CN114154427B - 基于深度学习的体积压裂裂缝扩展预测方法和系统 - Google Patents

Abstract

本发明提供了一种基于深度学习的体积压裂裂缝扩展预测方法和系统，涉及油气田开发技术领域，首先构建用于预测不同类型油藏裂缝扩展的U型深度残差卷积神经网络预测模型，然后将待预测油藏的裂缝扩展预测方案输入该模型，获得待预测油藏的裂缝扩展预测结果。基于U型深度残差卷积神经网络预测模型预测裂缝扩展只需要数秒的时间，克服了传统的裂缝扩展模拟方法模拟裂缝扩展过程需要几个小时甚至更长时间的缺陷，大大降低了时间成本，提高了体积压裂裂缝扩展预测效率。

Description

基于深度学习的体积压裂裂缝扩展预测方法和系统

技术领域

本发明涉及油气田开发技术领域，特别是涉及一种基于深度学习的体积压裂裂缝扩展预测方法和系统。

背景技术

体积压裂是非常规油气藏经济高效开发的关键技术。裂缝监测结果表明，体积压裂改造所产生的裂缝形态非常复杂，特别是储层内天然裂缝高度发育时，水力压裂所产生的裂缝与天然裂缝相互作用，进一步增强压裂缝网的复杂性，从而对压裂效果产生显著影响。快速准确的预测体积压裂所形成的缝网形态对非常规油气藏高效开发具有重要意义。

目前常用的裂缝扩展模拟方法包括扩展有限元法、位移不连续法、离散元方法等。参考申请号为CN202011449599.9的发明专利申请，其提出了一种水平井多段分簇压裂裂缝扩展的建模方法，主要利用有限差分法进行计算。参考申请号CN202010385059.2的发明专利申请，公开了一种基于强度理论的裂缝扩展路径计算方法，包括建立数值计算模型，划分网格及施加外荷载，在局部坐标系下提取裂缝尖端周向应力σ _θ 和切向应力τ _rθ ，利用基于强度理论的断裂准则，即“强度准则”，与裂缝扩展增量法相结合，获得裂缝扩展所需的临界起裂应力和临界起裂角，然后根据临界起裂角和给定的裂缝扩展增量确定新裂缝尖端的位置，更新数值计算模型进行下一步裂缝扩展过程计算。参考申请号为CN202110439529.3的发明专利申请，公开了一种根据油藏资料建立地质模型，通过非常规裂缝模型进行裂缝扩展模拟得到初始的缝网模型并校正得到最终的压裂模拟缝网形态。

上述裂缝扩展模拟方法在使用时均需要划分网格，而且网格连接关系在每个时间步都需要迭代更新计算，求解难度大，计算效率低，每个模型的计算耗时长达数小时甚至数天。由于实际压裂施工设计需要对成百上千个方案进行模拟对比，从而确定最优的实施方案，因此采用现有方法进行裂缝扩展模拟时，对于每个方案都需要进行一次单独的模拟，这将耗费大量的时间。

为解决当前体积压裂裂缝扩展模拟计算效率低、可迁移性差的局限，亟需一种快速准确的方法来预测裂缝扩展形态和应力分布状态，从而为压裂施工优化设计奠定基础。

发明内容

本发明的目的是提供一种基于深度学习的体积压裂裂缝扩展预测方法和系统，以提高体积压裂裂缝扩展预测效率。

为实现上述目的，本发明提供了如下方案：

一种基于深度学习的体积压裂裂缝扩展预测方法，所述方法包括：

构建用于预测不同类型油藏裂缝扩展的U型深度残差卷积神经网络预测模型；

获取待预测油藏的裂缝扩展预测方案；所述裂缝扩展预测方案包括原始地质参数、天然裂缝分布参数和压裂设计参数；

将所述待预测油藏的裂缝扩展预测方案输入待预测油藏所属类型的U型深度残差卷积神经网络预测模型，获得待预测油藏的裂缝扩展预测结果；所述裂缝扩展预测结果包括多个预测时刻的裂缝扩展形态分布参数和应力状态参数。

可选的，所述构建用于预测不同类型油藏裂缝扩展的U型深度残差卷积神经网络预测模型，具体包括：

构建每种类型油藏的多个裂缝扩展模拟方案；

根据多个裂缝扩展模拟方案，利用裂缝扩展模拟方法得到每个裂缝扩展模拟方案的裂缝扩展模拟结果；所述裂缝扩展模拟结果包括预定时间序列中不同时刻的裂缝扩展形态分布参数和应力状态参数；

以裂缝扩展模拟方案为输入，裂缝扩展模拟结果为标签建立训练数据集；

利用所述训练数据集训练U型深度残差卷积神经网络，获得用于预测每种类型油藏裂缝扩展的U型深度残差卷积神经网络预测模型。

可选的，所述构建每种类型油藏的多个裂缝扩展模拟方案，具体包括：

获取每种类型油藏的现场资料；所述现场资料包括测井资料、岩心分析资料、地震资料和压裂设计资料；

对现场资料进行整理分析，获得每种类型油藏的原始地质参数和裂缝组合参数；所述裂缝组合参数包括压裂设计参数和天然裂缝分布参数；

根据每种类型油藏不同类别的原始地质参数，利用地质统计学方法生成多个原始地质参数随机值，并利用概率分布法依照裂缝组合参数生成多个裂缝组合参数随机值；所述裂缝组合参数随机值为压裂设计参数随机值和天然裂缝分布参数随机值，或压裂设计参数随机值和固定天然裂缝分布参数；

将每种类型油藏的任意一个原始地质参数随机值和任意一个裂缝组合参数随机值组合，构成每种类型油藏的多个裂缝扩展模拟方案。

可选的，所述原始地质参数包括：孔隙度分布、渗透率分布、初始含油饱和度、原始地应力场、岩石的杨氏模量和岩石的泊松比；

所述压裂设计参数包括：射孔位置、设计裂缝的簇间距、设计裂缝的段间距、压裂液的排量、压裂液的类型、支撑剂类型和支撑剂用量；

所述天然裂缝分布参数包括：天然裂缝的平均长度、天然裂缝的走向、天然裂缝的密度和层理分布。

可选的，所述以裂缝扩展模拟方案为输入，裂缝扩展模拟结果为标签建立训练数据集，具体包括：

以裂缝扩展模拟方案中的原始地质参数、压裂设计参数的射孔位置、设计裂缝的簇间距、设计裂缝的段间距和/或天然裂缝分布参数作为图像输入数据，裂缝扩展模拟方案中压裂设计参数的压裂液的排量、压裂液的类型、支撑剂类型和支撑剂用量作为一维向量输入数据，裂缝扩展模拟结果为标签建立训练数据集。

可选的，利用所述训练数据集训练U型深度残差卷积神经网络，获得用于预测每种类型油藏裂缝扩展的U型深度残差卷积神经网络预测模型，具体包括：

将所述训练数据集划分为训练集、验证集和测试集；

利用所述训练集训练U型深度残差卷积神经网络，获得训练后的U型深度残差卷积神经网络；

采用所述验证集对训练后的U型深度残差卷积神经网络进行网络结构和超参数的调整；

利用所述测试集检验调整后的U型深度残差卷积神经网络，将满足测试要求的调整后的U型深度残差卷积神经网络确定为用于预测每种类型油藏裂缝扩展的U型深度残差卷积神经网络预测模型。

可选的，所述U型深度残差卷积神经网络预测模型包括：第一输入层、第二输入层、卷积层和反卷积层；

所述第一输入层用于输入图像输入数据；

所述第二输入层用于输入一维向量输入数据，并根据一维向量输入数据与图像的对应关系，对一维向量输入数据进行图像化，获得图像化的一维向量输入数据；

所述卷积层用于对图像输入数据和图像化的一维向量输入数据进行卷积操作，获得特征图像；

所述反卷积层用于对特征图像进行反卷积操作，获得裂缝扩展预测结果。

一种基于深度学习的体积压裂裂缝扩展预测系统，所述系统包括：

预测模型构建模块，用于构建用于预测不同类型油藏裂缝扩展的U型深度残差卷积神经网络预测模型；

预测方案获取模块，用于获取待预测油藏的裂缝扩展预测方案；所述裂缝扩展预测方案包括原始地质参数、天然裂缝分布参数和压裂设计参数；

预测结果获得模块，用于将所述待预测油藏的裂缝扩展预测方案输入待预测油藏所属类型的U型深度残差卷积神经网络预测模型，获得待预测油藏的裂缝扩展预测结果；所述裂缝扩展预测结果包括多个预测时刻的裂缝扩展形态分布参数和应力状态参数。

可选的，所述预测模型构建模块，具体包括：

模拟方案构建子模块，用于构建每种类型油藏的多个裂缝扩展模拟方案；

模拟结果获得子模块，用于根据多个裂缝扩展模拟方案，利用裂缝扩展模拟方法得到每个裂缝扩展模拟方案的裂缝扩展模拟结果；所述裂缝扩展模拟结果包括预定时间序列中不同时刻的裂缝扩展形态分布参数和应力状态参数；

训练数据集建立子模块，用于以裂缝扩展模拟方案为输入，裂缝扩展模拟结果为标签建立训练数据集；

预测模型获得子模块，用于利用所述训练数据集训练U型深度残差卷积神经网络，获得用于预测每种类型油藏裂缝扩展的U型深度残差卷积神经网络预测模型。

可选的，所述模拟方案构建子模块，具体包括：

现场资料获取单元，用于获取每种类型油藏的现场资料；所述现场资料包括测井资料、岩心分析资料、地震资料和压裂设计资料；

参数获得单元，用于对现场资料进行整理分析，获得每种类型油藏的原始地质参数和裂缝组合参数；所述裂缝组合参数包括压裂设计参数和天然裂缝分布参数；

随机值生成单元，用于根据每种类型油藏不同类别的原始地质参数，利用地质统计学方法生成多个原始地质参数随机值，并利用概率分布法依照裂缝组合参数生成多个裂缝组合参数随机值；所述裂缝组合参数随机值为压裂设计参数随机值和天然裂缝分布参数随机值，或压裂设计参数随机值和固定天然裂缝分布参数；

模拟方案构成单元，用于将每种类型油藏的任意一个原始地质参数随机值和任意一个裂缝组合参数随机值组合，构成每种类型油藏的多个裂缝扩展模拟方案。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明公开一种基于深度学习的体积压裂裂缝扩展预测方法和系统，首先构建用于预测不同类型油藏裂缝扩展的U型深度残差卷积神经网络预测模型，然后将待预测油藏的裂缝扩展预测方案输入该模型，获得待预测油藏的裂缝扩展预测结果。基于U型深度残差卷积神经网络预测模型预测裂缝扩展只需要数秒的时间，克服了传统的裂缝扩展模拟方法模拟裂缝扩展过程需要几个小时甚至更长时间的缺陷，大大降低了时间成本，提高了体积压裂裂缝扩展预测效率。

本发明所建立的U型深度残差卷积神经网络预测模型预测准确性高，具有极强的泛化能力，对于不同类型油藏均具有适用性。只要待预测油藏与建立样本集的原始地质参数、天然裂缝分布参数和压裂设计参数分布范围相近，就可用该预测模型来预测不同时刻的裂缝扩展形态和应力分布状态。同时，所建立的U型深度残差卷积神经网络预测模型可迁移性强，对于待预测油藏与建立样本集的原始地质参数、天然裂缝分布参数和压裂设计参数分布范围差别很大的情形，可以补充少量的新样本对已有的预测模型进行再次训练，实现模型的迁移，从而达到对更加复杂情况下油藏裂缝扩展进行快速准确预测的目的。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明提供的一种基于深度学习的体积压裂裂缝扩展预测方法的流程图；

图2为本发明提供的U型深度残差卷积神经网络预测模型的结构示意图；

图3为本发明提供的天然裂缝存在形态和位置示意图；

图4为本发明提供的裂缝扩展模拟结果图；

图5为本发明提供的U型深度残差卷积神经网络预测结果图；

图6为本发明提供的训练迭代过程中决定系数（R²）的变化曲线图；

图7为本发明提供的训练迭代过程中绝对均方根误差（RMSE）的变化曲线。

具体实施方式

下面将结合本发明实施例中的附图，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的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动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。

本发明的目的是提供一种基于深度学习的体积压裂裂缝扩展预测方法和系统，以提高体积压裂裂缝扩展预测效率。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

本发明提供了一种基于深度学习的体积压裂裂缝扩展预测方法，如图1所示，方法包括：

步骤101，构建用于预测不同类型油藏裂缝扩展的U型深度残差卷积神经网络预测模型；

步骤102，获取待预测油藏的裂缝扩展预测方案；裂缝扩展预测方案包括原始地质参数、天然裂缝分布参数和压裂设计参数；

步骤103，将待预测油藏的裂缝扩展预测方案输入待预测油藏所属类型的U型深度残差卷积神经网络预测模型，获得待预测油藏的裂缝扩展预测结果；裂缝扩展预测结果包括多个预测时刻的裂缝扩展形态分布参数和应力状态参数。

具体实现过程如下：

本发明借助裂缝扩展模拟方法建立神经网络模型训练所需的数据集，并利用U型深度残差卷积神经网络实现从原始地质参数、天然裂缝分布参数和压裂设计参数到裂缝扩展形态和应力状态的预测。通过设计裂缝扩展模拟方案，训练不同输入参数下的裂缝扩展形态和应力状态数据集，训练完成后的模型可以实现不同原始地质参数、天然裂缝分布参数和压裂设计参数条件下任意时刻的裂缝扩展形态和应力状态的预测。

步骤1：构建每种类型油藏的多个裂缝扩展模拟方案，具体包括：

获取每种类型油藏的现场资料；现场资料包括测井资料、岩心分析资料、地震资料和压裂设计资料；

对现场资料进行整理分析，获得每种类型油藏的原始地质参数和裂缝组合参数；裂缝组合参数包括压裂设计参数和天然裂缝分布参数；

根据每种类型油藏不同类别的原始地质参数，利用地质统计学方法生成多个原始地质参数随机值，并利用概率分布法依照裂缝组合参数生成多个裂缝组合参数随机值；裂缝组合参数随机值为压裂设计参数随机值和天然裂缝分布参数随机值，或压裂设计参数随机值和固定天然裂缝分布参数；地质统计学方法包括但不限于：高斯序贯模拟、克里金法等。

将每种类型油藏的任意一个原始地质参数随机值和任意一个裂缝组合参数随机值组合，构成每种类型油藏的多个裂缝扩展模拟方案。

油藏分为多种类型，每种类型的油藏中原始地质参数类别不同，不同类别的原始地质参数的取值范围不同。属于同一种油藏类型的不同井都可以使用该种类型油藏的U型深度残差卷积神经网络预测模型进行裂缝扩展预测。

原始地质参数包括：孔隙度分布、渗透率分布、初始含油饱和度、原始地应力场、岩石的杨氏模量和岩石的泊松比。

压裂设计参数包括：射孔位置（射孔层位和方位）、设计裂缝的簇间距、设计裂缝的段间距、压裂液的排量、压裂液的类型、支撑剂类型和支撑剂用量。

天然裂缝分布参数包括：天然裂缝的平均长度、天然裂缝的走向、天然裂缝的密度和层理分布。

步骤2：构建用于预测不同类型油藏裂缝扩展的U型深度残差卷积神经网络预测模型，具体包括：

2.1 根据多个裂缝扩展模拟方案，利用裂缝扩展模拟方法得到每个裂缝扩展模拟方案的裂缝扩展模拟结果。

利用数值模拟器选用裂缝扩展模拟方法，包括但不限于扩展有限元法、位移不连续法等。在本发明的实施例中，对数值模拟方案采用位移不连续法进行模拟计算，得到预定时间序列中不同时刻的裂缝扩展形态分布和应力模拟结果。

2.2 以裂缝扩展模拟方案为输入，裂缝扩展模拟结果为标签建立训练数据集；

将裂缝扩展模拟方案中的原始地质参数、压裂设计参数的射孔位置、设计裂缝的簇间距、设计裂缝的段间距和/或天然裂缝分布参数作为图像输入数据，具体为：将孔隙度、渗透率、初始含油饱和度、岩石的杨氏模量、岩石的泊松比、射孔位置、设计裂缝的簇间距、设计裂缝的段间距、原始地应力分布、天然裂缝的分布状态视为三维数据，考虑平面状态时视为二维数据。

将裂缝扩展模拟方案中压裂设计参数的压裂液类型、支撑剂类型、压裂液的排量和支撑剂用量作为一维向量输入数据，裂缝扩展模拟结果为标签建立训练数据集。

2.3 利用训练数据集训练U型深度残差卷积神经网络，获得用于预测每种类型油藏裂缝扩展的U型深度残差卷积神经网络预测模型，具体包括：

将训练数据集划分为训练集、验证集和测试集；优选地，划分比例为2:1:1；

利用训练集训练U型深度残差卷积神经网络，获得训练后的U型深度残差卷积神经网络；

采用验证集对训练后的U型深度残差卷积神经网络进行网络结构和超参数的调整；

利用测试集检验调整后的U型深度残差卷积神经网络，将满足测试要求的调整后的U型深度残差卷积神经网络确定为用于预测每种类型油藏裂缝扩展的U型深度残差卷积神经网络预测模型。

参照图2，U型深度残差卷积神经网络预测模型包括：第一输入层、第二输入层、卷积层和反卷积层。

第一输入层用于输入图像输入数据；第二输入层用于输入一维向量输入数据，并根据一维向量输入数据与图像的对应关系，对一维向量输入数据进行图像化，获得图像化的一维向量输入数据；卷积层用于对图像输入数据和图像化的一维向量输入数据进行卷积操作，获得特征图像；反卷积层用于对特征图像进行反卷积操作，获得裂缝扩展预测结果。

设计U型深度残差卷积神经网络模型为两个输入，分别输入第一类图像输入数据和第二类一维向量输入数据，以实现对不同维度数据的融合。将第一类数据直接作为U型深度残差卷积神经网络的输入，不做处理，经过卷积运算进而得到特征图像数据。将第二类数据，一维向量输入数据（包含时间序列数据）进行图像化，针对每个一维数据的取值范围，利用颜色深浅代表该一维数据数值的变化。例如压裂液的排量数据为10、20、…、100共十个不同的取值，则对应的压裂液排量图像为10张不同颜色的图像。图像尺寸大小与第一类图像数据相一致，通过此种方式实现多种输入数据的融合，得到最终的输入图像数据；采用U型深度残差卷积神经网络对输入的图像数据进行卷积操作，以进行底层特征的提取，得到特征图像，进而对得到的特征图像数据进行反卷积，每步反卷积不仅接收前一步反卷积的结果，还将参考卷积过程中的卷积结果，以对数据进行更好的学习，从而得到与原始地质参数随机值和/或压裂设计参数和/或天然裂缝分布参数对应的裂缝扩展形态分布和应力状态结果预测图像。

在训练的过程中由于将时间序列信息（压裂液的排量、支撑剂用量）作为输入，使U型深度残差卷积神经网络能够考虑时间序列的影响，从而能够实现对不同时刻的裂缝扩展形态分布和应力状态结果进行预测。

利用损失函数对所述裂缝扩展形态分布和应力状态结果预测图像进行评价，损失函数可以选用目前已有的或通过自己定义以考虑物理约束。用优化器不断更新U型深度残差卷积神经网络的参数，直至达到预设的迭代次数，得到训练后的U型深度残差卷积神经网络模型；采用验证集对训练得到的U型深度残差卷积神经网络模型进行网络模型结构和超参数的调整，包括但不限于：卷积层数、卷积核大小、卷积步长、激活函数、优化器等。将对验证集的预测效果作为评价标准，重复训练过程，不断调节网络结构和超参数，直到在验证集上取得较好效果。接着利用测试集检验其预测效果，以完成对U型深度残差卷积神经网络模型真实预测效果的测试评价，测试效果不好则继续进行模型调整。将测试通过的训练好的U型深度残差卷积神经网络模型作为最终的预测模型，U型深度残差卷积神经网络结构中的卷积部分实现特征的提取，反卷积部分实现利用提取得到的特征图像信息预测裂缝扩展形态分布和应力状态结果，两部分的中间结果通过U型连接，以更好的学习映射关系，达到更加准确的预测结果的目的。网络中每一层的卷积或反卷积结构采用深度残差卷积神经网络，深度残差卷积神经网络通过旁路支线将输入直接连到后面的层，保护信息的完整性，整个网络则只需要学习输入、输出差别的那一部分（残差），从而简化学习目标和难度，使得网络深度可以随意调节并提升了网络性能。

步骤3：利用U型深度残差卷积神经网络预测模型预测待预测油藏的裂缝扩展。

上述技术方案所提供的方法能够快速准确的预测目标油藏任意时刻的裂缝扩展形态，从而为水力压裂方案设计提供指导。传统的裂缝扩展模拟方法模拟裂缝扩展过程需要几个小时甚至更长的时间，基于U型深度残差卷积神经网络预测模型只需要数秒的时间，大大降低了时间成本，提高了预测效率。而且，所建立的预测模型具有极强的泛化能力，对于不同类型的油藏均具有适用性，即只要待预测油藏与建立样本集的原始地质参数、天然裂缝分布参数和压裂设计参数分布范围相近，就可用该方法来预测不同时刻的裂缝扩展形态和应力分布状态。

此外，所建立的U型深度残差卷积神经网络预测模型可迁移性强，对于待预测油藏与建立样本集的原始地质参数、天然裂缝分布参数和压裂设计参数分布范围差别很大的情形，可以补充少量的新样本对已经训练好的预测模型进行再次训练，实现模型的迁移，从而达到对更加复杂情况下油藏裂缝扩展进行快速准确预测的目的。

由于这种方法不存在建模过程，只需要把整理好的相关数据输入到神经网络模型中即可直接预测得到任意时刻的裂缝扩展形态分布和应力状态结果，所以整体过程耗时较少，只需要1~2秒钟；而传统的裂缝扩展模拟方法涉及到多场耦合求解、网格数量多、计算数据量大，耗时一般在数小时甚至更多。新预测方法主要耗时在于前期的模型训练过程，但训练学习过程是计算机自动完成的，不需要太多的人为干预，而且训练时间与传统的裂缝扩展模拟相比几乎可以忽略；此外，一旦样本训练完成后，就可以对特征相近油藏的裂缝扩展形态和应力分布状态进行直接预测，预测效率高。

下面结合一个具体实施例对上述方法进行说明。

步骤1：获取目标油藏所属类型油藏的相关参数。

获取目标油藏所属类型油藏的原始地质参数、天然裂缝分布参数和压裂设计参数，为下一步裂缝扩展预测模型构建提供基础数据。表1展示了具体实施例中的油藏相关参数。

表1 油藏相关参数

参数	数值
		注入速度/(cm<sup>3</sup>/s)	50
粘度/mPa.s	1
		杨氏模量/GPa	50
泊松比	0.2
		流体密度/(g/cm<sup>3</sup>)	1.2
摩擦系数	0.6
		最大主应力/MPa	143
最小主应力/MPa	81
		剪切应力/MPa	54

步骤2：根据所述原始地质参数、天然裂缝分布参数和压裂设计参数生成不同的裂缝扩展模拟方案。

该实例为水平井多级压裂模拟，在目标油藏所属类型油藏相关参数分布范围内，采用拉丁超立方体抽样方法生成1000组不同的裂缝扩展模拟方案。

步骤3：使用裂缝扩展模拟方法对所述裂缝扩展模拟方案进行模拟计算，得到裂缝扩展模拟结果。

采用位移不连续方法进行裂缝扩展模拟，将不同时刻下（本实例中选取时间间隔为0.1s）的裂缝扩展形态和应力分布状态输出并保存，从而得到不同时刻的裂缝扩展形态和应力分布状态图像。同时，每组模拟方案的输入数据与每个时刻得到的输出数据均应保存。

步骤4：将所述数值模拟结果与对应的裂缝扩展模拟方案作为一个训练数据，不同的训练数据组成训练数据集。

将上述原始地质参数、天然裂缝分布参数和压裂设计参数数据保存。在此过程中，利用python编程语言对裂缝扩展模拟所保存的原始地质参数、天然裂缝分布参数、压裂设计参数和所选取的n个不同时刻的裂缝扩展形态、应力状态分布数据进行合并和文件格式的转存（n可以根据实际需要随意设置）。本实例中共有1000组不同的裂缝扩展模拟方案，对应有1000组地质参数、天然裂缝分布参数和压裂设计参数（压裂液的排量、支撑剂用量这些时间序列参数为1000*n组）。在1000组模拟方案中随机选取600组作为训练集，将其余200组模拟方案作为验证集，最后的200组作为测试集，完成数据集的建立。

步骤5：利用训练数据集训练得到U型深度残差卷积神经网络预测模型。

在具体实施过程中，对U型深度残差卷积神经网络进行训练和效果评价，需要设置训练的迭代次数，每次从训练数据集中抽取一部分直至遍历整个训练数据集。利用抽取的数据对所建立的U型深度残差卷积神经网络模型进行训练，计算损失函数，利用损失函数对网络模型训练过程中的预测效果进行评价，利用优化器（梯度下降原理）不断更新网络模型的参数使模型的预测效果更加出色和稳定，最后利用评价指标对训练完成的网络模型的效果进行评价。损失函数的选择包含但不仅限于以下其中之一：均方误差损失函数（MSE）、交叉熵损失函数（cross-entropy）等。对于U型深度残差卷积神经网络模型的效果评价，评价指标包含但不仅限于以下其中之一：决定系数（R²）、均方误差（MSE）、绝对均方根误差（RMSE）等。具体的评价指标选取可根据实际情况确定，本申请对此不作限定。

利用训练数据集对U型深度残差卷积神经网络进行训练，达到迭代次数200后停止，在该过程中利用不断更新的U型深度残差卷积神经网络预测模型分别预测训练数据集和验证数据集中各输入数据所对应的裂缝扩展形态和应力状态分布，并将决定系数（R²）和绝对均方根误差（RMSE）作为评价指标，将预测结果分别与训练数据集和验证数据集中的裂缝扩展形态和应力状态分布作对比，分析评价U型深度残差卷积神经网络预测模型的准确性。如果网络模型的预测效果不及预期的话，可以调整网络结构，重复训练步骤，进一步优化U型深度残差卷积神经网络的结构和参数，直到在验证集上取得较好效果。接着利用测试集检验其预测效果，以完成对U型深度残差卷积神经网络模型真实预测效果的测试评价，测试效果不好则继续进行模型调整。将测试通过的训练好的U型深度残差卷积神经网络模型作为最终的预测模型。

步骤6，利用训练完成的U型深度残差卷积神经网络预测模型进行实际应用。

将最终得到的U型深度残差卷积神经网络预测模型作为预测工具，将目标油藏的实际数据（原始地质参数、天然裂缝分布参数、压裂设计参数等）与想要预测时刻所对应的时间序列数据（压裂液的排量、支撑剂用量）作为输入，预测目标油藏在想要预测的时刻的裂缝扩展形态和应力状态分布。

图3为目标油藏实际的天然裂缝分布形态和位置。图4为该天然裂缝影响下，采用传统裂缝扩展模拟方法模拟得到的裂缝扩展形态，图5为本发明提出的U型深度残差卷积神经网络预测得到的裂缝扩展形态，可以发现两者吻合很好。图3-图5中横坐标代表裂缝在x方向的相对位置，纵坐标表示裂缝在y方向的相对位置。训练迭代过程中决定系数（R²）和绝对均方根误差（RMSE）的变化曲线分别如图6和图7所示。评价指标表明最终的决定系数（R²）在0.98左右，绝对均方根误差（RMSE）小于0.02，证实所建立的U型深度残差卷积神经网络预测模型具有很高的预测准确率，而且模型的预测速度非常快，只需要1~2秒钟。训练完成后的U型深度残差卷积神经网络预测模型能够在瞬间预测得到任意时刻的裂缝扩展形态和应力状态分布。

本发明还提供了一种基于深度学习的体积压裂裂缝扩展预测系统，系统包括：

预测模型构建模块，用于构建用于预测不同类型油藏裂缝扩展的U型深度残差卷积神经网络预测模型；

预测方案获取模块，用于获取待预测油藏的裂缝扩展预测方案；裂缝扩展预测方案包括原始地质参数、天然裂缝分布参数和压裂设计参数；

预测结果获得模块，用于将待预测油藏的裂缝扩展预测方案输入待预测油藏所属类型的U型深度残差卷积神经网络预测模型，获得待预测油藏的裂缝扩展预测结果；裂缝扩展预测结果包括多个预测时刻的裂缝扩展形态分布参数和应力状态参数。

预测模型构建模块，具体包括：

模拟方案构建子模块，用于构建每种类型油藏的多个裂缝扩展模拟方案；

模拟结果获得子模块，用于根据多个裂缝扩展模拟方案，利用裂缝扩展模拟方法得到每个裂缝扩展模拟方案的裂缝扩展模拟结果；所述裂缝扩展模拟结果包括预定时间序列中不同时刻的裂缝扩展形态分布参数和应力状态参数；

训练数据集建立子模块，用于以裂缝扩展模拟方案为输入，裂缝扩展模拟结果为标签建立训练数据集；

预测模型获得子模块，用于利用训练数据集训练U型深度残差卷积神经网络，获得用于预测每种类型油藏裂缝扩展的U型深度残差卷积神经网络预测模型。

模拟方案构建子模块，具体包括：

现场资料获取单元，用于获取每种类型油藏的现场资料；现场资料包括测井资料、岩心分析资料、地震资料和压裂设计资料；

参数获得单元，用于对现场资料进行整理分析，获得每种类型油藏的原始地质参数和裂缝组合参数；裂缝组合参数包括压裂设计参数和天然裂缝分布参数；

随机值生成单元，用于根据每种类型油藏不同类别的原始地质参数，利用地质统计学方法生成多个原始地质参数随机值，并利用概率分布法依照裂缝组合参数生成多个裂缝组合参数随机值；裂缝组合参数随机值为压裂设计参数随机值和天然裂缝分布参数随机值，或压裂设计参数随机值和固定天然裂缝分布参数；

模拟方案构成单元，用于将每种类型油藏的任意一个原始地质参数随机值和任意一个裂缝组合参数随机值组合，构成每种类型油藏的多个裂缝扩展模拟方案。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (9)

1.一种基于深度学习的体积压裂裂缝扩展预测方法，其特征在于，所述方法包括：

构建用于预测不同类型油藏裂缝扩展的U型深度残差卷积神经网络预测模型；所述U型深度残差卷积神经网络预测模型包括：第一输入层、第二输入层、卷积层和反卷积层；所述第一输入层用于输入图像输入数据；所述第二输入层用于输入一维向量输入数据，并根据一维向量输入数据与图像的对应关系，对一维向量输入数据进行图像化，获得图像化的一维向量输入数据；所述卷积层用于对图像输入数据和图像化的一维向量输入数据进行卷积操作，获得特征图像；所述反卷积层用于对特征图像进行反卷积操作，获得裂缝扩展预测结果；

获取待预测油藏的裂缝扩展预测方案；所述裂缝扩展预测方案包括原始地质参数、天然裂缝分布参数和压裂设计参数；

将所述待预测油藏的裂缝扩展预测方案输入待预测油藏所属类型的U型深度残差卷积神经网络预测模型，获得待预测油藏的裂缝扩展预测结果；所述裂缝扩展预测结果包括多个预测时刻的裂缝扩展形态分布参数和应力状态参数。

2.根据权利要求1所述的基于深度学习的体积压裂裂缝扩展预测方法，其特征在于，所述构建用于预测不同类型油藏裂缝扩展的U型深度残差卷积神经网络预测模型，具体包括：

构建每种类型油藏的多个裂缝扩展模拟方案；

根据多个裂缝扩展模拟方案，利用裂缝扩展模拟方法得到每个裂缝扩展模拟方案的裂缝扩展模拟结果；所述裂缝扩展模拟结果包括预定时间序列中不同时刻的裂缝扩展形态分布参数和应力状态参数；

以裂缝扩展模拟方案为输入，裂缝扩展模拟结果为标签建立训练数据集；

利用所述训练数据集训练U型深度残差卷积神经网络，获得用于预测每种类型油藏裂缝扩展的U型深度残差卷积神经网络预测模型。

3.根据权利要求2所述的基于深度学习的体积压裂裂缝扩展预测方法，其特征在于，所述构建每种类型油藏的多个裂缝扩展模拟方案，具体包括：

获取每种类型油藏的现场资料；所述现场资料包括测井资料、岩心分析资料、地震资料和压裂设计资料；

对现场资料进行整理分析，获得每种类型油藏的原始地质参数和裂缝组合参数；所述裂缝组合参数包括压裂设计参数和天然裂缝分布参数；

根据每种类型油藏不同类别的原始地质参数，利用地质统计学方法生成多个原始地质参数随机值，并利用概率分布法依照裂缝组合参数生成多个裂缝组合参数随机值；所述裂缝组合参数随机值为压裂设计参数随机值和天然裂缝分布参数随机值，或压裂设计参数随机值和固定天然裂缝分布参数；

将每种类型油藏的任意一个原始地质参数随机值和任意一个裂缝组合参数随机值组合，构成每种类型油藏的多个裂缝扩展模拟方案。

4.根据权利要求3所述的基于深度学习的体积压裂裂缝扩展预测方法，其特征在于，所述原始地质参数包括：孔隙度分布、渗透率分布、初始含油饱和度、原始地应力场、岩石的杨氏模量和岩石的泊松比；

所述压裂设计参数包括：射孔位置、设计裂缝的簇间距、设计裂缝的段间距、压裂液的排量、压裂液的类型、支撑剂类型和支撑剂用量；

所述天然裂缝分布参数包括：天然裂缝的平均长度、天然裂缝的走向、天然裂缝的密度和层理分布。

5.根据权利要求4所述的基于深度学习的体积压裂裂缝扩展预测方法，其特征在于，所述以裂缝扩展模拟方案为输入，裂缝扩展模拟结果为标签建立训练数据集，具体包括：

以裂缝扩展模拟方案中的原始地质参数、压裂设计参数的射孔位置、设计裂缝的簇间距、设计裂缝的段间距和/或天然裂缝分布参数作为图像输入数据，裂缝扩展模拟方案中压裂设计参数的压裂液的排量、压裂液的类型、支撑剂类型和支撑剂用量作为一维向量输入数据，裂缝扩展模拟结果为标签建立训练数据集。

6.根据权利要求5所述的基于深度学习的体积压裂裂缝扩展预测方法，其特征在于，利用所述训练数据集训练U型深度残差卷积神经网络，获得用于预测每种类型油藏裂缝扩展的U型深度残差卷积神经网络预测模型，具体包括：

将所述训练数据集划分为训练集、验证集和测试集；

利用所述训练集训练U型深度残差卷积神经网络，获得训练后的U型深度残差卷积神经网络；

采用所述验证集对训练后的U型深度残差卷积神经网络进行网络结构和超参数的调整；

利用所述测试集检验调整后的U型深度残差卷积神经网络，将满足测试要求的调整后的U型深度残差卷积神经网络确定为用于预测每种类型油藏裂缝扩展的U型深度残差卷积神经网络预测模型。

7.一种基于深度学习的体积压裂裂缝扩展预测系统，其特征在于，所述系统包括：

预测模型构建模块，用于构建用于预测不同类型油藏裂缝扩展的U型深度残差卷积神经网络预测模型；所述U型深度残差卷积神经网络预测模型包括：第一输入层、第二输入层、卷积层和反卷积层；所述第一输入层用于输入图像输入数据；所述第二输入层用于输入一维向量输入数据，并根据一维向量输入数据与图像的对应关系，对一维向量输入数据进行图像化，获得图像化的一维向量输入数据；所述卷积层用于对图像输入数据和图像化的一维向量输入数据进行卷积操作，获得特征图像；所述反卷积层用于对特征图像进行反卷积操作，获得裂缝扩展预测结果；

预测方案获取模块，用于获取待预测油藏的裂缝扩展预测方案；所述裂缝扩展预测方案包括原始地质参数、天然裂缝分布参数和压裂设计参数；

预测结果获得模块，用于将所述待预测油藏的裂缝扩展预测方案输入待预测油藏所属类型的U型深度残差卷积神经网络预测模型，获得待预测油藏的裂缝扩展预测结果；所述裂缝扩展预测结果包括多个预测时刻的裂缝扩展形态分布参数和应力状态参数。

8.根据权利要求7所述的基于深度学习的体积压裂裂缝扩展预测系统，其特征在于，所述预测模型构建模块，具体包括：

模拟方案构建子模块，用于构建每种类型油藏的多个裂缝扩展模拟方案；

模拟结果获得子模块，用于根据多个裂缝扩展模拟方案，利用裂缝扩展模拟方法得到每个裂缝扩展模拟方案的裂缝扩展模拟结果；所述裂缝扩展模拟结果包括预定时间序列中不同时刻的裂缝扩展形态分布参数和应力状态参数；

训练数据集建立子模块，用于以裂缝扩展模拟方案为输入，裂缝扩展模拟结果为标签建立训练数据集；

预测模型获得子模块，用于利用所述训练数据集训练U型深度残差卷积神经网络，获得用于预测每种类型油藏裂缝扩展的U型深度残差卷积神经网络预测模型。

9.根据权利要求8所述的基于深度学习的体积压裂裂缝扩展预测系统，其特征在于，所述模拟方案构建子模块，具体包括：

现场资料获取单元，用于获取每种类型油藏的现场资料；所述现场资料包括测井资料、岩心分析资料、地震资料和压裂设计资料；

参数获得单元，用于对现场资料进行整理分析，获得每种类型油藏的原始地质参数和裂缝组合参数；所述裂缝组合参数包括压裂设计参数和天然裂缝分布参数；

随机值生成单元，用于根据每种类型油藏不同类别的原始地质参数，利用地质统计学方法生成多个原始地质参数随机值，并利用概率分布法依照裂缝组合参数生成多个裂缝组合参数随机值；所述裂缝组合参数随机值为压裂设计参数随机值和天然裂缝分布参数随机值，或压裂设计参数随机值和固定天然裂缝分布参数；

模拟方案构成单元，用于将每种类型油藏的任意一个原始地质参数随机值和任意一个裂缝组合参数随机值组合，构成每种类型油藏的多个裂缝扩展模拟方案。

Images