CN114595608A - 一种压裂施工参数和工作制度参数优化方法及系统 - Google Patents

一种压裂施工参数和工作制度参数优化方法及系统 Download PDF

Info

Publication number
CN114595608A
CN114595608A CN202210237333.0A CN202210237333A CN114595608A CN 114595608 A CN114595608 A CN 114595608A CN 202210237333 A CN202210237333 A CN 202210237333A CN 114595608 A CN114595608 A CN 114595608A
Authority
CN
China
Prior art keywords
parameters
fracturing
working system
fracturing construction
parameter
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.)
Granted
Application number
CN202210237333.0A
Other languages
English (en)
Other versions
CN114595608B (zh
Inventor
王森
徐世乾
冯其红
李航宇
王潇
杨雨萱
杨富康
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.)
China University of Petroleum East China
Southwest Petroleum University
Original Assignee
China University of Petroleum East China
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 China University of Petroleum East China, Southwest Petroleum University filed Critical China University of Petroleum East China
Priority to CN202210237333.0A priority Critical patent/CN114595608B/zh
Publication of CN114595608A publication Critical patent/CN114595608A/zh
Application granted granted Critical
Publication of CN114595608B publication Critical patent/CN114595608B/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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • E—FIXED CONSTRUCTIONS
    • E21—EARTH OR ROCK DRILLING; MINING
    • E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
    • E21B43/00—Methods or apparatus for obtaining oil, gas, water, soluble or meltable materials or a slurry of minerals from wells
    • E21B43/25—Methods for stimulating production
    • E21B43/26—Methods for stimulating production by forming crevices or fractures
    • 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
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/08—Learning methods
    • 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
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Computer Hardware Design (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Geology (AREA)
  • Mining & Mineral Resources (AREA)
  • Environmental & Geological Engineering (AREA)
  • Geochemistry & Mineralogy (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Fluid Mechanics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种压裂施工参数和工作制度参数优化方法及系统，属于石油开发技术领域，方法包括：构建数据集；利用数据集对深度卷积‑长短期记忆神经网络模型进行训练，得到训练好的深度卷积‑长短期记忆神经网络模型；构建压裂施工参数和工作制度参数的优化数学模型；利用训练好的深度卷积‑长短期记忆神经网络模型对不同压裂施工参数和工作制度参数组合下的生产动态、油藏压力场和饱和度场进行预测，确定任一压裂施工参数和工作制度参数组合下的生产动态、油藏压力场和饱和度场；根据生产动态、油藏压力场和饱和度场，利用智能优化算法对优化数学模型进行求解，得到最优的压裂施工参数和工作制度参数组合。本发明的方法提高了优化速度以及精确度。

Description

一种压裂施工参数和工作制度参数优化方法及系统
技术领域
本发明涉及石油开发技术领域，特别是涉及一种压裂施工参数和工作制度参数优化方法及系统。
背景技术
致密油和页岩油等非常规油气对保障中国石油产量稳定增长、降低原油对外依存度具有重要意义。体积压裂技术是实现非常规油气高效开发的基础。该技术主要包括压裂和开采两个过程：首先向储层中泵入高压液体，形成人工裂缝网络，为原油从基质孔隙流向井筒提供高速流动通道（“压裂”过程）；然后，设置生产工作制度参数，使井筒和裂缝网络之间产生压力差，原油经人工裂缝网络流入井筒并采出，从而获得经济效益（“开采”过程）。因此，合理的压裂施工参数和工作制度参数对提高非常规油气采收率至关重要。
目前的压裂和工作制度优化方法主要包括两种：一种是针对压裂过程，从裂缝扩展的角度出发，追求裂缝均一扩展或储层改造体积最大化，但该方法不能直接评价压裂井的产能，因此，常会造成过度投入难以保证最优开采效果和最佳经济效益；另一种是针对开采过程，假设裂缝为平面双翼形态并基于油藏数值模拟方法优化水力裂缝的半缝长、导流能力、水平井段长度和工作制度等参数，以此来追求经济效益的最大化，但该方法得到的是裂缝几何性质等物理参数，假设过于理想化，难以通过现场压裂施工获得。因此，建立压裂施工参数和工作制度参数的整体优化设计方法，通过对现场可控施工参数的优化获得最佳的经济效益，有望为非常规油气的高效开发提供重要技术支撑。
在优化设计过程中还需要对不同方案的开发效果进行预测和评价，油藏数值模拟是目前最常用的方法。但在压裂和生产的一体化数值模拟方法中，裂缝每向前扩展一步，都需要更新网格属性和网格连接关系，显著增加了计算复杂度，而且流体和固体之间的耦合关系使得数值模拟模型的非线性程度增加，每个时间步都需要迭代多次才能收敛，求解效率很低。尤其是对于油藏尺度的模拟而言，每个方案的开发效果预测都需要几天甚至更长的时间，而优化过程常常需要对比成千上万个甚至更多方案的效果，因此需要耗费大量的模拟时间，难以满足油田现场压裂施工参数和工作制度参数快速精准优化的需要，制约了非常规油气的效益开发。
发明内容
本发明的目的是提供一种压裂施工参数和工作制度参数优化方法及系统，以解决现有的压裂施工参数和工作制度参数优化方法过于理想化、难以实现对现场可控施工参数优化，计算速度慢、精度低的问题。
为实现上述目的，本发明提供了如下方案：
一种压裂施工参数和工作制度参数优化方法，包括：
构建数据集；所述数据集包括地质参数、压裂施工参数、工作制度参数以及与所述地质参数、所述压裂施工参数以及所述工作制度参数对应的生产动态、油藏压力场和饱和度场；所述地质参数包括孔隙度分布、渗透率分布、初始含油饱和度分布、储层有效厚度分布、相对渗透率曲线、毛管力曲线、油气水粘度、油气水压缩系数、岩石杨氏模量、岩石泊松比、Biot系数、最大主应力的方向和大小、最小主应力的方向和大小、天然裂缝的走向、密度、长度和破裂强度，层理缝的密度、倾角和破裂强度、流体组分和高压物性数据；所述压裂施工参数包括井的位置、水平井段长度、簇间距、段间距、射孔位置、射孔方位角、压裂液排量、压裂液泵入时间、压裂液类型、支撑剂类型和用量；所述工作制度参数为油嘴大小、井底流压、产液量或者产油量；
利用所述数据集对深度卷积-长短期记忆神经网络模型进行训练，得到训练好的深度卷积-长短期记忆神经网络模型；
构建压裂施工参数和工作制度参数的优化数学模型；
利用所述训练好的深度卷积-长短期记忆神经网络模型对不同压裂施工参数和工作制度参数组合下的生产动态、油藏压力场和饱和度场进行预测，确定任一压裂施工参数和工作制度参数组合下的生产动态、油藏压力场和饱和度场；
根据任一所述压裂施工参数和工作制度参数组合下的生产动态、油藏压力场和饱和度场，利用智能优化算法对所述优化数学模型进行求解，得到最优的压裂施工参数和工作制度参数组合。
可选的，所述构建数据集，具体包括：
获取目标储层的地质参数范围、压裂施工参数范围和工作制度参数范围；
根据所述地质参数范围利用地质统计学方法生成多个地质参数；
根据所述压裂施工参数范围利用随机抽样方法生成多个压裂施工参数；
根据所述工作制度参数范围利用随机抽样方法生成多个工作制度参数；
将多个所述地质参数、多个所述压裂施工参数以及多个所述工作制度参数组合成多个数值模拟方案；
根据所述数值模拟方案，构建数值模拟模型，得到多个数值模拟模型；
利用压裂生产一体化数值模拟方法对多个所述数值模拟模型进行计算，得到多个数值模拟结果；所述数值模拟结果包括压裂后的生产动态、压裂生产后的油藏压力场和压裂生产后的饱和度场；
将每个所述数值模拟结果作为输出数据，将每个所述数值模拟结果对应的地质参数、压裂施工参数和工作制度参数作为输入数据，构建数据集。
可选的，所述利用所述数据集对深度卷积-长短期记忆神经网络模型进行训练，得到训练好的深度卷积-长短期记忆神经网络模型，具体包括：
以所述数据集中的地质参数、压裂施工参数和工作制度参数为输入，利用所述深度卷积-长短期记忆神经网络模型对生产动态、油藏压力场和饱和度场进行预测，得到预测的生产动态、预测的油藏压力场和预测的饱和度场；
根据所述预测的生产动态、所述预测的油藏压力场和所述预测的饱和度场以及所述压裂后的生产动态、所述压裂生产后的油藏压力场和所述压裂生产后的饱和度场，计算所述深度卷积-长短期记忆神经网络模型的损失函数；
根据所述损失函数对所述深度卷积-长短期记忆神经网络模型的参数进行调整，得到训练好的深度卷积-长短期记忆神经网络模型。
可选的，所述构建压裂施工参数和工作制度参数的优化数学模型，具体包括：
以经济净现值和储层动用程度最大化为优化目标，以压裂施工参数和工作制度参数为优化变量，建立压裂施工参数和工作制度参数的优化数学模型，所述优化数学模型为：
Figure 627636DEST_PATH_IMAGE001
Figure 100002_DEST_PATH_IMAGE002
Figure 632501DEST_PATH_IMAGE003
；其中，u为优化变量所构成的参数组合；u*表示最优的压裂施工参数和工作制度参数组合；u m 表示第m组优化变量，u 0表示理想参数组合；U表示优化变量可供选择的空间；w 1和w 2为权重系数，且w 1与w 2之和等于1；J(u m ，u 0)表示采用第m组压裂施工参数和工作制度参数组合u m 所获得的经济净现值与采用理想参数组合u 0所获得的经济净现值之比；N t表示总的时间步数；n表示第n个时间步；∆t n 表示第n个时间步的步长，天；b表示年利率；N stage表示总的压裂级数；j表示第j级裂缝；S(Ω(gradP(u m )>λ)表示控制区域内压力梯度大于启动压力梯度λ的区域；S well表示控制面积；P i表示原始地层压力；ΔP(Ω(gradP(u m )>λ))表示区域Ω(gradP(u m )>λ)内的平均压降；r o表示原油价格；r g表示天然气价格；
Figure 100002_DEST_PATH_IMAGE004
表示第j级裂缝在第n时间步的平均日产油量；
Figure 883485DEST_PATH_IMAGE005
表示第j级裂缝在第n时间步的平均日产气量；r w表示产出水的处理成本；
Figure 366419DEST_PATH_IMAGE006
表示第j级裂缝在第n时间步的平均日产水量；r wi表示注入水的成本；
Figure 150573DEST_PATH_IMAGE007
表示第j级裂缝在第n时间步的平均日注水量；E(u m )表示采用第m组压裂施工参数和工作制度参数组合u m 所对应的储层动用程度。
可选的，所述构建压裂施工参数和工作制度参数的优化数学模型，还包括：
构建压裂施工参数和工作制度参数优化的约束条件；
所述约束条件为
Figure 264022DEST_PATH_IMAGE008
；其中，q j 表示注入第j级裂缝的压裂液量，Q w为压裂液注入总量，
Figure 251570DEST_PATH_IMAGE009
表示第i个优化变量的最小值，
Figure 288927DEST_PATH_IMAGE010
表示第i个优化变量的最大值。
一种压裂施工参数和工作制度参数优化系统，包括：
数据集构建模块，用于构建数据集；所述数据集包括地质参数、压裂施工参数、工作制度参数以及与所述地质参数、所述压裂施工参数以及所述工作制度参数对应的生产动态、油藏压力场和饱和度场；所述地质参数包括孔隙度分布、渗透率分布、初始含油饱和度分布、储层有效厚度分布、相对渗透率曲线、毛管力曲线、油气水粘度、油气水压缩系数、岩石杨氏模量、岩石泊松比、Biot系数、最大主应力的方向和大小、最小主应力的方向和大小、天然裂缝的走向、密度、长度和破裂强度，层理缝的密度、倾角和破裂强度、流体组分和高压物性数据；所述压裂施工参数包括井的位置、水平井段长度、簇间距、段间距、射孔位置、射孔方位角、压裂液排量、压裂液泵入时间、压裂液类型、支撑剂类型和用量；所述工作制度参数为油嘴大小、井底流压、产液量或者产油量；
模型训练模块，用于利用所述数据集对深度卷积-长短期记忆神经网络模型进行训练，得到训练好的深度卷积-长短期记忆神经网络模型；
优化数学模型构建模块，用于构建压裂施工参数和工作制度的优化数学模型；
预测模块，用于利用所述训练好的深度卷积-长短期记忆神经网络模型对不同压裂施工参数和工作制度参数组合下的生产动态、油藏压力场和饱和度场进行预测，确定任一压裂施工参数和工作制度参数组合下的生产动态、油藏压力场和饱和度场；
寻优模块，用于根据任一所述压裂施工参数和工作制度参数组合下的生产动态、油藏压力场和饱和度场，利用智能优化算法对所述优化数学模型进行求解，得到最优的压裂施工参数和工作制度参数组合。
可选的，所述数据集构建模块，具体包括：
参数范围获取单元，用于获取目标储层的地质参数范围、压裂施工参数范围和工作制度参数范围；
第一参数生成单元，用于根据所述地质参数范围利用地质统计学方法生成多个地质参数；
第二参数生成单元，用于根据所述压裂施工参数范围利用随机抽样方法生成多个压裂施工参数；
第三参数生成单元，用于根据所述工作制度参数范围利用随机抽样方法生成多个工作制度参数；
数值模拟方案形成单元，用于将多个所述地质参数、多个所述压裂施工参数以及多个所述工作制度参数组合成多个数值模拟方案；
数值模拟模型构建单元，用于根据所述数值模拟方案，构建数值模拟模型，得到多个数值模拟模型；
计算单元，用于利用压裂生产一体化数值模拟方法对多个所述数值模拟模型进行计算，得到多个数值模拟结果；所述数值模拟结果包括压裂后的生产动态、压裂生产后的油藏压力场和压裂生产后的饱和度场；
数据集构建单元，用于将每个所述数值模拟结果作为输出数据，将每个所述数值模拟结果对应的地质参数、压裂施工参数和工作制度参数作为输入数据，构建数据集。
可选的，所述模型训练模块，具体包括：
预测单元，用于以所述数据集中的地质参数、压裂施工参数和工作制度参数为输入，利用所述深度卷积-长短期记忆神经网络模型对生产动态、油藏压力场和饱和度场进行预测，得到预测的生产动态、预测的油藏压力场和预测的饱和度场；
损失函数计算单元，用于根据所述预测的生产动态、所述预测的油藏压力场和所述预测的饱和度场以及所述压裂后的生产动态、所述压裂生产后的油藏压力场和所述压裂生产后的饱和度场，计算所述深度卷积-长短期记忆神经网络模型的损失函数；
参数调整单元，用于根据所述损失函数对所述深度卷积-长短期记忆神经网络模型的参数进行调整，得到训练好的深度卷积-长短期记忆神经网络模型。
可选的，所述优化数学模型构建模块，具体包括：
优化数学模型构建单元，用于以经济净现值和储层动用程度最大化为优化目标，以压裂施工参数和工作制度参数为优化变量，建立压裂施工参数和工作制度参数的优化数学模型，所述优化数学模型为：
Figure 350424DEST_PATH_IMAGE001
Figure 697092DEST_PATH_IMAGE011
Figure 421203DEST_PATH_IMAGE012
；其中，u为优化变量所构成的参数组合；u*表示最优的压裂施工参数和工作制度参数组合；u m 表示第m组优化变量，u 0表示理想参数组合；U表示优化变量可供选择的空间；w 1和w 2为权重系数，且w 1与w 2之和等于1；J(u m ，u 0)表示采用第m组压裂施工参数和工作制度参数组合u m 所获得的经济净现值与采用理想参数组合u 0所获得的经济净现值之比；N t表示总的时间步数；n表示第n个时间步；∆t n 表示第n个时间步的步长，天；b表示年利率；N stage表示总的压裂级数；j表示第j级裂缝；r o表示原油价格；S(Ω(gradP(u m )>λ)表示控制区域内压力梯度大于启动压力梯度λ的区域；ΔP(Ω(gradP(u m )>λ))表示区域Ω(gradP(u m )>λ)内的平均压降；r g表示天然气价格；
Figure 511519DEST_PATH_IMAGE004
表示第j级裂缝在第n时间步的平均日产油量；
Figure 693101DEST_PATH_IMAGE005
表示第j级裂缝在第n时间步的平均日产气量；r w表示产出水的处理成本；
Figure 695824DEST_PATH_IMAGE006
表示第j级裂缝在第n时间步的平均日产水量；r wi表示注入水的成本；
Figure 657963DEST_PATH_IMAGE007
表示第j级裂缝在第n时间步的平均日注水量；E(u m )表示采用第m组压裂施工参数和工作制度参数组合u m 所对应的储层动用程度；S well表示控制面积；P i表示原始地层压力。
可选的，所述优化数学模型构建模块，还包括：
约束条件构建单元，用于构建压裂施工参数和工作制度参数优化的约束条件；
所述约束条件为
Figure 224074DEST_PATH_IMAGE008
；其中，q j 表示注入第j级裂缝的压裂液液量，Q w为压裂液注入总量，
Figure 837327DEST_PATH_IMAGE009
表示第i个优化变量的最小值，
Figure 260218DEST_PATH_IMAGE010
表示第i个优化变量的最大值。
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：
本发明中通过训练数据集对深度卷积-长短期记忆神经网络模型进行训练，得到训练好的深度卷积-长短期记忆神经网络模型；采用训练好的深度卷积-长短期记忆神经网络模型对不同压裂施工参数和工作制度参数组合下的生产动态进行预测，确定任一压裂施工参数和工作制度参数组合下的生产动态、油藏压力场和饱和度场；根据任一所述压裂施工参数和工作制度参数组合下的生产动态、油藏压力场和饱和度场，利用智能优化算法对压裂施工参数和工作制度参数的优化数学模型进行求解，得到最优的压裂施工参数和工作制度参数组合。现有技术中的一体化数值模拟方法在预测生产动态、油藏压力场和饱和度场时需要几小时、几天甚至更长的时间，而本发明基于深度卷积-长短期记忆神经网络模型预测生产动态、油藏压力场和饱和度场时能够同时考虑多种因素的影响，而且预测时间只需几秒钟，大大降低了时间成本，提高了计算效率。因此，本发明的压裂施工参数和工作制度参数优化方法提高了优化速度以及精确度。
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压裂施工参数和工作制度参数优化方法的流程图；
图2为本发明深度卷积-长短期记忆神经网络的结构图；
图3为本发明具体实施例中的一个数值模拟模型示意图；
图4为本发明具体实施例中的一个模拟模型压裂后的裂缝形态图；
图5为本发明具体实施例中一个模拟模型生产1年后的压力场图；
图6为本发明具体实施例中一个模拟模型预测得到的产油量和产水量曲线图；
图7为本发明具体实施例中优化变量的求解流程图；
图8为本发明具体实施例中目标函数随预测次数变化的寻优动态曲线图；
图9为本发明提供的一种压裂施工参数和工作制度参数优化系统的结构图；
图10为本发明具体实施例中用于压裂施工参数和工作制度整体优化的计算机设备的结构示意图。
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压裂施工参数和工作制度参数优化方法及系统，以解决现有的油田现场压裂施工参数和工作制度参数优化方法优化速度慢、精度低的问题。
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。
图1为本发明提供的一种压裂施工参数和工作制度参数优化方法的流程图，如图1所示，本实施例中的一种压裂施工参数和工作制度参数优化方法，包括：
步骤101：构建数据集。所述数据集包括地质参数、压裂施工参数、工作制度参数以及与所述地质参数、所述压裂施工参数以及所述工作制度参数对应的生产动态、油藏压力场和饱和度场。所述地质参数包括孔隙度分布、渗透率分布、初始含油饱和度分布、储层有效厚度分布、相对渗透率曲线、毛管力曲线、油气水粘度、油气水压缩系数、岩石杨氏模量、岩石泊松比、Biot系数、最大主应力的方向和大小、最小主应力的方向和大小、天然裂缝的走向、密度、长度和破裂强度，层理缝的密度、倾角和破裂强度、流体组分和高压物性数据。所述压裂施工参数包括井的位置、水平井段长度、簇间距、段间距、射孔位置、射孔方位角、压裂液排量、压裂液泵入时间、压裂液类型、支撑剂类型和用量。所述工作制度参数为油嘴大小、井底流压、产液量或者产油量。
在实际生产中，只需要设置一个工作制度参数就可以了，例如油嘴大小、井底流压、固定的产液量或者固定的产油量，但是一般不能同时设置这些参数，因为这些参数之间是有关系的。
在一个具体实施例中，所述步骤101，具体包括：
获取目标储层的地质参数范围、压裂施工参数范围和工作制度参数范围。
本实施例中所要研究的油藏类型为页岩油藏。收集目标油藏的地质参数，为下一步数值模拟模型的建立奠定基础。表1展示了具体实施例中油藏的相关物性参数。
表1 具体实施例中页岩油藏的物性参数表
参数 单位 数值
模型尺寸 m 70×70×20
油藏压力 MPa 20
初始含水饱和度 无因次 0.4
初始含油饱和度 无因次 0.6
水相的压缩系数 10<sup>-10</sup>Pa<sup>-1</sup> 1
油相的压缩系数 10<sup>-9</sup>Pa<sup>-1</sup> 3.7
水相粘度 mPa·s 1.5
油相粘度 mPa·s 10.8
岩石杨氏模量 GPa 33
泊松比 无因次 0.36
Biot系数 无因次 0.25
最小水平主应力 MPa 18
最大水平主应力 MPa 20
生产时间 年 1
根据所述地质参数范围利用地质统计学方法随机生成第一预设数量的地质参数。根据所述压裂施工参数范围利用随机抽样方法（例如蒙特卡洛）随机生成第二预设数量的压裂施工参数。根据所述工作制度参数范围利用随机抽样方法（例如蒙特卡洛）随机生成第三预设数量的工作制度参数。
将多个所述地质参数、多个所述压裂施工参数以及多个所述工作制度参数组合成多个数值模拟方案。
在实际应用中，该实施例中考虑了不同地质参数（包括孔隙度和渗透率）、不同压裂施工参数（包括射孔簇数、射孔位置、压裂液分配量）和工作制度（包括焖井时间和生产时的井底流压）对生产动态的影响，因此构建数值模拟方案时，改变射孔簇数、射孔位置、压裂液分配量、焖井时间和生产时的井底流压等参数，同时保持其它参数不变。通过编程，在满足约束条件的情况下，生成800组不同的数值模拟方案。其中一个模型的示意图如图3所示。
根据所述数值模拟方案，构建数值模拟模型，得到多个数值模拟模型。
利用压裂生产一体化数值模拟方法对多个所述数值模拟模型进行计算，得到多个数值模拟结果。所述数值模拟结果包括压裂后的生产动态、压裂生产后的油藏压力场和压裂生产后的饱和度场。在实际应用中，数值模拟结果即压裂后的缝网形态和参数，不同时刻的产油量、产气量、产水量，以及应力场、位移场、饱和度场、孔隙压力场。所述压裂生产一体化数值模拟方法能够实现压裂过程中裂缝扩展的模拟和压裂后生产过程的模拟。
在实际应用中，所述压裂生产一体化数值模拟方法包括：嵌入离散裂缝模型和扩展有限元耦合求解模型、离散裂缝模型和有限元耦合求解模型，嵌入离散裂缝模型和边界元耦合求解模型、Comsol多场耦合模拟软件、斯伦贝谢公司的Kinetix压裂生产一体化模拟软件或其它流固耦合数值模拟器等，本发明对此不作限定。
本实施例中采用流固全耦合数值模拟器开展模拟研究。该流固全耦合数值模拟器所采用的压裂生产一体化数值模拟方法是嵌入离散裂缝模型和扩展有限元耦合求解模型。将上述数值模拟方案的各参数输入到流固全耦合数值模拟器中运算得到预设时间段内不同时刻下的生产动态数据，并对模拟结果进行保存。所述生产动态数据包括但不限于，不同时刻的压裂缝网形态和参数、不同时刻的产油量、产气量、产水量，不同时刻的应力场、位移场、饱和度场、孔隙压力场等。同时，还应保存好该组模拟方案中的压裂施工参数和工作制度参数。例如，对于图3所示的模型，设置每簇裂缝的注入量为0.4m3/s，压裂的模拟时间为16s，生产的模拟时间设置为1年，焖井时间为1天，生产压差为5MPa。模拟得到的水力裂缝形态如图4所示，生产一年后的孔隙压力场如图5所示，产油量和产水量的变化曲线如图6所示。
将每个所述数值模拟结果作为输出数据，将每个所述数值模拟结果对应的地质参数、压裂施工参数和工作制度参数作为输入数据，构建数据集。在实际应用中，将不同数值模拟模型得到的不同训练数据组成为数据集。
将压裂施工参数和生产动态数据转化为HDF5格式的文件。HDF5格式是一种常见的数据储存文件，可以存储不同类型的数据，并拥有统一处理这种文件格式的函数库。在此过程中，利用python语言编程对数值模拟所保存的压裂施工参数和所选取的n个不同时刻的生产动态数据进行合并和文件格式的转存（n的数值可以根据实际需要随意设置）。本实施例中共有800个不同的数值模拟方案，对应有800组不同的压裂施工参数和工作制度参数，同时对应于每组压裂施工参数和工作制度参数，有n个不同时刻的生产动态数据。从这800个模拟方案中随机选取400个，并将所选取方案对应的压裂施工参数数据和工作制度参数数据以及n个不同时刻的生产动态数据一起转存到一个HDF5格式文件中作为训练数据集；从剩余的400个模拟方案中随机选取200个方案，并将方案对应的压裂施工参数数据和n个不同时刻的生产动态数据一起转存到另一个HDF5格式文件中作为验证数据集；将其余200个方案对应的压裂施工参数数据和n个不同时刻的生产动态数据一起转存到另一个HDF5格式文件中作为测试数据集，从而完成数据集的建立。
步骤102：利用所述数据集对深度卷积-长短期记忆神经网络模型进行训练，得到训练好的深度卷积-长短期记忆神经网络模型。
在一个具体实施例中，所述步骤102，具体包括：
以所述数据集中的地质参数、压裂施工参数和工作制度参数为输入，利用所述深度卷积-长短期记忆神经网络模型对生产动态、油藏压力场和饱和度场进行预测，得到预测的生产动态、预测的油藏压力场和预测的饱和度场。
根据所述预测的生产动态、所述预测的油藏压力场和所述预测的饱和度场以及所述压裂后的生产动态、所述压裂生产后的油藏压力场和所述压裂生产后的饱和度场，计算所述深度卷积-长短期记忆神经网络模型的损失函数。
根据所述损失函数对所述深度卷积-长短期记忆神经网络模型的参数进行调整，得到训练好的深度卷积-长短期记忆神经网络模型。
在实际应用中，采用所述训练数据集对深度卷积-长短期记忆神经网络模型进行训练。采用深度卷积-长短期记忆神经网络模型中的卷积编码部分对不同时刻的地质参数、压裂施工参数和/或工作制度进行卷积和池化操作，提取图像特征，得到不同时刻的特征图像数据。
将所述不同时刻的特征图像数据作为深度卷积-长短期记忆神经网络模型中的长短期记忆神经网络部分的输入，不同时刻的压裂缝网形态和参数，不同时刻的产油量、产气量、产水量，以及不同时刻的应力场、位移场、饱和度场、孔隙压力场结果作为深度卷积-长短期记忆神经网络部分的输出。
利用损失函数对所述深度卷积-长短期记忆神经网络模型的预测结果进行评价，用优化器不断更新深度卷积-长短期记忆神经网络模型的参数，直至达到预设迭代次数，得到优化后的深度卷积-长短期记忆神经网络模型。
采用所述验证数据集对优化后的深度卷积-长短期记忆神经网络模型进行网络结构和超参数的调整（卷积层数、卷积步长、激活函数、优化器、学习率等），利用测试数据集对验证通过的优化后的深度卷积-长短期记忆神经网络模型进行测试，将测试通过的模型作为所述训练好的深度卷积-长短期记忆神经网络预测模型，否则继续进行模型调整直到测试通过。
较优的，借助迁移学习技术，扩展预测模型的适用范围，使其能够对更多复杂情况下不同参数组合的压裂生产效果进行预测。例如，针对其他目标油藏，通过建立由少量目标油藏样本组成的数据集，对已经训练得到的深度卷积-长短期记忆神经网络模型进行重新训练，实现神经网络预测模型的快速迁移。
采用深度卷积-长短期记忆神经网络模型，建立地质参数、压裂施工参数、工作制度参数和生产动态数据之间的神经网络预测模型，如图2所示。首先对不同时刻所构成的一维数据进行图像化处理，将一维数据扩展成二维矩阵，二维矩阵中的每个元素均为该一维数据，且二维矩阵的尺寸与渗透率场/孔隙度场等图像的尺寸大小一致。将处理完的数据作为网络模型的输入，利用编码层提取不同时刻的数据特征，将所提取的不同时刻的数据特征作为长短期记忆神经网络（LSTM）的输入，以不同时刻的新特征作为LSTM的输出，对不同时刻的新特征分别通过解码层和全连接层得到不同时间下的二维图像数据（压裂缝网形态、压力场、饱和度场等）和产量数据（产油量、产水量、产气量等）。如果地质参数固定不变的话，采用深度卷积-长短期记忆神经网络模型也可以建立压裂施工参数和/或工作制度对生产动态的影响的预测模型。
利用所述训练数据集对所建立的深度卷积-长短期记忆神经网络模型进行训练，针对训练数据集中的400个样本，设置训练的迭代次数为100，每次从训练数据集中抽取40个样本进行训练，直至遍历整个训练数据集。训练过程中采用均方误差损失函数对深度卷积-长短期记忆神经网络模型当前的预测结果进行评价，并利用随机梯度下降算法不断优化更新不同时间节点的权重系数，使模型的预测效果更加出色和稳定，最终得到具有较高计算效率和准确性的深度卷积-长短期记忆神经网络模型。
对于验证数据集，利用训练好的深度卷积-长短期记忆神经网络模型，预测验证数据集中各输入数据所对应的生产动态，并将决定系数（R2）和绝对均方根误差作为评价指标，将预测结果与验证数据集中的生产动态数据作对比，分析评价训练好的深度卷积-长短期记忆神经网络模型的准确性。如果网络模型的预测效果不及预期的话，对网络结构和超参数（学习率、激活函数、优化器等）进行调整，并重新训练网络进行验证。
对于测试数据集，利用验证完的神经网络模型进行测试，如测试效果不好，则继续对模型进行调整，重复上述步骤直至测试通过，最终得到训练完成的深度卷积-长短期记忆神经网络模型。
步骤103：构建压裂施工参数和工作制度参数的优化数学模型。
在一个具体实施例中，所述步骤103，具体包括：
以经济净现值和储层动用程度最大化为优化目标，以压裂施工参数和工作制度为优化变量，建立压裂施工参数和工作制度参数的优化数学模型，所述优化数学模型为：
Figure 647337DEST_PATH_IMAGE013
Figure DEST_PATH_IMAGE014
Figure 892504DEST_PATH_IMAGE015
；其中，u*表示最优的压裂施工参数和工作制度参数组合；u为优化变量所构成的参数组合，其中的优化变量包括所述压裂施工参数和/或所述工作制度参数；u m 表示第m组优化变量，即第m组压裂施工参数和工作制度参数组合，u 0表示理想参数组合；U表示优化变量可供选择的空间，即压裂施工参数和/或工作制度参数的可行域；w 1和w 2为权重系数，且w 1与w 2之和等于1；J(u m ，u 0)表示采用第m组压裂施工参数和工作制度参数组合u m 所获得的经济净现值与采用理想参数组合u 0所获得的经济净现值之比；N t表示总的时间步数；n表示第n个时间步；∆t n 表示第n个时间步的步长，天；b表示年利率；N stage表示总的压裂级数；j表示第j级裂缝；r o表示原油价格；r g表示天然气价格；
Figure 783100DEST_PATH_IMAGE004
表示第j级裂缝在第n时间步的平均日产油量；
Figure 891739DEST_PATH_IMAGE005
表示第j级裂缝在第n时间步的平均日产气量；r w表示产出水的处理成本；
Figure 500575DEST_PATH_IMAGE006
表示第j级裂缝在第n时间步的平均日产水量；r wi表示注入水的成本；
Figure 736384DEST_PATH_IMAGE007
表示第j级裂缝在第n时间步的平均日注水量；S(Ω(gradP(u m )>λ)表示控制区域内压力梯度大于启动压力梯度λ的区域；E(u m )表示采用第m组压裂施工参数和工作制度参数组合u m 所对应的储层动用程度；ΔP(Ω(gradP(u m )>λ))表示区域Ω(gradP(u m )>λ)内的平均压降；S well表示控制面积；P i表示原始地层压力。理想参数组合指的是各个单一变量均取最高值时所对应的参数组合，例如，目前现场最高的压裂级数一般不超过50，所以这个压裂级数取50。依次得到其他参数的最优值，然后把这些最优值组合起来就是理想参数组合。
在实际应用中，年利率b为0.1；原油价格r o为2500元·m-3；产出水的处理成本r w为15元·m-3；注入水的成本r wi为15元·m-3；射孔簇数的上下限约束为2-5簇。射孔位置的上下限约束须保证射孔位置在目标油藏内部，且两个射孔位置之间的最小距离为5m。焖井时间的上下限约束为1-30天。生产时的井底流压上下限约束为10-18MPa。压裂液总注入量恒定为25.6m3。目标函数中经济净现值和储层动用程度的加权系数w 1、w 2均取为0.5。利用训练好的深度卷积-长短期记忆神经网络模型对不同方案的生产动态数据进行预测，然后代入上述公式就可计算得到不同方案的经济净现值和储层动用程度，进而可以对目标函数值进行评价。
构建压裂施工参数和工作制度参数优化的约束条件。约束条件可以选择上下限约束，即各个优化变量都可以约束在一个合理的范围内，形成设计空间D。约束条件也可以选择等式约束，即压裂液注入总量Q w（即q j 之和）为一个定值。
所述约束条件为
Figure 560115DEST_PATH_IMAGE008
。其中，q j 表示注入第j级裂缝的压裂液量，Q w为压裂液注入总量，
Figure 528071DEST_PATH_IMAGE009
表示第i个优化变量的最小值，
Figure 686520DEST_PATH_IMAGE010
表示第i个优化变量的最大值。
步骤104：利用所述训练好的深度卷积-长短期记忆神经网络模型对不同压裂施工参数和工作制度参数组合下的生产动态、油藏压力场和饱和度场进行预测，确定任一压裂施工参数和工作制度参数组合下的生产动态、油藏压力场和饱和度场。
步骤105：根据任一所述压裂施工参数和工作制度参数组合下的生产动态、油藏压力场和饱和度场，利用智能优化算法对所述优化数学模型进行求解，得到最优的压裂施工参数和工作制度参数组合。
如图7所示，采用智能优化算法在设计空间D中取样生成初始方案u 1和理想参数组合方案u 0，将优化变量u 0和u 1带入训练好的深度卷积-长短期记忆神经网络预测模型，得到优化变量u 0和u 1对应的经济净现值之比J(u 0，u 1)和储层动用程度E(u 1)，采用下式计算得到目标函数值：
Figure 709708DEST_PATH_IMAGE016
将(u 0，u 1，M(u 0，u 1))输入智能优化算法，智能优化算法根据其自身寻优机制开始寻优，并判断寻优过程是否满足收敛条件，若不满足，则输出新方案的优化变量u i，将优化变量u i带入训练好的深度卷积-长短期记忆神经网络预测模型，求取优化变量ui对应的目标函数值M(u 0，u i)。将(u 0，u i，M(u 0，u i))输入智能优化算法，智能优化算法继续寻优。若满足收敛条件，寻优停止，输出最优方案u*，与该方案对应的目标函数值M(u 0，u*)。目标函数随预测次数的寻优动态变化曲线如图8所示。最终得到的最优压裂施工参数包括：射孔簇数为4簇，射孔位置x坐标分别为56m、41m、28m、15m。每个射孔簇所对应的压裂液分配量为21%、25%、29%和25%。最优焖井时间为14天，生产压差为7MPa。预测得到的最大经济净现值为45万元，储层最大动用程度为0.12。
所述收敛条件为迭代次数达到某个预设值、调用训练好的深度卷积-长短期记忆神经网络预测模型的次数达到某个预设值或者更新优化变量u i时，u i与u i-1所对应的目标函数差距小于某个预设值等。
所述智能优化算法可以为：梯度算法，比如最速下降法、拟牛顿法和置信域方法等；随机梯度近似方法，比如随机扰动近似算法、基于集合的优化算法和随机简单近似梯度算法等；解析导数方法，比如直接方法和伴随方法；基于进化的无梯度算法，比如遗传算法、进化策略和差分进化算法；基于物理学的无梯度算法，比如模拟退火和重力搜索算法等；基于种群的无梯度算法，比如粒子群优化和鲸群算法等；确定性无梯度算法，比如牛顿法、多级协调搜索算法和模式搜索法等；随机性无梯度算法，比如粒子群算法等；局部搜索无梯度算法，比如单纯型法等；全局搜索无梯度算法，比如代理优化算法等。本发明对此不作限定。
图9为本发明提供的一种压裂施工参数和工作制度参数优化系统的结构图，如图9所示，一种压裂施工参数和工作制度参数优化系统，包括：
数据集构建模块901，用于构建数据集。所述数据集包括地质参数、压裂施工参数、工作制度参数以及与所述地质参数、所述压裂施工参数以及所述工作制度参数对应的生产动态、油藏压力场和饱和度场；所述地质参数包括孔隙度分布、渗透率分布、初始含油饱和度分布、储层有效厚度分布、相对渗透率曲线、毛管力曲线、油气水粘度、油气水压缩系数、岩石杨氏模量、岩石泊松比、Biot系数、最大主应力的方向和大小、最小主应力的方向和大小、天然裂缝的走向、密度、长度和破裂强度，层理缝的密度、倾角和破裂强度、流体组分和高压物性数据；所述压裂施工参数包括井的位置、水平井段长度、簇间距、段间距、射孔位置、射孔方位角、压裂液排量、压裂液泵入时间、压裂液类型、支撑剂类型和用量；所述工作制度参数为油嘴大小、井底流压、产液量或者产油量。
模型训练模块902，用于利用所述数据集对深度卷积-长短期记忆神经网络模型进行训练，得到训练好的深度卷积-长短期记忆神经网络模型。
优化数学模型构建模块903，用于构建压裂施工参数和工作制度参数的优化数学模型。
预测模块904，用于利用所述训练好的深度卷积-长短期记忆神经网络模型对不同压裂施工参数和工作制度参数组合下的生产动态、油藏压力场和饱和度场进行预测，确定任一压裂施工参数和工作制度参数组合下的生产动态、油藏压力场和饱和度场。
寻优模块905，用于根据任一所述压裂施工参数和工作制度参数组合下的生产动态、油藏压力场和饱和度场，利用智能优化算法对所述优化数学模型进行求解，得到最优的压裂施工参数和工作制度参数组合。
在一个具体实施例中，所述训练数据集构建模块901，具体包括：
参数范围获取单元，用于获取目标储层的地质参数范围、压裂施工参数范围和工作制度参数范围。
第一参数生成单元，用于根据所述地质参数范围利用地质统计学方法生成多个地质参数。
第二参数生成单元，用于根据所述压裂施工参数范围利用随机抽样方法生成多个压裂施工参数。
第三参数生成单元，用于根据所述工作制度参数范围利用随机抽样方法生成多个工作制度参数。
数值模拟方案形成单元，用于将多个所述地质参数、多个所述压裂施工参数以及多个所述工作制度参数组合成多个数值模拟方案。
数值模拟模型构建单元，用于根据所述数值模拟方案，构建数值模拟模型，得到多个数值模拟模型。
计算单元，用于利用压裂生产一体化数值模拟方法对多个所述数值模拟模型进行计算，得到多个数值模拟结果；所述数值模拟结果包括压裂后的生产动态、压裂生产后的油藏压力场和压裂生产后的饱和度场。
数据集构建单元，用于将每个所述数值模拟结果作为输出数据，将每个所述数值模拟结果对应的地质参数、压裂施工参数和工作制度参数作为输入数据，构建训练数据集。
在一个具体实施例中，所述模型训练模块902，具体包括：
预测单元，用于以所述数据集中的地质参数、压裂施工参数和工作制度参数为输入，利用所述深度卷积-长短期记忆神经网络模型对生产动态、油藏压力场和饱和度场进行预测，得到预测的生产动态、预测的油藏压力场和预测的饱和度场。
损失函数计算单元，用于根据所述预测的生产动态、所述预测的油藏压力场和所述预测的饱和度场以及所述压裂后的生产动态、所述压裂生产后的油藏压力场和所述压裂生产后的饱和度场，计算所述深度卷积-长短期记忆神经网络模型的损失函数。
参数调整单元，用于根据所述损失函数对所述深度卷积-长短期记忆神经网络模型的参数进行调整，得到训练好的深度卷积-长短期记忆神经网络模型。
在一个具体实施例中，所述优化数学模型构建模块903，具体包括：
优化数学模型构建单元，用于以经济净现值和储层动用程度最大化为优化目标，以压裂施工参数和工作制度参数为优化变量，建立压裂施工参数和工作制度的优化数学模型，所述优化数学模型为：
Figure 574896DEST_PATH_IMAGE001
Figure 776070DEST_PATH_IMAGE014
Figure 952974DEST_PATH_IMAGE017
；其中，u*表示最优的压裂施工参数和工作制度参数组合；u为优化变量所构成的参数组合，其中的优化变量包括所述压裂施工参数和/或所述工作制度参数；u m 表示第m组优化变量，u 0表示理想参数组合；U表示优化变量可供选择的空间；w 1和w 2为权重系数，且w 1与w 2之和等于1；J(u m ，u 0)表示采用第m组压裂施工参数和工作制度组合u m 所获得的经济净现值与采用理想参数组合u 0所获得的经济净现值之比；N t表示总的时间步数；n表示第n个时间步；∆t n 表示第n个时间步的步长，天；b表示年利率；N stage表示总的压裂级数；j表示第j级裂缝；r o表示原油价格；r g表示天然气价格；
Figure 937110DEST_PATH_IMAGE004
表示第j级裂缝在第n时间步的平均日产油量；
Figure 922384DEST_PATH_IMAGE005
表示第j级裂缝在第n时间步的平均日产气量；r w表示产出水的处理成本；
Figure 340465DEST_PATH_IMAGE006
表示第j级裂缝在第n时间步的平均日产水量；r wi表示注入水的成本；
Figure 473506DEST_PATH_IMAGE007
表示第j级裂缝在第n时间步的平均日注水量；E(u m )表示采用第m组压裂施工参数和工作制度参数组合u m 所对应的储层动用程度；S(Ω(gradP(u m )>λ)表示控制区域内压力梯度大于启动压力梯度λ的区域；S well表示控制面积；ΔP(Ω(gradP(u m )>λ))表示区域Ω(gradP(u m )>λ)内的平均压降；P i表示原始地层压力。
约束条件构建单元，用于构建压裂施工参数和工作制度参数优化的约束条件。
所述约束条件为
Figure 526912DEST_PATH_IMAGE008
；其中，q j 表示注入第j级裂缝的压裂液量，Q w 为压裂液注入总量，
Figure 179742DEST_PATH_IMAGE009
表示第i个优化变量的最小值，
Figure 722719DEST_PATH_IMAGE010
表示第i个优化变量的最大值。
本发明第三方面提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述的压裂施工参数和工作制度参数优化方法。具体的如图10所示，计算机设备具体可以包括输入设备1001、处理器1002、存储器1003。其中，输入设备1001具体用于输入目标油藏的地质参数、合理的压裂施工参数范围和工作制度参数范围。处理器1002具体可以用于根据所述压裂施工参数和工作制度参数范围，设计并批量生成不同的数值模拟方案；根据所述数值模拟方案，开展压裂生产一体化数值模拟研究，批量导出数值模拟结果，利用方案参数和数值模拟结果建立数据集；通过对训练数据集进行训练，建立深度卷积-长短期记忆神经网络模型，采用验证数据集和测试数据集验证和测试所建立神经网络模型的可靠性；建立压裂施工参数和工作制度参数的优化数学模型，通过耦合优化算法和神经网络模型对优化数学模型进行求解，得到最优的压裂施工参数和工作制度参数，使储层达到最大化有效动用的同时达到最高的经济效益。存储器1003具体可以用于存储目标油藏的地质参数、压裂施工参数、工作制度参数和优化结果等。
在本实施方式中，输入设备1001具体可以是用户和计算机系统之间进行信息交换的主要装置之一。输入设备1001可以包括键盘、鼠标、摄像头、扫描仪、光笔、手写输入板、语音输入装置等；输入设备1001用于把原始数据和处理这些数的程序输入到计算机中。输入设备1001还可以获取接收其他模块、单元、设备传输过来的数据。处理器可以按任何适当的方式实现。例如，处理器可以采取例如微处理器或处理器以及存储可由该（微）处理器执行的计算机可读程序代码（例如软件或固件）的计算机可读介质、逻辑门、开关、专用集成电路（Application Specific Integrated Circuit，ASIC）、可编程逻辑控制器和嵌入微控制器的形式等等。存储器具体可以是现代信息技术中用于保存信息的记忆设备。存储器可以包括多个层次，在数字系统中，只要能保存二进制数据的都可以是存储器；在集成电路中，一个没有实物形式的具有存储功能的电路也叫存储器，如RAM、FIFO等；在系统中，具有实物形式的存储设备也叫存储器，如内存条、TF卡等。
在本实施方式中，该电子设备具体实现的功能和效果，可以与其它实施方式对照解释，在此不再赘述。
另一方面，本发明提供一种计算机可读存储介质，该计算机可读存储介质上存储有指令，该指令用于使得机器执行本申请所述的压裂施工参数和工作制度整体优化设计方法。
本领域技术人员可以理解实现上述实施方式的方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得单片机、芯片或处理器（processor）执行本发明各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
本发明是参照根据本发明实施例的方法、装置和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
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 (10)

1.一种压裂施工参数和工作制度参数优化方法，其特征在于，包括：
构建数据集；所述数据集包括地质参数、压裂施工参数、工作制度参数以及与所述地质参数、所述压裂施工参数以及所述工作制度参数对应的生产动态、油藏压力场和饱和度场；所述地质参数包括孔隙度分布、渗透率分布、初始含油饱和度分布、储层有效厚度分布、相对渗透率曲线、毛管力曲线、油气水粘度、油气水压缩系数、岩石杨氏模量、岩石泊松比、Biot系数、最大主应力的方向和大小、最小主应力的方向和大小、天然裂缝的走向、密度、长度和破裂强度，层理缝的密度、倾角和破裂强度、流体组分和高压物性数据；所述压裂施工参数包括井的位置、水平井段长度、簇间距、段间距、射孔位置、射孔方位角、压裂液排量、压裂液泵入时间、压裂液类型、支撑剂类型和用量；所述工作制度参数为油嘴大小、井底流压、产液量或者产油量；
利用所述数据集对深度卷积-长短期记忆神经网络模型进行训练，得到训练好的深度卷积-长短期记忆神经网络模型；
构建压裂施工参数和工作制度参数的优化数学模型；
利用所述训练好的深度卷积-长短期记忆神经网络模型对不同压裂施工参数和工作制度参数组合下的生产动态、油藏压力场和饱和度场进行预测，确定任一压裂施工参数和工作制度参数组合下的生产动态、油藏压力场和饱和度场；
根据任一所述压裂施工参数和工作制度参数组合下的生产动态、油藏压力场和饱和度场，利用智能优化算法对所述优化数学模型进行求解，得到最优的压裂施工参数和工作制度参数组合。
2.根据权利要求1所述的压裂施工参数和工作制度参数优化方法，其特征在于，所述构建数据集，具体包括：
获取目标储层的地质参数范围、压裂施工参数范围和工作制度参数范围；
根据所述地质参数范围利用地质统计学方法生成多个地质参数；
根据所述压裂施工参数范围利用随机抽样方法生成多个压裂施工参数；
根据所述工作制度参数范围利用随机抽样方法生成多个工作制度参数；
将多个所述地质参数、多个所述压裂施工参数以及多个所述工作制度参数组合成多个数值模拟方案；
根据所述数值模拟方案，构建数值模拟模型，得到多个数值模拟模型；
利用压裂生产一体化数值模拟方法对多个所述数值模拟模型进行计算，得到多个数值模拟结果；所述数值模拟结果包括压裂后的生产动态、压裂生产后的油藏压力场和压裂生产后的饱和度场；
将每个所述数值模拟结果作为输出数据，将每个所述数值模拟结果对应的地质参数、压裂施工参数和工作制度参数作为输入数据，构建数据集。
3.根据权利要求2所述的压裂施工参数和工作制度参数优化方法，其特征在于，所述利用所述数据集对深度卷积-长短期记忆神经网络模型进行训练，得到训练好的深度卷积-长短期记忆神经网络模型，具体包括：
以所述数据集中的地质参数、压裂施工参数和工作制度参数为输入，利用所述深度卷积-长短期记忆神经网络模型对生产动态、油藏压力场和饱和度场进行预测，得到预测的生产动态、预测的油藏压力场和预测的饱和度场；
根据所述预测的生产动态、所述预测的油藏压力场和所述预测的饱和度场以及所述压裂后的生产动态、所述压裂生产后的油藏压力场和所述压裂生产后的饱和度场，计算所述深度卷积-长短期记忆神经网络模型的损失函数；
根据所述损失函数对所述深度卷积-长短期记忆神经网络模型的参数进行调整，得到训练好的深度卷积-长短期记忆神经网络模型。
4.根据权利要求1所述的压裂施工参数和工作制度参数优化方法，其特征在于，所述构建压裂施工参数和工作制度参数的优化数学模型，具体包括：
以经济净现值和储层动用程度最大化为优化目标，以压裂施工参数和工作制度为优化变量，建立压裂施工参数和工作制度参数的优化数学模型，所述优化数学模型为：
Figure 730124DEST_PATH_IMAGE001
Figure DEST_PATH_IMAGE002
Figure 785805DEST_PATH_IMAGE003
；其中，u为优化变量所构成的参数组合；u*表示最优的压裂施工参数和工作制度参数组合；u m表示第m组优化变量，u 0表示理想参数组合；U表示优化变量可供选择的空间；w 1和w 2为权重系数，且w 1与w 2之和等于1；J(u m ，u 0)表示采用第m组压裂施工参数和工作制度组合u m 所获得的经济净现值与采用理想参数组合u 0所获得的经济净现值之比；N t表示总的时间步数；n表示第n个时间步；∆t n 表示第n个时间步的步长，天；b表示年利率；N stage表示总的压裂级数；j表示第j级裂缝；r o表示原油价格；S(Ω(gradP(u m )>λ)表示控制区域内压力梯度大于启动压力梯度λ的区域；S well表示控制面积；P i表示原始地层压力；ΔP(Ω(gradP(u m )>λ))表示区域Ω(gradP(u m )>λ)内的平均压降；r g表示天然气价格；
Figure DEST_PATH_IMAGE004
表示第j级裂缝在第n时间步的平均日产油量；
Figure 805713DEST_PATH_IMAGE005
表示第j级裂缝在第n时间步的平均日产气量；r w表示产出水的处理成本；
Figure 674485DEST_PATH_IMAGE006
表示第j级裂缝在第n时间步的平均日产水量；r wi表示注入水的成本；
Figure 197870DEST_PATH_IMAGE007
表示第j级裂缝在第n时间步的平均日注水量；E(u m )表示采用第m组压裂施工参数和工作制度参数组合u m 所对应的储层动用程度。
5.根据权利要求4所述的压裂施工参数和工作制度参数优化方法，其特征在于，所述构建压裂施工参数和工作制度参数的优化数学模型，还包括：
构建压裂施工参数和工作制度参数优化的约束条件；
所述约束条件为
Figure 893294DEST_PATH_IMAGE008
；其中，q j 表示注入第j级裂缝的压裂液量，Q w为压裂液注入总量，
Figure 134919DEST_PATH_IMAGE009
表示第i个优化变量的最小值，
Figure 19830DEST_PATH_IMAGE010
表示第i个优化变量的最大值。
6.一种压裂施工参数和工作制度参数优化系统，其特征在于，包括：
数据集构建模块，用于构建数据集；所述数据集包括地质参数、压裂施工参数、工作制度参数以及与所述地质参数、所述压裂施工参数以及所述工作制度参数对应的生产动态、油藏压力场和饱和度场；所述地质参数包括孔隙度分布、渗透率分布、初始含油饱和度分布、储层有效厚度分布、相对渗透率曲线、毛管力曲线、油气水粘度、油气水压缩系数、岩石杨氏模量、岩石泊松比、Biot系数、最大主应力的方向和大小、最小主应力的方向和大小、天然裂缝的走向、密度、长度和破裂强度，层理缝的密度、倾角和破裂强度、流体组分和高压物性数据；所述压裂施工参数包括水平井位置、水平井段长度、簇间距、段间距、射孔位置、射孔方位角、压裂液排量、压裂液泵入时间、压裂液类型、支撑剂类型和用量；所述工作制度参数为油嘴大小、井底流压、产液量或者产油量；
模型训练模块，用于利用所述数据集对深度卷积-长短期记忆神经网络模型进行训练，得到训练好的深度卷积-长短期记忆神经网络模型；
优化数学模型构建模块，用于构建压裂施工参数和工作制度参数的优化数学模型；
预测模块，用于利用所述训练好的深度卷积-长短期记忆神经网络模型对不同压裂施工参数和工作制度参数组合下的生产动态、油藏压力场和饱和度场进行预测，确定任一压裂施工参数和工作制度参数组合下的生产动态、油藏压力场和饱和度场；
寻优模块，用于根据任一所述压裂施工参数和工作制度参数组合下的生产动态、油藏压力场和饱和度场，利用智能优化算法对所述优化数学模型进行求解，得到最优的压裂施工参数和工作制度参数组合。
7.根据权利要求6所述的压裂施工参数和工作制度参数优化系统，其特征在于，所述数据集构建模块，具体包括：
参数范围获取单元，用于获取目标储层的地质参数范围、压裂施工参数范围和工作制度参数范围；
第一参数生成单元，用于根据所述地质参数范围利用地质统计学方法生成多个地质参数；
第二参数生成单元，用于根据所述压裂施工参数范围利用随机抽样方法生成多个压裂施工参数；
第三参数生成单元，用于根据所述工作制度参数范围利用随机抽样方法生成多个工作制度参数；
数值模拟方案形成单元，用于将多个所述地质参数、多个所述压裂施工参数以及多个所述工作制度参数组合成多个数值模拟方案；
数值模拟模型构建单元，用于根据所述数值模拟方案，构建数值模拟模型，得到多个数值模拟模型；
计算单元，用于利用压裂生产一体化数值模拟方法对多个所述数值模拟模型进行计算，得到多个数值模拟结果；所述数值模拟结果包括压裂后的生产动态、压裂生产后的油藏压力场和压裂生产后的饱和度场；
数据集构建单元，用于将每个所述数值模拟结果作为输出数据，将每个所述数值模拟结果对应的地质参数、压裂施工参数和工作制度参数作为输入数据，构建数据集。
8.根据权利要求7所述的压裂施工参数和工作制度参数优化系统，其特征在于，所述模型训练模块，具体包括：
预测单元，用于以所述数据集中的地质参数、压裂施工参数和工作制度参数为输入，利用所述深度卷积-长短期记忆神经网络模型对生产动态、油藏压力场和饱和度场进行预测，得到预测的生产动态、预测的油藏压力场和预测的饱和度场；
损失函数计算单元，用于根据所述预测的生产动态、所述预测的油藏压力场和所述预测的饱和度场以及所述压裂后的生产动态、所述压裂生产后的油藏压力场和所述压裂生产后的饱和度场，计算所述深度卷积-长短期记忆神经网络模型的损失函数；
参数调整单元，用于根据所述损失函数对所述深度卷积-长短期记忆神经网络模型的参数进行调整，得到训练好的深度卷积-长短期记忆神经网络模型。
9.根据权利要求6所述的压裂施工参数和工作制度参数优化系统，其特征在于，所述优化数学模型构建模块，具体包括：
优化数学模型构建单元，用于以经济净现值和储层动用程度最大化为优化目标，以压裂施工参数和工作制度参数为优化变量，建立压裂施工参数和工作制度参数的优化数学模型，所述优化数学模型为：
Figure 663301DEST_PATH_IMAGE011
Figure 310052DEST_PATH_IMAGE002
Figure 38973DEST_PATH_IMAGE012
；其中，u为优化变量所构成的参数组合；u*表示最优的压裂施工参数和工作制度参数组合；u m 表示第m组优化变量，u 0表示理想参数组合；U表示优化变量可供选择的空间；w 1和w 2为权重系数，且w 1与w 2之和等于1；J(u m ，u 0)表示采用第m组压裂施工参数和工作制度参数组合u m 所获得的经济净现值与采用理想参数组合u 0所获得的经济净现值之比；N t表示总的时间步数；n表示第n个时间步；∆t n 表示第n个时间步的步长，天；b表示年利率；N stage表示总的压裂级数；j表示第j级裂缝；r o表示原油价格；S(Ω(gradP(u m )>λ)表示控制区域内压力梯度大于启动压力梯度λ的区域；S well表示控制面积；P i表示原始地层压力；ΔP(Ω(gradP(u m )>λ))表示区域Ω(gradP(u m )>λ)内的平均压降；r g表示天然气价格；
Figure 383367DEST_PATH_IMAGE004
表示第j级裂缝在第n时间步的平均日产油量；
Figure 881344DEST_PATH_IMAGE005
表示第j级裂缝在第n时间步的平均日产气量；r w表示产出水的处理成本；
Figure 262778DEST_PATH_IMAGE006
表示第j级裂缝在第n时间步的平均日产水量；r wi表示注入水的成本；
Figure 478996DEST_PATH_IMAGE007
表示第j级裂缝在第n时间步的平均日注水量；E(u m )表示采用第m组压裂施工参数和工作制度参数组合u m 所对应的储层动用程度。
10.根据权利要求9所述的压裂施工参数和工作制度参数优化系统，其特征在于，所述优化数学模型构建模块，还包括：
约束条件构建单元，用于构建压裂施工参数和工作制度参数优化的约束条件；
所述约束条件为
Figure 361501DEST_PATH_IMAGE008
；其中，q j 表示注入第j级裂缝的压裂液量，Q w 为压裂液注入总量，
Figure 776302DEST_PATH_IMAGE009
表示第i个优化变量的最小值，
Figure 718850DEST_PATH_IMAGE010
表示第i个优化变量的最大值。
CN202210237333.0A 2022-03-11 2022-03-11 一种压裂施工参数和工作制度参数优化方法及系统 Active CN114595608B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210237333.0A CN114595608B (zh) 2022-03-11 2022-03-11 一种压裂施工参数和工作制度参数优化方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210237333.0A CN114595608B (zh) 2022-03-11 2022-03-11 一种压裂施工参数和工作制度参数优化方法及系统

Publications (2)

Publication Number Publication Date
CN114595608A true CN114595608A (zh) 2022-06-07
CN114595608B CN114595608B (zh) 2023-06-27

Family

ID=81808595

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210237333.0A Active CN114595608B (zh) 2022-03-11 2022-03-11 一种压裂施工参数和工作制度参数优化方法及系统

Country Status (1)

Country Link
CN (1) CN114595608B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115204064A (zh) * 2022-09-19 2022-10-18 中国石油大学(华东) 一种页岩油开采中注气吞吐参数优化方法及系统
CN115577562A (zh) * 2022-11-09 2023-01-06 中国石油大学(华东) 一种裂缝油藏井位优化方法
CN115577645A (zh) * 2022-12-08 2023-01-06 中国石油大学(华东) 一种燃爆压裂破裂范围预测模型的构建方法及预测方法
CN116050626A (zh) * 2023-01-17 2023-05-02 中国石油大学(华东) 一种多级压裂水平井生产分级优化与效果预测方法
CN116384166A (zh) * 2023-06-05 2023-07-04 西南石油大学 气藏注气提采与协同建库优化方法、系统、设备及介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB201503711D0 (en) * 2014-03-31 2015-04-22 Logined Bv Downhole modeling using inverted pressure and regional stress
CN109063403A (zh) * 2018-10-22 2018-12-21 西安石油大学 一种滑溜水压裂优化设计方法
US20190080224A1 (en) * 2017-09-08 2019-03-14 Halliburton Energy Services, Inc. Optimizing Production Using Design of Experiment and Reservoir Modeling
CN113052371A (zh) * 2021-03-16 2021-06-29 中国石油大学(华东) 基于深度卷积神经网络的剩余油分布预测方法及装置
US20210350208A1 (en) * 2020-05-11 2021-11-11 China University Of Petroleum (East China) Method and device for predicting production performance of oil reservoir
CN113821953A (zh) * 2021-09-22 2021-12-21 中国石油大学(华东) 基于动态地应力和剩余油特征的暂堵重复压裂设计方法
CN114154427A (zh) * 2022-02-08 2022-03-08 中国石油大学(华东) 基于深度学习的体积压裂裂缝扩展预测方法和系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB201503711D0 (en) * 2014-03-31 2015-04-22 Logined Bv Downhole modeling using inverted pressure and regional stress
US20190080224A1 (en) * 2017-09-08 2019-03-14 Halliburton Energy Services, Inc. Optimizing Production Using Design of Experiment and Reservoir Modeling
CN109063403A (zh) * 2018-10-22 2018-12-21 西安石油大学 一种滑溜水压裂优化设计方法
US20210350208A1 (en) * 2020-05-11 2021-11-11 China University Of Petroleum (East China) Method and device for predicting production performance of oil reservoir
CN113052371A (zh) * 2021-03-16 2021-06-29 中国石油大学(华东) 基于深度卷积神经网络的剩余油分布预测方法及装置
CN113821953A (zh) * 2021-09-22 2021-12-21 中国石油大学(华东) 基于动态地应力和剩余油特征的暂堵重复压裂设计方法
CN114154427A (zh) * 2022-02-08 2022-03-08 中国石油大学(华东) 基于深度学习的体积压裂裂缝扩展预测方法和系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
HUSAM H. ALKINANI 等: "Data-driven recurrent neural network model to predict the rate of penetration: Upstream Oil and Gas Technology", pages 100047 *
焦红岩;: "水平井压裂参数优化设计研究", no. 01, pages 37 - 43 *
王少英;: "基于智能计算的水力压裂施工参数优化", no. 24, pages 86 *
王荣;陈凤珍;徐克山;: "基于人工智能的压裂方案设计方法", no. 04, pages 26 - 30 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115204064A (zh) * 2022-09-19 2022-10-18 中国石油大学(华东) 一种页岩油开采中注气吞吐参数优化方法及系统
CN115577562A (zh) * 2022-11-09 2023-01-06 中国石油大学(华东) 一种裂缝油藏井位优化方法
CN115577645A (zh) * 2022-12-08 2023-01-06 中国石油大学(华东) 一种燃爆压裂破裂范围预测模型的构建方法及预测方法
CN116050626A (zh) * 2023-01-17 2023-05-02 中国石油大学(华东) 一种多级压裂水平井生产分级优化与效果预测方法
CN116050626B (zh) * 2023-01-17 2024-01-19 中国石油大学(华东) 一种多级压裂水平井生产分级优化与效果预测方法
CN116384166A (zh) * 2023-06-05 2023-07-04 西南石油大学 气藏注气提采与协同建库优化方法、系统、设备及介质
CN116384166B (zh) * 2023-06-05 2023-08-04 西南石油大学 气藏注气提采与协同建库优化方法、系统、设备及介质

Also Published As

Publication number Publication date
CN114595608B (zh) 2023-06-27

Similar Documents

Publication Publication Date Title
CN111441767B (zh) 油藏生产动态预测方法及装置
CN114595608A (zh) 一种压裂施工参数和工作制度参数优化方法及系统
Narasingam et al. Handling spatial heterogeneity in reservoir parameters using proper orthogonal decomposition based ensemble Kalman filter for model-based feedback control of hydraulic fracturing
Shirangi et al. Closed-loop field development under uncertainty by use of optimization with sample validation
US10435995B2 (en) Oilfield management method and system
Siddhamshetty et al. Feedback control of proppant bank heights during hydraulic fracturing for enhanced productivity in shale formations
CN113052371B (zh) 基于深度卷积神经网络的剩余油分布预测方法及装置
CA2814370C (en) Lift-gas optimization with choke control
Zendehboudi et al. Estimation of breakthrough time for water coning in fractured systems: Experimental study and connectionist modeling
Nasrabadi et al. Well placement optimization: A survey with special focus on application for gas/gas-condensate reservoirs
Ng et al. Smart proxy modeling of a fractured reservoir model for production optimization: implementation of metaheuristic algorithm and probabilistic application
RU2715593C1 (ru) Способ оперативного управления заводнением пластов
Naderi et al. Nonlinear risk optimization approach to water drive gas reservoir production optimization using DOE and artificial intelligence
CN116644662B (zh) 一种基于知识嵌入神经网络代理模型的布井优化方法
CN111553067A (zh) 页岩油藏压裂水平井不停井试井测试和解释方法、装置
CN110924935A (zh) 致密油藏井底流压调控方案确定方法、装置和设备
Mogollon et al. Comparative analysis of data-driven, physics-based and hybrid reservoir modeling approaches in waterflooding
Chen A genetic algorithm optimizer with applications to the SAGD process
CN113887067A (zh) 基于lstm的致密低渗油藏压裂井网气驱效果预测方法
Xu et al. Probabilistic evaluation of hydraulic fracture performance using ensemble machine learning
Robertson et al. Optimization of unconventional well-pad area using reservoir simulation and intelligent sequential sampling
Yin et al. Parameter Identification of Multistage Fracturing Horizontal Well Based on PSO‐RBF Neural Network
Panjalizadeh et al. Uncertainty assessment and risk analysis of steam flooding by proxy models, a case study
Guan et al. Fast history matching and optimization using a novel physics-based data-driven model: An application to a diatomite reservoir with hundreds of wells
KR102597540B1 (ko) 인공신경망을 이용한 가스정 생산성을 고려한 플로우라인 네트워크 최적화 방법

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