CN117408168B - 一种融合物理条件约束的压裂裂缝扩展快速预测方法 - Google Patents
一种融合物理条件约束的压裂裂缝扩展快速预测方法 Download PDFInfo
- Publication number
- CN117408168B CN117408168B CN202311723905.7A CN202311723905A CN117408168B CN 117408168 B CN117408168 B CN 117408168B CN 202311723905 A CN202311723905 A CN 202311723905A CN 117408168 B CN117408168 B CN 117408168B
- Authority
- CN
- China
- Prior art keywords
- image
- data
- fracturing
- crack
- time sequence
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000004364 calculation method Methods 0.000 claims abstract description 45
- 238000012549 training Methods 0.000 claims abstract description 21
- 230000004927 fusion Effects 0.000 claims abstract description 11
- 230000015654 memory Effects 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000012805 post-processing Methods 0.000 claims abstract description 4
- 238000013461 design Methods 0.000 claims description 42
- 238000009826 distribution Methods 0.000 claims description 33
- 238000005086 pumping Methods 0.000 claims description 29
- 230000006870 function Effects 0.000 claims description 23
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000010586 diagram Methods 0.000 claims description 15
- 230000003213 activating effect Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 238000002347 injection Methods 0.000 claims description 9
- 239000007924 injection Substances 0.000 claims description 9
- 230000007787 long-term memory Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 7
- 230000035699 permeability Effects 0.000 claims description 7
- 239000003795 chemical substances by application Substances 0.000 claims description 6
- 238000005520 cutting process Methods 0.000 claims description 6
- 230000006403 short-term memory Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 239000012530 fluid Substances 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000002411 adverse Effects 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 230000007423 decrease Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract 1
- 206010017076 Fracture Diseases 0.000 description 55
- 208000010392 Bone Fractures Diseases 0.000 description 53
- 238000007792 addition Methods 0.000 description 7
- 238000004088 simulation Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 239000011435 rock Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
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
-
- 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
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- 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
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- 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
Abstract
本发明公开了一种融合物理条件约束的压裂裂缝扩展快速预测方法,属于油藏智能优化压裂领域,其步骤为:获取不同物理约束条件搭配下的裂缝扩展时序图像,搭建多级水平井压裂裂缝扩展时序图像数据库;对数据和图像预处理;基于卷积‑长短期记忆网络结构,嵌入物理条件卷积计算层、图像卷积计算层和数据融合层,建立裂缝扩展时序图像预测模型并进行训练;利用阈值判断方法对裂缝扩展时序图像预测模型输出的预测图像进行后处理;将后处理后的预测图像进行可视化呈现,按照时间顺序逐帧输出裂缝扩展结果。本发明能够实现压裂裂缝扩展的快速预测,为多级水平井压裂裂缝扩展快速预测提供了有效的技术支持,极大提高了工作效率。
Description
技术领域
本发明属于油藏智能优化压裂领域,具体涉及一种融合物理条件约束的压裂裂缝扩展快速预测方法。
背景技术
水力压裂技术在低渗/超低渗油气藏开发中占据绝对优势,是非常规储层效益开发的核心技术。在水力压裂作业过程中,将压裂液和支撑剂等混合物注入井孔,高压促使地层岩石发生破裂形成复杂裂缝。这些裂缝延伸到远离井孔的地层中,从而增加储层有效渗透率和产量。研究表明,准确模拟压裂裂缝扩展,预测水力裂缝尺寸是水力压裂和完井设计的关键,对优化压裂设计、提高油气井产能具有重要意义。但受储层物性、天然裂缝发育和压裂设计等多因素综合影响,水力裂缝扩展过程复杂,裂缝形态预测困难。此外,考虑岩石渗透率、流体运移、裂缝扩展等物理过程,导致裂缝扩展涉及大规模方程组和稠密矩阵计算求解,浪费大量资源和时间。
发明内容
为了解决上述问题,本发明提出了一种融合物理条件约束的压裂裂缝扩展快速预测方法,首先,基于不同储层属性、泵注设计、井位孔眼图和天然裂缝分布图,使用精细网格水力压裂模拟生成水力压裂的裂缝扩展时序视频,建立了一个水平井压裂裂缝扩展时序图像数据库;然后,利用数据前处理技术对储层属性、泵注设计、井筒孔眼图像、天然裂缝分布图像和裂缝扩展时序图像进行数据预处理;之后在传统ConvLSTM网络结构中嵌入物理条件卷积计算层、图像卷积计算层和数据融合层,构建裂缝扩展时序图像预测模型(Physical-ConvLSTM),实现高效的压裂裂缝扩展预测。
为了实现上述目的,本发明采用如下技术方案:
一种融合物理条件约束的压裂裂缝扩展快速预测方法,包括以下步骤:
步骤1、基于实际测井数据,利用数值模拟器建立页岩气多级水平井压裂模型,以页岩储层属性、压裂泵设计方案、井筒孔眼图像和天然裂缝分布图像作为裂缝扩展过程物理约束条件,获取不同物理约束条件下的裂缝扩展时序图像,搭建多级水平井压裂裂缝扩展时序图像数据库;
步骤2、利用数据归一化方法和元素相加方法对页岩储层属性和压裂泵注设计方案进行数据预处理,采用灰度图、阈值判断、像素值分类、图像裁剪方法和图像拼接方法对井筒孔眼图像、天然裂缝分布图像和裂缝扩展时序图像进行图像预处理;
步骤3、基于卷积-长短期记忆网络结构,嵌入物理条件卷积计算层、图像卷积计算层和数据融合层,建立裂缝扩展时序图像预测模型并进行训练;
步骤4、利用阈值判断方法对裂缝扩展时序图像预测模型输出的预测图像进行后处理,降低预测图像中裂缝周围干扰噪音像素点,实现图像像素值清洗;
步骤5、将后处理后的预测图像进行可视化呈现,按照时间顺序逐帧输出裂缝扩展结果。
进一步地,所述步骤1包括以下子步骤:
步骤1.1、基于多个实际测井数据,利用数值模拟器建立多个页岩气多级水平井压裂模型,获取页岩各储层属性,属性包括最小水平主应力、最大水平主应力、垂直应力、储层压力、孔隙度、渗透率、含水饱和度、杨氏模量、泊松比,保存为CSV格式数据,建立裂缝扩展时序预测储层属性数据集;
步骤1.2、基于不同压裂液类型、支撑剂类型、泵注速率、支撑剂浓度,获取多种压裂泵注设计方案,保存为CSV格式数据,建立裂缝扩展时序预测泵注设计数据集;
步骤1.3、设置不同的井筒孔眼位置和天然裂缝分布,并将每一级水平井压裂的井筒孔眼位置图像和天然裂缝分布图像保存为JPG格式图像,建立裂缝扩展时序预测井筒-天然裂缝分布图像集;
步骤1.4、基于裂缝扩展时序预测储层属性数据集、泵注设计数据集和井筒-天然裂缝分布图像集,利用数值模拟器模拟多级水平井压裂裂缝扩展过程,并获取每一级压裂的裂缝扩展MP4格式视频;
步骤1.5、基于步骤1.4获取的裂缝扩展视频,利用均值哈希方法删除视频中相同帧,减少相同帧引起的干扰并降低计算量,最终获取不同物理约束条件下的裂缝扩展时序图像;
步骤1.6、以不同页岩储层属性、压裂泵注设计方案、井筒孔眼图像和天然裂缝分布图像作为裂缝扩展过程物理约束条件,以多级水平井每一级对应的裂缝扩展时序图像为结果,搭建多级水平井压裂裂缝扩展时序图像数据库,并按照9:1的比例随机划分训练集和测试集。
进一步地,所述步骤1.5包括以下子步骤:
步骤1.5.1、提取裂缝扩展视频中的每一帧图像;
步骤1.5.2、利用图像均值哈希方法计算每一帧图像的哈希值;
步骤1.5.3、将当前帧的哈希值与前一个被保留的帧的哈希值进行比较,判断当前帧是否与前一个被保留的帧相同;
步骤1.5.4、如果当前帧的哈希值与前一个被保留的帧的哈希值相同,则说明两者是相同的帧,将当前帧标记为待删除;
步骤1.5.5、如果当前帧的哈希值与前一个被保留的帧的哈希值不同,则将当前帧添加到保留的帧列表中,并更新当前帧的哈希值为参考值;
步骤1.5.6、重复步骤1.5.3至步骤1.5.5,直到处理完所有的帧;
步骤1.5.7、根据标记的结果,删除相同的帧或生成一个新的视频,只包含保留的帧。
进一步地,所述步骤2中,对页岩储层属性和压裂泵注设计进行数据预处理包括以下子步骤:
步骤2.1、利用MinMaxScaler函数处理储层属性数据和压裂泵注设计方案中不同参数数据,消除奇异样本数据导致的不良影响,其表达式为:
;
其中,为属性数据或参数数据;为的归一化值;为的最小值;为
的最大值;
步骤2.2、将井筒孔眼图像、天然裂缝分布图像、裂缝扩展时序图像转化为灰度图;
步骤2.3、利用阈值判断方法将步骤2.2得到的灰度图进行灰度值判断,将灰度图中小于35的灰度值转换为0;
步骤2.4、将步骤2.3得到的灰度图进行灰度值分类处理,使井筒孔眼图像中图像背景灰度值为0,井筒孔眼灰度值为3;天然裂缝分布图像中图像背景灰度值为0,天然裂缝灰度值为2;裂缝扩展时序图像中图像背景灰度值为0,裂缝扩展灰度值为1;
步骤2.5、将步骤2.4得到的灰度图进行规定尺寸的图像裁剪,裁剪后的尺寸为256×256;
步骤2.6、将裁剪后的井筒孔眼灰度图、天然裂缝分布灰度图和裂缝扩展时序灰度图进行数据拼接,形成维度为3×256×256的矩阵,其中第1通道代表井筒孔眼,第二通道代表天然裂缝,第3通道代表裂缝扩展。
进一步地,所述步骤3包括以下子步骤:
步骤3.1、采用物理条件卷积计算层对步骤2.1获得的储层属性数据和压裂泵注设计方案中的参数数据进行特征提取,物理条件卷积计算层包括两个卷积层,每个卷积层的输入通道为1,输出通道为1,卷积核大小为3,步长为1,填充为1;
步骤3.2、采用双线性插值方法对物理条件卷积计算层的计算结果进行上采样,使储层属性数据和压裂泵注设计方案中的参数数据维度都为1×256×256;
步骤3.3、采用元素相加方法将步骤3.2得到的储层属性数据和压裂泵注设计方案中的参数数据进行元素相加,最终获得维度为1×256×256的数据;
步骤3.3、采用图像卷积计算层对步骤2.6获得的维度为3×256×256的矩阵进行特征提取,图像卷积计算层包括一个卷积层,卷积层的输入通道为3,输出通道为3,卷积核大小为1,步长为1,填充为0;
步骤3.4、采用数据融合层融合步骤3.3获得的维度为1×256×256的数据和图像卷积计算层的计算结果,两者融合后的数据维度为4×256×256;
步骤3.5、利用层归一化操作对步骤3.4获得的维度为4×256×256的数据中第一个维度进行归一化;
步骤3.6、构建卷积-长短期记忆网络结构,将步骤3.5中归一化后维度为4×256×256的数据输入到该网络结构中,输出维度为3×256×256的数据;该网络结构包括输入卷积层、长短期记忆网络和输出卷积层;输入卷积层的输入通道为4,输出通道为128,卷积核大小为5,步长为1,填充为2;长短期记忆网络包括4个隐藏层,每个隐藏层包括遗忘门、输入门、输出门和更新门;输出卷积层的输入通道为128,输出通道为3,卷积核大小为1,步长为1,填充为0。
进一步地,所述步骤3.6中,长短期记忆网络的表达式为:
;
;
;
;
;
;
其中,表示当前时间步的融合输入特征向量,由步骤3.5获得,维度为[4, 256,
256];表示上一个时间步的隐藏状态;表示上一个时间步的细胞状态;、、
、分别表示输入特征与门控单元中的遗忘门、输入门、输出门和更新门相关的权重矩
阵;、、、分别表示上一个时间步的隐藏状态与门控单元中的遗忘门、输入
门、输出门和更新门相关的权重矩阵;、、分别表示上一个时间步的细胞状态
与门控单元中的遗忘门、输入门和输出门相关的权重矩阵;、、、分别表示门控单元
中的遗忘门、输入门、输出门和更新门的偏置向量;表示遗忘门的输出,使用Sigmoid函数
将遗忘门的输入加权求和后进行激活;表示输入门的输出,使用Sigmoid函数将输入门的
输入加权求和后进行激活;表示输出门的输出,使用Sigmoid函数将输出门的输入加权求
和后进行激活;表示更新门的输出,使用Tanh函数将更新门的输入加权求和后进行激活;表示逐元素相乘操作;表示当前时间步的细胞状态,通过遗忘门和输入门的输出加权求
和得到;表示当前时间步的隐藏状态,通过输出门的输出和经过Tanh函数处理的细胞状
态得到;
Sigmoid函数的表达式为:
;
其中,表示的负指数幂,是自然对数的底数;
Tanh函数的表达式为:
;
其中,表示的指数幂,是自然对数的底数。
进一步地,对裂缝扩展时序图像预测模型进行训练,首先设置模型训练参数:采用前1帧裂缝扩展图像预测后5帧裂缝扩展图像,迭代次数为500次,1次训练所抓取的数据样本数为5,优化器为Adam优化器,学习率为0.0001,学习率下降率为0.92;
其次,采用预处理后的训练集和测试集,迭代训练裂缝扩展时序图像预测模型,直至到达设置的最大迭代训练次数,得到训练好的裂缝扩展时序图像预测模型。
进一步地,所述步骤4包括以下子步骤:
步骤4.1、模型输出数据维度为[3, 256, 256],提取输出数据的第1维度的第3通道数据,并将其每个元素与0进行逐元素比较,当元素小于0时,取0代替该元素,当元素大于0时,该元素保持不变,得到新的输出数据;
步骤4.2、将步骤4.1中新的输出数据中每个元素与1进行逐元素比较,当元素大于1时,取1代替该元素,当元素小于1时,该元素保持不变,得到最终的输出数据;
步骤4.3、将步骤4.2中最终的输出数据中每个元素乘255,并将结果转换为无符号8位整数类型;
步骤4.4、将转换后的结果中数值小于35的元素转换为0,其余元素转换为255。
进一步地,所述步骤5中,利用双线性插值方法对步骤4.4中获得的结果进行图像放大,使其变为原始图像大小,并进行可视化呈现。
本发明所带来的有益技术效果为:
本发明提出了一种融合物理条件约束的压裂裂缝扩展快速预测方法,在不考虑传统压裂模拟的情况下,为多级水平井压裂裂缝扩展快速预测提供了有效的技术支持,极大提高了工作效率;深度学习方法是一种精准高效的数据分类、数据拟合方法,因此本发明采用时序图像预测方法建立了压裂裂缝扩展快速预测模型,利用物理条件卷积计算层提取储层属性参数和压裂施工泵注设计主要特征,利用图像卷积计算层提取井筒射孔、天然裂缝分布和裂缝扩展时序图主要特征,利用数据融合层实现不同维度数据特征融合,建立多通道特征融合计算网络模型,实现压裂裂缝扩展快速预测;
本发明利用深度学习方法为压裂裂缝扩展提供了高效的预测方法;相对于传统的数值模拟方法及其他神经网络压裂裂缝表征模型,本发明极大降低了数值模型计算耗时,并详细描述了裂缝扩展过程及次生裂缝,为裂缝动态演化规律分析提供有有效支持。
附图说明
图1为本发明中的融合物理条件约束的压裂裂缝扩展快速预测方法流程图。
图2为本发明中预测图像降噪结果示意图。
图3为实施例中多级水平压裂井裂缝扩展数值模拟结果图。
图4为实施例中多级水平压裂井裂缝扩展竖直预测结果图。
图5为实施例中多级水平压裂井第一级压裂裂缝扩展时序模拟结果图。
图6为实施例中多级水平压裂井第一级压裂裂缝扩展时序预测结果图。
具体实施方式
本发明提出了一种融合物理条件约束的压裂裂缝扩展快速预测方法,为了使本发明的优点、技术方案更加清楚、明确,下面结合具体实施例对本发明做详细说明。
一种融合物理条件约束的压裂裂缝扩展快速预测方法,如图1所示,包括以下步骤:
步骤1、基于实际测井数据,利用数值模拟器建立页岩气多级水平井压裂模型,以页岩储层属性、压裂泵设计方案、井筒孔眼图像和天然裂缝分布图像作为裂缝扩展过程物理约束条件,获取不同物理约束条件下的裂缝扩展时序图像,搭建多级水平井压裂裂缝扩展时序图像数据库;
步骤1包括以下子步骤:
步骤1.1、基于多个实际测井数据,利用数值模拟器建立多个页岩气多级水平井压裂模型,获取页岩各储层属性,属性包括最小水平主应力、最大水平主应力、垂直应力、储层压力、孔隙度、渗透率、含水饱和度、杨氏模量、泊松比,保存为CSV格式数据,建立裂缝扩展时序预测储层属性数据集;
步骤1.2、基于不同压裂液类型、支撑剂类型、泵注速率、支撑剂浓度,获取多种压裂泵注设计方案,保存为CSV格式数据,建立裂缝扩展时序预测泵注设计数据集;
步骤1.3、设置不同的井筒孔眼位置和天然裂缝分布,并将每一级水平井压裂的井筒孔眼位置图像和天然裂缝分布图像保存为JPG格式图像,建立裂缝扩展时序预测井筒-天然裂缝分布图像集;
步骤1.4、基于裂缝扩展时序预测储层属性数据集、泵注设计数据集和井筒-天然裂缝分布图像集,利用数值模拟器模拟多级水平井压裂裂缝扩展过程,并获取每一级压裂的裂缝扩展MP4格式视频;
步骤1.5、基于步骤1.4获取的裂缝扩展视频(MP4),利用均值哈希(Average Hash)方法删除视频中相同帧,减少相同帧引起的干扰并降低计算量,最终获取不同物理约束条件下的裂缝扩展时序图像;
步骤1.5包括以下子步骤:
步骤1.5.1、提取裂缝扩展视频中的每一帧图像;
步骤1.5.2、利用图像均值哈希方法计算每一帧图像的哈希值;
步骤1.5.3、将当前帧的哈希值与前一个被保留的帧的哈希值进行比较,判断当前帧是否与前一个被保留的帧相同;
步骤1.5.4、如果当前帧的哈希值与前一个被保留的帧的哈希值相同,则说明两者是相同的帧,将当前帧标记为待删除;
步骤1.5.5、如果当前帧的哈希值与前一个被保留的帧的哈希值不同,则将当前帧添加到保留的帧列表中,并更新当前帧的哈希值为参考值;
步骤1.5.6、重复步骤1.5.3至步骤1.5.5,直到处理完所有的帧;
步骤1.5.7、根据标记的结果,删除相同的帧或生成一个新的视频,只包含保留的帧。
步骤1.6、以不同页岩储层属性、压裂泵注设计方案、井筒孔眼图像和天然裂缝分布图像作为裂缝扩展过程物理约束条件,以多级水平井每一级对应的裂缝扩展时序图像为结果,搭建多级水平井压裂裂缝扩展时序图像数据库,并按照9:1的比例随机划分训练集和测试集。
步骤2、利用数据归一化方法和元素相加方法对页岩储层属性和压裂泵注设计方案进行数据预处理,采用灰度图、阈值判断、像素值分类、图像裁剪方法和图像拼接方法对井筒孔眼图像、天然裂缝分布图像和裂缝扩展时序图像进行图像预处理;
步骤2中,对页岩储层属性和压裂泵注设计进行数据预处理包括以下子步骤:
步骤2.1、利用数据归一化技术MinMaxScaler函数处理储层属性数据和压裂泵注设计方案中不同参数数据,消除奇异样本数据导致的不良影响,其表达式为:
;
其中,为属性数据或参数数据;为的归一化值;为的最小值;为
的最大值;
步骤2.2、将井筒孔眼图像、天然裂缝分布图像、裂缝扩展时序图像转化为灰度图;
步骤2.3、利用阈值判断方法将步骤2.2得到的灰度图进行灰度值判断,将灰度图中小于35的灰度值转换为0;
步骤2.4、将步骤2.3得到的灰度图进行灰度值分类处理,使井筒孔眼图像中图像背景灰度值为0,井筒孔眼灰度值为3;天然裂缝分布图像中图像背景灰度值为0,天然裂缝灰度值为2;裂缝扩展时序图像中图像背景灰度值为0,裂缝扩展灰度值为1;
步骤2.5、将步骤2.4得到的灰度图进行规定尺寸的图像裁剪,裁剪后的尺寸为256×256;
步骤2.6、将裁剪后的井筒孔眼灰度图、天然裂缝分布灰度图和裂缝扩展时序灰度图进行数据拼接,形成维度为3×256×256的矩阵,其中第1通道代表井筒孔眼,第二通道代表天然裂缝,第3通道代表裂缝扩展。
步骤3、基于卷积-长短期记忆网络结构,嵌入物理条件卷积计算层、图像卷积计算层和数据融合层,建立裂缝扩展时序图像预测模型并进行训练;
步骤3包括以下子步骤:
步骤3.1、采用物理条件卷积计算层对步骤2.1获得的储层属性数据和压裂泵注设计方案中的参数数据进行特征提取,物理条件卷积计算层包括两个卷积层,每个卷积层的输入通道为1,输出通道为1,卷积核大小为3,步长为1,填充为1;
步骤3.2、采用双线性插值方法对物理条件卷积计算层的计算结果进行上采样,使储层属性数据和压裂泵注设计方案中的参数数据维度都为1×256×256;
步骤3.3、采用元素相加方法将步骤3.2得到的储层属性数据和压裂泵注设计方案中的参数数据进行元素相加,最终获得维度为1×256×256的数据;
步骤3.4、采用图像卷积计算层对步骤2.6获得的维度为3×256×256的矩阵进行特征提取,图像卷积计算层包括一个卷积层,卷积层的输入通道为3,输出通道为3,卷积核大小为1,步长为1,填充为0;
步骤3.5、采用数据融合层融合步骤3.4获得的维度为1×256×256的数据和图像卷积计算层的计算结果,两者融合后的数据维度为4×256×256;
步骤3.6、利用层归一化操作对步骤3.5获得的维度为4×256×256的数据中第一个维度进行归一化;
步骤3.7、构建卷积-长短期记忆网络结构,将步骤3.6中归一化后维度为4×256×256的数据输入到该网络结构中,输出维度为3×256×256的数据;该网络结构包括输入卷积层、长短期记忆网络和输出卷积层;输入卷积层的输入通道为4,输出通道为128,卷积核大小为5,步长为1,填充为2;长短期记忆网络包括4个隐藏层,每个隐藏层包括遗忘门、输入门、输出门和更新门;输出卷积层的输入通道为128,输出通道为3,卷积核大小为1,步长为1,填充为0;
步骤3.7中,长短期记忆网络的表达式为:
;
;
;
;
;
;
其中,表示当前时间步的融合输入特征向量,由步骤3.5获得,维度为[4, 256,
256];表示上一个时间步的隐藏状态;表示上一个时间步的细胞状态;、、
、分别表示输入特征与门控单元中的遗忘门、输入门、输出门和更新门相关的权重矩
阵;、、、分别表示上一个时间步的隐藏状态与门控单元中的遗忘门、输入
门、输出门和更新门相关的权重矩阵;、、分别表示上一个时间步的细胞状态
与门控单元中的遗忘门、输入门和输出门相关的权重矩阵;、、、分别表示门控单元
中的遗忘门、输入门、输出门和更新门的偏置向量;表示遗忘门的输出,使用Sigmoid函数
将遗忘门的输入加权求和后进行激活;表示输入门的输出,使用Sigmoid函数将输入门的
输入加权求和后进行激活;表示输出门的输出,使用Sigmoid函数将输出门的输入加权求
和后进行激活;表示更新门的输出,使用Tanh函数将更新门的输入加权求和后进行激活;表示逐元素相乘操作;表示当前时间步的细胞状态,通过遗忘门和输入门的输出加权求
和得到;表示当前时间步的隐藏状态,通过输出门的输出和经过Tanh函数处理的细胞状
态得到;
Sigmoid函数的表达式为:
;
其中,表示的负指数幂,是自然对数的底数;
Tanh函数的表达式为:
;
其中, 表示的指数幂,是自然对数的底数;
对裂缝扩展时序图像预测模型进行训练,首先设置模型训练参数:采用前1帧裂缝扩展图像预测后5帧裂缝扩展图像,迭代次数为500次,1次训练所抓取的数据样本数为5,优化器为Adam优化器,学习率为0.0001,学习率下降率为0.92;
其次,采用预处理后的训练集和测试集,迭代训练裂缝扩展时序图像预测模型,直至到达设置的最大迭代训练次数,得到训练好的裂缝扩展时序图像预测模型。
步骤4、利用阈值判断方法对裂缝扩展时序图像预测模型输出的预测图像进行后处理,降低预测图像中裂缝周围干扰噪音像素点,实现图像像素值清洗,如图2所示;
步骤4包括以下子步骤:
步骤4.1、模型输出数据维度为[3, 256, 256],提取输出数据的第1维度的第3通道数据,并将其每个元素与0进行逐元素比较,当元素小于0时,取0代替该元素,当元素大于0时,该元素保持不变,确保数组中的所有负数和零值都被替换为0,得到新的输出数据;
步骤4.2、将步骤4.1中新的输出数据中每个元素与1进行逐元素比较,当元素大于1时,取1代替该元素,当元素小于1时,该元素保持不变,确保数组中的所有大于1的值都被替换为1,得到最终的输出数据;
步骤4.3、将步骤4.2中最终的输出数据中每个元素乘255,并将结果转换为无符号8位整数类型(uint8),将数组中的所有元素缩放到0到255的范围内,并将其类型转换为uint8;
步骤4.4、将转换后的结果中数值小于35的元素转换为0,其余元素转换为255。
步骤5、将后处理后的预测图像进行可视化呈现,按照时间顺序逐帧输出裂缝扩展结果;
利用双线性插值方法对步骤4.4中获得的结果进行图像放大,使其变为原始图像大小,并进行可视化呈现。
为了证明本发明的可行性与优越性,给出如下实施例:
该实施例为一个页岩气多级水平井压裂概念模型,网格数为 70×30×10,每个网格单元的尺寸为 10m×10m×4m,该水平井压裂模型的每一级裂缝扩展数值模拟结果与建立的裂缝扩展时序图像快速预测模型Physical-ConvLSTM预测结果如图3和4所示,其中水平井压裂第一级压裂作业过程中裂缝扩展时序图第21帧~第25帧模拟结果和预测结果如5和6所示,经验证该模型在拥有相应数据的基础上一次裂缝扩展预测耗时小于10分钟,极大提高了工作效率。
当然,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换,也应属于本发明的保护范围。
Claims (5)
1.一种融合物理条件约束的压裂裂缝扩展快速预测方法,其特征在于,包括以下步骤:
步骤1、基于实际测井数据,利用数值模拟器建立页岩气多级水平井压裂模型,以页岩储层属性、压裂泵设计方案、井筒孔眼图像和天然裂缝分布图像作为裂缝扩展过程物理约束条件,获取不同物理约束条件下的裂缝扩展时序图像,搭建多级水平井压裂裂缝扩展时序图像数据库;
步骤1包括以下子步骤:步骤1.1、基于多个实际测井数据,利用数值模拟器建立多个页岩气多级水平井压裂模型,获取页岩各储层属性,属性包括最小水平主应力、最大水平主应力、垂直应力、储层压力、孔隙度、渗透率、含水饱和度、杨氏模量、泊松比,保存为CSV格式数据,建立裂缝扩展时序预测储层属性数据集;
步骤1.2、基于不同压裂液类型、支撑剂类型、泵注速率、支撑剂浓度,获取多种压裂泵注设计方案,保存为CSV格式数据,建立裂缝扩展时序预测泵注设计数据集;
步骤1.3、设置不同的井筒孔眼位置和天然裂缝分布,并将每一级水平井压裂的井筒孔眼位置图像和天然裂缝分布图像保存为JPG格式图像,建立裂缝扩展时序预测井筒-天然裂缝分布图像集;
步骤1.4、基于裂缝扩展时序预测储层属性数据集、泵注设计数据集和井筒-天然裂缝分布图像集,利用数值模拟器模拟多级水平井压裂裂缝扩展过程,并获取每一级压裂的裂缝扩展MP4格式视频;
步骤1.5、基于步骤1.4获取的裂缝扩展视频,利用均值哈希方法删除视频中相同帧,减少相同帧引起的干扰并降低计算量,最终获取不同物理约束条件下的裂缝扩展时序图像;
步骤1.5包括以下子步骤:步骤1.5.1、提取裂缝扩展视频中的每一帧图像;
步骤1.5.2、利用图像均值哈希方法计算每一帧图像的哈希值;
步骤1.5.3、将当前帧的哈希值与前一个被保留的帧的哈希值进行比较,判断当前帧是否与前一个被保留的帧相同;
步骤1.5.4、如果当前帧的哈希值与前一个被保留的帧的哈希值相同,则说明两者是相同的帧,将当前帧标记为待删除;
步骤1.5.5、如果当前帧的哈希值与前一个被保留的帧的哈希值不同,则将当前帧添加到保留的帧列表中,并更新当前帧的哈希值为参考值;
步骤1.5.6、重复步骤1.5.3至步骤1.5.5,直到处理完所有的帧;
步骤1.5.7、根据标记的结果,删除相同的帧或生成一个新的视频,只包含保留的帧;
步骤1.6、以不同页岩储层属性、压裂泵注设计方案、井筒孔眼图像和天然裂缝分布图像作为裂缝扩展过程物理约束条件,以多级水平井每一级对应的裂缝扩展时序图像为结果,搭建多级水平井压裂裂缝扩展时序图像数据库,并按照9∶1的比例随机划分训练集和测试集;
步骤2、利用数据归一化方法和元素相加方法对页岩储层属性和压裂泵注设计方案进行数据预处理,采用灰度图、阈值判断、像素值分类、图像裁剪方法和图像拼接方法对井筒孔眼图像、天然裂缝分布图像和裂缝扩展时序图像进行图像预处理;
步骤3、基于卷积-长短期记忆网络结构,嵌入物理条件卷积计算层、图像卷积计算层和数据融合层,建立裂缝扩展时序图像预测模型并进行训练;
步骤3包括以下子步骤:步骤3.1、采用物理条件卷积计算层对步骤2.1获得的储层属性数据和压裂泵注设计方案中的参数数据进行特征提取,物理条件卷积计算层包括两个卷积层,每个卷积层的输入通道为1,输出通道为1,卷积核大小为3,步长为1,填充为1;
步骤3.2、采用双线性插值方法对物理条件卷积计算层的计算结果进行上采样,使储层属性数据和压裂泵注设计方案中的参数数据维度都为1×256×256;
步骤3.3、采用元素相加方法将步骤3.2得到的储层属性数据和压裂泵注设计方案中的参数数据进行元素相加,最终获得维度为1×256×256的数据;
步骤3.3、采用图像卷积计算层对步骤2.6获得的维度为3×256×256的矩阵进行特征提取,图像卷积计算层包括一个卷积层,卷积层的输入通道为3,输出通道为3,卷积核大小为1,步长为1,填充为0;
步骤3.4、采用数据融合层融合步骤3.3获得的维度为1×256×256的数据和图像卷积计算层的计算结果,两者融合后的数据维度为4×256×256;
步骤3.5、利用层归一化操作对步骤3.4获得的维度为4×256×256的数据中第一个维度进行归一化;
步骤3.6、构建卷积-长短期记忆网络结构,将步骤3.5中归一化后维度为4×256×256的数据输入到该网络结构中,输出维度为3×256×256的数据;该网络结构包括输入卷积层、长短期记忆网络和输出卷积层;输入卷积层的输入通道为4,输出通道为128,卷积核大小为5,步长为1,填充为2;长短期记忆网络包括4个隐藏层,每个隐藏层包括遗忘门、输入门、输出门和更新门;输出卷积层的输入通道为128,输出通道为3,卷积核大小为1,步长为1,填充为0;所述步骤3.6中,长短期记忆网络的表达式为:
ft=Sigmoid(Conv(xt;wxf)+Conv(ht-1;whf)+(ct-1⊙wcf)+bf);
it=Sigmoid(Conv(xt;wxi)+Conv(ht-1;whi)+(ct-1⊙wci)+bi);
ot=Sigmoid(Conv(xt;wxo)+Conv(ht-1;who)+(ct-1⊙wco)+bo);
gt=Tanh(Conv(xt;wxg)+Conv(ht-1;whg)+bg);
ct=ft⊙ct-1+it⊙gt;
ht=ot⊙Tanh(ct);
其中,xt表示当前时间步的融合输入特征向量,由步骤3.5获得,维度为[4,256,256];ht-1表示上一个时间步的隐藏状态;ct-1表示上一个时间步的细胞状态;wxf、wxi、wxo、wxg分别表示输入特征xt与门控单元中的遗忘门、输入门、输出门和更新门相关的权重矩阵;whf、whi、who、whg分别表示上一个时间步的隐藏状态ht-1与门控单元中的遗忘门、输入门、输出门和更新门相关的权重矩阵;wcf、wci、wco分别表示上一个时间步的细胞状态ct-1与门控单元中的遗忘门、输入门和输出门相关的权重矩阵;bf、bi、bo、bg分别表示门控单元中的遗忘门、输入门、输出门和更新门的偏置向量;ft表示遗忘门的输出,使用Sigmoid函数将遗忘门的输入加权求和后进行激活;it表示输入门的输出,使用Sigmoid函数将输入门的输入加权求和后进行激活;ot表示输出门的输出,使用Sigmoid函数将输出门的输入加权求和后进行激活;gt表示更新门的输出,使用Tanh函数将更新门的输入加权求和后进行激活;⊙表示逐元素相乘操作;ct表示当前时间步的细胞状态,通过遗忘门和输入门的输出加权求和得到;ht表示当前时间步的隐藏状态,通过输出门的输出和经过Tanh函数处理的细胞状态得到;
Sigmoid函数的表达式为:
Sigmoid(x)=1/(1+exp(-x));
其中,exp(-x)表示e的负指数幂,e是自然对数的底数;
Tanh函数的表达式为:
Tanh(x)=(exp(x)-exp(-x))/(exp(x)+exp(-x));
其中,exp(x)表示e的指数幂,e是自然对数的底数;
步骤4、利用阈值判断方法对裂缝扩展时序图像预测模型输出的预测图像进行后处理,降低预测图像中裂缝周围干扰噪音像素点,实现图像像素值清洗;
步骤5、将后处理后的预测图像进行可视化呈现,按照时间顺序逐帧输出裂缝扩展结果。
2.根据权利要求1所述的一种融合物理条件约束的压裂裂缝扩展快速预测方法,其特征在于,所述步骤2中,对页岩储层属性和压裂泵注设计进行数据预处理包括以下子步骤:
步骤2.1、利用MinMaxScaler函数处理储层属性数据和压裂泵注设计方案中不同参数数据,消除奇异样本数据导致的不良影响,其表达式为:
其中,h为属性数据或参数数据;hstd为h的归一化值;hmin为h的最小值;hmax为h的最大值;
步骤2.2、将井筒孔眼图像、天然裂缝分布图像、裂缝扩展时序图像转化为灰度图;
步骤2.3、利用阈值判断方法将步骤2.2得到的灰度图进行灰度值判断,将灰度图中小于35的灰度值转换为0;
步骤2.4、将步骤2.3得到的灰度图进行灰度值分类处理,使井筒孔眼图像中图像背景灰度值为0,井筒孔眼灰度值为3;天然裂缝分布图像中图像背景灰度值为0,天然裂缝灰度值为2;裂缝扩展时序图像中图像背景灰度值为0,裂缝扩展灰度值为1;
步骤2.5、将步骤2.4得到的灰度图进行规定尺寸的图像裁剪,裁剪后的尺寸为256×256;
步骤2.6、将裁剪后的井筒孔眼灰度图、天然裂缝分布灰度图和裂缝扩展时序灰度图进行数据拼接,形成维度为3×256×256的矩阵,其中第1通道代表井筒孔眼,第二通道代表天然裂缝,第3通道代表裂缝扩展。
3.根据权利要求2所述的一种融合物理条件约束的压裂裂缝扩展快速预测方法,其特征在于,对裂缝扩展时序图像预测模型进行训练,首先设置模型训练参数:采用前1帧裂缝扩展图像预测后5帧裂缝扩展图像,迭代次数为500次,1次训练所抓取的数据样本数为5,优化器为Adam优化器,学习率为0.0001,学习率下降率为0.92;
其次,采用预处理后的训练集和测试集,迭代训练裂缝扩展时序图像预测模型,直至到达设置的最大迭代训练次数,得到训练好的裂缝扩展时序图像预测模型。
4.根据权利要求3所述的一种融合物理条件约束的压裂裂缝扩展快速预测方法,其特征在于,所述步骤4包括以下子步骤:
步骤4.1、模型输出数据维度为[3,256,256],提取输出数据的第1维度的第3通道数据,并将其每个元素与0进行逐元素比较,当元素小于0时,取0代替该元素,当元素大于0时,该元素保持不变,得到新的输出数据;
步骤4.2、将步骤4.1中新的输出数据中每个元素与1进行逐元素比较,当元素大于1时,取1代替该元素,当元素小于1时,该元素保持不变,得到最终的输出数据;
步骤4.3、将步骤4.2中最终的输出数据中每个元素乘255,并将结果转换为无符号8位整数类型;
步骤4.4、将转换后的结果中数值小于35的元素转换为0,其余元素转换为255。
5.根据权利要求4所述的一种融合物理条件约束的压裂裂缝扩展快速预测方法,其特征在于,所述步骤5中,利用双线性插值方法对步骤4.4中获得的结果进行图像放大,使其变为原始图像大小,并进行可视化呈现。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311723905.7A CN117408168B (zh) | 2023-12-15 | 2023-12-15 | 一种融合物理条件约束的压裂裂缝扩展快速预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311723905.7A CN117408168B (zh) | 2023-12-15 | 2023-12-15 | 一种融合物理条件约束的压裂裂缝扩展快速预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117408168A CN117408168A (zh) | 2024-01-16 |
CN117408168B true CN117408168B (zh) | 2024-03-15 |
Family
ID=89496552
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311723905.7A Active CN117408168B (zh) | 2023-12-15 | 2023-12-15 | 一种融合物理条件约束的压裂裂缝扩展快速预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117408168B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111695435A (zh) * | 2020-05-19 | 2020-09-22 | 东南大学 | 基于深度混合编解码神经网络的驾驶员行为识别方法 |
CN112253103A (zh) * | 2020-11-27 | 2021-01-22 | 西南石油大学 | 基于随机裂缝模型的页岩气藏压裂水平井产量预测方法 |
CN112633701A (zh) * | 2020-12-25 | 2021-04-09 | 北京天仪百康科贸有限公司 | 基于区块链的交通工程道路裂缝的巡检方法及系统 |
CN112949129A (zh) * | 2021-03-03 | 2021-06-11 | 西南石油大学 | 一种深层页岩水平井压裂多簇裂缝异步起裂延伸计算方法 |
CN112949783A (zh) * | 2021-04-29 | 2021-06-11 | 南京信息工程大学滨江学院 | 一种基于改进U-Net神经网络的道路裂缝检测方法 |
CN113389534A (zh) * | 2021-07-21 | 2021-09-14 | 西南石油大学 | 一种水平井密切割压裂裂缝扩展预测与设计参数优化方法 |
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 |
CN114492211A (zh) * | 2022-04-15 | 2022-05-13 | 中国石油大学(华东) | 一种基于自回归网络模型的剩余油分布预测方法 |
CN114693669A (zh) * | 2022-04-20 | 2022-07-01 | 中电建路桥集团有限公司 | 基于深度学习的自密实混凝土早期裂缝预测方法及装置 |
CN115659736A (zh) * | 2022-10-19 | 2023-01-31 | 西南石油大学 | 一种深层页岩气水平井缝内转向压裂缝网扩展计算方法 |
KR102550707B1 (ko) * | 2022-10-12 | 2023-06-30 | 부경대학교 산학협력단 | 딥러닝 기반 경사지 균열 감지 방법과 이를 이용한 산사태 조기 감지 방법 및 그 장치 |
WO2023151072A1 (zh) * | 2022-02-14 | 2023-08-17 | 烟台杰瑞石油装备技术有限公司 | 砂堵预测方法、装置、设备及存储介质 |
CN116843829A (zh) * | 2023-06-07 | 2023-10-03 | 广州广检建设工程检测中心有限公司 | 基于双目视频的混凝土结构裂缝三维重建与长度量化方法 |
-
2023
- 2023-12-15 CN CN202311723905.7A patent/CN117408168B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111695435A (zh) * | 2020-05-19 | 2020-09-22 | 东南大学 | 基于深度混合编解码神经网络的驾驶员行为识别方法 |
CN112253103A (zh) * | 2020-11-27 | 2021-01-22 | 西南石油大学 | 基于随机裂缝模型的页岩气藏压裂水平井产量预测方法 |
CN112633701A (zh) * | 2020-12-25 | 2021-04-09 | 北京天仪百康科贸有限公司 | 基于区块链的交通工程道路裂缝的巡检方法及系统 |
CN112949129A (zh) * | 2021-03-03 | 2021-06-11 | 西南石油大学 | 一种深层页岩水平井压裂多簇裂缝异步起裂延伸计算方法 |
CN112949783A (zh) * | 2021-04-29 | 2021-06-11 | 南京信息工程大学滨江学院 | 一种基于改进U-Net神经网络的道路裂缝检测方法 |
CN113389534A (zh) * | 2021-07-21 | 2021-09-14 | 西南石油大学 | 一种水平井密切割压裂裂缝扩展预测与设计参数优化方法 |
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 |
WO2023151072A1 (zh) * | 2022-02-14 | 2023-08-17 | 烟台杰瑞石油装备技术有限公司 | 砂堵预测方法、装置、设备及存储介质 |
CN114492211A (zh) * | 2022-04-15 | 2022-05-13 | 中国石油大学(华东) | 一种基于自回归网络模型的剩余油分布预测方法 |
CN114693669A (zh) * | 2022-04-20 | 2022-07-01 | 中电建路桥集团有限公司 | 基于深度学习的自密实混凝土早期裂缝预测方法及装置 |
KR102550707B1 (ko) * | 2022-10-12 | 2023-06-30 | 부경대학교 산학협력단 | 딥러닝 기반 경사지 균열 감지 방법과 이를 이용한 산사태 조기 감지 방법 및 그 장치 |
CN115659736A (zh) * | 2022-10-19 | 2023-01-31 | 西南石油大学 | 一种深层页岩气水平井缝内转向压裂缝网扩展计算方法 |
CN116843829A (zh) * | 2023-06-07 | 2023-10-03 | 广州广检建设工程检测中心有限公司 | 基于双目视频的混凝土结构裂缝三维重建与长度量化方法 |
Non-Patent Citations (3)
Title |
---|
Deep-learning-based proxy model for forecasting gas flooding performance of fractured well pattern in tight oil reservoirs;zhu xuan等;web od science;20231022;全文 * |
基于各向异性扩散方程的页岩气井改造体积计算模型;任岚;何易东;赵金洲;吴雷泽;;大庆石油地质与开发;20170801(04期);全文 * |
基于深度卷积神经网络融合模型的路面裂缝识别方法;孙朝云;马志丹;李伟;郝雪丽;申浩;;长安大学学报(自然科学版);20200715(04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117408168A (zh) | 2024-01-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN110807544B (zh) | 一种基于机器学习的油田剩余油饱和度分布的预测方法 | |
CN110309613B (zh) | 一种基于bim的隧道开挖台阶法的设计及优化方法 | |
CN114595608B (zh) | 一种压裂施工参数和工作制度参数优化方法及系统 | |
CN112926771B (zh) | 一种基于改进的时空图卷积网络产油量预测方法及系统 | |
CN111612906B (zh) | 一种三维地质模型的生成方法、系统及计算机存储介质 | |
CN112016212B (zh) | 一种基于渗流控制方程的储层纵向非均质性评价方法 | |
Wang et al. | A novel self-adaptive multi-fidelity surrogate-assisted multi-objective evolutionary algorithm for simulation-based production optimization | |
CN114693005A (zh) | 基于卷积傅里叶神经网络的三维地下油藏动态预测方法 | |
CN112700326A (zh) | 一种基于灰狼算法优化bp神经网络的信贷违约预测方法 | |
CN108710734B (zh) | 基于网格自适应加密与粗化技术的数值模拟方法和装置 | |
CN117408168B (zh) | 一种融合物理条件约束的压裂裂缝扩展快速预测方法 | |
CN111027249A (zh) | 一种基于机器学习的井间连通性评价方法 | |
CN111242490A (zh) | 低渗透油藏特征主控因素提取方法、设备及可读存储介质 | |
CN112541254A (zh) | 优化深度学习降维重构参数的油藏自动历史拟合方法 | |
CN117495147B (zh) | 一种考虑段间压裂工艺差异的裂缝网络扩展智能预测方法 | |
Xue et al. | Artificial intelligence methods for oil and gas reservoir development: Current progresses and perspectives. | |
CN113537354B (zh) | 一种基于深度学习的含水层结构阶段式随机反演识别方法 | |
CN112507551B (zh) | 一种非结构化动态网格剖分方法及装置 | |
CN113887067A (zh) | 基于lstm的致密低渗油藏压裂井网气驱效果预测方法 | |
CN112949719B (zh) | 基于gan的试井解释代理模型生成方法 | |
CN112800589B (zh) | 一种基于人工智能的油水两相流相对渗透网格粗化方法 | |
CN117436350B (zh) | 基于深度卷积生成对抗网络的压裂水平井压力预测方法 | |
CN111914327B (zh) | 一种考虑地层参数随机场模型的长隧道纵向抗震设计方法 | |
CN116757098B (zh) | 一种基于swat模型多目标优化的自动化校验方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |