基于机器学习的压裂优化（压前）
基于机器学习的压裂优化（压前）
压裂工艺参数优化
前置液比 (%) | 施工排量 (m3/min) | 每米加砂强度 (m3) | 平均砂比 (%) | 米采液指数 (m3•d-1•MPa-1•m-1) | 产能提升 | |
实际施工 | 32.9 | 3.1 | 6.67 | 16.91 | 0.1663 | 59.8% |
优化后的施工 | 32.7 | 3.5 | 11.3 | 19.8 | 0.2657（预测值） |
优化模型结构是一样的
优化结果的分析及验证——施工参数
优化前后相似的前置液比基本能满足需求
适当增大的施工排量有利于压裂施工更好地造缝，实现更大的改造体积
加砂强度的增加会在一定程度上增加铺砂浓度，便于对已形成裂缝进行更好地支撑，有利于产出
AH2-1优化后的施工参数理论上会得到更好的裂缝形态和裂缝导流能力，能实现更好的压裂效果
很赞哦！ ( 0
)
