一种基于图卷积神经网络的页岩气水平井分段分簇方法

本发明涉及油气井完井，具体涉及一种基于图卷积神经网络的页岩气水平井分段分簇方法。

背景技术：

1、页岩气是从地下页岩层中开采出来的天然气，与煤层气和致密气类似，是一类非常规天然气，是清洁且高效的一类化石能源资源。页岩气的开采对能源行业和经济具有重要意义，它被视为一种替代能源资源，有助于减少对传统煤炭和石油的依赖，并对能源安全和环境可持续性产生积极影响。

2、页岩气水平井分段分簇通常是指在页岩气开发中一种常用的油气井完井技术，这种技术涉及将油气井分成多个区段，然后在每个区段进行射孔处理以增加油气的产量并提高开采效率。页岩气水平井分段分簇的本质是对页岩气水平井的目标页岩层进行地质评估，得到油气储层的分布性质和特点，并设计相对应的分段分簇完井方案。根据对应方案将水平井的水平段划分成多个长度相等或不等的区段，每个区段对应着不同的地质层或者产气区域，而在每个水平段的分段内，则实施多个射孔处理，这些射孔点被集中在特定的产气层或者产气区域，以增加对该区段储层的有效采集。这些评估主要基于孔隙度、补偿声波、岩性密度等地质参数，并结合产量增益、水力压裂效果、井筒完整性和成本等因素进行综合考虑。页岩气水平井分段分簇技术是页岩气水平井射孔完井中的重要技术，是提高页岩气采收率和开采效率的重要手段之一，并在页岩气水平井开发中得到广泛应用。

3、现有技术下传统的页岩气水平井分段分簇方法主要为等间距分段压裂、专家人工设计分段分簇、地震或地电测井导向的分段分簇、增强水平井剖面分段分簇等方法，上述传统方法均存在部分缺点。等间距分段压裂方法将水平井的井段均匀划分成相等长度的分段，这导致了在不同地层的产能差异较大的情况下，资源利用率较低且产量均衡性差。专家人工设计分段分簇方法过于依赖专家的专业知识和经验，在不同地质条件下表现不佳且可能出现人为误判导致工程事故。地震或地电测井导向分段分簇方法可以提供一定的地下地质信息，但是精度受地下地质条件的影响，无法准确识别一些微观地质特征和裂缝分布，导致分段设计的不准确性。增强水平井剖面分段分簇方法需要额外的技术以及设备支持，因此成本过高而不适用于所有的项目。综上所述，现有技术下传统的分段分簇方法均存在部分缺陷及不足，从而影响了当前页岩气水平井开采效率。

4、在当前的研究背景当中，越来越多的研究人员开始关注水平井射段分簇射孔的优化。随着油气开采过程中数据采集手段的进步，数据类型和数据量规模不断扩大，应用大数据分析方法来获取信息的方式越来越受到重视。研究方向也逐步从数值仿真优化模型转而通过机器学习、深度神经网络的方法模型来进行射孔方案的优化，其中也包括分段分簇的相关优化。

技术实现思路

1、针对背景技术中提出的问题，本发明提出了一种基于图卷积神经网络的页岩气水平井分段分簇方法。

2、本发明的具体方案如下：

3、一种基于图卷积神经网络的页岩气水平井分段分簇方法，包括如下步骤：

4、s1.对原始的石油测井数据进行数据预处理；

5、s2.利用预处理后的石油测井数据对页岩气水平井进行分段，得到射孔分段结果；

6、s3.利用图卷积神经网络semi-gcn模型对页岩气水平井每个段内的数据进行射孔分簇；此步骤包括：

7、s301.通过预处理后的石油测井数据构建节点表征矩阵；

8、s302.利用射孔分段的层位数据构建节点邻接矩阵；

9、射孔分段的层位数据具体包括每个射孔点的层位信息，如深度、位置（如井深）、标识，通过层位信息能够确定射孔点的位置。将每个射孔点的位置作为节点，根据节点直接是否相邻或连接来构建邻接矩阵，1表示相邻或连接，0表示不相邻或不连接。

10、s303.将节点表征矩阵和节点邻接矩阵一同输入至 semi-gcn 模型进行半监督节点分类，semi-gcn模型通过半监督学习的方式为将部分标注数据和无标注数据都设置为模型的训练集。其中模型首先使用标注数据训练一个初始分类器；随后使用该初始分类器对未标注数据进行预测，并将预测置信度较高的样本作为伪标记数据加入训练集；使用扩展后的训练集继续训练分类器直到满足评估指标,得到最终的预测模型；

11、s304.利用最终的预测模型对未知分类的页岩气水平井段进行预测，将其划分到不同的簇中。

12、具体地，所述对原始的石油测井数据进行数据预处理包括：

13、s101.对原始的石油测井数据进行数据清洗；数据清洗包括异常值处理、缺失值填充和数据标准化处理；

14、s102.对清洗后的石油测井数据进行特征工程处理。

15、具体地，所述对清洗后的石油测井数据进行特征工程处理如下：

16、（1）通过灰色关联分析对数据清洗后的石油测井数据的特征参数进行相关性分析,获取灰色关联度系数；

17、（2）利用随机森林法对数据清洗后的石油测井数据的特征参数进行特征重要程度排序；

18、（3）剔除灰色关联度系数大于0.95且特征重要程度后10%的特征参数，得到最终单井射孔优化实验中所使用的水平井测井数据。

19、具体地，所述灰色关联度系数的计算公式为，

20、，

21、，

22、其中，表示参考序列，表示比较序列，表示参考序列第 k个属性变量的取值，为比较序列第 k个属性变量的取值；为分辨系数，取值范围为[0,1]；为两级最小极差，为两级最大极差；表示第 i个比较序列与参考序列在第 k个指标变量的灰色关联度系数，为特征参数的个数，为数据样本数；为第 i个比较序列对参考序列的灰色关联度。

23、进一步地，所述利用预处理后的石油测井数据对页岩气水平井进行分段，得到射孔分段结果包括：

24、s201.根据石油测井数据的特征参数，通过贪婪高斯分割算法进行页岩气水平井单井射孔分段；

25、s202.根据石油测井数据的特征参数，通过深度神经网络模型进行页岩气水平井多井射孔分段。

26、进一步地，所述深度神经网络模型采用了双塔式的transformer结构，通过双塔分别提取所述数据的时间序列的时间步长信息以及特征空间信息，所述的时间序列是一个数学概念，指的是按时间顺序排列的一系列观测值，任何数据都有时间序列。在石油测井数据中时间序列是指按时间排列的某个测井值，表示按照在井筒内从地表到井底的不同深度或同一位置在不同时间上的测量结果，例如上述的这些地质参数；

27、在射孔分段中，将不同井随井深变化的不包含在石油测井数据中的不同地质特征参数以及预处理后的石油测井数据作为多元时间序列来处理，所述多元时间序列为时间序列的一个特例，具体为多个按时间顺序排列的一系列观测值，这些观测值可以相互依赖或者独立地随时间变化；

28、所述深度神经网络模型具体结构为：

29、并行设置的分步编码器和逐通道编码器，其中分步编码器用于对时间步长信息进行编码，使用带掩码的注意力机制来处理输入数据的时间序列结构，关注每个时间点的特征。逐通道编码器对特征空间信息进行编码，考虑不同特征之间的关联和重要性，捕捉不同特征维度之间的空间关系；分步编码器和逐通道编码器的输出共同输入到gating层，gating层用于为分步编码器和逐通道编码器的输出分配权重，gating层的输出依次输入线性层和softmax层，softmax层的输出为所述深度神经网络模型的输出；

30、分步编码器包括依次连接的第一embedding层、多头注意力机制层和第一前馈神经网络层；多头注意力机制层和前馈神经网络层均使用残差连接结构且其后均设有归一化层，具体来说，第一embedding层的输出和多头注意力机制层的输出进行相加操作后进行归一化操作，多头注意力机制层的输出和前馈神经网络层的输出进行相加操作后进行归一化操作；

31、逐通道编码器包括依次连接的第二embedding层、掩码多头注意力机制和第二前馈神经网络层，还包括位置编码层；位置编码层的输出和第二embedding层的输出共同输入到掩码多头注意力机制层；掩码多头注意力机制层和第二前馈神经网络层均使用残差连接结构且其后均设有归一化层，具体来说，第二embedding层的输出和掩码多头注意力机制层的输出进行相加操作后进行归一化操作，掩码多头注意力机制层的输出和第二前馈神经网络层的输出进行相加操作后进行归一化操作。

32、所述深度神经网络模型的损失函数为交叉熵损失函数。

33、进一步地，所述通过预处理后的石油测井数据构建节点表征矩阵具体为：

34、将预处理后的水平井测井数据构建成节点表征矩阵，，表示节点的属性向量，节点表征矩阵的维度为 n× f，其中 n表示节点数， f表示每个节点的特征向量维度。

35、进一步地，所述semi-gcn模型为两层图卷积网络，其中输入网络的节点邻接矩阵为a，输入网络的节点特征矩阵为x，设定a是n×n的矩阵，x是n×f的矩阵，n是节点数量，f是节点特征的维度，图卷积网络结构中，第一层图卷积表示为，

36、，

37、，

38、其中，表示第一层图卷积的输出，表示激活函数，表示节点邻接矩阵a添加自环后的矩阵，表示第一个权重矩阵，表示度矩阵，表示节点邻接矩阵添加自环后再通过度矩阵对其进行归一化得到的矩阵；第二层图卷积表示为

39、，

40、其中，表示第一层图卷积的输出，是第二个权重矩阵；

41、采用梯度下降算法来训练图卷积网络中的权重和；

42、对于半监督的节点分类，其损失函数如公式，

43、，

44、其中，表示具有标签的节点索引集，表示实际的已标记节点分布，表示预测的标记节点分布；e表示节点分类类别总数。

45、采用上述方案后，本发明的有益效果在于：

46、本发明根据石油测井数据的特点进行数据处理，将每一簇视作一个节点以构成节点特征矩阵，同时以页岩气井射孔分段划分结果构成节点邻接矩阵。然后，使用图卷积神经网络对射孔簇进行划分。本文所述的图卷积神经网络模型通过捕捉地层间复杂的非线性关系，不仅可以更准确地划分射孔簇，而且还具有更好的适应性和泛化能力，解决了在不同地层的产能差异较大以及不同地下地质条件影响下所带来的资源利用率较低和识别精度较差的问题。同时通过计算机算法模型对分段分簇进行判断，也避免了人工误判，降低了所需要的成本，能够更好地适应不同地质环境下的射孔簇划分。

技术特征：

1.一种基于图卷积神经网络的页岩气水平井分段分簇方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的一种基于图卷积神经网络的页岩气水平井分段分簇方法，其特征在于，所述对原始的石油测井数据进行数据预处理包括：

3.根据权利要求2所述的一种基于图卷积神经网络的页岩气水平井分段分簇方法，其特征在于，所述对清洗后的石油测井数据进行特征工程处理如下：

4.根据权利要求3所述的一种基于图卷积神经网络的页岩气水平井分段分簇方法，其特征在于，所述灰色关联度系数的计算公式为，

5.根据权利要求1所述的一种基于图卷积神经网络的页岩气水平井分段分簇方法，其特征在于，所述利用预处理后的石油测井数据对页岩气水平井进行分段，得到射孔分段结果包括：

6.根据权利要求5所述的一种基于图卷积神经网络的页岩气水平井分段分簇方法，其特征在于，所述深度神经网络模型采用了双塔式的transformer结构，

7.根据权利要求1所述的一种基于图卷积神经网络的页岩气水平井分段分簇方法，其特征在于，所述通过预处理后的石油测井数据构建节点表征矩阵具体为：

8.根据权利要求1所述的一种基于图卷积神经网络的页岩气水平井分段分簇方法，其特征在于，所述semi-gcn模型为两层图卷积网络，其中输入网络的节点邻接矩阵为a，输入网络的节点特征矩阵为x，设定a是n×n的矩阵，x是n×f的矩阵，n表示节点数，f表示每个节点的特征向量维度，图卷积网络结构中，第一层图卷积表示为，

技术总结
本发明公开一种基于图卷积神经网络的页岩气水平井分段分簇方法，涉及油气井完井技术领域，包括：对原始的石油测井数据进行数据预处理；利用预处理后的石油测井数据对页岩气水平井进行分段，得到射孔分段结果；利用图卷积神经网络semi‑GCN模型对页岩气水平井每个段内的数据进行射孔分簇，此步骤中，将节点表征矩阵和节点邻接矩阵一同输入至semi‑GCN模型进行半监督节点分类，semi‑GCN模型通过半监督学习的方式利用部分标注数据和无标注数据来训练模型,得到最终的预测模型，利用最终的预测模型对未知分类的页岩气水平井段进行分簇；本发明的方法能更准确地划分射孔簇，具有更好的适应性和泛化能力，同时提高了识别精度，避免了人工误判，降低了所需要的成本。

技术研发人员：胥林,沈宸宇,李艳,王坤
受保护的技术使用者：西南石油大学
技术研发日：
技术公布日：2024/9/23