(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202110824094.4 (22)申请日 2021.07.21 (71)申请人 中国石油天然气集团有限公司 地址 100007 北京市东城区东 直门北大街9 号 申请人 中国石油集团工程 技术研究院有限 公司 (72)发明人 王如意　高阳　杨向同　李映艳　 王永红　彭寿昌　黄波　雷祥辉　 李会丽　 (74)专利代理 机构 北京颐合中鸿律师事务所 11819 代理人 冯鹏雷 (51)Int.Cl. G06F 30/17(2020.01)G06F 30/27(2020.01) E21B 43/26(2006.01) G06Q 10/04(2012.01) G06Q 50/02(2012.01) E21B 43/11(2006.01) G06F 111/06(2020.01) (54)发明名称 一种基于机器学习的水平井射孔优化设计 方法及装置 (57)摘要 本发明公开了一种基于机器学习的水平井 射孔优化设计方法， 包括： 获取水平井的光纤检 测产能数据和测井及钻井数据， 并对二者进行定 量化分析； 依据光纤检测产能数据和测井及钻井 数据， 进行水平井的产能参数模型训练， 得到产 能参数优化预测模型； 获取新钻井后未进行压裂 工程作业的水平 井的测井及钻井数据， 利用产能 参数优化预测模 型进行产能预测， 并依次进行水 平井射孔位置的优化， 以得到优化后的水平井射 孔位置。 利用机器学习自动化框架通过算法和参 数的层次优选， 实现水平井产能参数预测模型的 迭代优化， 解决算法和参数优化问题； 基于优化 后的产能预测模型， 优化射孔位置， 解决了有效 射孔率的提高问题， 提高了油气产能预测精度和 有效射孔的比率。 权利要求书2页 说明书8页 附图5页 CN 114117654 A 2022.03.01 CN 114117654 A 1.一种基于 机器学习的水平井射 孔优化设计方法， 其特 征在于， 包括如下步骤： 获取水平井的光纤检测产能数据和 测井及钻井数据， 并对二 者进行定量 化分析； 依据所述光纤检测产能数据和所述测井及钻井数据， 进行所述水平井的产能参数模型 训练， 得到产能参数优化预测模型； 获取新钻井后未进行压裂工程作业的所述水平井的测井及钻井数据， 利用所述产能参 数优化预测模型进行产能预测， 并依 次进行所述水平井射孔位置的优化， 以得到优化后的 所述水平井射 孔位置。 2.根据权利要求1所述的基于机器学习的水平井射孔优化设计方法， 其特征在于， 所述 获取水平井的光纤检测产能数据和 测井及钻井数据并对二 者进行定量 化分析， 包括： 以所述水平井射孔为基础数据 单元， 获取所述光纤检测产能数据和测井及钻井数据进 行链接， 得到射 孔数据表； 对所述射孔数据表进行数据划分， 将所述测井及钻井数据设定为特征数据集， 将所述 光纤检测产能数据设定为目标 数据集； 利用基于相关系数的层次聚类算法对所述光纤检测产能数据与所述测井及钻井数据 之间的相关系数矩阵层次结构进行分析。 3.根据权利要求1所述的基于机器学习的水平井射孔优化设计方法， 其特征在于， 所述 依据所述光纤检测产能数据和所述测井及钻井数据并进行所述水平井的产能参数模型训 练， 包括： 利用交叉验证方法将所述光纤检测产能数据划分为训练集、 检验集和测试集， 其中， 所 述训练集占所述光纤检测产能数据总量的第一预设比例值， 所述检验集占所述光纤检测产 能数据总量的第二预设比例值， 所述测试集占所述光纤检测产能数据总量的第三预设比例 值； 利用机器学习自动化回归预测框架对所述 光纤检测产能数据的训练集进行模型训练。 4.根据权利要求3所述的基于 机器学习的水平井射 孔优化设计方法， 其特 征在于， 所述第一预设比例值 为70％； 所述第二预设比例值 为20％； 所述第三预设比例值 为10％。 5.根据权利要求3所述的基于机器学习的水平井射孔优化设计方法， 其特征在于， 所述 利用机器学习自动化回归预测框架对所述训练集进行模型训练， 包括： 以所述训练集数据进行模型训练， 以所述检验集预测残差最小作为参数的迭代优化参 数， 以所述测试集预测残差最小作为 算法的迭代优化 算法； 输出最大日产油量和最大日产液量的预测误差最低及预测精度最高的方法和参数的 组合， 得到所述产能参数优化预测模型的参数。 6.根据权利要求5所述的基于机器学习的水平井射孔优化设计方法， 其特征在于， 所述 获取新钻井后未进行压裂工程作业的所述水平井的测井及钻井数据之后， 还 包括： 对新钻井后未进行压裂工程作业的所述水平井进行等间距大 段的划分； 依次在所述等间距大段内利用滑动窗口法逐个在钻井数据采样点或测井数据采样点 滑动设计射 孔。 7.一种基于 机器学习的水平井射 孔优化设计装置， 其特 征在于， 包括：权　利　要　求　书 1/2 页 2 CN 114117654 A 2数据获取模块， 其用于获取水平井的光纤检测产能数据和测井及钻井数据， 并对二者 进行定量 化分析； 模型训练模块， 其用于依据所述光纤检测产能数据和所述测井及钻井数据， 进行所述 水平井的产能参数模型训练， 得到产能参数优化预测模型； 射孔优化模块， 其用于获取新钻井后未进行压裂工程作业的所述水平井的测井及钻井 数据， 利用所述产能参数优化预测模型进行产能预测， 并依 次进行所述水平井射孔位置的 优化， 以得到优化后的所述水平井射 孔位置。 8.根据权利要求7所述的基于机器学习的水平井射孔优化设计装置， 其特征在于， 所述 数据获取模块包括： 数据合成单元， 其用于以所述水平井射孔为基础数据单元， 获取所述光纤检测产能数 据和测井及钻井数据进行链接， 得到射 孔数据表； 数据划分单元， 其用于对所述射孔数据表进行数据划分， 将所述测井及钻井数据设定 为特征数据集， 将所述 光纤检测产能数据设定为目标 数据集； 系数分析单元， 其用于利用基于相关系数的层次聚类算法对所述光纤检测产能数据与 所述测井及钻井数据之间的相关系数矩阵层次结构进行分析。 9.根据权利要求7所述的基于机器学习的水平井射孔优化设计装置， 其特征在于， 所述 模型训练模块包括： 数据集划分单元， 其用于利用交叉验证方法将所述光纤检测产能数据划分为训练集、 检验集和测试集， 其中， 所述训练集占所述光纤检测产能数据总量的第一预设比例值， 所述 检验集占所述光纤检测产能数据总量的第二预设比例值， 所述测试集占所述光纤检测产能 数据总量的第三预设比例值； 模型训练单元， 其用于利用机器学习自动化 回归预测框架对所述光纤检测产能数据的 训练集进行模型训练。 10.根据权利要求9所述的基于 机器学习的水平井射 孔优化设计装置， 其特 征在于， 所述第一预设比例值 为70％； 所述第二预设比例值 为20％； 所述第三预设比例值 为10％。 11.根据权利要求9所述的基于机器学习的水平井射孔优化设计装置， 其特征在于， 所 述射孔优化模块包括： 算法参数优化单元， 其用于以所述训练集数据进行模型训练， 以所述检验集预测残差 最小作为 参数的迭代优化 参数， 以所述测试集预测残差最小作为 算法的迭代优化 算法； 参数获取单元， 输出最大 日产油量和最大 日产液量的预测误差最低及预测精度最高的 方法和参数的组合， 得到所述产能参数优化预测模型的参数。 12.根据权利要求11所述的基于机器学习的水平井射孔优化设计装置， 其特征在于， 所 述射孔优化模块还 包括： 距离划分单元， 其用于对新钻井后未进行压裂工程作业的所述水平井进行等间距大段 的划分； 参数设计单元， 其用于依次在所述等间距大段内利用滑动窗口法逐个在钻井数据采样 点或测井数据采样点滑动设计射 孔。权　利　要　求　书 2/2 页 3 CN 114117654 A 3