Shale Oil Horizontal Drilling Technology with Super-Long Horizontal Laterals in the Longdong Region of the Changqing Oilfield
-
摘要:
长庆油田陇东地区页岩油超长水平段水平井钻井过程中存在井眼轨迹控制困难、机械钻速低、水平段堵漏难度大、井壁易失稳和完井套管下入困难等技术难题，为此，进行了井眼轨道设计及井眼轨迹控制技术优化，优选旋转导向钻具组合，应用高性能水基钻井液和套管漂浮下入技术，根据漏层特点和漏失速度采取不同的堵漏技术措施，形成了页岩油超长水平段水平井钻井技术。该技术在陇东地区华H50–7井进行了应用，顺利完成长度4 088.00 m的超长水平段钻进，创国内陆上油气井最长水平段纪录，表明该钻井技术可以满足陇东地区页岩油高效开发的需求，也为国内其他地区超长水平段水平井钻井提供了借鉴。
Abstract:In order to solve technical problems such as the difficult control of well trajectory, low ROP, plugging difficulties in the horizontal section, sidewall instability and difficulties in running completion casing in super-long horizontal sections in shale oil in the Longdong region of the Changqing Oilfield, a shale oil horizontal drilling technology with super-long horizontal section has been formed by means of the optimization and controlling of well trajectory, the selection of rotary-steerable BHA, and the application of high-performance WBM and casing floatation running technology according to the characteristics of thief zone and leakoff rate as well as various plugging measures. This technology was successfully applied for drilling the horizontal Well H50-7 with super-long horizontal section of 4,088.00 m in Longdong Region of Changqing Oilfield, which indicated that the technology could solve the technical difficulties of horizontal wells with a super-long horizontal section, to provide technical support for shale oil development in this region
-
水平井多级水力压裂技术的发展突破了页岩储层低孔隙度和低渗透率的限制，使页岩油可以被经济有效地开发[1]。经过长时间的压裂探索和施工，各油气田区块产生了大量的地质、工程和生产数据，相较于传统的数值模拟方法，数据驱动方法通过对此类数据的分析和挖掘建立储层评价和压裂参数优化模型，可以真实反映区块储层的烃源岩性、可压性和压裂改造程度特征，具有更强的针对性和说服力[2]。目前，人工智能技术已经广泛应用于压裂选井选层、施工参数设计、压裂施工诊断与调控等方面[3-4]。李宾元[5]率先引入模糊数学理论将压裂井选井选层问题由定性决策转化为定量决策。M. Zoveidavianpoor等人[6]采用高斯分布隶属函数以渗透率、表皮系数等7项地质参数为输入参数，根据专家经验确定权重，对压裂候选井进行了模糊综合评价。A. Davarpanah等人[7]通过模糊层次分析法和逼近理想解对影响水力压裂效果的5个指标进行了分析比较，各因素权重来自于专家经验。Gou Bo等人[8]通过灰色聚类分析筛选并保留地质和施工参数中与产量之间相关程度最大的作为输入参数，建立了压裂井增产潜力评价模型。然而，产量影响因素众多，部分因素之间具有一定的相关性，目前的研究方法受限于参数数量，无法全面反映储层的地质和工程特性[9]。采用主成分分析法，通过将因素线性组合，可在保留数据特征的前提下降低数据维度并消除因素之间的相关性[10]。另外，相关研究仅停留于压裂井选井选层，没有推广到单井压裂段的地质工程非均质性评价，无法进行射孔位置优化。
宋宣毅等人[11]基于34口生产井地质、开发和工程方面的10项影响因素，建立了支持向量机产能预测模型，研究表明，该方法在小样本预测中具有较好的适用性。宋丽阳等人[12]采用神经网络建立了产量预测模型，结合遗传算法以产量最高为目标优选段长、簇间距、裂缝半长等方案组合。Lu Chunhua等人[13]建立了深度神经网络产量预测模型，结合粒子群优化算法实现了段长、砂量、液量等压裂参数的快速设计。Dong Zhenzhen等人[14]以净现值为目标，对比了遗传算法、差分进化算法、模拟退火算法和粒子群优化算法在裂缝参数优化中的应用效果，研究发现，粒子群优化算法不仅收敛速度快，而且净现值最高。但是，现有研究仅对部分施工参数进行了优化，未考虑储层地质和工程品质进行施工参数与储层地质条件的匹配性设计。
为了实现基于地质、工程和生产数据的差异化储层射孔位置和压裂参数快速设计，笔者以CD区块32口页岩油井为研究对象，开展了数据驱动的水平井施工参数智能优化研究。研究内容主要分为2方面：一方面，采用主成分分析法处理产量影响因素，结合高斯隶属函数和熵权法建立模糊综合评价模型，实现水平井压裂非均质性差异化评价，为射孔位置选择提供依据；另一方面，结合支持向量回归和粒子群优化算法，推荐在储层不同地质特征和工程品质下可获得最高产量的段长、簇间距、单位长度液量、单位长度砂量和排量，结合射孔位置推荐结果进行高效压裂设计。
1. 储层压裂后产能主控因素分析
1.1 地质工程参数提取与分析
页岩油储层压裂改造后能否获得高产，受到储层地质特征、工程品质和施工参数的综合影响。
地质特征反映页岩的生烃、储烃能力及烃类的流动能力，为了使水平井的评价更具有可操作性，所选取的地质特征参数在具有广泛代表性的同时还应易于获取。因此，在测井和录井资料中选取反映有机质品质的总有机碳含量（Cto）、热解游离烃含量（S1）与反映物理品质的自然伽马（qAPI）、孔隙度（ϕ）和渗透率（K），综合反映储层的增产潜力[15]。
工程品质反映页岩储层压裂改造形成复杂裂缝网络的能力，受到岩石力学品质的影响，包括脆性指数（IB）、泊松比（ν）、弹性模量（E）、最小水平主应力（σh）和水平主应力差异系数（σdif）[16]。
获得高产不仅要求储层具有较好的可改造性，还要求施工参数与地质特征相匹配，形成长度、数量、导流能力满足生产需求的水力裂缝。因此，选取段长（L），簇间距（δ）和单位长度的液量（ηw）、砂量（ηs）及排量（Qm）等参数反映储层的改造程度。
由于操作复杂且费用昂贵，并非所有的井都进行了裂缝监测和产液剖面测试，而单井产量是评价压裂效果最直接、最易获取的指标。为避免生产制度和水平段长度对产量的影响，根据压裂长度将单井产量折算为单位长度产量，采用1年千米累计产油量（Np）作为评价指标。以CD区块32口页岩油井为研究对象，构建了样本数据库（见表1）。
表 1 样本数据库Table 1. Sample database井号 Cto，
%qAPI/
APIS1/
（mg·g−1）ϕ K/
mDIB ν E/
GPaσh/
MPaσdif L/
mδ/
mηw/
（m3·m−1）ηs/
（m3·m−1）Qm/
（m3·min−1·m−1）Np/
（t·km−1）Y1 3.1 93.6 0.5 6.5 6.11 0.51 0.230 30.77 56.7 0.250 48.0 6.9 23.9 2.6 0.25 8 302.9 Y2 1.8 52.5 1.1 5.5 1.24 0.62 0.228 36.61 79.8 0.279 29.8 5.2 47.9 3.2 0.43 2 682.9 Y3 3.5 89.4 0.9 5.6 0.42 0.56 0.231 27.10 89.7 0.286 65.1 7.6 26.7 2.1 0.17 491.6 Y4 4.5 91.1 2.0 7.3 0.96 0.48 0.231 27.20 56.8 0.235 51.7 6.7 36.2 3.5 0.28 2 466.0 Y5 1.9 95.5 0.5 6.4 0.87 0.30 0.230 30.59 82.8 0.271 66.0 7.9 22.7 2.5 0.13 1 575.9 Y6 4.0 91.8 5.0 8.5 5.80 0.52 0.228 35.25 83.3 0.267 59.7 9.0 30.7 2.6 0.20 8 094.0 Y7 2.2 91.6 0.5 5.4 0.56 0.30 0.230 30.59 73.8 0.251 63.5 7.9 20.9 2.4 0.17 1 566.0 Y8 2.2 98.4 3.1 4.9 0.75 0.57 0.228 37.38 83.0 0.28 43.1 6.4 27.0 2.2 0.31 2 920.6 Y9 2.9 99.2 2.0 5.5 1.06 0.62 0.228 37.67 83.9 0.279 43.9 5.9 23.7 2.0 0.28 1 674.0 Y10 1.9 107.6 2.7 5.9 1.89 0.62 0.228 37.67 83.9 0.279 47.8 5.9 21.5 1.6 0.25 3 167.9 Y11 4.0 93.8 1.9 7.6 1.59 0.51 0.230 32.26 74.2 0.255 46.3 6.0 32.3 3.7 0.24 3 212.2 Y12 2.9 112.8 0.7 7.8 3.85 0.41 0.230 30.57 58.6 0.244 36.2 5.9 26.9 2.6 0.32 5 956.8 Y13 3.2 82.2 3.4 9.9 8.73 0.62 0.228 36.61 79.8 0.279 45.9 6.6 35.0 3.2 0.29 10 581.3 Y14 3.7 103.0 4.7 4.5 0.45 0.57 0.227 36.91 88.4 0.275 55.4 7.9 28.9 2.5 0.23 2 873.9 Y15 4.0 85.3 4.4 4.4 0.51 0.42 0.228 37.14 85.2 0.278 56.7 7.4 29.2 2.8 0.22 2 449.7 Y16 3.1 102.2 4.6 7.7 1.87 0.60 0.228 39.67 89.6 0.288 53.4 7.7 31.7 2.9 0.24 4 371.5 Y17 3.8 92.1 4.5 7.5 4.35 0.62 0.228 36.61 79.8 0.279 42.9 6.2 36.8 3.1 0.31 7 145.3 Y18 2.6 110.3 2.3 4.8 0.88 0.62 0.228 37.67 83.9 0.279 41.1 5.6 26.8 2.2 0.30 2 759.9 Y19 3.4 92.6 2.0 5.3 1.16 0.62 0.228 36.61 79.8 0.279 32.7 5.5 41.4 2.8 0.38 2 300.7 Y20 2.2 91.0 0.4 6.5 1.45 0.48 0.228 33.51 68.2 0.259 56.6 7.1 37.4 2.8 0.31 3 533.4 Y21 3.7 110.0 2.7 7.3 2.73 0.57 0.228 37.38 83.0 0.28 63.1 16.5 36.0 2.4 0.20 5 011.7 Y22 3.5 91.1 3.0 5.6 0.68 0.50 0.228 34.37 84.5 0.264 64.0 8.7 27.1 2.6 0.19 2 943.1 Y23 3.6 101.6 3.9 9.1 6.23 0.62 0.228 36.61 79.8 0.249 43.5 6.3 39.2 3.4 0.30 8 105.3 Y24 4.1 84.9 6.1 6.4 0.82 0.60 0.228 39.67 89.6 0.288 56.9 8.4 28.2 2.5 0.22 4 144.5 Y25 4.2 109.0 3.2 4.7 0.48 0.50 0.229 32.78 82.0 0.255 56.9 6.9 30.8 2.7 0.22 3 109.4 Y26 3.7 102.3 1.1 4.8 1.13 0.57 0.229 33.67 70.9 0.264 53.9 7.3 25.4 2.8 0.21 2 018.5 Y27 3.2 68.2 5.4 6.9 1.46 0.60 0.228 39.67 89.6 0.288 35.2 6.9 42.5 3.1 0.38 3 314.0 Y28 2.5 86.0 0.6 8.2 4.21 0.51 0.230 30.99 60.4 0.249 49.3 7.0 36.7 3.6 0.29 7 863.2 Y29 2.7 104.9 2.3 7.0 2.23 0.62 0.228 37.67 83.9 0.279 61.4 15.8 33.1 2.3 0.17 4 449.0 Y30 2.7 89.0 5.0 10.8 9.36 0.54 0.229 36.91 76.8 0.264 53.8 8.0 29.7 3.5 0.20 10 144.7 Y31 3.0 103.7 4.8 5.2 1.25 0.57 0.228 36.48 86.4 0.271 30.4 5.1 42.0 3.3 0.45 3384.3 Y32 2.1 107.9 2.8 5.8 0.97 0.62 0.228 37.67 83.9 0.279 57.7 6.9 20.6 1.5 0.20 2192.4 由于产量与因素之间的单调关系，产量影响因素之间通常表现出较强的相关性，即多重共线性，影响产量预测精度。为明确各因素之间的关系，进行了斯皮尔曼相关性分析，2组随机变量
X=(x1,x2,⋯,xn) 和Y=(y1,y2,⋯,yn) 之间的斯皮尔曼等级相关系数为[17]：ρ=∑mi=1(ai−ˉa)(bi−ˉb)√∑mi=1(ai−ˉa)2√∑mi=1(bi−ˉb)2 (1) 式中：ρ为等级相关系数，
0<ρ⩽ 时呈正相关，- 1 \leqslant \rho < 0 时呈负相关，\rho = 0 时无相关性；m为样本数量；{a_i} 和{b_i} 分别为{x_i} 和{y_i} 的排名；\overline a 和\overline b 分别为随机变量X和Y的平均值。相关性分析结果如图1所示。分析可知，地质特征中渗透率、孔隙度、游离烃含量和施工参数中单位长度的砂量、液量为产量的主控因素，工程品质与产量的相关性较弱。同时，弹性模量与游离烃含量、孔隙度与渗透率等因素之间的相关性显著，需要进一步处理，消除之间的多重共线特征。
![]()
图 1 产量影响因素之间相关性分析热图Figure 1. Heat map for correlation analysis of production influencing factors1.2 主成分分析
采用主成分分析法，通过线性组合将原始因素转化为相互正交且相互独立的主成分，并根据主成分方差贡献度进行特征选择，可在不损失重要信息的前提下降低数据集的维数并消除因素之间的相关性。包含n个因素的数据集经过主成分分析后产生n个主成分，主成分1始终代表数据集的最大方差方向，主成分2代表第二大方差方向，并以此类推。
由于特征数据的量纲存在差异，难以进行相互比较及加权处理，在降维前需要对数据进行标准化预处理，标准化方程为[18]：
{x}_{ij}^{\ast }\text=\left\{\begin{array}{l}\dfrac{{x}_{ij}-{x}_{ij,\mathrm{min}}}{{x}_{ij,{\mathrm{max}}}-{x}_{ij,\mathrm{min}}}\quad 正相关\\ \dfrac{{x}_{ij,\mathrm{max}}-{x}_{ij,}}{{x}_{ij,\mathrm{max}}-{x}_{ij,\mathrm{min}}}\quad 负相关\end{array}\right. (2) 式中：
x_{ij}^ * 为标准化值，x_{ij}^ * \in \left[ {0,1} \right] ；{x_{ij}} 为产量影响因素值；{x_{ij, \min }} 为样本中该因素最小值；{x_{ij, \max }} 为样本中该因素最大值。通过标准化数据集的协方差矩阵，可得到特征值
{\lambda _1} \geqslant {\lambda _2} \geqslant \cdots \geqslant {\lambda _n} \geqslant 0 及对应的特征向量{v_1},{v_2}, \cdots ,{v_n} ，其中{\boldsymbol{v}_j} = {\left( {{v_{1j}},{v_{2j}}, \cdots ,{v_{nj}}} \right)^{\text{T}}} ，{v_{nj}} 表示第j个特征的第n个分量，每个主成分为原始因素的线性组合[19]：\left\{ \begin{array}{c} {z_1} = {v_{11}}x_{11}^ * + {v_{21}}x_{12}^ * + \cdots + {v_{n1}}x_{1n}^ * \\ {z_2} = {v_{12}}x_{21}^ * + {v_{22}}x_{22}^ * + \cdots + {v_{n2}}x_{2n}^ * \\ {\text{ }} \vdots \\ {z_n} = {v_{1n}}x_{n1}^ * + {v_{2n}}x_{n2}^ * + \cdots + {v_{nn}}x_{nn}^ * \\ \end{array} \right. (3) 式中：
{z_n} 为第n个主成分；{x_{nn}^*} 为标准化后第n个因素的第n个特征值分量。主成分的累计方差贡献率为：
{\alpha _k} = \frac{{\displaystyle\sum\limits_{j = 1}^k {{\lambda _j}} }}{{\displaystyle\sum\limits_{i = 1}^n {{\lambda _i}} }}{\text{ }}\quad(k \leqslant n) (4) 式中：αk为前k个主成分的累计方差贡献率。
通常，主成分数量的选取需要满足αk >0.85，即当主成分累计方差贡献率达到85%时可以包含原始数据集的主要信息[19]。主成分分析结果如图2所示，前6项主成分的累计方差贡献率为91.33%，15项产量影响因素可由前6个主成分代表。主成分特征向量如图3所示，根据各因素对应的各主成分系数可构建主成分表达式，如主成分1= 0.006Cto − 0.024qAPI + 0.297S1 − 0.161ϕ − 0.180K + 0.327BI − 0.385ν + 0.402E + 0.388σh + 0.400σdif −0.188L + 0.017δ + 0.167ηw − 0.156ηs + 0.192Qm。弹性模量、水平主应力差异系数等工程品质参数对主成分1的贡献最大，表明产量是多因素影响下的综合反映，虽然储层工程品质与产量相关性较弱，但仍包含了不可忽略的大量特征信息。
2. 水平井压裂非均质性评价
2.1 模糊综合评价模型
由于各主成分对产量的贡献不同，定量评价方法难以实现水平井压裂非均质性的精确描述，模糊综合评价采用隶属度表征每个参数属于不同储层质量等级的程度，使各参数具有“亦此亦彼”的性质，适用于任意复杂度的非线性函数建模[20]。模糊综合评价模型包括因素集、评价集和权重集3部分。
因素集为评价指标，本文的评价指标为主成分。评价集D用于判别因素的优劣程度，为方便给出直观的评分，定义
{d_1} = Ⅰ级 =“优”=100，{d_2} = Ⅱ级 =“良”=75，{d_3} = Ⅲ级 =“中”=50，{d_4} = Ⅳ级 =“差”=25。主成分对于各等级的隶属度矩阵R通过隶属函数确定，权重矩阵W为各主成分在评价集中的重要度。将权重矩阵与单井主成分隶属度矩阵复合，可得到模糊综合评价矩阵F[21]：{\boldsymbol{F}} = {\boldsymbol{W}} \circ {\boldsymbol{R}} = {\left[ {\begin{array}{*{20}{c}} {{f_1}}& \cdots &{\begin{array}{*{20}{c}} {{f_i}}& \cdots \end{array}}&{{f_g}} \end{array}} \right]} (5) 式中：
{f_i} 表示该井对第i等级的隶属度，本文g取4。根据各等级所赋分值，将模糊综合评价结果转化为直观评分[22]：
\psi = {\frac{\displaystyle\sum\limits_{i = 1}^4 { {{f_i} {d_i}} } }{{\displaystyle\sum\limits_{i = 1}^4 {{f_i}} }}} (6) 式中：
\psi 为模糊综合评分。2.1.1 高斯隶属函数
隶属度由参数值和隶属函数共同确定，一般的模糊规划问题通常采用三角形和梯形等线性隶属函数，但对于储层质量评价这一多参数和非线性问题不再适用。高斯分布具有连续性和可调节性，可较好地反映数据变化特征并且获得了良好的应用效果，因此本文使用高斯分布隶属函数[23]：
\mu \left( {x,c,\xi } \right) = {{\text{e}}^{ - \frac{{{{\left( {x - c} \right)}^2}}}{{2{\xi ^2}}}}} (7) 式中：
\mu 为隶属度，\mu \left( {c,c,\xi } \right) = 1 ；c为高斯分布峰值对应主成分值；\xi 为标准差。根据评价集D对于储层质量的划分，可将4个评价等级对应于主成分的4个数值范围0～0.25，0.25～0.50，0.50～0.75和0.75～1.00。根据式（7），可构建各等级的高斯形状隶属函数（见图4）。
根据隶属函数，可得到每个主成分对各个等级的隶属度，进一步构建每口井的隶属度矩阵：
{\boldsymbol{R}} = {\left[ {\begin{array}{*{20}{c}} {{r_{1,1}}}&{{r_{1,2}}}& \cdots &{{r_{{\text{1}},g}}} \\ {{r_{2,1}}}&{{r_{2,2}}}& \cdots &{{r_{{\text{2,}}g}}} \\ \vdots & \vdots & \vdots & \vdots \\ {{r_{k,1}}}&{{r_{k,2}}}& \cdots &{{r_{k,g}}} \end{array}} \right]} (8) 式中：
{r_{k,g}} 为第k个主成分对第g个等级的隶属度。2.1.2 熵权法赋权
熵权法是根据指标相对变化程度对系统整体的影响进行客观赋权，能够准确地反映系统中信息的内在关系，消除主观经验判断的不合理性[24]。因此，笔者根据实际数据采用该方法客观、定量地确定主成分权重，避免了传统模糊逻辑中根据专家经验确定权重带来的误差。
由于在主成分分析之前已经进行了归一化处理，此处可直接建立基于样本井系统中m口井和k个主成分的评价矩阵：
{\boldsymbol{Z}}=\left\{z_j(i)\right\}_{m \times k}=\left[\begin{array}{ccccc} z_1(1) & \cdots & z_j(1) & \cdots & z_k(1) \\ \vdots & & \vdots & & \vdots \\ z_1(i) & \cdots & z_j(i) & \cdots & z_k(i) \\ \vdots & & \vdots & & \vdots \\ z_1(m) & \cdots & z_j(m) & \cdots & z_k(m) \end{array}\right] (9) 每个主成分的熵值
{e_j} 可由式（10）确定[18]：{e_j} = - \frac{1}{{\ln m}}\sum\limits_{i = 1}^m {{p_{ij}} \ln {p_{ij}}} (10) \, 其中\quad\qquad\qquad {p_{ij}} = \frac{{z_j}\left( i \right)}{\displaystyle\sum\limits_{i = 1}^m {{z_j}\left( i \right)}}\quad\quad\quad (11) 式中：pij为每一个样本点在该主成分中的占比；
{e_j} 为第j个主成分的熵值。熵权法中指标变化程度越大其被赋予的权重越大，每个主成分的熵权为[24]：
{w_j} = \frac{{1 - {e_j}}}{{1 - \displaystyle\sum\limits_{j = 1}^k {{e_j}} }} (12) 式中：
{w_j} 为第j个主成分的权重，0 \leqslant {w_j} \leqslant 1 并且\displaystyle\sum\limits_{j = 1}^k {{w_j}} = 1 。于是，可以建立主成分权重矩阵：
{\boldsymbol{W}} = {\left[ {\begin{array}{*{20}{c}} {{w_1}}&{\begin{array}{*{20}{c}} \cdots &{{w_j}} \end{array}}& \cdots &{{w_k}} \end{array}} \right]} (13) 主成分权重如图5所示，主成分4的权重占比最高，主成分1次之；而总有机碳含量和孔隙度对主成分4的贡献最大，进一步说明压后产量受到地质工程参数的综合影响。样本井模糊综合评价结果如图6所示，1年千米累计产油量与得分的相关系数为0.937 9，储层压裂非均质性评价结果和产量具有良好的一致性，表明本文所建模型可以有效反映储层的增产潜力。
![]()
图 6 1年千米累计产油量与得分的拟合关系Figure 6. Fitting relationship between accumulated oil production per kilometer in 12 months and scores2.2 水平井压裂非均质性评价
根据测井和录井资料获取待压裂井压裂段的地质特征和工程品质参数，结合样本井平均施工参数代入模型，可得到沿测深的压裂段综合评分剖面。高分点对应井段地质和工程因素均较好，在同等施工规模下增产潜力大，以此为基准进行射孔位置优选可获得较高的产量。T1井基础参数如图7所示，水平井段长度600 m，3 850～3 931 m和4 307～4 450 m井段参数变化幅度较大，储层非均质性较强，中部变化较平缓。
T1井压裂非均质性评价结果如图8所示，综合得分在43.3～68.9，与样本井相比储层质量整体中等偏下。进一步按照水平井段得分进行划分，大于60分井段的储层条件最好，在满足簇间距要求的前提下优先推荐射孔；55～60分井段的储层条件相对较好；50～55分井段的储层条件中等，可作为备选射孔位置；低于50分井段的储层地条件较差，不推荐在此处射孔。
3. 压裂施工参数智能优化及矿场应用
3.1 支持向量回归产量预测
支持向量回归在处理小样本、非线性和高维问题方面具有明显的优势，其概念是使用非线性变换函数将输入数据映射到更高维的空间，然后找到超平面回归决策函数，预测函数可以表示为[25]：
f(x) = {{\boldsymbol{\omega}} ^{\rm{T}}}\varPhi (x) + \beta (14) 式中：
{\boldsymbol{\omega}} 为权重向量；\varPhi (x) 为变换函数；\beta 为偏差。对于Ns个数据点的训练集，
\varepsilon {\text{ - SVR}} 的方程为：\mathop {\min }\limits_{\omega ,\beta ,\zeta ,{\zeta ^ * }} \left( {\frac{1}{2}{{\boldsymbol{\omega}} ^{\rm{T}}}{\boldsymbol{\omega }}+ C\sum\limits_{i = 1}^{{N_{\text{s}}}} {({\zeta _i} + \zeta _i^ * )} } \right) (15) {\rm{s}}.{\rm{t}}. \left\{ \begin{gathered} {{\boldsymbol{\omega}} ^{\rm{T}}}\varPhi ({x_i}) + \beta - {y_i} \leqslant \varepsilon + {\zeta _i} \\ {y_i} - {{\boldsymbol{\omega}} ^{\rm{T}}}\varPhi ({x_i}) - \beta \leqslant \varepsilon + \zeta _i^ * \\ {\zeta _i},{\text{ }}\zeta _i^ * \geqslant 0,{\text{ }}i = 1,2, \cdots ,{N_{\text{s}}} \\ \end{gathered} \right. (16) 式中：C为惩罚因子；
{\zeta _i} 和\zeta _i^ * 分别为最低和最高训练误差的松弛因子；\varepsilon 为误差容限。核函数是SVR的核心内容，它将不可分割的样本映射到高维特征空间中，使它们线性可分离。核函数有多种类型，其中径向基函数核函数通常可以表现出更加出色的性能，其表达式为[26]：
\kappa ({x_i},{x_j}) = \rm e^{( - \gamma {\left\| {{x_i} - {x_j}} \right\|^2})} (17) 式中：
\gamma 为核参数。通过构建拉格朗日函数，预测模型可转化为：
f(x) = \sum\limits_{i = 1}^{{N_{\text{s}}}} {( - {\theta _i} + \theta _i^ * )\kappa ({x_i},x)} + \beta (18) 式中：
{\theta _i} 和\theta _i^ * 为拉格朗日乘子。采用15项产量影响因素作为解释变量，随机选择28口井作为训练集，4口井作为测试集，调整超参数对训练集进行交叉验证，取
R_{\text{κ }}^2 最高的模型作为产量预测模型。R_{\text{κ }}^2 为模型拟合优度，越接近于1表明模型预测精度越高，其计算公式为[27]：R_{\text{κ }}^2(y,\hat y) = 1 - \frac{{\displaystyle\sum\nolimits_{i = 1}^m {{{({y_i} - {{\hat y}_i})}^2}} }}{{\displaystyle\sum\nolimits_{i = 1}^m {{{({y_i} - {{\bar y}_i})}^2}} }} (19) 式中：
{y_i} 为真实值；{\hat y_i} 为预测值；{\bar y_i} 为真实值的平均值。图9和图10分别为惩罚因子C=10、径向基函数核参数
\gamma = 1 时训练集和测试集产量预测值与真实值对比结果，训练集和测试集的R_{\text{κ}}^2 分别为0.998 5和0.879 6，均方根误差（RMSE）分别为99.9和585.9 t/km，表明产量预测模型具有较高的可靠性。![]()
图 9 训练集产量预测值与真实值对比Figure 9. Comparison between predicted and actual production of the training set![]()
图 10 测试集产量预测值与真实值对比Figure 10. Comparison between predicted and actual production of the test set3.2 基于粒子群优化算法的施工参数优化
粒子群优化算法是一种基于种群的随机搜索方法，具有良好的全局搜索能力，仅需要少量的输入参数便可在指定的参数区间内找到全局最优解。对于包含Ns个粒子的Ms维搜索空间，每一个粒子包含3个向量信息，分别为粒子运动速度
{v_i} = ({v_{i1}},{v_{i2}}, \cdots ,{v_{i{M_{\text{s}}}}}) ，粒子位置{X_i} = ({X_{i1}},{X_{i2}}, \cdots ,{X_{i{M_{\text{s}}}}}) 和其最佳位置{O_i} = ({O_{i1}},{O_{i2}}, \cdots ,{O_{i{M_{\text{s}}}}}) ，粒子群全局最优位置为{O_L} = ({O_{L1}},{O_{L2}}, \cdots ,{O_{L{M_{\text{s}}}}}) 。粒子速度和位置更新的规则为[28]：\begin{split} {v_{i{m_{\text{s}}}}}(t + 1) =& \tau {v_{i{m_{\text{s}}}}} + {\lambda _1}{\vartheta _1}[{O_{i{m_{\text{s}}}}}(t) - {X_{i{m_{\text{s}}}}}(t)] +\\ &{\lambda _2}{\vartheta _2}[{O_{L{m_{\text{s}}}}}(t) - {X_{i{m_{\text{s}}}}}(t)] \end{split} (20) {X_{i{m_{\text{s}}}}}(t + 1) = {X_{i{m_{\text{s}}}}}(t) + {v_{i{m_{\text{s}}}}}(t) (21) 式中：
{v_{i{m_{\text{s}}}}} 为当前速度，i = 1,2, \cdots ,{N_{\text{s}}} ，{m_{\text{s}}} = 1, 2, \cdots , {M_{\text{s}}} ，{v_{i{M_{\text{s}}}}} \in [{v_{\min ,{M_{\text{s}}}}},{v_{\max ,{M_{\text{s}}}}}] ；\tau 为惯性因子；{\lambda _1} 和{\lambda _2} 为学习因子；{\vartheta _1} 和{\vartheta _2} 为[0，1]中的随机数；{O_{i{m_{\text{s}}}}} 为当前最佳位置；{O_{L{m_{\text{s}}}}} 为全局最佳位置。根据储层压裂非均质性评价结果，可将储层条件较差的位置作为分段位置，将T1井划分为5段，各段储层条件中等及以上位置的平均得分见表2。段间得分差异较大，表明储层地质情况差异大、非均质性强，需要对各段施工参进行差异化数优化。设置惯性因子τ = 0.729，学习因子λ1 = λ2 = 1.494[29]，以各段内的平均地质参数为基础，以预测产量为优化目标，在样本井施工参数范围内搜索匹配该段地质参数的最优施工参数组合。不同段施工参数优化与产量预测结果如表2所示，在推荐的施工参数下T1井的预测产量为3 535.9 t/km。
表 2 不同段施工参数优化与产量预测结果Table 2. Optimization of treatment parameters and production prediction results for segments井段/m 平均得分 压裂段长/m 簇间距/m 加砂强度/
（m3·m−1）用液强度/
（m3·m−1）排量/
（m3·min−1）预测产量/
（t·km−1）3 850～3 931 59.2 60 6.50 3.7 31.0 12.5 4 113.5 3 932～4 056 55.1 45 5.80 2.8 26.0 12.5 3 354.3 4 057～4 232 55.8 50 6.30 2.6 28.0 12.0 3 412.9 4 233～4 306 52.9 52 5.80 3.1 29.0 12.5 2 985.9 4 307～4 450 58.4 45 5.30 3.6 34.5 12.5 3 896.4 根据不同段的长度和粒子群优化的压裂段长，进一步将T1井划分为12段进行压裂，结合簇间距和储层压裂非均质性评价推荐的射孔位置，设计T1井射孔83簇。以第1段为例进行具体分析，设计第1段顶深4 405 m、底深4 450 m，段长45 m，射孔8簇，簇间距5.00～5.50 m，射孔位置优化结果见表3。
表 3 第1段射孔位置优化结果Table 3. Optimization results of perforation position in the first fracturing section簇号 顶深/m 底深/m 簇间距/m 簇号 顶深/m 底深/m 簇间距/m ① 4 407.50 4 408.00 5.50 ⑤ 4 431.00 4 431.50 5.00 ② 4 413.50 4 414.00 5.50 ⑥ 4 436.50 4 437.00 5.00 ③ 4 419.50 4 420.00 5.20 ⑦ 4 442.00 4 442.50 5.00 ④ 4 425.20 4 425.70 5.30 ⑧ 4 447.50 4 448.00 3.3 矿场应用效果分析
采用稳定电场压裂裂缝监测技术，通过测量地面测点和水力裂缝前端的电位差对裂缝发育形态和过程进行实时监测[30]。T1井采用高起步、连续加砂工艺，根据表2中的施工参数进行压裂。第1段不同压裂时间点的裂缝监测解释结果如图11所示，压裂施工共持续160 min，8个射孔簇均成功起裂，裂缝半长59.50～154.80 m，裂缝扩展结果与设计结果相符，达到了储层精细化改造要求。
![]()
图 11 第1段不同施工时间点的裂缝监测剖面Figure 11. Fracture monitoring profile of the first fracturing section at different treatment timeT1井1年的千米累计产油量为3 363 t/km，产量预测精度为94.86%，表明本文提出的数据驱动方法可有效与储层地质特征匹配，实现页岩油水平井射孔位置和压裂施工参数优化。另外，该方法不局限于页岩油藏，在其他常规油气藏中也能进一步推广应用。
4. 结 论
1）以CD页岩油藏32口压裂井为研究对象，分析了1年千米累计产量与包含地质特征、工程品质和施工参数的15项因素之间的斯皮尔曼相关性。其中，地质特征中的渗透率、孔隙度、热解游离烃含量和施工参数中的单位长度的砂量、液量为产量的主控因素，产量与工程品质的相关性较弱。
2）采用主成分分析降低因素维度的同时消除因素间的相关性，结合高斯隶属函数和熵权法进行模糊等级划分，量化了页岩油储层压裂非均质性，可为射孔位置选择提供指导。
3）基于支持向量回归产量预测模型和粒子群优化算法，以预测产量为优化目标，形成了数据驱动的压裂施工参数智能优化方法，可实现与储层地质特征和工程品质匹配施工参数的差异化设计。
4）应用井第1段压裂裂缝监测发现各射孔簇均成功起裂，产量预测符合率94.86%，表明采用本文方法可有效提高压裂设计的针对性和效率，并实现压后产量的可靠预测。
-
![]()
图 1 不同摩阻系数下生产套管下放大钩载荷
Figure 1. Set down hook load with production casing under different friction coefficients
![]()
图 2 不同工况下生产套管的轴向力
Figure 2. Axial force of production casing under different operation conditions
表 1 水平段不同工况下的扭矩、轴向拉力和钻具屈曲情况
Table 1 Torque, axial tension and buckling of drilling tool under different operation conditions in horizontal section
工况 大钩载荷/kN 地面扭矩/（kN·m） 中和点距钻头距离/m 中和点井深/m 摩阻/kN 钻柱伸长/m 最大侧向力/kN 起钻 1 059.00 0 0 6 215.96 251.80 2.97 133.30 下钻 569.70 0 4 708.87 1 507.09 238.80 –0.17 123.70 滑动钻进 529.10 0 4 854.67 1 361.29 246.60 –0.58 126.90 旋转钻进 756.40 21.31 4 267.60 1 948.36 0 0.83 126.60 
下载: 导出CSV
表 2 ϕ311.1 mm斜井段钻井技术指标
Table 2 Drilling technical indexes of ϕ311.1 mm deviated section
钻头型号 钻进井段/m 进尺/m 机械钻速/
（m·h–1）ES1656/S323 291.00～1667.00 1 376.00 13.36 EHS1617Q9混合 1 667.00～2 053.00 386.00 5.51 SH533混合 2 053.00～2 293.00 240.00 6.00
下载: 导出CSV
表 3 水平段水基钻井液的性能
Table 3 Performance of water-based mud in horizontal section
井段/m 漏斗黏度/s 密度/（kg·L–1） API滤失量/mL 动切力/Pa 动塑比 ϕ6/ϕ3 低剪切速率切力/Pa 活度 2 293.00～3 678.00 52～55 1.25～1.30 3 7～8 0.5～0.6 5/4 3 0.71 3 678.00～4 900.00 55～60 1.30～1.33 3 9～10 0.5～0.6 7/6 5 0.69 4 900.00～5 642.00 47～52 1.23～1.24 4 5～6 0.4～0.5 4/3 2 0.73 5 642.00～6 266.00 55～62 1.23～1.24 2 10～12 0.5～0.6 9/8 7 0.69
下载: 导出CSV
-
[1] 付金华,李士祥,刘显阳. 鄂尔多斯盆地石油勘探地质理论与实践[J]. 天然气地球科学, 2013, 24(6): 1091–1101. FU Jinhua, LI Shixiang, LIU Xianyang. Oil explore geological theory and application in the Ordos Basin[J]. Natural Gas Geoscience, 2013, 24(6): 1091–1101.
[2] 郭元恒,何世明,刘忠飞,等. 长水平段水平井钻井技术难点分析及对策[J]. 石油钻采工艺, 2013, 35(1): 14–81. GUO Yuanheng, HE Shiming, LIU Zhongfei, et al. Difficulties and countermeasures for drilling long lateral-section horizontal wells[J]. Oil Drilling & Production Technology, 2013, 35(1): 14–81.
[3] 王建龙,齐昌利,柳鹤,等. 沧东凹陷致密油气藏水平井钻井关键技术[J]. 石油钻探技术, 2019, 47(5): 11–16. WANG Jianlong, QI Changli, LIU He, et al. Key technologies for drilling horizontal wells in tight oil and gas reservoirs in the Cangdong Sag[J]. Petroleum Drilling Techniques, 2019, 47(5): 11–16.
[4] 侯杰,刘永贵,李海. 高性能水基钻井液在大庆油田致密油藏水平井中的应用[J]. 石油钻探技术, 2015, 43(4): 59–65. HOU Jie, LIU Yonggui, LI Hai. Application of high-performance water-based drilling fluid for horizontal wells in tight reservoirs of Daqing Oilfield[J]. Petroleum Drilling Techniques, 2015, 43(4): 59–65.
[5] 王万庆. 陇东气田水平井钻井技术[J]. 石油钻探技术, 2017, 45(2): 15–19. WANG Wanqing. Horizontal drilling techniques in Longdong Gas Field[J]. Petroleum Drilling Techniques, 2017, 45(2): 15–19.
[6] 陶丽杰. 添加虚拟靶区优化三维水平井井眼轨道[J]. 断块油气田, 2015, 22(2): 267–269. TAO Lijie. Optimization on 3D trajectory of horizontal well by adding theoretical target[J]. Fault-Block Oil & Gas Field, 2015, 22(2): 267–269.
[7] 韩来聚,牛洪波. 对长水平段水平井钻井技术的几点认识[J]. 石油钻探技术, 2014, 42(2): 7–11. HAN Laiju, NIU Hongbo. Understandings on drilling technology for long horizontal section wells[J]. Petroleum Drilling Techniques, 2014, 42(2): 7–11.
[8] 张映红,路保平,陈作,等. 中国陆相致密油开采技术发展策略思考[J]. 石油钻探技术, 2015, 43(1): 1–6. ZHANG Yinghong, LU Baoping, CHEN Zuo, et al. Technical strategy thinking for developing continental tight oil in China[J]. Petroleum Drilling Techniques, 2015, 43(1): 1–6.
[9] 杨力. 彭水区块页岩气水平井防漏堵漏技术探讨[J]. 石油钻探技术, 2013, 41(5): 16–20. doi: 10.3969/j.issn.1001-0890.2013.05.003 YANG Li. Leak prevention and plugging techniques for shale gas horizontal wells in Pengshui Block[J]. Petroleum Drilling Techniques, 2013, 41(5): 16–20. doi: 10.3969/j.issn.1001-0890.2013.05.003
[10] 陈述,张文华,王雷, 等. 委内瑞拉浅层高水垂比三维水平井下套管工艺[J]. 石油钻探技术, 2013, 41(1): 56–60. doi: 10.3969/j.issn.1001-0890.2013.01.011 CHEN Shu, ZHANG Wenhua, WANG Lei, et al. Casing running technology for high horizontal-displacement to vertical-depth ratio 3D shallow layer horizontal well in Venezuela[J]. Petroleum Drilling Techniques, 2013, 41(1): 56–60. doi: 10.3969/j.issn.1001-0890.2013.01.011
[11] 沈国兵,刘明国,晁文学,等. 涪陵页岩气田三维水平井井眼轨迹控制技术[J]. 石油钻探技术, 2016, 44(2): 10–15. doi: 10.11911/syztjs.201602002 SHEN Guobing, LIU Mingguo, CHAO Wenxue, et al. 3D trajectory control technology for horizontal wells in the Fuling Shale Gas Field[J]. Petroleum Drilling Techniques, 2016, 44(2): 10–15. doi: 10.11911/syztjs.201602002
[12] 史玉才,管志川,张欣,等. 使用螺杆钻具条件下钻井水力参数优化设计方法[J]. 石油钻探技术, 2014, 42(2): 33–36. SHI Yucai, GUAN Zhichuan, ZHANG Xin, et al. Optimization methods for drilling hydraulic parameters when using positive displacement down-hole motor[J]. Petroleum Drilling Techniques, 2014, 42(2): 33–36.
[13] 林永学,王显光,李荣府. 页岩气水平井低油水比油基钻井液研制及应用[J]. 石油钻探技术, 2016, 44(2): 28–33. doi: 10.11911/syztjs.201602005 LIN Yongxue, WANG Xianguang, LI Rongfu. Development of oil-based drilling fluid with low oil-water ratio and its application to drilling horizontal shale gas wells[J]. Petroleum Drilling Techni-ques, 2016, 44(2): 28–33. doi: 10.11911/syztjs.201602005
[14] 叶艳,安文华,尹达,等. 高密度甲酸盐钻井液配方优选及其性能评价[J]. 钻井液与完井液, 2014, 31(1): 37–39. doi: 10.3969/j.issn.1001-5620.2014.01.010 YE Yan, AN Wenhua, YIN Da, et al. Formulation optimizing and performance evaluation of high-density formate drilling fluid[J]. Drilling Fluid & Completion Fluid, 2014, 31(1): 37–39. doi: 10.3969/j.issn.1001-5620.2014.01.010
[15] 张明昌,张新亮,高剑玮. 新型XPJQ系列下套管漂浮减阻器的研制与试验[J]. 石油钻探技术, 2014, 42(5): 114–118. ZHANG Mingchang, ZHANG Xinliang, GAO Jianwei. Developing and testing XPJQ series floating friction reducers for running casing[J]. Petroleum Drilling Techniques, 2014, 42(5): 114–118.
-
期刊类型引用(3)
1. 任邵康 ，汪敏. 水平井井眼清洁定量化监测技术探讨. 数字技术与应用. 2025(01): 117-119 . 
百度学术
2. 贺会锋，石仲元，赵栋梁，常晓峰，刘全兴，陈刚. 油气田井眼清洁钻井液技术研究进展. 石油化工应用. 2025(04): 1-9+15 . 百度学术
3. 杨前亮，黄洪林，罗鸣，吴艳辉，李文拓，肖平. 基于机械钻速的地层孔隙压力随钻监测方法. 石油钻采工艺. 2023(05): 548-554 . 百度学术
其他类型引用(2)
计量
- 文章访问数: 1666
- HTML全文浏览量: 604
- PDF下载量: 228
- 被引次数: 5
