一种基于机器学习的煤岩气压裂效果预测方法及装置与流程
本发明涉及一种基于机器学习的煤岩气压裂效果预测方法及装置，属于煤岩气与智能开发。
背景技术：
1、截至2024年底，我国煤岩气储量70.76万亿立方米，占全球储量的26.2%，煤岩气逐步成为增储上产的关键一环。水力压裂作为煤岩气开发的关键手段，其具备“提高渗透率、降低储层污染和降低开发成本”的优势，但在压裂实施过程中，受老井储量动用、空间距离和改造规模的影响，压裂干扰现象时有发生。当井周围天然裂隙割理发育或井间空间距离较小时，新老井的人工压裂缝与天然裂缝共同构成的裂缝系统可能会连通，对稳定生成的气井的生产造成负面影响，称之为压窜现象。压窜后具体的表现有：老井井底流压出现明显波动、井筒积液严重难恢复、水淹后制约气井产能，严重时还会导致老井出砂、套管变形报废等等。故基于缝网沟通的煤岩气井压窜诊断及施工优化研究，十分必要且具有积极的实际意义。
2、目前技术手段对于煤岩气压裂效果的预测，大多使用回归分析法与数值模拟法两类，这两类方法的优缺点都十分明显，其中回归分析法操作简单方便，但是其依赖数据之间的强相关性，缺少应对复杂状况的能力；数值模拟法采用有限元构建多场耦合模型，虽然能够对复杂状况下的成缝效果进行预测，但是其计算过程需要较多地质和力学参数，计算时效与成本过高，同时操作具备一定门槛；现有技术存在压裂改造效果预测精度不足、特征选取缺乏依据、预测成本高的问题。
3、近年来，“人工智能+煤岩气压裂”已逐渐成为煤岩气高效开发的重要研究方向，利用人工智能精准预测水力压裂效果，不仅是防止裂缝窜流、保障压裂施工安全的关键，同时也是优化压裂参数、提高储层改造效果和制定科学合理压裂方案的核心环节，对煤岩气的高效开发具有重要意义。
4、申请公布号为cn120701286a的中国发明专利申请公布文本公开了一种煤层气压裂施工参数优化方法及装置。该方法通过收集煤层气开发区域中多个单井的地质数据、工程数据和产能数据，基于地质数据将多个单井分类为多个井群，根据井群中每个单井的一级工程参数的参数值和产能数据，确定多个关键一级工程参数，若至少一个关键一级工程参数存在对应的二级工程参数，则继续确定至少一个关键二级工程参数，直至每个关键多级工程参数未存在对应的子级工程参数为止。基于井群中每个单井的关键地质参数、关键多级工程参数的参数值和产能数据训练煤层气产能预测模型，用于对井群中单井的煤层气产能进行预测，该方法的计算流程复杂，且特征筛选、聚类等前置环节的误差会向下传递和累积，进而影响煤岩气压裂预测精度，由于计算流程复杂，所需的计算成本也比较高。
技术实现思路
1、本发明的目的是提供一种基于机器学习的煤岩气压裂效果预测方法及装置，以解决目前压裂效果预测存在的精度低、成本高的问题。
2、为解决上述技术问题，本发明在第一方面提供了一种基于机器学习的煤岩气压裂效果预测方法，该方法包括以下步骤：
3、1）在压裂施工前获取与裂缝长度相关的压裂参数；
4、2）利用神经网络模型作为压裂效果预测模型，将获取的与裂缝长度相关的压裂参数输入至该压裂效果预测模型中进行预测，以得到相应的裂缝长度，以此判断煤岩气压裂效果；
5、所述压裂效果预测模型中的权值和阈值采用遗传算法确定；
6、对确定好权值和阈值的压裂效果预测模型进行监督训练，确定均方误差最低值时的模型，判断该压裂效果预测模型是否满足要求，若不满足要求，则继续进行监督训练，直至满足要求。
7、在一种可能实现的方式中，所述的神经网络模型采用elman神经网络模型。
8、在一种可能实现的方式中，采用遗传算法确定压裂效果预测模型中的权值和阈值的过程包括：
9、确定遗传算法中的初始种群规模，随机生成初始种群并进行初始化；
10、计算每条染色体的适应度值，该适应度值由对应的神经网络预测模型预测结果与实际结果之间的误差来衡量，并据此对种群中的个体进行排序；
11、按照设置的交叉概率执行交叉操作，设置的变异概率执行变异操作，对种群进行更新；
12、计算更新后种群每条染色体的适应度，当最优染色体符合预定要求时，算法终止，否则重新进行种群更新，直到满足终止条件，将算法终止时确定的最优染色体对应的权值和阈值作为压裂效果预测模型中的权值和阈值。
13、在一种可能实现的方式中，适应度值由对神经网络模型预测结果与实际结果之间的误差来衡量。
14、在一种可能实现的方式中，判断该压裂效果预测模型是否满足要求是利用预设的判断标准对神经网络模型预测结果与实际参数之间进行比对确定。
15、在一种可能实现的方式中，与裂缝长度相关的压裂参数的获取过程包括：
16、获取煤岩气压裂施工参数与微地震监测数据并进行降噪处理和归一化处理；
17、对降噪和归一化处理后的数据进行相关性的定量表征，筛选出与裂缝长度高度相关的参数。
18、在一种可能实现的方式中，相关性定量表征采用皮尔逊相关性分析法实现，通过分别计算降噪和归一化处理后的各数据与裂缝长度的皮尔逊相关系数，将皮尔逊相关系数绝对值大于设定阈值所对应的参数作为筛选出的与裂缝长度高度相关的参数。
19、在一种可能实现的方式中，获取的裂缝长度相关的压裂参数包括平均砂比、压裂砂量、压裂液量、前置液用量、延伸压力以及施工排量。
20、在一种可能实现的方式中，该方法还包括按照预设的评价标准分别分析所述神经网络模型在不同隐含层节点数、传递函数、动量因子和学习率时的性能，选择相对误差最小的隐含层节点数、传递函数、动量因子和学习率作为神经网络模型的隐含层节点数、传递函数、动量因子和学习率。
21、为解决上述技术问题，本发明在第二方面提供了一种基于机器学习的煤岩气压裂效果预测装置，包括处理器，所述处理器执行计算机程序以实现本发明的基于机器学习的煤岩气压裂效果预测方法，该方法包括以下步骤：
22、1）在压裂施工前获取与裂缝长度相关的压裂参数；
23、2）利用神经网络模型作为压裂效果预测模型，将获取的与裂缝长度相关的压裂参数输入至该压裂效果预测模型中进行预测，以得到相应的裂缝长度，以此判断煤岩气压裂效果；
24、所述压裂效果预测模型中的权值和阈值采用遗传算法确定；
25、对确定好权值和阈值的压裂效果预测模型进行监督训练，确定均方误差最低值时的模型，判断该压裂效果预测模型是否满足要求，若不满足要求，则继续进行监督训练，直至满足要求。
26、在一种可能实现的方式中，所述的神经网络模型采用elman神经网络模型。
27、在一种可能实现的方式中，采用遗传算法确定压裂效果预测模型中的权值和阈值的过程包括：
28、确定遗传算法中的初始种群规模，随机生成初始种群并进行初始化；
29、计算每条染色体的适应度值，该适应度值由对应的神经网络预测模型预测结果与实际结果之间的误差来衡量，并据此对种群中的个体进行排序；
30、按照设置的交叉概率执行交叉操作，设置的变异概率执行变异操作，对种群进行更新；
31、计算更新后种群每条染色体的适应度，当最优染色体符合预定要求时，算法终止，否则重新进行种群更新，直到满足终止条件，将算法终止时确定的最优染色体对应的权值和阈值作为压裂效果预测模型中的权值和阈值。
32、在一种可能实现的方式中，适应度值由对神经网络模型预测结果与实际结果之间的误差来衡量。
33、在一种可能实现的方式中，判断该压裂效果预测模型是否满足要求是利用预设的判断标准对神经网络模型预测结果与实际参数之间进行比对确定。
34、在一种可能实现的方式中，与裂缝长度相关的压裂参数的获取过程包括：
35、获取煤岩气压裂施工参数与微地震监测数据并进行降噪处理和归一化处理；
36、对降噪和归一化处理后的数据进行相关性的定量表征，筛选出与裂缝长度高度相关的参数。
37、在一种可能实现的方式中，相关性定量表征采用皮尔逊相关性分析法实现，通过分别计算降噪和归一化处理后的各数据与裂缝长度的皮尔逊相关系数，将皮尔逊相关系数绝对值大于设定阈值所对应的参数作为筛选出的与裂缝长度高度相关的参数。
38、在一种可能实现的方式中，获取的裂缝长度相关的压裂参数包括平均砂比、压裂砂量、压裂液量、前置液用量、延伸压力以及施工排量。
39、在一种可能实现的方式中，该方法还包括按照预设的评价标准分别分析所述神经网络模型在不同隐含层节点数、传递函数、动量因子和学习率时的性能，选择相对误差最小的隐含层节点数、传递函数、动量因子和学习率作为神经网络模型的隐含层节点数、传递函数、动量因子和学习率。
40、本发明的有益效果是: 本发明利用神经网络对影响裂缝长度的关键参数训练学习，并在此基础上利用遗传算法对神经网络的初始权值和阈值进行全局优化，同时结合网络训练过程中的局部寻优机制，既提高模型的收敛效率与稳定性，又克服了神经网络易陷入局部最优、收敛速度慢的问题，解决了现有压裂改造效果预测精度不足、特征选取缺乏依据、预测成本高等问题。