本发明属于石油工程,具体涉及一种基于深度卷积生成对抗网络的压裂水平井压力预测方法。
背景技术:
1、页岩油气藏在我国分布广泛,开发潜力巨大。压裂水平井技术是一项常用的页岩油气藏开发工艺,该技术在地层中形成高导流裂缝网络,从而极大地提高油气产量。而在开发过程中,压裂水平井的压力动态研究是获取页岩储层参数的主要手段之一,但由于地层条件复杂,地质建模和数值模拟计算量极大。
技术实现思路
1、为了解决上述问题,本发明提出了一种基于深度卷积生成对抗网络的压裂水平井压力预测方法,采用基于u-net框架的深度卷积生成对抗网络建立了生产过程中裂缝分布与储层压力分布的动态映射关系,通过输入裂缝分布数据,得到储层压力动态分布。
2、本发明的技术方案如下:
3、一种基于深度卷积生成对抗网络的压裂水平井压力预测方法,包括如下步骤:
4、步骤1、基于嵌入式离散裂缝模型数值模拟器生成训练数据;
5、步骤2、对训练数据进行预处理;
6、步骤3、构建基于u-net框架的深度卷积生成对抗网络模型;
7、步骤4、训练基于u-net框架的深度卷积生成对抗网络模型,并输出训练完成的模型;
8、步骤5、实时获取当前裂缝形态,输入训练完成的模型,预测得到当前压力分布图像。
9、进一步地,所述步骤1中,嵌入式离散裂缝模型数值模拟器的输入为裂缝条数、裂缝长度、裂缝方位角、裂缝间距和井斜比,其中对裂缝长度、井斜比和裂缝方位角进行随机采样,从而生成不同形状的裂缝形态图像来作为训练数据。
10、进一步地,所述步骤2中,预处理的具体过程为:首先,将输入图像的大小调整到指定大小,并且在输入图像的中心进行指定大小的裁剪操作,其中指定大小是训练开始时的特征图的大小;然后将范围为[0,255]、格式为高×宽×通道的图像转换为范围为[0.0,1.0]、格式为通道×高×宽的形状张量图像;最后根据平均值和标准差逐个通道对形状张量图像进行归一化处理;归一化处理采用归一化函数将数据转化为标准的高斯分布,计算公式如下所示:
11、 (1);
12、其中,为输出数据的通道序列值;为输入数据的通道序列值;为每个通道的均值序列;为每个通道的标准偏差序列。
13、进一步地,所述步骤3中,在基于u-net框架的深度卷积生成对抗网络模型包括生成器和判别器;其中,生成器采用u-net框架,u-net框架是一种编码器-解码器结构,具体包括输入层、编码器层、解码器层、输出层;输入层用于输入裂缝形态图像数据;编码器层用于提取特征,编码器层由三个串联的块组成,每个块通过两个有效卷积和一个最大池化过程来实现,卷积核大小为3×3,步长为1,填充为0;每个卷积都采用relu激活函数;解码器层也由三个串联的块组成,每个块通过转置卷积将图像大小放大两倍,然后在扩展路径上对对称特征图像进行复制裁剪,恢复到原始分辨率;在转置卷积过程中,将卷积得到的浅层特征图与转置卷积得到的深层信息拼接在一起;输出层使用双曲正切函数作为激活函数,输出压力分布图像数据;
14、判别器采用卷积神经网络,设置卷积神经网络的卷积核为4×4,步长为2;卷积神经网络依次进行的卷积、批量标准化操作和leakyrelu激活函数处理,然后通过sigmoid激活函数输出最终的概率。
15、进一步地,所述步骤4中,模型训练过程分为两部分,第一部分更新判别器,第二部分更新生成器;
16、生成器和判别器的损失函数如下:
17、 (2);
18、其中,为生成器网络;为判别器网络;表示最大似然估计;为压力分布图像数据;为训练数据的分布;为裂缝形态分布的潜在向量;为潜在向量数据分布;表示生成器生成的图像将被判别器判断为真的概率;为真实压力分布数据的损失率;为生成器生成压力分布数据的损失率;
19、判别器的训练分为两个步骤:首先,从实际训练集中获取一批样本,前向传输到判别器以计算真实压力分布数据的损失率,在后向传输中计算梯度;然后让生成器生成一批假数据,并将假数据导入判别器,计算生成器生成压力分布数据的损失率,并将计算出的梯度传回;
20、在训练生成器时,将第一个生成器输出的相同假数据输入到判别器进行分类,然后使用真假标签计算生成器损耗和梯度,最后通过adma优化器更新生成器中的参数。
21、本发明所带来的有益技术效果:本方法将改进的u-net框架与dc-gan的深度卷积部分相结合,建立了基于u-net框架的深度卷积生成对抗网络模型;训练后的模型能够快速准确地预测储层压力分布,从而更好地实现储层生产动态预测;该模型具有可移植性强、计算速度快等优点。
1.一种基于深度卷积生成对抗网络的压裂水平井压力预测方法,其特征在于,包括如下步骤:
2.根据权利要求1所述基于深度卷积生成对抗网络的压裂水平井压力预测方法,其特征在于,所述步骤1中,嵌入式离散裂缝模型数值模拟器的输入为裂缝条数、裂缝长度、裂缝方位角、裂缝间距和井斜比,其中对裂缝长度、井斜比和裂缝方位角进行随机采样,从而生成不同形状的裂缝形态图像来作为训练数据。
3.根据权利要求1所述基于深度卷积生成对抗网络的压裂水平井压力预测方法,其特征在于,所述步骤2中,预处理的具体过程为:首先,将输入图像的大小调整到指定大小,并且在输入图像的中心进行指定大小的裁剪操作,其中指定大小是训练开始时的特征图的大小;然后将范围为[0,255]、格式为高×宽×通道的图像转换为范围为[0.0,1.0]、格式为通道×高×宽的形状张量图像;最后根据平均值和标准差逐个通道对形状张量图像进行归一化处理;归一化处理采用归一化函数将数据转化为标准的高斯分布,计算公式如下所示:
4.根据权利要求1所述基于深度卷积生成对抗网络的压裂水平井压力预测方法,其特征在于,所述步骤3中,在基于u-net框架的深度卷积生成对抗网络模型包括生成器和判别器;其中,生成器采用u-net框架,u-net框架是一种编码器-解码器结构,具体包括输入层、编码器层、解码器层、输出层;输入层用于输入裂缝形态图像数据;编码器层用于提取特征,编码器层由三个串联的块组成,每个块通过两个有效卷积和一个最大池化过程来实现,卷积核大小为3×3,步长为1,填充为0;每个卷积都采用relu激活函数;解码器层也由三个串联的块组成,每个块通过转置卷积将图像大小放大两倍,然后在扩展路径上对对称特征图像进行复制裁剪,恢复到原始分辨率;在转置卷积过程中,将卷积得到的浅层特征图与转置卷积得到的深层信息拼接在一起;输出层使用双曲正切函数作为激活函数,输出压力分布图像数据;
5.根据权利要求1所述基于深度卷积生成对抗网络的压裂水平井压力预测方法,其特征在于,所述步骤4中,模型训练过程分为两部分,第一部分更新判别器,第二部分更新生成器;