一种基于地质与工程耦合的卤水储层增渗数值拟合方法
本发明涉及地质数据处理,具体涉及一种基于地质与工程耦合的卤水储层增渗数值拟合方法。
背景技术:
1、盐湖地下卤水富含钾、锂等战略性元素,水力压裂是提高卤水储层渗透性和单井产能的核心增渗手段。压裂施工后,储层中形成的水力裂缝尺寸,包括裂缝半长、裂缝高度和裂缝宽度,直接决定了卤水的渗流通道规模与产能水平。因此,准确评估当前生产井水力裂缝尺寸的合理性与最优性,对于指导后续压裂规模控制、重复压裂方向选择以及矿区整体开发策略制定具有重要意义。
2、目前,裂缝尺寸与产能之间的数值关系通常采用经验公式或整体数值拟合的方式建立,这种方式能够拟合尺寸与产能的映射规律,但无法将拟合结果直接用于对裂缝尺寸的最优性进行客观且标准化的判断,导致在实际工程中仍须依赖主观经验来评估当前裂缝尺寸是否需要调整。
技术实现思路
1、本发明的目的在于提供一种基于地质与工程耦合的卤水储层增渗数值拟合方法,以解决现有技术中难以将拟合结果直接用于对裂缝尺寸的最优性进行客观且标准化的判断的技术问题。
2、为解决上述技术问题,本发明具体提供下述技术方案:
3、一种基于地质与工程耦合的卤水储层增渗数值拟合方法,包括以下步骤:
4、获取研究区的各生产井中卤水储层的水力裂缝尺寸,以及卤水产能,所述水力裂缝尺寸包括裂缝半长、裂缝高度和裂缝宽度;
5、对水力裂缝尺寸与卤水产能之间的映射关系进行数值拟合,得到尺寸与产能的拟合结果;
6、利用所述尺寸与产能的拟合结果,量化尺寸增量对产能增量的贡献程度;
7、基于所述贡献程度,对生产井水力裂缝尺寸进行最优性评估,得到生产井水力裂缝尺寸的最优性评估结果。
8、进一步地,对水力裂缝尺寸与卤水产能之间的映射关系进行数值拟合包括:
9、分别对裂缝半长、裂缝高度和裂缝宽度与卤水产能之间的单一映射关系进行数值拟合,对应得到半长与产能的拟合结果、高度与产能的拟合结果以及宽度与产能的拟合结果;
10、对裂缝半长、裂缝高度和裂缝宽度与卤水产能之间的组合映射关系进行数值拟合,得到半长-高度-宽度与产能的拟合结果。
11、进一步地,所述数值拟合采用神经网络模型构建方式实现;
12、以裂缝半长作为输入特征,以卤水产能作为输出标签进行训练,得到表示裂缝半长与卤水产能之间映射关系的第一神经网络模型,作为所述半长与产能的拟合结果;
13、以裂缝高度作为输入特征,以卤水产能作为输出标签进行训练,得到裂缝高度与卤水产能之间映射关系的第二神经网络模型,作为所述高度与产能的拟合结果;
14、以裂缝宽度作为输入特征,以卤水产能作为输出标签进行训练,得到裂缝宽度与卤水产能之间映射关系的第三神经网络模型,作为所述宽度与产能的拟合结果;
15、以裂缝半长、裂缝高度和裂缝宽度共同作为输入特征,以卤水产能作为输出标签进行训练,得到表示裂缝半长、裂缝高度和裂缝宽度与卤水产能之间映射关系的第四神经网络模型,作为所述半长-高度-宽度与产能的拟合结果。
16、进一步地,所述贡献程度包括独立贡献程度和交互贡献程度。
17、进一步地,所述独立贡献程度的获取方法包括:
18、以当前生产井的实测水力裂缝尺寸为基准点,将裂缝半长、裂缝高度和裂缝宽度分别记为 、、,将对应的卤水产能记为 ;
19、将裂缝半长从 增加一个单位增量 ,保持 和 不变,使用所述第一神经网络模型,得到增量后的产能 ,计算裂缝半长的独立贡献程度;
20、将裂缝高度从 增加一个单位增量 ,保持 和 不变,使用所述第二神经网络模型,得到增量后的产能 ,计算裂缝高度的独立贡献程度;
21、将裂缝宽度从 增加一个单位增量 ,保持 和 不变,使用所述第三神经网络模型,得到增量后的产能 ,计算裂缝宽度的独立贡献程度。
22、进一步地,所述交互贡献程度的获取方法包括:
23、将裂缝半长、裂缝高度和裂缝宽度同时从 增加至,使用所述第四神经网络模型,得到产能 ,计算产能总增量 ;
24、计算各尺寸维度独立贡献之和;
25、将所述产能总增量与所述独立贡献之和做差,得到交互贡献值,并计算交互贡献程度。
26、进一步地,所述最优性评估的方法包括:
27、若裂缝半长的独立贡献程度、裂缝高度的独立贡献程度和裂缝宽度的独立贡献程度三项数值接近且均趋近于零,同时交互效应贡献程度趋近于零,则判定当前生产井的实测水力裂缝尺寸处于最优状态,否则,则判定当前生产井的实测水力裂缝尺寸处于非最优状态;
28、将所述最优状态和非最优状态作为所述最优性评估结果。
29、进一步地,还包括:在所述第四神经网络模型上增设一个分类输出分支,与第四神经网络模型中用于产能预测的回归输出分支相并列,形成基于水力裂缝尺寸得到产能预测和最优性状态分类双重输出的综合评估模型;
30、所述分类输出分支以所述最优性评估结果中的最优状态与非最优状态作为分类标签进行训练。
31、进一步地,所述综合评估模型在训练过程中采用多任务联合损失函数,所述多任务联合损失函数为产能预测的回归损失与最优性状态分类的分类损失的加权求和;
32、其中,所述回归损失为综合评估模型输出的卤水产能的预测值与卤水产能的实测值之间的均方误差,所述分类损失为综合评估模型输出的最优性状态预测结果与所述最优性评估结果之间的二元交叉熵损失。
33、本发明与现有技术相比较具有如下有益效果:
34、本发明通过分别构建裂缝半长、高度、宽度与卤水产能的单一映射模型及三者组合的联合映射模型,量化各尺寸维度的独立贡献程度与尺寸间的交互贡献程度,并基于独立贡献程度与交互贡献程度是否均趋近于零,对当前裂缝尺寸进行最优状态与非最优状态的客观判定,可实现将拟合结果直接用于裂缝尺寸最优性判断,为压裂后裂缝尺寸的需要调整与否提供了客观和标准化的决策依据。
1.一种基于地质与工程耦合的卤水储层增渗数值拟合方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于地质与工程耦合的卤水储层增渗数值拟合方法,其特征在于,对水力裂缝尺寸与卤水产能之间的映射关系进行数值拟合包括:
3.根据权利要求2所述的一种基于地质与工程耦合的卤水储层增渗数值拟合方法,其特征在于,所述数值拟合采用神经网络模型构建方式实现;
4.根据权利要求3所述的一种基于地质与工程耦合的卤水储层增渗数值拟合方法,其特征在于,所述贡献程度包括独立贡献程度和交互贡献程度。
5.根据权利要求4所述的一种基于地质与工程耦合的卤水储层增渗数值拟合方法,其特征在于,所述独立贡献程度的获取方法包括:
6.根据权利要求5所述的一种基于地质与工程耦合的卤水储层增渗数值拟合方法,其特征在于,所述交互贡献程度的获取方法包括:
7.根据权利要求6所述的一种基于地质与工程耦合的卤水储层增渗数值拟合方法,其特征在于,所述最优性评估的方法包括:
8.根据权利要求7所述的一种基于地质与工程耦合的卤水储层增渗数值拟合方法,其特征在于,还包括:在所述第四神经网络模型上增设一个分类输出分支,与第四神经网络模型中用于产能预测的回归输出分支相并列,形成基于水力裂缝尺寸得到产能预测和最优性状态分类双重输出的综合评估模型;
9.根据权利要求8所述的一种基于地质与工程耦合的卤水储层增渗数值拟合方法,其特征在于,所述综合评估模型在训练过程中采用多任务联合损失函数,所述多任务联合损失函数为产能预测的回归损失与最优性状态分类的分类损失的加权求和;
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