CN116362121A - 水平井压裂的裂缝参数确定方法及装置 - Google Patents
水平井压裂的裂缝参数确定方法及装置 Download PDFInfo
- Publication number
- CN116362121A CN116362121A CN202310271710.7A CN202310271710A CN116362121A CN 116362121 A CN116362121 A CN 116362121A CN 202310271710 A CN202310271710 A CN 202310271710A CN 116362121 A CN116362121 A CN 116362121A
- Authority
- CN
- China
- Prior art keywords
- data
- fracture
- fracturing
- neural network
- target
- 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
Links
Images
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH DRILLING; MINING
- E21B—EARTH DRILLING, e.g. DEEP 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
-
- 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)
- Geology (AREA)
- Mining & Mineral Resources (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geochemistry & Mineralogy (AREA)
- Geometry (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Fluid Mechanics (AREA)
- Environmental & Geological Engineering (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书涉及非常规油气藏水平井开发技术领域,具体地公开了一种水平井压裂的裂缝参数确定方法及装置,该方法包括:获取目标油气藏的静态地质数据和动态压裂施工数据;将静态地质数据和动态压裂施工数据输入目标裂缝参数确定模型,得到目标油气藏的裂缝参数;目标裂缝参数确定模型包括组合神经网络和深度神经网络;组合神经网络用于静态地质数据和动态压裂施工数据的输入;深度神经网络用于对组合神经网络输入的数据进行计算,得到裂缝参数;深度神经网络的损失函数包括基于数据驱动的第一损失函数、基于目标油气藏的现场监测数据构建的第二损失函数和基于目标油气藏对应的裂缝扩展方程构建的第三损失函数。上述方案能实时准确快速预测裂缝参数。
Description
技术领域
本说明书涉及非常规油气藏水平井开发技术领域,特别涉及一种水平井压裂的裂缝参数确定方法及装置。
背景技术
致密/页岩油气是非常规油气资源的重要组成部分,如何高效开发和利用致密/页岩油已成为石油天然气工业发展的重要保证之一,水平井压裂技术是开采致密/页岩油的有效手段。压裂效果评估为增产措施优化提供重要依据,需要准确评估裂缝几何尺寸和导流能力。与常规水平井压裂相比,由于陆相致密/页岩油气发育多层系,需要通过立体开发进行多层动用。水平井立体开发的井数多、压裂段数和射孔簇数也更多,形成的缝网形态更复杂,裂缝的评估工作也更为困难。与直井开发或常规水平井开发的压裂效果评估不同,立体开发水平井压裂的裂缝扩展路径与规律更复杂,目标裂缝参数确定模型需要更严格的物理约束和更优化的深度学习模型。
常规的效果评估方法主要分两种。第一种是通过微地震、分布式光纤监测等直接监测方法,弊端是对远离井筒的区域和水平井的裂缝监测不精准,可以获得裂缝几何尺寸,但不能得到裂缝导流能力。第二种是间接反演,通过生产历史拟合、试井压力分析等反演裂缝参数。由于模型假设简单,需要耗费很多的时间和精力,反演得到的裂缝参数与实际结果有差距,对于水平井立体压裂,从本质上解释复杂缝网裂缝较难,缺乏实时高效准确的裂缝诊断方法。
针对上述问题,目前尚未提出有效的解决方案。
发明内容
本说明书实施例提供了一种水平井压裂的裂缝参数确定方法及装置,以解决现有技术中缺乏实时高效准确的裂缝诊断方法的问题。
本说明书实施例提供了一种水平井压裂的裂缝参数确定方法,包括:
获取目标油气藏的静态地质数据和动态压裂施工数据;
将所述静态地质数据和所述动态压裂施工数据输入目标裂缝参数确定模型中,得到所述目标油气藏的裂缝参数;
其中,所述目标裂缝参数确定模型包括组合神经网络和深度神经网络;所述组合神经网络用于所述静态地质数据和所述动态压裂施工数据的输入;所述深度神经网络用于对所述组合神经网络输入的数据进行计算,得到所述裂缝参数;所述深度神经网络的损失函数包括基于数据驱动的第一损失函数、基于所述目标油气藏的现场监测数据构建的第二损失函数和基于所述目标油气藏对应的裂缝扩展方程构建的第三损失函数。
在一个实施例中,所述第二损失函数是通过以下方式确定的:获取所述目标油气藏的现场监测数据,对所述现场监测数据进行反演,得到监测数据;基于所述监测数据构造所述第二损失函数;所述监测数据包括反演得到的裂缝参数取值范围;和/或
所述第三损失函数是通过以下方式确定的:基于所述动态压裂施工数据确定裂缝类型,根据所述裂缝类型选取对应的裂缝扩展方程;基于所述裂缝扩展方程构造所述第三损失函数。
在一个实施例中,将所述静态地质数据和所述动态压裂施工数据输入目标裂缝参数确定模型中,得到所述目标油气藏的裂缝参数,包括:
对所述动态压裂施工数据进行预处理,得到预处理后的动态压裂施工数据;所述预处理包括以下至少之一:压裂段截取、数据去噪和特征点提取;
将所述静态地质数据和所述预处理后的动态压裂施工数据输入目标裂缝参数确定模型中,得到所述目标油气藏的裂缝参数。
在一个实施例中,所述动态压裂施工数据包括水平井在多个时刻中各时刻下的压裂施工压力数据、添液量、施工排量和支撑剂浓度;相应的,对所述动态压裂施工数据进行预处理,得到预处理后的动态压裂施工数据,包括:
根据所述添液量对基于所述水平井在多个时刻中各时刻下的压裂施工压力数据生成的压裂施工曲线进行截取,得到压裂段;
对所述压裂段对应的压裂施工压力数据进行降噪处理,将砂浓度变化幅度超过第一预设阈值时对应的压裂施工压力点与压裂施工压力数据的变化幅度超过第二预设阈值的点的交集确定为特征压力点,得到所述压裂段对应的特征压力点;
将所述各压裂段对应的特征压力点、所述特征压力点对应的施工排量和砂浓度确定为所述压裂段对应的预处理后的动态压裂施工数据。
在一个实施例中,所述目标裂缝参数确定模型是通过以下方式构建的:
建立训练样本库;所述训练样本库中包括输入样本集和输出样本集;所述输入样本集中的输入数据包括多个压裂段中各压裂段对应的静态地质数据和对应的动态施工数据;所述输出样本集中的输出数据包括所述输入样本集中各输入数据对应的裂缝评估参数;
将所述训练样本库输入预先构建的组合神经网络和深度神经网络进行训练,得到目标裂缝参数确定模型。
在一个实施例中,所述输出数据是通过以下方式之一确定的:
对所述输入样本集中的输入数据进行压裂施工压力分析,反演得到裂缝扩展时的动态裂缝参数的输出数据;
利用生产动态分析案件拟合生产动态,反演得到裂缝闭合后的静态裂缝参数的输出数据;
根据现场压裂监测技术诊断校正裂缝参数,得到综合裂缝参数的输出数据。
在一个实施例中,将所述训练样本库输入预先构建的组合神经网络和深度神经网络进行训练,得到目标裂缝参数确定模型,包括:
将所述训练样本库输入预先构建的组合神经网络和深度神经网络进行训练,得到裂缝参数确定模型;
利用k折交叉验证对所述裂缝参数确定模型进行验证,得到目标裂缝参数确定模型。
在一个实施例中,在得到所述目标油气藏的裂缝参数之后,还包括:
基于所述目标油气藏的裂缝参数和所述现场监测数据,确定所述目标油气藏的裂缝改造体积和裂缝导流能力;
根据所述裂缝改造体积和所述裂缝导流能力,计算所述目标油气藏的裂缝产能和/或裂缝经济指标。
本说明书实施例还提供了一种水平井压裂的裂缝参数确定装置,包括:
获取模块,用于获取目标油气藏的静态地质数据和动态压裂施工数据;
输入模块,用于将所述静态地质数据和所述动态压裂施工数据输入目标裂缝参数确定模型中,得到所述目标油气藏的裂缝参数;
其中,所述目标裂缝参数确定模型包括组合神经网络和深度神经网络;所述组合神经网络用于所述静态地质数据和所述动态压裂施工数据的输入;所述深度神经网络用于对所述组合神经网络输入的数据进行计算,得到所述裂缝参数;所述深度神经网络的损失函数包括基于数据驱动的第一损失函数、基于所述目标油气藏的现场监测数据构建的第二损失函数和基于所述目标油气藏对应的裂缝扩展方程构建的第三损失函数。
本说明书实施例还提供一种计算机设备,包括处理器以及用于存储处理器可执行指令的存储器,所述处理器执行所述指令时实现上述任意实施例中所述的水平井压裂的裂缝参数确定方法的步骤。
本说明书实施例还提供一种计算机可读存储介质,其上存储有计算机指令,所述指令被执行时实现上述任意实施例中所述的水平井压裂的裂缝参数确定方法的步骤。
在本说明书实施例中,提供了一种水平井压裂的裂缝参数确定方法,可以获取目标油气藏的静态地质数据和动态压裂施工数据;将所述静态地质数据和所述动态压裂施工数据输入目标裂缝参数确定模型中,即可以得到所述目标油气藏的裂缝参数。目标裂缝参数确定模型可以包括组合神经网络和深度神经网络,通过所述组合神经网络可以实现所述静态地质数据和所述动态压裂施工数据的输入,通过所述深度神经网络可以对所述组合神经网络输入的数据进行计算,得到所述裂缝参数,通过在所述深度神经网络的损失函数包括基于数据驱动的第一损失函数、基于所述目标油气藏的现场监测数据构建的第二损失函数和基于所述目标油气藏对应的裂缝扩展方程构建的第三损失函数,可以在计算过程中除了考虑常规的数据驱动的损失函数之外,还可以考虑现场监测数据对裂缝参数的物理约束以及裂缝扩展方程对裂缝参数的物理约束。上述方案,采用对裂缝参数有控制作用的动态压裂施工数据作为输入的一部分,可以使得裂缝预测更准确。采用组合神经网络可以实现多维数据输入,解决了输入数据维度不同以及压裂施工数据过多导致的地质数据被忽略的问题。通过将常规损失函数中加入基于现场监测数据构建的第二损失函数和基于裂缝扩展方程构建的第三损失函数,可以对深度学习过程进行物理约束,使深度神经网络不是单纯的数据驱动,而是具有物理意义,考虑实际的裂缝参数,不同的损失函数部分从不同角度进一步约束了预测结果,从而可以针对致密油气藏水平井立体压裂得到的裂缝参数进行准确预测。相比常规的裂缝参数确定方法,本方案可以极大地降低裂缝参数评估工作的工作量和经济成本,实现了裂缝参数的实时准确快速预测。此外,本方案可以对直井和常规水平井压裂进行预测,只需要调整模型优化过程即可,弥补了直井和常规水平井裂缝预测方法的不足。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解,构成本说明书的一部分,并不构成对本说明书的限定。在附图中:
图1示出了本说明书一实施例中水平井压裂的裂缝参数确定方法的流程图;
图2示出了本说明书一实施例中水平井压裂的裂缝参数确定方法的流程图;
图3示出了本说明书一实施例中裂缝参数确定模型的结构示意图;
图4示出了本说明书一实施例中的水平井压裂的裂缝参数确定方法计算得到的水平井压裂段有效改造体积的示意图;
图5示出了本说明书一实施例中的水平井压裂的裂缝参数确定方法中的裂缝半长的预测值与实际值对比的示意图;
图6示出了本说明书一实施例中的水平井压裂的裂缝参数确定方法中的裂缝半高的预测值与实际值对比的示意图;
图7示出了本说明书一实施例中的水平井压裂的裂缝参数确定方法中的裂缝半宽的预测值与实际值对比的示意图;
图8示出了本说明书一实施例中的水平井压裂的裂缝参数确定方法中的裂缝渗透率的预测值与实际值对比的示意图;
图9示出了本说明书一实施例中的水平井压裂的裂缝参数确定方法的示意图;
图10示出了本说明书一实施例中的计算机设备的示意图。
具体实施方式
下面将参考若干示例性实施方式来描述本说明书的原理和精神。应当理解,给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本说明书,而并非以任何方式限制本说明书的范围。相反,提供这些实施方式是为了使本说明书公开更加透彻和完整,并且能够将本公开的范围完整地传达给本领域的技术人员。
本领域的技术人员知道,本说明书的实施方式可以实现为一种系统、装置设备、方法或计算机程序产品。因此,本说明书公开可以具体实现为以下形式,即:完全的硬件、完全的软件(包括固件、驻留软件、微代码等),或者硬件和软件结合的形式。
本说明书实施例提供了一种水平井压裂的裂缝参数确定方法。图1示出了本说明书一实施例中水平井压裂的裂缝参数确定方法的流程图。虽然本说明书提供了如下述实施例或附图所示的方法操作步骤或装置结构,但基于常规或者无需创造性的劳动在所述方法或装置中可以包括更多或者更少的操作步骤或模块单元。在逻辑性上不存在必要因果关系的步骤或结构中,这些步骤的执行顺序或装置的模块结构不限于本说明书实施例描述及附图所示的执行顺序或模块结构。所述的方法或模块结构的在实际中的装置或终端产品应用时,可以按照实施例或者附图所示的方法或模块结构连接进行顺序执行或者并行执行(例如并行处理器或者多线程处理的环境,甚至分布式处理环境)。
具体地,如图1所示,本说明书一种实施例提供的水平井压裂的裂缝参数确定方法可以包括以下步骤:
步骤S101,获取目标油气藏的静态地质数据和动态压裂施工数据。
本实施例中的方法可以应用于计算机设备或者计算机设备中安装的应用程序。可以获取目标油气藏的静态地质数据和动态压裂施工数据。目标油气藏可以是待预测裂缝参数的页岩油藏、页岩气藏、致密油藏或致密气藏。
静态地质数据可以是目标油气藏的不随时间变化的地质数据。在一个实施例中,静态地质数据可以包括以下至少之一:最大最小水平地应力、油藏压力、岩石的杨氏模量、岩石的泊松比、储层的孔隙度、储层的渗透率。
动态压裂施工数据可以是对目标油气藏进行水平井立体压裂时的施工数据。在一个实施例中,动态压裂施工数据可以包括:每口井各个压裂段不同时刻的压裂施工压力、液添量、施工排量和支撑剂浓度。
步骤S102,将所述静态地质数据和所述动态压裂施工数据输入目标裂缝参数确定模型中,得到所述目标油气藏的裂缝参数。
在获得静态地质数据和动态压裂施工数据之后,可以将静态地质数据和动态压裂施工数据输入目标裂缝参数确定模型中,得到的输出数据即为目标油气藏的裂缝参数。其中,裂缝参数可以包括但不限于以下至少之一:裂缝的缝长、缝高、缝宽以及渗透率。
所述目标裂缝参数确定模型可以包括组合神经网络和深度神经网络。所述组合神经网络可以用于所述静态地质数据和所述动态压裂施工数据的输入。所述静态地质数据是不随时间改变的,每个压裂段对应一个静态地质数据,为一维输入向量数据。静态地质数据可以利用测井数据来进行计算得到的。
动态压裂施工数据可以随时间改变,每个压裂段对应一个表格,为二维输入向量数据。组合神经网络可以对一维输入向量数据和二维输入向量数据进行组合输入。
在一个实施例中,组合神经网络可以由第一神经网络和第二神经网络并联组成。其中,第一神经网络是负责地质数据的输入,第二个神经网络负责动态压裂施工数据的输入。其中,组合神经网络的层数,以及各个层的神经元数是根据实际需求通过优化得到的。
示例而非限制性地,第一神经网络可以由只包含8个神经元的一层神经网络组成。第二个神经网络可以对于压力、支撑剂浓度和排量各自分配2000个神经元作为输入层。第二个神经网络还可以包括6个隐含层,每层含有800个神经元,输出层为100个神经元。
所述深度神经网络用于对所述组合神经网络输入的数据进行计算,得到所述裂缝参数。所述深度神经网络的损失函数可以包括基于数据驱动的第一损失函数、基于所述目标油气藏的现场监测数据构建的第二损失函数和基于所述目标油气藏对应的裂缝扩展方程构建的第三损失函数。
在一个实施例中,可以根据组合神经网络的输出建立合适的深度神经网络输入层,选择适当的隐含层层数和隐含层神经元数,构建深度神经网络,设计深度神经网络的输出为裂缝参数。对于深度神经网络,重新定义损失函数,在常规的数据驱动的第一损失函数(例如,均方误差)的基础上,添加基于现场监测数据构建的第二损失函数以及基于目标油气藏对应的裂缝扩展方程构建的第三损失函数。
在一个实施例中,通过现场监测数据中可以确定裂缝参数取值范围。在一个实施例中,现场监测数据可以包括如微地震、光纤、水锤、测斜仪等现场监测数据。在一个实施例中,裂缝扩展方程可以用于计算裂缝参数的取值范围,裂缝扩展方程可以包括常用的二维、拟三维和三维裂缝扩展方程。可以根据目标油气藏的实际情况,选取合适的裂缝扩展方程。
上述实施例中,可以获取目标油气藏的静态地质数据和动态压裂施工数据;将所述静态地质数据和所述动态压裂施工数据输入目标裂缝参数确定模型中,即可以得到所述目标油气藏的裂缝参数。目标裂缝参数确定模型可以包括组合神经网络和深度神经网络,通过所述组合神经网络可以实现所述静态地质数据和所述动态压裂施工数据的输入,通过所述深度神经网络可以对所述组合神经网络输入的数据进行计算,得到所述裂缝参数,通过在所述深度神经网络的损失函数包括基于数据驱动的第一损失函数、基于所述目标油气藏的现场监测数据构建的第二损失函数和基于所述目标油气藏对应的裂缝扩展方程构建的第三损失函数,可以在计算过程中除了考虑常规的损失函数,还可以考虑微地震数据对裂缝参数的物理约束以及裂缝扩展方程对裂缝参数的物理约束。上述方案,采用对裂缝参数有控制作用的动态压裂施工数据作为输入的一部分,可以使得裂缝预测更准确。采用组合神经网络可以实现多维数据输入,解决了输入数据维度不同以及压裂施工数据过多导致的地质数据被忽略的问题。通过将常规损失函数中加入基于现场监测数据构建的第二损失函数和基于裂缝扩展方程构建的第三损失函数,可以对深度学习过程进行物理约束,使深度神经网络不是单纯的数据驱动,而是具有物理意义,考虑实际的裂缝参数,不同的损失函数部分从不同角度进一步约束了预测结果,从而可以针对致密油气藏水平井立体压裂得到的裂缝参数进行准确预测。相比常规的裂缝参数确定方法,本方案可以极大地降低裂缝参数评估工作的工作量和经济成本,实现了裂缝参数的实时准确快速预测。此外,本方案可以对直井和常规水平井压裂进行预测,只需要调整模型优化过程即可,弥补了直井和常规水平井裂缝预测方法的不足。直井是每口井对应一组输入数据,而水平井是以压裂段为单位,直井可以有生产数据,而水平井的生产数据就很少有以段为单位,可以根据直井与水平井的区别调整模型,即可以对直井压裂的压裂参数进行确定。
在本说明书一些实施例中,所述第二损失函数可以是通过以下方式确定的:获取所述目标油气藏的现场监测数据,对所述现场监测数据进行反演,得到监测数据;基于所述监测数据构造所述第二损失函数;所述监测数据包括反演得到的裂缝参数取值范围。
具体地,可以获取目标油气藏的现场监测数据,之后,可以通过对所述现场监测数据进行反演,得到监测数据。所述监测数据包括反演得到的裂缝参数取值范围。在得到监测数据之后,可以基于监测数据中的裂缝参数取值范围构建第二损失函数。
在本说明书一些实施例中,所述第三损失函数可以是通过以下方式确定的:基于所述动态压裂施工数据确定裂缝类型,根据所述裂缝类型选取对应的裂缝扩展方程;基于所述裂缝扩展方程构造所述第三损失函数。
具体地,可以基于动态压裂施工数据预测裂缝类型,根据裂缝类型选取对应的裂缝扩展方程。在选定裂缝扩展方程之后,可以基于裂缝扩展方程构造第三损失函数。
裂缝参数扩展方程可以用于计算裂缝参数的范围,包括常用的二维、拟三维和三维裂缝扩展方程,各个方程的模型假设不同,常用的二维方程包括KGD、PKN以及径向模型,拟三维模型比二维模型更符合实际情况,三维模型最符合实际,但计算很复杂。需要根据施工情况预先判断裂缝的类型,选择合适的裂缝扩展方程作为约束。
在一个实施例中,可以采用KGD几何模型,该模型为二维模型,比较简单,也基本符合所做区块的裂缝延伸状态。在一个实施例中,也可以使用PKN模型。
对于不同的储层类型,压裂增产需要的裂缝几何尺寸是不同的,如下所述:
(1)对于低渗、致密储层单层开发,有效的压裂增产措施是需要相对较长的裂缝,需要限制裂缝高度的延伸。
(2)对于多层叠置的储层,通常采用立体开发,希望裂缝在高度上能够穿层,从而达到多层动用的目的。
通过压裂施工压力计算缝内净压力,判断裂缝的扩展延伸特征和几何形状,选择合适的裂缝扩展模型。如下所述:
(1)对于点源液体进入裂缝面积以圆形增加的情况,可以采用径向模型作为裂缝扩展方程。
(2)对于液体进入全部油藏厚度可由线源来近似,裂缝面积以椭圆形扩展,可以采用KGD几何模型作为裂缝扩展方程。
(3)当产层上下隔层地应力大于产层时,裂缝高度增长被限制,裂缝再按圆形扩展,缝长延伸严重,造成压力上升,近似于PKN模型,因此可以采用PKN模型作为裂缝扩展方程。
具体地,可以根据动态压裂施工数据,作出泵注期间的净压力与时间的双对数曲线(Nolte-Smith图)。净压力与时间的双对数关系是一直线,斜率等于不同方程各自的指数,若斜率为正值且斜率小于1/4,则采用PKN模型。对于斜率为负值,可以采用KGD几何模型或者径向模型。
上述实施例中,根据目标油气藏中的裂缝形态的类型选择不同裂缝扩展方程来构建第三损失函数,可以进一步提高裂缝参数预测的准确性。
在本说明书一些实施例中,将所述静态地质数据和所述动态压裂施工数据输入目标裂缝参数确定模型中,得到所述目标油气藏的裂缝参数,可以包括:对所述动态压裂施工数据进行预处理,得到预处理后的动态压裂施工数据;所述预处理包括以下至少之一:压裂段截取、数据去噪和特征点提取;将所述静态地质数据和所述预处理后的动态压裂施工数据输入目标裂缝参数确定模型中,得到所述目标油气藏的裂缝参数。
具体地,对于静态地质数据,可以根据测井曲线得到地质数据,按照地层深度求平均得到每个压裂段的地质数据。所述动态压裂数据包括:每口井各个压裂段不同时刻的压裂施工压力、施工排量和支撑剂浓度。对于动态压裂施工数据,可以进行预处理,包括有效压裂段截取、数据去噪、特征点提取。本实施例中,通过对动态压裂施工数据进行预处理,可以提取有效压裂数据,从而使得裂缝参数预测结果更准确。
在本说明书一些实施例中,所述动态压裂施工数据可以包括水平井在多个时刻中各时刻下的压裂施工压力数据、添液量、施工排量和支撑剂浓度;相应的,对所述动态压裂施工数据进行预处理,得到预处理后的动态压裂施工数据,可以包括:根据添液量对基于所述水平井在多个时刻中各时刻下的压裂施工压力数据生成的压裂施工曲线进行截取,得到压裂段;对所述压裂段对应的压裂施工压力数据进行降噪处理,将砂浓度变化幅度超过第一预设阈值时对应的压裂施工压力点与压裂施工压力数据的变化幅度超过第二预设阈值的点的交集确定为特征压力点,得到所述压裂段对应的特征压力点;将所述各压裂段对应的特征压力点、所述特征压力点对应的施工排量和砂浓度确定为所述压裂段对应的预处理后的动态压裂施工数据。
具体地,可以建立特征点数据提取方法(可以基于matlab或python代码编写或采用计算软件),根据添液量对压裂施工曲线进行截取,利用去噪方法对压力数据进行降噪处理(例如可以采用小波去噪方法),将砂浓度变化超过某一阈值所对应的压力点和压力自身变化幅度超过某一阈值的点的交集作为特征压力点,将特征压力点对应的排量和砂浓度一起作为输入的压裂施工数据。
在本说明书一些实施例中,所述目标裂缝参数确定模型可以是通过以下方式构建的:建立训练样本库;所述训练样本库中包括输入样本集和输出样本集;所述输入样本集中的输入数据包括多个压裂段中各压裂段对应的静态地质数据和对应的动态施工数据;所述输出样本集中的输出数据包括所述输入样本集中各输入数据对应的裂缝评估参数;将所述训练样本库输入预先构建的组合神经网络和深度神经网络进行训练,得到目标裂缝参数确定模型。
具体地,可以先建立样本库。所述训练样本库中包括输入样本集和输出样本集。所述输入样本集中的输入数据包括静态地质数据和动态压裂数据。所述静态地质数据包括:最大最小水平地应力、油藏压力、岩石的杨氏模量、岩石的泊松比、储层的孔隙度、储层的渗透率;所述动态压裂数据包括:每口井各个压裂段不同时刻的压裂施工压力、添液量、施工排量和支撑剂浓度。
可以根据测井曲线得到地质数据,按照地层深度求平均得到每个压裂段的地质数据;对于动态压裂施工数据需要进行预处理,包括有效压裂段截取、数据去噪、特征点提取;建立特征点数据提取方法(可以基于matlab或python代码编写或采用计算软件),根据添液量对压裂施工曲线进行截取,利用去噪方法对压力数据进行降噪处理(例如可以采用小波去噪方法),将砂浓度变化超过某一阈值所对应的压力点和压力自身变化幅度超过某一阈值的点的交集作为特征压力点,将特征压力点对应的排量和砂浓度一起作为输入的压裂施工数据。可以将相同压裂段的静态地质数据和动态压裂施工数据组合得到所有压裂段的目标裂缝参数确定模型的输入数据。
输出数据是裂缝评估参数,包括裂缝的几何尺寸和导流能力,包括但不限于:裂缝的缝长、缝高、缝宽以及渗透率。
可以构建组合神经网络和考虑物理约束的深度神经网络。根据动静态输入数据的不同特征构建组合神经网络,根据地质数据和压裂数据特征分配不同数量的神经元,得到两个神经网络,并根据数据特征优化网络层数和每层的神经元数。将两个神经网络进行并联,组成组合神经网络。可以建立深度神经网络,根据组合神经网络的输出建立合适的深度神经网络输入层,选择适当的隐含层层数和隐含层神经元数,构建深度神经网络,设计模型输出为裂缝半长、半高、半宽和渗透率。可以重新定义深度神经网络的损失函数。具体的,可以在常规的第一损失函数(均方误差)的基础上,添加现场监测数据获得的裂缝参数范围作为第二损失函数、和对应的裂缝扩展方程作为第三损失函数。
在一个实施例中,深度神经网络的损失函数可以采用以下公式来表示。
其中,Lossall表示总的损失函数,α1、α2和α3表示权重系数,具体值需要通过模型训练确定。
MSE表示均方误差,表达式如下:
其中,N表示样本数量,yi predict是预测值,yi data是实际值。
Lossf表示第二损失函数,表达式如下:
其中,下标f表示裂缝参数,yf表示裂缝参数的预测结果,yfmin和yfmax分别表示现场监测数据得到的裂缝几何参数的最小值和最大值,j=1.2.3分别表示裂缝的缝长、缝高和缝宽,i表示样本数量。
此处以二维裂缝扩展方程为例,Loss2D表示二维裂缝扩展方程对应的第三损失函数,表达式如下:
在二维裂缝扩展方程为KGD几何模型时,w和L的计算公式如下:
在二维裂缝扩展方程为PKN模型时,w和L的计算公式如下:
在二维裂缝扩展方程为径向模型时,w和L的计算公式如下:
其中,w是缝宽,L是缝长,hf是缝高,ν是泊松比,q是排量,μ是压裂液黏度,G是剪切模量,t是时间。E’是平面模量。
在构建组合神经网络和考虑物理约束的深度神经网络之后,可以将所述训练样本库输入预先构建的组合神经网络和深度神经网络进行训练,得到目标裂缝参数确定模型。
在本说明书一些实施例中,所述输出数据可以是通过以下方式之一确定的:对所述输入样本集中的输入数据进行压裂施工压力分析,反演得到裂缝扩展时的动态裂缝参数的输出数据;利用生产动态分析案件拟合生产动态,反演得到裂缝闭合后的静态裂缝参数的输出数据;根据现场压裂监测技术诊断校正裂缝参数,得到综合裂缝参数的输出数据。
具体地,可以根据预处理的动态压裂数据和静态地质数据,通过压裂模拟软件的压裂模块进行压裂施工压力分析,反演得到裂缝扩展时的动态裂缝参数的输出数据。或者,可以利用生产动态分析案件拟合生产动态,反演得到裂缝闭合后的静态裂缝参数的输出数据。或者,根据现场压裂监测技术诊断得到裂缝参数,得到综合裂缝参数的输出数据。可以通过微地震或其他现场监测数据验证其数据的可靠性。输出数据包括裂缝的几何尺寸和导流能力,包括但不限于:裂缝的缝长、缝高、缝宽以及渗透率。考虑到现场监测成本较高,模型输出的裂缝效果评价参数现场较难获得或样本较少,采用数值模拟的方法,可以建立大量的输出模型样本。
在本说明书一些实施例中,将所述训练样本库输入预先构建的组合神经网络和深度神经网络进行训练,得到目标裂缝参数确定模型,可以包括:将所述训练样本库输入预先构建的组合神经网络和深度神经网络进行训练,得到裂缝参数确定模型;模型优化后利用k折交叉验证对所述裂缝参数确定模型进行验证,得到目标裂缝参数确定模型。
可以根据训练过程中的预测结果优化深度神经网络的隐含层和神经元个数。模型验证可以利用k折交叉验证重新划分数据集,将全部样本划分成k(k可以是2到10的整数)个大小相等的样本子集;依次遍历这k个子集,每次把当前子集作为验证集,其余所有样本作为训练集,进行模型的训练和评估;最后把k次评估指标的平均值作为最终的评估指标,进一步优化模型。得到最终的目标裂缝参数确定模型。通过k折交叉验证相比简单交叉验证,可以提高模型性能,使得神经网络可以合理应用样本,减少过拟合现象。
在本说明书一些实施例中,还可以设定模型评估指标,模型评估指标包括但不限于均方根误差(RMSE)、相关系数(R2)、平均相对误差(MRE)。可以根据模型评估指标,利用控制变量法分别对比考虑物理约束(这里指的是考虑第二损失函数和第三损失函数)的深度神经网络和组合神经网络组成的压裂效果评价模型与采用卷积神经网络作为输入网络、采用纯数据驱动的深度神经网络以及采用简单验证的模型的裂缝参数,对不同模型裂缝参数预测精度进行评估,对比分析组合神经网络、物理约束和k折交叉验证对模型预测结果精度的影响程度。
在本说明书一些实施例中,在得到所述目标油气藏的裂缝参数之后,还可以包括:基于所述目标油气藏的裂缝参数和所述现场监测数据,确定所述目标油气藏的裂缝改造体积和裂缝导流能力;根据所述裂缝改造体积和所述裂缝导流能力,计算所述目标油气藏的裂缝产能和/或裂缝经济指标。
具体地,可以根据目标裂缝参数确定模型得到的裂缝参数,计算得到压裂改造体积,结合液体效率等参数,可以得到压裂效果评估指标。压裂效果评估指标可以包括但不限于:裂缝产能、经济指标、裂缝有效改造体积以及裂缝导流能力等参数,实现对待评估油藏水平井压裂效果的评估。
可以根据模型预测得到的缝长、缝宽、缝高和裂缝渗透率可以得到缝网体积和裂缝导流能力;结合微地震等现场监测数据,以最边界的裂缝点为改造体积的外边界,将改造区域分割成一些同等大小的矩形,对矩形面积进行求和,乘以其地层深度(缝高),得到改造体积。进一步计算裂缝有效改造体积以及裂缝导流能力,计算方法包括但不限于:解析法和离散网格法。可以基于稳态渗流和连续介质理论,通过设定假设条件对裂缝进行简化处理,建立压裂水平井产能模型,从而得到裂缝产能。可以根据油价、压裂成本和裂缝产能计算经济指标,包括但不限于收入净现值。
根据液体效率,设定裂缝改造体积阈值。常规液体效率为30%-60%,如果评估的SRV小于30%液体效率所形成的裂缝体积,则说明改造效果不好。也可根据裂缝有效改造体积、裂缝导流能力、产能的大小和经济指标的多少来判断压裂效果的好坏。有效改造体积越大,压裂效果越好;裂缝导流能力越大,改造效果越好;产能越高,改造效果也好;收入净现值大于零即可认为改造有效,并且净现值越大,改造效果越好。
本实施例中,可以计算裂缝改造体积阈值,采用多种指标进行压裂效果评估,基于裂缝参数进一步对水平井压裂效果进行评估。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。具体的可以参照前述相关处理相关实施例的描述,在此不做一一赘述。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
下面结合一个具体实施例对上述方法进行说明,然而,值得注意的是,该具体实施例仅是为了更好地说明本说明书,并不构成对本说明书的不当限定。
本具体实施例中,提供了一种基于考虑物理约束的水平井压裂的裂缝参数确定方法。请参考图2,示出了本发明实施例考虑物理约束的深度神经网络的水平井压裂效果评估方法的流程示意图。本实施例中的方法可以包括以下内容。
步骤1,构建基于深度学习的致密油藏水平井目标裂缝参数确定模型(或者称作水平井压裂效果评价模型)。
如图2所示,所述的构建压裂效果评价模型可以包括:样本库的建立、构建裂缝参数确定模型、模型优化和验证、模型效果评估和压裂效果评估。如图2所示,组合神经网络和基于物理约束的深度神经网络。
所述样本库的建立包括输入数据和输出数据,具体包括:获取所选油藏的输入数据:包括静态地质数据和动态压裂施工数据,还可以包括生产数据和微地震等监测数据。
所述静态地质数据包括:最大最小水平地应力、油藏压力、岩石的杨氏模量、岩石的泊松比、储层的孔隙度、储层的渗透率。
所述动态压裂施工数据包括:每口井各个压裂段不同时刻的压裂施工压力、添液量、施工排量和支撑剂浓度。
对于静态地质数据,根据测井曲线得到地质数据,按照地层深度求平均得到每个压裂段的地质数据;对于动态压裂施工数据需要进行预处理,包括有效压裂段截取、数据去噪、特征点提取;建立特征点数据提取方法,根据添液量对压裂施工曲线进行截取,利用去噪方法对压力数据进行降噪处理,将砂浓度变化超过某一阈值所对应的压力点和压力自身变化幅度超过某一阈值的点的交集作为特征压力点,将特征压力点对应的排量和砂浓度一起作为输入的压裂施工数据。
将相同压裂段的静态地质数据和动态压裂施工数据组合得到不同压裂段的目标裂缝参数确定模型的输入数据。
所述样本库的输出数据获取方法,具体包括:根据预处理的压裂施工数据和油藏地质数据,通过压裂模拟软件的压裂模块进行压裂压力分析,反演得到裂缝扩展时的动态裂缝参数的输出数据;或利用生产动态分析案件拟合生产动态,反演得到裂缝闭合后的静态裂缝参数的输出数据;或根据现场压裂监测技术诊断得到裂缝参数,得到综合裂缝参数的输出数据,输出数据包括裂缝的几何尺寸和导流能力,包括但不限于:裂缝的缝长、缝高、缝宽以及渗透率。以地质数据和预处理的压裂施工数据为模型输入,裂缝评估参数为模型输出建立样本库。
请参考图3,示出了本说明书实施例中的裂缝参数确定模型的结构示意图。如图3所示,所述组合神经网络用于数据输入,由两个神经网络并联而成,根据静态地质数据和动态压裂施工数据特征分配不同数量的神经元;考虑物理约束的深度神经网络由输入层(Input)、隐含层(Hidden layers)、输出层(Output)和考虑物理约束的损失函数组成;其中输入层、隐含层和输出层的层数以及每个隐含层的神经元数需要对模型优化得到,深度神经网络通过对组合神经网络的结果进行计算,得到裂缝评估参数的预测结果。
根据动静态数据特征构建组合神经网络:地质数据为一维输入向量数据;动态压裂施工数据为二维输入向量数据。组合神经网络由两个神经网络并联组成,第一个神经网络是负责地质数据的输入,其由只包含8个神经元的一层神经网络组成;第二个神经网络负责水力压裂施工数据的输入。压力、支撑剂浓度和排量各自分配2000个神经元作为输入层。第二个神经网络还包括6个隐含层,每层含有800个神经元,输出层为100个神经元。其中组合神经网络每个层的神经元数也是通过优化得到。
如图3所示,建立深度神经网络,根据组合神经网络的输出建立合适的深度神经网络输入层,选择适当的隐含层层数和隐含层神经元数,构建深度神经网络,设计模型输出为裂缝半长、半高、半宽和渗透率。重新定义损失函数,在常规的损失函数(均方误差)的基础上,添加现场监测数据获得的参数范围作为现场经验、和裂缝扩展方程作为物理约束的一部分。
模型优化具体包括根据预测结果优化深度神经网络的隐含层和神经元个数;模型验证是利用k折交叉验证重新划分数据集,将全部样本划分成10个大小相等的样本子集;依次遍历这10个子集,每次把当前子集作为验证集,其余所有样本作为训练集,进行模型的训练和评估;最后把10次评估指标的平均值作为最终的评估指标,进一步优化模型。得到最终的压裂效果评估模型。
模型评价具体包括设定模型评估指标。模型评估指标包括但不限于均方根误差(RMSE)、相关系数(R2)、平均相对误差(MRE)。根据模型评估指标,利用控制变量法分别对比考虑物理约束的深度神经网络和组合神经网络组成的压裂效果评价模型与采用卷积神经网络作为输入网络、采用纯数据驱动的深度神经网络以及采用简单验证的模型的裂缝参数。对不同模型裂缝参数预测精度进行评估,对比分析组合神经网络、物理约束和k折交叉验证对模型预测结果精度的影响程度。
步骤2,获取待预测油藏的输入数据。所述输入数据包括静态地质数据和预处理的动态压裂施工数据。
步骤3,将所述输入数据输入到裂缝参数确定模型,获得裂缝参数:裂缝参数包括裂缝的几何尺寸和导流能力,包括但不限于:裂缝的缝长、缝高、缝宽以及渗透率。
步骤4,利用得到的裂缝参数对压裂效果进行评估。
根据模型预测得到的缝长、缝宽、缝高和裂缝渗透率可以得到缝网体积和裂缝导流能力;结合微地震等数据,以最边界的裂缝点为改造体积的外边界,将改造区域分割成一些同等大小的矩形,对矩形面积进行求和,乘以其地层深度(缝高),得到改造体积;进一步计算裂缝有效改造体积以及裂缝导流能力,计算方法包括但不限于:解析法和离散网格法;基于稳态渗流和连续介质理论,通过设定假设条件对裂缝进行简化处理,建立压裂水平井产能模型,从而得到裂缝产能;根据油价、压裂成本和裂缝产能计算经济指标,包括但不限于收入净现值。
根据液体效率,设定裂缝改造体积阈值。常规液体效率为30%-60%,如果评估的SRV小于30%液体效率所形成的裂缝体积,则说明改造效果不好。也可根据裂缝有效改造体积、裂缝导流能力、产能的大小和经济指标的多少来判断压裂效果的好坏。有效改造体积越大,压裂效果越好;裂缝导流能力越大,改造效果越好;产能越高,改造效果也好;收入净现值大于零即可认为改造有效,并且净现值越大,改造效果越好。
下面将上述实施例中的方法应用于西部某致密油藏立体开发平台水平井压裂效果评估,具体包括以下步骤。
步骤一,样本库的建立(输入数据和输出数据的获取)。
输入数据包括静态地质数据和动态压裂施工数据,
根据测井曲线得到地质数据,按照地层深度求平均得到每个压裂段的地质数据;对于压裂施工数据,基于matlab建立特征点数据提取方法,根据添液量是否为0对压裂施工曲线进行截取,利用小波去噪工具箱对压力数据进行降噪处理,采用小波方法对压裂压力数据进行去噪,选取双正交样条小波(Biorthogonal spline wavelets)作为小波族(Wavelet family),实现对弱信号的分辨,降噪方法选用斯坦无偏风险估计(Stein'sUnbiased Risk Estimate),使用软阈值约束,对10层信号进行分解,将砂浓度变化超过某一阈值所对应的压力点和压力自身变化幅度超过某一阈值的点的交集作为特征压力点,将特征压力点对应的排量和砂浓度一起作为输入数据。将相同压裂段的地质数据和压裂施工数据组合得到不同压裂段的压裂效果评估模型的输入数据。
输出数据是裂缝参数,包括缝长、缝宽、缝高和渗透率。
采用Petrel软件的Kinetix模块进行压裂压力分析,利用地质力学模型和压裂施工方案进行压裂压力拟合,经过地应力和压裂液及支撑剂的摩阻校正,反演得到裂缝的缝长、缝高、缝宽以及渗透率。为了确保反演数据的准确性,将反演得到的裂缝几何参数与现场的微地震数据进行对比,确保神经网络样本的有效性。
以地质数据和预处理的压裂施工数据为模型输入,裂缝评估参数为模型输出建立样本库。
步骤二,构建裂缝参数确定模型。
裂缝参数确定模型由组合神经网络和考虑物理约束的深度神经网络组成。
组合神经网络由两个神经网络并联组成,第一个神经网络负责地质数据的输入,其由只包含8个神经元的一层神经网络组成;第二个神经网络负责预处理后的动态压裂数据的输入。压力、支撑剂浓度和排量各自分配2000个神经元作为输入层。第二个神经网络还包括6个隐含层,每层含有800个神经元,输出层为100个神经元。模型的输入包括地质数据和水力压裂施工数据,其中地质数据包括油藏压力、最大及最小水平主应力、泊松比、杨氏模量、孔隙度、渗透率和含油饱和度,分配了8个神经元;水力压裂施工数据包括施工压力、施工排量和砂浓度随时间的变化,根据施工时间分配了2000个神经元。将水力压裂施工数据的神经网络单独添加了6个隐含层,每层含有800个神经元,最后一层含有100个神经元;
深度神经网络包含一个输入层、三个隐含层和一个输出层,每个隐含层有300个神经元。输出层有4个神经元;
物理约束包含由常规数据驱动损失函数、微地震数据和物理模型共同组成的损失函数。常规的数据驱动模型的损失函数为均方误差(MSE);微地震数据是通过现场微地震监测反演得到的裂缝几何参数,给出了裂缝几何参数的取值范围,超出这一范围认为不合理;将模型的预测结果与KGD模型的计算结果差值作为损失函数的一部分,根据损失函数训练模型,利用KGD模型的计算结果约束模型,避免深度神经网络模型做出不合理预测。
步骤三,模型优化和验证,得到最优压裂效果评估模型。
主要优化深度神经网络,根据计算结果先优化深度神经网络的隐含层层数及每个隐含层的神经元个数,确定深度神经网络的最佳隐含层层数为5层,每个隐含层神经元个数为60个;再用k折交叉验证重新划分数据集,将全部样本划分成10个大小相等的样本子集;依次遍历这10个子集,每次把当前子集作为验证集,其余所有样本作为训练集,进行模型的训练和评估;最后把10次评估指标的平均值作为最终的评估指标,进一步优化模型。得到最终的压裂效果评估模型。
步骤四,模型效果评估。
定义模型评估指标,模型评估指标包括均方根误差(RMSE)、相关系数(R2)、平均相对误差(MRE);根据模型评估指标,利用控制变量法对不同模型的裂缝参数的精度进行评估,对比分析组合神经网络、物理约束和k折交叉验证对模型预测结果精度的影响程度。
步骤五,压裂效果评估。
根据模型预测得到的缝长、缝高、缝宽和裂缝渗透率参数计算得到缝网体积;结合微地震数据对比验证,可以得到其中一口水平井的有效改造体积。请参考图4,示出了本实施例中计算得到的水平井压裂段有效改造体积的示意图。如图4所示,有效改造体积范围为43.98×104-148.17×104m3,改造效果较好。
通过本说明书实施例中的方法预测了裂缝参数,并与真实结果进行了对比。请参考图5至图8所示,示出了本实施例的裂缝参数的预测值与实际值(真实值)对比的示意图。如图5至图8所示,分别计算了缝长、缝高、缝宽和裂缝渗透率的相对误差、RMSE、MRE和R2指标,评估了模型预测结果的准确度。结果表明,裂缝的几何参数和裂缝渗透率的相对误差绝对基本小于10%,组合神经网络使模型均方根误差降低71.9%,加入物理约束减少了预测结果的不合理性,模型均方根误差降低了56%;k折交叉验证通过改善训练数据的不合理性,裂缝参数的MRE较简单交叉验证下降42%~80%。
基于同一发明构思,本说明书实施例中还提供了一种水平井压裂的裂缝参数确定装置,如下面的实施例所述。由于水平井压裂的裂缝参数确定装置解决问题的原理与水平井压裂的裂缝参数确定方法相似,因此水平井压裂的裂缝参数确定装置的实施可以参见水平井压裂的裂缝参数确定方法的实施,重复之处不再赘述。以下所使用的,术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。图9是本说明书实施例的水平井压裂的裂缝参数确定装置的一种结构框图,如图9所示,包括:获取模块901和输入模块902,下面对该结构进行说明。
获取模块901用于获取目标油气藏的静态地质数据和动态压裂施工数据。
输入模块902用于将所述静态地质数据和所述动态压裂施工数据输入目标裂缝参数确定模型中,得到所述目标油气藏的裂缝参数。
其中,所述目标裂缝参数确定模型包括组合神经网络和深度神经网络;所述组合神经网络用于所述静态地质数据和所述动态压裂施工数据的输入;所述深度神经网络用于对所述组合神经网络输入的数据进行计算,得到所述裂缝参数;所述深度神经网络的损失函数包括基于数据驱动的第一损失函数、基于所述目标油气藏的现场监测数据构建的第二损失函数和基于所述目标油气藏对应的裂缝扩展方程构建的第三损失函数。
在本说明书一些实施例中,所述第二损失函数可以是通过以下方式确定的:获取所述目标油气藏的现场监测数据,对所述现场监测数据进行反演,得到监测数据;基于所述监测数据构造所述第二损失函数;所述监测数据包括反演得到的裂缝参数取值范围。
在本说明书一些实施例中,所述第三损失函数可以是通过以下方式确定的:基于所述动态压裂施工数据确定裂缝类型,根据所述裂缝类型选取对应的裂缝扩展方程;基于所述裂缝扩展方程构造所述第三损失函数。
在本说明书一些实施例中,输入模块可以具体用于:对所述动态压裂施工数据进行预处理,得到预处理后的动态压裂施工数据;所述预处理包括以下至少之一:压裂段截取、数据去噪和特征点提取;将所述静态地质数据和所述预处理后的动态压裂施工数据输入目标裂缝参数确定模型中,得到所述目标油气藏的裂缝参数。
在本说明书一些实施例中,所述动态压裂施工数据可以包括水平井在多个时刻中各时刻下的压裂施工压力数据、添液量、施工排量和支撑剂浓度;相应的,所述输入模块可以具体用于:根据添液量对基于所述水平井在多个时刻中各时刻下的压裂施工压力数据生成的压裂施工曲线进行截取,得到压裂段;对所述压裂段对应的压裂施工压力数据进行降噪处理,将砂浓度变化幅度超过第一预设阈值时对应的压裂施工压力点与压裂施工压力数据的变化幅度超过第二预设阈值的点的交集确定为特征压力点,得到所述压裂段对应的特征压力点;将所述各压裂段对应的特征压力点、所述特征压力点对应的施工排量和砂浓度确定为所述压裂段对应的预处理后的动态压裂施工数据。
在本说明书一些实施例中,所述目标裂缝参数确定模型可以是通过以下方式构建的:建立训练样本库;所述训练样本库中包括输入样本集和输出样本集;所述输入样本集中的输入数据包括多个压裂段中各压裂段对应的静态地质数据和对应的动态施工数据;所述输出样本集中的输出数据包括所述输入样本集中各输入数据对应的裂缝评估参数;将所述训练样本库输入预先构建的组合神经网络和深度神经网络进行训练,得到目标裂缝参数确定模型。
在本说明书一些实施例中,所述输出数据可以是通过以下方式之一确定的:对所述输入样本集中的输入数据进行压裂施工压力分析,反演得到裂缝扩展时的动态裂缝参数的输出数据;利用生产动态分析案件拟合生产动态,反演得到裂缝闭合后的静态裂缝参数的输出数据;根据现场压裂监测技术诊断校正裂缝参数,得到综合裂缝参数的输出数据。
在本说明书一些实施例中,将所述训练样本库输入预先构建的组合神经网络和深度神经网络进行训练,得到目标裂缝参数确定模型,可以包括:将所述训练样本库输入预先构建的组合神经网络和深度神经网络进行训练,得到裂缝参数确定模型;利用k折交叉验证对所述裂缝参数确定模型进行验证,得到目标裂缝参数确定模型。
在本说明书一些实施例中,所述装置还可以包括计算模块,所述计算模块具体用于:基于所述目标油气藏的裂缝参数和所述现场监测数据,确定所述目标油气藏的裂缝改造体积和裂缝导流能力;根据所述裂缝改造体积和所述裂缝导流能力,计算所述目标油气藏的裂缝产能和/或裂缝经济指标。
从以上的描述中,可以看出,本说明书实施例实现了如下技术效果:采用对裂缝参数有控制作用的动态压裂施工数据作为输入的一部分,可以使得裂缝预测更准确。采用组合神经网络可以实现多维数据输入,解决了输入数据维度不同以及压裂施工数据过多导致的地质数据被忽略的问题。通过将常规损失函数中加入基于现场监测数据构建的第二损失函数和基于裂缝扩展方程构建的第三损失函数,可以对深度学习过程进行物理约束,使深度神经网络不是单纯的数据驱动,而是具有物理意义,考虑实际的裂缝参数,不同的损失函数部分从不同角度进一步约束了预测结果,从而可以针对致密油气藏水平井立体压裂得到的裂缝参数进行准确预测。相比常规的裂缝参数确定方法,本方案可以极大地降低裂缝参数评估工作的工作量和经济成本,实现了裂缝参数的实时准确快速预测。此外,本方案可以对直井和常规水平井压裂进行预测,只需要调整模型优化过程即可,弥补了直井和常规水平井裂缝预测方法的不足。
本说明书实施方式还提供了一种计算机设备,具体可以参阅图10所示的基于本说明书实施例提供的水平井压裂的裂缝参数确定方法的计算机设备组成结构示意图,所述计算机设备具体可以包括输入设备11、处理器12、存储器13。其中,所述存储器13用于存储处理器可执行指令。所述处理器12执行所述指令时实现上述任意实施例中所述的水平井压裂的裂缝参数确定方法的步骤。
在本实施方式中,所述输入设备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。所述输入设备可以包括键盘、鼠标、摄像头、扫描仪、光笔、手写输入板、语音输入装置等;输入设备用于把原始数据和处理这些数的程序输入到计算机中。所述输入设备还可以获取接收其他模块、单元、设备传输过来的数据。所述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。所述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。所述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,该计算机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。
本说明书实施方式中还提供了一种基于水平井压裂的裂缝参数确定方法的计算机存储介质,所述计算机存储介质存储有计算机程序指令,在所述计算机程序指令被执行时实现上述任意实施例中所述水平井压裂的裂缝参数确定方法的步骤。
在本实施方式中,上述存储介质包括但不限于随机存取存储器(Random AccessMemory,RAM)、只读存储器(Read-Only Memory,ROM)、缓存(Cache)、硬盘(Hard DiskDrive,HDD)或者存储卡(Memory Card)。所述存储器可以用于存储计算机程序指令。网络通信单元可以是依照通信协议规定的标准设置的,用于进行网络连接通信的接口。
在本实施方式中,该计算机存储介质存储的程序指令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。
显然,本领域的技术人员应该明白,上述的本说明书实施例的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本说明书实施例不限制于任何特定的硬件和软件结合。
应该理解,以上描述是为了进行图示说明而不是为了进行限制。通过阅读上述描述,在所提供的示例之外的许多实施方式和许多应用对本领域技术人员来说都将是显而易见的。因此,本说明书的范围不应该参照上述描述来确定,而是应该参照前述权利要求以及这些权利要求所拥有的等价物的全部范围来确定。
以上所述仅为本说明书的优选实施例而已,并不用于限制本说明书,对于本领域的技术人员来说,本说明书实施例可以有各种更改和变化。凡在本说明书的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本说明书的保护范围之内。
Claims (10)
1.一种水平井压裂的裂缝参数确定方法,其特征在于,包括:
获取目标油气藏的静态地质数据和动态压裂施工数据;
将所述静态地质数据和所述动态压裂施工数据输入目标裂缝参数确定模型中,得到所述目标油气藏的裂缝参数;
其中,所述目标裂缝参数确定模型包括组合神经网络和深度神经网络;所述组合神经网络用于所述静态地质数据和所述动态压裂施工数据的输入;所述深度神经网络用于对所述组合神经网络输入的数据进行计算,得到所述裂缝参数;所述深度神经网络的损失函数包括基于数据驱动的第一损失函数、基于所述目标油气藏的现场监测数据构建的第二损失函数和基于所述目标油气藏对应的裂缝扩展方程构建的第三损失函数。
2.根据权利要求1所述的水平井压裂的裂缝参数确定方法,其特征在于,所述第二损失函数是通过以下方式确定的:获取所述目标油气藏的现场监测数据,对所述现场监测数据进行反演,得到监测数据;基于所述监测数据构造所述第二损失函数;所述监测数据包括反演得到的裂缝参数取值范围;和/或
所述第三损失函数是通过以下方式确定的:基于所述动态压裂施工数据确定裂缝类型,根据所述裂缝类型选取对应的裂缝扩展方程;基于所述裂缝扩展方程构造所述第三损失函数。
3.根据权利要求1所述的水平井压裂的裂缝参数确定方法,其特征在于,将所述静态地质数据和所述动态压裂施工数据输入目标裂缝参数确定模型中,得到所述目标油气藏的裂缝参数,包括:
对所述动态压裂施工数据进行预处理,得到预处理后的动态压裂施工数据;所述预处理包括以下至少之一:压裂段截取、数据去噪和特征点提取;
将所述静态地质数据和所述预处理后的动态压裂施工数据输入目标裂缝参数确定模型中,得到所述目标油气藏的裂缝参数。
4.根据权利要求3所述的水平井压裂的裂缝参数确定方法,其特征在于,所述动态压裂施工数据包括水平井在多个时刻中各时刻下的压裂施工压力数据、添液量、施工排量和支撑剂浓度;相应的,对所述动态压裂施工数据进行预处理,得到预处理后的动态压裂施工数据,包括:
根据所述添液量对基于所述水平井在多个时刻中各时刻下的压裂施工压力数据生成的压裂施工曲线进行截取,得到压裂段;
对所述压裂段对应的压裂施工压力数据进行降噪处理;
将砂浓度变化幅度超过第一预设阈值时对应的压裂施工压力点与压裂施工压力数据的变化幅度超过第二预设阈值的点的交集确定为特征压力点,得到所述压裂段对应的特征压力点;
将所述各压裂段对应的特征压力点、所述特征压力点对应的施工排量和砂浓度确定为所述压裂段对应的预处理后的动态压裂施工数据。
5.根据权利要求1所述的水平井压裂的裂缝参数确定方法,其特征在于,所述目标裂缝参数确定模型是通过以下方式构建的:
建立训练样本库;所述训练样本库中包括输入样本集和输出样本集;所述输入样本集中的输入数据包括多个压裂段中各压裂段对应的静态地质数据和对应的动态施工数据;所述输出样本集中的输出数据包括所述输入样本集中各输入数据对应的裂缝评估参数;
将所述训练样本库输入预先构建的组合神经网络和深度神经网络进行训练,得到目标裂缝参数确定模型。
6.根据权利要求5所述的水平井压裂的裂缝参数确定方法,其特征在于,所述输出数据是通过以下方式之一确定的:
对所述输入样本集中的输入数据进行压裂施工压力分析,反演得到裂缝扩展时的动态裂缝参数的输出数据;
利用生产动态分析案件拟合生产动态,反演得到裂缝闭合后的静态裂缝参数的输出数据;
根据现场压裂监测技术诊断校正裂缝参数,得到综合裂缝参数的输出数据。
7.根据权利要求5所述的水平井压裂的裂缝参数确定方法,其特征在于,将所述训练样本库输入预先构建的组合神经网络和深度神经网络进行训练,得到目标裂缝参数确定模型,包括:
将所述训练样本库输入预先构建的组合神经网络和深度神经网络进行训练,得到裂缝参数确定模型;
利用k折交叉验证对所述裂缝参数确定模型进行验证,得到目标裂缝参数确定模型。
8.根据权利要求1所述的水平井压裂的裂缝参数确定方法,其特征在于,在得到所述目标油气藏的裂缝参数之后,还包括:
基于所述目标油气藏的裂缝参数和所述现场监测数据,确定所述目标油气藏的裂缝改造体积和裂缝导流能力;
根据所述裂缝改造体积和所述裂缝导流能力,计算所述目标油气藏的裂缝产能和/或裂缝经济指标。
9.一种水平井压裂的裂缝参数确定装置,其特征在于,包括:
获取模块,用于获取目标油气藏的静态地质数据和动态压裂施工数据;
输入模块,用于将所述静态地质数据和所述动态压裂施工数据输入目标裂缝参数确定模型中,得到所述目标油气藏的裂缝参数;
其中,所述目标裂缝参数确定模型包括组合神经网络和深度神经网络;所述组合神经网络用于所述静态地质数据和所述动态压裂施工数据的输入;所述深度神经网络用于对所述组合神经网络输入的数据进行计算,得到所述裂缝参数;所述深度神经网络的损失函数包括基于数据驱动的第一损失函数、基于所述目标油气藏的现场监测数据构建的第二损失函数和基于所述目标油气藏对应的裂缝扩展方程构建的第三损失函数。
10.一种计算机可读存储介质,其上存储有计算机指令,其特征在于,所述指令被处理器执行时实现权利要求1至8中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310271710.7A CN116362121A (zh) | 2023-03-20 | 2023-03-20 | 水平井压裂的裂缝参数确定方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310271710.7A CN116362121A (zh) | 2023-03-20 | 2023-03-20 | 水平井压裂的裂缝参数确定方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116362121A true CN116362121A (zh) | 2023-06-30 |
Family
ID=86906396
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310271710.7A Pending CN116362121A (zh) | 2023-03-20 | 2023-03-20 | 水平井压裂的裂缝参数确定方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116362121A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116976146A (zh) * | 2023-09-22 | 2023-10-31 | 中国石油大学(华东) | 耦合物理驱动和数据驱动的压裂井产量预测方法与系统 |
-
2023
- 2023-03-20 CN CN202310271710.7A patent/CN116362121A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116976146A (zh) * | 2023-09-22 | 2023-10-31 | 中国石油大学(华东) | 耦合物理驱动和数据驱动的压裂井产量预测方法与系统 |
CN116976146B (zh) * | 2023-09-22 | 2024-01-05 | 中国石油大学(华东) | 耦合物理驱动和数据驱动的压裂井产量预测方法与系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
RU2669948C2 (ru) | Оптимизация многоступенчатого проекта нефтяного месторождения в условиях неопределенности | |
US8646525B2 (en) | System and method for enhancing oil recovery from a subterranean reservoir | |
CN105488583B (zh) | 预测致密油待评价区域可采储量的方法及装置 | |
US10846443B2 (en) | Discrete irregular cellular models for simulating the development of fractured reservoirs | |
CA2890817C (en) | System, method and computer program product for determining placement of perforation intervals using facies, fluid boundaries, geobodies and dynamic fluid properties | |
WO2015178931A1 (en) | Enhancing reservoir characterization using real-time srv and fracture evolution parameters | |
Hong et al. | Robust production optimization with capacitance-resistance model as precursor | |
MX2015001301A (es) | Metodos y sistemas relacionados con el desarrollo de estrategias de recuperacion de hidrocarburos. | |
CN116362121A (zh) | 水平井压裂的裂缝参数确定方法及装置 | |
US11500123B2 (en) | Hybrid 3D geocellular representation of selected natural fracture network subsets | |
CN110717270B (zh) | 一种基于数据的油气藏仿真模拟方法 | |
Jeong et al. | Efficient ensemble-based stochastic gradient methods for optimization under geological uncertainty | |
CN107451671B (zh) | 用于预测页岩地层压裂后初始产能的方法及系统 | |
CN111553067B (zh) | 页岩油藏压裂水平井不停井试井测试和解释方法、装置 | |
Liu et al. | Classification and evaluation for stimulated reservoir volume (SRV) estimation models using microseismic events based on three typical grid structures | |
Yue et al. | Research on main control factors influencing fracturing effect of Jiaoshiba area based on grey relational analysis | |
CN111236934B (zh) | 水淹级别确定方法和装置 | |
CN115130268A (zh) | 油藏注采方案设计方法、系统、存储介质及电子设备 | |
CN111400853B (zh) | 封闭边界压裂水平井非稳态产能预测方法及装置 | |
CN114033352B (zh) | 一种井周裂缝密度估算的方法及设备 | |
Kakar | Artificial Neural Network Modeling of Well Performance in the Garrington Field, Cardium Formation | |
Alizadeh et al. | Fracture modeling in oil and gas reservoirs using image logs data and Petrel software | |
Aldhayee et al. | Application of Hybrid Physics-Based and Data-Driven Fracture Propagation Modeling for Characterizing Hydraulic Fracture Geometry in Unconventional Reservoirs | |
Zhao et al. | A Data-Driven Approach for Hydraulic Fracturing Simulation in Shale Based on Time-Series Images of Fracture Propagation | |
CN117627608A (zh) | 一种低渗油藏增能压裂效果高效预测方法 |
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 |