論文紙片盒子 03
FRACTURE FLOW RATE ESTIMATION USING MACHINE LEARNING ON TEMPERATURE DATA
introduction
現(xiàn)有裂縫表征技術(shù)(fracture characterization techniques)有：間接法(indirect)、直接遠(yuǎn)場(chǎng)法(direct far-field)、直接近井法(direct near-wellbore)爬虱。
間接法：測(cè)井(well testing)聂沙、生產(chǎn)數(shù)據(jù)分析(production data analysis)、壓力分析(net pressure analysis)等。
直接遠(yuǎn)場(chǎng)法：裂縫監(jiān)測(cè)(tilt fracture mapping)、微震監(jiān)測(cè)(microseismic mapping)。
直接近井法：放射性示蹤(radioactive tracing)忿项、生產(chǎn)測(cè)井(production logging)、井眼圖像測(cè)井(borehole image logging)城舞、井下視頻(downhole video)轩触、溫度測(cè)井(temperature logging)。
temperature transient analysis
傳統(tǒng)的溫度測(cè)井主要獲取多點(diǎn)的時(shí)間-溫度關(guān)系曲線家夺。通過溫度變化情況確定流體進(jìn)入地層的位置脱柱。
深度學(xué)習(xí)結(jié)合溫度瞬態(tài)分析可用于裂縫標(biāo)準(zhǔn)。
problem statement
通過裂縫與井眼交點(diǎn)處的溫度時(shí)間序列估算在注水階段或停泵時(shí)的流體流量拉馋。
methodology
本項(xiàng)目主要包括兩部分：基于物理過程的正演模型(forward model)榨为、基于統(tǒng)計(jì)學(xué)或機(jī)器學(xué)習(xí)的反演模型(inverse model)。
正演模型用于生成流量-溫度歷史數(shù)據(jù)煌茴；反演模型用于通過輸入溫度數(shù)據(jù)自動(dòng)輸出流量數(shù)據(jù)随闺。
forward model
通過AD-GPRS flow simulator建立一個(gè)二維模型，通過物理過程的數(shù)值模擬生成流量-溫度數(shù)據(jù)蔓腐。
儲(chǔ)層關(guān)鍵參數(shù)如下：
| 參數(shù) | 數(shù)值 | 單位 |
|---|---|---|
| 幾何尺寸 | 400x200 | m |
| 鉆井長(zhǎng)度 | 200 | m |
| 滲透率 | 0.5 | md |
| 孔隙度 | 0.15 | - |
| 儲(chǔ)層溫度 | 368 | K |
| 導(dǎo)熱系數(shù) | 124.5 | kJ/(m·day·K) |
| 熱容量 | 0.9211 | kJ/(kg·K) |
| 密度 | 2250 | kg/m3 |
| 裂縫數(shù)量 | 3 | - |
| 裂縫半長(zhǎng) | [10,30,50] | m |
| 裂縫間距 | 50 | m |
| 壓裂液 | 25℃ 清水 | - |
| 無流動(dòng)邊界條件 |
inverse model
通過溫度估算流量矩乐，本質(zhì)上是回歸問題。
表示輸入數(shù)據(jù)——溫度時(shí)間序列
表示輸出數(shù)據(jù)——流量時(shí)間序列
由于正演模型生成數(shù)據(jù)計(jì)算消耗很大回论，所以輸入數(shù)據(jù)的規(guī)模較小散罕。因而不能采用簡(jiǎn)單的training-validation-test數(shù)據(jù)集劃分方法分歇。本項(xiàng)目采用cross-validation方法訓(xùn)練模型。
time series cross-validation
K-Fold Cross-Validation 將數(shù)據(jù)集分為 K 份欧漱，算法流程如下：
- 選擇第
k份作為驗(yàn)證集职抡；選擇其他的k-1份作為訓(xùn)練集。 - 訓(xùn)練集訓(xùn)練模型硫椰，驗(yàn)證集計(jì)算模型誤差。
-
k=1,2,3,...K萨蚕，重復(fù)訓(xùn)練模型靶草。 -
K次訓(xùn)練的誤差均值作為最終誤差屡拨。
常規(guī)的K-Fold Cross-Validation 對(duì)數(shù)據(jù)集有一定的要求：數(shù)據(jù)點(diǎn)各自獨(dú)立且分布均勻幢哨。但是溫度時(shí)間序列具有高度的時(shí)間相關(guān)性，顯然不適用這個(gè)條件先改。
為了解決上述問題浩蓉，本項(xiàng)目采用K-Fold Cross Validation的變種派继，如下圖所示。
machine learning algorithms
本項(xiàng)目采用了三種機(jī)器學(xué)習(xí)算法：Lasso regression, Random forest, Kernel ridge regression捻艳。
linear regression methods
basis expansions
regularization: the lasso and ridge regression
kernels
tree based methods
random forest
machine learning framework
modeling results
case 1. injection at constant pressure
注水壓力控制驾窟。
features set
三個(gè)特征：溫度、溫度空間分量认轨、溫度時(shí)間分量绅络。
model performance
Lasso regression 方法均方根誤差為28%， Random forest 方法均方根誤差為68%嘁字。并且 Lasso regression 預(yù)測(cè)更為平滑恩急，接近真實(shí)數(shù)據(jù)。
