基于级联模型的裂缝扩展模拟方法、装置、设备及介质

本技术涉及图像处理、人工智能及油气开发中的水力压裂模拟领域，尤其涉及一种基于级联模型的裂缝扩展模拟方法、装置、设备及介质。

背景技术：

1、水力压裂裂缝扩展预测中，现有技术通常采用高保真数值模拟或数据驱动代理模型，对裂缝宽度、长度和高度等动态演化过程进行分析。

2、然而，高保真数值模拟在提高空间分辨率时计算开销显著增加，难以满足多参数优化和实时预测需求。数据驱动代理模型虽然可以提升计算效率，但对不同地质条件和参数组合的适应性有限，且预测结果可靠性缺少有效表征，影响工程应用稳定性。

3、因此，如何在裂缝扩展模拟中兼顾预测精度与计算效率，并提高模型场景适应性及结果可靠性，成为需要解决的技术问题。

技术实现思路

1、本技术提供一种基于级联模型的裂缝扩展模拟方法、装置、设备及介质，用以通过在裂缝扩展预测过程中综合利用低分辨率数据的高效演化能力和高分辨率数据的精细描述能力，实现了对目标裂缝扩展模拟结果的高效、准确模拟，从而兼顾了预测精度与计算效率，并提升了用于裂缝扩展模拟的级联模型对不同物理约束场景的适应能力及预测结果可靠性。

2、第一方面，本技术提供一种基于级联模型的裂缝扩展模拟方法，该方法包括：

3、获取多组裂缝扩展数据，每组裂缝扩展数据包括对应于同一物理约束条件的至少两个时步的低分辨率裂缝扩展数据和高分辨率裂缝扩展数据，高分辨率裂缝扩展数据采用第一仿真网格仿真生成，低分辨率裂缝扩展数据采用第二仿真网格仿真生成，第一仿真网格的空间离散精度高于第二仿真网格；

4、根据低分辨率裂缝扩展数据，训练预设的时序预测模型，得到预训练时序预测模型，预训练时序预测模型用于根据前一时步的低分辨率裂缝扩展数据以及与本组裂缝扩展数据相匹配的物理约束条件，预测得到下一时步的低分辨率裂缝扩展数据；

5、基于高分辨率裂缝扩展数据对预设的超分辨率重建模型候选池中的各个候选模型进行分析，筛选出目标超分辨率重建模型，目标超分辨率重建模型用于将下一时步的低分辨率裂缝扩展数据映射为重建高分辨率裂缝扩展数据；

6、将预训练时序预测模型与目标超分辨率重建模型进行级联，得到用于裂缝扩展模拟的级联模型；

7、获取待模拟的初始裂缝扩展数据，并将初始裂缝扩展数据输入级联模型，得到目标裂缝扩展模拟结果。

8、在一种可能的实施方式中，预设的时序预测模型采用u型网络架构，u型网络架构包括编码器路径、解码器路径以及连接编码器路径与解码器路径的跳跃连接结构；

9、编码器路径用于对输入的前一时步的低分辨率裂缝扩展数据进行特征提取与下采样，解码器路径用于对提取的特征进行上采样与重构，以输出下一时步的低分辨率裂缝扩展数据。

10、在一种可能的实施方式中，基于高分辨率裂缝扩展数据对预设的超分辨率重建模型候选池中的各个候选模型进行分析，筛选出目标超分辨率重建模型，包括：

11、将低分辨率裂缝扩展数据输入候选池中的各个候选模型，得到对应的重建高分辨率裂缝扩展数据；

12、计算重建高分辨率裂缝扩展数据与高分辨率裂缝扩展数据之间的峰值信噪比与结构相似性指数；

13、根据预设权重对峰值信噪比与结构相似性指数进行加权计算，得到各个候选模型的评分；

14、从候选池中选取评分最高的候选模型作为目标超分辨率重建模型。

15、在一种可能的实施方式中，将预训练时序预测模型与目标超分辨率重建模型进行级联，得到用于裂缝扩展模拟的级联模型，包括：

16、固定预训练时序预测模型与目标超分辨率重建模型的模型参数；

17、将预训练时序预测模型的输出端直接连接至目标超分辨率重建模型的输入端，以构建端到端的推理管道；

18、其中，推理管道被配置为：接收当前时步的低分辨率裂缝扩展数据，经预训练时序预测模型输出下一时步的中间态低分辨率裂缝扩展数据，并经目标超分辨率重建模型将中间态低分辨率裂缝扩展数据映射为下一时步的重建高分辨率裂缝扩展数据。

19、在一种可能的实施方式中，获取待模拟的初始裂缝扩展数据，并将初始裂缝扩展数据输入级联模型，得到目标裂缝扩展模拟结果，包括：

20、获取待模拟的初始裂缝扩展数据，初始裂缝扩展数据包括初始时刻的裂缝数据及目标物理约束条件；

21、将初始时刻的裂缝数据和目标物理约束条件作为当前时步扩展数据；

22、将当前时步扩展数据输入级联模型，得到下一时步的高分辨率裂缝扩展模拟结果；

23、在未达到预设的模拟终止时间时，对下一时步的高分辨率裂缝扩展模拟结果执行降采样操作，得到下一时步的降采样裂缝扩展数据；

24、将下一时步的降采样裂缝扩展数据与目标物理约束条件作为新的当前时步扩展数据，并返回将当前时步扩展数据输入级联模型，得到下一时步的高分辨率裂缝扩展模拟结果的步骤；

25、在达到预设的模拟终止时间时，根据每次生成的下一时步的高分辨率裂缝扩展模拟结果，得到目标裂缝扩展模拟结果。

26、在一种可能的实施方式中，将初始裂缝扩展数据输入级联模型，得到目标裂缝扩展模拟结果，还包括：

27、在级联模型的推理过程中引入蒙特卡洛丢弃机制或集成学习机制，执行多次随机前向传播，得到多次高分辨率裂缝扩展模拟结果集合；

28、对多次高分辨率裂缝扩展模拟结果集合进行聚合，计算得到裂缝宽度均值，并生成裂缝宽度均值图；

29、根据多次高分辨率裂缝扩展模拟结果集合的方差，生成预测不确定性图，预测不确定性图用于标识裂缝扩展路径中预测置信度低于预设阈值的区域。

30、第二方面，本技术提供一种基于级联模型的裂缝扩展模拟装置，该装置包括：

31、获取模块，用于获取多组裂缝扩展数据，每组裂缝扩展数据包括对应于同一物理约束条件的至少两个时步的低分辨率裂缝扩展数据和高分辨率裂缝扩展数据，高分辨率裂缝扩展数据采用第一仿真网格仿真生成，低分辨率裂缝扩展数据采用第二仿真网格仿真生成，第一仿真网格的空间离散精度高于第二仿真网格；

32、训练模块，用于根据低分辨率裂缝扩展数据，训练预设的时序预测模型，得到预训练时序预测模型，预训练时序预测模型用于根据前一时步的低分辨率裂缝扩展数据以及与本组裂缝扩展数据相匹配的物理约束条件，预测得到下一时步的低分辨率裂缝扩展数据；

33、筛选模块，用于基于高分辨率裂缝扩展数据对预设的超分辨率重建模型候选池中的各个候选模型进行分析，筛选出目标超分辨率重建模型，目标超分辨率重建模型用于将下一时步的低分辨率裂缝扩展数据映射为重建高分辨率裂缝扩展数据；

34、级联模块，用于将预训练时序预测模型与目标超分辨率重建模型进行级联，得到用于裂缝扩展模拟的级联模型；

35、预测模块，用于获取待模拟的初始裂缝扩展数据，并将初始裂缝扩展数据输入级联模型，得到目标裂缝扩展模拟结果。

36、在一种可能的实施方式中，在训练模块中，预设的时序预测模型采用u型网络架构，u型网络架构包括编码器路径、解码器路径以及连接编码器路径与解码器路径的跳跃连接结构；

37、编码器路径用于对输入的前一时步的低分辨率裂缝扩展数据进行特征提取与下采样，解码器路径用于对提取的特征进行上采样与重构，以输出下一时步的低分辨率裂缝扩展数据。

38、在一种可能的实施方式中，筛选模块，具体用于：

39、将低分辨率裂缝扩展数据输入候选池中的各个候选模型，得到对应的重建高分辨率裂缝扩展数据；

40、计算重建高分辨率裂缝扩展数据与高分辨率裂缝扩展数据之间的峰值信噪比与结构相似性指数；

41、根据预设权重对峰值信噪比与结构相似性指数进行加权计算，得到各个候选模型的评分；

42、从候选池中选取评分最高的候选模型作为目标超分辨率重建模型。

43、在一种可能的实施方式中，级联模块，具体用于：

44、固定预训练时序预测模型与目标超分辨率重建模型的模型参数；

45、将预训练时序预测模型的输出端直接连接至目标超分辨率重建模型的输入端，以构建端到端的推理管道；

46、其中，推理管道被配置为：接收当前时步的低分辨率裂缝扩展数据，经预训练时序预测模型输出下一时步的中间态低分辨率裂缝扩展数据，并经目标超分辨率重建模型将中间态低分辨率裂缝扩展数据映射为下一时步的重建高分辨率裂缝扩展数据。

47、在一种可能的实施方式中，预测模块，具体用于：

48、获取待模拟的初始裂缝扩展数据，初始裂缝扩展数据包括初始时刻的裂缝数据及目标物理约束条件；

49、将初始时刻的裂缝数据和目标物理约束条件作为当前时步扩展数据；

50、将当前时步扩展数据输入级联模型，得到下一时步的高分辨率裂缝扩展模拟结果；

51、在未达到预设的模拟终止时间时，对下一时步的高分辨率裂缝扩展模拟结果执行降采样操作，得到下一时步的降采样裂缝扩展数据；

52、将下一时步的降采样裂缝扩展数据与目标物理约束条件作为新的当前时步扩展数据，并返回将当前时步扩展数据输入级联模型，得到下一时步的高分辨率裂缝扩展模拟结果的步骤；

53、在达到预设的模拟终止时间时，根据每次生成的下一时步的高分辨率裂缝扩展模拟结果，得到目标裂缝扩展模拟结果。

54、在一种可能的实施方式中，预测模块，还用于：

55、在级联模型的推理过程中引入蒙特卡洛丢弃机制或集成学习机制，执行多次随机前向传播，得到多次高分辨率裂缝扩展模拟结果集合；

56、对多次高分辨率裂缝扩展模拟结果集合进行聚合，计算得到裂缝宽度均值，并生成裂缝宽度均值图；

57、根据多次高分辨率裂缝扩展模拟结果集合的方差，生成预测不确定性图，预测不确定性图用于标识裂缝扩展路径中预测置信度低于预设阈值的区域。

58、第三方面，本技术提供一种电子设备，包括：处理器，以及与处理器通信连接的存储器。

59、存储器存储计算机执行指令。

60、处理器执行存储器存储的计算机执行指令，用于实现第一方面 技术实现要素： 的一种基于级联模型的裂缝扩展模拟方法。

61、第四方面，本技术提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，计算机执行指令被处理器执行时，用于实现第一方面发明内容的一种基于级联模型的裂缝扩展模拟方法。

62、第五方面，本技术提供一种计算机程序产品，包括计算机程序，计算机程序被处理器执行时，用于实现第一方面发明内容的一种基于级联模型的裂缝扩展模拟方法。

63、本技术在上述各方面提供的实现方式的基础上，还可以进行进一步组合以提供更多实现方式。

64、本技术提供的一种基于级联模型的裂缝扩展模拟方法、装置、设备及介质，通过获取对应同一物理约束条件下的低分辨率裂缝扩展数据和高分辨率裂缝扩展数据，分别形成用于时序演化学习和高分辨率重建分析的数据基础，并将训练得到的时序预测模型与筛选得到的目标超分辨率重建模型进行级联，能够先基于前一时步低分辨率裂缝扩展数据及匹配的物理约束条件高效预测下一时步的低分辨率裂缝扩展数据，再将其映射为重建高分辨率裂缝扩展数据，进而在降低高分辨率直接仿真计算开销的同时，获得兼具较高空间细节表达能力与时序预测能力的目标裂缝扩展模拟结果，提升裂缝扩展模拟的效率、精度以及对不同场景的适应性。