0 引言
相较于常规油气储集层压裂或直井压裂，非常规油气储集层水平井压裂具有泄油/气面积大、单井产量高、储量动用程度高等优点[5]。但受储集层非均质性、天然裂缝发育情况和现场施工条件等多因素综合影响，非常规油气储集层水平井压裂不同井、不同段、不同层压裂改造往往存在较大差异。非常规油气储集层单井压裂段数多、每段压裂阶段多、压裂数据体量巨大等原因也导致压裂过程涉及事件类型多样、复杂性强[6-7]，地面压力、排量等数据动态变化且不连续，压裂施工曲线波动明显、蕴含大量信息无法充分解读、多类型复杂事件难以有效识别。多位学者认为，准确高效识别压裂过程各类型事件是保证水平井不同压裂层段压裂效率与质量的关键基础[8⇓⇓-11]。传统压裂事件识别方法主要包括人工判断、建立压裂学习曲线和压裂过程数值模拟等。人工判断方法简捷高效，但现场实际压裂多达上千段，每段压裂多达上万个数据点，这将导致个人经验难以充分发挥，严重降低事件识别效率，识别精度难以保证。众多学者通过建立压裂学习曲线完善非常规油气储集层压裂技术、优化压裂工艺[12-13]，但学习曲线建立周期时间长，所需经验量大，事件学习和识别极大依赖前期经验积累和操作者熟练程度，识别精度和效率都有待提高。基于数值模拟方法所建立的理论模型复杂、计算过程耗时冗长且需要不断调参，具有极大随机性，事件识别效率有限[14⇓-16]。可见，目前常用方法都难以兼顾压裂过程多类型事件识别效率和精度，亟需建立有效的压裂事件智能识别方法，提高识别效率与精度。
国内外基于大数据分析、机器学习等方法开发了多种压裂风险智能预警系统：①通过分析压裂施工参数特征搭建压裂井数据库，利用神经网络算法建立压裂风险预警模型，从大量已有的事故监测数据中训练模型，对当前时刻或未来时刻的压裂工况做出风险预测，其中对砂堵风险预警的研究尤为突出[17⇓⇓-20]；②基于专家经验构建由套管变形引起的异常压力数据集，利用随机森林算法建立压裂风险分类模型，对比分析实时压力数据与异常压力数据之间的相似性，诊断套管变形事件，计算事件发生概率[21]；③将风险表征参数融入到贝叶斯网络中，建立基于贝叶斯网络的安全预警模型，预测压裂过程中井下发生故障的概率，量化各类故障的风险表征参数，实现基于概率分布的压裂作业井下故障预测[22]。但整体上看，目前针对压裂不同类型事件的智能实时预警方法研究仍处于起步阶段，亟需建立高效精准的压裂过程各类型事件实时预警方法，实现各类型事件的提前预警，确保水平井压裂施工高效进行。
1 水平井多级压裂施工过程多类型事件
本文建立的水平井压裂过程多类型事件智能识别与实时预警方法框架如图1 所示，由3种不同模型并列组合而成。首先，基于带注意力机制的双向长短期记忆神经网络（Att-BiLSTM），耦合宽度学习系统（BLS）[29]节点结构与反向传播神经网络（BP），建立了压裂过程“点”类事件识别模型，智能识别压裂开始/结束、地层破裂、瞬时停泵等事件。然后，基于压力和排量曲线图，利用Unet++网络，建立了压裂过程“阶段”类事件识别模型，实现泵球、前置酸降压、暂堵压裂和砂堵等事件的智能识别。最后，基于Att-BiLSTM神经网络，构建压裂过程压力实时预测模型，并将压力预测数据作为上述两种识别模型的输入，实现压裂过程多类型事件智能识别与实时预警。
本文以四川盆地某区块页岩气田为例进行研究，该区块页岩气储集层非均质性强，具有显著的低孔低渗特征。经过多年技术攻关，水平井压裂技术已成为该区块实现页岩气效益开发的关键技术。但受储集层层理缝/天然裂缝发育、邻井改造、井间压窜、井间应力干扰、钻井污染、套管变形等多因素影响，该区块不同井的不同层段改造难点具有显著差异，每口井不同层段压裂施工方案复杂多样，单井压裂段数最高超30段、压裂数据点数量达数十万，人工手动识别该区块水平井压裂过程多种复杂事件费时费力、精确度不高，且无法实现实时预警。为此，基于该区块水平井200段压裂施工数据与报告，选取压裂生产过程发生较为频繁的7类典型事件作为主要研究对象，分析建立压裂过程多类型事件样本数据库。该数据库共包含时间戳数量约3.00×106个，7类典型事件出现次数为：泵球134次，暂堵压裂42次，压裂开始/结束200次，地层破裂200次，瞬时停泵200次，前置酸降压68次，砂堵26次。综合考虑不同事件具体特征，将7类事件分为压裂过程“点”类事件（包括压裂开始/结束、地层破裂、瞬时停泵）和“阶段”类事件（包括泵球、暂堵压裂、前置酸降压、砂堵）。
1.1 压裂过程“点”类事件
此类事件发生在压裂过程中的某一时刻，不存在时间的持续性，在压裂施工曲线上的表征只与某一时刻对应，主要包括压裂开始/结束、地层破裂、瞬时停泵（见图2 ）。
压裂开始时间与结束时间主要用于确定压裂过程时间范围，并用于计算压裂过程平均压力、最大压力、泵注排量、砂浓度、累计液量、泵注时间等典型数据。
破裂压力是地层压力监测的一项重要内容，对压力极限、水力裂缝形态的推断具有重要作用，是指导压裂设计和优化调控的重要参数[30]。
瞬时停泵压力是最终泵压与压降之间的差值，可用于计算分析裂缝最小延伸压力，同时反映地应力大小，估算最小水平主应力上限值，而地层最小水平主应力则直接影响裂缝形态[31]。
因此，准确识别压裂开始/结束、地层破裂和瞬时停泵等事件有助于提高对储集层和压裂过程的认识。
1.2 压裂过程“阶段”类事件
此类事件与“点”类事件不同，时间上具有持续性，在压裂施工曲线上的表征与一段时间对应，主要包括泵球、暂堵压裂、前置酸降压、砂堵（见图3 ）。
在桥塞分段压裂中，当压裂球到达球座表面时井筒压力上升并与孔眼形成压力差，迫使孔眼向四周扩展，压裂阶段开始。准确识别压裂球泵送事件，是施工数据分析的一项重要任务。
若套管发生形变无法泵送桥塞到达设计位置，压裂前期无法通过压裂球建立排量，则采用暂堵压裂技术进行套变点以下层段压裂，提高簇间改造均匀程度和施工时效，控制排量和施工压力防止套变加剧[32]。
压裂前期泵注盐酸进行预处理可以有效缓解近井地层钻井污染和射孔伤害，降低破裂压力和初期施工泵压，重新建立排量[33]。
砂堵会对生产造成巨大危害，迫使作业公司延迟开展后续压裂操作，增添额外成本，且需要作业公司为砂堵导致的隐患进行长期诊断及处理[34]。
因此，准确识别泵球、暂堵压裂、前置酸预处理和砂堵事件，有利于提高施工人员判断能力，提高后续压裂操作决策效率。
2 压裂过程“点”类事件识别
针对人工识别压裂事件耗时耗力、标记质量参差不齐等问题，本文基于深度学习方法，构建了压裂过程“点”类事件识别模型，旨在自动化识别压裂过程中压裂开始/结束、地层破裂、瞬时停泵等事件。
2.1 压裂“点”类事件数据样本处理
压裂过程各类型事件发生时，施工压力与排量曲线通常会有不同响应。因此以压力和排量参数为主，根据（1）—（3）式分别利用大小为5、10、15的计算步长，根据不同事件数据特征，对原始参数求均值、离差、平均变化率等，获得扩展参数。所需全部输入参数如表1 所示。
表1 模型输入参数 |
| 参数名称 | 参数单位 | 参数类别 |
|---|---|---|
| 时间 | s | 原始参数 |
| 压力 | MPa | 原始参数 |
| 排量 | m3/s | 原始参数 |
| 压力均值$\overline{f}\left| _{p} \right.$ | MPa | 扩展参数 |
| 排量均值$\overline{f}\left| _{q} \right.$ | m3/s | 扩展参数 |
| 压力离差$d\left| _{p} \right.$ | MPa | 扩展参数 |
| 排量离差$d\left| _{q} \right.$ | m3/s | 扩展参数 |
| j=5时的压力平均变化率$\frac{\Delta f}{\Delta t}\left| _{p,5} \right.$ | MPa/s | 扩展参数 |
| j=5时的排量平均变化率$\frac{\Delta f}{\Delta t}\left| _{q,5} \right.$ | m3/s2 | 扩展参数 |
| j=10时的压力平均变化率$\frac{\Delta f}{\Delta t}\left| _{p,10} \right.$ | MPa/s | 扩展参数 |
| j=10时的排量平均变化率$\frac{\Delta f}{\Delta t}\left| _{q,10} \right.$ | m3/s2 | 扩展参数 |
| j=15时的压力平均变化率$\frac{\Delta f}{\Delta t}\left| _{p,15} \right.$ | MPa/s | 扩展参数 |
| j=15时的排量平均变化率$\frac{\Delta f}{\Delta t}\left| _{q,15} \right.$ | m3/s2 | 扩展参数 |
$\frac{\Delta f}{\Delta t}=\left\{ \begin{matrix} & \begin{matrix} {} & {} \\ \end{matrix}0\begin{matrix} \begin{matrix} \begin{matrix} {} & {} \\ \end{matrix} & {} \\ \end{matrix} & {} & \text{ }i=1 \\ \end{matrix} \\ & \frac{f({{t}_{i}})-f({{t}_{1}})}{{{t}_{i}}-{{t}_{1}}}\begin{matrix} {} & {} \\ \end{matrix}\text{ }1ij \\ & \begin{matrix} \begin{matrix} \frac{f({{t}_{i}})-f({{t}_{i-j+1}})}{{{t}_{i}}-{{t}_{i-j+1}}} & {} \\ \end{matrix} & {} \\ \end{matrix}ji\le N \\ \end{matrix} \right.$
$\overline{f({{t}_{i}})}=\left\{ \begin{matrix} & f({{t}_{1}})\begin{matrix} {} & {} & {} & \begin{matrix} {} & {} & i=1 \\ \end{matrix} \\ \end{matrix} \\ & \overline{f({{t}_{i}})}\begin{matrix} \begin{matrix} {} & {} & {} \\ \end{matrix} & {} & {} & 1i\le N \\ \end{matrix} \\ \end{matrix} \right.$
$d({{t}_{i}})=\left\{ \begin{matrix} & \begin{matrix} {} & {} \\ \end{matrix}0\begin{matrix} {} & \begin{matrix} \begin{matrix} {} & {} \\ \end{matrix} & {} & {} \\ \end{matrix}\begin{matrix} {} & i=1 \\ \end{matrix} \\ \end{matrix} \\ & f({{t}_{i}})-\overline{f({{t}_{i}})}\begin{matrix} \begin{matrix} \begin{matrix} {} & {} \\ \end{matrix} & {} \\ \end{matrix} & 1i\le N \\ \end{matrix} \\ \end{matrix} \right.$
将压裂开始时间之前、压裂开始时间—地层破裂时间、地层破裂时间—压裂结束时间、压裂结束时间—瞬时停泵时间、瞬时停泵时间之后这5个时间段分类为0，1，2，3，0，据此手动标记施工数据时间戳，即压裂事件识别模型通过搜索标签0，1，2，3来识别各类事件。利用大小为35的均值滤波器平滑处理各类参数，降低数据噪声。采用标准化技术StandardScaler函数消除奇异样本数据导致的不良影响，加快计算。然后，基于压裂施工时间利用大小为15的采样滑动窗口进行数据采样。如图4 所示，滑动窗口采样是以时间特征增加方向作为移动方向，以1 s作为移动步长，对窗口内数据进行采样构成样本矩阵xi，同时将样本矩阵最后1行数据所对应的类别yi作为当前样本矩阵的类别，从而构成1个样本点(xi，yi)，其中样本矩阵xi是模型的输入，yi是样本矩阵xi对应的真实类别。利用所有样本点组成“点”类事件数据集，并按照9∶1的比例随机划分为训练集和测试集。
2.2 压裂“点”类事件模型搭建
以Att-BiLSTM网络模型为基础，创新构建压裂过程“点”类事件识别模型，具体构建流程如图5 所示。
压裂过程“点”类事件识别模型主要包含BP-BLS网络结构与Att-BiLSTM网络结构。BP-BLS结构利用2个隐藏层神经元分别为13和26的BP网络生成/更新输入矩阵的权值，即生成1个特征节点和1个增强节点，再将原始输入矩阵与2个节点拼接作为最终输出，不仅保证了数据信息的完整性，而且增强了原始输入中的有效信息。Att-BiLSTM结构主要由具有128个神经元的双向长短期记忆神经网络（BiLSTM）与注意力机制层组成。前者通过拼接长短期记忆神经网络（LSTM）中的正向和反向输出，解决了传统LSTM无法从后到前编码信息的缺点，极大地避免了数据中有效信息的遗漏；后者将输入数据经过非线性激活函数激活后，利用加权求和的软性注意力方法从所获得的数据中自动抽取对识别有决定性影响的信息。
2.3 压裂“点”事件模型识别效果
①模型训练。模型输入数据维度为15×13，迭代次数为100次，1次训练所抓取的数据样本数（Batch_size）为1 050，学习率为0.000 1，学习率下降率为0.92。
②模型评价。利用交叉熵损失函数（Cross Entropy Loss）计算预测分类与目标分类之间的误差，并用时间戳准确度衡量模型精度。结果表明，损失函数相对误差小于3%（见图6 ），模型精度超97%（见图7 ）。
③输出分类结果转换。0→1（压裂开始）输出为80，1→2（地层破裂）输出为90，2→3（压裂结束）输出为70，3→0（瞬时停泵）输出为60，其余情况输出为零。识别效果如图8 所示。
3 压裂过程“阶段”类事件识别
与“点”事件不同，压裂过程泵球、暂堵压裂、前置酸降压和砂堵等事件是以时间段为主的事件，每个事件的开始（或结束）都具有特殊含义，精准识别“阶段”类事件极其重要，为此本文建立了基于压力-排量曲线图的压裂过程“阶段”类事件智能识别模型。
3.1 压裂“阶段”类事件数据样本处理
将施工数据中压力和排量重构为曲线图作为模型输入数据，其中每个曲线图分配一个或几个颜色不同的“掩码”以提示相应事件发生的时间段。如图3 所示，粉色代表泵球事件，虚线表示压裂球作用在球座上；绿色代表暂堵压裂事件，虚线表示暂堵材料发挥作用；蓝色代表前置酸降压事件，虚线表示压力下降到极限；黄色代表砂堵事件，虚线表示砂堵开始。模型通过在压力、排量曲线图上分配不同掩码识别相应事件。将所有曲线图按照9∶1的比例随机划分为训练集和测试集，数据集中暂堵压裂与砂堵事件较少，利用数据增强技术扩充样本总量，增强各事件特征。
3.2 压裂“阶段”类事件模型搭建
利用Unet++网络[35]实现泵球、暂堵压裂、前置酸降压、砂堵等类型事件智能识别，模型建立流程如图9 所示。Unet++网络结构主要分为：①编码下采样结构，通过卷积和池化两种操作，实现压力、排量曲线图的特征提取与降维；②解码上采样结构，通过反卷积和卷积操作，恢复曲线图原始维度，保证输入输出曲线图大小一致；③跳跃连接结构，利用编码下采样各阶段特征图，减少曲线图重要特征的丢失。Unet++网络利用跳跃拼接结构可以在计算过程中提取之前的结果信息特征，并采用特征叠加的方式实现信息融合，有效避免了计算过程中特征图重要信息的丢失，提高了识别精度。
3.3 压裂“阶段”类事件模型识别效果
①模型训练。模型输入数据维度为256×256，迭代次数为2 000次，Batch_size为10，最大学习率为0.000 1，最小学习率为最大学习率乘以0.01，采用cos学习率下降法，根据Batch_size自适应调节学习率。
②模型评价。基于训练集和测试集，利用多分类F1分数和交叉熵损失函数评价模型精度，其中F1分数为精确率和召回率的调和平均数，多分类F1分数是所有类别F1分数的算术平均值。
③识别效果。训练集与测试集多分类F1分数平均值达0.98，交叉熵损失函数相对误差小于0.2%（见图10 ），模型评价较好。考虑掩码边缘识别结果锯齿化严重，利用不同判断阈值（泵球事件70%，其他事件50%），自动弱化掩码周边锯齿形状（见图11 ）。
4 压裂过程多类型事件实时预警
考虑压裂作业复杂性，现场操作人员通常需要及时处理各类事件可能导致的问题，然而各类事件发生反馈具有一定延迟性，容易造成事件处理不及时。因此，有必要进行压裂作业中多类型事件的提前预警判别，提高压裂过程事件的预判能力。
4.1 压裂事件实时预警数据样本处理
压力变化是压裂过程各类型事件判识的重要依据。研究表明，压力异常与施工条件、地质因素、压裂设施有直接关系，压力变化通常伴随着排量、支撑剂浓度等参数变化[36]。因此，实现压裂事件实时预警首先需要提前判断压力变化趋势，进而根据压裂事件识别模型实时预警事件发生情况。
利用Att-BiLSTM神经网络建立压裂过程压力实时预测模型，模型输入参数同表1 ，包含13类特征，输出参数为压力，采用均值滤波器和归一化技术MinMaxScaler函数实现数据预处理，利用最大和最小压力将压力归一化（压力与最小压力之差，除以最大最小压力之差，得到归一化压力），提高模型收敛速度。采用大小为60的滑动窗口完成输入数据采样，并将采样数据按照9∶1的比例随机划分为训练集和测试集。
4.2 压裂过程压力实时预测模型搭建
压裂过程压力实时预测模型搭建流程如图12 所示。利用前60 s数据自动生成后30 s压力数据，提前预判压力变化。Att-BiLSTM结构内嵌的LSTM网络具有1层隐藏层、64个神经元。
4.3 压裂过程压力实时预测模型预测效果
①模型训练及评价。模型输入数据维度为60×13，迭代次数为300次，Batch_size为50，优化器为Adam优化器，学习率为0.000 1。模型损失函数相对误差小于2%（见图13 ）。
②数据后处理。利用大小为5的均值滤波器对每个时间步压力预测数据进行后处理。图14 为压裂施工第100 s、第570 s时刻预测的后30 s压力值与真实值间吻合度，压力预测准确度达97%以上。
4.4 压裂过程多类型事件实时预警模型
基于原始压裂施工数据进行压力实时预测，并分别利用扩展参数和压力-排量图进行“点”类和“阶段”类事件识别，建立压裂过程多类型事件实时预警模型，搭建流程如图15 所示。
将上述模型和方法应用于四川盆地某区块页岩气水平井压裂施工事件诊断，该水平井共压裂25段，包含压裂开始/结束25次、泵球24次、暂堵压裂10次、地层破裂25次、瞬时停泵25次、砂堵6次。若“点”类事件预测发生时间与实际发生时间误差小于30 s，则视为正确识别；“阶段”类事件识别以各事件是否被赋予正确颜色掩码为标准。不同事件识别结果如表2 所示，各类型事件识别准确率均高于92%。此外，“点”类事件识别结果中234 871个时间戳平均识别精度达98.78%。图16 为第2段压裂过程中压力实时预测结果及“点”类事件实时识别结果，图17 为第5段与第19段压裂过程中“阶段”类事件识别结果，压力预测值准确率达96%，“点”类事件预警准确度达97%，“阶段”类事件预警识别准确度达100%。
5 结论
综合页岩气水平井200段压裂施工数据与报告分析，根据不同类型事件特征，建立了多级水平井压裂过程多类型复杂事件智能识别与实时预警方法。采用该方法可以智能识别压裂过程开始/结束、地层破裂、瞬时停泵等“点”类事件，以及泵球、前置酸降压、砂堵、暂堵压裂等“阶段”类事件，还可以实时预测压裂过程压力变化。该方法可大幅提高压裂事件智能识别效率与精度，实现压裂全过程事件有效预警。
符号注释：
d(ti)——离差，即ti时刻参数数据与前i个时间点参数平均值的差；f(t1)——初始时刻的参数数据；f(ti)——ti时刻的参数数据；$\overline{f({{t}_{i}})}$——前i个时间点参数的平均值；$\frac{\Delta f}{\Delta t}$——在一定时间段内参数的平均变化率；i——时刻序号；j——时间步长，s；k——数据点个数为N的压裂段中样本点总数，k=N-j+1；N——一段压裂数据中数据点个数，若施工时间为1 000 s，即有1 000个数据点；p——压力，MPa；q——排量，m3/s；t1——压裂施工初始时刻；ti——压裂施工第i个时刻；xi——模型输入数据中的单个样本矩阵；yi——样本矩阵xi对应的真实类别。