【技术实现步骤摘要】
本专利技术属于油藏智能优化压裂领域，具体涉及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。
技术介绍
1、水力压裂技术在低渗或超低渗油气藏开发中具有重要作用。准确模拟压裂裂缝扩展以及预测水力裂缝尺寸对于优化压裂设计和提高油气井产能至关重要。然而，由于多级水平井压裂作业过程中段间泵注设计方案不同，且储层物性、天然裂缝发育等因素对裂缝扩展结果具有重要影响，导致裂缝裂缝扩展预测具有较大困难。此外，考虑到岩石渗透率、流体运移、裂缝扩展等物理过程，裂缝扩展涉及大规模方程组和稠密矩阵计算求解，这需要消耗大量的资源和时间。
技术实现思路
1、为了解决上述问题，本专利技术提出了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，首先，基于测井数据和完井数据建立了多级水平井压裂模型，采用了段间不同泵注设计方案，搭建了水平井压裂多段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参数属性、泵注设计、井筒孔眼位置图像、天然裂缝分布图像和裂缝扩展时序图像进行数据预处理；之后耦合前馈神经网络fnn和卷积-长短期记忆网络convlstm，构建了裂缝扩展时序图像预测模型fnn-convlstm，实现高效的考虑段间差异泵注的压裂裂缝扩展预测。
2、本专利技术的技术方案如下：
3、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，包括如下步骤：
4、步骤1、基于段间压裂工艺差异泵注搭建多级水平井压裂裂缝扩展时序图像数据库；
5、步骤2、对多级水平井压裂裂
6、步骤3、构建考虑段间压裂工艺差异泵注的压裂裂缝扩展时序图像智能预测模型；
7、步骤4、训练压裂裂缝扩展时序图像智能预测模型，获得最优网络结构权重；
8、步骤5、采用步骤4训练完成的压裂裂缝扩展时序图像智能预测模型进行裂缝扩展时序图像智能预测，并对预测结果进行图像后处理；
9、步骤6、利用双线性插值方法将后处理后的裂缝扩展时序图像进行图像放大，最后按照时间顺序逐帧输出裂缝扩展结果。
10、进一步地，所述步骤1中，多级水平井压裂裂缝扩展时序图像数据库包含不同储层参数属性数据、段间不同泵注设计方案、天然裂缝分布图像、井筒孔眼位置图像、每段压裂对应的裂缝扩展时序图像；数据库构建的具体过程如下：
11、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水平井压裂模型，获取不同储层参数属性数据，建立储层属性数据集；储层参数属性数据包括：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；
12、步骤1.2、基于压裂水平井段间不同泵注速率、压裂液类型、支撑剂类型、支撑剂浓度参数配置，获取30种压裂泵注设计方案，建立水平井压裂泵注设计数据集；
13、步骤1.3、基于水平井完井数据获取每段压裂的井筒孔眼位置图像和天然裂缝分布图像；
14、步骤1.4、基于储层属性数据集、泵注设计数据集、井筒孔眼位置图像和天然裂缝分布图像，利用数值模拟器模拟水平井在不同泵注设计下每段压裂裂缝扩展过程，获取每段压裂对应的裂缝扩展时序图像；
15、步骤1.5、以不同的压裂泵注设计方案作为水平井段间裂缝扩展核心影响因素，不同储层参数属性数据、井筒孔眼位置图像和天然裂缝分布图像作为裂缝扩展过程约束条件，水平井每段压裂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。
16、进一步地，所述步骤2的具体过程如下：
17、步骤2.1、利用数据归一化技术minmaxscaler函数对不同储层参数属性和段间不同泵注设计方案进行数据预处理；minmaxscaler函数的计算公式如下：
18、 (1)；
19、其中，为储层各属性或泵注设计不同参数；为的归一化值；为的最小值；为的最大值；
20、步骤2.2、将井筒孔眼位置图像、天然裂缝分布图像和裂缝扩展时序图像均转化为灰度图，分别对应获得井筒孔眼位置灰度图、天然裂缝分布灰度图和裂缝扩展时序灰度图；
21、步骤2.3、利用阈值判断方法对井筒孔眼位置灰度图、天然裂缝分布灰度图和裂缝扩展时序灰度图进行灰度值判断，并进行灰度值分类处理：
22、将井筒孔眼位置灰度图中灰度值小于35的值转换为0，大于等于35的值转换为3，其中0值为图像背景灰度值，3值为井筒孔眼位置灰度值；
23、将天然裂缝分布灰度图中灰度值小于35的值转换为0，大于等于35的值转换为2，其中0值为图像背景灰度值，2值为天然裂缝灰度值；
24、将裂缝扩展时序灰度图中灰度值小于30的值转换为0，大于等于30的值转换为1，其中0值为图像背景灰度值，1值为裂缝扩展灰度值；
25、步骤2.4、将井筒孔眼位置灰度图、天然裂缝分布灰度图和裂缝扩展时序灰度图的尺寸均裁剪为256×256；
26、步骤2.5、将井筒孔眼位置灰度图、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，形成数据维度为[3，256，256]的矩阵，第1通道矩阵代表井筒孔眼位置，第2通道矩阵代表天然裂缝，第3通道矩阵代表裂缝扩展。
27、进一步地，所述步骤3中，压裂裂缝扩展时序图像智能预测模型包括泵注设计数据处理层、储层属性数据处理层、数据融合层、卷积-长短期记忆网络层；
28、压裂裂缝扩展时序图像智能预测模型的工作过程为：
29、步骤3.1、采用泵注设计数据处理层处理步骤2.1获得的泵注设计方案；
30、步骤3.2、采用储层属性数据处理层处理步骤2.1获得的储层参数属性；
31、步骤3.3、采用元素相加方法将步骤3.1和步骤3.2得到的结果进行元素相加，并利用双线性插值方法对计算结果进行上采样，获得维度为[1，256，256]的数据；
32、步骤3.4、基于数据融合层进行特征融合，获得融合输入特征向量；
33、步骤3.5、将融合输入特征向量输入卷积-长短期记忆网络层，获取天然裂缝分布、井筒孔眼位置和压裂缝网扩展时序图像核心特征。
34、进一步地，所述步骤3.4的具体过程为：
35、步骤3.4.1、利用数据拼接方式将步骤2.5和步骤3.3获得的结果在数据第一维度进行拼接，获得维度为[4，256，256]的输入特征数据；
36、步骤3.4.2、通过自适应平均池化操作将输入特征的空间维度降为1，保留通道维度；
37、步骤3.4.3、通过线性变换将通道维度的特征降维为原来的一半；
38、步骤3.4.4、采用relu激活函数对特征数据进行处理，增加非线性；
39、步骤3.4.5、通过线性变换将通道维度的特征升维到原来的维度；
40、步骤3.4.6、采用sigmoid激活函数对特征数据进行处理，将注意力权重张量限制在0到1本文档来自技高网...
【技术保护点】
1.一种考虑段间压裂工艺差异的裂缝网络扩展智能预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述考虑段间压裂工艺差异的裂缝网络扩展智能预测方法，其特征在于，所述步骤1中，多级水平井压裂裂缝扩展时序图像数据库包含不同储层参数属性数据、段间不同泵注设计方案、天然裂缝分布图像、井筒孔眼位置图像、每段压裂对应的裂缝扩展时序图像；数据库构建的具体过程如下：
3.根据权利要求1所述考虑段间压裂工艺差异的裂缝网络扩展智能预测方法，其特征在于，所述步骤2的具体过程如下：
4.根据权利要求3所述考虑段间压裂工艺差异的裂缝网络扩展智能预测方法，其特征在于，所述步骤3中，压裂裂缝扩展时序图像智能预测模型包括泵注设计数据处理层、储层属性数据处理层、数据融合层、卷积-长短期记忆网络层；
5.根据权利要求4所述考虑段间压裂工艺差异的裂缝网络扩展智能预测方法，其特征在于，所述步骤3.4的具体过程为：
6.根据权利要求4所述考虑段间压裂工艺差异的裂缝网络扩展智能预测方法，其特征在于，所述步骤3.5中，卷积-长短期记忆网络层采用卷积-长短期记忆
7.根据权利要求1所述考虑段间压裂工艺差异的裂缝网络扩展智能预测方法，其特征在于，所述步骤4的具体过程为：将步骤1数据库中的所有数据按照9∶1的比例随机划分为训练集和测试集，并采用步骤2的方式进行数据预处理，然后设置模型训练参数进行迭代训练，直至到达设置的最大迭代训练次数；其中，模型训练参数设置为：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。
8.根据权利要求1所述考虑段间压裂工艺差异的裂缝网络扩展智能预测方法，其特征在于，所述步骤5的具体过程为：
...【技术特征摘要】
1.一种考虑段间压裂工艺差异的裂缝网络扩展智能预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述考虑段间压裂工艺差异的裂缝网络扩展智能预测方法，其特征在于，所述步骤1中，多级水平井压裂裂缝扩展时序图像数据库包含不同储层参数属性数据、段间不同泵注设计方案、天然裂缝分布图像、井筒孔眼位置图像、每段压裂对应的裂缝扩展时序图像；数据库构建的具体过程如下：
3.根据权利要求1所述考虑段间压裂工艺差异的裂缝网络扩展智能预测方法，其特征在于，所述步骤2的具体过程如下：
4.根据权利要求3所述考虑段间压裂工艺差异的裂缝网络扩展智能预测方法，其特征在于，所述步骤3中，压裂裂缝扩展时序图像智能预测模型包括泵注设计数据处理层、储层属性数据处理层、数据融合层、卷积-长短期记忆网络层；
5.根据权利要求4所述考虑段间压裂工艺差异的裂缝网络扩展智能预测方法，其特征在于，所述步骤3.4的...
【专利技术属性】
技术研发人员：袁彬，赵明泽，张伟，金傲然，熊浩男，
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。