[发明专利]基于物理约束的并联式神经网络的三维地应力预测方法

权利要求书

1.基于物理约束的并联式神经网络的三维地应力预测方法，其特征在于，包括以下步骤：

步骤S1、收集目标区域的钻孔数据，并利用克里金插值法对钻孔数据进行扩充；

步骤S2、将扩充后的钻孔数据作为控制点生成NURBS曲面和实体，并获取实体的三维空间坐标；

步骤S3、收集目前区域已钻井的测井数据，并对每口井进行测井解释；

步骤S4、将已钻井划分为训练井和测试井；

步骤S5、根据测井解释获取训练井井眼轨迹的三维空间坐标以及沿井眼轨迹路径上的地应力属性数据；

步骤S6、对分别来自实体和井眼轨迹的三维空间坐标进行归一化；

步骤S7、构建基于理论约束的并联式神经网络模型，并确定模型的输入特征和输出特征；

步骤S8、利用训练井的数据对基于理论约束的并联式神经网络模型进行训练，得到训练好的基于理论约束的并联式神经网络模型；

步骤S9、根据测试井数据测试训练好的基于理论约束的并联式神经网络模型的预测精度，并预测得到实体的三维地应力。

2.根据权利要求1所述的基于物理约束的并联式神经网络的三维地应力预测方法，其特征在于，所述钻孔数据包括各地质层界面的X、Y、Z坐标值。

3.根据权利要求1所述的基于物理约束的并联式神经网络的三维地应力预测方法，其特征在于，所述利用克里金插值法对钻孔数据进行扩充的具体步骤如下：

步骤S11、通过经验半方差函数计算已知数据点的半方差值，然后构建距离和半方差值的散点图；

步骤S12、利用球型拟合函数拟合散点图；

步骤S13、通过半方差函数确定未知点对应的权重，然后对未知点进行加权得到未知点对应的数值。

4.根据权利要求3所述的基于物理约束的并联式神经网络的三维地应力预测方法，其特征在于，所述经验半方差函数如下：

式中：γ(h)表示距离为h时的半方差值；N(h)表示相隔距离为h的数据对的数目；P(i)-P(i,h)表示第i对相隔距离为h数据对的差值。

5.根据权利要求3所述的基于物理约束的并联式神经网络的三维地应力预测方法，其特征在于，所述步骤S13中的计算公式如下：

式中：P(x,y)表示插值点对应的预测值；P(i)表示第i处插值点；λ_i(x_i,y_i)表示插值点对应的权重；n表示插值点的数量。

6.根据权利要求1所述的基于物理约束的并联式神经网络的三维地应力预测方法，其特征在于，所述步骤S2的具体过程为：将每一层地质层界面扩充后的钻孔数据作为控制点生成NURBS曲面；再将生成的NURBS曲面沿纵向生成BURBS实体。

7.根据权利要求1所述的基于物理约束的并联式神经网络的三维地应力预测方法，其特征在于，所述地应力属性数据包括地层孔隙压力、垂直地应力、最大和最小水平地应力。

8.根据权利要求7所述的基于物理约束的并联式神经网络的三维地应力预测方法，其特征在于，所述步骤S5中利用Savitzky-Golay滤波算法对每口井解释得到的地应力属性数据进行滤波，且在保证曲线整体趋势和形状不变的情况下将地应力属性按照1：10的比例进行抽稀。

9.根据权利要求1所述的基于物理约束的并联式神经网络的三维地应力预测方法，其特征在于，所述步骤S7中模型的输入特征包括X、Y、Z坐标值；所述输出特征包括地层孔隙压力、垂直地应力、最大和最小水平地应力。

10.根据权利要求9所述的基于物理约束的并联式神经网络的三维地应力预测方法，其特征在于，所述步骤S7中模型的计算过程为：

1)将归一化实体和井眼轨迹的三维空间坐标分别输入单网络模型A、单网络模型B、单网络模型C中，其中A、B、C三个单网络模型对应的输出分别为泊松比、Biot系数和地应力属性，在模型输出的时候，用Sigmoid激活函数将泊松比和Biot系数限制在0～1之间，然后将上述各单网络模型的输出值代入黄氏地应力模型中，构成物理约束项损失；

2)同时，将归一化井眼轨迹的三维空间坐标输入到单网络模型C中，对应的输出为地应力属性，将其与实际的地应力属性数据做均方误差，构成数据约束项损失；

3)将物理约束项损失和数据约束项损失相加，并配比权重，使得加权和为1，即构成了含物理约束项和数据约束项的损失函数；

模型损失函数的数学表达式如下：

L_TCANN(θ)＝λL_Phy(θ)+(1-λ)L_Data(θ)

其中：

式中：λ表示权重参数；L_Phy(θ)表示物理约束项损失；L_Data(θ)表示数据约束项损失；N_P表示三维地质模型的空间坐标点数目；N_P表示已钻井井眼轨迹的空间坐标点数目；表示预测得到的垂直地应力；表示预测得到的最大水平地应力，MPa；表示预测得到的最小水平地应力，MPa；表示预测得到的地层孔隙压力，MPa；σ_v表示实际的垂直地应力；σ_H表示实际的最大水平地应力，MPa；σ_h表示实际的最小水平地应力，MPa；p_p表示实际的地层孔隙压力，MPa；

4)采用反向传播算法计算损失函数对神经网络中权重和偏置项的导数，然后根据梯度下降算法进行迭代更新，使得损失函数值不断逼近全局最小，并逐渐确定神经网络中最优的权重和偏置项。