基于支持向量機的致密油藏水平井體積壓裂 初期產能預測*

陳 浩 張 超,2 徐程浩 王智林 李芳芳 尚云志 張蘇杰 李 旋

(1. 中國石油大學(北京)安全與海洋工程學院 北京 102249； 2. 中國石油遼河油田分公司勘探開發研究院 遼寧盤錦 124011；3. 中國石化江蘇油田分公司勘探開發研究院 江蘇揚州 225009； 4. 中海油能源發展股份有限公司工程技術分公司 天津 300452；5. 大慶油田有限責任公司勘探開發研究院 黑龍江大慶 163712； 6. 渤海鉆探工程有限公司井下技術服務公司 天津 300283)

致密油藏儲層物性差，孔喉結構復雜，常規直井開發經濟效益較差，多采用水平井多級壓裂技術提高產量。由于體積壓裂后，縫網結構復雜、壓裂參數與產量之間呈復雜映射關系，常規經驗公式法和數值解析法在產能預測方面效果欠佳，且對于新數據適應性弱，推廣難度大[1-5]。

隨著人工智能的迅猛發展，神經網絡、支持向量機、貝葉斯網絡、隨機森林等機器學習方法理論基礎完善、泛化性強、實際應用過程中方便快捷，相比較于傳統方法優勢明顯，逐漸在油氣產能預測領域得到廣泛應用[6-13]。2009年，葉雙江 等基于灰色關聯與神經網絡技術，對多因素非線性影響下的水平井初始產量進行了預測，相對誤差在10%以內[14]；2010年，劉科 等采用最小二乘支持向量機，結合產能公式，建立了水平井產量預測的支持向量機模型[15]；2012年，莊華 等采用BP神經網絡模型，結合測井數據和壓力施工參數，對朝長地區扶楊油層壓裂產量進行了預測[16]；2018年，殷榮網 等利用改進的粒子群優化支持向量機算法，通過構建地質因素與產量之間的非線性映射關系，建立了油井單井產能預測模型，其預測效果要比基因遺傳神經網絡算法更優[17]。……