【技术实现步骤摘要】
一种基于物理意义神经网络的页岩气藏数值模拟方法
[0001]本专利技术属于气藏工程
,具体涉及一种基于物理意义神经网络的页岩气藏数值模拟方法
。
技术介绍
[0002]在页岩气藏数值模拟领域,气体偏微分方程可以准确描述页岩气藏开发过程中压力分布情况,模拟页岩气藏压力变化需要进行大量的偏微分方程求解计算,这也是数值模拟技术的基础
。
传统的数值模拟基于数值计算方法对偏微分方程进行求解,如有限元法
、
有限差分法等
。
页岩气藏数值模拟可以准确地计算出未来页岩气藏的压力
、
产量等数据,用于指导生产开发
。
而气体不同于其他流体,具有强可压缩性,对页岩气藏模拟求解属强非线性问题,往往需要耗费大量时间和计算资源
。
[0003]随着信息化的深入和硬件水平的不断发展,深度学习等人工智能方法在图像识别
、
目标检测等场景得到了广泛的应用
。
在油藏工程领域,基于物理意义的神经网络模型也已被广泛应用于构建代理模型来解决传统油藏数值模拟器耗时长计算量大的问题
。
但对页岩气藏数值模拟而言,由于其强非线性,即控制方程的系数会随时间大幅变化,所以目前基于物理意义的神经网络模型大多无法直接用于页岩气藏数值模拟,构建的代理模型需要先用传统求解方法获取标签数据,且此方法只能预测某一时刻的压力信息
。
技术实现思路
[0004]为了解决上述问题,本专利技术提出了一 ...
【技术保护点】
【技术特征摘要】 【专利技术属性】
1.
一种基于物理意义神经网络的页岩气藏数值模拟方法,其特征在于,利用嵌入物理意义的卷积神经网络正向计算页岩气藏任意时间步的压力,且无需标签数据,具体包括如下步骤:步骤
1、
采集页岩气藏相关数据;步骤
2、
构建卷积神经网络模型,设置模型的超参数;步骤
3、
对卷积神经网络模型进行预训练,利用第一个时间步的压力数据作为标签,预训练得到初始化完成的卷积神经网络模型;步骤
4、
后续时间步根据模型输出的压力数据和模型参数进行正向传播,利用有限体积法计算损失误差;步骤
5、
反向传播优化模型权重,通过不断迭代训练使得损失值下降到指定范围,此时模型的输出即为当前时间步的页岩气藏压力数据;步骤
6、
对每一个时间步重复步骤4‑
步骤5,得到页岩气藏任意时间步的压力分布情况,此时数值模拟完成
。2.
根据权利要求1所述基于物理意义神经网络的页岩气藏数值模拟方法,其特征在于,所述步骤1中,页岩气藏相关数据包括页岩气藏尺寸
、
初始油藏压力
、
初始孔隙度
、
页岩气藏温度
、
岩石颗粒密度
、
岩石压缩系数
、Langmuir
体积
、Langmuir
压力
。3.
根据权利要求1所述基于物理意义神经网络的页岩气藏数值模拟方法,其特征在于,所述步骤2中,构建的卷积神经网络模型包括两层卷积层和全连接层,归一化层
、
激活函数层和最大池化层置于卷积操作之后;两层卷积层分别为第一卷积层和第二卷积层;第一归一化层
、
第一激活函数层
、
第一最大池化层置于第一卷积层的卷积操作之后,第二归一化层
、
第二激活函数层
、
第二最大池化层置于第二卷积层的卷积操作之后;卷积神经网络模型的输入为当前时间步的页岩气藏压力数据,输出为下一时间步的页岩气藏压力数据;设置的超参数包括卷积层数
、
卷积核大小
、
卷积步长
、
激活函数
、
池化类型
、
池化窗口大小
、
池化步长;卷积神经网络模型输出下一时间步的页岩气藏压力数据的具体过程为:步骤
2.1、
初始页岩气藏压力数据为矩阵形式,因此将初始页岩气藏压力数据视为大小为1×
20
×
20
的图像数据,将图像数据依次输入第一卷积层
、
第一归一化层
、
第一激活函数层
、
第一最大池化层后,得到大小为
25
×
10
×
10
的图像数据;步骤
2.2、
将大小为
25
×
10
×
10
的图像数据依次输入第二卷积层
、
第二归一化层
、
第二激活函数层
、
第二最大池化层后,得到大小为
50
×5×5的图像数据;步骤
2.3、
将大小为
50
×5×5的图像数据拉伸为1×
1250
的图像数据,输入全连接层,输出大小为1×
400
的图像数据,再将1×
400
的图像数据改组为1×
20
×
20
的图像数据,此时得到大小与初始输入数据相同的下一时间步的页岩气藏压力数据
。4.
根据权利要求1所述基于物理意义神经网络的页岩气藏数值模拟方法,其特征在于,所述步骤3中,预训练的具体过程如下:步骤
3.1、
技术研发人员:张凯,王胜,严侠,张黎明,张华清,刘丕养,王阳,张文娟,姚军,樊灵,孙海,杨永飞,
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。