数据挖掘与机理模型融合驱动的水平井破裂压力预测方法
本发明属于石油工程，具体涉及数据挖掘与机理模型融合驱动的水平井破裂压力预测方法。
背景技术：
1、准确计算地层破裂压力是致密气水平井压裂成功的关键，自1947年首次将水力压裂技术用于石油开发后，国内外学者针对破裂压力计算机理模型的研究从未间断；但是岩石起裂是一个极其复杂的多场耦合作用过程，各因素之间的相互影响和致密砂岩地层条件的复杂性，再加上套管水泥环以及先压裂缝产生诱导应力的影响，从机理模型的角度对破裂压力进行计算研究难度极大；破裂压力计算机理模型往往都是建立在某些特定的假设条件下，然后在理论假设基础上得到近似表达式，继而得到破裂压力近似解；同时模型在计算过程中需要复杂的迭代计算使得破裂压力的计算效率缓慢，因此目前仍然没有通用的机理模型可以准确、高效的计算水力压裂破裂压力。
2、随着机器学习与油田行业的融合研究出现爆炸性的上升，也有许多学者使用机器学习算法对压裂作业中岩石的破裂压力进行了预测研究，由于机器学习本质上是利用算法实现对现实数据的拟合，学习效果极大程度上依赖于数据的数量和质量。但是在数据规模上，油田数据库无法像商业数据库一样迅速扩充，而且在实际压裂作业中同一个区块的破裂压力只有少量样本；同时，样本存在部分数据缺失的问题，因此受实际油田样本数量的限制，采用单一学习器的算法对某一区块的破裂压力进行建模预测时，出现了过拟合的现象同时预测模型的泛化能力差。
技术实现思路
1、本发明的目的在于提供数据挖掘与机理模型融合驱动的水平井破裂压力预测方法，通过将机理预测模型与现场样本数据相结合，从而可以提高水平井破裂压力预测融合模型的预测精度和泛化能力。
2、本发明通过下述技术方案实现：
3、数据挖掘与机理模型融合驱动的水平井破裂压力预测方法，包括以下步骤：
4、s1：采集目标区块的岩石，通过岩石力学实验获得岩石力学静态参数，
5、s2：通过岩石力学静态参数计算岩石动态参数，并建立岩石力学动静态转换模型，
6、s3：通过机理模型建立机理预测模型并得到机理样本数据，
7、s4：获取现场样本数据，通过机器算法建立算法预测模型，
8、s5：将机理预测模型与算法预测模型相结合获得水平井破裂压力预测融合模型。
9、进一步地，步骤s1中，通过岩石力学实验获得的岩石力学静态参数包括：弹性模量静态参数、泊松比静态参数、抗张强度静态参数和地应力静态参数。
10、进一步地，步骤s2中通过岩石力学静态参数计算岩石动态参数的具体方法为：通过将岩石力学静态参数与声波时差测井计算模型相结合得到弹性模量动态参数、泊松比动态参数、抗张强度动态参数和地应力动态参数。
11、进一步地，步骤s3中，所述通过机理模型建立机理预测模型的具体操作步骤包括：建立水平井分段压裂井周应力场模型，将水平井分段压裂井周应力场模型与岩石破裂准则相结合建立机理预测模型，并通过机理预测模型生成反馈破裂压力的机理样本数据。
12、进一步地，所述建立水平井分段压裂井周应力场模型时采用叠加原理，包括对原地应力、井筒内压、岩石热效应、压裂液渗流效应以及套管水泥环的参数判断。
13、进一步地，步骤s4中，所述通过机器算法建立算法预测模型的具体步骤包括：获取现场样本数据后，基于模型评估指标实现机器算法输入参数的筛选，基于现场样本数据与机器算法结合建立算法预测模型。
14、进一步地，所述获取现场样本数据的具体方法为：对目标区块破裂压力现场实际数据进行集成，通过数据预处理得到现场实际破裂压力的现场样本数据。
15、进一步地，所述机器算法包括机器学习算法和集成算法，所述机器学习算法包括：knn，线性回归、svr和lasso；所述集成算法包括：随机森林、adaboost、gbdt和xgboost。
16、进一步地，步骤s5中，所述将机理预测模型与算法预测模型相结合时，现场样本数据与机理样本数据的比例为1:1.5。
17、进一步地，所述获得水平井破裂压力预测融合模型后，采用基于高斯混合模型的tpe算法对水平井破裂压力预测融合模型的超参数进行优化。
18、本发明与现有技术相比，具有以下优点及有益效果：
19、1)本发明中，通过机理模型建立机理预测模型并获得机理样本数据，将现场数据集成，通过机器算法建立算法预测模型，将机理样本数据融合到现场样本数据中以建立数据挖掘与机理预测模型融合驱动的水平井破裂压力预测融合模型，用来解决机理预测模型迭代计算效率慢、难以全面反映致密砂岩储层复杂的地质情况，以和纯现场样本数据建立的算法预测模型存在泛化能力弱且过拟合现象的问题。
20、2)本发明中，通过优选机理样本数据和现场样本数据的融合比例以及采用基于高斯混合模型的tpe算法对融合驱动的水平井破裂压力预测融合模型进行优化从而提升水平井破裂压力预测融合模型预测的准确性。
技术特征：
1.数据挖掘与机理模型融合驱动的水平井破裂压力预测方法，其特征在于，包括以下步骤：
2.如权利要求1所述数据挖掘与机理模型融合驱动的水平井破裂压力预测方法，其特征在于，步骤s1中，通过岩石力学实验获得的岩石力学静态参数包括：弹性模量静态参数、泊松比静态参数、抗张强度静态参数和地应力静态参数。
3.如权利要求2所述数据挖掘与机理模型融合驱动的水平井破裂压力预测方法，其特征在于，步骤s2中通过岩石力学静态参数计算岩石动态参数的具体方法为：通过将岩石力学静态参数与声波时差测井计算模型相结合得到弹性模量动态参数、泊松比动态参数、抗张强度动态参数和地应力动态参数。
4.如权利要求1所述数据挖掘与机理模型融合驱动的水平井破裂压力预测方法，其特征在于，步骤s3中，所述通过机理模型建立机理预测模型的具体操作步骤包括：建立水平井分段压裂井周应力场模型，将水平井分段压裂井周应力场模型与岩石破裂准则相结合建立机理预测模型，并通过机理预测模型生成反馈破裂压力的机理样本数据。
5.如权利要求4所述数据挖掘与机理模型融合驱动的水平井破裂压力预测方法，其特征在于，所述建立水平井分段压裂井周应力场模型时采用叠加原理，包括对原地应力、井筒内压、岩石热效应、压裂液渗流效应以及套管水泥环的参数判断。
6.如权利要求1所述数据挖掘与机理模型融合驱动的水平井破裂压力预测方法，其特征在于，步骤s4中，所述通过机器算法建立算法预测模型的具体步骤包括：获取现场样本数据后，基于模型评估指标实现机器算法输入参数的筛选，基于现场样本数据与机器算法结合建立算法预测模型。
7.如权利要求6所述数据挖掘与机理模型融合驱动的水平井破裂压力预测方法，其特征在于，所述获取现场样本数据的具体方法为：对目标区块破裂压力现场实际数据进行集成，通过数据预处理得到现场实际破裂压力的现场样本数据。
8.如权利要求6所述数据挖掘与机理模型融合驱动的水平井破裂压力预测方法，其特征在于，所述机器算法包括机器学习算法和集成算法，所述机器学习算法包括：knn，线性回归、svr和lasso；所述集成算法包括：随机森林、adaboost、gbdt和xgboost。
9.如权利要求1所述数据挖掘与机理模型融合驱动的水平井破裂压力预测方法，其特征在于，步骤s5中，所述将机理预测模型与算法预测模型相结合时，现场样本数据与机理样本数据的比例为1:1.5。
10.如权利要求1所述数据挖掘与机理模型融合驱动的水平井破裂压力预测方法，其特征在于，所述获得水平井破裂压力预测融合模型后，采用基于高斯混合模型的tpe算法对水平井破裂压力预测融合模型的超参数进行优化。
技术总结
本发明公开了数据挖掘与机理模型融合驱动的水平井破裂压力预测方法，包括：通过岩石力学实验获得岩石力学静态参数和动态参数，并建立岩石力学动静态转换模型；通过机理模型建立机理预测模型并得到机理样本数据；获取现场样本数据，通过机器算法建立算法预测模型；将机理样本数据融合到现场样本数据中以建立数据挖掘与机理预测模型融合驱动的水平井破裂压力预测融合模型，用来解决机理预测模型迭代计算效率慢、难以全面反映致密砂岩储层复杂的地质情况，以和纯现场样本数据建立的算法预测模型存在泛化能力弱且过拟合现象的问题。
技术研发人员：杨火海,李富伟,谢秉宏,付玉,张铭洲
受保护的技术使用者：西南石油大学
技术研发日：
技术公布日：2024/9/23