基于物理增强混合机器学习模型的压裂摩阻损失精准预测及其在储层改造优化中的应用

本综述提出了一种融合物理机制与数据驱动的混合模型，用于精准预测水力压裂过程中的摩阻压力损失（frictional pressure losses）。该模型整合流变实验（flow loop tests）与现场数据，通过随机森林（Random Forest）和物理信息深度神经网络（PDINN）实现井口压力（WHP）和总摩阻损失的高精度实时预测，显著提升压裂设计和地热增产（geothermal stimulation）的操作效率与可持续性。

　　

Highlights

• •

  开发了一种物理增强的混合模型，结合流变实验（flow loop tests）与现场数据，用于预测水力压裂中的总摩阻损失。

• •

  利用随机森林（Random Forest）算法对管道摩阻损失进行建模，平均绝对相对误差（AAR）仅为2.74%。

• •

  通过物理信息深度神经网络（PDINN）整合实验与现场参数，实现井口压力（WHP）和总摩阻损失的实时预测。

• •

  量化了近井筒摩阻损失（Near-Wellbore Friction Pressure, NWBFP），包括射孔摩阻和曲折效应（tortuosity）。

• •

  该框架适用于水力压裂和地热增产（geothermal stimulation），支持实时决策和可持续操作优化。

Introduction

水力压裂（Hydraulic Fracturing）仍然是非常规页岩储层和地热储层增产的核心技术。在压裂过程中，流体在套管和近井区域流动时会产生显著的摩阻压力损失，过高摩阻可能导致施工失败（screen-out）或效率下降。为优化摩阻剂（Friction Reducer, FR）的使用，需开展流变实验评估其减阻效果，并结合现场数据建立预测模型。

本研究提出了一种混合建模策略，将流变实验数据与多井压裂段现场数据结合，预测总摩阻损失。与以往研究不同，本模型涵盖了FR浓度、流量、支撑剂浓度、射孔几何（直径与密度）、地层特性等广泛参数，并拓展至地热应用领域。

Methodology

模型工作流分为两部分：首先通过流变实验评估不同FR类型、浓度和流速下的管道摩阻，使用随机森林建模预测；第二部分整合现场数据（包括排量、支撑剂浓度、射孔参数等），通过PDINN模型预测WHP和总摩阻损失。模型通过物理约束损失函数（physics-based loss）确保预测结果符合压力平衡方程：

总损失函数为：

?????? = ?{MSE} + λ ? ?{physics}

其中?{MSE}为预测WHP与实测值的均方误差，?{physics}用于强化方程（4）中的压力平衡关系，λ为超参数。

特征重要性分析显示，管道摩阻损失、垂深（TVD）、测深（MD）和瞬时关井压力（ISIP）对WHP预测影响最大，而FR浓度和支撑剂浓度影响较小。

Results

模型在测试集上表现良好，WHP预测的平均绝对相对误差（AARE）小于5%，总摩阻损失预测AARE小于9%。压力损失分布分析表明，管道摩阻占总损失的55%，射孔摩阻占8.64%，曲折摩阻（tortuosity）约占38%。该结果与特征重要性排序一致，证实了模型的可解释性与物理一致性。

Conclusion

本研究成功开发了一种融合物理机制与机器学习的混合模型，能够高精度预测压裂过程中的各类摩阻损失。该模型具备模块化、可拓展、可持续学习的特点，不仅适用于常规油气压裂，也可用于地热增产过程，为降低操作成本、提升能源提取效率及减少环境足迹提供了有力工具。