【技术实现步骤摘要】
本专利技术涉及油田开发分析领域，更具体地说，它涉及基于压汞测试数据的岩样相对渗透率曲线预测方法及系统。
技术介绍
1、相对渗透率是指在多孔介质中，不同相(例如油和水)的渗透率之间的相对关系，它决定了不同相在储层中的渗流速度，对油田的开发有着重要影响。相对渗透率曲线的获得，通常有直接法和间接法。直接法是通过室内岩心实验，采用稳态或非稳态的方法进行测量。受限于岩心样品数量、取心污染及测量误差等，实验室直接测量的方法并不总是可行，因此一些间接预测模型被广泛使用。
2、目前，部分学者提出了采用动态数据计算相对渗透率曲线的方法，如水驱曲线法和含水率曲线法，这些方法可以较好地反映油藏整体动态变化，但该方法基于较长时间的生产数据且不能考虑油藏非均质情况。压汞实验是在一定的压力下，将汞压入多孔介质的微观孔隙中得到压力与汞体积关系的实验。它与相对渗透率曲线均受控于多孔介质复杂的微观孔隙结构特征。因为压汞实验数据易于获取，样本量相对较大，众多学者提出了基于毛管压力实验的计算相对渗透率模型，包括purcell模型、burdine模型，这些模型基于毛管束及平板理论的假设，计算结果误差较大。而随着人工智能技术的快速发展，最优化和机器学习方法为地下储层相对渗透率的计算提供了新的解决方案。根据现有实验或数值结果建立了人工智能算法的数据集，这些工作在可靠性和效率预测相对渗透率方面取得了巨大的成功，尤其是采用三维数字岩心图像预测相对渗透率。然而，目前很少有采用深度学习的方法直接从岩样毛管力曲线预测相对渗透率曲线。
3、因此，如何研究设计一
技术实现思路
1、为解决现有技术中的不足，本专利技术的目的是提供基于压汞测试数据的岩样相对渗透率曲线预测方法及系统，将数量有限的压汞实验-相渗实验样本数据，通过自监督学习模式，自动生成大量训练样本集，并借助卷积神经网络和循环神经网络，输入到建立的基于自监督学习框架的convlstm模型中，构建高泛化能力的相对渗透率曲线计算代理模型，为油藏开发评价及油藏精细数值模拟研究提供数据支持，具有十分重要的社会和经济效益。
2、本专利技术的上述技术目的是通过以下技术方案得以实现的：
3、第一方面，提供了基于压汞测试数据的岩样相对渗透率曲线预测方法，包括以下步骤：
4、获取多个岩芯样本的压汞实验测试数据，压汞实验测试数据包括进汞曲线、退汞曲线和孔喉分布曲线；
5、对压汞实验测试数据中同一曲线的数据分别进行插值处理，并通过格拉姆角度场转换为相应的单通道图像数据；
6、将三个单通道图像数据分别作为rgb图像的r、g、b通道进行组合，得到相应的三通道图像数据；
7、基于brooks-corey模型，采用gauss-newton算法对各个岩芯样本所对应的相渗曲线实验测试数据进行拟合，得到相应的相渗曲线参数；
8、基于各个三通道图像数据之间的差分矩阵建立表征图像样本之间差异和演化关系的序列样本，得到训练样本数据；
9、初始化神经网络，并将训练样本数据输入到神经网络中进行训练，直到损失函数收敛后得到由压汞曲线映射相渗曲线参数的神经网络模型；
10、将未知样本和多个已知样本的压汞实验测试数据输入至神经网络模型，预测得到未知样本的相渗曲线参数。
11、进一步的，所述进汞曲线、退汞曲线和孔喉分布曲线均以有限长度的有序二元向量表示；
12、所述进汞曲线、退汞曲线的有序二元向量均包括汞饱和度和压力值；
13、所述孔喉分布曲线的有序二元向量包括孔喉半径的对数和对应孔喉体积百分比。
14、进一步的，所述通过格拉姆角度场转换为相应的单通道图像数据的过程具体为：
15、将插值处理后的序列数据x线性转换到[-1,1]，得到序列
16、
17、将序列映射到极坐标下，在单位圆内表示序列
18、
19、遍历li∈[0,128]，lj∈[0,128]，计算任意(li,lj)的三角余弦和：
20、
21、其中，分别表示中编号为l、li、lj的元素；max(x)、min(x)分别表示序列的最大值、最小值；表示在极坐标中的角度值；表示行编号、列编号为li、lj的gasf矩阵中的元素。进一步的，所述brooks-corey模型参数为：
22、
23、所述brooks-corey模型的brooks-corey方程表达式为：
24、
25、
26、其中，表示第i个岩芯样本对应的brooks-corey模型参数；kro,i为第i个样本的油相对渗透率，因变量；so,i为第i个样本的含油饱和度，自变量；sw,i为第i个样本的含水饱和度，自变量；sor,i为第i个样本的残余油饱和度，范围在闭区间[0,1]的待求解参数；swc,i为第i个样本的束缚水饱和度，范围在闭区间[0,1]的待求解参数；no,i为第i个样本的油相指数项，范围在闭区间[0,6]的待求解参数；nw,i为第i个样本的油相指数项，范围在闭区间[0,6]的待求解参数；为第i个样本的水相最大相对渗透率，范围在闭区间[0,1]的待求解参数；krw,i表示第i个样本的水相对渗透率方程，因变量。
27、进一步的，所述神经网络采用conv2d+lstm2d+fc多层架构。
28、进一步的，所述conv2d为2维卷积神经网络：输入为单通道、长宽均为128的图像数据，通过多层卷积神经网络，输出维度为(16,16,64)的张量，用以表示图像特征；
29、所述lstm2d为可以处理二维图像数据的长短时神经网络：将8个时刻的conv2d的输出张量作为其输入，通过长度为8的时间序列网络lstm，取最后4个时刻维度为隐层状态张量，输出维度为(4,16,16,8)的张量，其中第1维为时刻；
30、所述fc是指全连接层，将lstm2d的输出的最后4个时刻的张量，通过线性层，映射为长度为4的向量，即最后4个样本的渗透率。
31、进一步的，所述未知样本放置于所有样本数据的最后时刻。
32、第二方面，提供了基于压汞测试数据的岩样相对渗透率曲线预测系统，包括：
33、数据采集模块，用于获取多个岩芯样本的压汞实验测试数据，压汞实验测试数据包括进汞曲线、退汞曲线和孔喉分布曲线；
34、图像转换模块，用于对压汞实验测试数据中同一曲线的数据分别进行插值处理，并通过格拉姆角度场转换为相应的单通道图像数据；
35、图像组合模块，用于将三个单通道图像数据分别作为rgb图像的r、g、b通道进行组合，得到相应的三通道图像数据；
36、参数拟合模块，用于基于brooks-corey模型，采用gauss-newton算法对各个岩芯样本所对应的相渗曲线实验测试本文档来自技高网...
【技术保护点】
1.基于压汞测试数据的岩样相对渗透率曲线预测方法，其特征是，包括以下步骤：
2.根据权利要求1所述的基于压汞测试数据的岩样相对渗透率曲线预测方法，其特征是，所述进汞曲线、退汞曲线和孔喉分布曲线均以有限长度的有序二元向量表示；
3.根据权利要求1所述的基于压汞测试数据的岩样相对渗透率曲线预测方法，其特征是，所述通过格拉姆角度场转换为相应的单通道图像数据的过程具体为：
4.根据权利要求1所述的基于压汞测试数据的岩样相对渗透率曲线预测方法，其特征是，所述Brooks-Corey模型参数为：
5.根据权利要求1所述的基于压汞测试数据的岩样相对渗透率曲线预测方法，其特征是，所述神经网络采用conv2d+LSTM2d+FC多层架构。
6.根据权利要求1所述的基于压汞测试数据的岩样相对渗透率曲线预测方法，其特征是，所述conv2d为2维卷积神经网络：输入为单通道、长宽均为128的图像数据，通过多层卷积神经网络，输出维度为(16,16,64)的张量，用以表示图像特征；
7.根据权利要求1所述的基于压汞测试数据的岩样相对渗透率
8.基于压汞测试数据的岩样相对渗透率曲线预测系统，其特征是，包括：
9.一种计算机终端，包含存储器、处理器及存储在存储器并可在处理器上运行的计算机程序，其特征是，所述处理器执行所述程序时实现如权利要求1-7中任意一项所述的基于压汞测试数据的岩样相对渗透率曲线预测方法。
10.一种计算机可读介质，其上存储有计算机程序，其特征是，所述计算机程序被处理器执行可实现如权利要求1-7中任意一项所述的基于压汞测试数据的岩样相对渗透率曲线预测方法。
...【技术特征摘要】
1.基于压汞测试数据的岩样相对渗透率曲线预测方法，其特征是，包括以下步骤：
2.根据权利要求1所述的基于压汞测试数据的岩样相对渗透率曲线预测方法，其特征是，所述进汞曲线、退汞曲线和孔喉分布曲线均以有限长度的有序二元向量表示；
3.根据权利要求1所述的基于压汞测试数据的岩样相对渗透率曲线预测方法，其特征是，所述通过格拉姆角度场转换为相应的单通道图像数据的过程具体为：
4.根据权利要求1所述的基于压汞测试数据的岩样相对渗透率曲线预测方法，其特征是，所述brooks-corey模型参数为：
5.根据权利要求1所述的基于压汞测试数据的岩样相对渗透率曲线预测方法，其特征是，所述神经网络采用conv2d+lstm2d+fc多层架构。
6.根据权利要求1所述的基于压汞测试数据的岩样相对渗透率曲线预测方法，其特征是...
【专利技术属性】
技术研发人员：瞿建华，王贺华，米中荣，张亮，诸丹诚，谢恩，张可，邓睿，段策，张博宁，李豫源，邓祺，
申请(专利权)人：成都北方石油勘探开发技术有限公司，
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。