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

专利主权项内容

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：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；步骤2、对多级水平井压裂裂缝扩展时序图像数据库中的数据进行预处理；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；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；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；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；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：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；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；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；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；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；所述步骤2的具体过程如下：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：其中，h为储层各属性或泵注设计不同参数；h为h的归一化值；h为h的最小值；h为h的最大值；stdminmax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；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：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；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；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；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；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；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；压裂裂缝扩展时序图像智能预测模型的工作过程为：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；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；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；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；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；所述步骤3.4的具体过程为：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；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；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；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；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；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之间；步骤3.4.7、将步骤3.4.6获得的注意力权重张量与步骤3.4.1获得的输入特征数据相乘，得到融合输入特征向量；所述步骤3.5中，卷积-长短期记忆网络层采用卷积-长短期记忆网络结构，包括输入卷积层、长短期记忆网络层、输出卷积层；输入卷积层参数设置为：in_channels＝4，out_channels＝128，kernel_size＝5，stride＝1，padding＝2；其中，in_channels为输入通道；out_channels为输出通道；kernel_size为卷积核大小；stride为步长；padding为填充；长短期记忆网络层的参数设置为：设置4层隐藏层，每层隐藏层都包含遗忘门、输入门、输出门和更新门，具体计算公式如下：f＝Sigmoid(Conv(x；w)+Conv(h；w)+(c；w)+b) (2)；ttxft-1hft-1cffi＝Sigmoid(Conv(x；w)+Conv(h；w)+(c；w)+b) (3)；ttxit-1hit-1ciio＝Sigmoid(Conv(x；w)+Conv(h；w)+(c；w)+b) (4)；ttxot-1hot-1coog＝Tanh(Conf(x；w)+Conv(h；w)+b) (5)；rtxgt-1hg>>＝f⊙c+i⊙g (6)；>>t-1>>>＝o⊙Tanh(c) (7)；>>>其中，t为当前时间步；t-1为上一个时间步；Sigmoid(·)为Sigmoid函数；Conv(·)为卷积计算；x表示当前时间步的融合输入特征向量；h表示上一个时间步的隐藏状态；c表示上一个时间步的细胞状态；w、w、w、w分别表示输入特征x与门控单元中的遗忘门、输入门、输出门和更新门相关的权重矩阵；w、w、w、w分别表示上一个时间步的隐藏状态h与门控单元中的遗忘门、输入门、输出门和更新门相关的权重矩阵；w、w、w分别表示上一个时间步的细胞状态c与门控单元中的遗忘门、输入门和输出门相关的权重矩阵；b、b、b、b分别表示门控单元中的遗忘门、输入门、输出门和更新门的偏置向量；f表示遗忘门的输出；i表示输入门的输出；o表示输出门的输出；g表示更新门的输出；⊙表示逐元素相乘操作；c表示当前时间步的细胞状态；h表示当前时间步的隐藏状态；Tanh(·)为Tanh函数；>t-1t-1xfxixoxg>hfhihohgt-1cfcicot-1>>>>>>>>>>输出卷积层参数设置为：in_channels＝128，out_channels＝3，kernel_size＝1，stride＝1，padding＝0。