CN115700319A - 裂缝导流能力确定方法及装置 - Google Patents

裂缝导流能力确定方法及装置 Download PDF

Info

Publication number
CN115700319A
CN115700319A CN202110798341.8A CN202110798341A CN115700319A CN 115700319 A CN115700319 A CN 115700319A CN 202110798341 A CN202110798341 A CN 202110798341A CN 115700319 A CN115700319 A CN 115700319A
Authority
CN
China
Prior art keywords
neural network
work area
conductivity
target work
fracture
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.)
Pending
Application number
CN202110798341.8A
Other languages
English (en)
Inventor
张杨
李奔
杨向同
周福建
乔岩
李卉
刘玉章
何锛丞
王永红
侯腾飞
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.)
Xi'an Kangboer Petroleum Technology Development Co ltd
China National Petroleum Corp
CNPC Engineering Technology R&D Co Ltd
Original Assignee
Xi'an Kangboer Petroleum Technology Development Co ltd
China National Petroleum Corp
CNPC Engineering Technology R&D Co Ltd
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 Xi'an Kangboer Petroleum Technology Development Co ltd, China National Petroleum Corp, CNPC Engineering Technology R&D Co Ltd filed Critical Xi'an Kangboer Petroleum Technology Development Co ltd
Priority to CN202110798341.8A priority Critical patent/CN115700319A/zh
Publication of CN115700319A publication Critical patent/CN115700319A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)

Abstract

本发明公开了一种裂缝导流能力确定方法及装置，涉及油气田开发技术领域，主要目的是提高裂缝导流能力确定方法的高效性和准确性。本发明的主要技术方案为：获取目标工区的裂缝导流能力数据库；根据所述目标工区的裂缝导流能力数据库得到裂缝导流神经网络基本架构；基于预设训练精度确定神经网络权重及阈值训练方法；基于所述裂缝导流神经网络基本架构、所述预设训练精度和所述神经网络权重及阈值训练方法，调整神经网络训练方法并进行神经网络训练，得到神经网络模型；根据所述神经网络模型确定所述目标工区的裂缝导流能力。本发明主要用于高效准确地确定裂缝导流能力，进而为水力压裂改造、设计提供可靠的裂缝导流能力参数。

Description

裂缝导流能力确定方法及装置
技术领域
本发明涉及油气田开发技术领域，尤其涉及一种裂缝导流能力确定方法及装置。
背景技术
水力压裂技术是非常规储层新井改造及常规储层老井增产的关键技术，复杂缝网下的裂缝高效导流构建是油气井增产的关键。为了确定油气井的合理投产方式，需要对裂缝导流能力进行确定。
目前，裂缝导流能力确定方法通常为：在水力压裂施工前对裂缝导流能力进行实验测定，水力压裂施工后对实际已充填裂缝的导流能力进行评估分析。
然而，上述实验测定的方法需要对油气井进行井下取心，其局限性在于并非所有油气井均进行井下取心，且存在获取井的岩心无法符合裂缝导流能力测试要求的情况；而且实验测定需要专业设备，实验过程的复杂性和时效性也无法满足规模化水力压裂设计的需求。另一方面，通过试井分析方法得到的裂缝导流能力为整个裂缝系统的平均值，对于特定裂缝的导流能力评估存在瓶颈。因此，目前亟需一种更加准确高效的裂缝导流能力确定方法。
发明内容
有鉴于此，本发明实施例提供一种裂缝导流能力确定方法及装置，主要目的是提高裂缝导流能力确定方法的高效性和准确性。
为达到上述目的，本发明主要提供如下技术方案：
一方面，本发明实施例提供了一种裂缝导流能力确定方法，包括：
获取目标工区的裂缝导流能力数据库；
根据所述目标工区的裂缝导流能力数据库得到裂缝导流神经网络基本架构；
基于预设训练精度确定神经网络权重及阈值训练方法；
基于所述裂缝导流神经网络基本架构、所述预设训练精度和所述神经网络权重及阈值训练方法，调整神经网络训练方法并进行神经网络训练，得到神经网络模型；
根据所述神经网络模型确定所述目标工区的裂缝导流能力。
具体地，所述获取目标工区的裂缝导流能力数据库包括：
获取裂缝导流能力基础数据库；
根据所述裂缝导流能力基础数据库和目标工区的裂缝导流能力数据更新得到目标工区的裂缝导流能力数据库。
具体地，所述根据所述裂缝导流能力基础数据库和目标工区的裂缝导流能力数据更新得到目标工区的裂缝导流能力数据库包括：
根据所述裂缝导流能力基础数据库和目标工区的裂缝导流能力数据，通过第一预设公式将所述裂缝导流能力基础数据库更新得到目标工区的裂缝导流能力数据库，所述第一预设公式为
Figure BDA0003163624040000021
其中，
Figure BDA0003163624040000022
为更新后的目标工区的裂缝导流能力数据库，
Figure BDA0003163624040000023
为更新前的目标工区的裂缝导流能力数据，
Figure BDA0003163624040000024
为更新数据库
Figure BDA0003163624040000025
的最大值，
Figure BDA0003163624040000026
为更新数据库
Figure BDA0003163624040000027
的最小值。
具体地，所述根据所述目标工区的裂缝导流能力数据库得到裂缝导流神经网络基本架构包括：
根据所述目标工区的裂缝导流能力数据库中的参数个数和样本数量，分别通过第二预设公式、第三预设公式和第四预设公式得到神经网络隐含层个数、神经网络隐含层神经元个数和激活函数类型；
所述裂缝导流能力数据库中的参数包括岩石力学性质、裂缝闭合压力、铺砂浓度、支撑剂粒径、支撑剂类型、测试温度、测试时间中的一个或多个参数。
具体地，所述第二预设公式为
Figure BDA0003163624040000031
其中，H为神经网络隐含层个数，m为所述目标工区的裂缝导流能力数据库中的参数个数，n为所述目标工区的裂缝导流能力数据库中的样本数量，mod为取整数；和/或，
所述第三预设公式为
Figure BDA0003163624040000032
其中，C为神经网络隐含层神经元个数，m为所述目标工区的裂缝导流能力数据库中的参数个数，n为所述目标工区的裂缝导流能力数据库中的样本数量，mod为取整数；和/或，
所述第四预设公式为
Figure BDA0003163624040000033
其中，Type为激活函数类型，H为神经网络隐含层个数，C为神经网络隐含层神经元个数，mod为取整数，Linear、Log-sigmoid、Tangent sigmoid、ReLU分别为神经网络模型的激活函数类型名称。
具体地，所述基于预设训练精度确定神经网络权重及阈值训练方法包括：
根据预设训练精度，通过第五预设公式得到神经网络权重及阈值训练方法，所述第五预设公式为
Figure BDA0003163624040000034
其中，F为神经网络权重及阈值训练方法，e为预设训练精度，batch gradient descent、stochasticgradient descent、Momentum、Nesterov Momentum、RMSProp、Adam分别为对神经网络的权重以及阈值训练方法名称。
具体地，所述根据所述神经网络模型确定所述目标工区的裂缝导流能力包括：
获取所述目标工区的参数数值，所述目标工区的参数数值包括岩石力学性质、裂缝闭合压力、支撑剂粒径、支撑剂类型和支撑剂铺砂浓度中的任意一个或多个参数；
根据所述目标工区的参数数值，通过所述神经网络模型计算得到所述目标工区的裂缝导流能力；
当所述目标工区的参数数值包括多组参数数值时，则根据每组参数数值，分别通过所述神经网络模型计算得到相应的裂缝导流能力。
另一方面，本发明实施例还提供一种裂缝导流能力确定装置，包括：
获取单元，用于获取目标工区的裂缝导流能力数据库；
构建单元，用于根据所述获取单元获取的目标工区的裂缝导流能力数据库得到裂缝导流神经网络基本架构；
第一确定单元，用于基于预设训练精度确定神经网络权重及阈值训练方法；
训练单元，用于基于所述构建单元得到的裂缝导流神经网络基本架构、所述预设训练精度和所述第一确定单元确定的神经网络权重及阈值训练方法，调整神经网络训练方法并进行神经网络训练，得到神经网络模型；
第二确定单元，用于根据所述训练单元得到的神经网络模型确定所述目标工区的裂缝导流能力。
另一方面，本发明实施例还提供一种裂缝导流能力确定系统，包括：
存储器和一个或者多个处理器，所述处理器被配置为执行所述存储器中存储的程序指令，所述程序指令运行时执行上述的裂缝导流能力确定方法。
另一方面，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其中，所述计算机程序被一个或多个处理器执行时实现上述的裂缝导流能力确定方法。
本发明实施例提出的一种裂缝导流能力确定方法及装置，通过获取目标工区的裂缝导流能力数据库，进而得到裂缝导流神经网络基本架构，并根据预设训练精度确定神经网络权重及阈值训练方法，通过裂缝导流能力神经网络架构自适应调整、神经网络训练，得到神经网络模型，进而确定目标工区的裂缝导流能力，为水力压裂改造、设计提供可靠的裂缝导流能力参数。该裂缝导流能力确定方法耦合岩石力学、流体力学、数据库、神经网络技术等多方面专业知识，实现多因素耦合条件下的裂缝导流能力确定，全面、高效且准确。
附图说明
图1为本发明实施例提供的一种裂缝导流能力确定方法的流程图；
图2为本发明实施例提供的另一种裂缝导流能力确定方法的流程图；
图3为本发明实施例提供的一种裂缝导流能力确定装置的组成框图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
本发明实施例提供一种裂缝导流能力确定方法，该方法实现了基于神经网络的多因素耦合控制条件下的裂缝导流能力确定，其目的在于提高裂缝导流能力确定方法的高效性和准确性。本方法具体步骤如图1所示，包括：
101、获取目标工区的裂缝导流能力数据库。
其中，目标工区是指要进行裂缝导流能力确定的工作区，本发明实施例中是指油气田储层等。裂缝导流能力数据库可以包括与裂缝导流能力相关的参数数据，例如测试温度、测试时间、岩石类型、闭合压力、支撑剂粒径、铺砂浓度等参数，这些参数可以基于通过对目标工区进行裂缝导流能力测试得到的参数数据以及预设的基础数据库，进行数据库动态更新得到，可以采用归一化方法等。同一储层可以经过多次测试得到多个参数数据，从而组成多个样本数据。
其中，基础数据库可以通过实验及试井解释得到，可以是目标储层或者与目标储层相似的历史测试结果。结合目标储层的参数数据对基础数据库进行更新，得到的裂缝导流能力数据库能够更加适宜目标储层，提供更加丰富、精准的数据源。
102、根据所述目标工区的裂缝导流能力数据库得到裂缝导流神经网络基本架构。
在获取目标工区的裂缝导流能力数据库后，可以根据该裂缝导流能力数据库规模，以计算效率为标准，构建裂缝导流神经网络基本架构。
本发明实施例中，裂缝导流神经网络基本架构包括神经网络隐含层个数、隐含层神经元个数及激活函数。可以基于裂缝导流能力数据库的参数个数和样本数量，综合计算精度及运算时间，从而确定神经网络隐含层个数、隐含层神经元个数及激活函数。
具体地，可以采用下述实施方式：
通过公式
Figure BDA0003163624040000061
计算得到神经网络隐含层个数H；
通过公式
Figure BDA0003163624040000062
计算得到神经网络隐含层神经元个数C；
通过公式
Figure BDA0003163624040000071
得到激活函数类型Type；
其中， m为所述目标工区的裂缝导流能力数据库中的参数个数，n为所述目标工区的裂缝导流能力数据库中的样本数量，mod为取整数，Linear、Log-sigmoid、Tangentsigmoid、ReLU分别为神经网络模型的激活函数类型名称。其中，Linear表示线性函数，Log-sigmoid表示Log类型的S型函数，Tangent sigmoid表示双曲正切S型函数，ReLU表示线性整流函数。
103、基于预设训练精度确定神经网络权重及阈值训练方法。
其中，预设精度可以根据目标工区的实际测试场景预先确定。根据裂缝导流能力数据库规模，以计算精度为标准，确定神经网络权重及阈值训练方法。
本发明实施例中，可以采用下述实施方式：
通过公式
Figure BDA0003163624040000072
得到神经网络权重及阈值训练方法；
其中，F为神经网络权重及阈值训练方法，e为预设训练精度，batch gradientdescent、stochastic gradient descent、Momentum、Nesterov Momentum、RMSProp、Adam分别为对神经网络的权重以及阈值训练方法名称。其中，batch gradient descent为批梯度下降算法，stochastic gradient descent为随机梯度下降算法，Momentum为牛顿动量法，Nesterov Momentum为Nesterov动量法，RMSProp(root mean square propagation)为前向均方根梯度下降算法，Adam为Adam算法。
104、基于所述裂缝导流神经网络基本架构、所述预设训练精度和所述神经网络权重及阈值训练方法，调整神经网络训练方法并进行神经网络训练，得到神经网络模型。
在确定神经网络权重及阈值训练方法后，可进行调整神经网络训练方法，训练神经网络模型至预设训练精度，其中，训练过程通常包括模型训练和模型验证，训练精度和验证精度均达到预设训练精度标准，模型训练完成，得到已训练好的神经网络模型。
105、根据所述神经网络模型确定所述目标工区的裂缝导流能力。
其中，可以先获取目标工区的参数数值，然后可以对参数数值进行预处理，以使得其符合神经网络模型的输入数据格式，例如可以对缺失数据进行补齐、归一化处理等。然后，可以将预处理后的参数数值输入神经网络模型中，得到目标工区的导流能力结果。
具体实施方式可以为：目标工区的参数数值可以包括岩石力学性质、裂缝闭合压力、支撑剂粒径、支撑剂类型和支撑剂铺砂浓度等，根据所述目标工区的参数数值，通过神经网络模型计算得到所述目标工区的裂缝导流能力。
当目标工区的参数数值包括多组参数数值时，则根据每组参数数值，分别通过神经网络模型计算得到相应的裂缝导流能力。
本发明实施例提供的裂缝导流能力确定方法，通过获取目标工区的裂缝导流能力数据库，进而得到裂缝导流神经网络基本架构，并根据预设训练精度确定神经网络权重及阈值训练方法，通过裂缝导流能力神经网络架构自适应调整、神经网络训练，得到神经网络模型，进而确定目标工区的裂缝导流能力，为水力压裂改造、设计提供可靠的裂缝导流能力参数。该裂缝导流能力确定方法耦合岩石力学、流体力学、数据库、神经网络技术等多方面专业知识，实现多因素耦合条件下的裂缝导流能力确定，全面、高效且准确。
结合上述说明，如图2所示，本发明实施例还提供一种裂缝导流能力确定方法，该方法包括：
201、获取裂缝导流能力基础数据库。
其中，基础数据库可以通过实验及试井解释得到，可以是目标储层或者与目标储层相似的历史测试结果。
202、根据所述裂缝导流能力基础数据库和目标工区的裂缝导流能力数据更新得到目标工区的裂缝导流能力数据库。
具体地，可以通过实验测试得到目标工区的裂缝导流能力数据，将该实验测试数据的参数类型与基础数据库中的参数类型进行匹配；在匹配一致的情况下，将相应匹配一致的参数类型所对应的实验测试数据，更新至基础数据库中相应参数类型的参数数据中；在未匹配一致的情况下，在基础数据库中增加未匹配一致的参数类型；并将未匹配一致的参数类型所对应的当前参数数据，更新至相应参数类型的参数数据中。对待更新的样本数据库中各参数类型所对应的参数数据分别进行归一化处理，得到目标工区的裂缝导流能力数据库，具体实施方式可以为：
根据公式
Figure BDA0003163624040000091
得到目标工区的裂缝导流能力数据库，其中，
Figure BDA0003163624040000092
为更新后的目标工区的裂缝导流能力数据库，
Figure BDA0003163624040000093
为更新前的目标工区的裂缝导流能力数据，
Figure BDA0003163624040000094
为更新数据库
Figure BDA0003163624040000095
的最大值，
Figure BDA0003163624040000096
为更新数据库
Figure BDA0003163624040000097
的最小值。
本发明实施例的裂缝导流能力确定方法中，基于基础数据库和目标工区的裂缝导流能力数据更新得到目标工区的裂缝导流能力数据库，可以提高裂缝导流能力确定的准确性和全面性。
203、根据所述目标工区的裂缝导流能力数据库中的参数个数和样本数量，分别通过第二预设公式、第三预设公式和第四预设公式得到神经网络隐含层个数、神经网络隐含层神经元个数和激活函数类型。
所述裂缝导流能力数据库中的参数包括岩石力学性质、裂缝闭合压力、铺砂浓度、支撑剂粒径、支撑剂类型、测试温度、测试时间中的一个或多个参数。
所述第二预设公式为
Figure BDA0003163624040000101
其中，H为神经网络隐含层个数，m为所述目标工区的裂缝导流能力数据库中的参数个数，n为所述目标工区的裂缝导流能力数据库中的样本数量，mod为取整数；
所述第三预设公式为
Figure BDA0003163624040000102
其中，C为神经网络隐含层神经元个数，m为所述目标工区的裂缝导流能力数据库中的参数个数，n为所述目标工区的裂缝导流能力数据库中的样本数量，mod为取整数；
所述第四预设公式为
Figure BDA0003163624040000103
其中，Type为激活函数类型，H为神经网络隐含层个数，C为神经网络隐含层神经元个数，mod为取整数，Linear、Log-sigmoid、Tangent sigmoid、ReLU分别为神经网络模型的激活函数类型名称。
步骤203中得到神经网络隐含层个数、神经网络隐含层神经元个数和激活函数类型的相关描述在前述实施例中步骤102已有所描述，此处不再赘述，具体可参考步骤102中的描述。
204、根据预设训练精度，通过第五预设公式得到神经网络权重及阈值训练方法。
所述第五预设公式为
Figure BDA0003163624040000111
其中，F为神经网络权重及阈值训练方法，e为预设训练精度，batch gradient descent、stochastic gradient descent、Momentum、Nesterov Momentum、RMSProp、Adam分别为对神经网络的权重以及阈值训练方法名称。
步骤204中得到神经网络权重及阈值训练方法的相关描述在前述实施例中步骤103已有所描述，此处不再赘述，具体可参考步骤103中的描述。
本发明实施例的裂缝导流能力确定方法中，根据裂缝导流能力数据库的参数个数和样本数量，得到神经网络隐含层个数、神经网络隐含层神经元个数和激活函数类型，构建裂缝导流神经网络基本架构，更加符合当前目标工区的实际地质特征及数据采集特征，从而提高模型构建的准确性。
205、基于所述裂缝导流神经网络基本架构、所述预设训练精度和所述神经网络权重及阈值训练方法，调整神经网络训练方法并进行神经网络训练，得到神经网络模型。
其中，步骤205中调整神经网络训练方法并进行神经网络训练以得到神经网络模型的相关描述在前述实施例中步骤104已有所描述，此处不再赘述，具体可参考步骤104中的描述。
本发明实施例的裂缝导流能力确定方法中，对神经网络权重及阈值进行调整算法优化，基于优选的模型架构参数以及优化算法进行预测模型的构建，可以使得构建的模型预测结果更符合当前目标工区的实际地质特征及数据采集特征，提高模型预测的准确性。
206、获取所述目标工区的参数数值，所述目标工区的参数数值包括岩石力学性质、裂缝闭合压力、支撑剂粒径、支撑剂类型和支撑剂铺砂浓度中的任意一个或多个参数。
207、根据所述目标工区的参数数值，通过所述神经网络模型计算得到所述目标工区的裂缝导流能力。
当所述目标工区的参数数值包括多组参数数值时，则根据每组参数数值，分别通过所述神经网络模型计算得到相应的裂缝导流能力。
其中，步骤206和207的相关描述在前述实施例中步骤105已有所描述，此处不再赘述，具体可参考步骤105中的描述。
一个场景示例中，对于某油田B储层已进行了裂缝导流能力测试，共计3组实验，得到6个参数和3个样本，参数分别为测试温度、测试时间、岩石类型、闭合压力、支撑剂粒径和铺砂浓度；可以将该实验测试数据加入到基础数据库中，并进行数据库更新，更新后的数据库更适宜该油田B储层的裂缝导流能力测试。
例如，更新后的目标工区的裂缝导流能力数据库中的参数个数为6，样本数量为100，可通过上述实施例方案得到神经网络隐含层个数1，隐含层神经元个数7，神经网络激活函数类型linear，构建出裂缝导流神经网络基本架构。
假设根据油田B储层实际测试环境，确定其对应的预设训练精度为10-5，根据上述实施例方案可以确定神经网络权重及阈值训练方法为Nesterov Momentum，然后通过裂缝导流能力神经网络架构自适应调整、神经网络训练，训练神经网络模型至预设训练精度10-5，使得训练精度和验证精度均达到该精度，模型训练完成，从而得到神经网络模型。
之后可以获取目标工区的岩石力学性质、裂缝闭合压力、支撑剂粒径、支撑剂类型及支撑剂铺砂浓度等参数的实测数据。输入神经网络模型，得到油田B储层的裂缝导流能力；如需不同闭合压力、支撑剂粒径、支撑剂类型的裂缝导流能力，可相应调整参数实测数据后，再次输入神经网络模型，得到油田B储层的裂缝导流能力。
假设B储层的参数实测数据为岩石杨氏模量为58GPa，泊松比为0.25，裂缝闭合压力为70MPa，支撑剂粒径为40/70目陶粒，支撑剂铺砂浓度为4kg/m2，基于前述方法得到的裂缝导流能力为1.03D.cm。
本发明实施例提供的裂缝导流能力确定方法，通过裂缝导流能力数据库动态更新，以获取目标工区的裂缝导流能力数据库，进而得到裂缝导流神经网络基本架构，并根据预设训练精度确定神经网络权重及阈值训练方法，通过裂缝导流能力神经网络架构自适应调整、神经网络训练，得到神经网络模型，通过储层岩石力学性质、裂缝闭合压力、支撑剂粒径、支撑剂类型及支撑剂铺砂浓度的工况，实现裂缝导流能力的神经网络预测，为水力压裂改造、设计提供可靠的裂缝导流能力参数。该裂缝导流能力确定方法耦合岩石力学、流体力学、数据库、神经网络技术等多方面专业知识，实现多因素耦合条件下的裂缝导流能力确定，全面、高效且准确。
进一步地，作为对上述裂缝导流能力确定方法的实现，本发明实施例提供了一种裂缝导流能力确定装置，该装置主要用于高效准确地确定裂缝导流能力。需要说明的是，本装置实施例不再对前述方法实施例中的细节内容进行逐一赘述，但应当明确，本实施例中的装置能够对应实现前述方法实施例中的全部内容。该装置如图3所示，具体包括：
获取单元31，用于获取目标工区的裂缝导流能力数据库；
构建单元32，用于根据所述获取单元31获取的目标工区的裂缝导流能力数据库得到裂缝导流神经网络基本架构；
第一确定单元33，用于基于预设训练精度确定神经网络权重及阈值训练方法；
训练单元34，用于基于所述构建单元32得到的裂缝导流神经网络基本架构、所述预设训练精度和所述第一确定单元33确定的神经网络权重及阈值训练方法，调整神经网络训练方法并进行神经网络训练，得到神经网络模型；
第二确定单元35，用于根据所述训练单元34得到的神经网络模型确定所述目标工区的裂缝导流能力。
进一步地，本发明实施例还提供了一种裂缝导流能力确定系统，包括：存储器和一个或者多个处理器，所述处理器被配置为执行所述存储器中存储的程序指令，所述程序指令运行时执行上述的裂缝导流能力确定方法。
其中，裂缝导流能力确定系统包括存储器和处理器，也就是说，上述实施例中的获取单元、构建单元、第一确定单元、训练单元和第二确定单元均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
进一步地，本发明实施例还提供了计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其中，所述计算机程序被一个或多个处理器执行时实现上述的裂缝导流能力确定方法。
综上所述，本发明实施例提出的一种裂缝导流能力确定方法及装置，通过获取目标工区的裂缝导流能力数据库，进而得到裂缝导流神经网络基本架构，并根据预设训练精度确定神经网络权重及阈值训练方法，通过裂缝导流能力神经网络架构自适应调整、神经网络训练，得到神经网络模型，进而确定目标工区的裂缝导流能力，为水力压裂改造、设计提供可靠的裂缝导流能力参数。该裂缝导流能力确定方法耦合岩石力学、流体力学、数据库、神经网络技术等多方面专业知识，实现多因素耦合条件下的裂缝导流能力确定，全面、高效且准确。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
可以理解的是，上述方法及装置中的相关特征可以相互参考。另外，上述实施例中的“第一”、“第二”等是用于区分各实施例，而并不代表各实施例的优劣。
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，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
此外，存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、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。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，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、商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、商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，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种裂缝导流能力确定方法，其特征在于，包括：
获取目标工区的裂缝导流能力数据库；
根据所述目标工区的裂缝导流能力数据库得到裂缝导流神经网络基本架构；
基于预设训练精度确定神经网络权重及阈值训练方法；
基于所述裂缝导流神经网络基本架构、所述预设训练精度和所述神经网络权重及阈值训练方法，调整神经网络训练方法并进行神经网络训练，得到神经网络模型；
根据所述神经网络模型确定所述目标工区的裂缝导流能力。
2.根据权利要求1所述的方法，其特征在于，所述获取目标工区的裂缝导流能力数据库包括：
获取裂缝导流能力基础数据库；
根据所述裂缝导流能力基础数据库和目标工区的裂缝导流能力数据更新得到目标工区的裂缝导流能力数据库。
3.根据权利要求2所述的方法，其特征在于，所述根据所述裂缝导流能力基础数据库和目标工区的裂缝导流能力数据更新得到目标工区的裂缝导流能力数据库包括：
根据所述裂缝导流能力基础数据库和目标工区的裂缝导流能力数据，通过第一预设公式将所述裂缝导流能力基础数据库更新得到目标工区的裂缝导流能力数据库，所述第一预设公式为
Figure FDA0003163624030000011
其中，
Figure FDA0003163624030000012
为更新后的目标工区的裂缝导流能力数据库，
Figure FDA0003163624030000013
为更新前的目标工区的裂缝导流能力数据，
Figure FDA0003163624030000014
为更新数据库
Figure FDA0003163624030000015
的最大值，
Figure FDA0003163624030000016
为更新数据库
Figure FDA0003163624030000021
的最小值。
4.根据权利要求1至3中任一项所述的方法，其特征在于，所述根据所述目标工区的裂缝导流能力数据库得到裂缝导流神经网络基本架构包括：
根据所述目标工区的裂缝导流能力数据库中的参数个数和样本数量，分别通过第二预设公式、第三预设公式和第四预设公式得到神经网络隐含层个数、神经网络隐含层神经元个数和激活函数类型；
所述裂缝导流能力数据库中的参数包括岩石力学性质、裂缝闭合压力、铺砂浓度、支撑剂粒径、支撑剂类型、测试温度、测试时间中的一个或多个参数。
5.根据权利要求4所述的方法，其特征在于，
所述第二预设公式为
Figure FDA0003163624030000022
其中，H为神经网络隐含层个数，m为所述目标工区的裂缝导流能力数据库中的参数个数，n为所述目标工区的裂缝导流能力数据库中的样本数量，mod为取整数；和/或，
所述第三预设公式为
Figure FDA0003163624030000023
其中，C为神经网络隐含层神经元个数，m为所述目标工区的裂缝导流能力数据库中的参数个数，n为所述目标工区的裂缝导流能力数据库中的样本数量，mod为取整数；和/或，
所述第四预设公式为
Figure FDA0003163624030000024
其中，Type为激活函数类型，H为神经网络隐含层个数，C为神经网络隐含层神经元个数，mod为取整数，Linear、Log-sigmoid、Tangent sigmoid、ReLU分别为神经网络模型的激活函数类型名称。
6.根据权利要求1所述的方法，其特征在于，所述基于预设训练精度确定神经网络权重及阈值训练方法包括：
根据预设训练精度，通过第五预设公式得到神经网络权重及阈值训练方法，所述第五预设公式为
Figure FDA0003163624030000031
其中，F为神经网络权重及阈值训练方法，e为预设训练精度，batch gradient descent、stochasticgradient descent、Momentum、Nesterov Momentum、RMSProp、Adam分别为对神经网络的权重以及阈值训练方法名称。
7.根据权利要求1所述的方法，其特征在于，所述根据所述神经网络模型确定所述目标工区的裂缝导流能力包括：
获取所述目标工区的参数数值，所述目标工区的参数数值包括岩石力学性质、裂缝闭合压力、支撑剂粒径、支撑剂类型和支撑剂铺砂浓度中的任意一个或多个参数；
根据所述目标工区的参数数值，通过所述神经网络模型计算得到所述目标工区的裂缝导流能力；
当所述目标工区的参数数值包括多组参数数值时，则根据每组参数数值，分别通过所述神经网络模型计算得到相应的裂缝导流能力。
8.一种裂缝导流能力确定装置，其特征在于，包括：
获取单元，用于获取目标工区的裂缝导流能力数据库；
构建单元，用于根据所述获取单元获取的目标工区的裂缝导流能力数据库得到裂缝导流神经网络基本架构；
第一确定单元，用于基于预设训练精度确定神经网络权重及阈值训练方法；
训练单元，用于基于所述构建单元得到的裂缝导流神经网络基本架构、所述预设训练精度和所述第一确定单元确定的神经网络权重及阈值训练方法，调整神经网络训练方法并进行神经网络训练，得到神经网络模型；
第二确定单元，用于根据所述训练单元得到的神经网络模型确定所述目标工区的裂缝导流能力。
9.一种裂缝导流能力确定系统，其特征在于，包括：
存储器和一个或者多个处理器，所述处理器被配置为执行所述存储器中存储的程序指令，所述程序指令运行时执行权利要求1至7中任一项所述的裂缝导流能力确定方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，其中，所述计算机程序被一个或多个处理器执行时实现权利要求1-7中任意一项所述的裂缝导流能力确定方法。
CN202110798341.8A 2021-07-15 2021-07-15 裂缝导流能力确定方法及装置 Pending CN115700319A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110798341.8A CN115700319A (zh) 2021-07-15 2021-07-15 裂缝导流能力确定方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110798341.8A CN115700319A (zh) 2021-07-15 2021-07-15 裂缝导流能力确定方法及装置

Publications (1)

Publication Number Publication Date
CN115700319A true CN115700319A (zh) 2023-02-07

Family

ID=85120411

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110798341.8A Pending CN115700319A (zh) 2021-07-15 2021-07-15 裂缝导流能力确定方法及装置

Country Status (1)

Country Link
CN (1) CN115700319A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116205077A (zh) * 2023-03-20 2023-06-02 中海石油(中国)有限公司海南分公司 一种基于支撑剂形态的裂缝导流能力计算方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116205077A (zh) * 2023-03-20 2023-06-02 中海石油(中国)有限公司海南分公司 一种基于支撑剂形态的裂缝导流能力计算方法
CN116205077B (zh) * 2023-03-20 2023-10-10 中海石油(中国)有限公司海南分公司 一种基于支撑剂形态的裂缝导流能力计算方法

Similar Documents

Publication Publication Date Title
CN110717249B (zh) 页岩气储层测井孔隙度快速预测方法及系统
CN104134101B (zh) 低渗透储层天然气产能预测方法
US8510242B2 (en) Artificial neural network models for determining relative permeability of hydrocarbon reservoirs
NO20181025A1 (en) Machine learning for production prediction
AU2013404930B2 (en) Designing wellbore completion intervals
AU2009241409A1 (en) System and method for interpretation of well data
Gholami et al. Improved RMR rock mass classification using artificial intelligence algorithms
Samui et al. OCR prediction using support vector machine based on piezocone data
KR101474874B1 (ko) 지능형 생산정 위치 선정 전산 시스템 및 이를 이용한 생산정 위치 선정 방법
Ardakani et al. Evaluation of liquefaction potential based on CPT results using C4. 5 decision tree
CN114398786B (zh) 压裂施工压力预测模型建立方法及装置、预测方法及装置
Hossein Alavi et al. Formulation of secant and reloading soil deformation moduli using multi expression programming
CN115700319A (zh) 裂缝导流能力确定方法及装置
Han et al. Comprehensive analysis for production prediction of hydraulic fractured shale reservoirs using proxy model based on deep neural network
CN117474493A (zh) 建筑施工的信息化管理方法及系统
Zhao et al. Modeling Permeability Using Advanced White-Box Machine Learning Technique: Application to a Heterogeneous Carbonate Reservoir
WO2023133213A1 (en) Method for automated ensemble machine learning using hyperparameter optimization
US20200308934A1 (en) Automatic calibration of forward depositional models
Feng et al. Predict oil production from geological and petrophysical data before hydraulic fracturing using an improved particle swarm optimization based least squares support vector machine
US20230029072A1 (en) Systems and methods for subsurface formation modelling
AU2022293890A1 (en) Systems and methods for mapping seismic data to reservoir properties for reservoir modeling
CN111582292B (zh) 夹层识别方法和装置
CN111753871B (zh) 基于xgboost算法与特征工程的岩性及流体类型识别方法
CN116432891A (zh) 一种钻头应用效能的综合评估方法及系统
Alla et al. Seismic Liquefaction Analysis of MCDM Weighted SPT Data Using Support Vector Machine Classification

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