[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

本發明公開了一種基于深度學習的頁巖儲層試井智能解釋分析方法及裝置，方法包括：建立頁巖氣藏氣井試井的物理模型；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Langmuir方程、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；基于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；將無因次井儲系數等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，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，獲得該曲線所對應的關鍵參數。本申請能夠更好更快的確定頁巖氣藏壓裂井儲層及裂縫參數。

技術領域

本發明涉及油氣田開發技術領域，特別涉及一種基于深度學習的頁巖儲層試井智能解釋分析方法及裝置。

背景技術

針對大型壓裂復雜裂縫評估技術，目前主要方法采用井間微地震技術，井間微地震技術可以獲得以下信息：裂縫幾何形態、裂縫復雜程度、裂縫位置及改造體積等。但該方法缺少對裂縫滲透率、裂縫竄流能力、裂縫導流能力、有效裂縫半長及有效改造體積等參數的定量評價，以上參數是影響大型壓裂井產能、空間流場、壓力場分布等的重要因素。現代試井分析方法一般通過對井的不穩定壓力響應特征的分析，從而有效反演儲層和井的相關信息，這些相關信息包括井儲系數、表皮系數、基質滲透率，以及上文提到的裂縫滲透率、裂縫竄流能力、裂縫導流能力、有效裂縫半長等，這些相關信息可以定量評價井和儲層的壓裂改造效果。

但是，采用現代試井分析方法來反演儲層和井的相關信息時，由于頁巖滲透率極低，其試井曲線主要以裂縫線性流為主，難以達到徑向流，導致無法出現完整的試井曲線，因此為試井解釋工作帶來了極大的多解性。同時，基于目前模型通常存在計算耗時久，人工擬合精度低，嚴重影響了試井模型的實際應用，無法適應頁巖氣開發節奏。為了更好的確定頁巖氣藏壓裂井儲層及裂縫參數，有必要研究出一種基于深度學習的頁巖儲層試井智能解釋分析方法。

發明內容

為了克服現有技術的上述缺陷，本發明實施例所要解決的技術問題是提供了一種基于深度學習的頁巖儲層試井智能解釋分析方法及裝置，其能夠更好更快的確定頁巖氣藏壓裂井儲層及裂縫參數。

本發明實施例的具體技術方案是：

一種基于深度學習的頁巖儲層試井智能解釋分析方法，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

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；