CN109543352B - 页岩断裂韧性预测方法、装置及电子设备 - Google Patents

页岩断裂韧性预测方法、装置及电子设备 Download PDF

Info

Publication number
CN109543352B
CN109543352B CN201811632256.9A CN201811632256A CN109543352B CN 109543352 B CN109543352 B CN 109543352B CN 201811632256 A CN201811632256 A CN 201811632256A CN 109543352 B CN109543352 B CN 109543352B
Authority
CN
China
Prior art keywords
rock sample
training
fracture toughness
test
rock
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201811632256.9A
Other languages
English (en)
Other versions
CN109543352A (zh
Inventor
熊健
刘向君
梁利喜
侯连浪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southwest Petroleum University
Original Assignee
Southwest Petroleum University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Southwest Petroleum University filed Critical Southwest Petroleum University
Priority to CN201811632256.9A priority Critical patent/CN109543352B/zh
Publication of CN109543352A publication Critical patent/CN109543352A/zh
Application granted granted Critical
Publication of CN109543352B publication Critical patent/CN109543352B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/06—Power analysis or power optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)

Abstract

本申请实施例提供一种页岩断裂韧性预测方法、装置及电子设备，通过将实验岩样分为训练岩样和测试岩样，并预先获得训练岩样和测试岩样的影响特征及实际所得的实际岩样断裂韧性值。再将训练岩样导入至构建的BP神经网络进行训练以得到预测模型。将测试岩样的影响特征导入至预测模型，将预测模型输出的结构与测试岩样的实验所得的实际岩样断裂韧性值进行比对，以得到预测模型的精确度，并根据所述精确度对BP神经网络的参数进行调整。通过上述步骤，可基于BP神经网络的学习能力，通过不断调整和优化，最终得到准确率较高的预测输出结果，提高了预测的准确度、可靠性。

Description

页岩断裂韧性预测方法、装置及电子设备
技术领域
本发明涉及地质数据分析技术领域，具体而言，涉及一种页岩断裂韧性预测方法、装置及电子设备。
背景技术
优质的页岩储层能够较好地反映页岩储层断裂韧性值在测井剖面上的变化规律，可以作为该类储层岩石力学评价和水力压裂施工的参考数据，具有较好的页岩气资源前景。在现代页岩气开采过程中，主要是依靠水力压裂技术使得页岩的人为裂缝和天然气裂缝形成于裂缝网络，以此来收集页岩气资源。因此与压裂技术相关的页岩断裂韧性的实验测试在页岩气开采工程中尤为重要。页岩气藏普遍采用水平井加分段水力压裂的开采模式，在水力压裂设计过程中所需的一项关键岩石力学参数即为页岩的断裂韧性。目前，页岩的断裂韧性通常由室内实验测试得出，目前常用的实验测试方法主要有中心裂纹圆盘法、三点弯曲法和四点弯曲法。这三种方法的测试标准已较为成熟，但均分别存在一定的缺陷。因此，亟需一种高效率、高准确率的对页岩储层断裂韧性的有效预测方法。
发明内容
有鉴于此，本申请的目的在于，提供一种页岩断裂韧性预测方法、装置及电子设备以改善上述问题。
本申请实施例提供一种页岩断裂韧性预测方法，所述方法包括：
获取实验岩样，将所述实验岩样分为训练岩样和测试岩样；
分别获得所述训练岩样和所述测试岩样的影响特征以及实验所得的实际岩样断裂韧性值；
构建BP神经网络，将所述训练岩样导入至所述BP神经网络进行训练以得到预测模型；
将所述测试岩样的影响特征导入至所述预测模型，将所述预测模型的输出结果与所述测试岩样的实验所得的实际岩样断裂韧性值进行比对，以得到所述预测模型的精确度，根据所述精确度对所述BP神经网络的参数进行调整。
可选地，所述分别获得所述训练岩样和所述测试岩样的影响特征以及实验所得的实际岩样断裂韧性值的步骤，包括：
获得所述训练岩样和所述测试岩样经过加工后的体积密度数据；
获得所述训练岩样和所述测试岩样经过超声波透射法进行纵波速度和横波速度测量后所得到的纵波时差数据和横波时差数据；
获得所述训练岩样和所述测试岩样在经过衍射仪测试后所得到的黏土矿物含量数据；
获得所述训练岩样和所述测试岩样在经过伺服刚性控制试验机进行加载试验后所得到的载荷-位移曲线；
根据所述载荷-位移曲线获得最大破坏载荷，结合所述训练岩样和所述测试岩样的几何参数计算得到对应的岩样断裂韧性值。
可选地，所述根据所述载荷-位移曲线获得最大破坏载荷，结合所述训练岩样和所述测试岩样的几何参数计算得到对应的岩样断裂韧性值的步骤，包括：
根据所述载荷-位移曲线获得最大破坏载荷，结合所述训练岩样和所述测试岩样的几何参数，并按如下公式计算得到对应的岩样断裂韧性值：
Figure BDA0001929206990000031
其中，KIC为岩样断裂韧性值，MPa·m0.5；Pmax为最大破坏载荷值，kN；D为训练岩样或测试岩样的直径(cm)；B为训练岩样或测试岩样的试样厚度(cm)；
Figure BDA0001929206990000032
为训练岩样或测试岩样的无量纲临界应力强度因子，仅由训练岩样或测试岩样的几何参数决定。
可选地，所述构建BP神经网络的步骤，包括：
构建包含输入层、输出层以及隐含层的BP神经网络；
根据所述BP神经网络的输入参数数量以及所述输出层的神经元数量，并按公式计算得到所述隐含层的神经元数量：
Figure BDA0001929206990000033
其中，n1为所述隐含层的神经元数量，n为输入参数数量，m为输出层的神经元数量，a为[1,10]之间的常数。
可选地，所述训练岩样和所述测试岩样的影响特征包含多个，所述将所述训练岩样导入至所述BP神经网络进行训练以得到预测模型的步骤之前，所述方法还包括：
对所述训练岩样和所述测试岩样的各所述影响特征按如下公式进行归一化处理：
Figure BDA0001929206990000034
其中，xi表示第i个训练岩样或测试岩样的其中一个影响特征的参数值，xmin表示该影响特征的参数值中的最小值，xmax表示该影响特征的参数值中的最大值，Xi表示该影响特征的进行归一化处理后的参数值。
可选地，所述将所述预测模型的输出结果与所述测试岩样的实际所得的实际岩样断裂韧性值进行比对，以得到所述预测模型的精确度，根据所述精确度对所述BP神经网络的参数进行调整的步骤，包括：
对所述预测模型的输出结果按如下公式进行反归一化处理：
xi＝Xi×(xmax-xmin)+xmin
其中，xi表示输出结果中经过反归一化处理后的岩样断裂韧性值，Xi表示输出结果中的经过归一化处理的岩样断裂韧性值，xmax表示输出结果中的岩样断裂韧性值的最大值，xmin表示输出结果中的岩样断裂韧性值的最小值；
将所述输出结果中经过反归一化处理后得到的岩样断裂韧性值与所述测试岩样的实验所得的实际岩样断裂韧性值进行比对，以得到所述预测模型的准确度，根据所述精确度对所述BP神经网络的参数进行调整。
可选地，将所述预测模型的输出结果与所述测试岩样的实验所得的实际岩样断裂韧性值进行比对，以得到所述预测模型的精确度的步骤之后，所述方法还包括：
获得目标测井的不同深度段的待测岩样，获得所述待测岩样的影响特征；
对所述影响特征进行归一化处理，并将归一化处理后的影响特征带入至建立的所述预测模型得到所述待测岩样的输出结果；
对所述待测岩样的输出结果进行反归一化处理，以得到所述目标测井的不同深度段的待测岩样的断裂韧性值。
可选地，所述训练岩样包含多个，多个所述训练岩样为不同深度段的岩样，所述测试岩样包含多个，多个所述测试岩样为不同深度段的岩样。
本申请实施例还提供一种页岩断裂韧性预测装置，所述装置包括：
划分模块，用于获取实验岩样，将所述实验岩样分为训练岩样和测试岩样；
获取模块，用于分别获得所述训练岩样和所述测试岩样的影响特征以及实验所得的实际岩样断裂韧性值；
训练模块，用于构建BP神经网络，将所述训练岩样导入至所述BP神经网络进行训练以得到预测模型；
比对模块，用于将所述测试岩样的影响特征导入至所述预测模型，将所述预测模型的输出结果与所述测试岩样的实验所得的实际岩样断裂韧性值进行比对，以得到所述预测模型的精确度，根据所述精确度对所述BP神经网络的参数进行调整。
本申请实施例还提供一种电子设备，包括存储器、处理器机存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现上述的方法步骤。
本申请实施例提供的页岩断裂韧性预测方法、装置及电子设备，通过将实验岩样分为训练岩样和测试岩样，并预先获得训练岩样和测试岩样的影响特征及实际所得的实际岩样断裂韧性值。再将训练岩样导入至构建的BP神经网络进行训练以得到预测模型。将测试岩样的影响特征导入至预测模型，将预测模型输出的结构与测试岩样的实验所得的实际岩样断裂韧性值进行比对，以得到预测模型的精确度，并根据所述精确度对BP神经网络的参数进行调整。通过上述步骤，可基于BP神经网络的学习能力，通过不断调整和优化，最终得到准确率较高的预测输出结果，提高了预测的准确度、可靠性。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的电子设备的结构框图。
图2为本申请实施例提供的页岩断裂韧性预测方法的流程图。
图3为图2中步骤S120的子步骤的流程图。
图4为本申请实施例构建的BP神经网络的网络构架示意图。
图5为本申请实施例提供的训练岩样和测试岩样的归一化后的体积密度数据的示意图。
图6为本申请实施例提供的训练岩样和测试岩样的归一化后的纵波时差数据及横波时差数据的示意图。
图7为本申请实施例提供的训练岩样和测试岩样的归一化后的岩样断裂韧性值的示意图。
图8为本申请实施例提供的训练岩样和测试岩样的归一化后的黏土矿物含量数据的示意图。
图9为本申请实施例提供的预测模型的输出结果和实际值之间的比对示意图。
图10为本申请实施例提供的页岩断裂韧性预测方法的另一流程图。
图11为本申请实施例提供的目标测井的全井段的页岩断裂韧性值示意图。
图12为本申请实施例提供的页岩断裂韧性预测装置的功能模块框图。
图标：100-电子设备；110-页岩断裂韧性预测装置；111-划分模块；112-获取模块；113-训练模块；114-比对模块；120-处理器；130-存储器。
具体实施方式
下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
如图1所示，本发明实施例提供了一种电子设备100，所述电子设备100包括存储器130、处理器120和页岩断裂韧性预测装置110。
所述存储器130和处理器120之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述页岩断裂韧性预测装置110包括至少一个可以软件或固件(firmware)的形式存储于所述存储器130中的软件功能模块。所述处理器120用于执行所述存储器130中存储的可执行的计算机程序，例如，所述页岩断裂韧性预测装置110所包括的软件功能模块及计算机程序等，以实现页岩断裂韧性预测方法。
其中，所述存储器130可以是，但不限于，随机存取存储器(Random AccessMemory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(ProgrammableRead-Only Memory，PROM)，可擦除只读存储器(Erasable Programmable Read-OnlyMemory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-OnlyMemory，EEPROM)等。其中，存储器130用于存储程序，所述处理器120在接收到执行指令后，执行所述程序。
所述处理器120可能是一种集成电路芯片，具有信号的处理能力。上述的处理器120可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器120也可以是任何常规的处理器等。
可以理解，图1所示的结构仅为示意，所述电子设备100还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。
可选地，所述电子设备100的具体类型不受限制，例如，可以是，但不限于，个人电脑(personal computer，PC)、平板电脑、个人数字助理(personal digital assistant，PDA)、移动上网设备(mobile Internet device，MID)、web(网站)服务器、数据服务器等具有处理功能的设备。
结合图2，本发明实施例还提供一种可应用于上述电子设备100的页岩断裂韧性预测方法。其中，所述方法有关的流程所定义的方法步骤可以由所述处理器120实现。下面将对图2所示的具体流程进行详细阐述。
步骤S110，获取实验岩样，将所述实验岩样分为训练岩样和测试岩样。
可选地，实验人员可从矿场取回页岩井下或露头的岩样，对获得的岩样进行岩性分析、描述，可从获得的岩样中选取合适的实验岩样。将实验岩样相关信息输入至电子设备100中。可将实验岩样分为训练岩样和测试岩样，其中，所述训练岩样包含多个，多个所述训练岩样为不同深度段的岩样，所述测试岩样包含多个，多个所述测试岩样为不同深度段的岩样。例如，可以17组岩样数据作为训练岩样，可标记为A组，将13组岩样数据作为测试岩样，可标记为B组。当然，上述只是列举说明，具体的分组情况并不局限于此。
步骤S120，分别获得所述训练岩样和所述测试岩样的影响特征以及实验所得的实际岩样断裂韧性值。
本实施例中，可首先获得对页岩储层的页岩断裂韧性值具有影响的影响特征，其中，影响特征包括页岩的体积密度数据、纵、横波时差数据、黏土矿物含量数据等。请结合参阅图3，本实施例中，步骤S120可以包括以下子步骤：
步骤S121，获得所述训练岩样和所述测试岩样经过加工后的体积密度数据。
步骤S122，获得所述训练岩样和所述测试岩样经过超声波透射法进行纵波速度和横波速度测量后所得到的纵波时差数据和横波时差数据。
步骤S123，获得所述训练岩样和所述测试岩样在经过衍射仪测试后所得到的黏土矿物含量数据。
步骤S124，获得所述训练岩样和所述测试岩样在经过伺服刚性控制试验机进行加载试验后所得到的载荷-位移曲线。
步骤S125，根据所述载荷-位移曲线获得最大破坏载荷，结合所述训练岩样和所述测试岩样的几何参数计算得到对应的岩样断裂韧性值。
可选地，可以国际岩石力学协会推荐的人字型切槽巴西圆盘(CCNBD)对训练岩样和测试岩样进行加工切割，得到满足尺寸要求的岩样。例如得到直径为75mm、直径与厚度比例为5:2的体积密度数据。将得到的体积密度数据输入至电子设备100中，以供后续所需。
可采用超声透射法对加工切割处理之后的训练岩样和测试岩样进行纵波速度和横波速度的测量。电子设备100可获得所述训练岩样和所述测试岩样经过超声波透射法进行纵波速度和横波速度测量后所得到的纵波时差数据和横波时差数据。
本实施例中，还可采用伺服刚性控制试验机对经过加工切割处理之后的训练岩样和测试岩样进行加载试验，从而获得岩样的载荷-位移曲线。可从获得的该载荷-位移曲线中获取最大破坏载荷。结合所述训练岩样和所述测试岩样的几何参数计算得到对应的岩样断裂韧性值。
其中，可按如下公式计算得到对应的岩样断裂韧性值：
Figure BDA0001929206990000101
其中，KIC为岩样断裂韧性值，MPa·m0.5；Pmax为最大破坏载荷值，kN；D为训练岩样或测试岩样的直径(cm)；B为训练岩样或测试岩样的试样厚度(cm)；
Figure BDA0001929206990000102
为训练岩样或测试岩样的无量纲临界应力强度因子，仅由训练岩样或测试岩样的几何参数决定。
此外，本实施例中，还可对训练岩样和测试岩样中的黏土含量进行测。可选用衍射仪进行黏土含量测试。电子设备100可获得训练岩样和测试岩样在经过衍射仪测试后所得到的黏土矿物含量数据(泥质含量)。
步骤S130，构建BP神经网络，将所述训练岩样导入至所述BP神经网络进行训练以得到预测模型。
本实施例中，可构建BP神经网络，以上述的纵波时差数据、横波时差数据、体积密度数据及黏土矿物含量数据等作为BP神经网络的输入参数，以岩样断裂韧性值作为网络的输出值。
BP神经网络包含输入层、输出层以及隐含层，其中，隐含层可包括一层或多层，具体不限。本实施例中，构建的BP神经网络包含一层隐含层，并可以根据BP神经网络的输入参数数据以及所述输出层的神经元的数量计算得到所述隐含层的神经元数量。可按如下计算公式进行计算：
Figure BDA0001929206990000111
其中，n1为所述隐含层的神经元数量，n为输入参数数量，m为输出层的神经元数量，a为[1,10]之间的常数。
其中，输出层的神经元数量和输出参数的数量一致，在本实施例中，输出参数为岩样断裂韧性值，即输出层的神经元数量为1。输入参数分别为纵波时差数据、横波时差数据、体积密度数据及黏土矿物含量数据，即输入参数数量为4。在带入上述公式，并对a取一定值时，可构建包含10个神经元的隐含层，例如如图4中所示。
将训练岩样导入至构建的BP神经网络中进行训练可得到预测模型。
本实施例中，由于考虑到室内实验所得的纵波时差数据、横波时差数据、黏土矿物含量数据及体积密度数据等之间具有不同的量纲，在得到的数值上差异很大，因此本实施例中采用了归一化的方式以消除不同量纲之间的取值差异。
可选地，对所述训练岩样和所述测试岩样的各所述影响特征按如下公式进行归一化处理。得到的归一化后的各影响特征可如图5-图8所示。
Figure BDA0001929206990000121
其中，xi表示第i个训练岩样或测试岩样的其中一个影响特征的参数值，xmin表示该影响特征的参数值中的最小值，xmax表示该影响特征的参数值中的最大值，Xi表示该影响特征的进行归一化处理后的参数值。
步骤S140，将所述测试岩样的影响特征导入至所述预测模型，将所述预测模型的输出结果与所述测试岩样的实验所得的实际岩样断裂韧性值进行比对，以得到所述预测模型的精确度，根据所述精确度对所述BP神经网络的参数进行调整。
可选地，在上述通过训练岩样得到预测模型的基础上，可利用测试岩样对预存模型进行验证。可将测试岩样的影响特征导入至所述预测模型，得到预测模型输出的结果，该输出的结果即为预测模型预测所得的岩样断裂韧性值。可将预测模型输出的岩样断裂韧性值与实验所得的实际岩样断裂韧性值进行比对，以得到预测模型的准确度。
可选地，在本实施例中，由于在将训练样本导入至BP神经网络之前，对训练岩样以及测试岩样中的影响特征进行了归一化处理。因此，在将输出结果与实际岩样断裂韧性值进行比较之前，为了保证数量级一致，因此需要对输出结果进行反归一化处理。
对所述预测模型的输出结果按如下公式进行反归一化处理：
xi＝Xi×(xmax-xmin)+xmin
其中，xi表示输出结果中经过反归一化处理后的岩样断裂韧性值，Xi表示输出结果中的经过归一化处理的岩样断裂韧性值，xmax表示输出结果中的岩样断裂韧性值的最大值，xmin表示输出结果中的岩样断裂韧性值的最小值。
将所述输出结果中经过反归一化处理后得到的岩样断裂韧性值与所述测试岩样的实验所得的实际岩样断裂韧性值进行比对，以得到所述预测模型的准确度。本实施例中，可根据得到的预测模型的精确度对所述BP神经网络的参数进行调整，如此不断优化BP神经网络，在经过多次的训练之后，可提高得到的预测模型的准确度，可得到例如如图9所示的预测结果。
在本实施例中，在得到准确度较高的预测模型的基础上，可正式对待测的目标井进行预测。可选地，请参阅图10，本实施例中，所述方法还包括以下步骤：
步骤S210，获得目标测井的不同深度段的待测岩样，获得所述待测岩样的影响特征。
步骤S220，对所述影响特征进行归一化处理，并将归一化处理后的影响特征带入至建立的所述预测模型得到所述待测岩样的输出结果。
步骤S230，对所述待测岩样的输出结果进行反归一化处理，以得到所述目标测井的不同深度段的待测岩样的断裂韧性值。
本实施例中，操作人员可对目标测井的测井资料进行深度校正、环境影响校正等。得到目标测井的不同深度的待测岩样，并按上述的方式分别获得待测岩样的纵波时差数据、横波时差数据、黏土矿物含量数据及体积密度数据。并分别对上述数据进行归一化处理，将归一化处理后的上述数据带入至得到的预测模型中，从而得到待测岩样的输出结果。
对得到的输出结果按上述方式进行反归一化处理，以得到目标测井的不同深度段的待测岩样的断裂韧性值，如此可得到该目标测井的全井段断裂韧性值，可如图11中所示。
请参阅图12，本申请另一实施例还提供一种页岩断裂韧性预测装置110，所述预测装置包括划分模块111、获取模块112、训练模块113以及比对模块114。
所述划分模块111，用于获取实验岩样，将所述实验岩样分为训练岩样和测试岩样。
所述获取模块112，用于分别获得所述训练岩样和所述测试岩样的影响特征以及实验所得的实际岩样断裂韧性值。
所述训练模块113，用于构建BP神经网络，将所述训练岩样导入至所述BP神经网络进行训练以得到预测模型。
所述比对模块114，用于将所述测试岩样的影响特征导入至所述预测模型，将所述预测模型的输出结果与所述测试岩样的实验所得的实际岩样断裂韧性值进行比对，以得到所述预测模型的精确度，根据所述精确度对所述BP神经网络的参数进行调整。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置的具体工作过程，可以参考前述方法中的对应过程，在此不再过多赘述。
综上所述，本申请实施例提供的页岩断裂韧性预测方法、装置及电子设备100，通过将实验岩样分为训练岩样和测试岩样，并预先获得训练岩样和测试岩样的影响特征及实际所得的实际岩样断裂韧性值。再将训练岩样导入至构建的BP神经网络进行训练以得到预测模型。将测试岩样的影响特征导入至预测模型，将预测模型输出的结构与测试岩样的实验所得的实际岩样断裂韧性值进行比对，以得到预测模型的精确度，并根据所述精确度对BP神经网络的参数进行调整。通过上述步骤，可基于BP神经网络的学习能力，通过不断调整和优化，最终得到准确率较高的预测输出结果，提高了预测的准确度、可靠性。
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种页岩断裂韧性预测方法，其特征在于，所述方法包括：
获取实验岩样，将所述实验岩样分为训练岩样和测试岩样；
分别获得所述训练岩样和所述测试岩样的影响特征以及实验所得的实际岩样断裂韧性值，所述影响特征包括页岩的体积密度数据、纵波时差数据、横波时差数据和黏土矿物含量数据，所述纵波时差数据和横波时差数据为利用超声波透射法对训练岩样和测试岩样进行纵波速度和横波速度测量得到；
构建BP神经网络，将所述训练岩样导入至所述BP神经网络进行训练以得到预测模型，所述预测模型的输入为所述体积密度数据、纵波时差数据、横波时差数据和黏土矿物含量数据，输出结果为预测的岩样断裂韧性值；
将所述测试岩样的影响特征导入至所述预测模型，将所述预测模型的输出结果与所述测试岩样的实验所得的实际岩样断裂韧性值进行比对，以得到所述预测模型的精确度，根据所述精确度对所述BP神经网络的参数进行调整。
2.根据权利要求1所述的页岩断裂韧性预测方法，其特征在于，所述分别获得所述训练岩样和所述测试岩样的影响特征以及实验所得的实际岩样断裂韧性值的步骤，包括：
获得所述训练岩样和所述测试岩样经过加工后的体积密度数据；
获得所述训练岩样和所述测试岩样经过超声波透射法进行纵波速度和横波速度测量后所得到的纵波时差数据和横波时差数据；
获得所述训练岩样和所述测试岩样在经过衍射仪测试后所得到的黏土矿物含量数据；
获得所述训练岩样和所述测试岩样在经过伺服刚性控制试验机进行加载试验后所得到的载荷-位移曲线；
根据所述载荷-位移曲线获得最大破坏载荷，结合所述训练岩样和所述测试岩样的几何参数计算得到对应的岩样断裂韧性值。
3.根据权利要求2所述的页岩断裂韧性预测方法，其特征在于，所述根据所述载荷-位移曲线获得最大破坏载荷，结合所述训练岩样和所述测试岩样的几何参数计算得到对应的岩样断裂韧性值的步骤，包括：
根据所述载荷-位移曲线获得最大破坏载荷，结合所述训练岩样和所述测试岩样的几何参数，并按如下公式计算得到对应的岩样断裂韧性值：
Figure FDA0003901710470000021
其中，KIC为岩样断裂韧性值，MPa·m0.5；Pmax为最大破坏载荷值，kN；D为训练岩样或测试岩样的直径(cm)；B为训练岩样或测试岩样的试样厚度(cm)；
Figure FDA0003901710470000022
为训练岩样或测试岩样的无量纲临界应力强度因子，仅由训练岩样或测试岩样的几何参数决定。
4.根据权利要求1所述的页岩断裂韧性预测方法，其特征在于，所述构建BP神经网络的步骤，包括：
构建包含输入层、输出层以及隐含层的BP神经网络；
根据所述BP神经网络的输入参数数量以及所述输出层的神经元数量，并按公式计算得到所述隐含层的神经元数量：
Figure FDA0003901710470000031
其中，n1为所述隐含层的神经元数量，n为输入参数数量，m为输出层的神经元数量，a为[1,10]之间的常数。
5.根据权利要求1所述的页岩断裂韧性预测方法，其特征在于，所述训练岩样和所述测试岩样的影响特征包含多个，所述将所述训练岩样导入至所述BP神经网络进行训练以得到预测模型的步骤之前，所述方法还包括：
对所述训练岩样和所述测试岩样的各所述影响特征按如下公式进行归一化处理：
Figure FDA0003901710470000032
其中，xi表示第i个训练岩样或测试岩样的其中一个影响特征的参数值，xmin表示该影响特征的参数值中的最小值，xmax表示该影响特征的参数值中的最大值，Xi表示该影响特征的进行归一化处理后的参数值。
6.根据权利要求5所述的页岩断裂韧性预测方法，其特征在于，所述将所述预测模型的输出结果与所述测试岩样的实际所得的实际岩样断裂韧性值进行比对，以得到所述预测模型的精确度的步骤，包括：
对所述预测模型的输出结果按如下公式进行反归一化处理：
xi＝Xi×(xmax-xmin)+xmin
其中，xi表示输出结果中经过反归一化处理后的岩样断裂韧性值，Xi表示输出结果中的经过归一化处理的岩样断裂韧性值，xmax表示输出结果中的岩样断裂韧性值的最大值，xmin表示输出结果中的岩样断裂韧性值的最小值；
将所述输出结果中经过反归一化处理后得到的岩样断裂韧性值与所述测试岩样的实验所得的实际岩样断裂韧性值进行比对，以得到所述预测模型的准确度，根据所述精确度对所述BP神经网络的参数进行调整。
7.根据权利要求1所述的页岩断裂韧性预测方法，其特征在于，将所述预测模型的输出结果与所述测试岩样的实验所得的实际岩样断裂韧性值进行比对，以得到所述预测模型的精确度的步骤之后，所述方法还包括：
获得目标测井的不同深度段的待测岩样，获得所述待测岩样的影响特征；
对所述影响特征进行归一化处理，并将归一化处理后的影响特征带入至建立的所述预测模型得到所述待测岩样的输出结果；
对所述待测岩样的输出结果进行反归一化处理，以得到所述目标测井的不同深度段的待测岩样的断裂韧性值。
8.根据权利要求1-7任意一项所述的页岩断裂韧性预测方法，其特征在于，所述训练岩样包含多个，多个所述训练岩样为不同深度段的岩样，所述测试岩样包含多个，多个所述测试岩样为不同深度段的岩样。
9.一种页岩断裂韧性预测装置，其特征在于，所述装置包括：
划分模块，用于获取实验岩样，将所述实验岩样分为训练岩样和测试岩样；
获取模块，用于分别获得所述训练岩样和所述测试岩样的影响特征以及实验所得的实际岩样断裂韧性值，所述影响特征包括页岩的体积密度数据、纵波时差数据、横波时差数据和黏土矿物含量数据，所述纵波时差数据和横波时差数据为利用超声波透射法对训练岩样和测试岩样进行纵波速度和横波速度测量得到；
训练模块，用于构建BP神经网络，将所述训练岩样导入至所述BP神经网络进行训练以得到预测模型，所述预测模型的输入为所述体积密度数据、纵波时差数据、横波时差数据和黏土矿物含量数据，输出结果为预测的岩样断裂韧性值；
比对模块，用于将所述测试岩样的影响特征导入至所述预测模型，将所述预测模型的输出结果与所述测试岩样的实验所得的实际岩样断裂韧性值进行比对，以得到所述预测模型的精确度，根据所述精确度对所述BP神经网络的参数进行调整。
10.一种电子设备，包括存储器、处理器机存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1-8任意一项所述的方法步骤。
CN201811632256.9A 2018-12-29 2018-12-29 页岩断裂韧性预测方法、装置及电子设备 Active CN109543352B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811632256.9A CN109543352B (zh) 2018-12-29 2018-12-29 页岩断裂韧性预测方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811632256.9A CN109543352B (zh) 2018-12-29 2018-12-29 页岩断裂韧性预测方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN109543352A CN109543352A (zh) 2019-03-29
CN109543352B true CN109543352B (zh) 2023-05-09

Family

ID=65830999

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811632256.9A Active CN109543352B (zh) 2018-12-29 2018-12-29 页岩断裂韧性预测方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN109543352B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111898785A (zh) * 2019-05-05 2020-11-06 中国石油天然气集团有限公司 基于页岩的断裂韧性空间分布特征预测方法及系统
CN111749677A (zh) * 2020-06-30 2020-10-09 宋立才 测井信息处理方法和装置、电子设备及存储介质
CN112862169B (zh) * 2021-01-28 2024-03-29 中国石油大学(北京) 预测陆相泥页岩游离油含量的方法及装置
CN113343566B (zh) * 2021-05-31 2023-09-01 北京信息科技大学 基于深度学习的镍基合金断裂韧性预测方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012003027A1 (en) * 2010-06-28 2012-01-05 Exxonmobil Upstream Research Company Method and system for modeling fractures in ductile rock
CN104853822A (zh) * 2014-09-19 2015-08-19 杨顺伟 一种评价页岩气储层及寻找甜点区的方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10400550B2 (en) * 2014-10-24 2019-09-03 Halliburton Energy Services, Inc. Shale fracturing characterization and optimization using three-dimensional fracture modeling and neural network
CN104568605A (zh) * 2014-12-31 2015-04-29 国际竹藤中心 基于三点弯曲模式测试藤材断裂韧性的方法
CN105259331B (zh) * 2015-11-06 2017-06-30 三峡大学 一种节理岩体单轴强度预测方法
CN108681635B (zh) * 2018-05-15 2021-11-02 中国石油天然气股份有限公司 一种致密储层体积压裂可压性评价方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012003027A1 (en) * 2010-06-28 2012-01-05 Exxonmobil Upstream Research Company Method and system for modeling fractures in ductile rock
CN104853822A (zh) * 2014-09-19 2015-08-19 杨顺伟 一种评价页岩气储层及寻找甜点区的方法
WO2016041189A1 (zh) * 2014-09-19 2016-03-24 杨顺伟 一种评价页岩气储层及寻找甜点区的方法

Also Published As

Publication number Publication date
CN109543352A (zh) 2019-03-29

Similar Documents

Publication Publication Date Title
CN109543352B (zh) 页岩断裂韧性预测方法、装置及电子设备
CN107657365B (zh) 地质资源开采价值评价方法及装置
RU2669948C2 (ru) Оптимизация многоступенчатого проекта нефтяного месторождения в условиях неопределенности
CN109856674B (zh) 工程甜点评测方法
CN107366534B (zh) 粗化渗透率的确定方法和装置
CN109635244B (zh) 岩石可钻性预测方法、系统、存储介质及电子终端
US20130282286A1 (en) System and method for calibrating permeability for use in reservoir modeling
EP3394647B1 (en) A methodology for building realistic numerical forward stratigraphic models in data sparse environment
US20150062300A1 (en) Wormhole Structure Digital Characterization and Stimulation
CN105683495A (zh) 设计井筒完井层段
CN107808032B (zh) 页岩气储层含水饱和度计算方法及系统
Sadegheslam et al. Predicting the production rate of diamond wire saws using multiple nonlinear regression analysis
CN103198363A (zh) 一种基于ct孔隙分析的储层产气量预测方法及装置
US20210124071A1 (en) Methods and systems for characterizing clay content of a geological formation
CN110991079B (zh) 基于神经网络的油气藏参数解释方法、装置及电子设备
Zahiri et al. Determination of safe mud weight window based on well logging data using artificial intelligence
US9250173B2 (en) Identifying potential fracture treatment locations in a formation based on production potential
Yang et al. Intelligent rating method of tunnel surrounding rock based on one-dimensional convolutional neural network
CN111155980B (zh) 一种水流优势通道识别方法及装置
CN107038300B (zh) 一种不同温度下pdc钻头岩石可钻性级值预测方法及装置
Jalilian et al. Stability assessment of open spans in underground entry-type excavations by focusing on data mining methods
CN114021700A (zh) 基于岩石物理约束神经网络的渗透率计算方法及装置
Rezaei et al. Assessment of effect of rock properties on horizontal drilling rate in marble quarry mining: field and experimental studies
CN116559938A (zh) 一种油气藏裂缝模型建立方法及电子设备
CN115144929A (zh) 油气藏储量确定方法、装置、存储介质及电子设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant