[發明專利]一種基于機器學習的壓裂施工參數優化方法

在審

• 申請號: 202310383694.0
• 申請日: 2023-04-12
• 公開（公告）號: CN116562428A
• 公開（公告）日: 2023-08-08
• 發明（設計）人: 曾凡輝;李宇麟;胡大淦;張宇;郭建春;王永紅;曾波
• 申請（專利權）人: 西南石油大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;E21B43/26;G06Q50/02;G06N20/20;G06N20/10;G06F18/2135
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于機器學習的壓裂施工參數優化方法，其特征在于，包括以下步驟：

(1)獲取影響產量的地質因素以及工程因素；

(2)利用機器學習方法對影響產量的地質因素以及工程因素進行重要性排序，根據排序結果篩選產量主控因素；

(3)利用降維方法，分別對篩選出的地質主控因素和工程主控因素進行降維處理；

(4)利用熵權法結合啟發式自動搜索確定降維后的地質主控因素、工程主控因素的權重，基于主控因素與產量之間的相關關系，明確主控因素的隸屬函數基本形式；

(5)根據主控因素篩選結果，結合機器學習方法和優化算法，建立以單井產量最優為目標的智能化壓裂工藝參數優化模型，優化得到最佳施工參數。

2.根據權利要求1所述的基于機器學習的壓裂施工參數優化方法，其特征在于，所述地質因素包括TOC、孔隙度、滲透率、壓力系數、脆性指數、儲層厚度、最小水平主應力、鉆遇率、泥質含量。

3.根據權利要求1所述的基于機器學習的壓裂施工參數優化方法，其特征在于，所述工程因素包括水平段長度、總液量、總砂量、平均砂比、施工排量、裂縫間距、施工壓力、停泵壓力、平均砂比、陶粒用量、壓裂液返排率。

4.根據權利要求1所述的基于機器學習的壓裂施工參數優化方法，其特征在于，所述步驟(2)中還包括利用皮爾遜相關分析法確定各個地質因素以及工程因素之間的相關性，其確定方法為：

計算相關系數

式中，r表示相關系數，q為1到n的自然數，n表示井的數量，a、b表示需要進行相關性分析的兩個因素，a_q第q口井的a因素，b_q表示第q口井的b因素。

5.根據權利要求1所述的基于機器學習的壓裂施工參數優化方法，其特征在于，機器學習算法為隨機森林、人工神經網絡、支持向量機三種方法中的至少一種。

6.根據權利要求1所述的基于機器學習的壓裂施工參數優化方法，其特征在于，隨機森林法的步驟包括：

基于方差的特征重要性度量，第i個結點的方差計算為：

式中，mse(i)表示方差，D_i示第i個結點上的數據集，x_j表示i結點數據集上的一條數據，y_j表示x_j對應的標簽，c_i表示D_i數據集標簽的平均值；

設表示第i個特征在RF所有決策樹節點上方差的平均改變量，即第i個特征的特征重要性；

特征x_i在節點n上的重要性，即節點n上的數據劃分到其左右子節點n_l和n_r前后的方差變化量：

式中，為特征x_i在節點n上的重要性；

若特征x_i在第k棵決策樹中作為節點分割屬性出現的節點集合為N，則該特征在這棵決策樹上的重要性為：

式中，為特征x_i在第k棵決策樹的重要性；

若RF中有K棵樹，則特征x_i在整個RF中的重要性為：

式中，為特征x_i在隨機森林上的重要性。