第30卷第1期油气地质与采收率Vol.30,No.12023年1月PetroleumGeologyandRecoveryEfficiencyJan.2023—————————————收稿日期：2022-03-15。作者简介：盖建（1990—），女，黑龙江双城人，工程师，硕士，从事油气田开发理论、大数据与人工智能工作。E-mail：gaijian@petrochina.com.cn。基金项目：国家科技重大专项“大庆长垣特高含水油田提高采收率示范工程”（2016ZX05054），中国石油天然气集团有限公司重大科技专项“大庆油气持续有效发展关键技术研究与应用—特高含水后期水驱高效精准挖潜技术研究与规模应用”（2016E-0205）。文章编号：1009-9603（2023）01-0161-10DOI：10.13673/j.cnki.cn37-1359/te.202203015基于自动机器学习的采油井压裂效果预测方法盖建1，2（1.国家能源陆相砂岩老油田持续开采研发中心，黑龙江大庆163712；2.中国石油大庆油田有限责任公司勘探开发研究院，黑龙江大庆163712）摘要：目前大庆油田采油井压裂效果预测时多是凭借经验或者多元线性回归等简单模型，存在着预测结果稳定性差且预测精度不高的问题。以大庆油田N23区块为例，借助数理统计方法对采油井压裂效果与各项影响因素开展了相关性分析，并采用随机森林算法研究了各影响因素对N23区块采油井压裂效果的影响程度；阐述了自动机器学习中元学习、贝叶斯优化和模型集成这三项关键技术的原理以及实现方法，并利用自动机器学习建立了基于数据驱动的采油井压裂效果预测模型；同时，将自动机器学习预测模型与随机森林、支持向量机和神经网络这3种常见机器学习算法的预测性能进行了对比，并利用该自动机器学习预测模型对N23区块的水力压裂进行设计与优化。结果表明，压裂前的生产参数对预测采油井压裂效果有着重要的影响；自动机器学习预测模型比其他算法的精度更高，模型在测试集上的决定系数为0.695，预测结果相对误差的平均值为18.96%，比目前水平降低了57.53%；经过模型优化的压裂方案较原方案增加经济效益约3.2×104~27.4×104元/井次。关键词：水力压裂；自动机器学习；元学习；贝叶斯优化；模型集成；大庆油田中图分类号：TE357.1文献标识码：APredictionmethodforhydraulicfracturingeffectofoilproductionwellbasedonautomaticmachinelearningtechnologyGAIJian1，2（1.R&DCenterofSustainableDevelopmentofContinentalSandstoneMatureOilfield，DaqingCity，HeilongjiangProvince，163712，China；2.ExplorationandDevelopmentResearchInstitute...
