基于神经网络模型的水平井破裂压力预测方法

破裂压力是井身结构设计的基础依据，也是水力压裂设备选型和方案设计的基础参数，通常采用测井解释获取破裂压力剖面，但其存在参数准确获取难、计算过程繁琐、普适性较差、计算精度低等问题，机器学习提供了一种解决这些问题的新方法。为此，以测井数据作为输入参数，采用4种不同的神经网络模型，建立水平井测井数据与破裂压力间的非线性关系，通过测试集预测结果的对比分析，优选出最佳的神经网络模型，并优化模型网络结构和超参数，实现水平井破裂压力的直接预测。研究结果表明：1)破裂压力与井斜角、横波时差和纵波时差表现为极强相关性，与井深、岩性密度和补偿中子表现为强相关性，与井径和自然伽马表现为弱相关性；2)不同组合的测井参数对模型预测结果具有显著影响，最优输入参数为井斜角、横波时差、纵波时差、井深、岩性密度和补偿中子；3)对比多层感知机、深度神经网络、循环神经网络和长短期记忆神经网络(LSTM)模型，发现LSTM模型的预测效果最佳；4)优化了LSTM模型的网络结构及超参数，优化后破裂压力预测的平均绝对百分比误差为0.106%、决定系数为0.996。LSTM模型能够有效构建水平井测井参数与破裂压力之间的非线性关系，可...