【技术实现步骤摘要】
基于深度学习的体积压裂裂缝扩展预测方法和系统
[0001]本专利技术涉及油气田开发
，特别是涉及一种基于深度学习的体积压裂裂缝扩展预测方法和系统。
技术介绍
[0002]体积压裂是非常规油气藏经济高效开发的关键技术。裂缝监测结果表明，体积压裂改造所产生的裂缝形态非常复杂，特别是储层内天然裂缝高度发育时，水力压裂所产生的裂缝与天然裂缝相互作用，进一步增强压裂缝网的复杂性，从而对压裂效果产生显著影响。快速准确的预测体积压裂所形成的缝网形态对非常规油气藏高效开发具有重要意义。
[0003]目前常用的裂缝扩展模拟方法包括扩展有限元法、位移不连续法、离散元方法等。参考申请号为CN202011449599.9的专利技术专利申请，其提出了一种水平井多段分簇压裂裂缝扩展的建模方法，主要利用有限差分法进行计算。参考申请号CN202010385059.2的专利技术专利申请，公开了一种基于强度理论的裂缝扩展路径计算方法，包括建立数值计算模型，划分网格及施加外荷载，在局部坐标系下提取裂缝尖端周向应力σ
θ
和切向应力τ
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的体积压裂裂缝扩展预测方法，其特征在于，所述方法包括：构建用于预测不同类型油藏裂缝扩展的U型深度残差卷积神经网络预测模型；获取待预测油藏的裂缝扩展预测方案；所述裂缝扩展预测方案包括原始地质参数、天然裂缝分布参数和压裂设计参数；将所述待预测油藏的裂缝扩展预测方案输入待预测油藏所属类型的U型深度残差卷积神经网络预测模型，获得待预测油藏的裂缝扩展预测结果；所述裂缝扩展预测结果包括多个预测时刻的裂缝扩展形态分布参数和应力状态参数。2.根据权利要求1所述的基于深度学习的体积压裂裂缝扩展预测方法，其特征在于，所述构建用于预测不同类型油藏裂缝扩展的U型深度残差卷积神经网络预测模型，具体包括：构建每种类型油藏的多个裂缝扩展模拟方案；根据多个裂缝扩展模拟方案，利用裂缝扩展模拟方法得到每个裂缝扩展模拟方案的裂缝扩展模拟结果；所述裂缝扩展模拟结果包括预定时间序列中不同时刻的裂缝扩展形态分布参数和应力状态参数；以裂缝扩展模拟方案为输入，裂缝扩展模拟结果为标签建立训练数据集；利用所述训练数据集训练U型深度残差卷积神经网络，获得用于预测每种类型油藏裂缝扩展的U型深度残差卷积神经网络预测模型。3.根据权利要求2所述的基于深度学习的体积压裂裂缝扩展预测方法，其特征在于，所述构建每种类型油藏的多个裂缝扩展模拟方案，具体包括：获取每种类型油藏的现场资料；所述现场资料包括测井资料、岩心分析资料、地震资料和压裂设计资料；对现场资料进行整理分析，获得每种类型油藏的原始地质参数和裂缝组合参数；所述裂缝组合参数包括压裂设计参数和天然裂缝分布参数；根据每种类型油藏不同类别的原始地质参数，利用地质统计学方法生成多个原始地质参数随机值，并利用概率分布法依照裂缝组合参数生成多个裂缝组合参数随机值；所述裂缝组合参数随机值为压裂设计参数随机值和天然裂缝分布参数随机值，或压裂设计参数随机值和固定天然裂缝分布参数；将每种类型油藏的任意一个原始地质参数随机值和任意一个裂缝组合参数随机值组合，构成每种类型油藏的多个裂缝扩展模拟方案。4.根据权利要求3所述的基于深度学习的体积压裂裂缝扩展预测方法，其特征在于，所述原始地质参数包括：孔隙度分布、渗透率分布、初始含油饱和度、原始地应力场、岩石的杨氏模量和岩石的泊松比；所述压裂设计参数包括：射孔位置、设计裂缝的簇间距、设计裂缝的段间距、压裂液的排量、压裂液的类型、支撑剂类型和支撑剂用量；所述天然裂缝分布参数包括：天然裂缝的平均长度、天然裂缝的走向、天然裂缝的密度和层理分布。5.根据权利要求4所述的基于深度学习的体积压裂裂缝扩展预测方法，其特征在于，所述以裂缝扩展模拟方案为输入，裂缝扩展模拟结果为标签建立训练数据集，具体包括：以裂缝扩展模拟方案中的原始地质参数、压裂设计参数的射孔位置、设计裂缝的簇间距、设计裂缝的段间距和/或天然裂缝分布参数作为图像输入数据，裂缝扩展模拟方案中压
裂设计参数的压裂液的排量、压裂液的类型、支撑剂类型和支撑剂用量作为一维向量输入数据，裂缝扩展模拟结果为标签建立训练数据集。6.根据权利要求5所述的基于深度学习的体积压裂裂缝扩展预测方法，其特征在于，利用所述训练数据集训练U型深度残差卷积神经网络，获得用于预测每种类型油藏裂缝扩展的U型深度残差卷积神经网络预测模型，具体包括：将所述训练数...
【专利技术属性】
技术研发人员：王森，孙涛，王潇，冯其红，徐世乾，李航宇，杨富康，杨雨萱，向杰，
申请(专利权)人：中国石油大学华东，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。