通过梯度增强回归建模优化紧密气体储裂变参数
Huohai Yang1, Xuanyu Liu2, Xiangshu Chu3
1School of Petroleum Engineering, Southwest Petroleum University, Chengdu, China.
Heliyon
|March 11, 2024
概括
机器学习模型准确地预测了中国的密闭气井生产率,优化了液压压裂参数. 这种方法使天然气产量提高了22.04%,并提高了井的性能.
科学领域:
- 石油工程是石油工程中的一个.
- 机器学习应用 机器学习应用
- 开发水库的开发工作.
背景情况:
- 液压压裂对于中国的非常规石油和天然气,特别是紧密的气体构成至关重要.
- 在垂直多层密封气体储中准确预测井生产率仍然具有挑战性.
- 随着水库状况的恶化和裂变结果的不一致,需要改进预测模型.
研究的目的:
- 开发一种新的回归模型,用于预测水力压裂密封气井的井生产率.
- 优化液压压裂施工参数,以提高井井性能.
- 为奥尔多斯地区的现场工程师提供一个实用的断裂设计方法.
主要方法:
- 从Sulige天然气田井 (2007年以来) 的地质,施工和生产数据的分析.
- 机器学习的应用用于数据清理 (异常值过,缺失值归算).
- 使用k-means集群,分类增强,极端梯度增强和LightGBM用于回归建模.
主要成果:
- 回归模型在集群测试组中实现了70%的准确性.
- 在227个井口中,LightGBM表现出最佳的回归性能.
- 优化的参数导致破裂液和液体积减少,单位和液量增加.
- 182个井的初始产量有所改善,每米天然气产量指数平均增加了22.04%.
结论:
- 开发的机器学习方法可以快速有效地预测生产和优化液压压裂.
- 本研究提出了一种新且适用于紧密气场的断裂设计方法.
- 优化的压裂策略显著提高了井生产率和资源利用率.
更多相关视频
10:06Microfluidic Fabrication Techniques for High-Pressure Testing of Microscale Supercritical CO2 Foam Transport in Fractured Unconventional Reservoirs
Published on: July 2, 2020
6.8K
12:18Pore-scale Imaging and Characterization of Hydrocarbon Reservoir Rock Wettability at Subsurface Conditions Using X-ray Microtomography
Published on: October 21, 2018
13.9K
