基于实验与现场数据的混合物理增强模型预测水力压裂摩阻压力损失及其在能源工程中的应用

本综述提出了一种混合物理增强预测模型，通过整合流变实验（flow loop tests）与现场压裂数据，精准预测水力压裂过程中的总摩阻压力损失（frictional pressure losses）。该模型结合机器学习（如Random Forest与DNN）与物理约束（如压力平衡方程），实现了对井口压力（WHP）、近井筒摩阻（NWBFP）和总摩阻损失的实时预测，适用于非常规油气与地热开发（geothermal/CCS），具有优化施工效率、降低资源消耗与环境影响的重要价值。

　　

Highlight

本研究开发了一种混合物理增强数据驱动模型，用于预测水力压裂过程中的摩阻压力损失。该模型整合了流变实验（flow loop tests）与多井压裂阶段现场数据，结合摩擦减阻剂（FR）类型、浓度、流速、射孔几何与地层特性等参数，通过随机森林（Random Forest）与物理约束深度神经网络（PDINN）实现井口压力（WHP）与总摩阻损失的高精度预测。模型验证显示预测与实测压力高度吻合，为压裂设计与实时决策提供可靠工具。

Introduction

水力压裂（fracking）是提高非常规储层与地热地层渗透率的关键技术。压裂过程中，流体在套管/油管内部及近井区域（射孔入口与地层曲折路径）产生显著摩阻压力损失，影响施工效率甚至导致砂堵（screen-out）。摩擦减阻剂（FR）常用于降低摩阻，但其优化需依赖大量流变实验与现场数据。本研究旨在通过混合建模方法，统一预测井筒与近井摩阻损失，提升压裂与地热刺激作业的设计与运行效率。

Methodology

模型分为两部分：首先通过流变实验数据建立随机森林模型预测井筒摩阻（pipe friction loss）；再结合现场参数（如排量、支撑剂浓度、射孔直径与数量、测量深度MD与垂深TVD等），通过PDINN预测WHP与总摩阻损失。物理约束损失函数（如公式4-7）确保模型符合压力平衡规律，提升预测的物理一致性与泛化能力。

Results and Discussion

特征重要性分析显示，井筒摩阻、TVD/MD与ISIP（瞬时关井压力）是影响WHP的主要因素。模型预测WHP的相对误差低于5%，总摩阻损失误差低于9%。压力损失分布分析表明，井筒摩阻占总损失的55%，射孔摩阻（perforation friction）占8.64%，地层曲折摩阻（tortuosity）占38%。该分布为压裂参数优化（如FR类型、射孔设计）提供了明确方向。

Conclusion

该混合模型成功整合实验与现场数据，实现了压裂摩阻损失的高精度预测与分解，适用于油气与地热领域。其模块化架构支持持续学习与扩展，有助于减少化学剂用量、降低能耗与表面占地，推动可持续压裂作业发展。