Introductiesectie - door - Sectie en Multi - Cluster Fracture Network Fracturing in horizontale putten is de kerntechnologie in de ontwikkeling van schaliegas. Vanwege de kosten en andere factoren in sommige schaliegasvelden worden slechts enkele putten onderworpen aan conventionele houtkap, en de zoete vlekken in de horizontale secties kunnen niet worden voorspeld met traditionele methoden. De data -aangedreven methode kan multi - bronnen datamining gebruiken om de toewijzingsrelatie tussen het blokreconstructie -effect en de geologie - engineering zoete - spot -indexparameters te construeren en is op grote schaal gebruikt in de reservoirreconstructie. Dit artikel heeft als doel een gegevensgestuurd model te construeren op basis van boor- en loggegevens om de intelligente optimalisatie van sectie te realiseren - door - sectie en multi - clusterdifferentiële breukparameters voor horizontale schaliegashorizontale putten.
Uitgebreide Sweet - Spot -evaluatie en reservoirclassificatie Geomechanische parameter Feature Engineering De gegevens worden omgezet in normale verdeling door doos - Cox -transformatie om scheefheid te verminderen en de modelbetrouwbaarheid te verbeteren. De hoofdcomponentanalyse wordt gebruikt om de parameterdimensie te verminderen en redundante informatie te verwijderen om de potentiële patronen in de gegevens te onthullen. Type - 2 INTERVAL LIDMIDDICHT FUNCTIE TYPE - 2 fuzzy logic overwint de beperkingen van type - 1 fuzzy logic, en het intervaltype - 2 Gaussiaanse distributie -lidmaatschapsfunctie transformeert de drie - dimensionale ruimtevaart lidmaatschapsfunctie in een twee - dimensionale onzekerheid domein. De niveaus van de lidmaatschapsfunctie worden verdeeld volgens de belangrijkste componentverschillen en de lidmaatschapsmatrix is geconstrueerd. Uitgebreide evaluatie- en reservoirclassificatie Een fuzzy uitgebreid evaluatiemodel van geologie - Engineering Sweet Spots wordt geconstrueerd door het intervaltype - 2 lidmaatschapsfunctie en de entropiegewichtmethode te combineren om de gewichten van elke hoofdcomponent te bepalen en de gewichtsmatrix te construeren. De uitgebreide evaluatiematrix wordt verkregen door de gewichtsmatrix en de lidmaatschapsmatrix samen te voegen, en het k - medoids -clusteringalgoritme wordt gebruikt om reservoirtypen te classificeren, waardoor een basis biedt voor de optimalisatie van breukconstructieparameters.
Intelligente optimalisatie van breukconstructieparameters Machine - Leerproductiviteitsvoorspelling Model Het DNN (Deep Neural Network) bestaat uit een inputlaag, een verborgen laag en een uitvoerlaag en heeft het vermogen van hiërarchisch leren. Het model wordt vastgesteld door stappen zoals gewichtinitialisatie, voorwaartse voortplanting, verliesberekening, achterwaartse verspreiding en gewicht en bias -updates. Parameter Parameter Intelligent optimalisatiemodel De PSO (deeltjeszwermoptimalisatie) wordt gebruikt om de DNN -hyperparameters te optimaliseren met de beste som van de goedheid - van - fit van de trainingsset en de testset als doel. Vervolgens worden op basis van het DNN -model de breukparameters geoptimaliseerd met de optimale voorspelde productie onder verschillende reservoirgeologische omstandigheden als doelwit, en een data -aangedreven intelligente optimalisatiemethode voor de sectie - door - sectie en cluster - door - clusterposities en bouwparameters van fracturerende putten wordt vastgesteld.
Veldtoepassing die de diepe - laag schalie gasreservoirs van de Upper Ordovician Wufeng Formation neemt - Lagere Silurische Longmaxi -vorming in het zuidoostelijke Sichuan -bekken als een voorbeeld, met meerdere parameters in de while - Boor logboekgegevens als geologische karakteristieke parameters en mechanische specifieke energie als mechanische karakteristieke parameters, uitgebreide sweet -parameters, uitgebreide sweet -parameters en constructie -parameters worden doorgevoerd. Door de analyse van steekproefgegevens wordt de betrouwbaarheid van uitgebreide reservoirzoet - spot -evaluatie op basis van boor- en logboekgegevens geverifieerd. According to the reservoir classification results, the particle swarm optimization algorithm is used to optimize the construction parameters, and the average gas production index per meter of the first 8 sections in the field - applied wells has increased by 73.1%, indicating that this method can effectively realize the fine characterization of reservoir comprehensive sweet spots and the differential optimization of fracturing construction parameters for shale gas wells based on while - drilling logging and logging gegevens.
Conclusies Feature - Engineering betekent verbeteren van de nauwkeurigheid van de stabiliteit en de voorspelling van het gegevens -aangedreven model en leg de basis voor het uitgebreide evaluatiemodel. Boor- en logparameters spelen een belangrijke rol in de uitgebreide zoete sweet evaluatie van reservoirs en de optimalisatie van breukparameters, en kan een basis bieden voor het ontwerp van sectie - door - sectie en cluster - door - clusterposities in horizontale putten en de optimalisatie van bouwparameters. Het data -aangedreven model zal naar verwachting een nieuwe motor worden om de intelligente ontwikkeling van breuktechnologie te bevorderen en de beperking van ontbrekende invoerparameters in traditionele fysieke modellen te doorbreken. Samenvattend heeft de intelligente optimalisatiemethode van sectie - door - sectie en multi - clusterdifferentiële breukenparameters voor horizontale putten van schaliegas op basis van boor- en logboekgegevens een hoge applicatiewaarde en promotieperspectieven en biedt een nieuw technisch middel voor schaliegasontwikkeling.