表 1 模型评估结果
Table 1 Model evaluation results
参数 均方差 平均绝对误差 决定系数 抗压强度 2.22 0.88 0.94 弹性模量 1.29 1.21 0.96 泊松比 2.50 2.42 0.89 
下载: 导出CSV
-
[1] 赵志国,白彬珍,何世明,等. 顺北油田超深井优快钻井技术[J]. 石油钻探技术,2017,45(6):8–13. ZHAO Zhiguo, BAI Binzhen, HE Shiming, et al. Optimization of fast drilling technology for ultra-deep wells in the Shunbei Oilfield[J]. Petroleum Drilling Techniques, 2017, 45(6): 8–13.
[2] 何成江,姜应兵,文欢,等. 塔河油田缝洞型油藏 “一井多控” 高效开发关键技术[J]. 石油钻探技术,2022,50(4):37–44. HE Chengjiang, JIANG Yingbing, WEN Huan, et al. Key technologies for high-efficiency one-well multi-control development of fractured-vuggy reservoirs in Tahe Oilfield[J]. Petroleum Drilling Techniques, 2022, 50(4): 37–44.
[3] 何立成,唐波. 准噶尔盆地超深井钻井技术现状与发展建议[J]. 石油钻探技术,2022,50(5):1–8. HE Licheng, TANG Bo. The up to date technologies of ultra-deep well drilling in Junggar Basin and suggestions for further improvements[J]. Petroleum Drilling Techniques, 2022, 50(5): 1–8.
[4] 陈勉. 我国深层岩石力学研究及在石油工程中的应用[J]. 岩石力学与工程学报,2004,23(14):2455–2462. CHEN Mian. Review of study on rock mechanics at great depth and its applications to petroleum engineering of China[J]. Chinese Journal of Rock Mechanics and Engineering, 2004, 26(14): 2455–2462.
[5] KHOSRAVI M, TABASI S, HOSSAM ELDIEN H, et al. Evaluation and prediction of the rock static and dynamic parameters[J]. Journal of Applied Geophysics, 2022, 199: 104581. doi: 10.1016/j.jappgeo.2022.104581
[6] AMEEN M S, SMART B G D, SOMERVILLE J M, et al. Predicting rock mechanical properties of carbonates from wireline logs (A case study: Arab-D reservoir, Ghawar field, Saudi Arabia)[J]. Marine and Petroleum Geology, 2009, 26(4): 430–444. doi: 10.1016/j.marpetgeo.2009.01.017
[7] 李智武,罗玉宏,刘树根,等. 川东北地区地层条件下致密储层力学性质实验分析[J]. 矿物岩石,2005,25(4):52–60. LI Zhiwu, LUO Yuhong, LIU Shugen, et al. The experimental analysis of mechanical properties of compact reservoir rocks under formation conditions, northeast of Sichuan Basin, China[J]. Mineralogy and Petrology, 2005, 25(4): 52–60.
[8] 楼一珊,庄锦江,黄荣樽. 岩石动、静弹性参数相关性的研究及其应用[J]. 江汉石油学院学报,1989,11(2):62–69. LOU Yishan, ZHUANG Jinjiang, HUANG Rongzun. Study on the interrelation of dynamic and static elastic parameters of rocks and its application[J]. Journal of Jianghan Petroleum Institute, 1989, 11(2): 62–69.
[9] 杨秀娟,张敏,闫相祯. 基于声波测井信息的岩石弹性力学参数研究[J]. 石油地质与工程,2008,22(4):39–42. YANG Xiujuan, ZHANG Min, YAN Xiangzhen. Study on acoustic logging-based rock elasticity parameters[J]. Petroleum Geology and Engineering, 2008, 22(4): 39–42.
[10] 韩玉娇. 基于AdaBoost机器学习算法的大牛地气田储层流体智能识别[J]. 石油钻探技术,2022,50(1):112–118. HAN Yujiao. Intelligent fluid identification based on the AdaBoost machine learning algorithm for reservoirs in Daniudi Gas Field[J]. Petroleum Drilling Techniques, 2022, 50(1): 112–118.
[11] 房好青,赵兵,汪文智,等. 塔河油田靶向压裂预制缝转向技术模拟研究[J]. 石油钻探技术,2019,47(5):97–103. FANG Haoqing, ZHAO Bing, WANG Wenzhi, et al. Simulation study on the range of diversion in targeted fracturing of prefabricated fractures in the Tahe Oilfield[J]. Petroleum Drilling Techniques, 2022, 50(4): 97–103.
[12] SINGH R, KAINTHOLA A, SINGH T N. Estimation of elastic constant of rocks using an ANFIS approach[J]. Applied Soft Computing, 2012, 12(1): 40–45. doi: 10.1016/j.asoc.2011.09.010
[13] YAGIZ S, GOKCEOGLU C. Application of fuzzy inference system and nonlinear regression models for predicting rock brittleness[J]. Expert Systems with Applications, 2010, 37(3): 2265–2272. doi: 10.1016/j.eswa.2009.07.046
[14] GUHA ROY D, SINGH T N. Predicting deformational properties of Indian coal: soft computing and regression analysis approach[J]. Measurement, 2020, 149: 106975. doi: 10.1016/j.measurement.2019.106975
[15] TORABI-KAVEH M, NASERI F, SANEIE S, et al. Application of artificial neural networks and multivariate statistics to predict UCS and E using physical properties of Asmari limestones[J]. Arabian Journal of Geosciences, 2015, 8(5): 2889–2897. doi: 10.1007/s12517-014-1331-0
[16] DEHGHAN S, SATTARI G, CHEHREH CHELGANI S, et al. Prediction of uniaxial compressive strength and modulus of elasticity for Travertine samples using regression and artificial neural networks[J]. Mining Science and Technology (China), 2010, 20(1): 41–46. doi: 10.1016/S1674-5264(09)60158-7
[17] MANOUCHEHRIAN A, SHARIFZADEH M, MOGHADAM R H. Application of artificial neural networks and multivariate statistics to estimate UCS using textural characteristics[J]. International Journal of Mining Science and Technology, 2012, 22(2): 229–236. doi: 10.1016/j.ijmst.2011.08.013
[18] RABBANI E, SHARIF F, KOOLIVAND SALOOKI M, et al. Application of neural network technique for prediction of uniaxial compressive strength using reservoir formation properties[J]. International Journal of Rock Mechanics and Mining Sciences, 2012, 56: 100–111. doi: 10.1016/j.ijrmms.2012.07.033
[19] KAUNDA R B, ASBURY B. Prediction of rock brittleness using nondestructive methods for hard rock tunneling[J]. Journal of Rock Mechanics and Geotechnical Engineering, 2016, 8(4): 533–540. doi: 10.1016/j.jrmge.2016.03.002
[20] REZAEI M, MAJDI A, MONJEZI M. An intelligent approach to predict unconfined compressive strength of rock surrounding access tunnels in longwall coal mining[J]. Neural Computing and Applications, 2014, 24(1): 233–241. doi: 10.1007/s00521-012-1221-x
[21] MOHAMAD E T, ARMAGHANI D J, MOMENI E, et al. Rock strength estimation: a PSO-based BP approach[J]. Neural Computing and Applications, 2018, 30(5): 1635–1646. doi: 10.1007/s00521-016-2728-3
[22] FRIEDMAN J H. Multivariate adaptive regression splines[J]. The Annals of Statistics, 1991, 19(1): 1–67.
[23] 马建海,孙建孟. 用测井资料计算地层应力[J]. 测井技术,2002,26(4):347–352. MA Jianhai, SUN Jianmeng. Calculate formation stress using logging data[J]. Well Logging Technology, 2092, 26(4): 347–352.
计量
- 文章访问数: 117
- HTML全文浏览量: 20
- PDF下载量: 63
