楊紅梅，薛 敏，楊 泱，馬磊磊，馮志強(qiáng)

(1.長(zhǎng)治市綜合檢驗(yàn)檢測(cè)中心，山西 長(zhǎng)治 046000； 2.中國(guó)石油長(zhǎng)慶油田 油氣工藝研究院，陜西 西安 710016； 3.西南石油大學(xué) 石油與天然氣工程學(xué)院，四川 成都 610500)

引 言

為了提升頁巖油藏的開發(fā)效果，近年來水力壓裂結(jié)合燜井的開發(fā)方式在各油田逐步得到應(yīng)用[1-6]。然而在燜井開發(fā)過程中，合理燜井時(shí)間難以確定，影響因素眾多，且數(shù)值模擬計(jì)算時(shí)間長(zhǎng)，計(jì)算成本高，這些問題增加了制定合理燜井開發(fā)方案的難度[7-9]。近年來，隨著機(jī)器學(xué)習(xí)方法的不斷發(fā)展，油氣領(lǐng)域的機(jī)器學(xué)習(xí)應(yīng)用也快速興起[10-16]。相較于傳統(tǒng)數(shù)值模擬方法，機(jī)器學(xué)習(xí)模型一旦訓(xùn)練完成，預(yù)測(cè)新樣本的時(shí)間僅需數(shù)秒，大大節(jié)省了計(jì)算成本[17]，且訓(xùn)練完成的機(jī)器學(xué)習(xí)模型可以直觀地展現(xiàn)輸入?yún)?shù)對(duì)輸出參數(shù)的影響程度[18]，可為實(shí)際燜井方案設(shè)計(jì)提供理論參考。然而目前針對(duì)頁巖油儲(chǔ)層燜井作業(yè)，尤其是如何選取合理的燜井時(shí)間，尚未發(fā)現(xiàn)相關(guān)機(jī)器學(xué)習(xí)研究，機(jī)器學(xué)習(xí)模型在該問題上的適用性與準(zhǔn)確性尚未得到驗(yàn)證，亟需進(jìn)一步的探索研究。

為了確定頁巖油藏開發(fā)的合理燜井時(shí)間，以中國(guó)西北某頁巖油藏Y區(qū)塊268口生產(chǎn)井為訓(xùn)練樣本，建立了不同機(jī)器學(xué)習(xí)方法的預(yù)測(cè)模型，包含支持向量回歸、多變量線性回歸以及多層神經(jīng)網(wǎng)絡(luò)方法，并通過預(yù)測(cè)準(zhǔn)確率對(duì)比，確定不同模型在該樣本條件下的模型適用性與預(yù)測(cè)準(zhǔn)確性。通過提取模型訓(xùn)練完成后的相關(guān)系數(shù)，可以了解到不同輸入?yún)?shù)對(duì)合理燜井時(shí)間的影響。以Y區(qū)塊X-1水平井為例，進(jìn)行了燜井時(shí)間優(yōu)化，對(duì)比優(yōu)化前后的產(chǎn)量數(shù)據(jù)，為現(xiàn)場(chǎng)實(shí)際開發(fā)提供一定的指導(dǎo)意義。

1 學(xué)習(xí)樣本庫(kù)的生成

機(jī)器學(xué)習(xí)過程中，合理的數(shù)據(jù)模型設(shè)計(jì)與學(xué)習(xí)樣本構(gòu)建有助于提升模型預(yù)測(cè)的準(zhǔn)確性。然而油田現(xiàn)場(chǎng)提供的數(shù)據(jù)體存在諸多問題，無法直接運(yùn)用于機(jī)器學(xué)習(xí)模型中。首先，部分?jǐn)?shù)據(jù)缺失嚴(yán)重，且需進(jìn)行降噪處理；其次，雖然Y區(qū)塊大部分生產(chǎn)井都進(jìn)行了燜井作業(yè)，然而該燜井時(shí)間可能并非是該儲(chǔ)層條件下的最優(yōu)燜井方案，直接使用會(huì)有降低模型適用性的風(fēng)險(xiǎn)；此外，現(xiàn)場(chǎng)施工存在較多隨機(jī)措施，包括關(guān)井維修、動(dòng)液面調(diào)整等，這些臨時(shí)性措施對(duì)于該井最終生產(chǎn)效果存在不確定性影響。對(duì)于數(shù)據(jù)集中關(guān)鍵的合理燜井時(shí)間，需利用數(shù)值模擬進(jìn)行對(duì)比優(yōu)選得出。

合理燜井時(shí)間的數(shù)值模擬優(yōu)選，采用油藏?cái)?shù)值模擬程序MRST。合理燜井時(shí)間優(yōu)選步驟如下：①匯總所有生產(chǎn)井的儲(chǔ)層物性參數(shù)與施工參數(shù)；②針對(duì)某一生產(chǎn)井，首先加載基礎(chǔ)物性參數(shù)，并利用MRST提供的嵌入式離散裂縫模塊，自動(dòng)構(gòu)建相應(yīng)條數(shù)的壓裂裂縫；③依照對(duì)應(yīng)生產(chǎn)井的施工參數(shù)，進(jìn)行模型其他參數(shù)自動(dòng)賦值；④分別計(jì)算燜井0 d，40 d，80 d和120 d后，連續(xù)生產(chǎn)1 000 d的累產(chǎn)油量；⑤對(duì)比累產(chǎn)油量，尋找累產(chǎn)油量產(chǎn)量峰值點(diǎn)；⑥假設(shè)燜井80 d對(duì)應(yīng)累產(chǎn)油量最高，則額外計(jì)算燜井60 d與100 d的累產(chǎn)油量，之后對(duì)比燜井40 d，60 d，80 d，100 d和120 d后的累產(chǎn)油量，繼續(xù)尋找累產(chǎn)量峰值點(diǎn)，并循環(huán)該步驟4次，所找到的最終累產(chǎn)峰值點(diǎn)對(duì)應(yīng)的燜井時(shí)間即認(rèn)為合理燜井時(shí)間；⑦返回該井的合理燜井時(shí)間優(yōu)選結(jié)果，調(diào)取下一口井的數(shù)據(jù)，循環(huán)步驟①至⑥。通過以上步驟，即可得到268口生產(chǎn)井所對(duì)應(yīng)的合理燜井時(shí)間，可生成數(shù)據(jù)應(yīng)用于機(jī)器學(xué)習(xí)模型中。

以Y區(qū)塊生產(chǎn)水平井X-27為例，其優(yōu)選步驟如圖1所示。第一輪對(duì)比發(fā)現(xiàn)燜井80 d累產(chǎn)量最高，為8 123.5 t； 增加燜井60 d以及100 d的算例后，最優(yōu)燜井時(shí)間為60 d，累產(chǎn)油量為8 199.3 t；增加了燜井50 d以及70 d的算例后，最優(yōu)燜井時(shí)間仍為60 d；增加燜井55 d以及65 d的算例后，最優(yōu)燜井時(shí)間仍為60 d；增加了燜井58 d以及63 d的算例后，最優(yōu)燜井時(shí)間為58 d，累產(chǎn)油量為8 208.6 t；增加燜井57 d以及燜井59 d算例后，最優(yōu)燜井時(shí)間為59 d，累產(chǎn)油量為8 214.6 t。因此該井合理燜井時(shí)間為59 d，對(duì)應(yīng)優(yōu)化后的平面含油飽和度分布如圖1中所示。

圖1 Y區(qū)塊生產(chǎn)水平井X-27最優(yōu)燜井時(shí)間優(yōu)選步驟與優(yōu)選后含油飽和度分布

由于機(jī)器學(xué)習(xí)模型的輸入?yún)?shù)數(shù)量有限，因此在模型構(gòu)建之前，還需要進(jìn)行輸入?yún)?shù)的篩選，目的在于選出能夠影響燜井效果的主要因素，篩選標(biāo)準(zhǔn)為實(shí)際提供的樣本數(shù)據(jù)以及其對(duì)計(jì)算結(jié)果的影響程度。經(jīng)過篩選，11個(gè)參數(shù)被選為輸入?yún)?shù)，分別為滲透率、孔隙度、加砂量、入地液量、動(dòng)液面、初始含油飽和度、油相黏度、毛管力曲線中位數(shù)、儲(chǔ)層有效厚度、裂縫簇間距以及裂縫簇?cái)?shù)。其中毛管力曲線中位數(shù)是指毛管力曲線在油相飽和度為0.5時(shí)的毛管力數(shù)值，用于反映整體毛管力的大小。Y區(qū)塊268口生產(chǎn)井輸入?yún)?shù)匯總?cè)绫?所示。機(jī)器學(xué)習(xí)模型的輸出參數(shù)為生產(chǎn)井的合理燜井時(shí)間，因此該問題為典型的回歸問題。

表1 Y區(qū)塊各生產(chǎn)井的機(jī)器學(xué)習(xí)分析樣本

為了減小不同輸入?yún)?shù)之間量綱與數(shù)值的差異對(duì)于機(jī)器學(xué)習(xí)結(jié)果的影響，所有輸入?yún)?shù)在使用之前都需進(jìn)行標(biāo)準(zhǔn)化。變換表達(dá)式遵循Z-score標(biāo)準(zhǔn)化方法[17]，即

(1)

式中，δ代表某一輸入?yún)?shù)所有樣本數(shù)據(jù)的均值；μ代表該輸入?yún)?shù)所有樣本數(shù)據(jù)的標(biāo)準(zhǔn)差；X代表原始樣本數(shù)據(jù)；X′代表經(jīng)過標(biāo)準(zhǔn)化之后的樣本數(shù)據(jù)。

在得到數(shù)據(jù)集后，需要對(duì)數(shù)據(jù)集樣本進(jìn)行劃分，分別得到訓(xùn)練集與測(cè)試集，以便進(jìn)行交叉驗(yàn)證，確保模型準(zhǔn)確性。Y區(qū)塊268口生產(chǎn)井劃分為2部分，其中200口井作為訓(xùn)練集，用于模型訓(xùn)練，余下68口生產(chǎn)井?dāng)?shù)據(jù)用于驗(yàn)證與測(cè)試，用于評(píng)估模型的預(yù)測(cè)表現(xiàn)。

2 基于機(jī)器學(xué)習(xí)的合理燜井時(shí)間預(yù)測(cè)模型建立

2.1 機(jī)器學(xué)習(xí)方法選擇

針對(duì)多輸入?yún)?shù)的回歸問題，模型構(gòu)建分別采用三種不同的主流學(xué)習(xí)方法，分別為支持向量回歸(SVR)，多變量線性回歸(MLR)以及多層神經(jīng)網(wǎng)絡(luò)方法(MPN)。

支持向量回歸是支持向量機(jī)的一種變體[19]，相較于經(jīng)典支持向量機(jī)方法只能處理分類問題的缺點(diǎn)，支持向量回歸可以用于回歸問題的處理。對(duì)于回歸問題，其求解目標(biāo)是使得模型輸出f(x)與真實(shí)值y盡可能的接近。常用回歸方法一般規(guī)定只有當(dāng)f(x)與y完全相同時(shí)，損失才為零。相較之下支持向量回歸則假設(shè)模型能夠容忍f(x)與y之間存在最大誤差e，當(dāng)且僅當(dāng)f(x)與y的差別絕對(duì)值大于e時(shí)，才計(jì)算損失。相當(dāng)于以f(x)為中心，構(gòu)建一個(gè)寬度為2e的間隔帶，若訓(xùn)練樣本落入此間隔帶，則認(rèn)為是被預(yù)測(cè)正確的，其中間隔帶兩側(cè)的松弛程度可有所不同。該方法在數(shù)據(jù)集較小情況下，其預(yù)測(cè)效果往往要優(yōu)于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)方法，因此具有較廣的工程應(yīng)用。

多變量線性回歸是經(jīng)典線性回歸法的變體，是使用線性方程對(duì)數(shù)據(jù)集進(jìn)行擬合的方法，由于工程問題往往不止一個(gè)輸入特征，因此相較于傳統(tǒng)線性回歸方法，具有更為廣泛的應(yīng)用[20]。在該方法中，首先針對(duì)每一組輸入輸出數(shù)據(jù)，需要通過擬合確定最為合適的數(shù)學(xué)關(guān)系，表示為

f(xi)=α+β1xi(1)+β2xi(2)+…+βmxi(m)。

(2)

式中，xi(j)代表第i組數(shù)據(jù)中的第j個(gè)輸入?yún)?shù)；f(x)代表該組數(shù)據(jù)計(jì)算出的輸出參數(shù)；a為擬合參數(shù)；βj代表第i組數(shù)據(jù)中第j個(gè)輸入?yún)?shù)的擬合參數(shù)。

在得到單組數(shù)據(jù)擬合結(jié)果之后，需要通過迭代得到適用于所有數(shù)據(jù)樣本的函數(shù)關(guān)系擬合參數(shù)，并最終得到最優(yōu)擬合結(jié)果，即

(3)

式中，E代表擬合函數(shù)；yi代表實(shí)際數(shù)值，n代表樣本數(shù)量。

多層神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層與輸出層組成，每個(gè)隱含層中包含諸多胞體。簡(jiǎn)單而言，多層神經(jīng)網(wǎng)絡(luò)通過不斷自我迭代，更新隱含層中不同輸入?yún)?shù)的權(quán)重，使得模型整體的回歸準(zhǔn)確率達(dá)到最優(yōu)，該方法在較大樣本數(shù)量的條件下往往具有優(yōu)異的計(jì)算表現(xiàn)。針對(duì)單組樣本的神經(jīng)網(wǎng)絡(luò)計(jì)算公式[18]為

(4)

式中，f代表激活函數(shù)；yi代表模型的輸出參數(shù)。

2.2 模型構(gòu)建步驟與評(píng)價(jià)方法

以神經(jīng)網(wǎng)絡(luò)為例，基于機(jī)器學(xué)習(xí)方法的頁巖油藏開發(fā)合理燜井時(shí)間預(yù)測(cè)模型構(gòu)建方法如下：①首先，獲取Y區(qū)塊268口生產(chǎn)井的原始數(shù)據(jù)，包括儲(chǔ)層物性參數(shù)與壓裂施工參數(shù)，進(jìn)行數(shù)據(jù)預(yù)處理，對(duì)缺失數(shù)據(jù)進(jìn)行補(bǔ)充，對(duì)部分錯(cuò)誤數(shù)據(jù)進(jìn)行合理修正； ②按照上文提到的方法進(jìn)行268口生產(chǎn)井的合理燜井時(shí)間數(shù)值模擬優(yōu)選，并與處理后的各生產(chǎn)井物性參數(shù)、壓裂施工參數(shù)共同生成機(jī)器學(xué)習(xí)數(shù)據(jù)集待用；③將數(shù)據(jù)集中的數(shù)值進(jìn)行標(biāo)準(zhǔn)化處理，并劃分為機(jī)器學(xué)習(xí)訓(xùn)練集與驗(yàn)證集；④設(shè)計(jì)并構(gòu)建機(jī)器學(xué)習(xí)模型，其中，模型輸入?yún)?shù)為孔隙度、滲透率、加砂量等11個(gè)參數(shù)，輸出參數(shù)為燜井時(shí)間；⑤開始機(jī)器學(xué)習(xí)訓(xùn)練，訓(xùn)練過程中模型通過自我迭代，不斷調(diào)整不同輸入?yún)?shù)在模型中的權(quán)重，從而達(dá)到理想的訓(xùn)練準(zhǔn)確率；⑥模型訓(xùn)練完成，將驗(yàn)證集中68口井的參數(shù)輸入至訓(xùn)練好的模型中，得到模型預(yù)測(cè)出的68口生產(chǎn)井的合理燜井時(shí)間；⑦將模型預(yù)測(cè)的68口生產(chǎn)井的最優(yōu)燜井時(shí)間與測(cè)試集中的原有數(shù)據(jù)進(jìn)行對(duì)比，進(jìn)而對(duì)模型預(yù)測(cè)表現(xiàn)進(jìn)行評(píng)價(jià)。模型的具體構(gòu)建流程如圖2所示。其中支持向量回歸與多變量線性回歸模型的構(gòu)建基于開源機(jī)器學(xué)習(xí)接口scikit-learn，多層神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建基于開源人工神經(jīng)網(wǎng)絡(luò)庫(kù)Keras。

圖2 合理燜井時(shí)間的機(jī)器學(xué)習(xí)預(yù)測(cè)模型構(gòu)建流程

對(duì)于機(jī)器學(xué)習(xí)模型而言，模型優(yōu)劣的評(píng)價(jià)主要依賴于模型準(zhǔn)確率的高低。本文模型準(zhǔn)確率的評(píng)價(jià)遵循決定系數(shù)R2公式[18]，即

(5)

3 結(jié)果分析與討論

3.1 不同方法預(yù)測(cè)結(jié)果評(píng)價(jià)

為了比較支持向量回歸法、多層神經(jīng)網(wǎng)絡(luò)和多變量線性回歸方法的實(shí)際預(yù)測(cè)效果，分別將這三種模型所預(yù)測(cè)的68口生產(chǎn)井的合理燜井時(shí)間與測(cè)試集中的燜井時(shí)間進(jìn)行對(duì)比，計(jì)算結(jié)果分別如圖3、圖4和圖5所示。從圖中可以看出，支持向量回歸法的預(yù)測(cè)效果最為理想，所有預(yù)測(cè)數(shù)據(jù)點(diǎn)都緊循Y=X標(biāo)準(zhǔn)線，具有較高的預(yù)測(cè)準(zhǔn)確率，而神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果則略微遜色，但總體而言準(zhǔn)確率尚可。相較而言，多變量線性回歸方法預(yù)測(cè)效果不甚理想，預(yù)測(cè)數(shù)值發(fā)散在Y=X標(biāo)準(zhǔn)線兩側(cè)，預(yù)測(cè)準(zhǔn)確率明顯低于其他兩種方法。

圖3 支持向量回歸法預(yù)測(cè)結(jié)果與測(cè)試集數(shù)據(jù)對(duì)比

圖4 多層神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果與測(cè)試集數(shù)據(jù)對(duì)比

圖5 多變量線性回歸預(yù)測(cè)結(jié)果與測(cè)試集數(shù)據(jù)對(duì)比

表2給出了圖3，圖4以及圖5之間的之間直觀結(jié)果對(duì)比。從表中可以看出，支持向量回歸、多層神經(jīng)網(wǎng)絡(luò)、多變量線性回歸這3種方法在訓(xùn)練集中的準(zhǔn)確率表現(xiàn)都較為理想，準(zhǔn)確率均超過了97%，分別為98.6%，99.2%，97.4%，說明這3種方法都有較好的訓(xùn)練表現(xiàn)。然而，這3種方法在實(shí)際預(yù)測(cè)過程中的表現(xiàn)則存在差異，其中，支持向量回歸與神經(jīng)網(wǎng)絡(luò)在測(cè)試集中的準(zhǔn)確率分別為95.4%和90.3%，說明這兩種方法的預(yù)測(cè)表現(xiàn)較為理想，神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確率要略低于支持向量回歸，這主要是由于該模型的樣本數(shù)量有限，若生產(chǎn)井的樣本數(shù)量擴(kuò)大，則神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)的預(yù)測(cè)效果可能得到進(jìn)一步提升。相較之下，多變量線性回歸法在測(cè)試集中的準(zhǔn)確率僅為78.1%，說明其預(yù)測(cè)表現(xiàn)較為一般，因此不推薦在該模型條件下使用?？偠灾?，針對(duì)頁巖油井合理燜井時(shí)間的機(jī)器學(xué)習(xí)預(yù)測(cè)，支持向量回歸與多層神經(jīng)網(wǎng)絡(luò)都有著較好的預(yù)測(cè)效果，具有較高的實(shí)際使用價(jià)值。

表2 Y區(qū)塊不同機(jī)器學(xué)習(xí)預(yù)測(cè)方法準(zhǔn)確性評(píng)價(jià)

3.2 頁巖油藏合理燜井時(shí)間主控因素

模型訓(xùn)練完成后，通過提取機(jī)器學(xué)習(xí)接口scikit-learn或Keras中不同輸入?yún)?shù)經(jīng)過自我迭代得到的最終相關(guān)系數(shù)，可以了解到不同輸入?yún)?shù)對(duì)于模型輸出結(jié)果影響的大小。令所有輸入?yún)?shù)的權(quán)重系數(shù)之和為1，若某一輸入?yún)?shù)的相關(guān)系數(shù)越大，則說明其對(duì)輸出結(jié)果的影響越大。為量化表述不同輸入?yún)?shù)對(duì)合理燜井時(shí)間影響的強(qiáng)弱，按照相關(guān)系數(shù)的大小，將各輸入?yún)?shù)進(jìn)行分級(jí)處理，分別劃分為主控因素、控制因素和一般影響因素，等級(jí)劃分與劃分依據(jù)如表3所示。

表3 影響因素重要程度劃分依據(jù)

模型中11個(gè)輸入?yún)?shù)的相關(guān)系數(shù)對(duì)比如圖6所示，從圖中可以看出，不同輸入?yún)?shù)對(duì)合理燜井時(shí)間影響程度各不相同。其中，毛管力大小、入地液量和油相黏度的相關(guān)系數(shù)都超過了0.15，分別為0.202，0.170和0.159，因此這3個(gè)參數(shù)屬于影響合理燜井時(shí)間的主控因素，其中毛管力大小和入地液量決定了儲(chǔ)層中滲吸效果的強(qiáng)弱，而油相黏度則決定了注入液在儲(chǔ)層中的運(yùn)移難易[21-22]， 這些因素都直接決定了燜井方案的效果，所以在制定燜井方案時(shí)應(yīng)當(dāng)予以重點(diǎn)關(guān)注。此外，儲(chǔ)層滲透率、裂縫簇?cái)?shù)以及動(dòng)液面大小的相關(guān)系數(shù)都介于0.05～0.15，屬于控制因素，在制定燜井方案時(shí)也應(yīng)當(dāng)予以考慮。相較之下，裂縫簇間距、加砂量、孔隙度、初始含油飽和度以及儲(chǔ)層有效厚度對(duì)于合理燜井時(shí)間的影響較小，相關(guān)系數(shù)小于0.05，屬于一般影響因素，在現(xiàn)場(chǎng)生產(chǎn)可以適當(dāng)考慮。

圖6 不同輸入?yún)?shù)的相關(guān)系數(shù)對(duì)比

3.3 現(xiàn)場(chǎng)實(shí)際應(yīng)用

在機(jī)器學(xué)習(xí)模型完成訓(xùn)練，且模型預(yù)測(cè)可靠性得到了驗(yàn)證后，還需要將模型應(yīng)用到現(xiàn)場(chǎng)實(shí)際生產(chǎn)中。選取中國(guó)某頁巖油藏Y區(qū)塊壓裂水平井X-1作為優(yōu)化對(duì)象，該井所需的機(jī)器學(xué)習(xí)參數(shù)如表4所示。

表4 Y區(qū)塊壓裂水平井X-1機(jī)器學(xué)習(xí)參數(shù)

通過井史數(shù)據(jù)可以了解到，該井在壓裂施工完成后進(jìn)行了43 d的燜井作業(yè)，而后開井連續(xù)生產(chǎn)704 d，期間產(chǎn)油數(shù)據(jù)如圖7中黑線所示。建立數(shù)值模型，對(duì)X-1井進(jìn)行產(chǎn)油與產(chǎn)水?dāng)M合以確保模型準(zhǔn)確性，擬合后的產(chǎn)油曲線如圖7中綠線所示。通過數(shù)值模擬燜井優(yōu)化可知，該井的最優(yōu)燜井時(shí)間為63 d，數(shù)值模擬燜井優(yōu)化得到的累產(chǎn)量曲線如圖7中藍(lán)色虛線所示。將該井參數(shù)輸入到訓(xùn)練好的機(jī)器學(xué)習(xí)模型中進(jìn)行燜井時(shí)間優(yōu)化，模型預(yù)測(cè)得出的最優(yōu)燜井時(shí)間顯示為61 d，相較實(shí)際施工中的燜井時(shí)間延長(zhǎng)約40%，相較數(shù)值模擬優(yōu)化得到的最優(yōu)燜井時(shí)間，誤差在3%左右。以此為依據(jù)，將數(shù)值模擬中的燜井時(shí)間調(diào)整為61 d，優(yōu)化后的累產(chǎn)油曲線如圖7中紅線所示。從圖中對(duì)比可以看出，數(shù)值模擬與機(jī)器學(xué)習(xí)燜井優(yōu)化結(jié)果接近。進(jìn)行了機(jī)器學(xué)習(xí)燜井時(shí)間優(yōu)化后，生產(chǎn)704 d后的累積產(chǎn)油量較原先增長(zhǎng)了約8.5%，具有較為可觀的產(chǎn)量提升，體現(xiàn)了該機(jī)器學(xué)習(xí)模型在頁巖油藏實(shí)際開發(fā)中的使用價(jià)值。

圖7 Y區(qū)塊壓裂水平井X-1燜井時(shí)間優(yōu)化前后產(chǎn)量對(duì)比

4 結(jié) 論

(1)支持向量回歸、多層神經(jīng)網(wǎng)絡(luò)和多變量線性回歸這三種方法在訓(xùn)練集中表現(xiàn)都較為理想，但在測(cè)試集中表現(xiàn)相差較大，預(yù)測(cè)準(zhǔn)確率分別為95.4%，90.3%和78.1%。實(shí)際應(yīng)用中，推薦使用支持向量回歸和多層神經(jīng)網(wǎng)絡(luò)。

(2)毛管力大小、入地液量和油相黏度是影響合理燜井時(shí)間的主控因素，其相關(guān)系數(shù)分別為0.202，0.170和0.159； 儲(chǔ)層滲透率、裂縫簇?cái)?shù)以及動(dòng)液面大小屬于控制因素；其余因素對(duì)于合理燜井時(shí)間影響較小，屬于一般影響因素。

(3)經(jīng)過機(jī)器學(xué)習(xí)燜井時(shí)間優(yōu)化后，生產(chǎn)水平井X-1在704 d的生產(chǎn)周期內(nèi)，累產(chǎn)油較原先增長(zhǎng)了約8.5%。