脆性页岩裂缝网络模型研究
本文讨论了数据挖掘方法在脆性页岩裂缝网络模型研究中的工作流程.数据库集成了Barnett页岩中超过1000条裂缝带和与之相关的微地震裂缝监测图.裂缝数据库中的压裂设计参数包括支撑剂的用量、比例、质量和大小、射孔长度、破裂压力、地表压力系数和水平井眼尺寸等.本文研究目的是建立压裂设计参数和页岩裂缝网络几何形态之间的关系.使用数据挖掘技术可以在这个复杂的数据库中找到隐藏的关系并以此来解释裂缝网络数据的本质.利用研究的成果可以建立页岩裂缝网络的预测模型.同时,利用这个预测模型改进目前在Barnett页岩中的水力压裂设计.利用数据模拟和数据挖掘技术,包括自组织映射(SOM)聚类算法,来检查这个数据库的各个方面.SOM是无监督的神经网络,它可以将大量的数据集成在二维的训练图象中.使用SOM可以更深入地研究压裂设计参数.在神经网络预测模型中输入压裂设计参数,将会输出裂隙网络的长度、宽度、高度和裂缝体积.利用遗传算法(GA)计算训练区的裂缝网络.对裂缝网络灵敏度的研究表明,页岩压裂参数不同,裂缝的几何形态有差异.例如,随着滑溜水的体积增加,将对裂隙网络的宽度和长度产生积极作用,而对裂隙网络的高度具有负面作用.另一方面,较高的压裂液注入率往往加大裂隙网络的高度.射孔长度对裂缝的生成有负面作用,还会影响储层的体积,因此要优先考虑短距离的射孔作业.这项研究的成果有助于页岩储层中裂缝网络的形成和储层裂缝体积的增大.这将帮助石油公司更有效地进行水力压裂设计,降低脆性页岩压裂作业的生产成本.
2015-03-24(万方平台首次上网日期,不代表论文的发表时间)
26-34