水力裂縫與天然裂縫相交擴(kuò)展形態(tài)的智能預(yù)測(cè)

索彧, 蘇顯蘅, 何文淵, 付曉飛, 艾池, 謝坤

(1.陜西省油氣井及儲(chǔ)層滲流與巖石力學(xué)重點(diǎn)實(shí)驗(yàn)室, 西安 710065; 2.東北石油大學(xué)石油工程學(xué)院, 大慶 163318; 3.大慶油田博士后科研工作站, 大慶 163458; 4.中國(guó)石油國(guó)際勘探開發(fā)有限公司, 北京 100034)

全世界頁(yè)巖氣資源儲(chǔ)量豐富且分布廣泛,隨著勘探開發(fā)的深入,全球頁(yè)巖氣可采資源不斷增加。目前,水平井鉆井和分段水力壓裂作為有效的開采方式使頁(yè)巖氣從納米孔隙中擠壓流入井筒,但是頁(yè)巖氣儲(chǔ)層中層理、天然裂縫較為發(fā)育,水力裂縫與天然裂縫的相交擴(kuò)展形態(tài)對(duì)縫網(wǎng)的形成有明顯影響,從而影響最終壓裂改造效果以及頁(yè)巖氣產(chǎn)能,因此,準(zhǔn)確的預(yù)測(cè)水力裂縫與天然裂縫的相交擴(kuò)展形態(tài)具有重要的工程實(shí)踐意義[1-2]。

頁(yè)巖氣屬于層理發(fā)育,天然裂縫較多的地層,對(duì)于頁(yè)巖氣地層的開采,水力裂縫與天然裂縫之間的相互作用研究很重要,二者之間的作用機(jī)理對(duì)壓裂效果很大程度的影響。近年來,中外學(xué)者針對(duì)頁(yè)巖儲(chǔ)集層水力裂縫擴(kuò)展進(jìn)行了大量的理論研究,建立能夠模擬多裂縫擴(kuò)展的壓裂模型,包括線網(wǎng)模型[3]、離散裂縫網(wǎng)絡(luò)模型[4-5]和非常規(guī)裂縫模型[6],以及其他基于有限元法[7-9]、邊界元法[10-13]、擴(kuò)展有限元法[14-16]、離散元法[17-19]等模型。目前,中外學(xué)者常采用試井分析法、壓裂施工法、數(shù)值模擬法以及數(shù)理統(tǒng)計(jì)法等進(jìn)行壓裂效果預(yù)測(cè)[20]。李海濤等[21]基于MCMC算法 建立了分布式光纖溫度測(cè)試數(shù)據(jù)反演模型,并且對(duì)產(chǎn)出剖面解釋流程進(jìn)行了優(yōu)化,在此基礎(chǔ)上,對(duì)頁(yè)巖氣藏壓裂水平井溫度剖面特征進(jìn)行了分析,確定了影響溫度剖面的主控因素;崔晨雨[22]利用壓裂后儲(chǔ)層的動(dòng)態(tài)生產(chǎn)指標(biāo)結(jié)合基于離散網(wǎng)絡(luò)反演算法和四維地震技術(shù)的復(fù)雜裂縫反演方法對(duì)壓裂裂縫形態(tài)進(jìn)行反演,并通過不同尺度的壓裂裂縫網(wǎng)絡(luò)實(shí)例驗(yàn)證了方法的準(zhǔn)確性。目前壓裂效果預(yù)測(cè)主要關(guān)注壓裂后的產(chǎn)能,很少關(guān)注裂縫本身的特征,但裂縫本身的擴(kuò)展特征對(duì)于壓裂效果預(yù)測(cè)更為直接,因此,如何構(gòu)建頁(yè)巖巖體壓裂效果的預(yù)測(cè)模型值得更進(jìn)一步地研究。

此外,目前已有學(xué)者將人工智能的思想應(yīng)用于壓裂效果預(yù)測(cè)模型中,將數(shù)學(xué)和邏輯方法與壓裂過程相結(jié)合,實(shí)現(xiàn)壓裂效果的智能預(yù)測(cè)和評(píng)估。蔣廷學(xué)等[23]將遺傳算法原理引入壓裂方案的經(jīng)濟(jì)優(yōu)化中,初步建立了壓裂經(jīng)濟(jì)優(yōu)化的智能專家系統(tǒng)。閆浩等[24]為準(zhǔn)確預(yù)測(cè)煤巖體SC-CO2壓裂效果,提出了一種DA-DE-SVM混合人工智能模型,使用該模型對(duì)影響SC-CO2壓裂效果的地質(zhì)因素和施工因素進(jìn)行了預(yù)測(cè)。馬先林等[25]以712口井的地質(zhì)、施工和生產(chǎn)因素建立了多元逐步回歸、隨機(jī)森林、支持向量機(jī)和BP(back propagation)神經(jīng)網(wǎng)絡(luò)4種產(chǎn)能預(yù)測(cè)模型,結(jié)合實(shí)際情況對(duì)4種產(chǎn)能模型進(jìn)行了對(duì)比。除此之外,神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用也較為廣泛[26-27],潘麗燕等[28]基于BP神經(jīng)網(wǎng)絡(luò)算法對(duì)多段儲(chǔ)集層合壓時(shí)壓裂裂縫擴(kuò)展數(shù)值模擬結(jié)果開展機(jī)器學(xué)習(xí),建立了綜合考慮地質(zhì)和工程因素的多因素精細(xì)分壓決策模型。石善志等[29]考慮到使用多元線性回歸的方法預(yù)測(cè)壓裂效果誤差較大,采用灰色關(guān)聯(lián)分析與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法來提高模型的預(yù)測(cè)精度。郭大立等[30]應(yīng)用BP-PSO模型討論了參數(shù)個(gè)數(shù)對(duì)BP神經(jīng)網(wǎng)絡(luò)模型效果的影響,構(gòu)建了日產(chǎn)氣量最優(yōu)化模型,進(jìn)而反演出最優(yōu)壓裂施工參數(shù),在現(xiàn)場(chǎng)對(duì)7口井進(jìn)行壓裂施工參數(shù)優(yōu)化后,使得每口井所有層的總平均增產(chǎn)率為5.57%。宋俊強(qiáng)等[31]針對(duì)致密油藏壓裂水平井流態(tài)復(fù)雜及全生命周期產(chǎn)量預(yù)測(cè)誤差大的問題,建立了基于廣義回歸神經(jīng)網(wǎng)絡(luò)算法的邊界控制流時(shí)間預(yù)測(cè)方法,其預(yù)測(cè)結(jié)果接近于生產(chǎn)后期的指數(shù)評(píng)估結(jié)果,誤差小于5%。神經(jīng)網(wǎng)絡(luò)技術(shù)對(duì)于求解內(nèi)部影響機(jī)制復(fù)雜的問題優(yōu)勢(shì)明顯,但它對(duì)于樣本數(shù)量要求過高,如果樣本數(shù)量不夠多,它的學(xué)習(xí)效率與預(yù)測(cè)精度將大幅降低[32-33]。中外學(xué)者對(duì)水力裂縫與天然裂縫相交擴(kuò)展形態(tài)預(yù)測(cè)方面的研究較少,對(duì)于如何實(shí)現(xiàn)快速判斷和實(shí)時(shí)分類的需求還存在一定挑戰(zhàn),以上研究大多采用單一的算法進(jìn)行壓裂效果預(yù)測(cè),影響算法的泛化能力。

針對(duì)該問題,現(xiàn)首先基于數(shù)值模擬軟件建立含有不同天然裂縫傾角的二維數(shù)值模型,模擬水力裂縫在不同水平地應(yīng)力差異和不同施工參數(shù)條件下與天然裂縫的相交擴(kuò)展形態(tài),將模擬結(jié)果按比例劃分作為裂縫擴(kuò)展形態(tài)預(yù)測(cè)算法的訓(xùn)練集和測(cè)試集,然后為了豐富算法種類的同時(shí),提高模型的泛化能力,采用Bagging集成算法[34]集成多個(gè)基分類器對(duì)裂縫形態(tài)進(jìn)行預(yù)測(cè),對(duì)比集成算法與單個(gè)算法的預(yù)測(cè)準(zhǔn)確率,分析不同地質(zhì)因素和施工參數(shù)對(duì)裂縫相交擴(kuò)展形態(tài)的影響程度。以期對(duì)利用人工智能和機(jī)器學(xué)習(xí)算法進(jìn)行完井壓裂優(yōu)化設(shè)計(jì)提供方法參考和為實(shí)際壓裂過程優(yōu)化設(shè)計(jì)提供參考依據(jù)。

1 工程概況及壓裂數(shù)據(jù)獲取

1.1 工程概況

在水力裂縫與天然裂縫相交擴(kuò)展的過程中,天然裂縫的類型、長(zhǎng)度、方向以及數(shù)目等是儲(chǔ)層進(jìn)行壓裂設(shè)計(jì)的關(guān)鍵依據(jù)。其中裂縫的擴(kuò)展形態(tài)是地層參數(shù)和施工參數(shù)共同作用的結(jié)果,由于巖體中天然裂縫的隨機(jī)分布,相鄰裂縫由于應(yīng)力場(chǎng)的改變必然存在相互作用。裂縫間的相互作用主要表現(xiàn)在裂縫尖端應(yīng)力場(chǎng)的相互擾動(dòng)及疊加,改變了裂縫尖端局部應(yīng)力場(chǎng)的分布特征,進(jìn)而導(dǎo)致鄰近裂縫的擴(kuò)展路徑發(fā)生變化[35],準(zhǔn)確獲取水力裂縫與天然裂縫相交后的擴(kuò)展形態(tài)對(duì)于壓裂施工設(shè)計(jì)至關(guān)重要。因此,本文研究以分類算法為基礎(chǔ),構(gòu)建了基于機(jī)器學(xué)習(xí)的混合人工智能模型來預(yù)測(cè)水力裂縫與天然裂縫的相交擴(kuò)展形態(tài)。

1.2 數(shù)值模型建立

為獲取足夠壓裂數(shù)據(jù)樣本,將天然裂縫傾角、天然裂縫尺寸、地應(yīng)力差、壓裂液排量和壓裂液黏度作為變量,模擬不同工況條件下的壓裂效果。模型的建立基于數(shù)值模擬軟件,使用有限元法模擬水力裂縫起裂及動(dòng)態(tài)擴(kuò)展,裂縫起裂準(zhǔn)則為最大主應(yīng)力準(zhǔn)則,裂縫擴(kuò)展準(zhǔn)則為 Benzeggagh-Kenane 準(zhǔn)則,其中巖石基質(zhì)采用CPE4P單元,裂縫采用COH2D4P單元。如圖1所示,整個(gè)模型尺寸為30 m×30 m,模型內(nèi)部設(shè)有一定角度和大小的天然裂縫,采用全局嵌入cohesive單元的方法,將整個(gè)模型進(jìn)行離散化的處理。

模型采用二維平面應(yīng)變模型便于直接觀察水力裂縫與天然裂縫相交后的裂縫擴(kuò)展形態(tài),整個(gè)模擬時(shí)間設(shè)置為120 min,儲(chǔ)層參數(shù)和數(shù)值模擬參數(shù)如表1所示。數(shù)值模擬選取不同的天然裂縫傾角、天然裂縫尺寸、應(yīng)力差、壓裂液排量和黏度,其中傾角指的是天然裂縫與x方向的夾角,分別設(shè)為30°、45°、60°;應(yīng)力差為最大水平主應(yīng)力與最小水平主應(yīng)力的差值,設(shè)置為(σH,σh),σH和σh大小分別為(8 MPa,5 MPa)、(10 MPa,5 MPa)、(12 MPa,5 MPa)、(14 MPa,5 MPa),天然裂縫尺寸分別設(shè)置為2、4、6 m。通過數(shù)值模擬在不同地質(zhì)情況和施工條件下,探究水力裂縫與天然裂縫相交擴(kuò)展的規(guī)律及最終擴(kuò)展形態(tài),數(shù)值模擬結(jié)果可為混合人工智能預(yù)測(cè)模型提供數(shù)據(jù)支持,實(shí)驗(yàn)設(shè)計(jì)方案如表2所示。

表1 頁(yè)巖水力壓裂數(shù)值模擬物理參數(shù)表Table 1 Physical parameters of shale hydraulic fracturing numerical simulation

表2 數(shù)據(jù)集信息Table 2 Data set information

2 預(yù)測(cè)模型建立

2.1 集成學(xué)習(xí)方法介紹

集成學(xué)習(xí)算法本身不是單一的機(jī)器學(xué)習(xí)算法,它是通過構(gòu)建和組合多個(gè)基分類器而得到一個(gè)強(qiáng)分類器,在機(jī)器學(xué)習(xí)算法中有很好的準(zhǔn)確率和模型泛化能力。常用的集成學(xué)習(xí)算法有Bagging算法、Boosting算法、Stacking算法和Cascading算法,這幾種算法都是將多個(gè)基礎(chǔ)模型按一定方式組合,得到一個(gè)性能更好的模型。

利用Bagging算法將多個(gè)性能不穩(wěn)定的基礎(chǔ)模型集成在一起,每次訓(xùn)練n個(gè)模型,且每個(gè)模型都是獨(dú)立并行訓(xùn)練的,在得到n個(gè)模型后通過分類投票機(jī)制構(gòu)成一個(gè)性能更好的強(qiáng)分類器[36]。每個(gè)模型使用的訓(xùn)練集是通過bootstrap采樣得到的,bootstrap采樣即有放回的隨機(jī)取樣,保證獲得的樣本數(shù)量相當(dāng)且樣本集合之間具有一定差異。用不同的樣本集合分別訓(xùn)練基礎(chǔ)模型,將基礎(chǔ)模型的決策結(jié)果通過投票方式得出樣本的分類屬性,再通過模型聚合來降低單個(gè)基礎(chǔ)模型較高的方差,從而提高集成模型的泛化能力,獲得比單個(gè)模型更好的類別預(yù)測(cè)性能。

2.2 分類模型構(gòu)建

圖2 混合人工智能模型求解流程Fig.2 Solution flow of hybrid artificial intelligence model

分類器訓(xùn)練步驟如下。

(1)對(duì)不同層理傾角、天然裂縫尺寸、地應(yīng)力差、壓裂液排量和黏度進(jìn)行隨機(jī)組合生成數(shù)據(jù)集,按一定比例劃分訓(xùn)練集Xtrain和測(cè)試集Ytest。

(3)用子集合分別訓(xùn)練基分類器,將各類別的基分類器用Bagging算法組合成fSVM(x)、fCART(x)、fLR(x)和fKNN(x)4個(gè)集成分類器。

(4)將4個(gè)集成分類器采用投票機(jī)制組合,根據(jù)分類器性能設(shè)定各分類器的投票權(quán)重,得到最終集成分類器F(x)。

(1)

式(1)中:i為分類器類別;N11指預(yù)測(cè)結(jié)果和數(shù)值模擬結(jié)果為穿層縫;N22指預(yù)測(cè)結(jié)果和數(shù)值模擬結(jié)果為剪切縫;N12指預(yù)測(cè)結(jié)果為穿層縫而數(shù)值模擬結(jié)果為剪切縫;N21指預(yù)測(cè)結(jié)為剪切縫而數(shù)值模擬結(jié)果為穿層縫。

2.3 數(shù)據(jù)集的采集

將天然裂縫傾角、尺寸、地應(yīng)力差、壓裂液排量和黏度作為單因素變量控制因素,其中最大水平主應(yīng)力與最小水平主應(yīng)力分別設(shè)置為(8 MPa,5 MPa)、(10 MPa,5 MPa)、(12 MPa,5 MPa)和(14 MPa,5 MPa),地應(yīng)力差分別對(duì)應(yīng)為3、5、7、9 MPa。本文研究共設(shè)計(jì)2 916組實(shí)驗(yàn),部分實(shí)驗(yàn)方案如表3所示,建立不同地質(zhì)因素和施工因素條件下天然裂縫與水力裂縫的相交擴(kuò)展形態(tài)預(yù)測(cè)模型。

表3 數(shù)值模擬方案設(shè)計(jì)表(部分)Table 3 Design table of numerical simulation scheme (Part)

將測(cè)試集分為兩類:第一類做水力裂縫穿過第一條天然裂縫類型的預(yù)測(cè),與之相關(guān)的特征為傾角1,尺寸1,應(yīng)力差;第二類做水力裂縫穿過第二條天然裂縫類型的預(yù)測(cè),與之相關(guān)的特征為傾角1,傾角2,尺寸1,尺寸2,應(yīng)力差。部分測(cè)試集的選取如表4所示。表4中傾角1表示的是第一條天然裂縫與x方向的夾角,傾角2表示的是第二條天然裂縫與x方向的夾角,尺寸1表示的是第一條天然裂縫的尺寸,尺寸2表示的是第二條天然裂縫的尺寸,應(yīng)力差表示的水平地應(yīng)力差的大小,類型1表示水力裂縫穿過第一條天然裂縫的類型,類型2表示水力裂縫穿過第二條天然裂縫的類型,a表示穿層縫,b表示剪切縫。

表4 測(cè)試集的選取(部分)Table 4 Test set selection (Part)

3 數(shù)值模擬與智能預(yù)測(cè)模型效果分析

根據(jù)設(shè)計(jì),首先按照表2所給的模擬方案,在頁(yè)巖模型中選取兩條天然裂縫并改變它們的傾角和尺寸,同時(shí)改變地應(yīng)力差值、壓裂液排量和黏度,觀察水力裂縫與兩條天然裂縫的相交擴(kuò)展結(jié)果。

3.1 天然裂縫傾角30°～45°組合下水力裂縫擴(kuò)展規(guī)律

3.1.1 天然裂縫尺寸2～6 m組合和不同地應(yīng)力差條件下擴(kuò)展規(guī)律

圖3為壓裂液排量1 m3/min、黏度10 mPa·s施工條件下數(shù)值模擬結(jié)果,由圖3可知,當(dāng)應(yīng)力差為3 MPa和5 MPa時(shí),水力裂縫遇到兩條天然裂縫都會(huì)形成剪切縫;當(dāng)應(yīng)力差為7 MPa和9 MPa時(shí),水力裂縫遇到第一條天然裂縫易形成穿層縫,第二條則易形成剪切縫。

圖3 天然裂縫尺寸2～6 m組合下不同地應(yīng)力差擴(kuò)展規(guī)律Fig.3 Propagation law of natural fracture size 2～6 m combination and different in-situ stress difference conditions

3.1.2 天然裂縫尺寸2～4 m組合和不同地應(yīng)力差條件下擴(kuò)展規(guī)律

圖4為壓裂液排量3 m3/min、黏度20 mPa·s施工條件下數(shù)值模擬結(jié)果,由圖4可知,當(dāng)應(yīng)力差大于等于3 MPa時(shí),水力裂縫遇到第一條天然裂縫易形成穿層縫,水力裂縫遇到第二條天然裂縫時(shí)易形成剪切縫。

圖4 天然裂縫尺寸2～4 m組合下不同地應(yīng)力差擴(kuò)展規(guī)律Fig.4 Propagation law of natural fracture size 2～4 m combination and different in-situ stress difference conditions

3.1.3 天然裂縫尺寸4～6 m組合和不同地應(yīng)力差條件下擴(kuò)展規(guī)律

圖5為壓裂液排量2 m3/min、黏度20 mPa·s施工條件下數(shù)值模擬結(jié)果,由圖5可知,應(yīng)力差為3、5、7 MPa時(shí),水力裂縫遇到第一條天然裂縫易形成穿層縫,水力裂縫遇到第二條天然裂縫時(shí)易形成剪切縫,當(dāng)應(yīng)力差為9 MPa時(shí),水力裂縫與兩條天然裂縫相交都易形成穿層縫。

圖5 天然裂縫尺寸4～6 m組合下不同地應(yīng)力差擴(kuò)展規(guī)律Fig.5 Propagation law of natural fracture size 4～6 m combination and different in-situ stress difference conditions

3.2 天然裂縫傾角60°～30°組合下水力裂縫擴(kuò)展規(guī)律

3.2.1 天然裂縫尺寸2～4 m組合和不同地應(yīng)力差條件下擴(kuò)展規(guī)律

圖6為壓裂液排量1 m3/min、黏度30 mPa·s施工條件下數(shù)值模擬結(jié)果,由圖6可知當(dāng)應(yīng)力差為3、5、7 MPa時(shí),水力裂縫遇到第一條天然裂縫易形成剪切縫,遇到第二條天然裂縫時(shí)易形成穿層縫;當(dāng)應(yīng)力差為9 MPa時(shí),水力裂縫與兩條天然裂縫相交都易形成穿層縫。

圖6 天然裂縫尺寸2～4 m組合下不同地應(yīng)力差擴(kuò)展規(guī)律Fig.6 Propagation law of natural fracture size 2～4 m combination and different in-situ stress difference conditions

3.2.2 天然裂縫尺寸2～6 m組合和不同地應(yīng)力差條件下擴(kuò)展規(guī)律

圖7為壓裂液排量3 m3/min、黏度30 mPa·s施工條件下數(shù)值模擬結(jié)果,由圖7可知,當(dāng)應(yīng)力差大于等于3 MPa時(shí),水力裂縫遇到第一條天然裂縫易形成剪切縫,水力裂縫遇到第二條天然裂縫時(shí)易形成穿層縫。

圖7 天然裂縫尺寸2～6 m組合下不同地應(yīng)力差擴(kuò)展規(guī)律Fig.7 Propagation law of natural fracture size 2～6 m combination and different in-situ stress difference conditions

3.2.3 天然裂縫尺寸4～6 m組合和不同地應(yīng)力差條件下擴(kuò)展規(guī)律

圖8為壓裂液排量1 m3/min、黏度20 mPa·s施工條件下數(shù)值模擬結(jié)果,由圖8可知,當(dāng)應(yīng)力差為3 MPa 和5 MPa時(shí),水力裂縫遇到第一條和第二條天然裂縫時(shí)都易形成剪切縫;當(dāng)應(yīng)力差為7 MPa和9 MPa時(shí),水力裂縫遇到第一條天然裂縫易形成剪切縫,遇到第二條形成穿層縫。

圖8 天然裂縫尺寸4～6 m組合下不同地應(yīng)力差擴(kuò)展規(guī)律Fig.8 Propagation law of natural fracture size 4～6 m combination and different in-situ stress difference conditions

3.3 模型的驗(yàn)證與評(píng)估

數(shù)值模擬將天然裂縫傾角、裂縫長(zhǎng)度、地應(yīng)力差、壓裂液排量和黏度作為單因素變量控制因素,研究了不同地質(zhì)因素變量和施工因素變量對(duì)裂縫相交后擴(kuò)展形態(tài)的影響。若水力裂縫與天然裂縫相交后的擴(kuò)展形態(tài)為穿層縫,則記為a,否則記為b。不同變量的變量名及其含義和分類情況如表5所示。

表5 數(shù)據(jù)集自變量解釋Table 5 Data set argument interpretation

利用Python語言編寫算法,先對(duì)SVM、KNN、CART和LR算法進(jìn)行單獨(dú)測(cè)試,單個(gè)算法的訓(xùn)練集和數(shù)據(jù)集按照6∶4劃分,Bagging集成算法采用bootstrap采樣方法每輪有放回地從方案樣本中選取數(shù)據(jù),未被選取的方案則作為測(cè)試集,然后對(duì)比各算法和Bagging集成算法的預(yù)測(cè)性能。經(jīng)調(diào)試,Bagging集成算法中參數(shù)值T=5,LR算法為分類器1,采取liblinear算法,隨機(jī)數(shù)種子設(shè)為45;決策樹方法為分類器2,選用CART分類樹算法;KNN算法為分類器3,方法中參數(shù)K的值經(jīng)調(diào)試后設(shè)定為5;SVM算法作為分類器4,核函數(shù)采用默認(rèn)的高斯徑向基函數(shù)。各算法的測(cè)試結(jié)果如表6所示。

表6 各算法測(cè)試集的混淆矩陣Table 6 The confusion matrix of each algorithm test set

從表6中可以知道,單個(gè)算法的訓(xùn)練集數(shù)量為1 167,Bagging集成算法經(jīng)bootstrap算法隨機(jī)有放回取樣后,未被采取的樣本即訓(xùn)練集數(shù)量為1 079。分析所有算法對(duì)水力裂縫與天然裂縫相交后擴(kuò)展形態(tài)預(yù)測(cè)結(jié)果,發(fā)現(xiàn)LR算法對(duì)類型1類型僅有871種結(jié)果預(yù)測(cè)準(zhǔn)確,對(duì)類型2類型有940種結(jié)果預(yù)測(cè)準(zhǔn)確,準(zhǔn)確率分別為74.63%和78.49%,Bagging集成算法分別對(duì)類型1和類型2分別有999種和976種結(jié)果預(yù)測(cè)準(zhǔn)確,準(zhǔn)確率分別為92.58%和90.45%,相比于LR算法分別提高了17.95%和11.96%。這說明Bagging集成算法在采用多個(gè)分類器的同時(shí)豐富了分類器的多樣性,有效地提高了模型的泛化能力。除此之外,在采用單因素變量研究裂縫相交擴(kuò)展形態(tài)的同時(shí),改變單因素的值,分析了各因素對(duì)裂縫擴(kuò)展形態(tài)的重要程度,具體情況如圖9所示。

圖9 各因素重要性Fig.9 Importance of each factor

由圖9可知,應(yīng)力差、壓裂液排量、壓裂液黏度、傾角2和傾角1這5個(gè)因素的重要程度為前5,且它們的重要程度所占比重都超過了10%。應(yīng)力差所占比重最大說明了應(yīng)力差會(huì)影響裂縫的擴(kuò)展方向,這與裂縫總是朝著地應(yīng)力最大的方向擴(kuò)展理論一致;壓裂液排量和黏度所占比重其次,說明了因壓裂液排量和黏度的改變,縫內(nèi)壓力也會(huì)隨之改變,縫尖能量的變化極大地影響了裂縫的偏轉(zhuǎn)擴(kuò)展;天然裂縫角度的變化會(huì)影響裂縫相交后的擴(kuò)展形態(tài),但這不是決定的因素;裂縫長(zhǎng)度所占比重最低,特別是第一條天然裂縫的長(zhǎng)度,在水力裂縫與第一條天然裂縫相交后,若是裂縫擴(kuò)展方向未偏轉(zhuǎn)第二條天然裂縫范圍內(nèi),則受其影響不大。

4 結(jié)論

(1)針對(duì)單一算法泛化能力不足的問題,采用基于多種基分類器的Bagging算法加權(quán)投票方式來預(yù)測(cè)水力裂縫與天然裂縫相交擴(kuò)展形態(tài),提高了分類器的多樣性,與單個(gè)算法相比,Bagging集成算法對(duì)裂縫相交擴(kuò)展形態(tài)的預(yù)測(cè)有較好的效果,測(cè)試集的類型1和類型2的預(yù)測(cè)準(zhǔn)確率分別達(dá)到了92.58%和90.45%,相對(duì)于單個(gè)算法最高提升了17.95和11.96個(gè)百分點(diǎn),說明Bagging集成算法有助于進(jìn)一步提升裂縫形態(tài)類別的預(yù)測(cè)準(zhǔn)確率。

(2)壓裂數(shù)值模擬結(jié)果表明:當(dāng)水平應(yīng)力差越大,水力裂縫與天然裂縫相遇時(shí)更容易形成穿層型裂縫,應(yīng)力差越小,更容易形成剪切型裂縫;當(dāng)壓裂液排量和黏度越低,越容易形成剪切縫;當(dāng)天然裂縫傾角越大時(shí),水力裂縫越容易沿著裂縫傾角的方向擴(kuò)展從而發(fā)生剪切破壞,當(dāng)天然裂縫傾角越小時(shí),越容易形成穿層型裂縫以及復(fù)合裂縫。當(dāng)天然裂縫尺寸越大時(shí),水力裂縫越容易從尖端起裂產(chǎn)生剪切縫。通過水力壓裂數(shù)值模擬實(shí)驗(yàn)結(jié)果為基礎(chǔ)構(gòu)建數(shù)據(jù)集,建立預(yù)測(cè)模型對(duì)水力裂縫與天然裂縫相交后裂縫的擴(kuò)展形態(tài)和路徑進(jìn)行智能化預(yù)測(cè),為頁(yè)巖氣的開發(fā)和實(shí)際壓裂工程優(yōu)化設(shè)計(jì)提供了重要參考。