深度前馈神经网络在页岩气井单井最终可采储量（EUR）预测中的应用——以川南威远页岩气示范区为例

【作者】 刘钰洋； 马新华； 熊伟； 张晓伟； 郭为； 康莉霞； 于荣泽； 孙玉平；

【机构】 中国石油勘探开发研究院； 国家能源页岩气研发(实验)中心； 中国石油集团煤岩气重点实验室；

【摘要】 页岩气作为非常规油气资源的一种,是未来全球能源结构优化,接力替换的重要支柱之一。页岩气井常采用"水平井+多段水力压裂"的方式进行规模化开采,以期获得最大的经济效益,页岩气井最终可采储量(Estimate Ultimate Recovery,EUR)是决定其经济有效开发的重要的参数之一。现有页岩气井EUR评价方法多为知识驱动方法,主要包括了经验产量递减法、现代产量递减法(包括流动物质平衡法)、模拟预测法(解析模型法、数值模拟法)和概率法几种不同的类型。EUR受到地质、工程、开发等多种因素的影响,页岩气井EUR准确预测具有一定的挑战。深度学习作为一种人工智能算法,可以从多种复杂的原始数据中提取对应模式,在非线性数据回归方面具有较强的优势,基于深度学习算法进行页岩气井EUR预测具有一定的可行性。本文基于中国川南威远页岩气示范区282口井地质评价资料、压裂施工资料、生产资料和常规EUR评价结果,设计实现了一种基于深度学习算法的页岩气EUR评价方法。选取本地区地质因素、工程因素和生产因素共17种不同的参数(地质因素:TOC、孔隙度、优质储层厚度、含气饱和度、压力系数、脆性矿物含量;工程因素:压裂段长、压裂段数、垂深、平均段间距、用液强度、加砂强度、平均排量、优质储层钻遇长度、目的层钻遇长度;生产因素:测试产量、首年日产),设计了6中不同的数据组合方案,进行了方法有效性的测试,预测结果与实际结果展现出了较好的一致性,误差较小。更多还原