[发明专利]一种水平井压裂段分段方法、系统、设备及存储介质

权利要求书

1.一种水平井压裂段分段方法，其特征在于，包括以下步骤；

步骤1、初始化图神经网络的权重和全连接层权重；

步骤2、根据水平井地质信息构造输入图；

步骤3、创建输入图的自连接带权邻接矩阵，将自连接带权邻接矩阵进行拉普拉斯谱分解得到拉普拉斯矩阵；

步骤4、求出拉普拉斯矩阵的特征向量矩阵，将特征向量矩阵输入图神经网络做前向传播计算，得到网络预测的分段方案；

步骤5、获取网络预测的水平井压裂段的人工分段方案，使用交叉熵损失函数计算网络预测的分段方案和人工分段方案之间的差值，再使用Adam优化算法反向传播更新权重；

步骤6、循环步骤2至步骤5，直到所有水平井地质信息全部训练完成，得到最终训练完成的图神经网络；

步骤7、将待分段水平井地质信息输入图神经网络中，得到水平井压裂段分段方案。

2.根据权利要求1所述的水平井压裂段分段方法，其特征在于，步骤2中，构造输入图的具体过程为：确定水平井最小分段长度和水平井总长度，令最小分段长度为图节点初始值，令每一段为一个输入图节点，计算图节点数量；根据图节点所代表分段的水平井地质信息和每段间距离关系，创建图节点之间的带权边表示两个图节点和图节点之间边的权重，所有图节点和所有带权边的集合构成了图神经网络的输入图。

3.根据权利要求2所述的水平井压裂段分段方法，其特征在于，图节点数量的计算过程为：

式中total_length表示水平井总长度，min_length表示最小分段长度，X_num表示图节点数量。

4.根据权利要求1所述的水平井压裂段分段方法，其特征在于，步骤3中，自连接带权邻接矩阵的矩阵中第i行第j列的元素的值为：

式中X(i，j)表示步骤3中得到的第i个节点和第j个节点之间的带权边权重；

拉普拉斯矩阵为：

式中为步骤4中得到的图的自连接带权邻接矩阵，为的度矩阵，L为对进行拉普拉斯谱分解并归一化之后得到的拉普拉斯矩阵。

5.根据权利要求1所述的水平井压裂段分段方法，其特征在于，步骤4的具体过程为，求出拉普拉斯矩阵的特征向量矩阵，将输入图隐藏状态第l层特征向量矩阵与归一化拉普拉斯矩阵输入到图神经网络中的第l层进行计算，得到计算结果；使用Relu激活函数对计算结果进行非线性激活处理，完成单层图神经网络的计算，直到将图神经网络每一层的特征向量矩阵均完成更新；将图神经网络所有的更新结果输入到全连接层进行节点分类，分为一类的节点为一段，由此得到图神经网络预测的水平井分段方案。

6.根据权利要求1所述的水平井压裂段分段方法，其特征在于，步骤5中，交叉熵损失函数为：

式中Y表示人工分段方案，表示网络预测的分段方案，Y_i和分别表示两个向量中的每一项元素；

Adam优化算法的计算过程为：

t←t+1

m_t←β₁·m_t-1+(1-β₁)·g_t

式中t表示时间步t；f(θ)表示要进行优化的目标函数，在本发明中就是交叉熵损失函数；θ表示要更新的网络权重参数，θ_t-1表示上一时间步的参数，θ_t表示经过一次迭代之后被更新的当前时间步的参数；β₁和β₂是本算法的两个重要超参数，一般分别取值为0.9和0.999；α为学习率，一般初始取值为0.01或0.001，迭代10-20次之后会进行学习率衰减；ε表示优化算法偏差，一般取值为10^-8。