[發明專利]基于物理約束的DL模型預測致密油壓裂范圍的方法

有效

• 申請號: 202110076317.3
• 申請日: 2021-01-20
• 公開（公告）號: CN112818591B
• 公開（公告）日: 2021-08-03
• 發明（設計）人: 岳明;宋鸝影;宋洪慶;宋田茹;王九龍;都書一
• 申請（專利權）人: 北京科技大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06F30/28;G06F30/23;G06N3/04;G06F111/04;G06F111/10
• 代理公司: 北京市廣友專利事務所有限責任公司 11237
• 代理人: 張仲波

1.一種基于物理約束的DL模型預測致密油壓裂范圍的方法，其特征在于：包括步驟如下：

(1)對所研究的致密油壓裂范圍求解問題提出物理假設：假定所研究的地層是水平、均質、各向同性的，液體是單相、均質、弱可壓縮的牛頓液體，并假定滲流過程中等溫，無任何特殊的物理化學現象發生，滲流符合達西定律，然后在數值模擬軟件中設置相關參數，同時考慮基質區和改造區的絕對滲透率的變化情況；

(2)在物理假設與參數設置的基礎上利用數值模擬軟件中的建模模塊選擇二維軸對稱模型建立致密油壓裂開發滲流數值計算模型，表征基質區和改造區范圍以及流體的流動規律；

(3)利用數值模擬軟件中網格自動劃分方法對步驟(2)中建好的模型進行網格的劃分，然后設置時間步，最后通過數值模擬軟件中的計算功能模塊生成模擬數據，并將模擬數據中的離散數據和分類數據映射為計算機可以處理的二進制數據格式，連續型數據通過Matlab轉為.mat文件，即處理為機器學習能夠使用的樣本數據集，并隨機抽取樣本數據集的70％作為訓練集，剩下的30％作為測試集；

(4)采用適用性最廣的深度神經網絡模型對步驟(3)中獲取的樣本數據集進行學習，即建立深度學習模型；

(5)設置深度神經網絡模型的結構，即確定神經網絡的層數和每層神經元的數量，同時設置激活函數、優化器和權重初始化方法；

(6)自定義神經網絡模型的損失函數，即在數據項的基礎上通過自動微分添加控制方程項；

(7)在添加物理控制方程的深度神經網絡基礎上，對訓練集進行訓練，用測試集得到預測結果；

(8)使用L2誤差和決定系數R²作為評價指標對預測結果進行評價，若R²值大于95％且L2誤差值小于20即認為模型具有較高的預測能力；

(9)比較考慮物理約束與不考慮物理約束下神經網絡預測的精度，若考慮物理約束后的神經網絡的L2誤差值比不考慮物理約束的神經網絡的L2誤差值小，而決定系數R²比不考慮物理約束的神經網絡的R²大，則認為添加物理約束后神經網絡模型的預測能力更強；以此衡量添加物理約束后神經網絡模型的預測能力；

(10)在添加物理約束的神經網絡的基礎上改變訓練集大小并衡量其預測能力。

2.根據權利要求1所述的基于物理約束的DL模型預測致密油壓裂范圍的方法，其特征在于：所述步驟(1)中相關參數包括：孔隙度、滲透率、壓力邊界、含油飽和度、水平井長度、改造區和基質區的范圍。

3.根據權利要求1所述的基于物理約束的DL模型預測致密油壓裂范圍的方法，其特征在于：所述步驟(6)中數據項使用均方誤差進行誤差評估，控制方程項通過使用自動微分算法將物理方程加入到損失函數中。

4.根據權利要求1所述的基于物理約束的DL模型預測致密油壓裂范圍的方法，其特征在于：所述步驟(10)中通過改變訓練集的大小，設置不少于10組的對比實驗，以L2誤差和決定系數R²為評價指標衡量物理約束下的神經網絡對小樣本數據的預測能力，即若神經網絡的決定系數R²大于95％且L2誤差值小于20，則認為神經網絡模型有較強的預測能力。