一种基于机器学习算法的裂缝相似度判断方法技术

本发明专利技术公开了一种基于机器学习算法的裂缝相似度判断方法，包括以下步骤：S1：获取目标井的压裂施工曲线数据，并进行压裂施工阶段划分，获得所述目标井各个压裂施工阶段的主压裂段；S2：对数据进行预处理，获得各主压裂段归一化后的压裂施工曲线数据；S3：采用能够进行时序性训练的机器学习算法进行单段压力预测模型训练，获得单段压力预测模型一；S4：根据所述单段压力预测模型一进行施工压力预测，得到裂缝相似程度，并初步判断出与裂缝相似段；S5：进行二次验证，若二次验证仍然判断裂缝相似，则最终判断两个压裂段裂缝相似。本发明专利技术能够快速判断各压裂段间的裂缝相似程度，从而更方便快捷的评价各压裂间的压裂效果。捷的评价各压裂间的压裂效果。捷的评价各压裂间的压裂效果。

【技术实现步骤摘要】
一种基于机器学习算法的裂缝相似度判断方法


[0001]本专利技术涉及油气藏开采
，特别涉及一种基于机器学习算法的裂缝相似度判断方法。

技术介绍

[0002]砾岩致密油藏，孔渗条件较差，主要通过水平井压裂提高产能，但段间或井间产能差异巨大，如何判断不同压裂段间的压裂效果是亟需解决的问题。
[0003]目前常用的裂缝监测方法包括直接监测法和间接监测法。其中，直接监测方法普遍成本较高，受监测条件的限制，在实际施工过程中无法进行“一井一测”，并且监测后的结果也不是准确无误，仍需要多种手段联合分析。而间接监测法受制于模型的限制，在实际使用过程中解释需要求解不同的数据模型，计算过程繁琐，耗时较长，无法经济便捷的评价压裂效果。

技术实现思路

[0004]针对上述问题，本专利技术旨在提供一种基于机器学习算法的裂缝相似度判断方法。
[0005]本专利技术的技术方案如下：一种基于机器学习算法的裂缝相似度判断方法，包括以下步骤：S1：获取目标井的压裂施工曲线数据，并根据所述压裂施工曲线数据进行压裂施工阶段划分，获得所述目标井各个压裂施工阶段的主压裂段；S2：对所述目标井所有主压裂段的压裂施工曲线数据进行预处理，获得各主压裂段归一化后的压裂施工曲线数据；S3：选取其中一段主压裂段作为目标段一，根据所述目标段一归一化后的压裂施工曲线数据，采用能够进行时序性训练的机器学习算法进行单段压力预测模型训练，获得单段压力预测模型一；S4：根据所述单段压力预测模型一对其余各主压裂段进行施工压力预测，得到其余各主压裂段与所述目标段一的裂缝相似程度，并初步判断出与所述目标段一裂缝相似的裂缝相似段；S5：对所述裂缝相似段进行二次验证，若二次验证仍然判断所述目标段一与所述裂缝相似段裂缝相似，则最终判断所述目标段一与所述裂缝相似段裂缝相似。
[0006]作为优选，步骤S1中，所述压裂施工曲线数据包括加砂浓度、施工排量以及施工压力。
[0007]作为优选，步骤S1中，进行压裂施工阶段划分时，以加砂开始作为所述主压裂段的起始阶段，以加砂结束作为所述主压裂段的结束阶段。
[0008]作为优选，步骤S2中，所述预处理包括依次进行的平滑处理和归一化处理。
[0009]作为优选，采用Savitzky
‑
Golay滤波器进行平滑处理，采用0~1标准化法进行归一化处理。
[0010]作为优选，步骤S3中，采用长短期记忆网络进行单段压力预测模型训练。
[0011]作为优选，步骤S3具体包括以下子步骤：S31：将所述目标段一归一化后的压裂施工曲线数据按照比例划分为训练集和验证集；S32：设定所述长短期记忆网络输入层、输出层、隐含层、学习率以及时间步长的预设值，向所述长短期记忆网络输入所述预设值，并根据所述训练集的数据进行施工压力预测，获得预测施工压力值一；S33：计算所述预测施工压力值一与其对应的真实施工压力值一之间的相关系数一；若所述相关系数一小于阈值一，则调整所述长短期记忆网络隐含层、学习率以及时间步长的预设值，重复步骤S32
‑
S33；若所述相关系数一大于等于阈值一，则获得初始单段压力预测模型并进入步骤S34；S34：根据所述验证集的数据，采用所述初始单段压力预测模型进行施工压力预测，获得预测施工压力值二；S35：计算所述预测施工压力值二与其对应的真实施工压力值二之间的相关系数二；若所述相关系数二小于阈值二，则调整所述长短期记忆网络隐含层、学习率以及时间步长的预设值，重复步骤S32
‑
S35；若所述相关系数二大于等于阈值二，则获得所述单段压力预测模型一。
[0012]作为优选，所述阈值一大于等于所述阈值二。
[0013]作为优选，步骤S4具体包括以下子步骤：S41：根据所述单段压力预测模型一对其余各主压裂段进行施工压力预测，得到其余各主压裂段的预测施工压力值三；S42：计算所述预测施工压力值三与其对应的真实施工压力值三之间的相关系数三；当某一相关系数三大于等于阈值三时，则初步判断该相关系数三对应的主压裂段与所述目标段一裂缝相似，将其作为所述裂缝相似段。
[0014]作为优选，步骤S5具体包括以下子步骤：S51：将所述裂缝相似段作为目标段二，重复步骤S3，获得单段压力预测模型二；S52：根据所述单段压力预测模型二对所述目标段一进行施工压力预测，得到所述目标段一的预测施工压力值四；S53：计算所述预测施工压力值四与其对应的真实施工压力值四之间的相关系数四；若所述相关系数四大于等于阈值四，则最终判断所述目标段一与所述裂缝相似段裂缝相似。
[0015]本专利技术的有益效果是：本专利技术通过机器学习算法建立单段的施工压力预测模型，根据不同压裂段在压力预测模型上的响应关系，可以确定压裂后裂缝扩展较为相似的压裂段，从而使得本专利技术可
以通过压裂施工曲线判断出单井内各压裂段的裂缝相似程度；且本专利技术的判断结果与实际微地震监测结果对比具有一致性，在使用过程中更加方便快捷，为快速评估压裂效果提供技术支持。
附图说明
[0016]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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专利技术的一些实施例，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。
[0017]图1为一个具体实施例X1井S2段的压裂施工曲线示意图；图2为一个具体实施例X1井S2主压裂段的压裂施工曲线示意图；图3为一个具体实施例X1井S2主压裂段的单段压力预测模型一结果示意图；图4为一个具体实施例单段压力预测模型一在各压裂段的施工压力预测结果示意图；图5为一个具体实施例X1井S24段的单段压力预测模型二和该模型在S2段的施工压力预测结果示意图；图6为一个具体实施例X1井各压裂段的微地震监测结果示意图。
具体实施方式
[0018]下面结合附图和实施例对本专利技术进一步说明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的技术特征可以相互结合。需要指出的是，除非另有指明，本申请使用的所有技术和科学术语具有与本申请所属
的普通技术人员通常理解的相同含义。本专利技术公开使用的“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。
[0019]本专利技术提供一种基于机器学习算法的裂缝相似度判断方法，包括以下步骤：S1：获取目标井的压裂施工曲线数据，并根据所述压裂施工曲线数据进行压裂施工阶段划分，获得所述目标井各个压裂施工阶段的主压裂段。
[0020]在一个具体的实施例中，所述压裂施工曲线数据包括加砂浓度、施工排量以及施工压力；进行压裂施工阶段划分时，以加砂开始作为所述主压裂段的起始阶段，以加砂结束作为所述主压裂段的结束阶段。
[0021]S2：对所述目标井所有主压裂段的压裂施工曲线数据进行预处理，获得各主压裂段归一化后的压裂施工曲线数据。<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习算法的裂缝相似度判断方法，其特征在于，包括以下步骤：S1：获取目标井的压裂施工曲线数据，并根据所述压裂施工曲线数据进行压裂施工阶段划分，获得所述目标井各个压裂施工阶段的主压裂段；S2：对所述目标井所有主压裂段的压裂施工曲线数据进行预处理，获得各主压裂段归一化后的压裂施工曲线数据；S3：选取其中一段主压裂段作为目标段一，根据所述目标段一归一化后的压裂施工曲线数据，采用能够进行时序性训练的机器学习算法进行单段压力预测模型训练，获得单段压力预测模型一；S4：根据所述单段压力预测模型一对其余各主压裂段进行施工压力预测，得到其余各主压裂段与所述目标段一的裂缝相似程度，并初步判断出与所述目标段一裂缝相似的裂缝相似段；S5：对所述裂缝相似段进行二次验证，若二次验证仍然判断所述目标段一与所述裂缝相似段裂缝相似，则最终判断所述目标段一与所述裂缝相似段裂缝相似。2.根据权利要求1所述的基于机器学习算法的裂缝相似度判断方法，其特征在于，步骤S1中，所述压裂施工曲线数据包括加砂浓度、施工排量以及施工压力。3.根据权利要求1所述的基于机器学习算法的裂缝相似度判断方法，其特征在于，步骤S1中，进行压裂施工阶段划分时，以加砂开始作为所述主压裂段的起始阶段，以加砂结束作为所述主压裂段的结束阶段。4.根据权利要求1所述的基于机器学习算法的裂缝相似度判断方法，其特征在于，步骤S2中，所述预处理包括依次进行的平滑处理和归一化处理。5.根据权利要求4所述的基于机器学习算法的裂缝相似度判断方法，其特征在于，采用Savitzky
‑
Golay滤波器进行平滑处理，采用0~1标准化法进行归一化处理。6.根据权利要求1所述的基于机器学习算法的裂缝相似度判断方法，其特征在于，步骤S3中，采用长短期记忆网络进行单段压力预测模型训练。7.根据权利要求6所述的基于机器学习算法的裂缝相似度判断方法，其特征在于，步骤S3具体包括以下子步骤：S31：将所述目标段一归一化后的压裂施工曲线数据按照比例划分为训练集和验证集；S32：设定所述长短期记忆网络输入层、输出层、隐含层、学习率以及时...

【专利技术属性】
技术研发人员：唐慧莹，崔二龙，滕桓，张景，肖红林，陈满，赵玉龙，张烈辉，
申请(专利权)人：西南石油大学，
类型：发明
国别省市：