本發(fā)明涉及一種基于智能優(yōu)化算法和機(jī)器學(xué)習(xí)的致密氣日產(chǎn)氣量預(yù)測(cè)評(píng)價(jià)方法，屬于信息技術(shù)和從井中采氣領(lǐng)域。

背景技術(shù)：

0、技術(shù)背景

1、油氣作為重要的戰(zhàn)略資源，各國都給予高度的重視。自20世紀(jì)60年代以來，我國石油蓬勃發(fā)展，但目前大慶油田、長慶油田和勝利油田等主力老油田普遍進(jìn)入高含水或特高含水后期開發(fā)階段，剩余可采儲(chǔ)量由于技術(shù)限制難以采出，油氣產(chǎn)量降低。在各大油田長期開采的過程中，保留了大量的生產(chǎn)數(shù)據(jù)，通過對(duì)這些數(shù)據(jù)進(jìn)行分析，可以發(fā)現(xiàn)可采儲(chǔ)量和地質(zhì)參數(shù)、排采參數(shù)等因素直接的內(nèi)在關(guān)聯(lián)，這對(duì)于更合理地選擇高儲(chǔ)量、易采出的油氣田以及油氣田開采方案選優(yōu)、從而提高油氣產(chǎn)量具有重大意義。然而，隨著生產(chǎn)數(shù)據(jù)持續(xù)增多，過于龐大冗雜的數(shù)量導(dǎo)致數(shù)據(jù)分析越發(fā)困難，傳統(tǒng)人工經(jīng)驗(yàn)分析方法不足以滿足油氣田高效開發(fā)的需求。因而，選擇一種新的高效精準(zhǔn)的方法進(jìn)行數(shù)據(jù)分析，從而進(jìn)一步更好地確立開發(fā)方向，支撐開發(fā)決策也成為一項(xiàng)重要任務(wù)。

2、致密氣是一種非常規(guī)天然氣資源，其儲(chǔ)量分布廣泛。美國是全球領(lǐng)先的致密氣生產(chǎn)國，加拿大、中國、阿根廷等也在致密氣的勘探和生產(chǎn)方面有一些進(jìn)展。我國在鄂爾多斯盆地等地進(jìn)行了致密氣的勘探開發(fā)和生產(chǎn)。致密氣的商業(yè)化開發(fā)改變了全球天然氣市場(chǎng)的格局。致密氣產(chǎn)量的提升導(dǎo)致了天然氣供應(yīng)的增加，對(duì)天然氣價(jià)格也產(chǎn)生了一定的影響，進(jìn)而甚至影響了一些地區(qū)對(duì)天然氣的進(jìn)出口模式。隨著天然氣供需矛盾的日益加劇，加快致密氣開發(fā)勢(shì)在必行，準(zhǔn)確預(yù)測(cè)和評(píng)價(jià)氣井產(chǎn)能對(duì)于氣藏開發(fā)具有重要意義。伴隨著致密氣探明儲(chǔ)量和產(chǎn)量的快速增加，如何提高致密氣的采收率，更加合理且高效的提高致密氣藏的開發(fā)水平是目前待解決的重大研究課題。

3、智能優(yōu)化算法是一種利用生物進(jìn)化、物理規(guī)律或群體智能進(jìn)行全局搜索的方法，可應(yīng)用于解決石油領(lǐng)域諸如油氣產(chǎn)量預(yù)測(cè)和致密氣藏開發(fā)等挑戰(zhàn)。在石油領(lǐng)域，智能優(yōu)化算法可以用于優(yōu)化油氣田開發(fā)方案、預(yù)測(cè)油氣產(chǎn)量、提高致密氣藏的采收率等。通過分析生產(chǎn)數(shù)據(jù)和地質(zhì)參數(shù)，結(jié)合智能優(yōu)化算法的全局搜索能力，可以更精準(zhǔn)地評(píng)估油氣資源儲(chǔ)量和地質(zhì)條件，指導(dǎo)開發(fā)決策的制定。此外，這些算法還可以優(yōu)化鉆井方案、提高油氣勘探效率，從而促進(jìn)石油行業(yè)的可持續(xù)發(fā)展。

4、隨機(jī)森林算法作為機(jī)器學(xué)習(xí)領(lǐng)域的一項(xiàng)重要技術(shù)，其優(yōu)勢(shì)在于處理大規(guī)模、高維度的數(shù)據(jù)，并通過構(gòu)建多個(gè)決策樹，綜合它們的結(jié)果來提高預(yù)測(cè)的準(zhǔn)確性和穩(wěn)定性。這使得它成為解決石油與天然氣行業(yè)復(fù)雜問題的理想選擇之一，為行業(yè)帶來更高效的數(shù)據(jù)分析和決策支持。隨機(jī)森林算法在石油與天然氣行業(yè)的應(yīng)用有望解決諸如勘探、生產(chǎn)優(yōu)化等方面的挑戰(zhàn)，提高行業(yè)的智能化水平和競(jìng)爭(zhēng)力，推動(dòng)行業(yè)向更加智能、高效、可持續(xù)的方向發(fā)展。

5、總體而言，為更好地為致密氣開采確立開發(fā)方向，支撐開發(fā)決策的制定，從而提高致密氣采收率，需要一種適用于致密氣數(shù)據(jù)集復(fù)雜特點(diǎn)且精度較高的合理預(yù)測(cè)評(píng)價(jià)方法。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明目的是：為了解決目前致密氣產(chǎn)量預(yù)測(cè)手段較少、精度不足的問題，本發(fā)明提出一種基于智能優(yōu)化算法和機(jī)器學(xué)習(xí)的致密氣產(chǎn)量預(yù)測(cè)方法，本發(fā)明的技術(shù)方案如下：

2、一種基于智能優(yōu)化算法和機(jī)器學(xué)習(xí)的致密氣日產(chǎn)氣量預(yù)測(cè)評(píng)價(jià)方法，包括以下步驟：

3、s1：建立致密氣產(chǎn)量規(guī)整流程，用以收集致密氣藏中各致密氣井生產(chǎn)周期內(nèi)日產(chǎn)氣量、累計(jì)產(chǎn)氣量及致密氣井產(chǎn)量主控因素，以所述生產(chǎn)周期內(nèi)累計(jì)產(chǎn)氣量作為致密氣井產(chǎn)量等級(jí)評(píng)價(jià)及預(yù)測(cè)模型的分級(jí)衡量指標(biāo)，以所述生產(chǎn)周期內(nèi)日產(chǎn)氣量作為致密氣井日產(chǎn)氣量預(yù)測(cè)模型的標(biāo)簽；

4、s2：基于k近鄰算法建立致密氣產(chǎn)量等級(jí)評(píng)價(jià)及預(yù)測(cè)模型，對(duì)致密氣井產(chǎn)量等級(jí)進(jìn)行評(píng)價(jià)及預(yù)測(cè)；

5、s3：基于優(yōu)化阿基米德優(yōu)化算法優(yōu)化的隨機(jī)森林算法建立致密氣井日產(chǎn)氣量預(yù)測(cè)模型，對(duì)致密氣井產(chǎn)量進(jìn)行預(yù)測(cè)。

6、上述步驟s1中，所述致密氣井產(chǎn)量主控因素包括地質(zhì)因素、排采參數(shù)和施工參數(shù)；

7、上述地質(zhì)參數(shù)包括生產(chǎn)井周圍地質(zhì)特征參數(shù)，如孔隙度、滲透率、含氣飽和度、儲(chǔ)層厚度、儲(chǔ)層深度、動(dòng)態(tài)儲(chǔ)量、井底溫度和井底初始?jí)毫Γ?/p>

8、上述排采參數(shù)包括初始產(chǎn)量、第一年平均產(chǎn)量、峰值產(chǎn)量、平均產(chǎn)量、最大產(chǎn)水速率、平均氣水比、關(guān)井時(shí)間、累計(jì)產(chǎn)水量、井底流壓和日產(chǎn)水量；

9、上述施工參數(shù)包括平均砂比、施工壓力和壓裂液返排率；

10、上述步驟s1中，所述收集的致密氣藏中各致密氣井生產(chǎn)周期內(nèi)日產(chǎn)氣量、累計(jì)產(chǎn)氣量及致密氣井產(chǎn)量主控因素作為數(shù)據(jù)集進(jìn)行后續(xù)預(yù)測(cè)。

11、上述數(shù)據(jù)集中，對(duì)不同因素進(jìn)行歸一化處理，統(tǒng)一量綱便于預(yù)測(cè)；

12、

13、上述數(shù)據(jù)集中，對(duì)有缺失值的數(shù)據(jù)采用插值法進(jìn)行補(bǔ)全；

14、上述數(shù)據(jù)集中，對(duì)噪聲數(shù)據(jù)和異常值進(jìn)行清除。

15、上述步驟s2中，致密氣井產(chǎn)量評(píng)價(jià)指標(biāo)按實(shí)際累計(jì)產(chǎn)量分為高中低三個(gè)等級(jí)，以提高后續(xù)預(yù)測(cè)精度。

16、上述步驟s3中，所述優(yōu)化阿基米德優(yōu)化算法是指，采用三種策略分別插入原算法的頭部、中部、尾部，以加快阿基米德優(yōu)化算法的收斂速度，提高其全局搜索能力。

17、所述優(yōu)化阿基米德優(yōu)化算法的步驟為：

18、1初始化種群，初始化個(gè)體位置，密度和體積

19、2計(jì)算初始種群中每個(gè)個(gè)體的適應(yīng)度，并選擇其中具有最佳適應(yīng)度的個(gè)體為初始個(gè)體3設(shè)置迭代次數(shù)t＝1

20、4while?t＜tmax?do

21、5for每個(gè)對(duì)象ido6使用策略1更新每個(gè)對(duì)象的密度，體積

22、7更新轉(zhuǎn)移因子tf和密度因子dt+1

23、8?if?tf≤0.5then——轉(zhuǎn)到勘察階段

24、9使用策略2更新加速度并標(biāo)準(zhǔn)化加速度

25、10使用策略3更新位置

26、11?else——轉(zhuǎn)到開發(fā)階段

27、12使用策略2更新加速度，標(biāo)準(zhǔn)化加速度

28、13更新f

29、14使用策略3更新位置

30、15?end?if

31、16endfor

32、上述算法步驟中，策略1為混沌logistic映射策略，

33、xn+1＝r·xn·(1-xn)??(2)

34、上述算法步驟中，策略2為高斯隨機(jī)游走策略：

35、xt+1＝xt+∈t??(4)

36、上述算法步驟中，策略3為差分變異擾動(dòng)策略：

37、vi＝xr1+f×(xr2-xr3)??(5)

38、上述步驟s3中，使用大小為15的滑動(dòng)窗口對(duì)已劃分等級(jí)的致密氣單井日產(chǎn)氣量進(jìn)行取樣，并劃分為訓(xùn)練集和測(cè)試集，用以后續(xù)預(yù)測(cè)；

39、上述步驟s3中，使用優(yōu)化阿基米德優(yōu)化算法對(duì)隨機(jī)森林算法進(jìn)行尋優(yōu)，獲得最佳參數(shù)組合；

40、上述步驟s3中，使用所述基于優(yōu)化阿基米德優(yōu)化算法的隨機(jī)森林算法在訓(xùn)練集上進(jìn)行訓(xùn)練，并利用測(cè)試集對(duì)算法精度進(jìn)行驗(yàn)證。

41、本發(fā)明的有益效果是：

42、1、結(jié)合智能優(yōu)化算法和機(jī)器學(xué)習(xí)，并將其應(yīng)用到石油領(lǐng)域，克服了傳統(tǒng)預(yù)測(cè)方法復(fù)雜、難度高的難點(diǎn)，為解決油氣開采問題提供了新手段；

43、2、建立了致密氣井產(chǎn)量分類預(yù)測(cè)模型，以輔助后續(xù)的致密氣產(chǎn)氣量預(yù)測(cè)，獲得精度更高的產(chǎn)量預(yù)測(cè)模型；

44、3、利用混沌logisitic映射、高斯隨機(jī)游走、差分變異擾動(dòng)策略對(duì)阿基米德優(yōu)化算法進(jìn)行了改良，提高了算法的收斂速度，增強(qiáng)了算法的全局搜索能力；

45、4、結(jié)合改良后的算法與隨機(jī)森林算法，與人工選擇超參數(shù)組合相比，能更合理地選擇隨機(jī)森林的參數(shù)組合，提高預(yù)測(cè)精度。