本发明专利技术公开了基于改进物理约束神经网络的非常规油气藏裂缝预测方法，利用拉丁超立方采样和UFM模拟方法建立非常规油气藏水力裂缝数据库，采用简化的压裂液滤失模型、支撑缝长预测模型、支撑缝高预测模型和裂缝体积守恒规律建立改进的PKN裂缝扩展模型，在PCNN模型损失函数的物理损失项中嵌入改进PKN裂缝扩展模型，所得拟合精度更高，水力裂缝参数预测结果更加可靠。本发明专利技术计算代价较小，具有广泛的应用价值。
【技术实现步骤摘要】
本专利技术涉及非常规天然气勘探开发，尤其涉及一种基于改进物理约束神经网络的非常规油气藏裂缝预测方法。
技术介绍
1、水平井多段压裂是非常规油气藏商业化开发的关键技术，压后水力裂缝参数的预测对于压裂效果评估和施工参数优化至关重要。微地震监测、示踪剂、光纤监测等裂缝直接监测手段有助于认识储层压裂裂缝形态，但这些方法成本高且无法获得裂缝导流能力。为实现压裂裂缝的精细刻画并指导压裂参数优化设计，已开发出拟三维、平面三维和真三维等多种裂缝扩展模型，即采用数值模拟方法预测压裂裂缝。压裂裂缝扩展是由岩石破坏、流固耦合等多种机理控制的物理过程，导致这些裂缝扩展模型求解过程复杂且耗时费力。
2、随着大数据和人工智能技术的发展，基于机器学习建立代理模型以解决石油行业中面临的各种昂贵、耗时的计算问题，得到广泛的应用和发展。其中，物理约束神经网络(pcnn)模型将物理准则和深度学习模型融合，以科学理论、工程控制作为先验知识，利用这些先验知识在训练过程中对深度学习模型进行约束，来提升模型在一些专业学科问题中的准确性和鲁棒性，现已在油气藏渗流模拟、产量预测等方面得到大量研究。由于数据集收集和物理约束嵌入等问题，pcnn在压裂效果评估和水力裂缝参数预测方面研究较少，尤其是水力压裂过程涉及岩石破碎、裂缝延伸、支撑剂运移等多个物理控制方程，难以形成统一的偏微分方程形式嵌入到神经网络中。鉴于此，有必要研究如何将复杂水力压裂过程嵌入至神经网络，以期达到水力裂缝关键参数有效预测及预测精度提高的目的。
技术实现思路
1、本专利技术主要是解决现有技术中的不足之处，本专利技术的目的是提供基于改进物理约束神经网络的非常规油气藏裂缝预测方法。
2、为达到以上技术目的，本专利技术采用以下技术方案：
3、基于改进物理约束神经网络的非常规油气藏裂缝预测方法，其特征在于，包括以下步骤：
4、s1：收集非常规油气藏基础参数数据；
5、s2：利用斯伦贝谢petrel一体化软件平台中的ufm压裂模拟模块，模拟得到步骤s1中不同数据组合下的水力裂缝关键参数，建立非常规油气藏水力裂缝数据库；
6、s3：根据步骤s2模拟得到的水力裂缝关键参数和pkn裂缝扩展理论，建立简化的压裂液滤失系数模型、支撑缝长预测模型和支撑缝高预测模型；
7、s4：根据pkn裂缝扩展模型理论，结合步骤s3中简化的压裂液滤失系数模型、支撑缝长预测模型、支撑缝高预测模型和裂缝体积守恒规律，建立改进的pkn裂缝扩展模型；
8、s5：在损失函数的物理损失项中，添加步骤s4建立的改进pkn裂缝扩展模型，训练具有物理约束意义的pcnn非常规油气藏裂缝参数预测模型，从而实现非常规油气藏裂缝参数快速预测。
9、进一步的，步骤s1中，所述非常规油气藏基础参数数据包括储层物性参数、岩石力学参数、地应力参数和压裂施工参数。具体而言，储层物性参数包括孔隙度、渗透率、饱和度，岩石力学参数包括杨氏模量、泊松比，地应力参数包括水平应力、孔隙压力，压裂施工参数包括施工排量、压裂液用量、加砂浓度。
10、进一步的，所述步骤s2具体包括以下子步骤：
11、s21：根据步骤s1收集得到的非常规油气藏基础参数范围，采用拉丁超立方采样方法获得不同基础参数组合，所述拉丁超立方采样方法为现有技术，具体操作步骤在此不再赘述；
12、s22：基于petrel一体化软件平台的ufm压裂模拟模块，模拟步骤s21中不同基础参数组合下的水力裂缝扩展过程，得到水力裂缝关键参数，水力裂缝关键参数包括：压裂液滤失参数、水力缝长、水力缝高、支撑缝长、支撑缝高、支撑缝宽、支撑缝导流能力。
13、进一步的，所述步骤s3具体包括以下子步骤：
14、s31：所述pkn裂缝扩展模型假设条件包括：(1)垂直裂缝面为平面应变状态，裂缝高度恒定；(2)裂缝垂直和水平截面均为椭圆形，最大裂缝宽度位于井筒处；(3)沿裂缝高度无压差，沿缝长方向的压降由流体的流动阻力引起；(4)压裂液沿缝长呈一维层流流动，且沿裂缝壁面线性滤失。模型表达式如下：
15、
16、式中：l为水力缝长，m；qi为注入排量，m3/min；t为注入时间，min；h为裂缝高度，m；w0为最大缝宽，m；v为泊松比，小数；e为杨氏模量，mpa；μ为压裂液黏度，mpa·s。
17、s32：根据ufm模拟得到的压裂液滤失系数建立简化的压裂液滤失系数模型，模型表达式如下：
18、
19、式中：cl为压裂液滤失系数，m/(min0.5)；cc为储层区滤失系数，m/(min0.5)；cv为侵入区滤失系数，m/(min0.5)；a和b为拟合参数；为储层孔隙度，％；k为储层渗透率，md；sw为含水饱和度，％；sg为含气饱和度，％；δp为最小水平主应力与孔隙压力的差值，mpa；cp为加砂浓度，kg/m3；μ为压裂液黏度，mpa·s。
20、s33：根据s32建立的简化压裂液滤失模型和pkn模型计算水力缝长，并将该水力缝长与ufm模拟得到的支撑缝长进行回归，从而得到简化的支撑缝长计算模型，模型表达式如下：
21、
22、式中：lprop为支撑缝长，m；l为水力缝长，m；a和b为拟合参数。
23、s34：采用s33中简化支撑缝长计算模型形式，对ufm模拟得到的水力缝高和支撑缝高进行回归，得到简化的支撑缝高计算模型，模型表达式如下：
24、
25、式中：hprop为支撑缝高，m；h为水力缝高，m；m和n为拟合参数。
26、进一步的，步骤s4中，所述裂缝体积守恒规律为压裂过程中注入的支撑剂体积等于压裂后形成的支撑裂缝体积。
27、进一步的，步骤s4中，所述改进的pkn裂缝扩展模型假设条件除包括pkn模型假设条件外，假设水力裂缝高度等于储层砂体厚度。相比原始pkn模型，改进后的pkn模型除了可以求解水力缝属性，还可以求解支撑缝属性。模型表达式如下：
28、
29、式中：wprop为支撑裂缝宽度，m；α为支撑剂注入裂缝中体积改变因子，取0.8；vprop为支撑剂体积，m3；lprop为支撑缝长，m；hprop为支撑缝高，m；kprop为支撑裂缝渗透率，md；为支撑剂紧密铺置时孔隙度，取0.35；dp为支撑剂粒径，m；为支撑剂圆球度，取1；df为支撑剂破坏因子，取0.15；cf为支撑裂缝导流能力，md·m。
30、进一步的，步骤s5具体包括以下子步骤：
31、s51：所述损失函数包括观测误差损失和物理模型损失，函数形式如下：
32、losstotal＝λdatamsedata+λphysicsmsephysics
33、式中：losstotal为考虑物理约束后总损失；λdata为观测误差项权重；λphysics为物理模型损失项权重；msedata为观测误差损失项；msephysic本文档来自技高网
...
【技术保护点】
1.基于改进物理约束神经网络的非常规油气藏裂缝预测方法，其特征在于，包括以下步骤：
2.如权利要求1中所述的基于改进物理约束神经网络的非常规油气藏裂缝预测方法，其特征在于，步骤S1中所述非常规油气藏基础参数数据包括储层物性参数、岩石力学参数、地应力参数和压裂施工参数；具体而言，储层物性参数包括孔隙度、渗透率、饱和度，岩石力学参数包括杨氏模量、泊松比，地应力参数包括水平应力、孔隙压力，压裂施工参数包括施工排量、压裂液用量、加砂浓度。
3.如权利要求1中所述的基于改进物理约束神经网络的非常规油气藏裂缝预测方法，其特征在于，所述步骤S2具体包括以下子步骤：
4.如权利要求1中所述的基于改进物理约束神经网络的非常规油气藏裂缝预测方法，其特征在于，所述步骤S3具体包括以下子步骤：
5.如权利要求1中所述的基于改进物理约束神经网络的非常规油气藏裂缝预测方法，其特征在于，步骤S4中所述裂缝体积守恒规律为压裂过程中注入的支撑剂体积等于压裂后形成的支撑裂缝体积。
6.如权利要求1中所述的基于改进物理约束神经网络的非常规油气藏裂缝预测方法，其特征在于，步骤S4中所述改进的PKN裂缝扩展模型假设条件除包括PKN模型假设条件外，假设水力裂缝高度等于储层砂体厚度；相比原始PKN模型，改进后的PKN模型除了可以求解水力缝属性，还可以求解支撑缝属性；模型表达式如下：
7.如权利要求1中所述的基于改进物理约束神经网络的非常规油气藏裂缝预测方法，其特征在于，步骤S5具体包括以下子步骤：
...
【技术特征摘要】
1.基于改进物理约束神经网络的非常规油气藏裂缝预测方法，其特征在于，包括以下步骤：
2.如权利要求1中所述的基于改进物理约束神经网络的非常规油气藏裂缝预测方法，其特征在于，步骤s1中所述非常规油气藏基础参数数据包括储层物性参数、岩石力学参数、地应力参数和压裂施工参数；具体而言，储层物性参数包括孔隙度、渗透率、饱和度，岩石力学参数包括杨氏模量、泊松比，地应力参数包括水平应力、孔隙压力，压裂施工参数包括施工排量、压裂液用量、加砂浓度。
3.如权利要求1中所述的基于改进物理约束神经网络的非常规油气藏裂缝预测方法，其特征在于，所述步骤s2具体包括以下子步骤：
4.如权利要求1中所述的基于改进物理约束神经网络的非常规油气藏裂缝预测方法，其...
【专利技术属性】
技术研发人员：罗山贵，赵玉龙，雍锐，肖尧，吴建发，覃建华，曾斌，刘香禺，张芮菡，唐慧莹，张涛，郭晶晶，田野，
申请(专利权)人：西南石油大学，
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。