[發明專利]基于深度學習的頁巖儲層試井智能解釋分析方法及裝置

有效

• 申請號: 202110386841.0
• 申請日: 2021-04-12
• 公開（公告）號: CN113111582B
• 公開（公告）日: 2022-08-23
• 發明（設計）人: 陳志明;董鵬;熊佩雯;王佳楠;趙鵬飛;趙曉亮
• 申請（專利權）人: 中國石油大學(北京)
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06F30/28;G06N3/04;G06N3/08;G06F113/08;G06F119/14
• 代理公司: 北京三友知識產權代理有限公司 11127
• 代理人: 錢能;周達

1.一種基于深度學習的頁巖儲層試井智能解釋分析方法，其特征在于，所述基于深度學習的頁巖儲層試井智能解釋分析方法包括：

建立頁巖氣藏氣井試井的物理模型，其中物理模型的假設條件如下：井經過壓裂，形成雙翼裂縫，裂縫為有限導流裂縫；利用Langmuir等溫吸附曲線描述吸附氣體壓力與被吸附量的關系以得到Langmuir方程；儲層均質、等厚、各向同性,頂、底為不滲透隔層，用雙重孔隙介質模型來整體描述次裂縫；考慮實際生產條件下存在的井筒儲集效應和表皮效應；

根據頁巖氣藏氣井試井的物理模型列出裂縫中氣體流動質量守恒方程；

根據所述Langmuir方程、所述裂縫中氣體流動質量守恒方程和點源函數滲流方程求解得到點源解，其中，所述點源函數滲流方程及供給邊界條件如下：

其中，u的表達式為

u＝sf(s)，

其中，r_D表示無因次半徑；L表示垂直裂縫長度的一半，單位為m；ψ表示氣體擬壓力；表示氣體擬壓力的拉普拉斯形式；下標f為裂縫系統；s表示關于時間的拉普拉斯因子，單位為s^-1；λ為基質向微裂縫竄流系數；ω為次裂縫的彈性儲容比；

基于所述點源解得到拉氏空間下頂底封閉邊界、圓形邊界儲層垂直壓裂井井底的壓力響應，再計算得到真實空間下的壓力解；

將無因次井儲系數、表皮因子、裂縫半長、裂縫無因次導流能力、儲層滲透率作為深度學習模型的標簽，將典型無因次特征曲線作為深度學習模型的輸入進行訓練，訓練完成后，將無因次化后的雙對數壓力及其導數曲線輸入到深度學習模型中，即可獲得該曲線所對應的井儲系數、表皮因子、裂縫半長、裂縫導流能力、儲層滲透率關鍵參數。

2.根據權利要求1所述的基于深度學習的頁巖儲層試井智能解釋分析方法，其特征在于，在物理模型的假設條件下，具體參數如下：

儲層頂部z＝h和儲層底部z＝0為封閉邊界，儲層在徑向上為半徑為r_e的封閉外邊界；垂直裂縫長度為2L，即水平方向上的長度，高度為h，且裂縫完全貫穿地層，裂縫寬度為w_f，滲透率為k_f；儲集層各向同性，各個方向上滲透率都相等；地層流體經歷從基質流入裂縫和裂縫流入生產井筒的階段。

3.根據權利要求2所述的基于深度學習的頁巖儲層試井智能解釋分析方法，其特征在于，利用Langmuir等溫吸附曲線描述吸附氣體壓力與被吸附量的關系得到的Langmuir方程具體如下：

其中，V_L表示Langmuir體積，為常數；p_L表示Langmuir壓力，為常數；p表示壓力，單位為Mpa；V_E為頁巖氣濃度，單位為m³/m³。

4.根據權利要求2所述的基于深度學習的頁巖儲層試井智能解釋分析方法，其特征在于，頁巖氣藏氣井試井的物理模型中的具體相關基礎定義如下：

擬壓力為：

其中，μ_g表示氣體粘度，單位為cp；z_g表示壓縮因子，無量綱；p表示壓力，單位為MPa；下標g表示氣相。

5.根據權利要求2所述的基于深度學習的頁巖儲層試井智能解釋分析方法，其特征在于，頁巖氣藏氣井試井的物理模型中無因次化定義如下：

無因次生產時間為：

無因次泄氣半徑為：

無因次儲層厚度為：

無因次井筒儲集系數為：

基質向微裂縫竄流系數為：

次裂縫的彈性儲容比為：

其中，k表示滲透率，單位為md；μ表示黏度，單位為cp；r_w表示井半徑；C_t表示綜合壓縮系數，單位為MPa^-1；h表示油藏厚度，單位為m；x_f表示裂縫半長，單位為m；C表示井筒存儲系數，單位為m³/MPa；r表示徑向距離；表示孔隙度；下標f為裂縫系統；下標m為基質系統；下標g為氣相；表示基質系統綜合壓縮系數，單位為MPa^-1；表示氣體壓縮系數，單位為MPa^-1；α表示裂縫系統的形狀因子。