[发明专利]一种基于物理约束的煤层气藏压裂效果评价方法

权利要求书

1.一种基于物理约束的煤层气藏压裂效果评价方法，其特征在于：首先基于油气田现场提供的动静态数据构建数据集；然后建立针对动态数据基于物理背景下的数据清洗算法，解决数据缺失及异常问题；再根据直接的参数控制以及间接的物理约束构建了“数据+物理”双指导条件下的误差指导方程；并考虑动静态数据维度以及物理参数的实际重要性建立了结合网络结构；接着通过循环组合模式来构建训练集和测试集，使得测试集可以遍历整个样本，提高模型鲁棒性；基于训练集和测试集，利用误差指导方程来构建新的残差函数，并通过反向传播算法对结合网络模型进行训练及测试，获得最优的煤层气藏压裂效果评价模型，精准预测压裂后裂缝半长以及渗透率；最后建立排己算法定义各个输入参数对于裂缝半长以及压裂后渗透率的贡献度，进而对煤层气藏二次开发进行有效指导；

包括步骤如下：

(1)基于油气田现场提供的动静态数据构建数据集；

(2)建立针对动态数据的基于物理背景下的数据清洗算法；

(3)根据直接的参数控制以及间接的物理约束构建了“数据+物理”双指导条件下的误差指导方程；对于网络模型的输出，即压裂后渗透率及裂缝半长Y_n＝[h_n,k_n]；在实际开发过程中，专家们会根据储层的勘探状况，依托专家经验和知识给出渗透率及裂缝半长的有效范围，因此对于这些参数的直接控制可以加速网络模型的收敛及准确率，参数控制如公式(6-7)所示；

其中，E_p以及E_HL分别表示压裂后渗透率以及裂缝半长的残差值，EK_p和EK_HL表示专家估计的渗透率及裂缝半长，(x，y)表示井位坐标，min和max分别为最小值和最大值，Net_p和Net_HL表示网络的渗透率及裂缝半长的预测值；

除了上述直接参数控制，还建立了针对煤层气藏基于气体控制方程的间接物理约束条件；物理约束如方程(8)所示：

其中，Res_g为气体控制方程残差，ρ_g、μ_g、为气体密度、粘度及孔隙度，Net_pfg及Net_Sg分别表示预测的气体压力和含气饱和度，(x,y,t；θ)表明坐标点(x,y)井位、t时刻、网络的阈值为θ的条件，g为重力加速度，D和Df分别为深度以及距基准面深度，q_vg、q_mfg为气体产量及气体扩散率；基于上述气体控制方程，通过计算预测的压力和含气饱和度的残差来间接的对渗透率及裂缝半长的预测进行约束；

(4)考虑动静态数据维度以及物理参数的实际重要程度建立了结合网络结构；模型的输入数据由静态的储层地质数据、压裂施工数据以及动态的生产数据，每个样本中，静态参数为17个，地质参数9个，压裂施工8个，动态参数为4800个，产量2400个及压力2400个，因此在模型训练中，相对于动态数据，静态参数往往会由于参数过少导致被网络忽略，使得预测效果不理想，但是对于渗透率及裂缝半长的预测而言，地质参数及压裂施工参数极为重要，因此建立了结合网络结构，在不减少数据特征的基础上可以充分提取数据特征，第一层网络结构是由4800个包含了产量和压力数据的神经元构成，通过三层每层180个神经元来提取动态特征，最后输出至72个神经元中，并在此时加入储层地质数据以及压裂施工数据，共17个参数，构成新的数据结构体输入到深度学习模型中，模型的输出为渗透率及压裂半长；

(5)通过循环组合模式来构建训练集和测试集；

(6)基于训练集和测试集，利用误差指导方程来构建新的残差函数，并通过反向传播算法对结合网络模型进行训练及测试，获得最优的压裂效果评价模型；

(7)建立排己算法定义各个输入参数对于裂缝半长以及压裂后渗透率的贡献度；由于深度学习模型是黑箱模型，因此利用排己法对输入变量对于模型精度的贡献率进行影响因素分析；输入数据由储层地质数据、压裂施工数据及动态生产数据，因此当研究地质数据对于模型的贡献率时，需要将储层地质数据从输入数据中全部删除，此时的输入数据只有压裂施工数据以及动态生产数据，该数据集记为S_-G；同理可以得到分别研究压裂施工数据以及动态生产数据贡献率的数据集S_-C及S_-D；然后利用相应的数据集作为模型输入用于计算模型误差，将该误差与以完备数据集作为输入时候的误差进行对比，根据误差的变化程度来决定该参数的贡献度，因此当误差越大时，说明该参数的贡献程度越高，贡献率的计算公式(10-12)为：

其中h^act以及h^pre分别表述实际裂缝半长以及预测的裂缝半长，k^act以及k^pre分别是实际渗透率及预测渗透率，T为模型的误差值，Acc为误差提升度，Acc(S_-G)表明在数据集为S_-G时误差提升度，即删掉储层地质数据时模型误差上升程度；Cont为贡献率，Cont(S_-G)表明储层地质数据对于模型的贡献度。