停泵压降数据驱动的G函数分析：致密油裂缝参数定量解释

简介一份面向石油工程研究人员与技术人员的专业资料聚焦致密油储层压裂后效果难以快速低成本评价的问题提出基于停泵压降数据的评价方法。资料应用G函数与不稳定试井压降分析理论通过G函数曲线形态识别裂缝复杂程度并结合Python代码实现定量解释储层及裂缝关键参数详细覆盖G函数计算、裂缝复杂性识别、压降曲线拟合与参数计算等完整流程。以H197-48井两段为例验证方法有效性结果显示两段均为4条复杂裂缝半长分别134m与186m同时介绍了改进滤失系数动态模型与多特征融合分类算法为压裂方案优化提供依据。资源共1个PDF文件大小899KB包含论文全文及详细代码解释适合从事储层改造和压裂效果评价的专业人员参考学习目前已有111人学习。方法成本低、分析简便且提出了压裂施工曲线大数据挖掘与结合机器学习实现自动解释等未来方向具有较高工程应用价值。1. 停泵压降数据致密油压裂效果评价里最容易被浪费的信号压裂车组一停泵井口压力先是快速回弹再转入缓慢衰减这个持续几十分钟甚至数小时的压降段在很多现场记录里只被截取一个瞬时停泵压力ISIP就结束了。剩下的曲线被当成“等压力稳定”的空档实际上它记录了压开的裂缝正在闭合的全过程闭合应力、压裂液滤失强度、裂缝远端几何信息都藏在这段压力衰减里。致密油储层基质渗透率极低停泵后闭合过程明显比常规储层慢压降信号持续时间长、可用数据点多恰好适合用 G函数把时间轴重新标定再做裂缝参数定量解释。这篇文章围绕“停泵压降数据-G函数-G参数解释-系统设计”这条链路展开目标是让工程师拿到一段实测停泵压力能跑出闭合压力、滤失特征和等效裂缝几何而不是只回答“这口井压开了没有”。2. G函数分析基础停泵后的压力三阶段与诊断曲线怎么读2.1 停泵后压力为什么不是简单指数衰减停泵瞬间裂缝内的压力高于储层最小主应力裂缝处于“被撑开”状态停泵后井筒与裂缝系统压力逐渐下降裂缝开始向储层滤失压裂液同时裂缝宽度收缩直到裂缝面两侧接触压力下降速度发生明显转折。这个过程中井筒储集效应、温度效应、压裂液滤失和裂缝闭合叠加在一起井口压力呈现出“早期快、中期缓、闭合后再变化”的三段形态。直接用“压力-时间”曲线很难识别物理转折点因为时间轴是非线性的。G函数分析的核心思路是把真实时间 t 经过一个与停泵前泵注时长相关的无量纲变换得到 G时间在正常滤失条件下让“压力- G”近似成直线。这样裂缝闭合这样的物理事件就表现为直线段的偏离或导数曲线的特征形态比在原始压力曲线上肉眼找拐点可靠得多。现场常见的错误是直接把停泵后的压力当指数衰减拟合再外推一个“稳定压力”当作闭合压力。这在小规模测试压裂里偶尔碰巧成立但在致密油储层里微裂缝发育、缝网复杂简单指数拟合会把压力相关滤失当成正常闭合导致闭合压力高估。所以 G函数不是可选项而是第一道诊断关口。2.2 Nolte G函数的工程闭合解与参数意义G函数最初源于 Nolte 在 1979 年提出的关井时间函数其严格形式是积分表达式工程实现中普遍使用如下闭合解G(ΔD) (4/π) * [ (1ΔD) * arcsin(1/sqrt(1ΔD)) sqrt(ΔD) - π/2 ]其中无量纲关井时间 ΔD Δt / tpΔt 是停泵后经过的时间tp 是停泵前的纯注入时长。对应的导数为dG/dΔD (4/π) * arcsin(1/sqrt(1ΔD))这个导数式写出来特别干净实际计算压力对 G 的导数 dP/dG 时可以直接用解析值不需要对 G 做数值微分误差小得多。G 函数的横轴量纲是从 0 开始增长的无量纲时间停泵初期 ΔD 很小G 增长快随着 ΔD 增大G 的增速逐渐放缓相当于把早期高采样密度的压降数据“拉伸”把后期缓慢变化的滤失过程“压缩”所以诊断图上的特征点位置比原始时间轴更稳定。参数说明tp 必须取停泵前最后一次注入阶段的持续时间不包括中途测压、洗井和射孔时间如果压裂车组在停泵前经历多次降排量应该以最终稳定排量对应的时间起点计算而不是整个施工时长。Δt 的单位要和 tp 一致通常都用分钟计算。G 为无量纲量但实际绘图时常把 G 轴保持 03 的范围因为大多数裂缝闭合发生在 G 值 0.32.5 之间。2.3 三类典型诊断形态与致密油储层的边界G函数分析的标准输出是双曲线诊断图横轴为 G纵轴为井底压力 P 与压力导数 dP/dG。正常滤失情况下压力曲线在闭合前呈直线dP/dG 曲线稳定在某个平台值闭合发生时压力偏离直线导数曲线出现明显下降拐点。这个拐点对应的横坐标就是 Gc纵坐标就是闭合压力 Pc。实际储层很少这么理想致密油储层尤其明显常见三类形态诊断形态压力曲线特征dP/dG 特征解释方向正常滤失压力无关滤失P-G 闭合前为直线闭合后斜率变化导数平台后下降闭合点清晰可按标准 Nolte 模型定量解释裂缝延伸闭合前持续扩展闭合前曲线上凹压力高于线性模型导数持续上升或出现驼峰需要剔除裂缝延伸段取后期纯滤失段压力相关滤失/天然裂缝开启闭合前曲线下凹闭合点模糊导数出现明显“驼峰”或阶梯常规 G 函数不适用需使用修正 G 函数或放弃定量反演压裂液在致密油储层中的滤失并不总是符合卡特经典滤失模型尤其是水平井多段压裂后地层天然裂缝被激活压力相关滤失非常普遍。遇到这种情况系统设计上必须保留“人工标记异常段”的能力不能让自动解释程序硬套标准 G 函数。提示停泵后前 0.51 分钟内的压力受井筒水击和温度恢复影响严重进入 G 函数计算前应截除该段数据否则早期导数会被噪声主导闭合点识别必然失真。3. 裂缝参数定量解释的模型边界与参数体系3.1 从闭合点到裂缝参数需要哪些输入G函数只能给出闭合压力和流体滤失特征要得到裂缝半长、缝宽和压裂液效率还需要储层岩石力学参数和施工参数。系统设计时应把这些输入固化成标准字段避免解释结果因为单位混乱而无法复核。一张最小可用的参数表如下参数符号单位来源/说明停泵前纯注入时长tpmin施工曲线中停泵前最后一次稳定注入时长注入液量Vim³用于物质平衡计算不含前置液空井筒体积瞬时停泵压力pISIPMPa停泵后 12 分钟外推值或压力回弹稳定值闭合压力PcMPaG 函数诊断图上闭合点对应压力闭合时 G 值Gc无量纲诊断图横坐标读数储层/裂缝高度hfm测井解释或微地震约束PKN 模型下为常数杨氏模量EMPa取储层动态弹性模量泊松比ν无量纲同上G 函数回归特征压力p*MPa闭合后段回归线在 G0 处的截距与 Pc 的差其中 p* 是整个解释过程的关键中间量。它定义为闭合后线性段外推到 G0 时的压力与闭合压力的差值物理上对应闭合后滤失驱动压力的大小。后续计算滤失系数、缝宽和效率都要围绕 p* 进行而不是直接用压降幅度代替。3.2 PKN、KGD 与径向模型的选型判据裂缝几何解释必须选一个几何模型常见的是 PKN、KGD、径向模型三者。选型错误会导致缝宽和缝长反演结果出现量级差异所以系统里要把几何模型做成可配置参数而不是写死。PKN 模型裂缝高度固定水平方向延伸适合水平井分段压裂中裂缝被上下隔层限制的情况是最常见的默认选择。KGD 模型裂缝高度固定但裂缝长度方向应力集中显著适合缝高小、缝长大的浅层压裂。径向Radial/ Penny模型裂缝在三维方向均匀扩展适合无应力遮挡、单段大液量测试压裂。致密油储层水平井多段压裂裂缝高度通常被上下应力层约束我一般默认 PKN再通过压降诊断曲线中的压力导数形态复核。PKN 模型下平均缝宽可写为w_avg ≈ (π/8) * (2 * ΔPn * hf * (1-ν²)) / E其中 ΔPn 为净压力即 pISIP 与 Pc 之差。这个公式假设裂缝截面为椭圆缝内平均宽度是最大宽度的 π/4 倍。实际复杂缝网条件下等效缝宽只能视为“单缝等效值”不代表真实裂缝开度——这一点必须在报告里显式写明。3.3 不可忽视的假设初滤失、滤失面积与等效参数标准 Nolte 解释模型有四个基本假设无初滤失、裂缝面积在闭合过程中基本不变、滤失面积等于裂缝壁面面积、停泵后裂缝不继续延伸。致密油储层里这四个假设通常多少被违背尤其是复杂缝网条件下滤失面积可能远大于单缝壁面面积。因此在参数体系设计上要区分“测得参数”与“反演参数”。闭合压力、闭合时间属于测得参数受模型假设影响小滤失系数、缝长、缝宽属于反演参数严重依赖几何模型和滤失模型选择。系统输出报告时应该把这两类参数分开展示并给出反演参数的不确定性标注。当压力相关滤失明显时标准 G 函数反演的滤失系数会偏高计算出的压裂液效率偏低。此时常见做法是改用 Barree 修正后的 G 函数时间轴或直接在曲线上截取滤失稳定段做线性回归放弃早期异常段。系统设计上需要支持这种半自动交互而不是给出一个“最终数值”就结束。4. 压裂效果评价系统的模块划分与数据流设计4.1 数据接入现场记录字段与清洗规则把 G 函数分析做成系统第一步是把现场施工数据标准化。电子系统设计领域常说“业务洞察比代码堆砌更重要”放到压裂场景业务洞察就是知道哪些字段必须留、哪些单位容易错。现场压力通常由数据采集仪按 0.11 Hz 记录输出 CSV 或时序数据库需要包含井号、段号、相对时间、井口压力、泵注排量、累计注入液量等基础字段。SQLite 里建议这样建表CREATE TABLE frac_test ( test_id TEXT PRIMARY KEY, well_name TEXT NOT NULL, stage_no INTEGER, pump_start_time TEXT, shut_in_time TEXT, pump_duration_min REAL, inj_vol_m3 REAL, perf_depth_m REAL, h_f_m REAL, young_mod_mpa REAL, poisson_ratio REAL ); CREATE TABLE pressure_sample ( test_id TEXT, t_sec REAL, p_mpa REAL, pump_m3_min REAL, PRIMARY KEY (test_id, t_sec) );数据清洗规则集中在入库前完成剔除停泵前 5 分钟内的压力波动异常点、把采样率统一重采样到 0.5 Hz、压力值做中值滤波去野值。注意不要把井口压力直接当井底压力用如果井筒是压裂液充填需要按井筒液柱压力折算如果是低摩阻的滑溜水且井筒较浅工程上简化处理时也要在报告中注明是否做了液柱修正。4.2 计算管线与自动解释状态机系统的核心计算流程可以抽象成一条单向管线数据读取 → 停泵时刻定位 → G时间构建 → 压力平滑 → 导数计算 → 自动闭合点候选 → 闭合段回归 → 参数换算 → 报告生成每个环节都有独立函数方便现场工程师替换某一个环节。比如压力平滑可以从滑动平均换成 Savitzky-Golay不影响其余模块。模块职责划分如下模块职责输出data_access读取数据库、CSV单位统一标准 DataFramepreprocessing截取停泵后数据滤波液柱修正清洗后的压力时序g_calculator计算 G 与 dG/dΔDG 列、dGdt 列derivative计算 dP/dt、dP/dG导数曲线closure_detect自动搜索闭合点候选候选索引列表param_estimator回归闭合后段计算参数参数报告对象report_builder生成诊断图和 JSON 结果plot JSON计算引擎建议做成无状态服务输入一份施工参数和压降曲线输出一个结构化的解释报告对象。后端可以封装成 FastAPI 接口前端用 Plotly 绘制可缩放的诊断图现场工程师在浏览器里就能拖动 G 轴范围人工修正闭合点后重新计算。from pydantic import BaseModel class DeclineRequest(BaseModel): test_id: str tp_min: float inj_vol_m3: float p_isip_mpa: float h_f_m: float e_mpa: float nu: float beta_s: float 1.0 class DeclineReport: def __init__(self, pcNone, g_cNone, pstarNone, paramsNone): self.pc pc self.g_c g_c self.pstar pstar self.params params or {}接口层只关心“提交请求、返回结果”具体算法由计算引擎执行这样即使以后把 Nolte 模型换成 Barree 修正模型API 结构也不需要变化。4.3 人工修正闭合点自动解释不能替代人工判断自动闭合点识别再怎么优化现场数据出现压力相关滤失、天然裂缝开启、微地震信号干扰时自动算法给出的候选点仍可能落在错误位置。系统必须设计“人工二次确认”交互诊断图上显示自动候选点工程师可以按住 Alt 键拖动标记点重新定位闭合位置系统随即重新回归并刷新参数结果。这种交互的成本很低但对解释质量影响巨大。闭合点偏移 0.1 个 G 单位闭合压力可能只差 0.10.3 MPa但滤失系数和缝长结果会显著变化。所以我把系统设计成“自动初选 人工确认 自动再计算”三层而不是全自动生成不可追溯的结论。这也是压裂评价系统与普通数据处理工具之间的本质区别每一步解释都要能回溯到原始曲线上。5. Python 代码从原始停泵压力到 G函数、闭合压力与裂缝参数的完整管线5.1 核心类与 G函数解析式实现下面的代码可以直接运行合成测试数据在 main 中生成。实际现场数据只需把 load_csv 的路径替换为采集文件即可。# decline_g.py import json import numpy as np import pandas as pd from scipy.signal import savgol_filter, argrelextrema class GDecline: def __init__(self, tp_min: float, inj_vol_m3: float, p_isip_mpa: float, h_f_m: float, e_mpa: float, nu: float): self.tp tp_min # 停泵前纯注入时长, min self.V_inj inj_vol_m3 # 注入液量, m3 self.p_isip p_isip_mpa # 瞬时停泵压力, MPa self.h_f h_f_m # 裂缝高度, m self.E e_mpa # 杨氏模量, MPa self.nu nu # 泊松比 self.df None # 停泵后分析数据 staticmethod def g_func(tD: np.ndarray) - np.ndarray: Nolte G函数工程闭合解, tDΔt/tp为无量纲关井时间 tD np.maximum(tD, 1e-8) u 1.0 / np.sqrt(1.0 tD) g (4.0 / np.pi) * ( (1.0 tD) * np.arcsin(u) np.sqrt(tD) - np.pi / 2.0 ) return g staticmethod def dg_dtd(tD: np.ndarray) - np.ndarray: dG/dΔD 的解析导数 tD np.maximum(tD, 1e-8) return (4.0 / np.pi) * np.arcsin(1.0 / np.sqrt(1.0 tD)) def load_csv(self, fname: str, t_col: str t, p_col: str p): df pd.read_csv(fname) df df.rename(columns{t_col: t, p_col: p}) self.raw_df df return self def prepare(self, t_shut_s: float, drop_head_s: float 60.0): 停泵时刻之后的数据进入分析, 去掉早期井筒效应段 d self.raw_df[self.raw_df[t] t_shut_s].copy() d d[d[t] t_shut_s drop_head_s].copy() d[dt_min] (d[t] - t_shut_s) / 60.0 d[tD] d[dt_min] / self.tp d[G] self.g_func(d[tD].values) # 滤除G3.5的远端段, 该段通常已超出闭合解释价值 d d[d[G] 3.5].reset_index(dropTrue) win min(31, len(d) - 1 if len(d) % 2 0 else len(d) - 2) if win 5: raise ValueError(有效数据点不足, 无法平滑) if win % 2 0: win - 1 d[p_f] savgol_filter(d[p].values, win, polyorder2) d[dp_dt] np.gradient(d[p_f].values, d[dt_min].values) dG_dt self.dg_dtd(d[tD].values) / self.tp # 对真实时间的导数 d[dp_dG] d[dp_dt] / dG_dt self.df d return selfload_csv 只负责读原始数据prepare 完成停泵点截取、早期井筒段剔除、压力平滑和导数计算。G 函数用静态方法实现这样合成数据测试时可直接复用 g_func 生成理论曲线。压力平滑采用 Savitzky-Golay 滤波器窗口长度默认 31 点对 0.5 Hz 采样率约对应 62 秒窗口能有效压制导数噪声如果数据采样率更低应减小窗口长度否则会磨平真实的闭合拐点。5.2 自动闭合点检测与闭合段回归闭合点自动识别不追求完美只负责给工程师一个可靠候选。这里采用最稳妥的策略在 G 值 0.052.5 窗口内搜索 dP/dG 的局部极小值再结合闭合后段线性回归决定取舍。def auto_closure(self, g_min: float 0.05, g_max: float 2.5, order: int 3) - int: 返回闭合点在self.df中的位置索引 d self.df mask (d[G] g_min) (d[G] g_max) idx np.where(mask)[0] if len(idx) 10: raise ValueError(G窗口内数据点不足) # 在窗口内的导数序列里找局部极小值 local_min argrelextrema( d.loc[mask, dp_dG].values, np.less, orderorder )[0] if len(local_min) 0: # 没有局部极小值时, 取导数由降转升的拐点, 兜底返回导数最小点 k np.argmin(d.loc[mask, dp_dG].values) return idx[k] best_i, best_score None, -np.inf for pos in local_min: ic idx[pos] if self._closure_score(ic) best_score: best_score self._closure_score(ic) best_i ic return best_i def _closure_score(self, ic: int) - float: 闭合点后方数据越接近线性, 得分越高 d self.df after d.iloc[ic 2: ic 40] # 闭合后取约40个点 if len(after) 10: return -np.inf coef np.polyfit(after[G].values, after[p_f].values, 1) pred np.polyval(coef, after[G].values) resid_std np.std(after[p_f].values - pred) # 残差越小越好, 用其倒数作为得分, 并防止除零 return 1.0 / (resid_std 1e-6)argrelextrema 返回的是掩码窗口内的相对位置因此需要映射回原始索引。_closure_score 用闭合点后 40 个点的线性回归残差作为评分依据残差越小说明越符合“闭合后压力-G 线性”的物理预期。如果数据噪声大局部极小值可能不止一个这个评分机制会自动选择更接近线性段的那一个如果噪声彻底淹没了导数特征程序会退化为返回窗口内 dP/dG 最小点同时现场报告提示“低置信度建议人工确认”。5.3 参数换算、效率迭代与 JSON 输出闭合点确认后参数解释集中在 estimate 方法里完成。裂缝平均缝宽用 PKN 净压力-宽度公式裂缝半长用物质平衡迭代求解。def estimate(self, ic: int, ct_manual: float | None None) - dict: d self.df pc float(d.loc[ic, p_f]) Gc float(d.loc[ic, G]) tc_min float(d.loc[ic, dt_min]) # 闭合后G区间: Gc ~ Gc0.6 after d[(d[G] Gc) (d[G] Gc 0.6)] if len(after) 8: after d[d[G] Gc].head(20) coef np.polyfit(after[G].values, after[p_f].values, 1) slope, intercept coef pstar intercept - pc if pstar 0: pstar 0.0 p_net self.p_isip - pc # PKN平均缝宽: 椭圆截面, mm w_mm (np.pi / 8.0) * ( 2.0 * p_net * self.h_f * (1.0 - self.nu ** 2) / self.E ) * 1000.0 # 滤失系数, ct_manual可由净压力匹配或实验室标定给出 Ct ct_manual if Ct is None and pstar 0: Ct pstar / (2.0 * np.sqrt(self.tp) * Gc) # 参考量 # 压裂液效率与等效缝长: 简化的物质平衡迭代 eta 0.5 xf_m float(nan) if w_mm 0.1 and Ct and pstar 0: for _ in range(8): A_f self.V_inj * eta / (w_mm / 1000.0) # 裂缝总面积, m2 # 滤失体积取平方根滤失近似, 使用参考Ct V_leak 2.0 * A_f * Ct * np.sqrt(self.tp tc_min) eta_new max(0.05, min(0.95, 1.0 - V_leak / self.V_inj)) eta eta_new xf_m self.V_inj * eta / (2.0 * self.h_f * (w_mm / 1000.0)) report { pc_mpa: pc, G_at_closure: Gc, tc_min: tc_min, pstar_mpa: pstar, p_net_mpa: p_net, w_avg_mm: w_mm, ct_ref: Ct, liquid_efficiency: eta, xf_eq_m: xf_m, } return report def to_json(self, report: dict, fname: str): with open(fname, w, encodingutf-8) as f: json.dump(report, f, ensure_asciiFalse, indent2)参数说明pstar 是闭合后段线性拟合在 G0 处的截距与闭合压力之差代表滤失驱动压力平均缝宽计算中系数 π/8 是 PKN 椭圆截面的均值系数与 KGD 不同Ct 默认只给参考量因为标准 Nolte 反演里还需要裂缝延伸期间的滤失面积修正系数 beta_s这里不强行换算避免给出看着精确实则虚假的结果。效率迭代假设无初滤失、滤失面积等于裂缝壁面面积因此输出的 xf 是“等效单缝半长”不是复杂缝网的实际延伸距离。5.4 合成数据验证主流程为了方便验证系统正确性main 中构造一条含高斯噪声的合成停泵压降曲线再走完整解释流程def synthetic_test(): rng np.random.default_rng(42) tp_min 45.0 pc_true 22.4 pstar_true 1.35 tD np.linspace(0.02, 2.4, 480) G_val GDecline.g_func(tD) p_true pc_true pstar_true * G_val p_noisy p_true rng.normal(0, 0.008, tD.size) raw pd.DataFrame({ t: tD * tp_min * 60 4000.0, p: p_noisy, }) mdl GDecline( tp_mintp_min, inj_vol_m3220.0, p_isip_mpapc_true 2.1, h_f_m20.0, e_mpa30000.0, nu0.23, ) mdl.raw_df raw mdl.prepare(t_shut_s4000.0, drop_head_s0.0) ic mdl.auto_closure() rep mdl.estimate(ic, ct_manual0.0005) print(json.dumps(rep, ensure_asciiFalse, indent2)) if __name__ __main__: synthetic_test()这个合成用例验证了整条管线真实闭合压力 22.4 MPa、真实特征压力 1.35 MPa经过平滑、导数计算、自动闭合点识别和回归后输出结果应分别回到 22.4 MPa 附近和 1.35 MPa 附近。如果闭合点索引发生了几个点的偏移pstar 会有小幅波动但误差通常能控制在 5% 以内。把 drop_head_s 设置为 0 是因为合成数据没有井筒效应实际数据必须保留 60 秒以上的截除。6. 用合成数据与参数敏感性验证避免裂缝参数误判6.1 验证合成参数是否“可还原”系统上线前建议先做一轮合成数据回归测试给定已知的 Pc、pstar、tp 和 G 曲线生成带噪声的压力数据然后走完整解释管线看输出参数能否回到真值。这个测试能暴露三个问题闭合点检测是否把噪声尖峰误判为闭合、滤波窗口是否把真实拐点磨平、闭合段回归的区间是否取得过大。实际项目中我一般做 20 组不同噪声强度0.0020.02 MPa的蒙特卡洛测试统计 Pc 和 pstar 的均值与标准差把标准差写进报告作为不确定度来源。如果发现 pstar 偏差持续超过 5%优先检查闭合点索引是否偏晚了一到两个采样点。闭合点偏晚会让回归区间混入更多闭合前数据pstar 被拉大进而导致效率降低、缝长变小。此时不要改公式先回到诊断图上看自动候选点位置再调整 argrelextrema 的 order 参数或滤波窗口。6.2 参数敏感性速查表现场解释中最常遇到的参数波动来源如下影响因素影响结果建议控制手段闭合点偏后 0.1 GPc 偏高 0.1~0.3 MPapstar 偏大人工确认闭合点禁用全自动覆盖滤波窗口过大闭合拐点被磨平Pc 延迟窗口不超过数据长度的 8%tp 取错G 轴整体缩放Gc 错位自动从泵注曲线解析停泵前时段早期井筒段未截除dP/dG 出现假驼峰默认截除 60 秒以上压力相关滤失被忽略滤失系数严重高估效率偏低先看诊断形态再决定是否用修正 G6.3 四个最容易被忽视的现场误用第一用施工总时长代替纯注入时长。多段压裂中途有停泵测压、加砂降排量等操作tp 应取最后一次稳定注入到停泵之间的时长否则 G 轴和时间轴的比例全错。第二停泵后清洗井筒期间的压力也进入解释区间清洗过程改变了井筒内流体状态压力衰减不再是纯裂缝闭合信号。第三把井口压力直接当作井底闭合压力而不做液柱修正对 3000 米以上井深会造成数兆帕的误差。第四在复杂缝网储层里把等效缝长当成真实支撑缝长。G 函数解释的是一段压力数据对应的“等效单缝参数”用于效果评价和段间对比是合理的但不能直接代入产能模型当作实际缝网延伸距离。最后一个实用技巧当自动闭合点落在两个候选之间难以取舍时不要只盯 dP/dG 极小值而是把候选点前后各 20 个点分别做“压力-G”线性拟合比较两个拟合残差。残差更小的候选点通常对应更清晰的闭合后线性段这是比导数极小值更稳定的判据。提示每次解释完成后把诊断图、闭合点坐标、回归区间、滤波参数一起存入原始记录这样才能在压后评价复盘时追溯每一条裂缝参数是怎么来的。本文还有配套的精品资源点击获取