石油学报

作者：陈志明, 朱海锋, 赵辉, 董鹏, 廖新维, Yu Wei

单位：1. 中国石油大学(北京)石油工程学院 北京 102249;2. 中国石油大学(北京)人工智能学院 北京 102249;3. 长江大学石油工程学院 湖北武汉 430100;4. 美国得克萨斯大学奥斯汀分校 得克萨斯州奥斯汀 78712

关键词：人工智能,压裂水平井,卷积神经网络,特征点法,试井解释,参数反演

基金：陈志明,男,1989年12月生,2018年获中国石油大学(北京)博士学位,现为中国石油大学(北京)教授,主要从事非常规油气藏试井反演理论与技术方法研究。Email:zhimingchn@cup.edu.cn

摘要： 压裂水平井能大幅提高低渗及特低渗油气藏的最终采收率,具有重要应用前景,而其裂缝参数反演是压裂评价和产能预测的前提。试井分析方法是裂缝参数反演的重要手段之一,但目前的方法以人工反演为主,其主观性和多解性强,为裂缝参数反演结果带来了极大不确定性。为解决人工反演耗时长、受试井工作者主观因素影响强、不同试井工作者水平差异大等问题,利用特征点法及改进卷积神经网络,基于压裂水平井油藏的半解析解形成一套智能参数反演方法。对压力数据进行归一化处理,先通过训练好的卷积网络反演改造区渗透率、无因次导流能力、裂缝半长及裂缝间距,再通过特征点法得到无因次井筒储集系数及表皮系数,验证结果表明无因次井筒储集系数、表皮系数、改造区渗透率、无因次导流能力、裂缝半长和缝间距的反演值与真实值的相对误差分别为5.00%、6.01%、7.96%、6.10%、4.70%、0.25%,平均相对误差为5.00%,反演曲线与真实曲线符合程度良好,验证了该方法的可靠性。对实际现场的两次压力恢复数据进行智能反演,并与人工反演进行对比,结果显示智能反演的无因次井筒储集系数下降39.37%、表皮系数增加15%、改造区渗透率下降26.53%、无因次导流能力下降19.45%、裂缝半长下降12.82%、有效井长下降30.29%,符合现场实际情况,从而验证了该方法的实用性。

来源：2025年第9期

《石油学报》期刊编辑部

查看石油学报杂志2025年第9期