用基于大数据的机器学习方法分析Eagle Ford页岩地层

• 作者: Peidong Zhao Yu Liang 北京太科石油信息咨询服务公司
• 来源期刊: 石油科技动态
• 年，卷（期）: 2020,（5）
• 页码范围: 25-39
• 页数: 15页
• 语种: 中文

摘要

在过去十年里,页岩油气产量已经成为全球能源供应的重要组成部分.非常规区块项目的寿命在很大程度上取决于估算最终采收量(EUR).然而,预测EUR的传统方法被用来预测页岩地层不是很准确,这就严重影响了非常规区块项目的经济回报.本文的目的是研究关键的自变量,这些变量包括岩石物理参数和完井参数,然后通过机器学习算法预测EUR.本文提出了一种基于随机森林回归的机器学习模型来预测EUR,并对变量的重要性进行排序.本文总结了Eagle Ford地层4000口井的超过25个变量,包括生产、岩石物理、工程数据,以进行分析.这些数据是从生产监测、测井、试井、地震解释、实验室的实验中收集的.本文主要由三部分组成.首先,建立了一个多元线性回归模型来预测总EUR.其次,进行空间自相关分析,确定空间变量是否会影响多元回归模型的精度.第三,训练随机森林回归模型,以检验其利用空间自相关数据预测EUR的可靠性.同时也指出了关键预测因子的重要性.最后,模型用优化的超参数进行微调.本文详细讨论了各随机森林回归模型的预测能力,以了解非常规油气生产机制背后的物理原理.本文的研究成果和工作流程具有独到的见解和创新性.首先,我们用向后消元法对所有岩石物理参数和完井参数进行多元回归分析.这种广泛使用的模型在排除空间信息方面存在局限性.为了确定空间变量的影响,计算了Moran指数,发现本文中的数据是聚类的或空间自相关的.总EUR、石油EUR和天然气EUR的p值分别为0.000002、0.000000和0.12,结果否定了数据随机分布的零假设.为了在预测中包含空间信息,使用了先进的机器学习技术——随机森林回归,结合岩石物理、完井参数和空间信息来预测EUR.确定了随机森林回归预测总EUR、石油EUR和天然气EUR的关键变量.然而,预测石油EUR和天然气EUR的关键变量的重要性是不同的.因此,我们将总EUR随机森林回归模型(57％的解释)分为两个预测模型,一个用于石油EUR预测,另一个用于天然气EUR预测.Gas-EUR随机森林回归模型(76％解释)与Oil-EUR随机森林回归模型(60％解释)相比具有更好的性能.本文从大数据的角度对非常规油气产量预测提供了更深入的认识,并提出了一种新型可靠的机器学习模型来预测EUR,以评估Eagle Ford区块的经济效益.与传统的多元回归模型相比,本文的随机森林回归模型更可靠.此外,随机森林回归技术能够对相关自变量的重要性进行排序,重要性排序可用于指导和改进数据收集和模型训练,为本课题的进一步研究奠定基础.本文提出的工作流程还可用于其他非常规资源的数据训练.