在通过机器学习驱动的多源数据挖掘重塑低页岩油生产井后,产量增加的潜在评估.

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:

• 页岩水库开发越来越依赖于水平井,越来越多的部分产量较低.
• 有效的折射对于最大限度地从这些井中回收至关重要,需要准确的生产潜力评估.

研究的目的:

• 开发一种新的方法来评估页岩水库中低产水平井的重复破裂潜力.
• 确定影响折射成功的关键地质和工程参数.

主要方法:

• 编制了149个井的数据集,具有27个参数.
• 开发了一个优化的XGBoost算法,并与其他七个机器学习模型进行了比较.
• 用特征重要性和差异通胀因子分析来选关键参数.

主要成果:

• 优化的XGBoost模型在测试数据上获得了0.904的R平方值,超过了其他算法.
• 确定了六个关键参数:注入量/强度,地质储量,流体量,形成长度和裂变阶段.
• 该模型成功评估了29个候选井,确定了两个优先进行折射的候选井.

结论:

• 提出的基于XGBoost的方法为评估低产量页岩井的折射潜力提供了可靠的方法.
• 根据已识别的参数对井的优先考虑可以优化压裂决策,并加强页岩油开发.
• 这项研究提供了一个理论和技术基础,通过有针对性的折射来提高页岩油回收的效率.