一种基于生产测试类数据预测压裂是否有效的计算方法与流程

1.本发明涉及油田采油技术领域，尤其是涉及一种基于生产测试类数据预测压裂是否有效的计算方法。


背景技术：

2.随着油田的开发利用，诸多油藏已进入到开发后期的高含水时期。实行压裂措施成为了应对高含水后期油田开发开采的常用增产措施。影响压裂效果的因素非常多，其影响效果也大相径庭。影响压裂措施效果的主要因素有四类，包括储层物性类因素、流体物性类因素、生产测试类因素和油藏整体性类因素。其中，生产测试类因素参数包括试挤排量、试挤压力、排量、累计砂量、平均砂比、综合砂比和加砂强度等。在压裂过程中，影响压裂效果的各因素之间也会发生相互影响，这就导致其具有复杂性的特点。目前由于开发后期的油藏通常都经过多次井网加密操作且为高含水油藏导致措施后的压裂井层效果越来越不尽人意。现场在实施压裂前选择压裂施工井，还比较依靠于经验法选择。该方法具有盲目性和主观性的特点，最终的压裂效果往往不能令人满意。高成本的压裂工程，低效的措施效果是这类油田进行合理、经济的油藏开发的绊脚石。随着石油系统“油田数字化”战略的提出，油田生产越来越重视数据的收据和积累。油田压裂生产也积累了大量的生产数据，这些数据实际上是与压裂生产活动相关的信息的集合，当其积累到一定程度时，必然蕴含着可以利用的规律。油田技术人员尝试基于压裂生产的历史大数据，利用数据挖掘技术对这些数据建立压裂是否有效的判别模型，进而用这些模型指导生产。本专利尝试基于油井生产测试类因素参数，包括试挤排量、试挤压力、排量、累计砂量、平均砂比、综合砂比和加砂强度等，利用支持向量机数据挖掘算法建立油井压裂是否有效的判别模型。进而希望利用建立好的油井压裂是否有效的判别模型预测新的油井压裂操作，指导新的压裂操作，对油田未来的生产进行预测以降低开发风险，提高企业经济效益。


技术实现要素：

3.本发明的目的是为了克服现有技术存在的缺陷，提供一种基于生产测试类数据预测压裂是否有效的计算方法。本发明基于油井生产测试类因素参数，包括试挤排量、试挤压力、排量、累计砂量、平均砂比、综合砂比和加砂强度等，然后对这些参数进行综合处理，再利用数据挖掘算法对综合处理的数据进行建模，从而得到油井压裂是否有效的判别模型。通过这些方法可以几分钟就可以得到结果，方便快捷，无需实验和繁杂的计算。
4.本发明的目的可以通过如下的技术方案实现：一种基于生产测试类数据预测压裂是否有效的计算方法，包括如下步骤：1）从油田压裂生产实际中收集油井生产测试类因素参数，包括试挤排量、试挤压力、排量、累计砂量、平均砂比、综合砂比和加砂强度等作为自变量。并收集压裂是否有效数据作为因变量，这样构成基础数据。
5.2）对基础数据的自变量进行映射转化，得到中间数据。
6.3）利用数据挖掘算法对映射转换后的中间数据进行建模，得到油井压裂是否有效的快速判别模型。
7.4）收集新油井的油井生产测试类因素数据，该数据只包含油井生产测试类因素的自变量，不包含压裂是否有效的因变量；将收集到的新数据代入映射转化方程，计算出新的中间数据；然后将新的中间数据代入油井压裂是否有效的快速判别模型，判别出新油井压裂是否有效。
8.本发明与现有技术比，具有以下优点：1.本发明可以实现新油井压裂是否有效的提前预测，未来的生产进行预测以降低开发风险，提高企业经济效益。
9.2.本发明整个过程不涉及实验及化学品，而且整个过程都在电脑实现，不产生环境污染，符合绿色环保理念。
附图说明
10.图1为油田储层孔隙度的扫描电镜图。
具体实施方式
11.以下结合具体的实施例子对本发明进行详细的说明，包括如下步骤：（1）从油田压裂生产实际中收集油井生产测试类因素，包括试挤排量、试挤压力、排量、累计砂量、平均砂比、综合砂比和加砂强度等作为自变量。并收集压裂是否有效数据作为因变量，这样构成基础数据。总共数据样本为50个。部分数据如表1所示：表1.部分示例基础数据
压裂是否有效试挤排量试挤压力排量累计砂量平均砂比综合砂比加砂强度否154384.112.618.136.631.97有20615.55.147.526.8414.533.23有160313.617.117.796.93.35否14033530.717.348.064.95有151284.837.515.436.814.08有1901905.655.220.68.858.9有172183.734.926.2411.714.78有10218.53.637.927.4613.684.57有110254.13625.912.724.5有180325.159.825.2313.445.2
（2）对基础数据的自变量进行映射转化，得到中间数据。每个中间变量数据包含所有的原始自变量。映射转化方程为：p1= +7.650e-4[试挤排量]-3.872e-3[试挤压力]+1.713e-2[排量]-2.354e-2[累计砂量]-0.132[平均砂比]-0.284[综合砂比]-1.818e-2[加砂强度]+6.540p2= +2.334e-3[试挤排量]-1.352e-2[试挤压力]+0.371[排量]+3.306e-2[累计砂量]-3.446e-2[平均砂比]-0.117[综合砂比]+0.215[加砂强度]-1.587p3= +1.195e-3[试挤排量]-3.988e-2[试挤压力]-0.406[排量]+2.050e-2[累计
砂量]+3.782e-2[平均砂比]-0.130[综合砂比]-1.594e-2[加砂强度]+2.678p4=
ꢀ‑
1.070e-3[试挤排量]-1.457e-2[试挤压力]-0.306[排量]+4.293e-2[累计砂量]+6.493e-2[平均砂比]-0.309[综合砂比]+0.217[加砂强度]+1.517p5= +4.566e-4[试挤排量]+5.236e-3[试挤压力]-0.628[排量]+4.836e-2[累计砂量]+0.162[平均砂比]-0.441[综合砂比]-3.022e-2[加砂强度]+1.803p6=
ꢀ‑
3.921e-4[试挤排量]-3.389e-3[试挤压力]+0.430[排量]+4.936e-2[累计砂量]+0.129[平均砂比]-0.374[综合砂比]-0.384[加砂强度]-0.631映射转化后的示例数据如表2所示。
[0012]
表2. 中间数据部分示例数据p1p2p3p4p5p61.98-0.78-0.27-0.360.070.67-2.120.210.28-0.50-1.070.561.84-0.430.240.270.350.021.220.69-0.340.38-0.500.191.710.950.200.870.201.01-0.640.36-6.33-0.271.21-0.29-1.03-0.150.770.560.30-0.28-1.87-0.580.560.21-0.19-0.64-1.36-0.370.140.05-0.39-0.36-2.000.94-0.100.48-0.240.57（3）利用支持向量机算法对映射转换后的中间数据进行建模，得到油井压裂是否有效的快速判别模型。支持向量机算法中选择多项式核函数，惩罚因子选取130。
[0013]
（4）收集3个新油井的油井生产测试类因素数据，该数据只包含油井生产测试类因素的自变量，不包含压裂是否有效的因变量；将收集到的新数据代入映射转化方程，计算出新的中间数据；然后将新的中间数据代入压裂是否有效的快速判别模型，判别出新油井压裂是否有效。
[0014]
实施例1：对于50个油井压裂基础数据，基于支持向量机算法建立的压裂是否有效的快速判别模型，其建模结果如表3所示。
[0015]
表3 建模结果由表3可以看出：基于油井生产测试类因素数据，建立的压裂是否有效的快速判别模型，有着比较高的建模准确率。
[0016]
实施例2：对于50个油井压裂基础数据，基于支持向量机算法建立的压裂是否有效的快速判别模型，其留一法内部交叉验证结果如表4所示。
[0017]
表4 留一法内部交叉验证结果
由表4可以看出：基于油井生产测试类因素数据，建立的压裂是否有效的快速判别模型，其留一法内部交叉验证的准确率也还比较高。
[0018]
实施例3：收集的3个新油井，其基础数据、中间数据和预报结果如表5所示。
[0019]
表5 预测结果
试挤排量试挤压力排量累计砂量平均砂比综合砂比加砂强度p1p2p3p4p5p6压裂是否有效22837550.420.4910.24.94-0.221.13-0.150.620.080.72否217363.79.7816.35.371.52.70-0.740.09-0.230.470.75是23031552.521.7811.693.41-0.810.730.010.08-0.251.04否