基于智能計算的水力壓裂施工參數優(yōu)化

摘 要：本文研究基于智能計算的壓裂施工參數優(yōu)化方法，在收集、分析了大量儲層、壓裂、產能數據的基礎上，優(yōu)選出了儲層參數、巖石力學參數、壓裂施工參數和產能參數等，分別建立了用于裂縫模擬的神經網絡專家組和用于產能模擬的神經網絡專家組，采用遺傳算法優(yōu)化施工參數，現(xiàn)場應用效果良好，對其他類似區(qū)塊具有借鑒意義。

關鍵詞：壓裂；智能計算；壓裂參數優(yōu)化

DOI：10.16640/j.cnki.37-1222/t.2017.24.070

1 前言

傳統(tǒng)壓裂施工參數的優(yōu)化是基于數學模型或理論公式的，軟件模擬的結果與實際裂縫監(jiān)測結果都有偏差，軟件可信度越來越低。國內外學者對智能計算方法應用于壓裂工程已經做了一些探索[1-3]。然而這些研究都僅限于探索階段，目前未見到成熟的研究成果和應用的相關文獻報道。本文首先收集了大量壓裂歷史數據，優(yōu)選出儲層參數、巖石力學參數、壓裂施工參數和產能參數等作為建模的基礎，然后分別建立了裂縫模擬神經網絡專家組和產能模擬神經網絡專家組，最后應用遺傳算法優(yōu)化施工方案，形成了軟件并應用于現(xiàn)場。

2 方案設計

2.1 參數分析與優(yōu)選

通過對目標區(qū)塊大量壓裂施工曲線進行大量觀察和總結，發(fā)現(xiàn)壓裂加砂時按照“五段式”加砂方式進行，即攜砂液階段可按照砂比的不同分為五個階段。最終確定了儲層參數5個（深度、地層壓力、滲透率、孔隙度、厚度），巖石力學參數6個（蓋層、底層與儲層的閉合壓力；蓋層、底層與儲層的楊氏模量），壓裂參數12個（排量（RD）、前置液量（V0），第1段～第5段攜砂液量（V1～V5）、第1段～第5段砂濃度（C1～C5））。同時，輸出參數共6個（動態(tài)裂縫長度、支撐裂縫長度、動態(tài)裂縫高度、支撐裂縫高度、平均支撐裂縫寬度和無因次導流能力）。

考慮到目標區(qū)塊一般情況下壓裂可在一年內有效，故選擇研究壓裂后300天內的產量遞減情況。通過研究和對比發(fā)現(xiàn)，目標儲層經過壓裂措施后基本符合對數遞減模型的規(guī)律，式子（1）給出了對數遞減模型。最終選擇輸入參數9個（產層閉合應力、產層壓力、滲透率、孔隙度、產層厚度、支撐裂縫長度、支撐裂縫寬度、無因次導流能力、生產壓差），輸出參數2個（Q0， D）。

（1）

式中 Q—壓裂后的日產量，t/d；

Q0—壓裂后的初始日產量，t/d；

D—產量遞減率，t/log（d）；

t—壓裂后的生產時間，d。

2.2 模型建立

采用BP神經網絡和LM算法，Sigmoid函數作為激活函數，并采用委員會機器的思想建立專家組，提高神經網絡的精度和穩(wěn)定性。使用23×10×10×6的雙隱層BP神經網絡建立裂縫模擬的神經網絡專家組，并分成6組數據進行訓練。為避免初始權值矩陣的影響，進行共計10次的訓練，從中選擇性能最佳的網絡。類似地，選擇使用了5個神經網絡建立專家組對產能參數進行預測，最終確定9×10×10×2的雙隱層網絡結構。

最終得到裂縫模擬的神經網絡專家組預測平均相對誤差為8.87%，比單一網絡預測平均相對誤差低3.14個百分點，產能模擬的神經網絡專家組平均相對誤差11.78%，比單一網絡平均相對誤差小1.03個百分點。

2.3 方案優(yōu)化

在壓裂施工之前應使用凈現(xiàn)值指標建立優(yōu)化模型，使得壓裂施工的NPV最大化，以確保壓裂后具有良好的經濟效益。建立的優(yōu)化目標函數如下：

（2）

其中，RD為排量；Vl為壓裂液量；Vp為支撐劑量。可寫成：

（3）

式中，V0表示前置液量；V1至V5分別表示第1段至第5段的攜砂液量；C1至C5分別表示第1段至第5段的支撐劑濃度。If是對應參數搜索空間。

采用遺傳算法，先對連續(xù)空間進行離散，然后對每個參數的離散點位置進行二進制編碼。先確定搜索空間離散時的取值間隔及對應的編碼位數，每個參數的所有碼對應一個基因，12個基因組成染色體，也就是1個個體。最終結果為凈現(xiàn)值最大的一代種群的個體按凈現(xiàn)值排序組合，決策者可對N個個體進行壓裂方案的決策。

3 應用

針對鄂爾多斯盆地東部區(qū)塊進行了建模，并進行8層的應用，表2為試驗井與歷年壓裂層平均日產油量和平均日產液量的對比情況，試驗井壓裂平均日產油量比往年增加了39.01個百分點，日產液量比往年增加11.37個百分點。總體來看，通過現(xiàn)場應用，達到了壓裂方案科學決策與參數精細優(yōu)化、切實提高壓裂效果的目的。

4 結論

本文建立了一套完整的基于智能計算方法的水力壓裂參數優(yōu)化設計，包括裂縫模擬的神經網絡專家組、產能模擬的神經網絡專家組和基于遺傳算法的經濟優(yōu)化模型。裂縫模擬的神經網絡專家組預測平均相對誤差為8.87%，比單一網絡預測平均相對誤差低3.14個百分點，產能模擬的神經網絡專家組平均相對誤差11.78%，比單一網絡平均相對誤差小1.03個百分點。在8層中進行了試驗，試驗井平均日產油量和日產液量分別比歷年提高了39.01和11.37個百分點，達到了壓裂方案科學決策與參數精細優(yōu)化、切實提高壓裂效果的目的。

參考文獻：

[1]Mohaghegh，S.，Platon V.，Ameri S.（2001）‘Intelligent systems application in candidate selection and treatment of gas storage wells，Journal of Petroleum Science and Engineering，Vol.31，No.2，pp.125-133.

[2]王宗六，李青慧.水力壓裂設計專家系統(tǒng)的開發(fā)及應用[J].斷塊油氣田，2000，7（02）：54-56.

[3]蔣廷學，丁云宏，汪永利等.低滲透難動用儲量壓裂專家系統(tǒng)的研究及應用[J].石油學報，2006，27（05）：79-82.

作者簡介：王少英（1969-），主要從事復雜油氣井測試、壓裂等工作。