基于大數據挖掘技術的砂堵預警模型研究與應用

摘要： 在低滲致密油氣藏資源與低產井開發過程中，水力壓裂是增產改造的主要技術手段。對壓裂施工全過程的實時監控并對施工風險進行實時識別是保證壓裂成功的必要手段。依托現有的EasyFrac系統和威遠頁巖氣龍馬溪組儲層壓裂地質數據，開展了基于大數據挖掘技術的砂堵模型研究，通過進行人工標注、參數分析、模型構建、模型訓練、線下測試，構建了針對橋堵類砂堵風險的基于LSTM的壓裂砂堵預測模型;并深入研究以頁巖氣為主的非常規儲層段塞式加砂的作業特點，進一步構建了針對脫砂類砂堵風險的周期性壓裂砂堵預測模型?，F場實際應用表明，兩套壓裂砂堵模型的聯用，能夠預測92%的橋堵類砂堵風險與64%的脫砂類砂堵風險，平均預警提前時間25-35秒，為現場壓裂技術人員提供了科學高效的砂堵風險預測手段。

關鍵詞：水力壓裂;砂堵;風險預警;LSTM預測模型;周期性模型

1. 引言

水力壓裂是低滲透油氣藏資源開發中的主要技術手段，在頁巖氣、致密砂巖氣、煤層氣開發中應用愈發廣泛。通過在目的層中泵入高速流體，形成水力裂縫，并以追加支撐劑的方式，提高填砂裂縫的導流能力。砂堵是水力壓裂過程中常見的事故之一，深層頁巖氣頁巖層水平方向的應力以及地應力更高，并且層理裂縫分布復雜[1]，更容易發生砂堵。造成砂堵的原因很多，如壓裂液濾失過大，導致端部脫砂、壓裂液提前破膠、加砂梯度提升過快、縫寬過窄等。從產生機理上分類，可分為支撐劑過早沉降的脫砂類砂堵與支撐劑通過寬度不足的橋堵類砂堵兩類[2]。

目前，國內外已有部分學者和機構對砂堵風險預警進行了研究。國外哈里伯頓、斯倫貝謝、威德福等公司開發的壓裂監測系統[3]。斯倫貝謝的SpectraSphere井下流體實驗室，可以在鉆井作業中獲取高精度的流體成分數據，并形成數據倉儲庫，靈活運用大數據建模為使用者提供分析支持，減免了為其數周的實驗室分析流程。大慶油田常凌云建立了一種基于人工智能的重復壓裂井篩選方法，運用大數據分析的手段從不同層位、有效厚度、注水情況等相關方面進行研究[4]。李彥尊等利用數據挖掘、機器學習等手段，建立了大數據壓裂參數優化方法， 通過多元回歸等方法分析參數關系 ，建立和訓練機器學習預測模型，對壓裂參數進行優化，并對產量進行預測評價[5]。代海洋通過優選GRNN神經網絡算法，建立了依托時間序列的砂堵預警系統，并配套數據庫[6]。

隨著近些年人工智能技術的發展與大數據應用的普及，在石油行業中推廣應用大數據技術成為行業發展的趨勢。通過開展人工智能研究，構建大數據倉儲庫，用科學高效的方法豐富行業技術支持手段顯得尤為重要?，F有的壓裂實時監控與遠程支持系統（EasyFrac），能夠實時采集傳輸并存儲壓裂施工數據，并對施工曲線進行實時展示，有效解決專家資源無法集中，多井同步壓裂作業難以集中決策的問題。壓裂行業人工智能大數據技術應用較少，因此，近兩年期間，通過組建專業研發團隊，參與鉆完井新技術前期研究、虛擬現實與人工智能技術在工程技術作業過程支持研究應用等系列科研項目，在現有EasyFrac壓裂實時監測與遠程支持系統的基礎上，開展了壓裂大數據倉庫建設與壓裂風險預警等技術攻關，旨在運用大數據挖掘技術豐富壓裂現場作業技術支持手段。

2.基于大數據挖掘技術的壓裂砂堵模型研究

根據油壓、砂比（砂濃度）、排量、累計加砂量、加砂方式等參數，并通過人工標注過去發生的砂堵或砂堵隱患歷史數據，在壓裂過程中提前預測下一段時間內發生砂堵的隱患，并給出當前發生砂堵概率。模型需要預測未來一段時間的參數變化趨勢，由此可知該砂堵預警是一個時間序列問題，基于對未來變化趨勢的預測，結合分類算法，判斷未來發生砂堵概率。

2.1基于LSTM的壓裂砂堵模型研究

大數據挖掘需要對數據進行機器學習，分析數據規律，在威遠頁巖氣區塊地質條件與工程參數相似的壓裂平臺，通過歷史數據的學習對未知數據進行預測或者分類。長短時記憶網絡（LSTM）是機器深度學習中的一種特殊的循環神經網絡方法，與傳統的循環神經網絡RNN相比，模擬時序更加精確，并且具有長期依賴關系[7]。

2.1.1 LSTM模型構建思路

LSTM模型的主要特點是采用了記憶塊替代了RNN模型中的隱含節點，確保梯度在傳遞跨越很多時間步驟之后不會消失或爆炸，從而克服了RNN模型在訓練中梯度消失的問題。LSTM模型由輸入門、輸出門、遺忘門和一個記憶細胞（cell）組成，輸入門表示是否允許新信息進入到當前內部記憶單元中，遺忘門表示是否保留當前內部記憶單元存儲的歷史信息;輸出門表示是否將當前節點響應值輸出到下一層[8]。

LSTM模型內部結構如圖5所示，h為隱藏層，c為控制層，在任意t時刻，神經網絡有三個輸入，即當前t時刻該序列的輸入值xt，上一時刻隱藏層h的輸出值ht-1，上一時刻控制層c的輸出值ct-1;同時當前時刻也有兩個輸出值，即隱藏層h的輸出值ht，控制層c的輸出值ct[9] 。

LSTM模型的計算方法和過程如下：

式中，it、ft、ct、ot、ht分別為輸入門、遺忘門、記憶細胞、輸出門和隱藏層在t時刻的輸出[10]， 為t時刻的輸入， 為不同參數之間的權值矩陣， 表示不同單元的偏置， 表示sigmoid激活函數，tanh表示hyperbolic tangent函數。

構建壓裂砂堵長短時記憶模型主要包括三個步驟：1、對原始數據進行預處理;2、構建基于LSTM的壓裂砂堵預測模型，并通過訓練集對砂堵預測模型進行訓練;3、測試模型的預測準確率。在實際預測時，向砂堵預測模型輸入油壓、排量、砂濃度、累計加砂量等砂堵特征，得到相應的預測結果，預測結果為砂堵風險或無砂堵風險。

2.1.2原始數據預處理方法

（1）從壓裂現場采集的原始數據中所有的砂堵特征組成一個p維的砂堵特征集合，包含油壓、套壓、排量、砂比、輸砂總量、總液量、時間等參數，將原始數據中所有的實際砂堵結果組成一個1維的實際砂堵結果集合;

（2）從p維的砂堵特征集合中刪除第i個維度，其中，i=1，2，...或p;將其余p-1個維度作為特征子集Mi，其中，i=1，2，...，p;對p維的砂堵特征集合重復刪除維度，每次刪除的維度不同，則得到特征子集M1，M2，...和Mp;將p維的砂堵特征集合記為特征子集M0，將M0，M1，M2，...和Mp分別和對應的實際砂堵結果集合組成樣本子集S0，S1，S2，...，Sp;對于樣本子集S0，S1，S2，...和Sp，分別采用十折交叉驗證方法計算神經網絡模型對于該樣本子集的平均誤差，將S0，S1，S2，...和Sp對應的平均誤差分別記為X0，X1，X2，...和Xp;

（3）分別比較X1，X2，...和Xp與X0的差距，當X1，X2，...和Xp中任意一個平均誤差Xi與X0相差小于預設值m時，m的取值范圍為1%～5%，則認為單獨刪除第i維特征后，不影響整體誤差，則將第i維數據視為冗余特征。若不存在冗余特征，則執行下一步驟;若只存在1維冗余特征，則直接將該維特征從砂堵特征集合中剔除，接著執行下一步驟;若存在多維冗余特征，則從p維砂堵特征集合中刪除最先得到的冗余特征，得到p-1維砂堵特征集合，將得到的p-1維特征集合作為下一輪循環的砂堵特征集合，直到刪除所有的冗余特征。

（4）將不存在冗余特征的n維的砂堵特征及每個砂堵特征對應的1維的實際砂堵結果集合組成樣本集合，然后根據不同回采點和時間段對訓練集進行分組，每組包含k條連續的樣本數據，每條樣本數據包括n維的砂堵特征和n維的砂堵特征中每條砂堵特征對應的1維的實際砂堵結果，n表示不存在冗余特征的砂堵特征集合的維數;接下來，按照8：2的黃金分割比例，將分組后的將樣本集合劃分為訓練集和測試集，訓練集與測試集互不相交。

2.1.3構建LSTM壓裂砂堵預測模型

基于LSTM的砂堵預測模型包括輸入層、隱藏層和輸出層，其中：輸入層每次向砂堵預測模型中輸入訓練集中的一組樣本數據中的壓裂砂堵特征參數;隱藏層的輸入為一個n維向量和一個2維向量，n維向量來自于輸入層，2維向量來自于上一時刻的隱藏層的輸出;輸出層的輸入為來自隱藏層的2維向量。對隱藏層學習的結果向量進行分類，輸出為1維砂堵結果，通過將輸出的砂堵結果與該樣本數據中的實際砂堵結果相比較，計算誤差。

對砂堵預測模型訓練時，將訓練集中的一組數據傳入輸入層，訓練集中的每組數據包括k條連續的壓裂數據，每條壓裂數據包括n維的砂堵特征和1維的實際壓裂結果;輸入層將k條連續的砂堵數據中的k條n維砂堵特征傳給隱藏層;根據前文LSTM模型的計算方法和過程，計算相應的輸入門、遺忘門、記憶細胞、輸出門和隱藏層，輸出層收到隱藏層傳來的最后一個時刻的輸出值ht ，并將隱藏層LSTM單元的最后一個時刻的輸出值ht 進行解碼操作，轉變為“0”或者“1” [11]， “0”或者“1”為預測的砂堵結果，當為“0”時表示不砂堵，當為“1”時表示砂堵。

通過對50口井，1200余段歷史數據進行聚類分析，油壓、排量、砂比、加砂總量與砂堵的相關性較高，是砂堵預警的關鍵參數。對壓裂過程中的油壓、排量等數據進行預處理，建立基于時間序列的分類模型，利用威遠2000余段數據進行標注和模型訓練，經過22次模型參數調優，迭代學習等方式，建立了基于長短時記憶神經網絡的壓裂砂堵預警模型。

針對壓裂砂堵預警模型的輸出結果無法量化的難題，創新引入Sigmoid函數，將模型輸出的結果轉化為砂堵概率數值。針對砂堵預警提前時間短的技術難題，建立滑動式窗口數據提取模式，預測當前狀態下砂堵的風險。測試結果表明：基于LSTM的壓裂砂堵模型能夠預測92%的橋堵類砂堵風險，即對裂縫擴展過程中縫寬變窄這種異常情況的預測效果較為顯著。此類風險具有突然性、平均油壓上漲幅度在2-10Mpa等特點。

但對于脫砂類砂堵風險的預測成功率僅為42%（42%包括兩種類型砂堵同時發生的情況），此類風險預測成功率低的原因，從測試數據中可知，預警提前時間較短，平均僅為11秒。而脫砂類風險初期壓力波動往往是較為緩慢，隨著時間積累，突然上漲造成砂堵。LSTM模型無法在隱患形成初期進行有效預警，后期壓力上漲已成顯著趨勢的預警已無指導施工的意義，屬于無效預警。

2.2基于周期性的壓裂砂堵模型研究

通過數據分析與研究發現，基于LSTM的砂堵模型對于脫砂類砂堵風險的預測效果不好的原因在于，由于地層吃砂困難，以頁巖氣為首的非常規儲集層壓裂工藝采用段塞式加砂的方式。與常規階梯式加砂工藝不同，段塞式加砂導致液柱壓力處于持續波動的狀態。此因素導致施工壓力亦處于波動狀態。而脫砂類砂堵風險的早期預測工作對油壓變化較為敏感，排除井口油壓的波動干擾尤為重要。因此需在基于LSTM的砂堵模型研究基礎上，運用大數據挖掘技術研究段塞加砂與油壓波動之間的規律，構建大數據模型，并根據模型預測周期性波動趨勢，進而對脫砂類砂堵風險進行預測。

2.2.1周期性模型構建思路

將每個段塞與前后隔離液的看做一個加砂周期，分別看做前置液、攜砂液、頂替液，通過標注和學習2-3個周期的油壓、排量的變化，評估當前狀態下砂堵的風險情況。其中一段隔離液既被視為前一個段塞的“頂替液”，又被視為下一個段塞的“前置液”。

2.2.2構建周期性模型

周期性模型的原始數據處理與模型原理同LSTM模型基本一致，二者主要區別在于，LSMT模型訓練過程中，針對數據變化而及時做出預警，而周期性模型訓練過程中，更注重于長期的數據變化趨勢，通過周期性數據的標注處理，在隱藏層中不斷積累，進而判斷該時間段的數據構成的曲線應歸于遺忘或是記憶。周期性模型的預警機制往往需要考慮到該時間點之前的幾個周期的油壓、排量、砂濃度、砂量等參數。

通過現場試驗以及多次參數調整優化，周期性模型對脫砂類砂堵風險的預測成功率為64%，平均預警提前時間延長至25-35秒，能夠做到對早期脫砂類砂堵隱患進行合理預警。而對常規的以橋堵風險為主的砂堵風險預測成功率僅為26-32%，其原因在于周期性模型的預測及參數判斷范圍較為狹窄，其識別范圍僅包括本周期內部或連續幾個周期的變化趨勢，且更偏向于細微的壓力變化（0.15-0.25Mpa），在壓裂施工過程中的總體掌控能力不如LSTM模型。

3.砂堵預警模型的應用

3.1兩種砂堵預警模型的整合應用測試

由于兩種砂堵風險預警模型同時輸出數據，實時壓裂過程中會出現兩個砂堵風險概率值，不利于現場作業人員的使用。將兩種模型整合以達到預警模塊的高效應用。整合規則為：①當LSTM模型預警值較高（達到報警閾值），周期性模型無預警時，模塊顯示“橋堵型風險，砂堵概率…%”。②當周期性模型預警值較高（達到報警閾值），LSTM模型無預警時，模塊顯示“脫砂型風險，砂堵概率…%”。③當兩個模型預警值均較高時（均達到報警閾值），模塊顯示“綜合型風險，砂堵概率…%”，此處砂堵概率取兩個值的加權平均值。

通過規則設定，LSTM模型與周期性模型的聯用得到了解決，并在威202H58、威202H83共計9口井中進行了現場應用試驗。應用結果表明，通過實時標識出風險類型，更有利于輔助現場作業人員進行工況判斷，針對性更強，兩類砂堵預警模型的聯用效果顯著。

3.2.砂堵模型在壓裂實時監控系統中的應用

壓裂實時監控與遠程支持系統框架如圖X所示，通過采集傳輸軟件，從壓裂施工現場儀表車內實時采集施工參數數據，再以網絡傳輸至基地服務器，進行集中計算、分析和存儲，展示端通過IP進行實時訪問。同時系統還配備有視頻監控系統，通過高清攝像頭和網絡NVR對壓裂施工現場進行動態攝監視。最終通過展示端軟件進行實時壓裂曲線與相應技術支持手段的展示。

壓裂數據采集包括壓裂實時數據、壓裂設計數據、壓裂動態數據三個方面的采集模塊。其中壓裂實時數據采集模塊，能夠高效穩定的采集油壓、套壓、砂比（砂濃度）、排量、總砂量、總液量等參數，并自動衍生計算參數的變化量數值，為施工監控和優化提供數據支撐。

展示端軟件分為綜合監測（包括實時曲線、泵注動態模擬、實時數據、水力學算法模型等）、鄰井對比、統計分析（時效統計、砂液統計、射孔參數統計等）、歷史數據等功能。

考慮到作業人員的使用習慣，結合施工現場作業經驗，決定將砂堵風險預警模型集成在壓裂實時監測系統中的綜合監測界面，以滾動條形式展示砂堵風險概率，并設置報警閾值為50%，當概率超過閾值，該模塊出現閃爍報警標識。

3.3模型的現場應用效果

砂堵預警模型經歷開發、測試、改進、應用、持續優化等過程，并集成在EasyFrac壓裂實時監控與遠程支持系統上，應用于壓裂作業現場。從砂堵模型預警應用情況分析，預警類型可以分為兩種情況，一是砂堵預警，即壓裂實際施工過程中，確實發生了砂堵，砂堵模型也提前進行了預警。二是風險預警，施工過程中油壓出現異常升高現象，但是現場施工時采取了停砂、降排量等措施后，油壓恢復正常，砂堵風險出現時，如果處理不當很有可能造成砂堵，這一過程中砂堵模型也進行了正確預警。針對這兩種報警類型，選取兩段具有典型特點的施工曲線，對砂堵預警進行分析。

3.3.1 砂堵風險預警實例1

施工曲線如圖6所示，該段在施工過程中發生了兩次砂堵，砂堵模型也都進行了提前預警。在第一次發生砂堵前，施工排量為15m3/min，施工壓力在73-76MPa之間，砂堵概率值幾乎為零，在最后一次加砂階段，壓力上升至73.86MPa，比前一個壓力波峰73.47MPa高了近0.4MPa，開始出現砂堵概率，立即停止加砂，壓力持續上升，砂堵概率值也逐漸上升，概率值超過了0.5，開始報警，壓力上升至78.1MPa后，開始降排量，最高壓力上升至87.08MPa，砂堵模型持續報警，最高概率值達到了0.91。

通過注酸后，壓力下降，解堵成功，繼續加砂施工。前5次加砂都正常，施工排量為13m3/min，施工壓力在72-77MPa之間，砂堵概率值較小，第6次加砂階段，壓力陡然上升，快速超過了前一個壓力波峰73.4MPa，砂堵概率值激增，開始報警，停止加砂前壓力上升至75.3MPa，接著開始降排量，壓力最高值上升至81.34MPa，砂堵模型持續報警。

3.3.2 砂堵風險預警實例2

圖7為該段壓裂施工曲線，該段施工排量為14.6m3/min，壓力在79到81MPa之間，較為平穩，砂堵風險報警出現在頂替液階段，施工壓力突然急劇上升，超過了前幾個壓力波峰值，砂堵概率也快速增加，超過0.5后開始報警，壓力持續上升至82.95MPa，采取降排量措施，降至13m3/min后壓力達到最高點83.89MPa，壓力開始下降，穩定排量在12m3/min，壓力下降至74.5MPa，砂堵風險解除，繼續施工。

4、結論

針對威遠頁巖氣壓裂作業現場加砂困難、砂堵風險大、預測難度高等問題，基于人工智能與大數據挖掘技術，通過整理區塊歷史壓裂數據中的油壓、排量、砂比等與砂堵相關性較高的參數變化趨勢，進行原始數據預處理、指標分析、數據標注、構建和訓練砂堵預測初始模型、算法優化及調參，逐步建立基于LSTM的壓裂砂堵預測模型，通過在威202區塊的大量現場試驗應用，該模型能夠預測92%的橋堵類突發型砂堵風險。

針對LSTM壓裂砂堵預測模型對緩慢脫砂類型的砂堵風險預警成功率不高與提前時間不足的問題，通過排除段塞式加砂工藝造成的靜液壓力變化，在基于LSTM的壓裂砂堵預測模型研究基礎上，建立周期性模型。雙模型聯動預警的功能支持下，脫砂類砂堵風險的預警成功率達到64%，平均預警提前時間延長至25-35秒。

將兩套砂堵風險預警模型集成在已廣泛應用的EasyFrac壓裂實時監測與遠程支持系統中，并在實時壓裂曲線綜合監測界面形成砂堵風險預警子模塊。通過基于LSTM的壓裂砂堵預測模型與周期性模型的聯用，以百分比的形式對實時砂堵風險進行預測。該組模型具有較高的預測精度及時效性。EasyFrac系統的壓裂大數據倉儲庫也可為后續砂堵風險預警模型的優化與調參工作進行數據支持，從而不斷精進模型各項功能。

參考文獻：

[1]楊峻捷.深層頁巖氣水平井體積壓裂技術探析[J].中國石油和化工標準與質量，2021，41（09）：177-178.

[2]趙金洲，彭瑀，李勇明，王雷，張燁，米強波.高排量反常砂堵現象及對策分析[J].天然氣工業，2013，33（04）：56-60.

[3] Maxwell S C， Urbancic T I， Falls S D， et al. Real-time microseismic mapping of hydraulic fractures in Carthage， Texas[J]. Seg Technical Program Expanded Abstracts， 2000，19（1）：1449.

[4]常凌云.基于決策樹算法的壓裂井判別及效果預測方法研究[J].中國管理信息化，2021，24（06）：113-114.

[5]李彥尊，白玉湖，陳桂華，徐兵祥，陳嶺，董志強.基于人工神經網絡方法的頁巖油氣產量預測新技術——以美國Eagle Ford頁巖油氣田為例[J].中國海上油氣，2020，32（04）：104-110.

[6]代海洋. 壓裂砂堵實時監測與預警系統研究與應用[D].西南石油大學，2017.

[7]王奇安. 基于廣泛內核的CVM算法研究及參數C的選擇[D].南京航空航天大學，2009.

[8]魏敏敏. 機器學習在趨勢預測中的研究及應用[D].西安理工大學，2019.

[9]樊雪瑩. 深度學習在文章編輯中智能語義檢查算法的研究[D].西安理工大學，2019.

[10]李志剛，紀月，任雄朝.基于LSTM與ARIMA組合模型的高爐煤氣產生量預測[J].鑄造技術，2018，39（11）：2456-2460.

[11]董麗麗，費城，張翔，曹超凡.基于LSTM神經網絡的煤礦突水預測[J].煤田地質與勘探，2019，47（02）：137-143.

作者簡介：

孫欽瑞，男，1990.05.研究方向：壓裂酸化，本科，長城鉆探工程技術研究院，科員