基于随钻测井数据预测破裂压力_郭大立.pdf

投稿网址:www stae com cn2023 年 第23 卷 第5 期2023，23(5):01923-08科学技术与工程Science Technology and EngineeringISSN 16711815CN 114688/T收稿日期:2022-05-10;修订日期:2022-11-11基金项目:国家科技重大专项(2016ZX05042，2016ZX05042_003)第一作者:郭大立(1967)，男，汉族，四川成都人，硕士，教授，博士研究生导师。研究方向:微分方程的理论及应用、科学与工程计算理论及应用、压裂酸化增产技术等。E-mail:guodali swpu edu cn。引用格式:郭大立，王玉基，张小栓，等 基于随钻测井数据预测破裂压力 J 科学技术与工程，2023，23(5):1923-1930Guo Dali，Wang Yuji，Zhang Xiaoshuan，et al Prediction of fracture pressure based on logging-while-drilling dataJ Science Technologyand Engineering，2023，23(5):1923-1930基于随钻测井数据预测破裂压力郭大立1，王玉基1，张小栓2，辛骅志2，康芸玮1(1 西南石油大学理学院，成都 610500;2 新疆油田公司，克拉玛依 834000)摘要破裂压力是判断岩石是否起裂的重要依据，而现有的随钻测井资料仅能解释地应力、弹性模量等参数，缺乏对破裂压力的解释。为了准确预测破裂压力并降低施工压力和风险，基于准格尔盆地 MH 区块的流体扫描成像(flow scanner image，FSI)测试的产出剖面测井资料，区分泡酸与不泡酸两种方式，分别建立广义回归神经网络(generalized regression neural net-work，GNN)模型，对该区块油井开发进行破裂压力预测，并运用交叉验证方法得出光滑因子，通过与真实破裂压力值对比验证模型的准确性，并与反向传播(back propagation，BP)神经网络和 Hubbert-Willis(H-W)模型的预测结果进行对比分析，再基于此预测给出泡酸建议。结果表明:GNN 模型预测结果与实际破裂压力更接近，且均方根误差为 4.54%，平均百分比误差为 0.03%，均优于 BP 神经网络和 H-W 模型。GNN 模型不受地质条件影响且预测精度高，操作简便，可用于该地区破裂压力预测，也可作为后续井 FSI 测试的替代，不但可以为同类地区的施工提供借鉴，而且可以为同地区开发资源节约成本。关键词随钻测井;产出剖面测井;交叉验证;泡酸分析;GNN 模型;破裂压力中图法分类号TE321;文献标志码APrediction of Fracture Pressure Based on Logging-while-drilling DataGUO Da-li1，WANG Yu-ji1，ZHANG Xiao-shuan2，XIN Hua-zhi2，KANG Yun-wei1(1 School of Science，Southwest Petroleum University，Chengdu 610500，China;2 Xinjiang Oilfield Company，Karamay 834000，China)Abstract Fracture pressure is an important basis to judge whether the rock is fractured or not，but the existing logging-while-drill-ing(LWD)logging data can only explain the in-situ stress，elastic modulus and other parameters，and lack the explanation of fracturepressure In order to accurately predict the rupture pressure and reduce the construction pressure and risk，the generated profile logstested by the flow scanner image(FSI)instrument in the MH block of the Junge Basin，a generalized regression neural network(GNN)model was established to predict the fracture pressure of oil well development in this block by differentiating the two methods，and the smooth factor was obtained by cross-validation method The accuracy of the model was verified by comparison with the real rup-ture pressure，and the prediction results of back propagation(BP)neural network and Hubbert-Willis(H-W)model were comparedBased on the prediction，some suggestions of paulic acid were given The results show that the predicted results of GNN model arecloser to the actual rupture pressure，and the root mean square error is 4.54%，and the average percentage error is 0.03%，both ofwhich are better than BP neural network and H-W model GNN model is not affected by geological conditions，has high prediction ac-curacy，and is simple to operate It can be used to predict the fracture pressure in this area，and can also be used as the replacementof FSI instrument flow scanning in subsequent wells It can not only provide reference for the construction of similar areas，but alsosave cost for the development of resources in the same area Keywords logging-while-drilling;production profile logging;cross validation;bubble acid analysis;GNN model;fracture pressure破裂压力是压裂施工时的一项重要参数，能够较精确地预测出破裂压力值，对于安全施工具有重大意义。因准格尔盆地 MH 区块特殊的地质条件，该区块的油田开发效益遭受严重影响，施工现场在压裂过程中普遍存在油压过大、排量提升困难、施工压力高等严重问题，导致施工不能正常进行，酸化预处理是降低破裂压力的一种方式1，酸化预处理对岩石破裂压力的影响也有很多定量的计算方法2-3，主要是依据酸损伤变量预测任意时刻的破裂压力4-5。现有的方法大多仅依赖于应力分布和岩石性质等主要因素，缺乏对随钻测井数据的利用。通过对流体扫描成像(flow scanner image，FSI)产出剖面测井资料进行全面分析，建立数据驱动的机器学习模型，能够更好地适应不同区块的地质条投稿网址:www stae com cn件，发挥更加优良的效果。目前国内外已经有很多关于破裂压力的数值模拟预测方法，如 Hubbert-Willis(H-W)公式、Haim-son-Fairhurst(H-F)公式、黄氏公式等。然而，随钻测井参数和实测破裂压力的回归预测模型却鲜有报道。数值模拟方法具有一定的缺陷，主要是一些参数求取困难且模型不能适用于任何地层。在开发过程中收集到一定的压裂数据资料时，应用数理统计的方法结合其已有的数据资料可以较准确地预测破裂压力，可以为后续开发提供基础信息并且节省开发成本，因此，FSI 产出剖面测井技术在 MH区块得到了应用，随钻测井资料是在施工时直接测量的，受外界影响较小，为预测破裂压力提供了一些数据资料，所以可以更真实地反映地层岩石特征。但单井一天的 FSI 测井花费近百万，极大地增加了该区块致密砾岩油藏的开发成本，将已经测出的 157 簇数据作为样本，利用统计数据建立破裂压力预测模型，进而降低压裂成本。用统计模型预测破裂压力已经有相关文献。Ahmed 等6 采用 5 种方法(包括功能网络、人工神经网络、支持向量机、径向基函数和模糊逻辑)预测破裂压力并对比分析预测效果，结果表明人工神经网络预测精度最高;Yan 等7 分别将粒子群优化算法(particle swarm optimization，PSO)与反向传播(back propagation，BP)神经网络、极限学习机(ex-treme learning machine，ELM)和支持向量机(supportvector machine，SVM)相结合预测破裂压力，并将它们预测结果与传统多元回归分析(multiple regres-sion analysis，L-MA)进行比较，预测精度按 PSO-SVM、PSO-ELM、PSO-BPNN 和 L-MA 的递减顺序排列;李昌盛等8 建立用遗传算法优化 BP 神经网络并将其应用于破裂压力预测，结果表明预测精度高于数值模拟方法。准格尔盆地 MH 区块的致密油储层具有低孔和低渗的特点，H-W 模型是目前使用最多的模型，但H-W 模型预测精度较低，效果较差。非线性映射能力强 和 学 习 速 度 快 是 广 义 回 归 神 经 网 络(generalized regression neural network，GNN)模型的两大优点，最终网络收敛到样本量积聚较多的优化回归面，它对样本较少时的预测效果比其他神经网络模型更优，对于不稳定的样本数据也能较好地处理9，十分契合所选用的数据特点，与其他模型相比，GNN 模型方便设置参数，操作简便，只需要调整一个光滑因子就可以调整网络的性能，对石油工程而言，其具有重要的实用性，所以尝试利用GNN 建立模型预测破裂压力。为降低 MH 区块的开发成本和施工危险，现基于 MH 区块 FSI 测井资料，首次提出将 GNN 模型应用于该区块的破裂压力预测，并对比分析及进行现场实验，证明该预测模型的有效性，以期为该区块的油井开发节约成本，并降低施工风险。1MH 区块概况1.1地质概况MH 区块位于准格尔盆地玛湖凹陷中部，探矿面积 7 300 km2。该地区地质独特，主要特点是埋藏深、物性差、非均质性强、岩石塑性，砾石粒径变化大、天然裂缝不发育等10-11，主要是靠压裂形成的人工裂缝实现石油增产12-13。岩性以中砾岩为主，其次为小砾岩和细砾岩。1.2资源分布概况准格尔盆地 MH 区块是世界上迄今规模最大的砾岩油田，石油资源丰富，石油资源量 156 亿 t，目前已探明的石油储量为 68 亿 t14，如图 1 所示。图 1MH 区块