基于机器学习与模型融合的大庆油田SN区块油井压裂效果预测技术

摘要：

针对大庆油田油井压裂效果预测方法不确定性大、精度低的问题,利用机器学习与模型融合技术建立了油井压裂效果预测模型.采用统计学方法对SN区块油井压裂效果与地质、工程、生产参数的相关性进行了分析,借助基于LightGBM模型的封装法分析了油井压裂效果影响因素的重要程度,并进行了特征选择;采用支持向量机、神经网络、随机森林和LightGBM4种算法对油井压裂效果进行了预测.在此基础上,利用算术平均、加权平均、堆叠3种方法对4个算法进行融合,得到了精度更高的预测模型,并应用该预测模型对SN区块水力压裂方案进行了设计与优化.结果表明:神经网络建立的模型比其他3种算法精度更高,模型决定系数R2为0.603;融合后的模型预测精度高于每个算法的精度,其中堆叠法效果最好,其R2高达0.899.该数据驱动建模技术具有较强的易用性和可移植性,对压裂方案设计具有一定指导意义.

关键词：大庆油田、水力压裂、统计分析、机器学习、模型融合

所属期刊栏目：42

分类号：TE357(油气田开发与开采)

资助基金：国家科技重大专项2016ZX05054

在线出版日期：2023-02-15（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：64-72