[发明专利]一种基于神经网络的确定储层压力的方法及装置

说明书

本发明公开了一种基于神经网络的确定储层压力的方法及装置，包括：获得储层中待解释点的位置信息和时间信息；基于位置信息和时间信息，生成输入特征；将输入特征输入至储层压力预测模型，预测得到储层压力，所述储层压力预测模型为基于质量守恒、控制方程和边界条件训练得到的神经网络模型；对预测得到的储层压力进行编码处理，得到待解释点的目标储层压力。本发明在无需任何标签数据的条件下实现对储层压力的高精度求解，提升了确定储层压力的准确性。

技术领域

本发明涉及数据处理技术领域，特别是涉及一种基于神经网络的确定储层压力的方法及装置。

背景技术

储层压力是油气藏开采中非常重要的参数，虽然目前已有利用神经网络确定储层压力的方法。但是，目前利用神经网络确定储层压力时需要实测的井底压力数据或数值求解得到的数值解数据作为标签数据训练模型，在不使用带标签数据的情况下，现有方法对带有源汇项，累积项等的渗流方程求解精度不高且应用具有局限性，并且获取实测数据的作为标签的难度也较大。

发明内容

针对于上述问题，本发明提供一种基于神经网络的确定储层压力的方法及装置，在无需任何标签数据的条件下实现对储层压力的高精度求解，提升了确定储层压力的准确性。

为了实现上述目的，本发明提供了如下技术方案：

一种基于神经网络的确定储层压力的方法，包括：

获得储层中待解释点的位置信息和时间信息；

基于所述位置信息和时间信息，生成输入特征；

将所述输入特征输入至储层压力预测模型，预测得到储层压力，所述储层压力预测模型为基于质量守恒、控制方程和边界条件训练得到的神经网络模型；

对所述预测得到的储层压力进行编码处理，得到所述待解释点的目标储层压力。

可选地，所述方法还包括：

获得训练数据，所述训练数据包括储层中任意点的位置信息和时间信息；

将所述训练数据输入到主神经网络，得到主网络输出；

对所述主网络输出进行编码处理，得到编码后的网络输出；

将所述编码后的网络输出带入到预构建的目标损失函数，以通过最小化损失训练神经网络，直至损失达到目标值，得到储层压力预测模型；

其中，所述目标损失函数为基于质量守恒、控制方程和边界条件确定的函数。

可选地，所述方法还包括：

基于储层初始压力、以井中心点为圆心的圆的半径、生产井的半径、地层体积系数、流体粘度、储层厚度和储层渗透率，确定边界条件损失函数；

基于孔隙度、流体压缩系数、参考压力下的底层体积系数、参考压力下的孔隙度、岩石压缩系数、地层体积系数、储层初始压力、以井中心点为圆心的圆的半径和储层渗透率，确定控制方程损失函数；

基于流量、孔隙度、当前时间的储层压力、地层体积系数和整个储层的体积，确定质量守恒损失函数；

根据所述边界条件损失函数、所述控制方程损失函数和所述质量守恒损失函数，确定目标损失函数。

可选地，所述对所述主网络输出进行编码处理，得到编码后的网络输出，包括：

获得储层中开采井的位置信息；

基于所述位置信息和采集时间，构造得到渐进函数；

基于所述渐进函数对所述主网络输出进行编码处理，得到编码后的网络输出。

可选地，所述方法还包括：