关键词:
页岩气井
产量预测
物理—数据协同驱动
人工智能
动态泄流区
产量递减分析
摘要:
由于页岩气渗流机理复杂,赋存方式多样,压裂后对裂缝网络的精确识别和表征存在较大困难,现有方法难以准确预测页岩气井产量。为此,提出了机理—数据融合建模的思路,结合连续拟稳态假设、物质平衡方程、产量递减分析方法和递推原理,建立了物理—数据协同驱动的产量预测方法,进而以中国某区块页岩气井现场生产数据为例,对该方法的准确性、可靠性进行了测试,并与经验产量递减分析和时间序列分析方法进行了对比分析。研究结果表明:(1)建立的产能模型采用拟压力代替压力,采用物质平衡拟时间代替时间,弱化了产量、流压和甲烷物性变化带来的影响;(2)以累计产量误差最小为目标开展历史拟合,弱化了生产制度变化带来的影响,使得建立的产能模型能够自动适应流压—产量变化;(3)应用该方法的关键在于采气指数—物质平衡拟时间双对数图中的特征直线,若图中出现特征直线,则可以开展产量预测,反之,则不能预测。结论认为:(1)建立的产量预测方法将不稳定流动问题转化为拟稳态流动问题求解,简化了对储层非均质性的描述,避开了裂缝网络精确识别和定量表征的难题,计算效率高,可解释性强;(2)生产数据测试结果表明该产量预测方法精度高,长期预测结果稳定,并优于Logistic Growth Model、Duong和StretchedExponential Production Decline经验产量递减分析方法,也优于非线性自回归神经网络、长短记忆神经网络时间序列分析方法。