一种融合物理约束的动静神经网络页岩气井EUR预测方法、系统、设备和介质
本发明涉及气藏工程、页岩气开发及人工智能机器学习,具体涉及一种融合物理约束的动静神经网络页岩气井eur预测方法、系统、设备和介质。
背景技术:
1、页岩气属于典型非常规油气资源,储层具备强非均质性、纳米级孔隙发育、天然裂缝与人工裂缝耦合分布等特征,单井产能受地质属性、储层物性、流体特征、生产制度等多因素非线性耦合影响。单井最终可采储量(eur)是区块井网部署、压裂参数优化、项目经济评价、投资风险管控的核心基础参数,精准完成eur预测是页岩气高效开发的关键环节。
2、现阶段行业主流eur预测技术分为三类:经验递减曲线法、数值模拟法、机器学习预测法。其中,经验递减曲线法以arps模型为代表,模型假设条件理想化,无法适配复杂裂缝渗流机理,仅适用于稳产阶段简单工况,长期外推预测误差极大;数值模拟法依托三维地质建模与渗流求解,预测精度较高,但存在建模周期长、参数调试繁琐、算力成本高、依赖操作人员经验等问题,无法满足现场快速批量预测需求。
3、而机器学习技术近年来被广泛应用于eur预测领域,相较于传统eur预测技术具备数据处理能力强、建模速度快等优势,但现有机器学习预测法仍存在明显短板:其一,绝大多数模型为纯数据驱动架构,未结合油气渗流、产量递减基础物理规律,预测结果易出现违背工程常识的非物理解,模型可解释性差;其二,预测数据模态单一,仅单独采用静态地质参数或动态生产数据,无法兼顾储层固有属性与动态产能变化特征;其三,模型适配性差,针对开发初期20-30个月短生产史数据稀缺油气井,预测精度大幅下降;其四,动静特征融合方式固化,无法根据油气井生产阶段动态调整权重,难以适配全生命周期生产工况。
技术实现思路
1、针对上述问题,本发明的目的是提供一种融合物理约束的动静神经网络页岩气井eur预测方法、系统、设备和介质,兼顾物理合理性与数据预测精度,适配完整生产井、早期短生产史井等多种工况,提升页岩气井eur预测效率与泛化能力,降低区块开发决策成本。
2、为实现上述目的,本发明采取以下技术方案:
3、第一方面,本发明提供一种融合物理约束的动静神经网络页岩气井eur预测方法,包括:
4、采集目标页岩区块生产井的静态地质参数与动态生产时序数据,预处理后构建标准化数据集;
5、结合油气渗流机理与产量递减规律,分别搭建基于修正达西定律的软约束和基于arps产量递减方程的硬约束;
6、搭建静态ann神经网络与动态lstm神经网络双分支结构,并将所述软约束嵌入所述静态ann神经网络分支、将所述硬约束嵌入所述动态lstm神经网络分支;
7、按照预设比例将标准化数据集划分为训练集和验证集,利用训练集对所述静态ann神经网络与动态lstm神经网络双分支结构进行训练并以决定系数r²、均方根误差为评价指标进行模型验证,将验证通过的双分支结构模型部署至油气生产平台;
8、根据目标页岩气井的生产周期长短,自适应匹配对应的动静特征权重,线性融合所述静态ann神经网络与动态lstm神经网络双分支结构输出的eur预测值,实现目标页岩气井eur的自动化预测。
9、进一步,所述采集目标页岩区块生产井的静态地质参数与动态生产时序数据,预处理后构建标准化数据集,包括:
10、采集目标页岩区块生产井的静态地质参数与动态生产时序数据;
11、采用dbscan算法对静态地质参数和动态生产时序数据进行异常值剔除;
12、采用min-max算法将静态地质参数归一化至[0,1]区间,以消除静态地质参数的量纲差异;
13、以投产首月为时间基准,对全井的动态生产时序数据进行时间对齐,统一时序分析坐标轴;
14、将处理后的静态地质参数和动态生产时序数据共同作为标准化数据集。
15、进一步,所述结合油气渗流机理与产量递减规律,分别搭建基于修正达西定律的软约束和基于arps产量递减方程的硬约束,包括:
16、依托修正达西定律构建软约束,以碳酸盐岩占比替代渗透率参数,表征储层静态渗流能力,作为所述静态ann神经网络的辅助训练任务;
17、依托arps产量递减方程构建硬约束,限定递减参数取值区间,约束所述动态lstm神经网络的产量预测曲线形态,规避非物理预测结果。
18、进一步,所述修正达西定律计算公式如下:
19、;
20、式中:为等效产能,m³/d;为碳酸盐岩占比;为流体粘度,pa·s;为地层压力,mpa;为流体流动距离,m;
21、arps产量递减方程计算公式为:
22、;
23、式中:为t时刻产能,m³/d;为初始产能,m³/d;为递减指数;为初始递减速率。
24、进一步,所述静态ann神经网络分支采用双层全连接神经网络结构,以复合损失函数同步优化eur预测与渗流产能拟合任务,其中,所述复合损失函数表示为:
25、;
26、式中:为总损失值;为eur预测主任务损失;为物理约束辅助任务损失;为物理约束权重系数。
27、进一步,所述动态lstm神经网络分支通过加权融合lstm时序预测结果与arps理论递减曲线,平衡数据拟合能力与物理约束性;其中,对lstm时序预测结果与arps理论递减曲线进行加权融合,公式为:
28、;
29、式中:为最终预测产能;为lstm网络预测产能;为arps方程理论产能;为融合权重系数。
30、进一步,所述根据目标页岩气井的生产周期长短,匹配对应的动静特征权重,包括:
31、针对不同生产周期设置差异化权重:若为20个月短期生产井,则静态权重设定为0.622、动态权重设定为0.378;若为30个月及以上的中长期生产井,则直接采用所述静态ann神经网络模型的eur预测结果。
32、第二方面,本发明提供一种融合物理约束的动静神经网络页岩气井eur预测系统,包括:
33、数据预处理模块,用于采集目标页岩区块生产井的静态地质参数与动态生产时序数据,预处理后构建标准化数据集;
34、物理约束模块,用于结合油气渗流机理与产量递减规律,分别搭建基于修正达西定律的软约束和基于arps产量递减方程的硬约束;
35、双分支网络模块,用于搭建静态ann神经网络与动态lstm神经网络双分支结构,并将所述软约束嵌入所述静态ann神经网络分支、将所述硬约束嵌入所述动态lstm神经网络分支;
36、模型训练部署模块,用于按照预设比例将标准化数据集划分为训练集和验证集,利用训练集对所述静态ann神经网络与动态lstm神经网络双分支结构进行训练并以决定系数r²、均方根误差为评价指标进行模型验证,将验证通过的双分支结构模型部署至油气生产平台;
37、自适应权重融合模块,用于根据目标页岩气井的生产周期长短,自适应匹配对应的动静特征权重,线性融合所述静态ann神经网络与动态lstm神经网络双分支结构输出的eur预测值,实现目标页岩气井eur的自动化预测。
38、第三方面,本发明提供一种存储一个或多个程序的计算机可读存储介质,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行任一方法。
39、第四方面,本发明提供一种计算设备,包括:一个或多个处理器及存储器,所述存储器中存储有一个或多个程序,并被配置为所述一个或多个处理器执行,所述一个或多个程序包括用于执行任一方法的指令。
40、本发明由于采取以上技术方案,其具有以下优点:
41、1、物理可信度高:采用软硬结合双重约束机制,将达西渗流规律、arps递减规律嵌入网络训练全过程,从参数范围、曲线形态双重维度约束预测结果,彻底杜绝非物理解;
42、2、多源数据高效融合:同步整合静态地质固有特征与动态生产时序特征,全方位挖掘影响eur的核心因素,相较单一数据模型预测维度更全面;
43、3、适配多类现场工况:可满足完整生产周期井、早期短生产史井的预测需求,尤其适配新区块开发初期数据稀缺场景,20个月短期数据即可实现高精度预测;
44、4、自适应优化能力强:创新性设置阶段化权重分配策略,根据生产周期自动调节动静特征占比,适配油气井全生命周期开发工况,模型泛化能力显著提升;
45、5、工程落地性强:建模流程简单、算力需求低、运行速度快,无需人工精细化调参,适配大规模批量预测,适配各类非常规页岩气区块推广使用。
46、综上,本发明结合物理机理与数据驱动优势,自适应融合动静多源数据,解决短生产史井预测精度低、模型物理可信度差等行业痛点,可以广泛应用于气藏工程、页岩气开发及人工智能机器学习技术领域。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com