从关联到因果：基于岩石物理的致密气藏压裂优化框架

《ACS Omega》：From Correlation to Causation: A Petrophysics-Informed Framework for Optimizing Hydraulic Fracturing in Tight Gas Reservoirs

本综述提出了一种将高精度预测模型（XGBoost, R2= 0.80）与因果森林（Causal Forest）相结合的创新框架，旨在解决传统数据驱动方法在非常规油气藏水力压裂优化中混淆相关性与因果关系的核心问题。研究通过对646口井的分析，揭示了关键工程参数（如支撑剂体积Vprop）在控制岩石物理混杂因素后，其净因果效应（ATE）往往与直观关联相反，证明了“一刀切”策略的无效性。该框架最终生成了一套经历史数据验证的、基于特定储层条件（如电阻率Rt< 141.57 Ω·m界定脆性岩体）的决策规则，为同时实现产量提升和可持续资源开发提供了可靠的工具。

　　

1. 引言

全球能源转型对油气行业提出了双重挑战：在满足持续能源需求的同时，推进可持续生产并实现净零目标。在此背景下，最大化非常规资源（如致密气）的开采效率不仅是一项经济任务，更是务实可持续发展战略的关键组成部分。这些资源的商业可行性取决于水力压裂的效能，这是一个复杂的工程过程，其操作决策对项目经济和资源管理具有极高风险。

工程师们在优化压裂参数（如流体体积、支撑剂属性和泵注程序）以构建持久高导流能力的储层改造体积（SRV）时，面临着高维度的挑战。数据驱动的机器学习（ML）模型已成为强大的预测工具，但其在决策中的应用常被“越多越好”的哲学所误导，这种偏见源于大规模处理量与高产率之间的虚假相关性。然而，这种方法忽视了一个根本性陷阱：相关不等于因果。大规模处理可能仅仅因为被优先应用于具有有利岩石物理属性的地层而显得有效——这是混杂偏倚的典型案例。依赖这种潜在的虚假相关性进行数百万美元的决策，不仅可能导致巨大的材料浪费，还可能造成次优的生产结果。

文献中充满了应用ML模型预测非常规储层产量的案例。可解释人工智能（XAI）技术，如SHapley加法解释（SHAP），已经打开了“黑箱”，揭示了复杂的特征关联。然而，它们仅能回答“什么与高产相关？”这一问题。这对于指导工程干预是不够的。回答关键的运营问题——“我们应该做什么来‘导致’高产？”——需要从预测建模向因果推断的形式化转变，这一差距在当前的数据驱动工作流程中很大程度上未被解决。

本研究通过引入一个集成的、基于岩石物理的框架来弥合这一关键差距，该框架超越了预测，旨在量化水力压裂处理的真实因果效应。主要贡献包括：（1）展示了从高精度预测模型（XGBoost, R²= 0.80）和SHAP分析中得出的基于相关性的见解的局限性；（2）应用因果森林来控制岩石物理混杂因素，从而揭示关键工程参数常常违反直觉的净因果影响；（3）提供了一套可操作的、针对特定储层的决策规则，并经过历史数据的严格验证。该框架提供了一个实用的决策支持工具，使工程师能够摒弃低效的“一刀切”策略，使操作实践与提高产量和实现可持续资源开采的双重目标保持一致。

2. 方法论

本节描述了本研究使用的数据集、预处理程序、建模方法和评估指标。

2.1. 数据来源与预处理

本研究的数据集包含来自中国鄂尔多斯盆地致密砂岩气藏的646口水力压裂井。它涵盖了分析所必需的全面岩石物理、完井、压裂和生产参数。所有变量的详细描述和统计摘要见表格。

2.1.2. 数据预处理

执行了严格的三步预处理流程以确保数据质量和完整性。采用了多方法策略进行缺失值插补：对低方差变量使用均值插补，对具有复杂关系的变量使用链式方程多元插补（MICE），对空间相关特征使用k近邻（kNN）算法。柯尔莫哥洛夫-斯米尔诺夫（K-S）检验结果证实，插补方法没有显著改变原始数据分布。采用双方法进行异常值检测和移除：对于岩石物理参数，使用箱线图法（基于第2和第98百分位数）识别单变量极端值；对于相互依赖的工程参数，在归一化后应用局部异常因子（LOF）算法检测多变量异常。所有识别出的异常值均从数据集中移除。最后，所有数值特征使用最小-最大缩放归一化到[0, 1]范围，以消除不同变量尺度的影响。

2.2. 建模方法

为了识别对产量影响最大的变量，采用了三种不同的方法：（1）最大信息系数（MIC），以捕获广泛的依赖关系；（2）随机森林（RF）内置重要性，基于平均不纯度减少（MDI）；（3）XGBoost内置重要性，基于Gain度量。这种多方法策略确保了稳健且经过交叉验证的特征排序。

选择了三种集成学习算法进行预测建模：随机森林（RF）、XGBoost和LightGBM。由于XGBoost表现出最优性能，故被选为所有后续解释和因果分析的基础模型。

为了打开最优XGBoost模型的“黑箱”并映射其学习到的复杂关联模式，采用了SHapley加法解释（SHAP）。SHAP是一种基于博弈论的方法，计算每个特征对个体预测的贡献，允许对模型学习到的关联模式进行详细分析。

采用因果森林算法来量化工程干预的异质因果效应，超越全局关联趋势。与专注于最小化预测误差以预测总产量的传统机器学习模型（如随机森林）不同，因果森林明确设计用于估计条件平均处理效应（CATE），这是现代因果分析中的一个关键指标。本质上，预测模型问的是“预期产量是多少？”，而因果森林问的是“在特定地质条件下，改变某个特定处理参数能获得（或损失）多少额外产量？”。这种区分使我们能够将工程决策的边际影响与储层的固有产能分离开来。

为确保这些估计的统计有效性，该算法使用了一种称为“诚实分割”的机制。在标准决策树中，通常使用相同的数据集来确定分割结构和估计叶节点值，这可能导致过度拟合，捕获虚假相关性。诚实分割通过将训练数据划分为两个独立的子集来解决这个问题：一个严格用于构建树结构（将具有相似特征的井聚类），另一个用于估计这些叶节点内的处理效应。这种解耦防止模型对数据的“双重利用”。该估计依赖于由有向无环图（DAG）定义的结构框架，该图明确区分了处理和混杂因素。

2.3. 模型训练与评估

数据集首先被划分为训练集（80%）和保留测试集（20%）。为了确定最优超参数并防止过拟合，随后在训练集上 exclusively 进行了结合10折交叉验证的网格搜索。每个模型的最终性能在未见过的测试集上进行评估，使用均方根误差（RMSE）、平均绝对误差（MAE）和决定系数（R²）进行评估。

3. 结果与讨论

3.1. 数据基础与关键变量识别

经过全面的预处理流程后，进行了探索性数据分析以揭示数据集内的基本关系。皮尔逊相关性热图揭示了两个关键见解。首先，生产结果（AOF）与几个变量显示出强烈的、直观的相关性，包括与储层厚度（H, 0.52）、支撑剂体积（V_prop, 0.55）和体积密度（ρ, 0.56）的显著正相关。其次，预测变量之间存在显著的多重共线性，特别是体积相关的工程参数（例如，TIV和V_slurry, > 0.9）。这种高度的相互关联性凸显了传统线性模型的不足，并需要使用能够抵抗此类条件的先进的、基于树的集成模型。

为了稳健地识别产量的主要驱动因素，采用了三种特征选择方法。结果显示，三种方法之间具有高度的一致性。岩石物理参数，特别是储层厚度（H）和体积密度（ρ），以及关键工程参数如射孔厚度（h_p）和前置液体积（V_prepad）， consistently 被列为最有影响力的因素。这种经过交叉验证的结果为后续的预测和因果分析中需要深入调查的关键变量提供了坚实的基础。基于三种不同方法中一致的高排名，最终选择了15个最有影响力的变量来构建预测模型。这个精选的特征集构成了所有后续分析的基础。

3.2. 预测模型性能与选择

在特征选择之后，使用优化后的超参数训练了三个集成模型，并在保留测试集上进行了评估。性能比较清楚地表明了XGBoost模型的优越性。它达到了最高的决定系数（R²= 0.80）和最低的均方根误差（RMSE = 9.32）与平均绝对误差（MAE = 5.91）。

预测值与实际产量值的散点图从视觉上证实了这些定量结果。虽然所有模型都捕捉到了总体的生产趋势，但XGBoost模型的预测值在完美预测的45度线周围表现出最紧密的聚集，证实了其更高的准确性。然而值得注意的是，即使是最好的模型也倾向于低估产量最高的井的产量。这种现象在回归中通常被称为“平滑效应”或条件偏差，是处理高度偏态数据集时数据驱动预测中一个已被记录的挑战。将这种低估归因于两个主要因素：（1）极端值的数据稀疏性；（2）未观察到的异质性：极端的生产性能通常是由微观地质“甜点”驱动的，这些甜点未被本研究中使用的宏观测井输入完全捕获。

3.3. 通过SHAP进行预测模型的关联分析

为了剖析XGBoost模型的“黑箱”，使用SHAP来映射先前选择的15个输入特征与产量预测之间的复杂关联模式。用于此解释的特征集与用于模型训练的特征集完全相同，确保了对模型学习逻辑的直接和透明分析。

3.3.1. 全局特征重要性

全局SHAP分析将储层物理属性识别为产量预测的主导驱动因素。最具影响力的特征体积密度（ρ）显示出清晰的积极影响：其高值与大的正SHAP值相关，形成了一个长尾，对应着最高的产量预测。类似地，较高的含气饱和度（S_g） consistently 与正SHAP值相关联，强化了模型与基本岩石物理原理的一致性。

相比之下，总注入体积（TIV）等工程参数的关联影响则更为模糊。虽然较大的注入体积通常与较高的产量预测相关，但这种趋势并不一致，一些高体积处理显示出负面影响。这种相互冲突的关联效应挑战了直观的工程逻辑，凸显了基于相关性分析的局限性以及进行正式因果调查的必要性。

3.3.2. 关键处理的非线性和交互效应

对SHAP依赖图的深入分析揭示，关键参数的关联影响主要是非线性的，这使得任何直接用于决策的解释都变得复杂。图中显示了几种不同的非线性模式。一个显著的例子是关井时间（t_si）观察到的优化操作窗口，其积极贡献在约10-20天时达到峰值。另一种常见模式是收益递减，以射孔厚度（h_p）为例，其强烈的积极效应在大约60米后进入平台期。这些模式表明，简单的“越多越好”策略往往是次优的。

交互图揭示了一个更深层次的复杂性：工程处理的效果高度依赖于岩石物理背景。然而，关键是要认识到，这种由岩石属性观察到的调节作用仅仅是预测模型从历史数据中学到的模式的反映。它并不能区分真实的物理相互作用和混杂偏倚。因此，需要正式的因果框架来隔离真实的、由物理驱动的因果异质性。

3.3.3. 单井解释

为了在细粒度上展示模型的诊断效用，分析了三口代表性井的力图。这展示了该框架如何从全局趋势转向具体的、井级别的见解，揭示每个结果背后的复杂因素相互作用。这些例子说明了成功是多种因素协同作用的结果，而失败则可能源于单个关键参数的严重负面影响。

总之，SHAP分析提供了一个与现场直觉一致的连贯叙述：协同的、大规模的处理通常与高产相关。然而，正是这种建立在复杂且有时相互冲突的特征贡献基础上的连贯性，提出了一个关键问题：这是因果关系的真实反映，还是由储层属性混杂影响所塑造的令人信服的幻觉？下一节将直面这个关键问题，调查这些强烈的、直观的关联是否能经受住正式因果分析的 scrutiny。

3.4. 区分关联与因果：因果推断分析

为了应对SHAP中观察到的、可能仅反映历史操作偏见的岩石物理驱动效应的局限性，研究从预测框架转向因果框架。这种方法隔离了混杂影响，以量化干预的真实因果影响，为决策提供了可靠基础。因此，采用因果森林模型来估计10个核心工程干预的净因果效应。对于此因果分析，重点关注了工程师在操作过程中可以直接操纵的10个核心工程参数。不可变的岩石物理特征被恰当地视为需要控制的混杂因素，而不是要分析的处理。这种将变量概念上区分为处理和混杂因素的做法，由有向无环图（DAG）中假设的因果结构所指导。

3.4.1. 平均处理效应揭示因果矛盾

平均处理效应（ATE）分析的结果与SHAP的关联性发现形成鲜明对比。一个关键的、违反直觉的发现出现了：那些与产量呈正相关的关键工程处理，现在显示出统计学上显著的负净因果效应。例如，虽然SHAP和传统智慧表明增加支撑剂体积（V_prop）是有益的，但因果分析揭示，平均而言，它与AOF的显著下降相关（ATE = -2.94, p = 0.016）。这为系统性材料浪费提供了因果证据。关井时间（t_si）也发现了类似的负因果效应（ATE = -2.36, p = 0.013）。

这种明显的矛盾是混杂偏倚的典型表现。正相关性是工程师们系统地将更大规模的处理应用于具有优越物理属性环境的井这一操作习惯的假象。通过控制这些混杂因素，因果森林揭示了处理本身真实的、在本案例中为负的平均影响。

这种负的平均效应很可能反映了在非最优地层中的处理低效。在这样的地层中，过量的支撑剂可能无法产生有效的裂缝复杂性，反而可能造成损害，例如在更具韧性的岩石中发生支撑剂嵌入（一种地质力学失效），从而损害整体导流能力。这一发现强调，平均效应可能是一个更复杂的、物理驱动的现实的误导性简化，这个悖论将在下一节中解决。

3.4.2. 解决悖论：岩石物理驱动的处理异质性

通过检查条件平均处理效应（CATE）来解决负平均效应的悖论，CATE揭示了处理的因果影响如何随岩石物理背景变化。分析全面展示了这种因果异质性，关键决策阈值被量化，可作为现场操作的综合性技术指南。

分析证实，每个工程处理的因果效应都受到特定储层物理属性的强烈调节。例如，注入排量（q_prop）的效应仅在特定的储层电阻率范围内（R_t< 141.57 Ω·m）才是正向且高度显著的。尽管电阻率主要是一种电学属性，但在鄂尔多斯盆地的特定地质背景下，它可作为岩性能力的可靠代理。先前的岩石物理研究已经确定，该地区异常高的电阻率值通常指示强烈的钙质胶结带。这些钙质条带充当致密、整体的屏障，抑制裂缝复杂性。相反，已识别的有利范围对应于含气的长石质砂岩，其中常规测井响应与岩石脆性 strongly 相关，有利于在高排量注入下诱发剪切滑移。

类似地，增加支撑剂体积（V_prop）仅在具有较高泥质含量（V_sh> 7%）的地层中是有益的。这很可能是由于地质力学因素。高泥质地层通常更具韧性（一种力学属性），在闭合应力下容易发生支撑剂嵌入。因此，在这些地层中，因果上需要更大的支撑剂体积来确保持久、高导流的裂缝，而这种干预在更坚硬、低泥质的岩石中则不那么关键。这些发现系统地证明了“一刀切”的方法不仅是次优的，而且常常在因果上是错误的。真实的因果故事是关于特定岩石物理的适应性，这一假设在最后一节中得到了 rigorous 检验。

3.4.3. 因果框架有效性的验证

为了严格测试基于岩石物理的规则的可操作性，设计了一个双管齐下的验证框架。第一层（历史回溯测试）使用真实生产数据确立了规则的方向正确性，而第二层（样本外模拟）则量化了应用这些规则的潜在价值提升。

第一层：历史回溯测试（方向正确性）

该方法评估模型的建议是否与历史上的成功案例一致。对于由规则定义的每个储层段，首先将每口井的历史工程行动分类为“高投入”（前33%分位数）或“低投入”（后33%分位数）。然后，将历史行动与模型基于物理的建议一致的情况定义为“匹配”，不一致的情况定义为“不匹配”。结果提供了强有力的验证。例如，在注入排量的有利段（R_t< 141.6 Ω·m）内，遵循建议使用较高排量的“匹配”井的平均AOF为10.90，是“不匹配”井（4.88）的两倍多，差异高度显著（p < 0.001）。

如表所示，大多数处理的历史行动与因果规则一致，导致了统计学上显著的性能差距。一个显著的例外是关井时间（t_si）在其有利段（S_g< 65.5%）的规则未能通过验证，表明其因果驱动因素比当前模型捕获的更为复杂。

第二层：样本外模拟（价值量化）

这种前瞻性方法在保留测试集（20%的数据）上量化了潜在的生产提升。模拟了两种协同优化策略。第一种，“10%调整”策略，将一个参数按其原始值的10%进行调整。第二种，“固定单位”策略，使用基于典型操作步长和工程判断的调整，代表现实的、渐进的变化。对于两种策略，调整方向均基于因果规则：对于处于“有利”段的井，参数值增加；对于处于“不利”段的井，参数值减少。随后使用先前训练和验证的XGBoost模型作为预测代理，来估计这些假设的“优化”方案下的AOF。

结果表明生产提升具有显著潜力。“10%调整”策略产生了最高的AOF平均提升。有趣的是，“固定单位”策略实现了更高的成功率（即更多井显示出改善），这表明可能存在一种权衡：相对调整方法可能在潜力高的井中产生更大的收益，但在所有井中的一致性略低于更保守的固定调整。

4. 讨论

4.1. 区分关联与因果

本研究揭示了基于相关性的预测与真实因果效应之间的关键分歧。虽然预测模型捕获了关联模式，但分析暴露了这些模式往往反映的是历史操作偏见而非物理规律。这一点在平均处理效应（ATE）分析中尤为明显。与“越多越好”的启发式方法相反，支撑剂体积（V_prop）和关井时间（t_si）等关键处理显示出统计学上显著的负平均因果效应。这个悖论的产生是因为常规做法常常将处理强度与储层质量混为一谈。大规模处理被优先应用于优越的储层，从而产生了虚假的正相关性。

为了解决这个悖论并指导高效开发，必须超越平均效应，考察条件平均处理效应（CATE）。该分析表明，工程处理的效能严格受特定岩石物理条件的调节。详细机制分析如下：

• •
  支撑剂体积（V_prop）：管理嵌入以最小化材料浪费
  支撑剂体积的异质效应受支撑剂嵌入力学支配。高泥质含量（V_sh> 7%）的地层通常表现出较低的杨氏模量和较高的韧性。在闭合应力下，支撑剂颗粒倾向于嵌入软岩基质，使裂缝宽度变窄。在这些区域，增加V_prop在物理上是必要的，以创建多层填充来补偿嵌入损失，从而维持导流能力和AOF。相反，在脆性、低泥质地层中，嵌入最小化。过量的支撑剂在此不会增强导流能力，反而可能导致砂堵或压碎。因此，将高支撑剂体积限制在韧性区域，不仅维持了产量，而且通过防止在脆性岩石中浪费支撑剂（在那里它不产生边际效益）来实现材料效率。
• •
  注入排量（q_prop）：通过剪切滑移优化能耗
  注入排量的效能严格限制在“脆性窗口”内（R_t< 141.6 Ω·m）。电阻率被用作基于当地岩石物理学的岩性代理。鄂尔多斯盆地异常高的电阻率值通常指示强烈的钙质胶结带，这些地带表现为刚性、整体的屏障。在这些区域进行高排量注入无法激活天然界面，可能导致简单的双翼裂缝而非复杂网络。通过瞄准较低的电阻率窗口——对应于脆性的、含气的长石质砂岩——工程师可以有效地引导高马力泵送以诱发剪切滑移，最大化储层改造体积以提升AOF，从而优化能源效率。
• •
  总注入体积（TIV）：在激活与水保护之间取得平衡
  TIV的中性ATE（-0.34）掩盖了增产与损害之间的关键权衡。在高泥质地层（V_sh> 6.38%）中，丰富的层理面允许大量流体滤失并对弱界面加压，激活它们以增强复杂性。然而，在缺乏这些弱面的致密砂岩中，主导机制转变为水相圈闭（水锁）。过量的水增加了基质中的饱和度，高毛管力在那里圈闭了流体（贾