CN117672395B - 一种页岩干酪根热解生烃模拟方法、装置及电子设备 - Google Patents
一种页岩干酪根热解生烃模拟方法、装置及电子设备 Download PDFInfo
- Publication number
- CN117672395B CN117672395B CN202410129505.1A CN202410129505A CN117672395B CN 117672395 B CN117672395 B CN 117672395B CN 202410129505 A CN202410129505 A CN 202410129505A CN 117672395 B CN117672395 B CN 117672395B
- Authority
- CN
- China
- Prior art keywords
- kerogen
- pyrolysis
- shale
- simulation
- sample
- 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
- 238000000197 pyrolysis Methods 0.000 title claims abstract description 141
- 238000004088 simulation Methods 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 65
- 239000004215 Carbon black (E152) Substances 0.000 title claims abstract description 61
- 229930195733 hydrocarbon Natural products 0.000 title claims abstract description 61
- 150000002430 hydrocarbons Chemical class 0.000 title claims abstract description 61
- 238000013528 artificial neural network Methods 0.000 claims abstract description 40
- 238000006243 chemical reaction Methods 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000000329 molecular dynamics simulation Methods 0.000 claims abstract description 21
- 230000008569 process Effects 0.000 claims description 14
- 238000010438 heat treatment Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004227 thermal cracking Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000002922 simulated annealing Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 125000004432 carbon atom Chemical group C* 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 239000000306 component Substances 0.000 claims 9
- 238000007781 pre-processing Methods 0.000 claims 2
- 239000012533 medium component Substances 0.000 claims 1
- 239000003079 shale oil Substances 0.000 abstract description 8
- 238000004519 manufacturing process Methods 0.000 abstract description 7
- 238000011161 development Methods 0.000 abstract description 5
- 239000007789 gas Substances 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 229910052739 hydrogen Inorganic materials 0.000 description 5
- 230000004913 activation Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 229910052760 oxygen Inorganic materials 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000002939 conjugate gradient method Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 239000005416 organic matter Substances 0.000 description 2
- 230000000946 synaptic effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 241000195493 Cryptophyta Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 150000002894 organic compounds Chemical class 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 229910052717 sulfur Inorganic materials 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种页岩干酪根热解生烃模拟方法、装置及电子设备，涉及页岩油气技术领域，方法包括：利用反应分子动力学方法，构建全连接神经网络所需的目标区块样本数据集；利用样本数据集对全连接神经网络进行训练，得到页岩干酪根热解生烃预测模型；获取目标条件下的干酪根分子信息，并将目标条件下的干酪根分子信息输入至页岩干酪根热解生烃预测模型中，预测目标条件下干酪根分子信息对应的干酪根热解产物中各组分的质量占比。本发明实现干酪根热解生烃过程快速模拟的目的，为页岩油气开发提供有效指导。
Description
技术领域
本发明涉及页岩油气技术领域，特别是涉及一种页岩干酪根热解生烃模拟方法、装置及电子设备。
背景技术
随着水力压裂和水平井技术的发展，页岩油气对能源供应的贡献不断上升。干酪根作为页岩油气生成的主要母质，已成为研究热点。干酪根是沉积岩中不溶于常规溶剂的有机物的总称，是地球上有机化合物最丰富的来源。按照H/C和O/C原子比，干酪根一般分为三种类型：I型干酪根，又称湖相有机质，其O/C低于其他类型，主要产物为石油；II型干酪根，是一种中间类型，主要由藻类和其他生物在缺氧的海洋环境中沉积形成，产物为油/气；III型干酪根含氧最多，氢含量低，主要由高等植物沉积产生，通常产生气体。干酪根的热解生烃过程受干酪根成熟度、温度等多种因素影响，不同条件下析出的产物不同。为有效指导页岩油气开发，有必要深入认识页岩干酪根的热解生烃过程。
目前，国内外学者主要通过反应力场和分子动力学相结合的方法模拟干酪根分子热解生烃过程，从而获得干酪根产物中各组分的质量占比。但模拟过程非常耗时，而且对于不同类型的干酪根分子，需要重新构建模型、开展模拟、并进行数据分析和处理，这会使得模拟计算成本大大提升，因此亟需一种能够快速准确模拟页岩干酪根热解生烃的方法。
发明内容
本发明的目的是提供一种页岩干酪根热解生烃模拟方法、装置及电子设备，实现干酪根热解生烃过程快速模拟的目的，为页岩油气开发提供有效指导。
为实现上述目的，本发明提供了如下方案。
第一方面，本发明提供了一种页岩干酪根热解生烃模拟方法，包括：利用反应分子动力学方法，构建全连接神经网络所需的目标区块样本数据集；所述目标区块样本数据集包括多个不同的样本数据，所述样本数据包括输入数据以及所述输入数据对应的标签数据；所述输入数据为样本条件下的干酪根分子信息，所述标签数据为干酪根热解产物中各组分的质量占比；所述干酪根分子信息包括干酪根分子的类型和成熟度；所述样本条件包括热解模拟温度、升温速率和热解时间；利用样本数据集对全连接神经网络进行训练，得到页岩干酪根热解生烃预测模型；获取目标条件下的干酪根分子信息，并将目标条件下的干酪根分子信息输入至页岩干酪根热解生烃预测模型中，预测目标条件下的干酪根分子信息对应的干酪根热解产物中各组分的质量占比。
第二方面，本发明提供了一种页岩干酪根热解生烃模拟装置，包括：样本数据集构建模块，用于利用反应分子动力学方法，构建全连接神经网络所需的目标区块样本数据集；所述目标区块样本数据集包括多个不同的样本数据，所述样本数据包括输入数据以及所述输入数据对应的标签数据；所述输入数据为样本条件下的干酪根分子信息，所述标签数据为干酪根热解产物中各组分的质量占比；所述干酪根分子信息包括干酪根分子的类型和成熟度；所述样本条件包括热解模拟温度、升温速率和热解时间；页岩干酪根热解生烃预测模型确定模块，用于利用样本数据集对全连接神经网络进行训练，得到页岩干酪根热解生烃预测模型；预测模块，用于获取目标条件下的干酪根分子信息，并将目标条件下的干酪根分子信息输入至页岩干酪根热解生烃预测模型中，预测目标条件下的干酪根分子信息对应的干酪根热解产物中各组分的质量占比。
第三方面，本发明提供了一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行根据第一方面所述的一种页岩干酪根热解生烃模拟方法。
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：采用反应分子动力学方法和全连接神经网络，构建了页岩干酪根热解生烃预测模型，实现了不同条件下干酪根热解产物中各组分质量占比的快速预测，解决了直接采用反应分子动力学模拟耗时过长的问题，能够为页岩油气开发提供有效指导。
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为本发明实施例提供的页岩干酪根热解生烃模拟方法的流程示意图。
图2为本发明实施例提供的全连接神经网络的结构示意图。
图3为本发明实施例提供的页岩干酪根热解生烃预测模型与反应分子动力学方法模拟所得到的质量占比的对比图。
图4为本发明实施例提供的页岩干酪根热解生烃预测模型与反应分子动力学方法模拟结果的误差分析图。
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。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
本实施例一提供了一种页岩干酪根热解生烃模拟方法，如图1所示，包括如下步骤。
步骤101：利用反应分子动力学方法，构建全连接神经网络所需的目标区块样本数据集；所述目标区块样本数据集包括多个不同的样本数据，所述样本数据包括输入数据以及所述输入数据对应的标签数据；所述输入数据为样本条件下的干酪根分子信息，所述标签数据为干酪根热解产物中各组分的质量占比；所述干酪根分子信息包括干酪根分子的类型和成熟度；所述样本条件包括热解模拟温度、升温速率和热解时间。
步骤102：利用样本数据集对全连接神经网络进行训练，得到页岩干酪根热解生烃预测模型。
步骤103：获取目标条件下的干酪根分子信息，并将目标条件下的干酪根分子信息输入至页岩干酪根热解生烃预测模型中，预测目标条件下的干酪根分子信息对应的干酪根热解产物中各组分的质量占比。
其中，所述干酪根热解产物中所涉及的组分主要包括无机物（H2、H2O、H2S等）、轻质组分（C1-C4）、中间组分（C5-C13）和重质组分（C14-C39）。C40+为残余干酪根分子。
所述样本条件包括的参数类型与所述目标条件包括的参数类型相同，即本实施例中的目标条件包括的参数为热解模拟温度、升温速率和热解时间。
在本实施例中，步骤101包括如下内容。
S1：获取不同样本条件下不同的干酪根分子信息。
S2：在1200K~2500K热解模拟温度、10K/ps~100K/ps加热速率、0~10ns热解时间范围内随机选取不同的参数组合（例如参数组合1：1200K、10K/ps、3ns；参数组合2: 1500K、12K/ps、6ns等）。所选取参数组合的数量一般应为100以上。然后针对不同类型和成熟度条件下的干酪根分子，利用反应分子动力学方法开展每个参数组合下具有类型信息和成熟度信息的干酪根分子热裂解过程模拟，得到不同样本条件下每个干酪根分子信息对应的干酪根热解产物中各组分的质量占比。
进一步地，步骤101的详细过程如下所述。
针对每种样本条件下每个具有类型信息和成熟度信息的干酪根分子，均执行以下操作。
①构建具有类型信息和成熟度信息的干酪根分子需热解模拟时的原始构型。
②为保持干酪根密度与地层条件一致，需要对原始构型进行模拟退火计算，得到干酪根分子热解模拟模型。
③通过模拟实验对含有C、H、O、N、S元素的反应力场进行对比筛选，寻找适合于干酪根分子的反应力场文件。并利用反应分子动力学模拟软件、反应力场文件和干酪根分子热解模拟模型，开展参数组合下具有类型信息和成熟度信息的干酪根分子的大规模热裂解模拟。所述参数组合为热解时间、温度和升温速率三个参数所组成的样本条件。较优的，热解模拟温度变化范围为1200K~2500K、加热速率范围为10K/ps~100K/ps、热解时间范围为0~10ns。
④从反应分子动力学模拟软件中获取热解模拟过程中每个时间步的干酪根热解产物变化文件，对所预测时间步的干酪根热解产物进行提取。
⑤计算每种干酪根热解产物的相对分子质量，并按照每种产物所含的碳原子数将干酪根热解产物划分为无机物（H2、H2O、H2S等）、轻质组分（C1-C4）、中间组分（C5-C13）、重质组分（C14-C39）四类。C40+为残余干酪根分子。利用四类干酪根热解产物的总质量求出干酪根热解产物中每类组分所对应的质量占比。
其计算公式为：，。
⑥为保证样本数据的规整、降低训练过程容错率及预测结果误差，本实施例对不同样本条件下的干酪根热解产物所对应的各组分的质量占比进行统计，分析数据的合理性并对数据进行归一化处理，详细过程如下：（a）对干酪根热解产物所对应的各组分的质量占比进行整合。（b）剔除异常数据。（c）检查不同样本条件下的干酪根热解产物所对应的各组分的质量占比之和是否为1，如果不为1的话对数据进行归一化处理。
在本实施例中，全连接神经网络是具有多层感知器的网络，也就是多层神经元的网络。每一层的每个节点都与上下层节点全部连接。如图2所示，整个全连接神经网络分为输入层、隐藏层和输出层，层与层之间需要包括一个非线性激活函数，输入层和输出层之间还需要通过两个隐藏层来分离数据的特征。神经元之间通过突触连接进行信息传递，每个连接都有一个相关联的权重，用于调节传递信号的强弱。该网络的突触权重值的合理程度决定了全连接神经网络预测的准确性。
全连接神经网络的前馈算法表示：。
其中，A为全连接神经网络中各层节点的值矩阵；W为节点间连接的权矩阵，表示影响的强度；b表示模型偏置；Z为各节点权值与偏置的线性组合值；上标l表示该参数位于全连接神经网络的第l层，表示全连接神经网络中每一层的激活函数。
选择的激活函数为RELU函数：。
RELU只有在节点值大于零时才会激活节点值，这是一种对应于生物神经信号传播中单侧抑制和宽激励边界状态的方法。
在全连接神经网络得到预测结果后，需要使用损失函数L(ypred，ytrue)来评价模型的准确性。在这种情况下，损失函数用于评价干酪根热解产物中各组分的质量占比的模型预测值ypred与实际值ytrue之间的差异。所述模型预测值为全连接神经网络预测得到的结果；实际值为反应分子动力学模拟所得到的结果。
均方误差MSE：。
其中，MSE表示实际值与预测值之差的平方的平均值。如果MSE已经达到了全连接神经网络训练所设置的误差界限或神经网络训练次数达到最大迭代次数，则停止训练，由此得到页岩干酪根热解生烃预测模型。所述的页岩干酪根热解生烃预测模型即为训练完成的全连接神经网络模型。如果MSE尚未达到全连接神经网络训练所设置的误差界限或神经网络训练次数尚未达到最大迭代次数，则继续调节全连接神经网络中的节点数目、权值和偏置等参数，直到MSE达到全连接神经网络训练所设置的误差界限或神经网络训练次数达到最大迭代次数。
一个示例为：选取不同成熟度的干酪根分子结构，构建干酪根热解模拟原始构型。采用CVFF力场（一致性力场，全称为Consistent Valence Force Field）对干酪根热解模拟原始构型进行模拟退火计算，使干酪根密度与地层条件密度一致，得到干酪根热解模拟模型。具体模拟步骤为：①采用共轭梯度法使模型能量最小化；②在NVT系综、850 K下模拟200ps，使体系达到平衡态；③在NPT系综下，对x和y方向同时施加30 MPa压力，对热解原始构型进行模拟退火计算；④逐步对模型进行降温，使模拟温度从850 K逐步降低到650 K、450 K，最终稳定在300 K，每步模拟时间500 ps，模拟过程设置时间步长为0.5 fs；⑤保持30MPa的模拟压力条件，盒子逐步收缩，直到密度增加至与地层结果一致，干酪根热解模拟模型构建完成。
采用反应力场对干酪根分子进行热解模拟，具体模拟步骤为：①采用共轭梯度法使模型能量达到最小化；②在NVT系综、300K条件下模拟500ps使体系达到平衡状态；③在NVT系综下，采用Nosé–Hoover控温器升高温度，使体系温度从300 K升至预设的热解模拟温度；④到达预设的模拟温度后，在NVT系综下平衡2 ns，使干酪根分子在该温度下充分热解。
热解平衡过程中（0-2ns时间内），统计体系中分子的变化情况，获取每个时间步的热解产物，按照无机物（H2、H2O、H2S等）、轻质组分（C1-C4）、中间组分（C5-C13）和重质组分（C14-C39）的分类标准对热解产物的进行分类。C40+为残余干酪根分子。利用上述公式计算热解产物的相对分子质量及各类组分的质量和质量占比。
根据模拟过程中的变量构建页岩干酪根热解生烃的样本集。模拟过程中所涉及的变量包括：干酪根分子的类型（I型、II型、III型）和成熟度（A型、B型、C型和D型）、热解模拟温度（1000 K-2500 K）、模拟加热速率（10 K/ps-100 K/ps）、模拟时间（0-10ns）。
统计不同变量组合下干酪根热解产物中各组分的质量占比情况，并对数据进行整合，分析模拟数据的合理性，剔除模拟过程出现的异常数据，并对其余数据进行归一化处理，构成包含9600个样本的数据集。将处理后的数据划分为训练集（7000个）、测试集（1600个）和验证集（1000个），其中，训练集用于训练全连接神经网络；验证集用于对训练后的全连接神经网络进行网络结构和超参数的调整。该神经网络的超参数包括：节点数、优化器、学习速率、迭代次数等。测试集用于检验全连接神经网络的预测效果；然后采用所构建的样本集对全连接神经网络模型进行训练，训练完成后即得到页岩干酪根热解生烃预测模型。
采用Ungerer等构建的IIA型干酪根分子（模拟温度2000 K、升温速率80 K/ps、热解模拟时间1ns）对干酪根热解生烃预测模型进行验证。基于上述流程，采用所构建的页岩干酪根热解生烃预测模型预测干酪根热解产物中各类组分的质量占比，并与反应分子动力学方法模拟结果进行对比。图3为不同方法所得到的IIA型干酪根热解产物中各组分质量占比的对比结果。图4为不同方法预测得到的各组分质量占比间的误差。从图3和图4可以看出，页岩干酪根热解生烃预测模型与反应分子动力学模拟结果吻合良好，两者之间的绝对误差不超过3%。模拟效率方面，采用反应分子动力学方法进行干酪根热解生烃模拟需要耗费上万核时，并且包含繁琐的数据处理过程，而构建的页岩干酪根热解生烃预测模型在训练完成后，仅需2-5分钟便可预测得到热解产物中各类组分的质量占比情况。
为了执行上述实施例一对应的方法，以实现相应的功能和技术效果，本实施例二提供了一种页岩干酪根热解生烃模拟装置，包括如下模块。
样本数据集构建模块，用于利用反应分子动力学方法，构建全连接神经网络所需的目标区块样本数据集；所述目标区块样本数据集包括多个不同的样本数据，所述样本数据包括输入数据以及所述输入数据对应的标签数据；所述输入数据为样本条件下的干酪根分子信息，所述标签数据为干酪根热解产物中各组分的质量占比；所述干酪根分子信息包括干酪根分子的类型和成熟度；所述样本条件包括热解模拟温度、升温速率和热解时间
页岩干酪根热解生烃预测模型确定模块，用于利用样本数据集对全连接神经网络进行训练，得到页岩干酪根热解生烃预测模型。
预测模块，用于获取目标条件下的干酪根分子信息，并将目标条件下的干酪根分子信息输入至页岩干酪根热解生烃预测模型中，预测目标条件下的干酪根分子信息对应的干酪根热解产物中各组分的质量占比。
本实施例三提供一种电子设备包括存储器及处理器，该存储器用于存储计算机程序，该处理器运行计算机程序以使电子设备执行实施例一的一种页岩干酪根热解生烃模拟方法。
可选地，上述电子设备可以是服务器。
另外，本发明实施例还提供一种计算机可读存储介质，其存储有计算机程序，该计算机程序被处理器执行时实现实施例一的一种页岩干酪根热解生烃模拟方法。
与现有技术相比，本发明具有以下有益效果：
基于反应分子动力学模拟方法，优选反应力场模拟干酪根热解过程，为神经网络训练提供了所需的样本集。在此基础上通过构建全连接神经网络预测模型，实现了干酪根热解生烃过程的快速模拟，方便、有效、可操作性强，解决了传统方法进行热解生烃模拟工作量大、耗时长、成本高的问题。
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 (7)
1.一种页岩干酪根热解生烃模拟方法，其特征在于，包括：
利用反应分子动力学方法，构建全连接神经网络所需的目标区块样本数据集；所述目标区块样本数据集包括多个不同的样本数据，所述样本数据包括输入数据以及所述输入数据对应的标签数据；所述输入数据为样本条件下的干酪根分子信息，所述标签数据为干酪根热解产物中各组分的质量占比；所述干酪根分子信息包括干酪根分子的类型和成熟度；所述样本条件包括热解模拟温度、升温速率和热解时间；
利用样本数据集对全连接神经网络进行训练，得到页岩干酪根热解生烃预测模型；
获取目标条件下的干酪根分子信息，并将目标条件下的干酪根分子信息输入至页岩干酪根热解生烃预测模型中，预测目标条件下的干酪根分子信息对应的干酪根热解产物中各组分的质量占比。
2.根据权利要求1所述的一种页岩干酪根热解生烃模拟方法，其特征在于，所述样本条件包括的参数类型与所述目标条件包括的参数类型相同。
3.根据权利要求1所述的一种页岩干酪根热解生烃模拟方法，其特征在于，利用反应分子动力学方法，构建全连接神经网络所需的目标区块样本数据集，具体包括：
获取不同样本条件下不同的干酪根分子信息；
利用反应分子动力学方法，对每种样本条件下每个具有类型信息和成熟度信息的干酪根分子进行热裂解模拟，得到不同样本条件下每个干酪根分子信息对应的干酪根热解产物中各组分的质量占比。
4.根据权利要求3所述的一种页岩干酪根热解生烃模拟方法，其特征在于，利用反应分子动力学方法，对每种样本条件下每个具有类型信息和成熟度信息的干酪根分子进行热裂解模拟，得到不同样本条件下每个干酪根分子信息对应的干酪根热解产物中各组分的质量占比，具体包括：
针对每种样本条件下每个具有类型信息和成熟度信息的干酪根分子，均执行以下操作：
构建具有类型信息和成熟度信息的干酪根分子需热解模拟时的原始构型；
对原始构型进行模拟退火计算，得到干酪根分子热解模拟模型；
通过模拟实验确定适配干酪根分子的反应力场文件，并利用反应分子动力学模拟软件、反应力场文件和干酪根分子热解模拟模型，开展样本条件下具有类型信息和成熟度信息的干酪根分子的热裂解模拟；
导出热解模拟过程中每个预测时间步的干酪根热解产物变化文件，并对预测时间步的干酪根热解产物进行提取；
计算每种干酪根热解产物的相对分子质量，并按照每种产物所含的碳原子数将干酪根热解产物分为无机物、轻质组分、中质组分、重质组分和残余干酪根分子，利用每组干酪根热解产物对应的总质量计算干酪根热解产物中各组分所对应的质量占比。
5.根据权利要求1所述的一种页岩干酪根热解生烃模拟方法，其特征在于，在执行利用样本数据集对全连接神经网络进行训练，得到页岩干酪根热解生烃预测模型之前，还包括：
对样本数据进行预处理操作；所述预处理操作至少包括异常数据剔除操作和归一化处理操作。
6.一种页岩干酪根热解生烃模拟装置，其特征在于，包括：
样本数据集构建模块，用于利用反应分子动力学方法，构建全连接神经网络所需的目标区块样本数据集；所述目标区块样本数据集包括多个不同的样本数据，所述样本数据包括输入数据以及所述输入数据对应的标签数据；所述输入数据为样本条件下的干酪根分子信息，所述标签数据为干酪根热解产物中各组分的质量占比；所述干酪根分子信息包括干酪根分子的类型和成熟度；所述样本条件包括热解模拟温度、升温速率和热解时间；
页岩干酪根热解生烃预测模型确定模块，用于利用样本数据集对全连接神经网络进行训练，得到页岩干酪根热解生烃预测模型；
预测模块，用于获取目标条件下的干酪根分子信息，并将目标条件下的干酪根分子信息输入至页岩干酪根热解生烃预测模型中，预测目标条件下的干酪根分子信息对应的干酪根热解产物中各组分的质量占比。
7.一种电子设备，其特征在于，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行根据权利要求1至5中任一项所述的一种页岩干酪根热解生烃模拟方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410129505.1A CN117672395B (zh) | 2024-01-31 | 2024-01-31 | 一种页岩干酪根热解生烃模拟方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410129505.1A CN117672395B (zh) | 2024-01-31 | 2024-01-31 | 一种页岩干酪根热解生烃模拟方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117672395A CN117672395A (zh) | 2024-03-08 |
| CN117672395B true CN117672395B (zh) | 2024-04-02 |
Family
ID=90082794
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410129505.1A Active CN117672395B (zh) | 2024-01-31 | 2024-01-31 | 一种页岩干酪根热解生烃模拟方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117672395B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109187914A (zh) * | 2018-09-18 | 2019-01-11 | 哈尔滨锅炉厂有限责任公司 | 基于煤质特性的燃煤电厂NOx生成量的预测方法 |
| CN110662962A (zh) * | 2017-03-14 | 2020-01-07 | 沙特阿拉伯石油公司 | 烃源岩属性的协同感测与预测 |
| CN116629111A (zh) * | 2023-05-19 | 2023-08-22 | 中国石油大学(华东) | 一种基于神经网络的页岩注热原位开采排烃潜力预测方法 |
| CN116858630A (zh) * | 2023-06-14 | 2023-10-10 | 中国石油大学(华东) | 一种真实页岩干酪根孔隙模型的构建方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20230408429A1 (en) * | 2022-06-15 | 2023-12-21 | Saudi Arabian Oil Company | Using Pyrolysis Data to Correct for the Impact of Soluble Organic Matter-Filled Pores on Property Measurements Using Scanning Electron Microscopy Images of Source Rocks |
-
2024
- 2024-01-31 CN CN202410129505.1A patent/CN117672395B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110662962A (zh) * | 2017-03-14 | 2020-01-07 | 沙特阿拉伯石油公司 | 烃源岩属性的协同感测与预测 |
| CN109187914A (zh) * | 2018-09-18 | 2019-01-11 | 哈尔滨锅炉厂有限责任公司 | 基于煤质特性的燃煤电厂NOx生成量的预测方法 |
| CN116629111A (zh) * | 2023-05-19 | 2023-08-22 | 中国石油大学(华东) | 一种基于神经网络的页岩注热原位开采排烃潜力预测方法 |
| CN116858630A (zh) * | 2023-06-14 | 2023-10-10 | 中国石油大学(华东) | 一种真实页岩干酪根孔隙模型的构建方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| Predicting the components and types of kerogen in shale by combining machine learning with NMR spectra;Dongliang Kang et.al;《Fuel》;20201226;1-10 * |
| 干酪根热解生烃分子模拟研究进展;郭成波 等;《沉积学报》;20230626;2-26 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117672395A (zh) | 2024-03-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chen et al. | Generative deep neural networks for inverse materials design using backpropagation and active learning | |
| Liu et al. | Predictive model for water absorption in sublayers using a Joint Distribution Adaption based XGBoost transfer learning method | |
| Kang et al. | Predicting the components and types of kerogen in shale by combining machine learning with NMR spectra | |
| CN111048163B (zh) | 一种基于高阶神经网络的页岩油滞留烃量(s1)评价方法 | |
| CN113378939B (zh) | 基于物理驱动神经网络的结构数字孪生建模与参数识别法 | |
| CN112927769B (zh) | 基于孔径分布曲线的MOFs材料缺陷结构预测方法 | |
| CN111058840A (zh) | 一种基于高阶神经网络的有机碳含量(toc)评价方法 | |
| Guo et al. | Optimization of fracturing parameters for tight oil production based on genetic algorithm | |
| Li et al. | Prediction of shale gas production by hydraulic fracturing in changning area using machine learning algorithms | |
| Wang et al. | Total organic carbon content prediction of source rocks with conventional well log data based on regression committee machine | |
| MolaAbasi et al. | Use of GMDH-type neural network to model the mechanical behavior of a cement-treated sand | |
| CN110378035A (zh) | 一种基于深度学习的加氢裂化软测量建模方法 | |
| Huang et al. | Adsorption and modification behavior of single atoms on the surface of single vacancy graphene: Machine learning accelerated first principle computations | |
| CN117672395B (zh) | 一种页岩干酪根热解生烃模拟方法、装置及电子设备 | |
| Salgado et al. | Automated classification of big X-ray diffraction data using deep learning models | |
| CN117334271A (zh) | 一种基于指定属性生成分子的方法 | |
| Li et al. | Single-well lithofacies identification based on logging response and convolutional neural network | |
| Liu et al. | Automatic sedimentary microfacies identification from logging curves based on deep process neural network | |
| CN112307670A (zh) | 基于bagging集成神经网络的压水堆堆芯参数预测模型设计方法 | |
| Maroufi et al. | Effect of lithological variations on the performance of artificial intelligence techniques for estimating total organic carbon through well logs | |
| Xu et al. | Slope Stability Analysis with Geometric Semantic Genetic Programming | |
| Liu et al. | Optimizing construction parameters for fractured horizontal wells in shale oil | |
| Liu et al. | Prediction of Equivalent Elastic Modulus for Metal-Coated Lattice Based on Machine Learning | |
| CN116952712B (zh) | 非常规油气储层岩石脆性定量评价方法 | |
| An et al. | The Generation Method of Simulation Scenario Sample Space Based on Sensitivity Analysis of Meta-model |
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 |