一种基于神经网络的确定储层压力的方法及装置与流程

1.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：

2.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。


技术实现要素：

3.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。
4.为了实现上述目的，本发明提供了如下技术方案：
5.一种基于神经网络的确定储层压力的方法，包括：
6.获得储层中待解释点的位置信息和时间信息；
7.基于所述位置信息和时间信息，生成输入特征；
8.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；
9.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。
10.可选地，所述方法还包括：
11.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；
12.将所述训练数据输入到主神经网络，得到主网络输出；
13.对所述主网络输出进行编码处理，得到编码后的网络输出；
14.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；
15.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。
16.可选地，所述方法还包括：
17.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；
18.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；
19.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；
20.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。
21.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：
22.获得储层中开采井的位置信息；
23.基于所述位置信息和采集时间，构造得到渐进函数；
24.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。
25.可选地，所述方法还包括：
26.基于预测得到储层压力对所述储层压力预测模型进行调整，得到调整后的储层压力预测模型。
27.一种基于神经网络的确定储层压力的装置，包括：
28.获取单元，用于获得储层中待解释点的位置信息和时间信息；
29.生成单元，用于基于所述位置信息和时间信息，生成输入特征；
30.预测单元，用于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；
31.编码单元，用于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。
32.可选地，所述装置还包括：
33.数据获取单元，用于获得训练数据，所述训练数据包括储层中任意点的位置信息和时间信息；
34.第一输入单元，用于将所述训练数据输入到主神经网络，得到主网络输出；
35.编码处理单元，用于对所述主网络输出进行编码处理，得到编码后的网络输出；
36.训练单元，用于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；
37.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。
38.可选地，所述装置还包括：损失函数确定单元用于：
39.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；
40.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；
41.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；
42.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。
43.可选地，所述编码处理单元具体用于：
44.获得储层中开采井的位置信息；
45.基于所述位置信息和采集时间，构造得到渐进函数；
46.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。
47.可选地，所述装置还包括：
48.模型调整单元，用于基于预测得到储层压力对所述储层压力预测模型进行调整，得到调整后的储层压力预测模型。
49.相较于现有技术，本发明提供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。
附图说明
50.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
51.图1为本发明实施例提供的一种基于神经网络的确定储层压力的方法的流程示意图；
52.图2为本发明实施例提供的一种储层压力预测模型的训练示意图；
53.图3为本发明实施例提供的基于神经网络的确定储层压力的装置的结构示意图。
具体实施方式
54.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
55.本发明的说明书和权利要求书及上述附图中的术语“第一”和“第二”等是用于区别不同的对象，而不是用于描述特定的顺序。此外术语“包括”和“具有”以及他们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有设定于已列出的步骤或单元，而是可包括没有列出的步骤或单元。
56.在本发明公开的一种基于神经网络的确定储层压力的方法，在获得用户输入的待解释点的位置信息和时间信息后，将待解释点的位置信息和时间信息输入至储层压力预测模型。在无需实测井底压力数据作为标签数据的情况下，通过对储层压力预测模型的输出进行编码，得到最终的储层压力。储层压力预测模型在最小化基于质量守恒、控制方程(也称为渗流方程)和边界条件的损失函数后得到。基于预测模型输出的储层压力作为待解释点的解释结果，能够显著提高储层区域内待解释点的储层压力的解释精度，对于井所在区域的储层压力(即井底压力)，能够有效求解并预测该区域内待解释点的储层压力，并提升了解释精度。
57.为了便于对本发明提供的基于神经网络的确定储层压力的方法进行说明，现将本发明的相关术语进行说明。
58.全连接神经网络：由全连接层组成，使用反向传播学习算法的前馈网络模型，可实现从输入到输出的任意的非线性映射。
59.带标签数据：拥有一个输入变量(x)和一个已知的输出变量(y)，使用某种算法去学习从输入到输出的映射函数y＝f(x)，其中，(y)就是带标签数据。
60.自动微分：可以通过程序自动计算函数的导数。
61.基于物理方程的损失函数：由方程和边界条件构造的残差组合而成，用于优化神经网络参数。如带有源汇项和储层边界条件的渗流方程如下所示：
62.d(x,t,u)＝0，渗流方程；
63.b1(x
b1
,t
b1
,u
b1
)＝0，源汇项；
64.b2(x
b2
,t2,u
b2
)＝0,储层边界；
65.则损失函数为：
[0066][0067]
参见图1，为本发明实施例提供的一种基于神经网络的确定储层压力的方法的流程示意图，该方法可以包括以下步骤：
[0068]
s101、获得储层中待解释点的位置信息和时间信息。
[0069]
s102、基于所述位置信息和时间信息，生成输入特征。
[0070]
储层中待解释点为需要获得储层压力的点，其对应的位置信息可以根据坐标信息确定，如以(x，y)表示。时间信息可以是采集时间，即获得该位置信息的时间，以t表示。根据该位置信息和时间信息可以生成输入特征，以(x，y，t)表示。
[0071]
s103、将输入特征输入至储层压力预测模型，预测得到储层压力。
[0072]
s104、对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。
[0073]
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。
[0074]
在本发明实施例中还提供了一种创建储层压力预测模型的方法，该方法可以包括：
[0075]
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；
[0076]
将所述训练数据输入到主神经网络，得到主网络输出；
[0077]
对所述主网络输出进行编码处理，得到编码后的网络输出；
[0078]
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；
[0079]
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。
[0080]
参见图2，为本发明实施例提供的一种储层压力预测模型的训练示意图。首先获取训练数据，即在储层中随机选取适当数量的包括空间和时间维度的训练数据(x,y,t)，输入到主神经网络，得到主网络输出。将主网络输出进行对应的编码操作，其中，构造了渐进函数d(x,t)，d(x,t)中包含一个子神经网络，然后得到编码后的网络输出。将编码后的网络输出带入构造的损失函数中，通过最小化损失训练神经网络，直至损失损失不再减小，趋于稳定，此时储层压力预测模型训练完成。将任意时间和空间点(x,y,t)输入训练好的预测模型，即可得到最终的储层压力。
[0081]
进一步地，在本发明实施例中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，具体的：
[0082]
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；
[0083]
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；
[0084]
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；
[0085]
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。
[0086]
本发明实施例中的目标损失函数(以l表示)由三部分构成，分别是控制方程(以l
pde
表示)，边界条件(以l
bc
表示)，质量守恒条件(以l
mass
表示)。
[0087]
具体的，l＝l
pde
+l
bc
+l
mass
。
[0088][0089][0090][0091]
其中，φ
ref
为在参考压力p
ref
下的孔隙度；cf为流体压缩系数；cr为岩石压缩系数；b
ref
为在参考压力p
ref
下的地层体积系数；k为储层渗透率；μ为流体粘度；q为流量；rw为生产井的半径；h为储层厚度；r为以井中心点为圆心的圆的半径；ur为离井中心半径为r的圆上的点的压力；u
wf
为井底流压；v为整个储层的体积；t为时间；为梯度符号。l
pde
为控制方程即渗流方程构造的损失函数，使得神经网络输出具有物理意义，满足流动规律。l
bc
为边界条件构造的损失函数，其中l
practical
根据实际问题中的储层边界条件设置，如封闭边界，定压边界等。l
mass
质量守恒是为了更加符合物理规律。
[0092]
此处损失函数中没有使用标签数据，即不包括损失项(即网络输出与标签数据的误差)。同时训练主神经网络和子神经网络，通过最小化损失函数，直至损失不再减小，趋于稳定，则训练完成，得到最终的储层压力预测模型。
[0093]
在本发明实施例的一种实施方式中，所述对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。
[0094]
首先输入表征空间和时间的数据(x,y,t)到主神经网络(即全连接神经网络)，得到主网络输出p
n(
·
)
。
[0095]
对输出p
n(
·
)
做编码处理，具体如下：
[0096]
p＝p
inital
+d(x,t)
·
p
n(
·
)
[0097]
其中，p为最终的储层压力，即目标储层压力。
[0098]
p
inital
是储层初始压力。d(x,t)是构造的渐进函数，如下所示：
[0099][0100]
通过对主网络输出的编码，可以使得压力自动满足初始条件，同时使得最终得到的储层压力更加精确。
[0101]
需要说明的是，渐进函数为本发明构造的一种模拟储层压力变化的函数模式，根据能够数值求解方法中的渐进解构造得到，其中，x是关于(x,y,t)的函数，是用于描述储层压力关于时间和空间信息的内在机制函数，其中，t是井开始生产后的时间。
[0102]
在本发明实施例的一种实现方式中，所述方法还包括：
[0103]
基于预测得到储层压力对所述储层压力预测模型进行调整，得到调整后的储层压力预测模型。
[0104]
即在本发明实施例中的储层压力预测模型可以是一个迭代更新的，即根据预测得到的储层压力对模型进行调整，直至满足预设的收敛条件，提升了模型预测的准确性。
[0105]
本发明实施例提供的一种基于神经网络的确定储层压力的方法，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，对于储层中开采井的井底压力求解效果非常好。通过对主神经网络输出的编码操作，使得模型的求解效果更好，精度更高。在损失函数中加入了质量守恒项，使得求解的储层压力更符合物理规律和实际情况。
[0106]
在本发明实施例中还提供了一种基于神经网络的确定储层压力的装置，参见图3，该装置可以包括：
[0107]
获取单元301，用于获得储层中待解释点的位置信息和时间信息；
[0108]
生成单元302，用于基于所述位置信息和时间信息，生成输入特征；
[0109]
预测单元303，用于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；
[0110]
编码单元304，用于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。
[0111]
本发明提供了一种基于神经网络的确定储层压力的装置，包括：获取单元获得储层中待解释点的位置信息和时间信息；生成单元基于位置信息和时间信息，生成输入特征；预测单元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；编码单元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。
[0112]
在一种实施方式中，所述装置还包括：
[0113]
数据获取单元，用于获得训练数据，所述训练数据包括储层中任意点的位置信息和时间信息；
[0114]
第一输入单元，用于将所述训练数据输入到主神经网络，得到主网络输出；
[0115]
编码处理单元，用于对所述主网络输出进行编码处理，得到编码后的网络输出；
[0116]
训练单元，用于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；
[0117]
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。
[0118]
进一步地，所述装置还包括：损失函数确定单元用于：
[0119]
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；
[0120]
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；
[0121]
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；
[0122]
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。
[0123]
可选地，所述编码处理单元具体用于：
[0124]
获得储层中开采井的位置信息；
[0125]
基于所述位置信息和采集时间，构造得到渐进函数；
[0126]
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。
[0127]
在一种实施方式中，所述装置还包括：
[0128]
模型调整单元，用于基于预测得到储层压力对所述储层压力预测模型进行调整，得到调整后的储层压力预测模型。
[0129]
基于前述实施例，本技术的实施例提供一种计算机可读存储介质，计算机可读存储介质存储有一个或者多个程序，该一个或者多个程序可被一个或者多个处理器执行，以实现如上任一项的基于神经网络的确定储层压力的方法的步骤。
[0130]
本发明实施例还提供了一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现的基于神经网络的确定储层压力的方法的步骤。
[0131]
需要说明的是，上述处理器或cpu可以为特定用途集成电路(application specific integrated circuit，asic)、数字信号处理器(digital signal processor，dsp)、数字信号处理装置(digital signalprocessing device，dspd)、可编程逻辑装置(programmable logic device，pld)、现场可编程门阵列(field programmable gate array，fpga)、中央处理器(central processing unit，cpu)、控制器、微控制器、微处理器中的至少一种。可以理解地，实现上述处理器功能的电子器件还可以为其它，本技术实施例不作具体限定。
[0132]
需要说明的是，上述计算机存储介质/存储器可以是只读存储器(read onlymemory，rom)、可编程只读存储器(programmable read-onlymemory，prom)、可擦除可编程只读存储器(erasable programmable read-only memory，eprom)、电可擦除可编程只读存储器(electrically erasable programmable read-only memory，eeprom)、磁性随机存取存储器(ferromagnetic random access memory，fram)、快闪存储器(flash memory)、
磁表面存储器、光盘、或只读光盘(compact disc read-only memory，cd-rom)等存储器；也可以是包括上述存储器之一或任意组合的各种终端，如移动电话、计算机、平板设备、个人数字助理等。
[0133]
在本技术所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
[0134]
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元，即可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
[0135]
另外，在本技术各实施例中的各功能单元可以全部集成在一个处理模块中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(read-onlymemory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
[0136]
本技术所提供的几个方法实施例中所揭露的方法，在不冲突的情况下可以任意组合，得到新的方法实施例。
[0137]
本技术所提供的几个产品实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的产品实施例。
[0138]
本技术所提供的几个方法或设备实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的方法实施例或设备实施例。
[0139]
以上所述，仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以所述权利要求的保护范围为准。
[0140]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0141]
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。