惠 鋼，陳勝男 ，王 海，顧 斐

1.卡爾加里大學，艾伯塔 卡爾加里 T2N1N4；2.中國石油勘探開發(fā)研究院，北京 海淀 100083

引言

近年來，隨著美國頁巖氣革命的成功，全球天然氣市場的競爭態(tài)勢和貿易格局發(fā)生了重大變化，并對全球油氣供給格局和地緣政治產生了重大影響[1-2]。作為北美非常規(guī)能源板塊的一部分，加拿大成為繼美國之后世界上第二個成功開發(fā)頁巖氣的國家[3]。國內學者對于北美頁巖氣的開發(fā)開展了大量研究，包括頁巖氣開發(fā)關鍵技術[1-3]、頁巖氣資源評價[4]及頁巖氣甜點控制因素[5-6]等。然而，對于單個頁巖開發(fā)區(qū)，基于多資料綜合的案例分析還比較少。

對于頁巖氣的甜點區(qū)預測，國內外學者同樣做了大量研究。研究結果顯示，控制頁巖氣甜點區(qū)的地質因素為頁巖氣保存條件、有機質特征、頁巖儲層物性以及天然裂縫發(fā)育狀況等[5-8]。除上述地質因素外，一些工程相關因素也對頁巖氣產量有較大影響，如頁巖巖石力學性質、壓裂施工參數(shù)等[6，9-10]。對于不同的頁巖氣藏，上述控制因素的貢獻值各有不同。傳統(tǒng)方法一般采用綜合數(shù)據(jù)分析的方法，利用選取的一些主控因素參數(shù)的取值范圍確定甜點優(yōu)勢區(qū)，從而完成甜點參數(shù)綜合評價[11]。然而，傳統(tǒng)方法對于確定甜點區(qū)的參數(shù)選擇具有一定的主觀性和不確定性，從而影響甜點區(qū)預測的準確性。不同于傳統(tǒng)方法，機器學習算法（如回歸算法、神經(jīng)網(wǎng)絡方法、決策學習及貝葉斯方法等）作為海量信息數(shù)據(jù)挖掘的方法，能夠檢測各種主控因素之間的隱藏關系，進而發(fā)現(xiàn)頁巖氣甜點區(qū)的主控因素。具體而言，線性回歸是最簡單但功能強大的機器學習算法，通常用來初步明確變量之間的線性關系。神經(jīng)網(wǎng)絡就是通過模仿生物神經(jīng)網(wǎng)絡的行為來模擬輸入輸出變量之間復雜關系。決策學習則是基于集成的方法，生成一組決策樹并報告平均輸出，即擬合每一步目標和當前預測結果之間的殘差來進行預測。貝葉斯方法是要在既定的結果基礎上去反推所涉及參數(shù)的可能概率組合。其中，神經(jīng)網(wǎng)絡方法在處理大量數(shù)據(jù)、準確獲取預測模型展現(xiàn)出明顯優(yōu)勢，并在頁巖氣壓裂優(yōu)化、產量預測、遞減分析等方面取得了很好的應用效果[12-14]。李彥尊等以美國Eagle Ford 頁巖400 余口生產井地質、油藏、工程數(shù)據(jù)為學習樣本，對人工神經(jīng)網(wǎng)絡模型進行訓練和優(yōu)化，確定了最佳模型參數(shù)，得到了地質、油藏、工程參數(shù)之間的關系模型[12]。王洪亮等根據(jù)油田生產歷史數(shù)據(jù)利用循環(huán)神經(jīng)網(wǎng)絡學習方法預測油田特高含水期產量，并進行了實驗驗證和應用效果分析，取得了很好的預測效果[13]。

本文以加拿大商業(yè)開發(fā)成功的頁巖氣產區(qū)Fox Creek 地區(qū)為例，對控制該區(qū)頁巖氣甜點區(qū)的地質及工程因素進行詳細剖析，并提出一種改進殘差的神經(jīng)網(wǎng)絡方法來分析頁巖氣產量主控因素，從而建立頁巖氣甜點區(qū)預測模型。通過數(shù)據(jù)挖掘與殘差改進算法，量化了各因素與高產氣量甜點區(qū)之間的關系，利用選定的有效參數(shù)建立甜點區(qū)預測模型，為該地區(qū)頁巖氣的后續(xù)高效開發(fā)提供可靠的基礎。

1 頁巖氣甜點區(qū)控制因素及神經(jīng)網(wǎng)絡預測方法

1.1 頁巖氣甜點區(qū)控制因素

北美頁巖氣的開發(fā)實踐表明，控制頁巖氣藏甜點區(qū)的因素差別很大[5]。根據(jù)國內外學者的研究成果，頁巖氣甜點區(qū)的控制因素包括地質因素和工程因素（表1）。

表1 頁巖氣甜點區(qū)控制因素及數(shù)據(jù)來源Tab.1 Controlling factors of shale gas sweet spot and data source

其中，地質因素包括保存條件（埋深、溫度、壓力及厚度），有機質類型、含量及成熟度，頁巖孔隙度、滲透率及泥質含量，天然裂縫發(fā)育情況[5-6，14-15]。工程因素包括頁巖脆性指數(shù)、壓裂液注入體積、支撐劑注入量、壓裂級數(shù)及水平段長度[7，14-17]。上述數(shù)據(jù)可以通過測井、完井及壓裂施工資料獲取。

保存條件作為影響頁巖氣成藏的外部因素，主要包括區(qū)域構造背景、地質過程演化等。文獻中一般針對頁巖氣藏的埋深、溫度、壓力及頁巖厚度等方面開展研究[11]。埋深對頁巖氣藏的經(jīng)濟價值及效益有重要的影響，而溫度和壓力同樣影響頁巖氣藏的很多特征。比如，溫度對頁巖氣藏的吸附氣體含量有重要影響，溫度越高，氣體分子運動速度越快，吸附氣含量越低。同樣，壓力越大，頁巖氣藏含氣量越大，但壓力增加到一定程度后，氣體含量增加變緩[5，11]。

干酪根類型對頁巖氣含量、賦存方式及氣體成分也有顯著影響。有機質含量是頁巖氣藏甜點預測的重要評價指標，它不僅反映頁巖的性質（顏色、密度、放射性等），還在一定程度上制約著頁巖的含氣量[4]。研究表明，頁巖氣產量高的地方，有機質含量也越高，即產氣量（總氣體含量和吸附氣含量）與有機質含量有著很好的正相關關系[4-5]。

孔隙度和滲透率的高低是頁巖儲層的兩個重要特征，其中，頁巖中的微孔隙含有大量的原油和游離態(tài)天然氣，因此，孔隙度的大小通?？刂浦坞x氣含量[5，11]。頁巖的礦物成分影響頁巖的巖石物理性質。如為便于壓裂作業(yè)，頁巖的黏土含量要小于50%。另外，頁巖的礦物組成會影響裂縫的發(fā)育程度，進而影響頁巖氣的甜點分布。一般而言，頁巖的主要礦物組成包括石英、黏土和方解石等碳酸鹽礦物。其中，脆性礦物（石英、方解石等）含量越高，越有利于頁巖儲層內裂縫的產生[6]。

天然裂縫在頁巖氣藏中具有雙重作用[5]。一方面，由于裂縫的存在，大大提高了頁巖氣藏的有效滲透率。通過人工壓裂縫與天然裂縫的良好溝通，使得頁巖地層中更多的頁巖氣能夠被開采出來。另一方面，如果天然裂縫發(fā)育規(guī)模較大，可能導致頁巖氣的漏失。研究表明，頁巖氣藏中，天然裂縫的發(fā)育與有機碳含量及石英含量等密切相關。同時，大量露頭觀察結果表明，天然裂縫通常在巖性界面處終止，因此，其發(fā)育也與頁巖的厚度有一定的相關性[5]。

影響頁巖氣甜點的工程參數(shù)如表1 所示。其中，頁巖脆性指數(shù)反映頁巖的巖石力學性質，如泊松比和楊氏模量等。脆性指數(shù)不但影響天然裂縫的發(fā)育情況，還對壓裂作業(yè)產生的人工壓裂縫有重要的影響。一般而言，可以通過三軸應力實驗，獲取頁巖的巖石力學參數(shù)，并建立其特征與測井曲線的關系，進而建立研究區(qū)的脆性指數(shù)模型[17]。另外，隨著壓裂液注入量和壓裂級數(shù)的增加，頁巖儲層內能產生更多的壓裂縫。同時，支撐劑注入量和水平段長度的增大，通常伴隨著更大的增產儲層體積，從而可提高頁巖氣產量。但上述壓裂參數(shù)并不是越大越好，需要考慮地質因素及工程因素對各壓裂參數(shù)進行優(yōu)化設計[14]。

1.2 基于改進殘差的神經(jīng)網(wǎng)絡方法

人工神經(jīng)網(wǎng)絡是一種常用的機器學習方法，它可以模仿生物神經(jīng)網(wǎng)絡的行為，對輸入和輸出變量之間復雜的非線性關系進行建模[18]。作為目前流行的機器學習方法之一，神經(jīng)網(wǎng)絡算法由輸入層、隱含層和輸出層組成（圖1a）。

圖1 常規(guī)神經(jīng)網(wǎng)絡方法與改進殘差神經(jīng)網(wǎng)絡方法對比Fig.1 The contrast between the conventional neutral network and improved residual neural network

神經(jīng)網(wǎng)絡建模過程中，神經(jīng)元和邊緣通常有一個權重，隨著學習的進行而調整。也就是說，訓練神經(jīng)網(wǎng)絡的過程包括在每一步中調整權重和偏差值，以接近觀測值。與其他算法相比，人工神經(jīng)網(wǎng)絡需要大量數(shù)據(jù)來開展較為可靠的數(shù)據(jù)挖掘訓練。

在常規(guī)神經(jīng)網(wǎng)絡方法的基礎上，本文受到用于圖像處理的殘差神經(jīng)網(wǎng)絡以及用于處理時間序列數(shù)據(jù)的循環(huán)神經(jīng)網(wǎng)絡的啟發(fā)，對常規(guī)全連接神經(jīng)網(wǎng)絡的隱層處理單元加入了殘差處理路徑和訓練數(shù)據(jù)記憶強化路徑，其結構如圖1b 所示。相對常規(guī)的全連接層，本文做了以下改進：（1）鑒于神經(jīng)網(wǎng)絡對于原始數(shù)據(jù)信息的遺忘程度隨著深度的增加而加劇，在深層單元的輸出中將訓練數(shù)據(jù)的信息再次引入到網(wǎng)絡中，強化對于原始數(shù)據(jù)的記憶性。（2）相比直接基于實際目標值進行的網(wǎng)絡訓練，殘差值更加容易被逼近。通過將每層的輸入值與輸出值進行組合，可以有效提升模型的穩(wěn)定性和泛化性能。為使模型訓練過程能夠高效進行權重更新，對輸入數(shù)據(jù)采用了z-score 標準化處理，即將各參數(shù)化為均值為0、方差為1 的正態(tài)分布。

式中：

yi—第i 個參數(shù)的歸一化值；xi—第i個參數(shù)；μ—各參數(shù)的平均值；σ—參數(shù)的標準差；n—參數(shù)個數(shù)。

本文以平均絕對誤差（MAE）作為損失函數(shù)，其表達式為

為比較該模型和常規(guī)神經(jīng)網(wǎng)絡，本次研究將兩種方法的網(wǎng)絡層數(shù)、神經(jīng)元個數(shù)、迭代次數(shù)、優(yōu)化器以及學習率等參數(shù)設置為相同值，然后各自運行100 次，每次將數(shù)據(jù)集隨機分為兩組：訓練集（原始數(shù)據(jù)的80%）和測試集（剩下的20%）。使用回歸決定系數(shù)作為評價指標對模型的泛化能力進行評估。

對于隱含層數(shù)選取不合理、導致神經(jīng)網(wǎng)絡法計算結果出現(xiàn)過擬合的情況，本文采用交叉驗證和丟棄方法來避免出現(xiàn)過擬合情況。一方面，對原始數(shù)據(jù)進行分組，一部分（80%）作為訓練集來訓練模型，另一部分（20%）作為測試集來評價模型。另一方面，在運算模型時，對某一層用丟棄方法（dropout），就是在訓練過程中隨機將該層的部分輸出值舍棄（變0）。該方法也能避免出現(xiàn)過擬合現(xiàn)象。

2 實例應用

2.1 區(qū)域地質背景

Duvernay 組是發(fā)育于加拿大西部盆地上泥盆統(tǒng)的烴源巖地層（圖2a）[19]。同時，Duvernay 組還是Leduc 和Swan Hills 油氣儲層的主要來源（圖2b）。從區(qū)域上劃分，NE—SW 方向的Grosmont 碳酸鹽巖臺地將Duvernay 組頁巖分為西部頁巖盆地和東部頁巖盆地兩個區(qū)域。前人通過計算沉積物厚度，以伽馬線截止值105 API 繪制了凈頁巖厚度分布圖[20]。如圖2a 所示，Duvernay 組面積約1.5×105km2，為凝析頁巖氣藏，其中，天然氣資源量為（3.53～5.40）×1012ft3[3]（1 ft=0.304 8 m）。Duvernay頁巖干酪根為II 型，有機碳含量為0.1%～11.1%，有機質成熟度為0～2.0%，且成熟度向西南方向逐漸增加。Duvernay 組頂部埋深約為1 000～5 500 m。綜上所述，Duvernay 組的資源價值以頁巖盆地西部Kaybob 地區(qū)的富有機質頁巖地層為主。

Fox Creek 地區(qū)位于西部頁巖盆地的Kaybob 區(qū)域（圖2a）。該地區(qū)發(fā)育的地層自上至下依次為泥盆系、寒武系及前寒武系花崗巖基底（圖2b）。其中，泥盆系Duvernay 組的頁巖氣資源為該地區(qū)主要的油氣開發(fā)對象。Duvernay 組頁巖為一套最大海侵期的富瀝青質暗色頁巖，屬于海相陸棚環(huán)境。上覆Ireton 組泥灰?guī)r，下伏Majeau Lake 組泥灰?guī)r，中間在局部區(qū)域夾有碳酸巖，地層之間均為整合接觸。根據(jù)50 口取芯井的202 塊巖芯分析結果，全區(qū)有機碳含量為1.49%～6.11%，熱演化程度較高，處于過成熟演化階段，以生干氣為主，整體中西區(qū)域生烴條件好于東部地區(qū)[20-22]。目的層埋深由北向南變大，主體埋深1 795～2 950 m，且區(qū)內發(fā)育多組NW—SE 走向的走滑斷層。該區(qū)孔隙度平均約為6.5%，平均滲透率約為392 nD，厚度為30～46 m，平面上向西北方向變厚[19]。

圖2 Duvernay 組頁巖厚度及區(qū)域地層柱狀圖[20]Fig.2 Thickness of Duvernay Formation and regional stratigraphic column

根據(jù)文獻計算結果，F(xiàn)ox Creek 地區(qū)頁巖氣開發(fā)區(qū)面積為5 574 km2。通過測井解釋校正的孔隙體積，計算出原始游離氣地質儲量為1.77×1012m3，游離氣儲量豐度呈現(xiàn)出中、西部高，且向東、向北呈降低的趨勢。同其他頁巖氣井類似，研究區(qū)頁巖氣井總體表現(xiàn)為初期遞減快、最終采收率相對較低等特點。

本次研究收集了以Duvernay 組為目標地層的612 口水平井和367 口直井的完井、測井、測試和壓裂數(shù)據(jù)。統(tǒng)計表明，2005—2017 年，在Fox Creek地區(qū)共壓裂投產水平井612 口（圖3）[12]。其中，水平井壓裂級數(shù)平均為28 段，水平段長度平均為2 135 m，單井注入壓裂液平均為39 294 m3，注入支撐劑平均為5 662 t，壓裂深度為3 232 m。前12 個月單井累計產氣量為（21.5～4 491.1）×104m3，平均為1 260.1×104m3（圖3）[23]。

圖3 壓裂參數(shù)統(tǒng)計與頁巖氣產量分布Fig.3 Statistics of fracturing parameters and distribution of shale gas production

2.2 Duvernay 組頁巖氣甜點區(qū)參數(shù)綜合評價

2.2.1 保存條件

研究區(qū)頁巖海相陸棚沉積模式、頁巖取芯以及測井曲線特征如圖4 所示。圖4a 顯示了Fox Creek地區(qū)Duvernay 組頁巖氣藏的沉積模式[22]。受控于海相陸棚環(huán)境，Duvernay 組頁巖為最大海侵期的富瀝青質暗色頁巖（圖4b），并具有非常好的蓋層特征，對于烴源巖的演化成藏具有重要意義[18]。研究區(qū)頁巖具有四高一低（自然伽馬值高、聲波時差高、中子孔隙度高、電阻率高、地層密度值低）的特征。根據(jù)各井Duvernay 組的完井及測井曲線（圖4c），標記井點處的Duvernay 組深度?？梢钥闯?，目的層深度在1 870～2 690 m，平均埋深在2 251 m。研究區(qū)構造上呈現(xiàn)東北高西南低的單斜構造。埋深范圍不同，頁巖氣藏的壓力、成熟度、氣體飽和度、吸附氣含量、孔隙度和滲透率等特征都會有較大區(qū)別。

前人研究表明，F(xiàn)ox Creek 地區(qū)溫度梯度在3.1～3.7°C/hm，溫度為70～130°C。同時，具有較高的地層壓力梯度，達到17.4 kPa/m[24]。Duvernay 組平均地層壓力64 MPa，地層壓力系數(shù)為1.8。吸附氣含量0.50～2.50 m3/t，平均1.49 m3/t。

本文采用前人對Fox Creek 地區(qū)的地層壓力研究結果[25-27]，通過對比12 個月的頁巖氣產量與地層孔隙壓力分布發(fā)現(xiàn)，產量高的地區(qū)多為高孔隙壓力的地區(qū)。因此，區(qū)域地層超壓對于頁巖甜點區(qū)的分布有重要影響。此外，頁巖厚度是評價頁巖氣藏的重要指標。根據(jù)單井測井曲線特征統(tǒng)計出Duvernay 組厚度，并進行插值分析。結果表明，本地區(qū)的頁巖厚度呈現(xiàn)西北高東南低的趨勢，厚度為30～46 m，平均為38 m。

2.2.2 有機質類型、含量及成熟度

本文收集了11 口井86 個Duvernay 組頁巖樣品的熱解實驗結果（圖5a）[18]，并以熱解溫度小于400°C為標準剔除部分數(shù)據(jù)，以確保熱解數(shù)據(jù)的準確性[23]。統(tǒng)計結果表明，有機質含量在1.49%～6.11%，平均為3.07%（圖5b）。此外，受控于加拿大西部盆地的構造活動，Duvernay 組富有機質頁巖的熱演化歷史變化較為簡單。平均埋深在3 000～4 000 m 的樣品成熟度較高，研究區(qū)有機質成熟度為0.80～1.58，平均值為1.12（圖5c）。熱解溫度在437～483°C，烴類指數(shù)在24～176 mg/g，大部分位于生氣窗口。根據(jù)成熟度低的頁巖樣品熱解結果，Duvernay 組有機母質為II 型干酪根，原始烴類指數(shù)（烴/有機碳）約為530 mg/g[4]。

2.2.3 頁巖孔隙度、滲透率及礦物成分

頁巖儲層空間包括有機孔、微裂縫、層理縫和無機孔，其中，有機孔隙是頁巖賦存的主要空間[11]。有機孔是頁巖有機質顆粒中的納米級孔隙，主要在有機質生烴作用的過程中形成。根據(jù)頁巖樣品的薄片觀察和掃描電鏡結果（圖6a，圖6b）[20]，研究區(qū)頁巖孔徑多為不規(guī)則形狀，孔喉直徑主要在10～70 nm，比表面積分布于21.6～31.5 m2/g，連通孔隙的比重大。此外，樣品有機碳含量與孔隙度、含氣量呈很好的正相關關系。

圖6c 為取芯井的巖芯分析數(shù)據(jù)統(tǒng)計結果[20]，可以看出，研究區(qū)的孔隙度在1.47%～8.28%，平均為4.86%。研究區(qū)頁巖的滲透率很低，為0.284～573.000 nD，平均為103.000 nD。含氣飽和度在93.1%～98.7%，平均為95.8%。從X 衍射分析結果（圖6d）來看，研究區(qū)主要礦物包括石英、黏土礦物和方解石。礦物含量分布與Barnett 頁巖相似。其中，深水陸棚的硅質頁巖有機碳含量高、泥質含量低、有效孔隙度大、含油氣性高、易壓裂，成為研究區(qū)最為理想的儲層類型。

圖6 頁巖物性及礦物成分Fig.6 Shale physical properties and mineral contents

2.2.4 頁巖脆性指數(shù)及天然裂縫發(fā)育情況

首先根據(jù)部分井頁巖樣品的三軸應力壓縮實驗得到靜彈性力學參數(shù)——靜態(tài)楊氏模量和靜態(tài)泊松比，并對基于測井曲線得到的動態(tài)楊氏模量和泊松比進行校正（圖7a，圖7b）[20]；再根據(jù)巖石力學參數(shù)測量結果計算脆性指數(shù)，作為評估頁巖脆性的指標[26]；最后依據(jù)常規(guī)測井曲線與脆性指數(shù)的關系，利用井間插值，得到研究區(qū)的脆性指數(shù)分布圖。

圖7 巖石力學動靜態(tài)參數(shù)及巖芯天然裂縫發(fā)育情況Fig.7 Geomechanical dynamic and static parameters and natural fractures from core observation

天然裂縫的存在對于頁巖甜點發(fā)育具有重要影響。研究區(qū)取芯井發(fā)現(xiàn)高角度天然裂縫（圖7c）。但受三維地震資料精度的影響，通過地震解釋刻畫Fox Creek 地區(qū)的天然裂縫發(fā)育難度較大[25]。前人研究表明，在研究區(qū)大斷層附近天然裂縫較為發(fā)育，因此，可用離大斷層的距離來表示天然裂縫發(fā)育情況[28]。這些斷層的位置是由已知的Duvernay 組信息及地震分析中推斷出來的（圖3d）[29-30]。在本次研究中，到這些已知斷層的距離是通過壓裂井與其最近的大斷層之間的最短距離計算得出的。

2.3 基于改進殘差神經(jīng)網(wǎng)絡算法預測頁巖氣甜點區(qū)

2.3.1 輸入?yún)?shù)

圖8 為利用序貫高斯插值方法得到的研究區(qū)各參數(shù)平面分布及前12 個月累積產氣量的對比圖[14，20，22，29]，圖中粉色圓圈為各水平井前12 個月累積產氣量。各參數(shù)的統(tǒng)計結果如表2 所示。

表2 輸入地質和工程參數(shù)值統(tǒng)計結果Tab.2 Statistics of input geological and operational factors

圖8 研究區(qū)各參數(shù)平面分布及水平井前12 個月累積產氣量對比圖Fig.8 Map view of different input parameters versus 12-month shale gas production of horizontal wells

可以看出，各參數(shù)的空間特征差異很大。例如，Duvernay 組沿NE—SW 方向深度逐漸變深；地層壓力在中部及西南部壓力達到60 MPa 以上，呈現(xiàn)局部地層超壓的特征；頁巖厚度由NW—SE 方向減薄。頁巖有機碳含量、孔隙度、滲透率、含氣飽和度和脆性指數(shù)的分布趨勢類似，在西南部和中部有局部高值。泥質含量在東北部有局部高值，西南部和中部較低。離斷層的距離取決于斷層的平面分布特征。地應力差異系數(shù)在西南和東南部具有高值。

2.3.2 參數(shù)選擇

研究區(qū)各參數(shù)的皮爾遜關系矩陣如圖9a 所示，研究發(fā)現(xiàn)，12 個月的產氣量隨泥質含量增加基本呈線性遞減趨勢，與其他參數(shù)呈正比。同時，產氣量與孔隙度、滲透率、泥質含量、埋深、地層壓力、脆性指數(shù)、水平段長度、壓裂段數(shù)、支撐劑注入質量和壓裂液注入體積相關性好，其中，與孔隙度關系最好，兩者的相關系數(shù)超過0.70。而產氣量與剩余參數(shù)（頁巖厚度、斷層距離、有機碳含量和含氣飽和度）的相關性差。因此，對于Fox Creek 地區(qū)，頁巖氣甜點隨著某些儲層性質（孔隙度、滲透率、泥質含量、埋深、地層壓力）和工程因素（脆性指數(shù)、水平段長度、壓裂段數(shù)、支撐劑注入質量和壓裂液注入體積等）的增大而增加。

本文使用貪心算法策略對參數(shù)的重要性進行評估，即通過循環(huán)丟棄特征來計算模型的回歸系數(shù)。當回歸系數(shù)值最大時，丟棄的是所有特征中重要性最低的特征參數(shù)，從而選擇最重要的主控因素參數(shù)。不斷執(zhí)行以上操作，得到模型的最佳預測性能與參數(shù)個數(shù)的關系如圖9b 所示?？梢钥闯觯褂?0 個參數(shù)時模型具有更好的穩(wěn)定性和預測能力。因此，本文選擇5 個地質參數(shù)（孔隙度、滲透率、泥質含量、埋深及地層壓力）和5 個工程參數(shù)（脆性指數(shù)、水平段長度、壓裂段數(shù)、支撐劑注入質量和壓裂液注入體積），建立了用前12 個月產氣量表示的甜點預測模型。

圖9 各參數(shù)之間的關系及特征參數(shù)選取結果Fig.9 Relations among parameters and results of features selection

圖10a，圖10b 為改進殘差神經(jīng)網(wǎng)絡算法在測試及訓練數(shù)據(jù)中的預測表現(xiàn)。在訓練數(shù)據(jù)中的回歸系數(shù)達到0.94，在測試數(shù)據(jù)中的回歸系數(shù)也達到0.85。同時，將改進殘差神經(jīng)網(wǎng)絡算法與常規(guī)神經(jīng)網(wǎng)絡的預測效果進行對比，新方法的穩(wěn)定性及預測效果都比常規(guī)神經(jīng)網(wǎng)絡方法優(yōu)異（圖10c）?？梢姡倪M殘差神經(jīng)網(wǎng)絡算法具有很好的預測效果，可用來預測Fox Creek 地區(qū)頁巖氣甜點區(qū)。

圖10 改進殘差神經(jīng)網(wǎng)絡算法的預測結果Fig.10 The prediction results of the improved residual neural network approach

2.3.3 甜點區(qū)預測結果

根據(jù)改進殘差神經(jīng)網(wǎng)絡預測模型繪制了Fox Creek 地區(qū)的頁巖甜點區(qū)分布。其中，地質和工程主控因素參數(shù)分布如圖8 所示。壓裂施工參數(shù)如壓裂液注入體積、支撐劑注入量、壓裂級數(shù)和水平段長度取表2 各參數(shù)的平均值，以消除壓裂施工參數(shù)對頁巖氣甜點區(qū)預測的影響誤差。圖11 顯示出Fox Creek 地區(qū)的頁巖甜點區(qū)分布（用12 個月的產氣量表示）。該分布表現(xiàn)出明顯的局部區(qū)域差異性。如西部和南部Duvernay 組邊界處發(fā)育頁巖甜點區(qū)，向東北部逐漸變差。頁巖氣甜點區(qū)的繪制，為該地區(qū)頁巖氣的后續(xù)高效開發(fā)提供了可靠的基礎。

圖11 Fox Creek 地區(qū)頁巖甜點區(qū)預測圖Fig.11 Map view of shale gas sweet spot in Fox Creek

3 結論

（1）影響Fox Creek 地區(qū)頁巖氣甜點區(qū)的主控因素為孔隙度、滲透率、泥質含量、埋深、地層壓力、脆性指數(shù)和壓裂施工參數(shù)（水平段長度、壓裂段數(shù)、支撐劑注入質量和壓裂液注入體積）。

（2）改進殘差神經(jīng)網(wǎng)絡算法在測試及訓練數(shù)據(jù)預測頁巖氣產量中展現(xiàn)出很好的預測效果。數(shù)據(jù)吻合度分別達到0.85 和0.94。

（3）根據(jù)改進殘差神經(jīng)網(wǎng)絡預測模型繪制了Fox Creek 地區(qū)的頁巖甜點區(qū)分布，西部和南部Duvernay 組邊界處發(fā)育頁巖甜點區(qū)，向東北部逐漸變差。甜點區(qū)分布表征為該地區(qū)頁巖氣的后續(xù)高效開發(fā)提供了可靠的基礎。