Im Prozess der fortlaufenden Erschließung von Schiefergaslagerstätten führen Fracking-Arbeiten neuer Bohrungen leicht zu Interferenzen mit benachbarten Bohrungen, was die Entwicklungseffizienz von alten und neuen Bohrungen erheblich beeinträchtigt. Derzeit fehlen jedoch quantitative, genaue und effektive Methoden zur Bewertung und Vorhersage des Risikos von Interferenzen zwischen Bohrungen, wodurch es schwierig ist, bei der Planung von Bohrungsverdichtungen Bereiche mit hoher Interferenzwahrscheinlichkeit wirksam zu umgehen. Daher wurde auf Grundlage von Methoden des maschinellen Lernens ein Modell zur Bewertung des Interferenzrisikos zwischen Schiefergasbohrungen erstellt, das eine quantitative Bewertung ermöglicht und die maximale Produktivität der Schiefergasbohrungen effektiv unterstützt. Zunächst wurden die wichtigsten Einflussfaktoren auf die Interferenz zwischen Bohrungen ausgewählt und eine Methode zur Datenverarbeitung entwickelt, die die Datenqualität verbessert und zur Bildung eines Modellierungsdatensatzes dient; anschließend wurde in Kombination mit dem K-Means-Clusteralgorithmus und der Spearman-Korrelationsanalyse ein Bewertungsmodell für das Interferenzrisiko zwischen Bohrungen entwickelt, das eine qualitative Bewertung des Interferenzgrads der betroffenen Bohrungen ermöglicht; schließlich wurde basierend auf den Ergebnissen des Risikobewertungsmodells in Kombination mit dem KNN-Klassifikationsalgorithmus ein Vorhersagemodell für das Interferenzrisiko erstellt, das eine quantitative Prognose des Interferenzrisikos für neue oder bislang nicht interferierende Bohrungen ermöglicht, wobei gleichzeitig der Einfluss der einzelnen Faktoren auf die Interferenz quantifiziert wurde. Die Ergebnisse zeigen, dass die Anteile der Bohrungen im Schiefergaslagerstätte X mit niedrigem, etwas niedrigem, mittlerem, etwas hohem und hohem Interferenzgrad jeweils 27,48 %, 30,39 %, 20,59 %, 16,67 % und 4,90 % betragen. Die Genauigkeit des Vorhersagemodells für das Interferenzrisiko beträgt 90,48 %, wobei der tägliche Gasproduktionsrate der Mutterbohrung vor der Interferenz den größten Einfluss auf die Interferenz hat. Im Vergleich zu traditionellen Datenverarbeitungsmethoden kann die in dieser Studie vorgeschlagene Datenverarbeitung die Modellgenauigkeit um 14,29 % verbessern und bietet somit eine verlässliche Methode zur quantitativen Vorhersage des Interferenzrisikos bei Schiefergasbohrungen.

Schiefergas;Interferenz zwischen Bohrungen;Risikoabschätzung und -prognose;maschinelles Lernen;K-Means-Clustering-Algorithmus;KNN-Klassifikationsalgorithmus