Analyse des données de production des puits fracturés hydrauliquement basée sur un LSTM par apprentissage profond

Résumé Pendant la production et les opérations des puits fracturés hydrauliquement, de grandes quantités de données sont collectées par le biais de nombreux capteurs ou débitmètres, ce qui peut fournir une compréhension précieuse de la formation et des fractures hydrauliques. Bien que de nombreuses études tentent d'utiliser des approches basées sur la justification physique pour analyser ces données historiques des puits, la précision de l'analyse est considérablement limitée en raison des nombreuses hypothèses faites dans les modèles physiques. Cet article développe une approche basée sur l'apprentissage profond de la mémoire à court et long terme (LSTM) pour l'analyse des données de production dans un réservoir de schiste et propose un flux de travail pour évaluer quantitativement les paramètres de fracture. Le modèle proxy est basé sur l'algorithme d'apprentissage profond de LSTM et est combiné avec un modèle semi-analytique (de base) pour l'écoulement multiphasique d'eau et d'hydrocarbures (huile ou gaz) dans les réservoirs fracturés hydrauliquement. Pour prendre en compte rigoureusement le mécanisme d'écoulement multiphasique dans le modèle semi-analytique, LSTM et le mécanisme d'attention sont introduits pour prévoir la relation clé entre la saturation moyenne et la pression pour le modèle semi-analytique en formant et en prédisant les séries de pression et de saturation dépendantes du temps. Nous avons généré des milliers de cas de simulation numérique de puits dans des réservoirs fracturés hydrauliquement, qui fournissent des données de production et des données de réservoir statiques pour former le modèle proxy basé sur l'apprentissage profond. La vérification et la comparaison du modèle montrent que le modèle proxy peut prédire efficacement la relation de saturation moyenne dépendante de la pression avec une grande précision. La validation numérique confirme la supériorité du modèle proposé basé sur l'apprentissage profond par rapport au modèle semi-analytique en termes de précision, avec une erreur des paramètres du réservoir et de fracture estimés inférieure à 10 % et en termes d'efficacité de calcul avec une vitesse deux ordres de grandeur plus rapide.