【技术实现步骤摘要】
本专利技术属于致密储层水力压裂，更具体地，涉及一种致密储层水力压裂树状粗糙裂缝网络人工智能描述方法。
技术介绍
1、致密储层由于其低孔、低渗的特点，必须采用大规模体积压裂技术进行开发，而水力压裂形成的人工裂缝形态是影响致密储层压裂增产效果的关键因素。人工裂缝形态的准确描述可为致密储层可压性评价、压裂效果评价、产油产气效果评价提供可靠支撑，可为致密储层水平井压裂设计提供重要依据。
2、由于致密储层人工裂缝的隐蔽性，人工裂缝形态难以在地下被直接观测，同时，不同的研究领域对人工裂缝的尺度需求也有差异，如裂缝渗流力学领域更关心形成人工裂缝的微观形态特征，而裂缝改造体积研究领域更关心裂缝的宏观形态。目前理论研究中采用的致密储层人工裂缝宏、微观形态一般为人为想象或根据实际地面岩样裂缝修正后的图样。这种致密储层水力压裂裂缝图像因人而异，缺乏必要的依据，具有很强的随意性，受人的主观影响较大，准确性较差。而实际上致密储层水力压裂裂缝形态是客观的，其宏观和微观都有各自的形态特征，且因地层岩石特性与水力压裂施工参数影响，具有较强的差异性。目前，缺少一种基于岩石力学实验、同时适用于宏观和微观的裂缝形态客观刻画与描述方法。
技术实现思路
1、提供了本专利技术以解决现有技术中存在的上述问题。因此，需要一种致密储层水力压裂树状粗糙裂缝网络人工智能描述方法，以解决致密储层水力压裂无法同时形成宏观上呈现为网状、微观上裂缝粗糙迂曲形态的描述问题。
2、根据本专利技术的第一方案，提供了一种致密储
3、获取压裂后裂缝图像，并对所述压裂后裂缝图像按照长度进行分类；
4、分别计算各条裂缝粗糙形态的分形维数，得出i个裂缝长度范围内的平均分形维数di，并获取各长度界限内裂缝的壁面起伏最大高度和平均高度hui和hdi；
5、确定第i个裂缝长度范围的裂缝粗糙形态初始元为b，通过l-系统描述裂缝粗糙形态，其中生成元产生式表示为：
6、b1+u bu–u–u bu+u b3–d bd+d+d bd–d b5
7、其中，b为裂缝粗糙形态的一个行进单元，其角标1、3、5、u、d为壁面编号；+、–为转向单元，分别代表逆时针和顺时针转动，角标为u时旋转角度为αu，角标为d时旋转角度为αd，多次迭代得出裂缝粗糙形态的产生式，
8、令d1＝1，对d2、d3、d4、d5分别在[0.2,5.0]范围进行随机取值，计算l-系统与真实裂缝长度单位的相似比βl，计算公式为：
9、
10、其中：
11、
12、c＝(ee-d1-d3-d5)2
13、
14、g＝(hu2-hd2)
15、式中，a表示起伏单元无量纲高度系数，c表示起伏单元无量纲长度系数，e为自然对数，e表示生成元长度的分形维数修正系数，g表示粗糙壁面起伏系数，dx表示生成元各段无量纲步长，hu表示壁面起伏最大高度，hd表示平均高度，
16、计算l-系统中两个粗糙壁面边长lu,ld：
17、
18、计算转角：
19、αu＝arctan(0.5d2/hu)、αd＝arctan(0.5d4/hd)
20、按照先后顺序对裂缝粗糙形态的产生式中各行进单元进行编号，并计算各行进单元长度l(k):
21、
22、其中k为行进单元的序号；n为迭代数；nu为行进单元角标中u的数量，n3为行进单元角标中3的数量，nd为行进单元角标中d的数量，n5为行进单元角标中5的数量；
23、获取裂缝粗糙形态样本集，所述裂缝粗糙形态样本集包括多个样本，所述样本为通过l-系统绘制出的裂缝粗糙形态产生式的图像，绘制出的图像对应有4个标签，分别为d2、d3、d4、d5的值；
24、采用卷积神经网络模型进行监督学习，以裂缝粗糙形态产生式的图像为输入层，d2、d3、d4、d5为输出层，利用所述裂缝粗糙形态样本集进行训练，得到训练好的卷积神经网络模型；
25、基于观测到的所有裂缝，采用所述训练好的卷积神经网络模型计算得到d2、d3、d4、d5的值，并根据d2、d3、d4、d5的值得出其l-系统裂缝粗糙形态的产生式和图像，令l-系统绘制裂缝粗糙形态的最大高度为宽度，绘制粗直线，将实测裂缝图像含在所述粗直线内，将裂缝的去粗糙化形态视为所述粗直线中线形成的光滑直线，得出光滑裂缝的形态，实现对所有实测裂缝的去粗糙化处理；
26、计算所有去粗糙化后实测裂缝组成的树状裂缝网络的分形维数df，计算相交裂缝平均夹角αf，确定树状裂缝网络形态初始元为f，生成元产生式为：
27、f[+fl[+sa][–sb]][–fr[+sc][–sd]]f
28、其中，f为树状裂缝网络形态的一个行进单元，角标l、r、a、b、c、d为分支编号；+、–为转向单元，分别代表顺时针和逆时针转动，旋转角度为αf，树状裂缝形态通过迭代得出树状裂缝网络形态的产生式；
29、对dr、da、db、dc、dd分别在[0,1.0]范围进行随机取值，计算dl：
30、
31、若dl不在[0,1.0]范围内，则对dr、da、db、dc、dd进行重新取值，按照树状裂缝网络形态的产生式的先后顺序对产生式中各行进单元进行编号，并计算其长度l(k):
32、
33、其中k为行进单元的序号；nf为树状裂缝网络形态迭代数；nl为行进单元角标中l的数量，nr为行进单元角标中r的数量，na为行进单元角标中a的数量，nb为行进单元角标中b的数量，nc为行进单元角标中c的数量，nd为行进单元角标中d的数量，基于l-系统方法，绘制树状裂缝网络形态产生式的图像，绘制出的图像作为机器学习的一个树状裂缝网络形态样本，其6个标签分别为dr、da、db、dc、dd和用公式计算出的dl值；
34、将多个树状裂缝网络形态样本组合成一个树状裂缝网络形态样本集；
35、采用人工神经网络模型进行监督学习的机器学习方法，以树状裂缝网络形态产生式的图像为输入层dr、da、db、dc、dd、dl为输出层，对所述树状裂缝网络形态样本集进行训练，计算结果误差的平方和低于0.01为止，以形成通过去粗糙化后实测裂缝组成的树状裂缝网络形态计算l-系统树状裂缝网络dr、da、db、dc、dd、dl参数的人工智能方法；
36、去粗糙化后树状裂缝网络采用形成的dr、da、db、dc、dd、dl参数人工智能方法计算对应参数值，根据l-系统绘制树状裂缝网络形态，将树状裂缝网络中的每个行进单元，使用对应裂缝长度范围内实测裂缝图像的d2、d3、d4、d5参数平均值，得出l-系统裂缝粗糙形态的产生式在对应位置绘制相应图像，形成致密储层水力压裂树状粗糙裂缝网络形态。
37、进一步地，所述多次迭代得出裂缝粗糙形态的产生式，本文档来自技高网...
【技术保护点】
1.一种致密储层水力压裂树状粗糙裂缝网络人工智能描述方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述多次迭代得出裂缝粗糙形态的产生式，包括：
3.根据权利要求1所述的方法，其特征在于，所述树状裂缝形态通过迭代得出树状裂缝网络形态的产生式，包括：
4.根据权利要求3所述的方法，其特征在于，通过如下方法获取压裂后裂缝图像：
5.根据权利要求4所述的方法，其特征在于，所述试件的长、宽、高均未300mm。
6.根据权利要求4所述的方法，其特征在于，对所述压裂后裂缝图像按照长度进行分类，包括：
7.一种致密储层水力压裂树状粗糙裂缝网络人工智能描述装置，其特征在于，所述装置包括：
8.根据权利要求7所述的装置，其特征在于，所述粗糙形态描述模块被进一步配置为：
9.根据权利要求7所述的装置，其特征在于，所述第三计算模块被进一步配置为：
10.一种可读存储介质，其特征在于，所述可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行
...【技术特征摘要】
1.一种致密储层水力压裂树状粗糙裂缝网络人工智能描述方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述多次迭代得出裂缝粗糙形态的产生式，包括：
3.根据权利要求1所述的方法，其特征在于，所述树状裂缝形态通过迭代得出树状裂缝网络形态的产生式，包括：
4.根据权利要求3所述的方法，其特征在于，通过如下方法获取压裂后裂缝图像：
5.根据权利要求4所述的方法，其特征在于，所述试件的长、宽、高均未300mm。
6.根据权利要求4所述的方...
【专利技术属性】
技术研发人员：胡超洋，徐贺，陈郡，王凤娇，张军，张开鑫，
申请(专利权)人：东北石油大学，
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。