Integration zwischen verschiedenen hydraulischen Fracturing-Techniken und maschinellem Lernen zur Optimierung und Bewertung von hydraulischen Fracturing-Behandlungen

ZUSAMMENFASSUNG Die Frakturgeometrie und die Leitfähigkeit sind kritische Parameter für die Optimierung von Frakturbehandlungen, insbesondere in Fällen, die in der Nähe von unerwünschten Zonen, sowohl wasserführenden als auch Gaszonen, liegen. Diese Studie untersucht das Modell künstlicher neuronaler Netze (ANN) zur Optimierung des hydraulischen Fracturing. Der Workflow beginnt mit einem integrierten ANN-Modell, dann wurden verschiedene variable Frakturparameter und Gesteinseigenschaften genutzt, um das ANN basierend auf der am besten geeigneten Aktivierungsfunktion, der Anzahl der versteckten Schichten und der Anzahl der Neuronen zu trainieren und zu testen. Das ANN-Modell berücksichtigt 59 reale Felddaten von hydraulischen Fracturing-Behandlungen in der westlichen Wüste Ägyptens. Das vorgeschlagene ANN wurde basierend auf der Analyse von Drucktransienten trainiert, die an den realen Felddaten durchgeführt wurde. Die verfügbaren Daten wurden zu 70 % für das Training, 15 % für die Validierung und 15 % für das Testen aufgeteilt. Die optimale Anzahl versteckter Schichten und Neuronen wurde nach mehreren Versuchen erreicht. Das Ergebnis des vorgeschlagenen ANN-Modells war vielversprechend im Vergleich zur gängigen Software zur Fraktursimulation. Das Kreuzdiagramm der tatsächlichen Frakturgeometrieparameter im Vergleich zu den vorhergesagten ANN-Ausgaben zeigte eine gute Übereinstimmung, wobei der Korrelationskoeffizient (R) für die gesamten Daten bei 0,93 liegt. Danach wurde die relative Bedeutung der ANN-Eingabeparameter für die Optimierung der Frakturgeometrie mithilfe der Garson-Methode ermittelt. Das Ergebnis dieser Arbeit zeigt das Potenzial des auf dem ANN-Modell basierenden Ansatzes zur Vorhersage der Frakturgeometrie.