基于时间序列方法的致密气藏压裂水平井产能预测研究
目前世界能源正逐渐向天然气等新能源过度，致密砂岩气是其中资源量最可靠也是我国目前经济技术条件下开采非常规天然气资源的最佳选择。传统的气藏工程方法不仅计算复杂而且模型限制条件多，数值模拟存在建模时间长、裂缝参数描述不精确和渗流机理单一等局限性。因此，在致密砂岩气藏开发过程中，需要探索更为准确高效的产能预测方法。本文使用S区块127口致密气藏压裂水平井的历史产能数据及生产制度数，开展以下研究: 首先，本文对S区块的水平井产能数据进行研究，制定气井动态分类标准，依据动态分类标准将S区块的水平井分为三类。 其次，采用时间序列方法对致密气藏压裂水平井的产能预测进行研究，基于传统时间序列方法构建ARIMA产能预测模型。但因传统时间序列方法产量仅与时间单因素相关,无法考虑生产制度等因素对产能的影响。进而建立基于机器学习的时间序列方法的BP、SSA-BP、LSTM、PSO-LSTM四种产能预测模型，但四种模型均为纯数据驱动，模型的适应性与可解释性不佳。 再次，为克服纯数据驱动存在的适应性不佳问题，将递减曲线与神经网络结合来来,构建递减曲线与数据驱动神经网络模型，通过3口水平井的实际生产数据对不同递减曲线与数据联合驱动神经网络模型进行验证，优选出MFF递减曲线与数据联合驱动神经网络模型。 最后，使用CMG模拟出的理想产能数据和实际生产数据对本文构建的六种模型进行验证，并对六种模型预测效果进行排序。预测结果表明，针对理想产能数据和三类井的实际生产数据，MFF递减曲线与数据联合驱动模型的精度均为最高，RMSE分别为0.001、0.058、0.078、0.001。递减曲线与数据联合驱动神经网络模型比纯数据驱动模型预测效果更加理想。
致密气藏;压裂水平井;时间序列;机器学习;神经网络;产能预测
西安石油大学
硕士
石油与天然气工程
王俊奇
2023
中文
TE38
2023-08-28（万方平台首次上网日期，不代表论文的发表时间）