投稿网址:www．stae．com．cn2023年第23卷第5期2023，23(5):01923-08科学技术与工程ScienceTechnologyandEngineeringISSN1671—1815CN11—4688/T收稿日期:2022-05-10;修订日期:2022-11-11基金项目:国家科技重大专项(2016ZX05042，2016ZX05042_003)第一作者:郭大立(1967—)，男，汉族，四川成都人，硕士，教授，博士研究生导师。研究方向:微分方程的理论及应用、科学与工程计算理论及应用、压裂酸化增产技术等。E-mail:guodali@swpu．edu．cn。引用格式:郭大立，王玉基，张小栓，等．基于随钻测井数据预测破裂压力［J］．科学技术与工程，2023，23(5):1923-1930．GuoDali，WangYuji，ZhangXiaoshuan，etal．Predictionoffracturepressurebasedonlogging-while-drillingdata［J］．ScienceTechnologyandEngineering，2023，23(5):1923-1930．基于随钻测井数据预测破裂压力郭大立1，王玉基1，张小栓2，辛骅志2，康芸玮1(1．西南石油大学理学院，成都610500;2．新疆油田公司，克拉玛依834000)摘要破裂压力是判断岩石是否起裂的重要依据，而现有的随钻测井资料仅能解释地应力、弹性模量等参数，缺乏对破裂压力的解释。为了准确预测破裂压力并降低施工压力和风险，基于准格尔盆地MH区块的流体扫描成像(flowscannerimage，FSI)测试的产出剖面测井资料，区分泡酸与不泡酸两种方式，分别建立广义回归神经网络(generalizedregressionneuralnet-work，GＲNN)模型，对该区块油井开发进行破裂压力预测，并运用交叉验证方法得出光滑因子，通过与真实破裂压力值对比验证模型的准确性，并与反向传播(backpropagation，BP)神经网络和Hubbert-Willis(H-W)模型的预测结果进行对比分析，再基于此预测给出泡酸建议。结果表明:GＲNN模型预测结果与实际破裂压力更接近，且均方根误差为4.54%，平均百分比误差为0.03%，均优于BP神经网络和H-W模型。GＲNN模型不受地质条件影响且预测精度高，操作简便，可用于该地区破裂压力预测，也可作为后续井FSI测试的替代，不但可以为同类地区的施工提供借鉴，而且可以为同地区开发资源节约成本。关键词随钻测井;产出剖面测井;交叉验证;泡酸分析;GＲNN模型;破裂压力中图法分类号TE321;文献标志码APredictionofFracturePressureBasedonLogging-while-drillingDataGUODa-li1，WANGYu-ji1，ZHANGXiao-shuan2，XINHua-zhi2，KANGYun-wei1(1．SchoolofScience，SouthwestPetroleumUniversity，Chengdu610500，China;2．XinjiangOilfieldCompany...
