[发明专利]基于卷积神经网络与SHAP值的页岩气产能主控因素分析方法

权利要求书

1.一种基于卷积神经网络与SHAP值的页岩气产能主控因素分析方法，其特征在于，包括：

确定影响目标区块页岩气产能的因素；其中，每个影响因素作为一个特征；

根据确定的页岩气产能的影响因素获取页岩气数据构成特征数据集，并获取页岩气数据对应的产能构成标签数据集；

利用特征数据集和标签数据集，建立基于卷积神经网络的产能预测模型；

基于训练后的产能预测模型，计算特征数据集中每个特征的SHAP值；

基于得到的SHAP值，分析产能与其影响因素之间的内在关系，确定目标区块的产能主控因素。

2.根据权利要求1所述的基于卷积神经网络与SHAP值的页岩气产能主控因素分析方法，其特征在于，所述确定影响目标区块页岩气产能的因素包括：

从地质数据、工程数据和生产数据方面确定影响目标区块页岩气产能的因素；

其中，确定的影响目标区块页岩气产能的因素包括：裂缝导流能力evqual_p、厚度h、基质渗透率matrix_p、簇数cluster、裂缝半长half_length、入地液量liquid_volume、水平井长度well_length、饱和度S和生产压差pressure。

3.根据权利要求1所述的基于卷积神经网络与SHAP值的页岩气产能主控因素分析方法，其特征在于，第j个特征的SHAP值φ_j表示为：

其中，M为特征的数目，S为产能预测模型中特征的子集，f(S)为产能预测模型在特征子集S上的输出值，f(S∪{j})表示产能预测模型在特征子集S与第j个特征的并集上的输出值，j＝{1,...M}，|S|表示S的大小，！表示阶乘。

4.根据权利要求1所述的基于卷积神经网络与SHAP值的页岩气产能主控因素分析方法，其特征在于，所述基于得到的SHAP值，分析产能与其影响因素之间的内在关系，确定目标区块的产能主控因素包括：

基于得到的每个特征的SHAP值，利用单个产能影响因素的SHAP分析、总体特征概要分析、聚类SHAP分析和特征交互分析，分析产能与其影响因素之间的线性和非线性内在关系，确定目标区块的产能主控因素；

其中，单个产能影响因素的SHAP分析：通过计算每个影响产能的因素的平均绝对SHAP值，量化每个因素对产能的影响程度，对训练后的产能预测模型进行局部解释；

总体特征概要分析：以0为分界点表征特征对产能预测模型的输出的正负影响，并在量化完每个因素的影响程度后，通过排序，确定对产能影响较大的因素，实现对训练后的产能预测模型的全局解释；

聚类SHAP分析：将具有相似SHAP值的样本合并在一起并进行排序；

特征交互分析：分析不同特征之间的耦合非线性关系。

5.根据权利要求4所述的基于卷积神经网络与SHAP值的页岩气产能主控因素分析方法，其特征在于，第j个影响产能的因素的平均绝对SHAP值等于第j个特征的平均绝对SHAP值，表示为：

其中，I_j为第j个影响产能的因素的平均绝对SHAP值，具体为：特征数据集中所有样本的第j个特征的平均绝对SHAP值；φ_j(x_i)表示第i个样本的第j个特征的SHAP值，N表示特征数据集中样本的数目。

6.根据权利要求4所述的基于卷积神经网络与SHAP值的页岩气产能主控因素分析方法，其特征在于，总体特征概要分析，用于描述特征重要性和特征效应；其中，特征效应指：当第j个特征的平均绝对SHAP值大于0时，则表明第j个影响因素对产能预测模型的输出有正影响，当第j个特征的平均绝对SHAP值小于0时，则表明第j个影响因素对产能预测模型的输出有负影响。