【技术实现步骤摘要】
本专利技术属于石油勘探开发，尤其涉及基于物理信息神经网络的井筒多相流模型求解方法及系统。
技术介绍
1、随着深水、深层、非常规等复杂油气藏的开发，储层类型和地层压力体系越发复杂。钻遇高压油气层后，地层流体侵入井筒，由于高温高压下流体相态、流型转化、工况变更等影响，导致井筒内多相流动规律复杂，井筒压力计算的准确性和时效性将直接影响钻井安全与高效。传统多相流动模型求解采用有限差分、有限体积等方法，在面临复杂井身结构、复杂工况和复杂流动体系时，计算过程繁琐、计算效率低、速度慢，且常遇不收敛问题。时空网格的精细化分是导致计算以上问题的主要原因，若时间步长与空间步长不合适，极易发生不收敛现象，导致计算报错。其中有限差分的隐性方法计算精度较低，计算速度较快；有限体积的显性方法在突变处计算精度较高，但计算速度较慢。随着录井、随钻测井技术的迅猛发展，钻井过程中可获取的实时数据逐渐丰富，对油气钻井过程中井筒多相流动模型的计算精度和计算速度提出了更高的要求。随着人工智能、深度学习等计算机技术迅速发展，其通过庞大的数据训练，即可获得可观的数据输出。但在钻井工程领域，多数情况下可获取及可利用的数据集是有限的，较难与深度学习技术结合。基于物理信息神经网络的深度学习技术可以耦合物理模型与钻井数据集，并且通过模型的训练，可以加速油气井筒多相流动模型的求解。
2、通过上述分析，现有技术存在的问题及缺陷为：
3、（1）传统的多相流动模型求解方法在复杂井身结构、复杂工况和复杂流动体系计算时，面临计算过程繁琐、计算效率低、速度慢，且常遇不收敛
4、（2）在钻井工程领域，多数情况下可获取及可利用的数据集有限，较难与深度学习技术结合。
5、（3）传统的井筒多相流动模型求解方法为有限差分方法，单纯物理模型求解时，计算速度慢，时空网格的划分对收敛性影响非常大，且未实现模型与数据的耦合驱动求解。
技术实现思路
1、为克服相关技术中存在的问题，本专利技术公开实施例提供了基于物理信息神经网络的井筒多相流模型求解方法及系统，本专利技术可以用物理信息计算多相流方程，有较好的精度，本专利技术可以用物理信息加快方程的计算速度，计算速度提升两到三个数量级。
2、所述技术方案如下：基于物理信息神经网络的井筒多相流模型求解方法，包括：
3、s1，输入初始值条件约束、边界值条件约束、求解域内部数据标签集；
4、s2，设置神经网络输入层、隐藏层、节点数、输出层及激活函数，初始化神经网络权重与偏置，计算神经网络输出数据流；
5、s3，利用自动微分方法计算输出数据流对输入坐标点的偏导数，构建井筒多相流动模型的控制方程损失函数；应用初始点与边界点数据流计算初边值条件与边界值条件损失；所述井筒多相流动模型包括：质量守恒方程、动量守恒方程与漂移流模型；
6、s4，应用损失函数优化算法迭代模型损失，更新神经网络模型参数，同时优化损失函数权重，直至模型损失满足最小条件，保存模型并进行多相流动模型参数计算；
7、s5，将数值方法计算的各时间节点先验结果作为数据标签集，预测下一阶段时间节点多相流动模型迭代参数，将多相流动模型迭代参数作为迭代初值代入传统多相流动模型加速计算。
8、在步骤s1中，所述求解域内部数据标签集中，初始数据标签集选择抽样或通过井筒单相计算给出，以井筒单相流动压力结果作为求解域内的初始数据标签。
9、在步骤s2中，所述更新神经网络模型参数包括：设置神经网络隐藏层数量，每层的神经元数量，激活函数选用tanh函数；神经网络的神经元连接方式为全连接，基于深度学习框架、编程构建神经网络输入、输出形式并计算；
10、神经网络输出数据流包括深度-时间求解域内压力、循环压耗、含气率、气体速度和气体密度。
11、在步骤s3中，所述质量守恒方程和动量守恒方程内偏导数计算均采用自动微分技术，损失为控制方程的均方根误差，用于求解域内部点的损失限制；
12、多相流动模型的矩阵形式为：
13、；
14、式中，为变量对时间的偏导数，为环空截面积，为含气率，为气相密度，为持液率，为液相密度，为气相速度，为液相速度，为变量对空间的偏导数，为井筒压力，为产气速率，为循环压耗，为重力加速度，为井斜角；
15、简化模型形式，将表示为：
16、；
17、式中，为给定横截面积上气相密度，为给定横截面积上液相密度，为给定横截面积上气液两相的总质量流量，为给定横截面积上气相质量流量，为给定横截面积上液相质量流量，为给定横截面积上气液两相的总流体动能；输出数据流中井筒压力、循环压耗、含气率、气相速度和气体密度对时空域的偏导数分别为，得到损失函数。
18、进一步，所述损失函数包括：
19、井筒气相连续性方程的损失函数为：
20、；
21、式中，为井筒气相连续性方程的损失函数，为求解域内取样点的个数，为不同节点处气相密度对时间的偏导数，为不同节点处气相质量流量对空间的偏导数；
22、井筒液相连续性方程的损失函数为：
23、；
24、式中，为井筒液相连续性方程的损失函数，为不同节点处液相密度对时间的偏导数，为不同节点处液相质量流量对空间的偏导数；
25、井筒气液两相动量守恒方程的损失函数为：
26、；
27、式中，为井筒气液两相动量守恒方程的损失函数，为不同节点处气液两相总质量流量对时间的偏导数，为不同节点处气液两相总动能对空间的偏导数，为不同节点处给定横截面上摩阻对空间的偏导数，为不同节点处给定横截面上压力对空间的偏导数；
28、多相流动方程组闭合关系的损失函数为：
29、；
30、式中，为多相流动方程组闭合关系的损失函数，为分布系数，为气体速度，为混合流体速度，为气体滑脱速度，为不同的时间与空间节点；
31、通过损失前增加损失权重项，构建控制方程损失，通过损失前增加损失权重项，构建控制方程损失。
32、在步骤s3中，所述应用初始点与边界点数据流计算初边值条件与边界值条件损失包括：初边值条件损失为输出数据流中初始、边界数据与输入数据之间的均方根误差，用于求解域初始点与边界点的损失限制；输入数据，包括压力、含气率和气体速度；构建初始值条件与边界值条件损失；具体包括以下步骤：
33、（a）溢流工况下，以稳态循环时的井筒压力和含气率作为初始值条件，以井口压力和井底产气速率作为边界值条件，表达式为：
34、；
35、；
36、式中，为溢流工况的初始值条件损失，为溢流工况的边界值条件损失，为初始数据点的个数，为边界数据点的个数，为溢流工况下每次迭代计算输出的压力剖面，为溢流工况下每次迭代计算输出的含气率初始值，为溢流工况下每次迭代计算输出的井口回压，为溢流工况下每次迭代计算输出的进气速度本文档来自技高网...
【技术保护点】
1.一种基于物理信息神经网络的井筒多相流模型求解方法，其特征在于，该方法包括：
2.根据权利要求1所述的基于物理信息神经网络的井筒多相流模型求解方法，其特征在于，在步骤S1中，所述求解域内部数据标签集中，初始数据标签集选择抽样或通过井筒单相计算给出，以井筒单相流动压力结果作为求解域内的初始数据标签。
3.根据权利要求1所述的基于物理信息神经网络的井筒多相流模型求解方法，其特征在于，在步骤S2中，所述更新神经网络模型参数包括：设置神经网络隐藏层数量，每层的神经元数量，激活函数选用tanh函数；神经网络的神经元连接方式为全连接，基于深度学习框架、编程构建神经网络输入、输出形式并计算；
4.根据权利要求1所述的基于物理信息神经网络的井筒多相流模型求解方法，其特征在于，在步骤S3中，所述质量守恒方程和动量守恒方程内偏导数计算均采用自动微分技术，损失为控制方程的均方根误差，用于求解域内部点的损失限制；
5.根据权利要求4所述的基于物理信息神经网络的井筒多相流模型求解方法，其特征在于，所述损失函数包括：
6.根据权利要求1所述的基于
7.根据权利要求5所述的基于物理信息神经网络的井筒多相流模型求解方法，其特征在于，所述构建控制方程损失为：
8.根据权利要求1所述的基于物理信息神经网络的井筒多相流模型求解方法，其特征在于，在步骤S4中，所述应用损失函数优化算法迭代模型损失，更新神经网络模型参数包括：
9.根据权利要求1所述的基于物理信息神经网络的井筒多相流模型求解方法，其特征在于，在步骤S5中，所述将多相流动模型迭代参数作为迭代初值代入传统多相流动模型加速计算包括：通过融合神经网络模型求解方法与数值计算方法，将数值计算方法计算的各时刻先验数据作为神经网络的内部输入，并将输出结果作为数值计算中下一阶段时间节点处的初始迭代参数。
10.一种基于物理信息神经网络的井筒多相流模型求解，其特征在于，该系统实施如权利要求1至9任意一项所述的基于物理信息神经网络的井筒多相流模型求解方法，该系统包括：
...【技术特征摘要】
1.一种基于物理信息神经网络的井筒多相流模型求解方法，其特征在于，该方法包括：
2.根据权利要求1所述的基于物理信息神经网络的井筒多相流模型求解方法，其特征在于，在步骤s1中，所述求解域内部数据标签集中，初始数据标签集选择抽样或通过井筒单相计算给出，以井筒单相流动压力结果作为求解域内的初始数据标签。
3.根据权利要求1所述的基于物理信息神经网络的井筒多相流模型求解方法，其特征在于，在步骤s2中，所述更新神经网络模型参数包括：设置神经网络隐藏层数量，每层的神经元数量，激活函数选用tanh函数；神经网络的神经元连接方式为全连接，基于深度学习框架、编程构建神经网络输入、输出形式并计算；
4.根据权利要求1所述的基于物理信息神经网络的井筒多相流模型求解方法，其特征在于，在步骤s3中，所述质量守恒方程和动量守恒方程内偏导数计算均采用自动微分技术，损失为控制方程的均方根误差，用于求解域内部点的损失限制；
5.根据权利要求4所述的基于物理信息神经网络的井筒多相流模型求解方法，其特征在于，所述损失函数包括：
6.根据权利要求1所述的基于物理信息神经网络的井筒多相流模型求解方法，其特征在于，在步骤s3中，所述应...
【专利技术属性】
技术研发人员：王志远，刘雪琪，孙小辉，张剑波，孙宝江，陈刚，陈科杉，胡俊杰，杨继成，
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。