考虑人工裂缝展布及井间干扰的多井图卷积与门控循环单元耦合页岩气井产量预测方法

摘要

为了更准确、高效地预测页岩气井产量，针对页岩气藏多井立体井网结合多段压裂水平井开采现状，在考虑人工裂缝展布及多井干扰的基础上，提出一种新的IMWs(interference of multiple wells)-GCN(graph convolutional neural network)-GRU(gate recurrent unit)耦合的页岩气井产量预测机器学习方法。首先，在综合考虑压裂水平井空间位置、裂缝展布和储层渗透率等因素的基础上，提出页岩气井的邻接矩阵构建方法，解决目前考虑多井干扰仅限于直井注采井网的难题，采用图卷积神经网络(GCN)挖掘页岩气井之间的空间特征；其次，基于门控循环单元(GRU)提取不同时间上产量的变化特征，即时间特征，从而形成考虑时空特征的页岩气井机器学习方法；并与数值模拟的结果进行对比验证。最后，基于实际页岩气井的生产井台，对比不同邻接矩阵的构建方法，同时与传统的机器学习方法(LSTM、GRU和RNN)对比。结果表明：与数值模拟结果对比验证了该方法的准确性；在考虑裂缝展布的基础上结合储层渗透率，进一步提高了预测的精度；存在井间干扰的页岩气井采用本模型的精度更高，可超过90%。

关键词

产量预测 / 页岩气井 / 井间干扰 / 图卷积神经网络 / 门控循环单元