融合注意力机制的煤层气产量动态预测

为了提升煤层气产量的预测精度,提出融合注意力(Attention)机制并结合卷积神经网络（convolutional neural networks,CNN）和长短期记忆神经网络（long short term memory,LSTM)的煤层气产量动态预测模型。利用随机森林变量筛选方法,确定井底流压、动液面高度、套压、冲次为排采过程中影响煤层气产量的主控因素;利用CNN信息提取优势,提取煤层气排采数据的特征向量,并将特征向量作为LSTM网络的输入;再将LSTM隐含层融合注意力机制提取重要信息权重,有效解决信息长期依赖性和信息丢失。实验结果表明：融合注意力机制的CNN-LSTM煤层气产量动态预测模型各方面均表现较优。具体表现为：1. 模型预测性能较好,利用不同模型对比预测,改进后的煤层气产量预测模型精度最高,比标准的LSTM预测精度提升了3%~4%;2. 泛化性能较优,预测同一区块不同生产天数的6口煤层气井产量时,预测60天日产气量的平均相对误差均小于5%,预测200天日产气量的平均相对误差均小于8%。     

基于随钻测井数据预测破裂压力

破裂压力是判断岩石是否起裂的重要依据,而现有的随钻测井资料仅能解释地应力、弹性模量等参数,缺乏对破裂压力的解释。为了准确预测破裂压力并降低施工压力和风险,基于MH地区的FSI(Flow Scanner Image)仪器测试的产出剖面测井资料,区分泡酸与不泡酸两种方式分别建立广义回归神经网络(GRNN)模型,对该地区油井开发进行破裂压力预测,并运用交叉验证方法得出光滑因子（σ）,通过与真实破裂压力值对比验证模型的准确性,并与BP神经网络和H-W模型的预测结果进行对比分析,再基于此预测给出泡酸建议。结果表明： GRNN模型预测结果与实际破裂压力更接近,且均方根误差为4. 54%,平均百分比误差为0. 03%,均优于BP神经网络和H-W模型。GRNN模型不受地质条件影响且预测精度高,操作简便,可用于该地区破裂压力预测,也可作为后续井FSI仪器流动扫描的替代,不但可以为同类地区的施工提供借鉴,而且可以为同地区开发资源节约成本。     

基于BP-PSO的致密气压裂施工参数优化

压裂施工参数优化是水力压裂过程中的重要一个环节。为了精准设计压裂施工参数,达到节约开发成本和增产的目的。首先初选出影响水力压裂效果的参数,再用灰色关联分析法对参数进行排序,然后讨论参数个数对BP神经网络模型效果的影响,最终确定参数个数为10个。利用粒子群算法构建日产气量最优化模型,进而反演出最优压裂施工参数。应用于X区块的97口致密气井,BP神经网络模型准确率为86.52%。对7口井进行压裂施工参数优化后,每口井所有层的总平均增产率为5.57%。该方法具有投入成本低和操作简单等优点,为现场压裂设计提供借鉴和参考,具有一定的实际意义。