基于机器学习的昭通地区浅层页岩气井经济效益预测与参数敏感性分析

《Frontiers in Earth Science》：Economic benefit forecasting and parametric sensitivity analysis for shallow shale gas wells in the Zhaotong area using machine learning

　　

在页岩气开发中，净现值（Net Present Value，NPV）和内部收益率（Internal Rate of Return，IRR）受多源地质与工程参数耦合影响，目前仍缺乏对关键参数边际效应与风险阈值的定量研究。研究人员构建了深度前馈神经网络预测模型，实现了19维特征到NPV与IRR的映射，并将训练后的模型作为数字代理模型开展单变量敏感性分析，量化了黏土含量、碳酸盐含量、有效孔隙度、泊松比、水平应力差和首年平均日产等参数对经济效益的边际影响。交叉验证结果表明，该模型对NPV预测的平均决定系数R²为0.6071（±0.0957），对IRR预测的平均R²为0.4168（±0.1294）。此外，研究识别出黏土含量30%、泊松比0.2和水平应力差17 MPa等经济风险阈值，与油田工程经验高度一致。基于SHAP的交互作用分析表明，这些阈值具有情境依赖性，黏土含量和水平应力差的交互效应约占其主效应的30%–32%。

### 研究背景与问题

页岩气作为全球能源转型的关键组成部分，其高效开发对保障能源安全具有战略意义。页岩气储层具有低孔隙度、低渗透率、强非均质性和复杂裂缝系统等固有地质属性，通常依赖水平钻井和大规模水力压裂等资本与技术密集型工程手段，因此单井开发面临高资本支出强度、大产量不确定性和复杂经济可行性评估等核心挑战。净现值（Net Present Value，NPV）和内部收益率（Internal Rate of Return，IRR）是经济效益评价的核心指标，不仅支撑单井投资决策，也是优化区块整体开发战略、制定政策和企业资本配置的基础。

尽管学术界在页岩气经济评价方面已取得一定进展，但传统方法存在两方面局限：其一，传统方法过度依赖基于简化物理假设的经验模型或计算成本高昂的数值模拟，难以捕捉地质参数、工程参数、生产表现与经济指标之间的高维非线性耦合关系；其二，传统工作流中产量预测、成本估算和经济评价通常是串行孤立的模块，无法为钻后快速经济评估和工程方案优化提供及时的参数扰动-经济效益响应反馈。此外，现有数据驱动应用多依赖完井后才可获得的工程参数（如压裂液量、支撑剂强度、簇间距），且多数止步于黑箱预测，缺乏面向工程决策的可解释性。因此，亟需一个能够整合早期地质力学特征与后期工程参数、兼具高精度预测与快速钻后评估能力的统一框架。

### 研究内容与意义

针对上述需求，本研究提出了一种集成预测-分析框架。研究人员基于昭通地区某页岩气区块（目标层位为龙马溪组浅层页岩气储层，该区块处于大规模商业开发阶段）的48口水平井数据，构建了深度前馈神经网络（Deep Feedforward Neural Network，DFNN）模型，实现19维地质工程特征到NPV和IRR的映射；随后将训练好的模型作为数字代理模型，开展系统的单变量敏感性分析，量化了关键参数对经济效益的边际影响，并识别出具有经济意义的风险阈值。该研究的主要贡献在于为页岩气开发中既有工程经验法则（如黏土含量不宜过高、应力差不宜过大）提供了定量的经济校准，将定性认识转化为钻后评估、压裂设计改进和风险管理的可量化决策准则。论文发表在《Frontiers in Earth Science》。

### 关键技术方法

研究人员从昭通地区筛选了48口已进入产量递减阶段且具备完整钻井-压裂-生产数据闭环的水平井作为研究样本。主要技术方法包括：（1）采用中位数填补缺失值，利用四分位距（Interquartile Range，IQR）方法检测异常值并采用缩尾（winsorization）处理；（2）采用最小-最大归一化消除特征量纲差异；（3）构建含3至4个隐藏层的DFNN模型，使用ReLU激活函数、Adam优化器、均方误差（Mean Squared Error，MSE）损失函数，并引入L2正则化与Dropout缓解过拟合；（4）与决策树、K近邻、随机森林、支持向量机进行基准对比，通过5折交叉验证评估模型泛化能力；（5）基于训练后的DFNN代理模型，开展单变量（One-at-a-Time，OAT）敏感性分析和SHAP（SHapley Additive exPlanations）交互效应分析。

### 研究结果

#### 数据特征分析

数据集中输入特征总体缺失率约为1%，缺失值分散于不同井，无整行或整列完全缺失，采用中位数填补。利用IQR方法（k=1.5）检测温和异常值并进行缩尾处理后，数据集中不再存在极端异常值，为后续建模提供了质量保障。

#### 模型选择与性能评估

通过系统超参数搜索对五种候选模型进行评估，DFNN在NPV和IRR预测上均取得最高R²，其中NPV的5折交叉验证平均R²为0.6071（±0.0957），IRR为0.4168（±0.1294）。支持向量机（Support Vector Machine，SVM）在两项指标上均排名第二，决策树对NPV的R²为负值，表现较差。训练损失曲线显示，NPV模型的训练与验证损失保持紧密对齐，稳定性良好；IRR模型后期训练损失有高频波动但验证损失平稳下降，未出现严重过拟合。尽管样本量有限，DFNN在该任务中仍优于传统机器学习模型，适合作为后续敏感性分析的代理模型。

#### 敏感性分析与工程发现

**储层矿物学特征。** 单变量敏感性分析显示，NPV与黏土含量呈显著负相关：当黏土含量低于15%时NPV保持高值且波动较小；随着黏土含量继续增加，NPV加速下降。在基线平均条件下，黏土含量达到约30%时，模型预测NPV降至接近零。该界限与油田现场公认的“30%黏土含量作为储层可压性经济截止值”的经验准则高度吻合。其工程机理在于，过高的黏土含量不仅增强岩石塑性，阻碍有效支撑复杂裂缝网络形成，还会在生产过程中诱发黏土颗粒迁移，导致裂缝导流能力锐减甚至丧失。碳酸盐含量同样对NPV产生负面影响，当碳酸盐含量超过约20%后其不利影响显著增强，在42%时NPV趋近于零。这是因为过高碳酸盐含量常伴随方解石等胶结作用，导致储层过度压实、微观孔喉结构劣化，降低储层有效储渗能力。

**储层岩石物理与力学性质。** 有效孔隙度与NPV呈现明显的正线性关系，孔隙度越高，单位岩石体积含气量越大，可动流体体积越多，初始产能和最终采收率越高，NPV随之稳步上升。这一结果从经济角度定量印证了“孔隙度决定资源丰度”的地质准则。泊松比敏感性分析揭示了对经济可行性的明确制约作用。泊松比越低，岩石脆性越高，越易形成复杂缝网；NPV随泊松比增大呈非线性下降，反映出高泊松比对应岩石塑性增强，显著削弱水力压裂改造效果。在基线条件下，泊松比达到约0.2时模型预测NPV骤降至接近零，该阈值可作为储层可压性和投资风险评估的力学基准。

**地应力与初期生产表现。** 水平应力差是控制裂缝形态的关键地质力学参数。当水平应力差低于10 MPa时，有利于复杂缝网形成，NPV保持较高水平；超过15 MPa后，缝网趋于平面简单化，改造体积（Stimulated Reservoir Volume，SRV）严重受限，NPV显著下降。当水平应力差达到约17 MPa时，模型预测NPV在基线条件下趋近于零，该值构成了区块内单井地应力风险经济评估的定量界限。首年平均日产与NPV呈现极强的正相关，曲线初始段梯度极陡，表明投产初期产量的微小提升即可带来显著的经济回报增长，凸显了通过优化钻井和压裂作业提高初期产量的核心价值。

#### SHAP交互效应分析

SHAP分析定量分解了各参数对经济效益的主效应与交互效应。结果显示，黏土含量和水平应力差的交互效应强度分别约占其主效应的30%和32%，表明OAT分析识别出的阈值并非普遍绝对的界限，而是平均储层条件下的基线基准。例如，在低总有机碳（Total Organic Carbon，TOC）井中黏土含量阈值应下调至约25%，而在高TOC井中可放宽至33%；在水平应力差大于15 MPa的高应力差条件下，泊松比需严格控制在0.18以下。这赋予既有工程经验法则以情境感知的动态属性。

### 结论与讨论

本研究构建了数据驱动的预测-模型引导分析智能评估框架，实现了页岩气单井经济效益的准确预测与关键影响因素的深度定量分析。研究的创新之处在于将训练好的预测模型转化为数字代理模型进行系统性参数敏感性分析，首次为30%黏土含量等既有工程经验阈值赋予了精确的经济量化标定，并揭示了泊松比0.2、水平应力差17 MPa等新的经济风险阈值。这些发现将传统定性认识转化为可量化、可操作的决策依据，明确了降本增效的方向和风险管理的具体界限。该框架可利用钻后早期可获取的地质与地质力学参数，模拟替代工程设计方案的经济后果，通过敏感性分析为压裂设计改进和风险管理提供指导，在地质/工程认识与投资决策之间建立了定量桥梁。