耦合物理驱动和数据驱动的压裂井产量预测方法与系统

本发明涉及油气田开发，特别是涉及耦合物理驱动和数据驱动的压裂井产量预测方法与系统。

背景技术：

1、致密油、页岩油等非常规油气资源的开发对保障原油产量持续稳定增长、降低原油对外依存度具有重要意义。非常规油气往往具有储层致密、自然产能低等特点，需要采用大规模水力压裂或体积压裂等技术才能获得工业油流。因此，压裂井产量预测对于非常规油气资源的有效开发和生产优化至关重要。但受复杂流动机理、繁琐开采工艺和人为因素干扰等影响，压裂井的产量预测极具挑战性。

2、目前常用的压裂井产量预测方法主要包括三种：一种是数值模拟方法，该方法是预测压裂井产量最常用的方法，该过程基于数值模型，提供了良好的结果，并充分描述了储层的非均质性。然而，构建这些模型繁琐且耗时，涉及建立地质模型、数值模型和历史拟合等操作，并且还需要各种类型的地层和流体数据，如测井数据、渗透率、孔隙度和饱和度等，对数据的要求较高，需要准确的油藏数据及压裂施工数据，而且计算复杂，工作量大。一种是传统产量递减曲线方法(dca)，该方法可以通过分析压裂井长期生产数据来预测生产井产能。产量递减曲线分析包括将过去生产井的实际生产率与时间数据与“递减模型”相匹配，例如指数、调和和双曲递减模型。然而这些模型都是理想曲线，只适用于生产井的产量递减阶段且不能考虑实际的地层因素，因此使用这种方法很难保证正确性。另一种是机器学习方法，该方法在油藏生产动态预测中是有效果的，在给定大量数据的情况下可以获得令人满意的预测结果。然而，一些已有的基于生产数据的时间序列类预测方法如自回归积分滑动平均模型(autoregressive integrated moving average model，arima)无法考虑工作制度变化等人为操作对产量变化的影响，而且由于该方法对数据需求大，无法产生与物理上一致的结果，并且缺乏对样本以外场景的可推广性，纯机器学习方法无法满足复杂生产预测问题中预测性能和推广能力的要求。

技术实现思路

1、本发明的目的是提供耦合物理驱动和数据驱动的压裂井产量预测方法与系统，可提高压裂井产量预测的准确性。

2、为实现上述目的，本发明提供了如下方案：

3、一种耦合物理驱动和数据驱动的压裂井产量预测方法，包括：

4、获取待预测压裂井各时期的生产数据；所述时期包括自喷期和机采期；

5、对于任意一个时期，根据所述时期产量递减时间段的生产数据确定所述时期的生产流态；所述生产流态包括：早期线性流动阶段、瞬变流动阶段和拟稳态流动阶段；

6、根据所述时期的生产流态确定所述时期的最佳产量递减模型；

7、采用所述时期的生产数据对时间序列预测模型集中的各时间序列预测模型进行优化得到所述时期的最优时间序列预测模型；

8、基于内嵌物理知识神经网络原理根据所述时期的最佳产量递减模型和所述时期的最优时间序列预测模型构建耦合物理驱动和数据驱动的所述时期的压裂井生产动态预测模型；

9、采用所述时期的生产数据对所述时期的压裂井生产动态预测模型进行优化得到所述时期的最优压裂井生产动态预测模型，所述时期的最优压裂井生产动态预测模型用于预测所述时期未来时刻所述待预测压裂井的产量。

10、可选的，所述根据所述时期的生产流态确定所述时期的最佳产量递减模型，具体包括：

11、根据所述时期的生产流态确定所述时期对应的产量递减模型集合；

12、分别采用所述时期对应的产量递减模型集合中的各产量递减模型对所述时期产量递减时间段的生产数据进行拟合，得到所述时期的最佳产量递减模型。

13、可选的，所述根据所述时期产量递减时间段的生产数据确定所述时期的生产流态，具体包括：

14、根据所述时期产量递减时间段的生产数据绘制所述时期对应的产量与物质平衡时间双对数曲线；

15、根据所述时期对应的产量与物质平衡时间双对数曲线确定所述时期的生产流态。

16、可选的，所述根据所述时期的生产流态确定所述时期对应的产量递减模型集合，具体包括：

17、若所述时期的生产流态为早期线性流动阶段或瞬变流动阶段，则确定所述时期对应的产量递减模型集合包括sepd产量递减模型、duong产量递减模型和ple产量递减模型；

18、若所述时期的生产流态为拟稳态流动阶段，则确定所述时期对应的产量递减模型集合包括arps产量递减模型、sepd产量递减模型、duong产量递减模型和ple产量递减模型。

19、可选的，所述分别采用所述时期对应的产量递减模型集合中的各产量递减模型对所述时期产量递减时间段的生产数据进行拟合，得到所述时期的最佳产量递减模型，具体包括：

20、采用优化算法对所述时期对应的产量递减模型集合中的各产量递减模型进行参数优选得到优选后的所述时期对应的产量递减模型集合；

21、采用优选后的所述时期对应的产量递减模型集合中的各产量递减模型对所述时期产量递减时间段的生产数据进行拟合，得到优选后的所述时期对应的产量递减模型集合中的各产量递减模型对应的拟合生产数据曲线；

22、根据优选后的所述时期对应的产量递减模型集合中的各产量递减模型对应的拟合生产数据曲线与所述时期产量递减时间段的生产数据，计算优选后的所述时期对应的产量递减模型集合中的各产量递减模型对应的决定系数；

23、根据优选后的所述时期对应的产量递减模型集合中的各产量递减模型对应的决定系数确定所述时期的最佳产量递减模型。

24、可选的，所述采用所述时期的生产数据对时间序列预测模型集中的各时间序列预测模型进行优化得到所述时期的最优时间序列预测模型，具体包括：

25、采用所述时期的生产数据对时间序列预测模型集中的各时间序列预测模型进行优化得到所述时期优化后的时间序列预测模型集；

26、采用所述时期优化后的时间序列预测模型集对所述时期的生产数据进行预测，得到所述时期优化后的时间序列预测模型集中各时间序列预测模型对应的预测生产数据；

27、根据所述时期优化后的时间序列预测模型集中各时间序列预测模型对应的预测生产数据与所述时期的生产数据，计算所述时期优化后的时间序列预测模型集中各时间序列预测模型对应的绝对均方根误差和平均绝对误差；

28、根据所述时期优化后的时间序列预测模型集中各时间序列预测模型对应的绝对均方根误差和平均绝对误差确定所述时期的最优时间序列预测模型。

29、可选的，所述采用所述时期的生产数据对所述时期的压裂井生产动态预测模型进行优化得到所述时期的最优压裂井生产动态预测模型，具体包括：

30、以总损失函数最小为目标对所述时期的压裂井生产动态预测模型进行优化得到所述时期的最优压裂井生产动态预测模型；所述总损失函数为第一损失函数值、第二损失函数值和第三损失函数值之和；所述第一损失函数值为根据所述时期的第一预测产量以及所述生产数据中的产油量确定的；所述第二损失函数值为根据所述时期的第一预测产量以及所述时期的第二预测产量确定的；所述第三损失函数值为根据所述时期的最佳产量递减模型的特征参数值以及各特征参数的取值范围确定的；所述时期的第一预测产量为将所述时期的生产数据输入所述时期的最优时间序列预测模型得到的；所述时期的第二预测产量为将所述时期的生产数据输入所述时期的最佳产量递减模型得到的；所述特征参数包括：初始递减率、递减指数、时间无穷大时递减率、周期特征数、双对数曲线截距和双对数曲线斜率。

31、可选的，在所述根据所述时期产量递减时间段的生产数据绘制所述时期对应的产量与物质平衡时间双对数曲线之前，还包括：依次采用孤立森林算法和卡尔曼滤波算法对所述时期产量递减时间段的日产量进行处理。

32、一种耦合物理驱动和数据驱动的压裂井产量预测系统，包括：

33、获取模块，用于获取待预测压裂井各时期的生产数据；所述时期包括自喷期和机采期；

34、生产流态确定模块，用于对于任意一个时期，根据所述时期产量递减时间段的生产数据确定所述时期的生产流态；所述生产流态包括：早期线性流动阶段、瞬变流动阶段和拟稳态流动阶段；

35、最佳产量递减模型确定模块，用于根据所述时期的生产流态确定所述时期的最佳产量递减模型；

36、最优时间序列预测模型确定模块，用于采用所述时期的生产数据对时间序列预测模型集中的各时间序列预测模型进行优化得到所述时期的最优时间序列预测模型；

37、生产动态预测模型确定模块，用于基于内嵌物理知识神经网络原理根据所述时期的最佳产量递减模型和所述时期的最优时间序列预测模型构建耦合物理驱动和数据驱动的所述时期的压裂井生产动态预测模型；

38、最优压裂井生产动态预测模型确定模块，用于采用所述时期的生产数据对所述时期的压裂井生产动态预测模型进行优化得到所述时期的最优压裂井生产动态预测模型，所述时期的最优压裂井生产动态预测模型用于预测所述时期未来时刻所述待预测压裂井的产量。

39、根据本发明提供的具体实施例，本发明公开了以下技术效果：

40、本发明基于内嵌物理知识神经网络原理根据最佳产量递减模型和最优时间序列预测模型构建生产动态预测模型，使得生产动态预测模型结合了物理和机器学习的优点，以实现准确并符合物理规律的预测，可提高压裂井产量预测的准确性。该模型将表示产量递减模型的物理方程作为限制加入到神经网络之中使得模型训练效果更加满足产量递减规律。