具体实施方式

下面结合附图和实施例对本发明进一步说明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的技术特征可以相互结合。需要指出的是，除非另有指明，本申请使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。本发明公开使用的“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。

本发明提供一种基于微地震的地应力方位预测方法，包括以下步骤：

S1：获取目标井的微地震数据和井轨迹数据，所述微地震数据包括微地震事件发生的时间、位置、以及震级。

S2：将所述微地震数据按照所述目标井压裂的段数进行分样。

S3：对每一压裂段的微地震数据进行聚类分析，获得每一压裂段中人工裂缝的微地震数据。

在一个具体的实施例中，采用DBSCAN聚类算法对每一压裂段的微地震数据进行所述聚类分析。所述DBSCAN聚类算法是一种基于密度的聚类算法，这类密度算法一般假定类别可以通过样本分布的紧密程度决定。主要原理是：同一类别的样本，他们之间是紧密相连的，也就是在该类别任意样本周围不远处一定有同类别的样本存在；通过将紧密相连的样本划分为一类，这样就得到了一个聚类类别；通过将所有紧密相连的样本划分不同的类别，得到了最终的聚类类别结果。

采用DBSCAN聚类算法对每一压裂段的微地震数据进行所述聚类分析，具体包括以下子步骤：

S31：预设所述DBSCAN聚类算法的某一样本的邻域距离阈值eps和某一样本距离为eps的邻域中样本个数的阈值min_samples；

S32：将某一压裂段的微地震数据作为基础数据输入至所述DBSCAN聚类算法中；

S33：向所述DBSCAN聚类算法输入预设的eps和min_samples，对输入的微地震数据进行聚类类别划分；

S34：计算划分后的各类别的中心点到步骤S32选择的压裂段的中心的距离，其中距离最小的类别即为人工裂缝；

S35：判断所述人工裂缝的划分是否正确；

若不正确，则对所述eps和min_samples的值进行调整，重复步骤S31-S35；

若正确，则选取另一压裂段，重复步骤S32-S35，直至所有压裂段均区分开天然裂缝和人工裂缝。

在一个具体的实施例中，步骤S35中，通过以下标准判断所述人工裂缝是否划分正确：对划分出的人工裂缝类别的微地震数据的震级取lg对数，若其中80-100%的微地震点震级均小于1，则认为所述人工裂缝划分正确。需要说明的是，80%-100%为本发明优选的阈值范围，用户可根据精度需求自行进行设定，例如采用85%、90%、95%等值。对精度要求不高的，还可采用60%、70%等值。

在一个具体的实施例中，对所述eps和min_samples的值进行调整的思路为：先调大参数，若调大参数后得到的微地震数据震级取lg对数后比1小的数据点比之前的更少，则需调小参数，若调大参数后得到的微地震数据震级取lg对数后比1小的数据点比之前的更多，但还未达到80-100%的阈值，则继续调大参数；反之亦然。

需要说明的是，上述实施例中采用的述DBSCAN聚类算法仅为本发明优选的聚类算法，本发明对每一压裂段的微地震数据进行聚类分析时，也可采用现有技术中的其他聚类算法，例如Kmeans算法、凝聚聚类算法等。

S4：分别对每一压裂段人工裂缝的微地震数据进行拟合，获得各压裂段拟合曲线的截距和斜率。

在一个具体的实施例中，采用最小二乘法对每一压裂段人工裂缝的微地震数据进行拟合。最小二乘法的主要思想是通过确定未知参数，来使得真实值和预测值的误差（也称残差）平方和最小。该方法为现有技术，具体步骤在此不再赘述。

S5：计算各压裂段所述斜率的反正切值，得到各压裂段所述人工裂缝的角度，各压裂段人工裂缝的角度即为各压裂段最大水平主应力的方位。

在一个具体的实施例中，所述预测方还包括以下步骤：

S6：删除所有最大水平主应力方位值中的异常值。

可选地，所述异常值为应力方位预测与相邻压裂段差异过大（超过平均值的15%）的应力方位值。需要说明的是，15%为本实施例优选的阈值，用户可根据精度需求设置其他阈值，例如5%、10%、20%等。

S7：对剩余的最大水平主应力方位值，通过插值算法获得所述目标井的最大水平主应力分布情况。

在一个具体的实施例中，所述目标井在某一目标区域内，且该目标区域内有多口目标井，获得各目标井的最大水平主应力分布情况后，所述预测方还包括以下步骤：S8：通过插值算法获得所述目标区域的最大水平主应力分布情况。

在一个具体的实施例中，以某目标区域的X1井作为目标井，采用本发明所述的基于微地震的地应力方位预测方法进行该井的地应力方位预测，具体包括以下步骤：

S1：获取X1井的微地震数据和井轨迹数据，结果分别如表1和表2所示：

表1 X1井的微地震部分数据

表2 X1井的井轨迹部分数据

需要说明的是，X1井的微地震数据和井轨迹数据数据较多，表1和表2仅为其中的部分数据。

S2：将所述微地震数据按照所述目标井压裂的段数进行分样，将每一段的微地震数据按照格式分别保存在不同的文本文件中，便于读取。

S3：采用DBSCAN聚类算法对每一压裂段的微地震数据进行聚类分析，获得每一压裂段中人工裂缝的微地震数据，并将分类结果和井轨迹绘制在坐标系上，便于观察。

需要说明的是，在本实施例中，本发明还通过采用Kmeans算法、凝聚聚类算法两种聚类算法对所述微地震数据进行聚类，以及采用人工判断方法对人工裂缝进行判断，四种方法的判断结果如图1所示。从图1可以看出，本发明的聚类算法人工裂缝判断结果比现有技术人工判断方法判断的结果更加准确，另外三种不同的聚类算法中，本发明优选的DBSCAN聚类算法聚类结果更加精确。

需要说明的是，在本实施例中，聚类是否划分正确的阈值选用的是90%，人工裂缝的天然裂缝震级的数据点对比如图2所示。

需要说明的是，在本实施例中，DBSCAN聚类算法的输入参数min_samples取50至100，eps的范围取1至5，完成聚类。各压裂段的min_samples和eps取值结果如图3所示。

S4：分别对每一压裂段人工裂缝的微地震数据利用最小二乘法进行线性拟合，获得各压裂段拟合曲线的截距和斜率。

S5：计算各压裂段所述斜率的反正切值，得到各压裂段所述人工裂缝的角度，各压裂段人工裂缝的角度即为各压裂段最大水平主应力的方位。

四种方法的地应力方位预测结果如表3和图4所示：

表3 X1井不同方法预测地应力方位结果

从表3和图4可以看出，人工判断的地应力方位与聚类方法判断的存在较大差异，人工判断未区分出人工裂缝与天然裂缝，因此预测的地应力方位不够准确，聚类方法可以将人工裂缝与天然裂缝区分开，对地应力方位判断更加准确，另外采用不同的聚类方法，方位值结果差别较小。

S6：剔除应力方位预测与相邻差异过大的应力方位值S1和S21；

S7：对剩余的全井压裂段应力方位，通过插值算法获得单井区域内最大水平主应力分布情况，结果如图5所示。

需要说明的是，若该目标区域内有多口具有微地震监测数据的压裂井，可通过序贯高斯等插值算法获得该目标区域的最大水平主应力的空间分布。

以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。