天然气地球科学 >

2025 , Vol. 36 >Issue 12: 2193 - 2204

DOI: https://doi.org/10.11764/j.issn.1672-1926.2025.08.009

天然气勘探

基于SSA⁃RF模型致密砂岩气储层测井产能评价方法

  • 王飞 , 1 ,
  • 程茜 1 ,
  • 任莉 2 ,
  • 韩琳 2
展开
  • 1. 长安大学地质工程与测绘学院，陕西 西安 710064
  • 2. 中国石油集团测井有限公司大庆分公司，黑龙江 大庆 163412

王飞（1983-）， 男， 河北保定人， 博士， 副教授， 主要从事测井与岩石物理的教学与科研工作. E-mail： .

收稿日期: 2025-03-20

  修回日期: 2025-08-26

  网络出版日期: 2025-09-22

收起

Well logging capacity evaluation method for tight sandstone gas reservoirs based on SSA-RF modeling

  • Fei WANG , 1 ,
  • Qian CHENG 1 ,
  • Li REN 2 ,
  • Lin HAN 2
Expand
  • 1. School of Geological Engineering and Surveying； Chang'an University ； Xi'an 710064，China
  • 2. Daqing Branch Company，CNPC Logging，Daqing 163412，China

Received date: 2025-03-20

  Revised date: 2025-08-26

  Online published: 2025-09-22

Fold

摘要

致密砂岩气藏具有低孔低渗、非均质性较强的特性，开发过程中需采用压裂措施，压后产能受多种因素影响，预测困难较大，现有方法难以准确预测致密气储层压后产能。基于地质工程一体化思想，综合考虑工程参数、物性参数与测井参数，利用互信息系数模型剖析致密砂岩气藏产能的主控因素，构建麻雀搜索算法（SSA）优化随机森林（RF）模型预测储层压后产能。以鄂尔多斯盆地青石峁气田为例进行产能评价，引入均方根误差、均方误差、平均绝对误差和决定系数等指标对该方法进行可靠性以及准确性评估，并与粒子群算法（PSO）、二阶优化算法（BOA）优化的随机森林模型进行对比分析。研究结果表明：深侧向电阻率、自然伽马、泥质含量、加砂量、排量、中子为影响致密砂岩气储层压后产能的敏感性因子，电阻率影响最为显著；通过调整麻雀的种群数量、迭代次数以及交叉验证次数，可实现对随机森林模型进行高效参数调优，提高预测准确性；建立的麻雀搜索算法优化随机森林模型的预测结果准确，优于粒子群算法和二阶优化算法。该方法可为致密砂岩气储层压后产能评价提供技术支撑。

关键词： 产能预测; 低孔低渗; 随机森林; 机器学习; 优化算法

本文引用格式

王飞 , 程茜 , 任莉 , 韩琳 . 基于SSA⁃RF模型致密砂岩气储层测井产能评价方法[J]. 天然气地球科学, 2025 , 36(12) : 2193 -2204 . DOI: 10.11764/j.issn.1672-1926.2025.08.009

Abstract

Tight sandstone gas reservoirs are characterized by low porosity， low permeability， and strong non-homogeneity. Fracturing is required for development， and post-fracturing production capacity is influenced by multiple factors， making accurate prediction difficult. Based on the concept of geo-engineering integration， engineering parameters， physical parameters， and logging parameters were comprehensively considered. A mutual information coefficient model was applied to identify the key factors controlling production capacity， and a Sparrow Search Algorithm （SSA） optimized Random Forest （RF） model was established for prediction. Taking the Qingshimao Gas Field as a case study， model performance was evaluated using root mean square error， mean squared error， mean absolute error， and coefficient of determination， and compared with RF models optimized by Particle Swarm Optimization （PSO） and Butterfly Optimization Algorithm （BOA）. The results show that RLLD， GR， SH， SD， VOE， and CNL are key factors， with resistivity being the most significant. Parameter tuning through SSA by adjusting population size， iteration number， and cross-validation effectively improved prediction accuracy. The proposed SSA-RF model outperforms PSO-RF and BOA-RF， providing a reliable approach for post-fracturing productivity evaluation of tight sandstone gas reservoirs.

Key words： Productivity prediction; Low porosity and low permeability; Random forest; Machine learning; Optimization algorithm

0 引言

鄂尔多斯盆地青石峁气田是我国典型的致密砂岩气田，具有“四低一薄一强一复杂”的特点，具体表现为低孔隙度、低渗透率、低压、低丰度、储层较薄、非均质性强和孔隙结构复杂［1-2］。致密砂岩气藏的开发依赖储层压裂，压裂施工参数与储层物性参数共同控制压后产能，产能预测成为研究热点［3］。国内外学者对致密砂岩气藏压后产能预测开展了大量研究，预测方法主要分为传统方法和人工智能方法［4-5］。传统方法是指通过对测井数据进行数学反演，以此表征致密砂岩产能的气藏情况。该方法主要包括经验公式法、解析法、数值模拟分析、统计回归和测井曲线特征等［6-10］。传统方法对数据要求高，计算复杂，人为因素影响较大，针对非均质性强、低孔低渗储层压后产能预测难度较大。人工智能方法中机器学习和深度学习方法可实现多变量复杂参数下储层的产能预测，广泛应用于实际压后产能预测［11-20］。NIU等［21］基于地质和工程参数应用各种机器学习方法（KNN、SVM、RF、GBDT），选取重要因素，预测产能，结果表明SVM在面对小样本数据集时表现良好。TONG等［22］采用皮尔逊相关系数、随机森林和XGBoost等方法对产能主控因素及其预测进行了研究。结果表明，随机森林和XGBoost方法在产能影响因素分析及预测性能方面表现优异，说明机器学习方法可有效应用于致密砂岩气藏的勘探与开发。LI等［23］、朱庆忠等［24］综合考虑储层参数与工程参数，优选关键影响因素，构建了随机森林回归模型。结果表明，该模型在预测精度和泛化能力方面均优于传统方法，具有更强的适应性与实用性。但在小样本条件下，机器学习和深度学习难以准确预测压后产能，优化算法可有效简化数据的训练流程、避免数据过拟合问题，从而提高模型的产能预测精度，其中粒子群优化算法（PSO）、二阶优化算法（BOA）和麻雀搜索优化算法（SSA）等已成为模型超参数优化的主要方法［25-27］。TIAN等［28］提出一种特征优化的PSO-BP裂缝—空洞产能预测模型，与BP神经网络、线性支持向量机和多元线性回归对比，PSO-BP具有较好的性能。WANG等［29］、XU等［30］分别建立SSA-RF模型和SSA-XGBoost模型，预测边坡稳定性，引入4个经典模型进行比较，结果表明SSA-RF模型表现性能最佳。
青石峁气藏储层复杂，简单的机器学习方法无法捕获到产能与测井曲线及工程参数之间内在的非线性关系，预测精度较低。为提升预测效果，利用互信息系数法优选压后产能的主控因素，构建SSA-RF集成模型，用于产能预测。

1 研究区地质概况

青石峁气田位于鄂尔多斯盆地天环坳陷与西缘冲断带外围，其形成背景与西缘冲断带及伊陕斜坡的“西冲东抬”地质过程密切相关，由此形成了一个呈南北向分段、东西向分区的负向构造单元。自北向南分为北部凹陷区、中部隆起区和南部凹陷区。研究区东部发育平缓单斜构造，断裂发育有限；西部地层陡倾，伴有发育良好的张性断裂。裂隙发育的成熟度与断层匹配度表现出良好的一致性，构造活动具有明显“西强东弱”特征，形成了断裂—裂缝输导体系统，为天然气的聚集提供了高效的运移通道［31-34］。
研究区地层自上而下依次为上石盒子组、下石盒子组、山西组和太原组，厚度较大，沉积环境多为河流—三角洲相，砂泥岩互层发育（图1）。盒8段、山1段以及山2段为研究区主力含气层，埋深范围为2 757~4 034 m，岩性主要为石英砂岩，占比高达80%，分选性差，非均质性强。储层多发育粒间溶孔与岩屑溶孔，为特低—低孔低渗储层。
图1 青石峁气田地质概况

Fig.1 Geologic overview of Qingshimao Gas Field

2 致密砂岩气储层产能影响因素分析

选取青石峁气田67口井的92个有单层试气结论的储层段进行研究。表1为加砂量（SD）、砂比（SB）、砂浓度（SC）、排量（VOE）和入井总液量（FV）等工程参数的范围，表2为测井参数的范围，包括深侧向电阻率（RLLD）、浅侧向电阻率（RLLS）、声波时差（AC）、自然伽马（GR）、中子孔隙度（CNL）和密度测井（DEN）。同时，将计算得到的孔隙度（POR）、渗透率（PREM）和泥质含量（SH）作为物性，参与影响因素分析。
表1 工程参数

Table 1 Engineering parameters

工程

参数

 SD/m3 SB/%

SC

/（kg/m3）

VOE

/（m3/min）

FV

/（m3/min）
最小值 2.20 10.75 190.30 0.33 31.43
最大值 10.24 39.60 697.35 1.05 88.07
平均值 6.04 29.92 414.31 0.68 54.30
表2 测井参数

Table 2 Logging parameters

测井

参数

RLLD

/（Ω·m）

RLLS

/（Ω·m）

GR

/API

AC

/（μs/m）

CNL

/%

DEN

/（g/cm3）
最小值 15.71 13.33 20.85 207.81 3.65 2.39
最大值 209.78 252.81 68.72 271.19 17.65 2.59
平均值 72.30 69.16 43.51 231.08 9.93 2.51
综上，共选取13个特征参数，涵盖测井参数、工程参数及物性参数，以单位厚度日产气量（Q）为目标变量，开展影响因素分析，识别控制产能的关键因子。

2.1　响应参数分析

2.1.1　测井响应参数影响因素分析

自然伽马测井可反映地层岩性，声波、中子、密度测井与地层孔隙度有响应。图2为测井参数与单位厚度日产气量（Q）的关系。随着储层单位厚度日产气量（Q）的增加，含水情况越差，因此深、浅侧向电阻率增大［图2（a），图2（b）］。地层泥质含量越低时，自然伽马值越低；孔隙度越大时，声波时差越大。地层含气时，自然伽马、中子孔隙度测井与单位厚度日产气量呈负相关，声波时差、密度与单位厚度日产气量呈正相关，但相关性较差。
图2 测井参数与单位厚度日产气量交会图

(a)深侧向电阻率与产气量交会图；(b)浅侧向电阻率与产气量交会图；(c)自然伽马与产气量交会图；(d)中子孔隙度与产气量交会图；(e)声波时差与产气量交会图；(f)密度与产气量交会图

Fig.2 Rendezvous of logging parameters with daily gas production per unit thickness

2.1.2　工程参数、物性参数影响因素分析

研究区为典型的低孔低渗储层，自然产能较低，开发过程中需利用压裂等增产措施提高产气量。选取SD、VOE、FV、SC和SB等5项工程参数，以及POR、PREM和SH等3项物性参数，分析其与单位厚度日产气量之间的关系（图3）。随着产能的不断上升，5个工程参数均呈现上升趋势，表明压裂强度对产能具有积极影响；孔隙度和渗透率随产气量增加而下降，储层物性对产能具有显著控制作用。
图3 工程参数、物性参数与单位厚度日产气量交会图

(a)加砂量与产气量交会图；(b)排量与产气量交会图； (c)入井总液量与产气量交会图；(d)砂浓度与产气量交会图；(e)砂比与产气量交会图；(f)孔隙度与产气量交会图；(g)渗透率与产气量交会图；(h)泥质含量与产气量交会图

Fig.3 Rendezvous of engineering parameters, physical properties parameters and daily gas production per unit thickness

2.2　数据预处理

由于各参数具有不同的量纲和特征属性，在产能预测之前需要对数据进行归一化处理，如式1所示。
y = x - x m i n x m a x - x m i n
采用皮尔逊相关系数法对各特征参数与Q之间的相关性（r）进行计算［公式（2）］，如相关性热力图所示（图4），工程参数中SD、VOE与单位厚度日产气相关性达到0.6，相关性较强；测井参数中密度、渗透率、声波时差以及孔隙度与单位厚度日产气的相关性低于0.5，相关性较弱；其余参数与产能的相关性较为显著。其中RLLD和RLLS与Q的相关性均超过0.7，显示出高度相关性。由此可见，RLLD、RLLS是研究区致密气储层产能最主要的影响因素。
r = ∑ ( x - x ¯ ) ( y - y ¯ ) ∑ ( x - x ¯ ) 2 ( y - y ¯ ) 2
图4 特征参数与单位厚度日产气的相关性热力图

(a)工程参数相关性热力图；(b)测井参数相关性热力图

Fig.4 Thermogram of correlation between characteristic parameters and daily gas production per unit thickness

2.3　影响因素分析

互信息系数（MIC）是一种用于测量不同变量之间关系的统计方法，它具有很强的普适性、公平性和对称性，特别适合探索参数之间的非线性关系［35］。主要采用互信息和网格划分的方法进行计算，将2个变量的数据分布投影到二维空间中，对空间进行划分，以找到各网络中包含点与总点之比最大的分区网格。由于不同的网格划分会导致不同的比例结果，因此需要找到使互信息最大化的网格划分。最后对最优分割方法的结果进行正则化，得到MIC值［式（3）］，其结果能够检验两变量之间的相关性。
I M I C x , y = m a x a b < B ( n ) I ( x , y ) L o g 2 m i n ( a , b )
式中：I MIC（x， y）为互信息值；x、y为2个随机变量；a、b分别为x、y方向上划分的网格数；B为网格数的上限。
基于MIC方法，对致密砂岩气储层产的影响因素进行重要性排序，由图5可见RLLD、RLLS、GR、SH、SD、VOE、CNL等7个参数与Q的相关性达到0.5以上，相关性较好。其中RLLS、RLLD与Q的相关性达到0.7左右，表明二者为主控产能的关键因素，DEN和PERM与Q的相关性较弱。
图5 MIC法对产能主控因素分析

Fig.5 Analysis of the MIC method on the main controlling factors of production capacity

MIC法的排序结果与皮尔逊相关系数法的结果吻合程度高，最终的影响因素排序为：RLLD>RLLS>GR>SH>SD>VOE>CNL>FV>SB>POR>SC>AC>PERM>DEN。考虑到部分参数之间存在较强的相关性，为避免模型过拟合并提高预测精度，对高相关性的变量进行适当筛选，具体而言，RLLD与RLLS的相关性高达0.9，二者之间信息重复度较高。因此，在模型构建中仅保留RLLD作为代表性敏感参数。最终，选取与单位厚度日产气量相关性大于0.5且具有代表性的6个参数作为模型输入，包括：RLLD、GR、SH、SD、VOE、CNL。这些参数将在后续建模与分析中作为关键变量使用。

3 SSA⁃RF模型原理

本文研究的致密砂岩气储层受测井参数、工程参数与物性参数等多种复杂因素影响，变量之间存在明显的非线性关系。随机森林具备较强的非线性拟合能力和特征解释能力，能够在保持模型精度的同时提供较高的泛化能力。因此，本文选择随机森林作为基础回归模型用于储层产能预测。为提高预测精度，引入SSA算法对RF模型超参数进行优化，充分发挥其全局搜索与快速收敛的优势，从而构建高效、稳定的产能预测模型，如图6所示。
图6 SSA-RF预测模型构建流程

Fig.6 SSA-RF prediction model construction process

3.1　随机森林算法

随机森林算法（Random Forest）是一种以决策树为基础的集成学习算法，属于Bagging类集成方法。其核心原理是通过构建多个决策树并集成它们的预测结果来提高模型的准确性和鲁棒性。具体来说，在训练过程中随机森林通过从训练数据中随机抽取多个样本子集，然后针对每个子集独立地训练一棵决策树。在树的生长过程中，每次分裂节点时仅从随机选择的特征子集中选择最优划分点，从而引入随机性以避免过拟合。最终，随机森林将所有决策树的预测结果进行平均（或加权平均），作为最终的回归预测值［36-37］。这种集成方法不仅能够降低单棵决策树的方差，还能有效处理高维数据和非线性关系，从而提升模型的泛化性能。

3.2　麻雀搜索算法

麻雀搜索算法（Sparrow Search Algorithm）是一种受麻雀种群觅食和反捕食行为启发而提出的新型智能优化算法。该算法通过模拟麻雀群体觅食和躲避天敌的行为，将麻雀种群划分为发现者、追随者和侦查者3种类型，分别承担寻找食物、跟随觅食和预警逃逸的功能。在觅食的过程中，3个种群的麻雀位置在不断发生变化，以此来获得最佳的食物来源。在建模过程中，假设种群规模为n，搜索维度为d，则整个种群位置可表示为一个n×d的矩阵，个体位置的优劣由适应度f决定，发现者作为寻找食物的个体，需最先更新在空间中的位置，式（4）为发现者位置更新的迭代过程［38-41］。
X i , j l + 1 = X i , j l ⋅ e x p - i α ⋅ i t e r m a x , R 2 < S T X i , j l + Q ⋅ L , R 2 ≥ S T
式中：i表示当前的迭代次数； X i , j l表示第j维的第i个麻雀； i t e r m a x表示迭代次数最大值； R 2表示为警戒值；ST表示为安全阈值；α、Q表示为服从正态分布的随机数； L 表示为1×d的全1矩阵；当安全阈值大于警戒值时（ R 2 < S T），说明侦查的麻雀发现周围没有捕食者；当安全阈值小于警戒值时（ R 2 ≥ S T），说明有部分麻雀发现周围有捕食者出现，所有麻雀需要更新到新的安全区域。
当发现者发现更好的食物位置，追随者会离开现在的位置去抢夺食物，如果它们抢夺成功，可以获得发现者的食物，并更新新的位置：
X i , j l + 1 = Q ⋅ e x p X w o r s t l - X i , j l α ⋅ i t e r m a x , i > n / 2 X p l + 1 + X i , j l - X p l + 1 , 其他
式中： X p为发现者占据的最佳位置； X w o r s t为当前的最差位置； A 表示一个1 × d的矩阵；矩阵中元素被随机分配成-1和1； A + = A T A A T - 1；当i >n/2时，说明当前的适应度值比较差。
建立模型中假设侦查者的数量占麻雀总数的10%~20%，麻雀的初始位置是随机生成的，当发现天敌靠近时，它的位置会不断更新，更新的位置如下：
X i , j l + 1 = X b e s t l + β X i , j l - X b e s t l , f i > f g X i , j l + K ⋅ X i , j l - X b e s t l f i - f w + ε , f i = f g
式中： X b e s t是全局中的最佳位置；K是随机数； f i是当前的适应度值； f g是全局最佳的适应度值； f w是全局最差的适应度值； β是控制步长的参数，是随机数的正态分布，平均值是0，方差值是1。

4 产能预测

4.1　SSA⁃RF模型构建

为提高RF模型在预测致密砂岩气储层产能预测的准确性，本文利用麻雀搜索算法（SSA）优化RF模型的超参数。SSA⁃RF模型预测产能具体预测流程如下：
（1）特征选择：利用皮尔逊相关系数法与MIC法，选取与Q相关性大于0.5的参数作为输入特征。
（2）数据集划分：本文研究选取92个数据样本，并将其按照8∶2的比例划分为训练集和测试集。
（3）初始化参数：将发现者、追随者和侦查者按照6∶3∶1的比例划分；最大迭代次数为10~50次。
（4）模型训练与评估：输出最优超参数，构建最优RF模型，利用该模型预测致密砂岩气储层的产能。通过平均绝对误差（MAE）、均方误差（MSE）、均方根误差（RMSE）以及决定系数（R 2）4个参数对模型进行评估。
为避免SSA-RF模型训练过程中出现数据过拟合或模型评估出现偏差的现象，采用K折交叉验证方法对数据集进行训练和预测，以增强模型的泛化能力。K折交叉验证是一种常用的模型评估方法，能有效衡量模型的稳定性和预测性能。在回归问题中，决定系数（R 2）是评估模型拟合优度的重要指标，通过结合交叉验证曲线，进一步优化模型参数，提升模型的整体性能。如图7所示，当K折交叉验证中折数K=5时，兼顾了训练效率与训练成本，模型的性能指标已接近最优水平。
图7 K折交叉验证曲线

Fig.7 K-fold cross validation verification curve

设置麻雀算法的迭代次数为：10、20、30、40、50、100、150、200，分别设置初始麻雀种群数量分布在10、20、30、40、50只，研究不同种群数量和不同迭代次数情况下模型的预测效果。由图8所示，在种群数量为50、迭代次数为50时，预测结果与实测结果的平均相对误差（MRE）［式（7）］最小，为15.78%，且当种群数量逐渐增加时，平均相对误差趋于稳定。SSA允许部分个体离开当前最优解，继续寻找其他潜在的全局最优解，增加种群数量的过程中有少数麻雀偏离了最优解的位置。综合考虑问题复杂度、计算资源、算法收敛性等因素确定交叉验证折数为5、初始麻雀种群数量为50，迭代次数为50。
图8 不同种群数量下的平均相对误差—迭代次数交会图

Fig.8 Mean relative error-number of iterations intersection plot under different population size

平均相对误差计算公式：
M R E = 1 n ∑ i = 1 n y i - y ^ i y i

4.2　模型性能评价

利用均方误差（MSE）、均方根误差（RMSE）、平均绝对误差（MAE）和决定系数（R 2）［式（8）—式（11）］，对模型的预测性能进行评价。MSE、RMSE和MAE越小，决定系数R 2越大，表明模型的预测性能越好。
R M S E = 1 n ∑ i = 1 n ( y i - y ^ i ) 2
M S E = 1 n ∑ i = 1 n ( y i - y ^ i ) 2
M A E = 1 n ∑ i = 1 n y i - y ^ i
R 2 = 1 - ∑ i = 1 n ( y i - y ^ i ) 2 ∑ i = 1 n ( y i - y i ¯ ) 2
式中： y i是第i个观测值； y ^ i是第i个观测值的预测值； y i ¯是所有观测值的平均值。
利用麻雀搜索算法和粒子群算法分别对随机森林中树的数量和树的最大深度进行参数优化。并采用二阶优化算法对致密砂岩气储层产能进行预测。结果如表3所示，无论是在训练集还是在测试集上，SSA-RF模型预测精度有大幅度提升，相较于优化前的RF模型，测试集的预测精度提高了9%；PSO-RF模型和BOA-RF模型预测精度分别提高4%和2%；从图9可以看出，测试集中SSA-RF模型的预测结果的R 2最高，MSE与RMSE值最低，MAE值较低。相较于RF模型、BOA-RF模型和PSO-RF模型，本文提出的SSA-RF模型效果最好。
表3 SSA⁃RF预测精度评估结果

Table 3 Results of SSA-RF prediction accuracy assessment

样本 指标 SSA⁃RF PSO⁃RF BOA⁃RF RF
训练集 R 2 0.929 0.910 0.950 0.963
MSE 0.005 0.008 0.003 0.004
MAE 0.110 0.066 0.130 0.172
RMSE 0.067 0.087 0.100 0.062
测试集 R 2 0.750 0.700 0.680 0.660
MSE 0.040 0.044 0.060 0.051
MAE 0.110 0.151 0.150 0.170
RMSE 0.210 0.210 0.230 0.226
图9 3种预测模型的拟合结果

Fig.9 Fitting results of the three prediction models

将3种模型预测的产能与实测产能进行拟合分析，结果如图9所示，SSA-RF预测结果拟合效果优于其他2种模型，充分验证了SSA-RF模型在预测致密砂岩产能的可靠性。

5 实际应用

以X井为例，利用SSA-RF方法对产能进行预测。如图10所示，在3 825~3 828 m层段中，加砂量为14.4 m3、排量为2.4 m3/min、累计入井总液量为138.95 m3/min、砂比为25.1%、砂浓度为441.8 kg/m3、深侧向电阻率为52.07 Ω·m、自然伽马为44.05 API、声波时差为245.92 μs/m、中子孔隙度为9.83%、密度为2.53 g/cm3。SSA-RF模型预测该层段的产气量为20 380 m3/d，试气分析得到的产气量为21 930 m3/d，相对误差为7.07%，预测结果比较准确。
图10 X井SSA⁃RF方法产气量计算图

Fig.10 Calculation of gas production by SSA-RF method in Well X

利用SSA-RF模型对青石峁地区进行压裂产能预测。将模型投入到研究区的其中7口井中进行预测，预测分析结果由表4所示，预测效果较好。其中X-3、X-4、X-7共3口井的相对误差明显高于其余4口井，分别为22.423%、19.420%及16.221%。由表5可见，这一现象发生主要为3口井的含水饱和度较高，电阻率曲线特征与中子曲线特征与高含气层规律不符。相比之下，其余井参数处于中等区间，预测精度更高。未来会补充极端储层样本比例，并加入预测不确定性评估，以提升模型在特殊储层条件下的适应性与精度。
表4 SSA-RF预测结果

Table 4 SSA-RF prediction results

井号 井段 厚度 日产气量 预测产气量 绝对误差 相对误差 平均绝对误差 平均相对误差
/m /m /（104 m3/d） /（104 m3/d） /（104 m3/d） /% /（104 m3/d） /%
X-1 3 967~3 969 2 1.92 1.937 0.017 0.892 0.180 10.563
X-2 3 846~3 848 2 2.126 2.219 0.093 4.366
X-3 3 809~3 811 2 1.189 1.456 0.267 22.423
X-4 2 917~2 921 4 1.116 1.333 0.217 19.420
X-5 4 177~4 179 2 2.156 2.3 0.144 6.668
X-6 4 034~4 037 3 4.132 4.295 0.163 3.952
X-7 3 905~3 908 3 2.193 2.549 0.356 16.221
表5 7口井相关参数

Table 5 Parameters related to 7 wells

井号 SD SB SC VOE FV RLLD RLLS GR AC CNL DEN POR PREM SH SW
/m /% /（kg/m3） /（m3/min） /（m3/min） /（Ω·m） /（Ω·m） /API /（μs/m） /% /（g/cm3） /% /（10-3 μm2） /% /%
X-1 13.7 27.8 290.5 4.0 141.1 117.8 90.8 35.6 213.2 3.7 2.4 5.7 0.8 4.5 37.1
X-2 6.1 21.2 368.2 0.6 52.4 119.6 57.5 37.1 236.9 9.0 2.5 9.4 0.7 5.5 48.8
X-3 9.5 24.0 278.4 1.5 106.9 43.9 40.2 53.8 228.6 11.2 2.6 8.0 0.2 15 66.7
X-4 3.6 18.8 320.0 0.4 31.4 30.0 28.5 52.2 232.9 10.6 2.5 9.6 0.6 11 54.9
X-5 10.5 26.3 393.8 1.8 126.2 171.0 120.9 27.7 234.3 3.6 2.5 8.0 1.8 1.0 25.8
X-6 8.5 26.1 459.8 0.9 88.1 112.6 108.4 33.9 255.8 5.6 2.5 5.0 0.1 4.9 38.7
X-7 4.8 25.1 441.8 0.8 46.3 52.1 55.3 44.1 245.9 9.8 2.5 11.8 4.4 3.1 57.1

6 结论

本文利用测井与工程参数进行青石峁致密砂岩气田压裂后产能评价研究。利用皮尔逊相关系数法和互信息系数法优选储层产能的敏感性因子，通过麻雀搜索算法优化随机森林模型，对致密砂岩气储层进行产能预测，预测结果与试气结论相符，展示了较好的应用前景。取得如下结果：
（1）通过皮尔逊相关系数法和互信息系数法，优选出与致密砂岩气储层产能相关性达到0.5以上的敏感性因素，分别为：深侧向电阻率、自然伽马、泥质含量、加砂量、排量、中子孔隙度6个影响参数。
（2）构建了融合麻雀搜索算法（SSA）优化的随机森林（RF）预测模型，通过SSA对模型关键参数进行高效优化，显著提升了模型的拟合精度与预测性能，为致密砂岩气储层产能建模提供了更优的参数调控策略。
（3）将SSA-RF预测模型与PSO-RF及BOA-RF模型在训练集和测试集拟合效果上进行对比分析，结果显示SSA-RF在各项性能指标上均优于其他模型，表现最为稳定。在测试集中，SSA-RF模型的R²值达到0.75，较未优化的RF模型提升约9%，充分验证了麻雀搜索算法在复杂参数空间中高效寻优的优势，为致密砂岩气储层压后产能预测提供了更可靠、更高精度的预测方法。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
朱海燕， 龚丁， 张兵. 致密砂岩气储层多尺度“地质—工程”双甜点评价新方法［J］. 天然气工业， 2023， 43（6）： 76-86.

ZHU H Y， GONG D， ZHANG B. A multi-scale geology-engineering sweet spot evaluation method for tight sandstone gas reservoirs［J］. Natural Gas Industry，2023，43（6）：76-86.

[2]
郭建春， 路千里， 刘壮， 等. “多尺度高密度”压裂技术理念与关键技术——以川西地区致密砂岩气为例［J］. 天然气工业， 2023， 43（2）： 67-76.

GUO J C， LU Q L， LIU Z， et al. Concept and key technology of “multi-scale high-density” fracturing technology：A case study of tight sandstone gas reservoirs in the western Sichuan Basin［J］. Natural Gas Industry，2023，43（2）：67-76.

[3]
强贤宇， 侯大力， 向雪妮， 等. 一种新的多因素压裂水平井产能评价方法［J］. 科学技术与工程， 2023， 23（10）： 4168-4175.

QIANG X Y，HOU D L，XIANG X N，et al.A new multi-factor fractured horizontal well capacity evaluation method［J］.Science Technology and Engineering，2023，23（10）：4168-4175.

[4]
ZHANG Q G， YAN Y X， LI W T， et al. A mathematical model for predicting the productivity of fractured horizontal wells of tight sandstone gas：A case study in the Sulige gas field［J］.Natural Gas Industry B， 2024，11（2）： 170-184.

[5]
王丹群， 李治平， 毛得雷. 基于神经网络模型的致密气藏分段压裂井产能预测［J］. 科学技术与工程， 2023， 23（1）： 189-197.

WANG D Q， LI Z P， MAO D L. Productivity prediction of staged fractured wells in tight gas reservoir based on neural network model［J］.Science Technology and Engineering，2023，23（1）：189-197.

[6]
王泽川， 田冷， 李进步， 等. 基于低速非达西渗流的致密气井储量动用评价模型［J］.天然气地球科学，2025，36（6）：1000-1011.

WANG Z C， TIAN L， LI J B， et al. Reserve utilization evaluation model for tight gas well based on low-velocity non Darcy seepage［J］.Natural Gas Geoscience，2025，36（6）：1000-1011.

[7]
翟雨阳， 温声明， 彭宏钊， 等. 数字模拟技术在鄂尔多斯盆地煤层气区块的应用［J］. 天然气工业， 2018， 38（S1）： 70-73.

ZHAI Y Y， WEN S M， PENG H Z， et al. Application of digital simulation technology in coalbed methane block of Ordos Basin［J］. Natural Gas Industry， 2018， 38 （S1）： 70-73.

[8]
韩鸿来， 刘之的， 张志强， 等. 基于测井曲线包络面积预测油气藏产能［J］. 科学技术与工程， 2024， 24（15）： 6254-6262.

HAN H L，LIU Z D，ZHANG Z Q，et al.Reservoir productivity prediction based on envelope area of logging curve［J］.Science Technology and Engineering， 2024， 24 （15）： 6254-6262.

[9]
冯沙沙， 王坤， 谢明英， 等. 基于测井曲线考虑纵向级差的海上重质油油藏产能预测新方法［J］. 特种油气藏， 2024， 31（2）： 136-142.

FENG S S， WANG K， XIE M Y， et al. A new method for productivity prediction of offshore heavy oil reservoirs based on logging curves considering longitudinal permeability ratio［J］. Special Oil & Gas Reservoirs， 2024， 31（2）： 136-142.

[10]
印森林， 程乐利， 刘子雄， 等. 基于测录井曲线的致密砂岩储层产能评价方法［J］. 天然气地球科学， 2018， 29（11）： 1627-1638.

YIN S L， CHENG L L， LIU Z X， et al. Evaluation of production capacity to tight sandstone reservoir based on logging and mud logging curve［J］. Natural Gas Geoscience， 2018， 29（11）： 1627-1638.

[11]
卢聪， 罗扬， 郭建春， 等. 融合物理约束的压裂水平井产能智能预测框架构建与应用［J］. 天然气工业， 2024， 44（9）： 99-107.

LU C， LUO Y， GUO J C， et al. Establishment and application of an intelligent productivity prediction framework for fractured horizontal wells with physical constraints［J］.Natural Gas Industry，2024， 44（9）： 99-107.

[12]
YE F， LI X B， ZHANG N， et al. Prediction of single-well production rate after hydraulic fracturing in unconventional gas reservoirs based on ensemble learning model［J］. Processes， 2024， 12（6）： 1194.

[13]
YU J， ZHU L Q， QIN R B， et al. Combining k-means clustering and random forest to evaluate the gas content of coalbed bed methane reservoirs［J］. Geofluids， 2021， 9321565.

[14]
YANG T， TANG H， WANG M， et al. Prediction of total gas content in low-resistance shale reservoirs via models fusion：Taking the Changning shale gas field in the Sichuan Basin as an example［J］. Geoenergy Science and Engineering， 2024， 235： 212698.

[15]
马文礼， 李治平， 孙玉平， 等. 基于机器学习的页岩气产能非确定性预测方法研究［J］. 特种油气藏， 2019， 26（2）： 101-1055.

MA W L， LI Z P， SUN Y P， et al. Non-deterministic shale gas productivity forecast based on machine learning［J］.Special Oil & Gas Reservoirs， 2019， 26（2）： 101-105.

[16]
LIU X J， ZHANG T Y， YANG H Y， et al. Explainable machine learning-based method for fracturing prediction of horizontal shale oil wells［J］. Processes， 2023， 11（9）： 2520.

[17]
樊冬艳， 杨灿， 孙海， 等. 基于时间序列相似性与机器学习方法的页岩气井产量预测［J］. 中国石油大学学报（自然科学版）， 2024， 48（3）： 119-126.

FAN D Y， YANG C， SUN H， et al. Shale gas well production forecasting based on time sequence similarity and machine learning methods［J］.Journal of China University of Petroleum（Edition of Natural Science）， 2024， 48（3）： 119-126.

[18]
李文倚， 侯明雨， 全航， 等. 一种基于知识图谱和随机森林算法的致密气井产能预测方法［J］. 特种油气藏， 2024， 31（5）： 77-84.

LI W Y，HOU M Y，QUAN H，et al.A productivity prediction method for tight gas wells based on knowledge graph and random forest algorithm［J］.Special Oil & Gas Reservoirs，2024，31（5）： 77-84.

[19]
任文希， 段又菁， 郭建春， 等. 物理—数据协同驱动的页岩气井产量预测方法［J］. 天然气工业， 2024， 44（9）： 127-139.

REN W X， DUAN Y Q， GUO J C， et al. Physics-informed data-driven shale gas well production prediction method［J］. Natural Gas Industry， 2024， 44（9）： 127-139.

[20]
YI J， CHEN X M， ZHOU W， et al. A multiple model framework based on time series clustering for shale gas well pressure prediction［J］. Journal of Natural Gas Science and Engineering， 2021， 95：104135.

[21]
NIU W T， LU J L， SUN Y P. Development of shale gas production prediction models based on machine learning using early data［J］.Engergy Reports， 2022， 8： 1229-1237.

[22]
TONG S K， WANG F Y， GAO H H， et al. A machine learning-based method for analyzing factors influencing production capacity and production forecasting in fractured tight oil reservoirs［J］. International Journal of Hydrogen Energy， 2024， 70： 136-145.

[23]
LI J H， JI L. Productivity forecast for multi-stage fracturing in shale gas wells based on a random forest algorithm［J］. Energy Sources Part A：Recovery Utilization and Environmental Effects， 2025， 47（1）： 2834-2843.

[24]
朱庆忠， 胡秋嘉， 杜海为， 等. 基于随机森林算法的煤层气直井产气量模型［J］. 煤炭学报， 2020， 45（8）： 2846-2855.

ZHU Q Z， HU Q J， DU H W，et al. Random forest algorithm based gas production model for coalbed methane direct wells［J］. Journal of China Coal Society， 2020， 45（8）： 2846-2855.

[25]
DU S Y， WANG M Z， YANG J S， et al. A novel prediction method for coalbed methane production capacity combined extreme gradient boosting with bayesian optimization［J］. Computational Geosciences， 2024， 28（5）： 781-790.

[26]
王林生，黄长兵，朱键，等.基于PSO-ELM的水平井自喷期“多段式”产量预测方法——以玛湖油田百口泉组致密砾岩油藏为例［J］.科学技术与工程，2023，23（5）：1931-1936.

WANG L S， HUANG C B， ZHU J，et al. PSO-ELM-based “multi-stage” production prediction method for horizontal wells during spontaneous blowout period：A case study of dense conglomerate reservoirs of Baikouquan Formation in Mashu Oilfield［J］.Science Technology and Engineering，2023，23（5）： 1931-1936.

[27]
MOMENI E， HE B， ABDI Y， et al. Novel hybrid xgboost model to forecast soil shear strength based on some soil index tests［J］. Computer Modeling in Engineering and Sciences， 2023， 136（3）： 2527-2550.

[28]
TIAN K M， KANG Z H， KANG Z J. A productivity prediction method of fracture-vuggy reservoirs based on the pso-bp neural network［J］. Energies， 2024， 17（14）：3482.

[29]
WANG M， ZHAO G， WANG S. Hybrid random forest models optimized by Sparrow Search Algorithm（SSA） and Harris hawk optimization algorithm （HHO） for slope stability prediction［J］. Transportation Geotechnics， 2024， 48： 101305

[30]
XU B， TAN Y C， SUN W B，et al. Study on the prediction of the uniaxial compressive strength of rock based on the ssa-xgboost model［J］.Sustainability， 2023， 15（6）： 5201.

[31]
赵伟波， 黄道军， 王康乐， 等. 鄂尔多斯盆地青石峁气田成藏条件及勘探开发关键技术［J］. 石油学报， 2023， 44（10）： 1739-1754.

ZHAO W B， HUANG D J， WANG K L，et al. Accumulation condition sand key technologies of exploration and development for Qingshimao Gas Field in Ordos Basin［J］.Acta Petrolei Sinica， 2023， 48（10）： 1739-1754.

[32]
刘之的， 刘天定， 郝晋美， 等. 鄂尔多斯盆地青石峁地区盒8段含水气藏产水主控因素剖析及水气比测井预测［J］. 天然气地球科学， 2025， 36（5）： 761-772.

LIU Z D， LIU T D， HAO J M， et al. Analysis of the main controlling factors for water production and prediction of water gas ratio using logging data in the He 8 aquifer reservoir in the Qingshimao area，Ordos Basin［J］.Natural Gas Geoscience，2025，36（5）： 761-772.

[33]
胡维强， 赵婧舟， 李军， 等. 鄂尔多斯盆地西南部上古生界烃源岩特征及其对天然气藏形成与分布的控制作用［J］. 天然气地球科学， 2015， 26（6）： 1068-1075.

HU W Q， ZHAO J Z， LI J， et al. Characteristics of source rocks and its controls on the formation and distribution of gas from Upper Paleozoic in Southwest Ordos Basin［J］. Natural Gas Geoscience， 2015， 26（6）： 1068-1075.

[34]
李亚辉， 刘钰铭， 宋文强， 等. 鄂尔多斯盆地杭锦旗地区盒1段致密气藏储层特征及分类评价［J］. 天然气地球科学， 2025， 36（4）： 567-579.

LI Y H， LIU Y M， SONG W Q， et al. Characteristics and classification evaluation of tight gas reservoirs of He 1 Member in Hangjinqi area， Ordos Basin［J］. Natural Gas Geoscience， 2025， 36（4）： 567-579.

[35]
沈赋， 张微， 徐潇源， 等. 基于随机森林和最大互信息系数关键特征选择的配电网拓扑辨识研究［J］. 电力系统保护与控制， 2024， 52（17）： 1-11.

SHEN F， ZHANG W， XU X Y， et al. Topological identification of distribution networks based on key feature selection using RF and MIC［J］. Power System Protection and Control， 2024， 52（17）： 1-11.

[36]
肖思奇， 黄科锋， 周红波. 基于动三轴试验的软黏土软化系数的分析与预测［J］. 岩土力学， 2024， 45（S1）： 133-146.

XIAO S Q，HUANG K F，ZHONG H B. Prediction and statisti-cal analysis of softening index of soft clay based on dynamic triaxial test［J］.Rock and Soil Mechanics，2024，45（S1）：133-146.

[37]
潘元， 王永辉， 车明光， 等. 基于灰色关联投影随机森林算法的水平井压后产能预测及压裂参数优化［J］. 西安石油大学学报（自然科学版）， 2021， 36（5）： 71-76.

PAN Y， WANG Y H， CHE M G， et al. Post-fracturing production prediction and fracturing parameter optimization of horizontal wells based on grey relational projection random forest algorithm［J］. Journal of Xi'an Shiyou University（Natural Science Edition）， 2021， 36（5）： 71-76.

[38]
郎建翔， 汤洪志， 艾寒冰. 改进麻雀搜索算法的自然电位数据反演［J］. 煤田地质与勘探， 2023， 51（3）： 143-152.

LANG J X， TANG H Z， AI H B. Inversion of self-potential data based on improved sparrow search algorithm［J］.Coal Geology & Exploration， 2023， 51（3）： 143-152.

[39]
马飞燕， 李向新. 基于改进麻雀搜索算法-核极限学习机耦合算法的滑坡位移预测模型［J］. 科学技术与工程， 2022， 22（5）： 1786-1793.

MA F Y， LI X X. Landslide displacement prediction model using improved ssa-kelm coupling algorithm［J］. Science Technology and Engineering， 2022， 22（5）： 1786-1793.

[40]
黄晓红， 刘晓辰， 刘艳丽， 等. 便携式LIBS结合SSA-KELM的废钢成分定量分析方法［J］. 光谱学与光谱分析， 2024， 44（9）： 2412-2419.

HUANG X H， LIU X C， LIU Y L，et al. Element detection in scrap steel using protable libs and sparrow search alogrithm-kernel extreme learing machine （SSA-KELM）［J］. Spectroscory and Spectral Analysis， 2024， 44（9） ： 2412-2419.

[41]
陈颖， 刘峥莹， 肖春艳， 等. 基于麻雀搜索算法的土壤重金属X射线荧光光谱重叠峰解析［J］. 光谱学与光谱分析， 2021， 41（7）： 2175-2180.

CHEN Y， LIU Z Y， XIAO C Y， et al. Overlapping peak analysis of soil heavy metal x-ray fluorescence spectra based on sparrow search alogorithm［J］. Spectroscory and Spectral Analysis， 2021， 41（7）： 2175-2180.

Options
文章导航

/

〈 〉

陇ICP备2021001824号-7　 甘公网安备 62010202000678号
版权所有 © 《天然气地球科学》编辑部
地址：甘肃省兰州市天水中路8号　
邮编：730000　
电话：(0931)8277790　
E-mail：geogas@lzb.ac.cn
总访问量 　 今日访问 　 在线人数
技术支持：北京玛格泰克科技发展有限公司