水力压裂设计优化的数据驱动模型：聚焦数字数据库构建与生产预测
系统与控制
2020-07-21 v3 机器学习
系统与控制
摘要
近二十年来水力压裂（HF）作业数量的增长产生了大量实测数据，可用于通过机器学习（ML）开发预测模型。在多段压裂完井中，压裂后生产分析显示，由于地质力学与压裂设计因素的共同作用，不同段的生产极不均匀。因此，当前设计实践有显著的改进空间。工作流程本质上分为两个阶段。作为第一阶段成果，本文总结了从俄罗斯西西伯利亚约 20 个不同油田数千次多段 HF 作业创建现场数据数字数据库的努力。就数据点（压裂作业）数量而言，本数据库约为 5000 个数据点的代表性数据集，属罕见案例。数据库中每个点包含 92 个输入变量（储层、井及压裂设计参数）的向量与生产数据向量，后者由 16 个参数表征，包括目标变量累计产油量。数据准备采用多种 ML 技术：数据库中缺失值问题通过协同过滤进行数据填补解决；离群值利用 t-SNE 算法对聚类数据结构可视化予以剔除。生产预测问题通过 CatBoost 算法求解。模型预测能力以决定系数（R^2）衡量，达到 0.815。反问题（选择最优压裂设计参数组合以最大化产量）将在本研究第二部分（另文发表）中考虑，同时包括为 DESC 与生产增产工程师提供优化压裂设计建议的推荐系统。
引用
@article{arxiv.1910.14499,
title = {Data-driven model for hydraulic fracturing design optimization: focus on building digital database and production forecast},
author = {A. D. Morozov and D. O. Popkov and V. M. Duplyakov and R. F. Mutalova and A. A. Osiptsov and A. L. Vainshtein and E. V. Burnaev and E. V. Shel and G. V. Paderin},
journal= {arXiv preprint arXiv:1910.14499},
year = {2020}
}