技术特征：
1.一种页岩水化损伤系数的预测模型建立方法，其特征在于：包括以下步骤：制备页岩岩样；对原状页岩岩样开展超声波透射实验，获取原状页岩的频谱特征；基于室内实验手段，获取页岩水化参数，页岩水化参数包括页岩岩石参数、流体参数及外部环境参数；基于不同页岩的岩石参数、流体参数及外部环境参数，开展浸泡实验；对浸泡后的页岩岩心，开展超声波透射实验，获取水化后的页岩频谱特征；根据原状页岩频谱特征、水化后页岩频谱特征，基于水化损伤系数计算模型，获得水化损伤系数实验值；基于页岩岩石参数、流体参数、外部环境参数、水化损伤系数实验值，采用神经网络算法，建立基于页岩水化参数的页岩水化损伤系数预测模型。2.根据权利要求1所述的预测模型建立方法，其特征在于：所述页岩岩石参数包括页岩活度、页岩密度、孔隙度、渗透率；所述流体参数包括流体活度；所述外部环境参数包括浸泡时间、浸泡温度、浸泡压差。3.根据权利要求2所述的预测模型建立方法，其特征在于：所述页岩密度采用体积法测量：通过天平测量页岩岩样质量，采用游标卡尺分别测量页岩岩样直径与长度，进而计算岩样体积；基于岩样质量与体积，计算得到页岩岩样密度。所述孔隙度采用气测法获取：首先通过游标卡尺测量得到岩样体积v
f
，然后将页岩放入样品室开始气测，当样品室两端压力平衡时，基于平衡压力查阅图版，获得岩样骨架体积v
s
；根据岩样体积和骨架体积，采用以下公式计算岩样孔隙度：式中，为岩样孔隙度，v
f
为岩样体积，v
s
为骨架体积。4.根据权利要求2或3所述的预测模型建立方法，其特征在于：所述渗透率采用气测法获取：基于达西定理，气测渗透率公式为：式中，k为渗透率；p
o
为大气压力，固定为0.1mpa；q为大气压下的气体流量，cm3/s；μ为气体粘度，本实施例采用氮气，粘度为0.0178mpa.s；l为岩样长度，a横截面积，l与a通过游标卡尺测试计算；p1为气测时岩样室里的进气端压力；p2为气测时岩样室里的出气端压力；所述页岩活度采用以下公式计算得到：a
w
＝ar
h
+b式中，a
w
为页岩活度，r
h
为湿度；a、b为线性拟合系数，a为0.0099，b为
‑
0.0038。5.根据权利要求2所述的预测模型建立方法，其特征在于：所述流体活度测试方法为：首先测试流体湿度，然后基于流体湿度与流体活度的线性关系得到流体活度。6.根据权利要求2所述的预测模型建立方法，其特征在于：选取不同浸泡时间、浸泡温
度及浸泡压差作为外部环境参数。7.根据权利要求1所述的预测模型建立方法，其特征在于：所述水化损伤系数计算模型为：式中，s为水化损伤系数，m
a
为原状页岩主频，m
c
为水化页岩主频，f
a
为原状页岩的最大振幅，f
b
为水化页岩的最大振幅。8.根据权利要求1或2所述的预测模型建立方法，其特征在于：所述神经网络算法为bp神经网络算法，包括输入层、隐含层、输出层；基于实验测试数据，通过对不同页岩岩石参数、流体参数及外部环境参数进行归一化处理，归一化后参数为输入层参数；水化损伤系数实验值为输出层参数；隐含层是用于神经网络学习，隐含层的层数为：上式中，n
y
为隐含层层数；n
in
为输入层层数；m
out
为输出层层数；η为经验常数。确定bp神经网络的输入层、输出层和隐含层后，基于输入层参数与输出层的理想输出参数，开展神经网络学习，建立基于页岩水化参数的页岩水化损伤预测模型。9.根据权利要求8所述的预测模型建立方法，其特征在于：输入层为8层，输出层为1层，隐含层为9层。10.页岩水化损伤系数的预测方法，其特征在于：包括以下步骤：s1，基于室内实验手段，获取页岩水化参数，页岩水化参数包括页岩岩石参数、流体参数及外部环境参数；s2，将s1获取的页岩水化参数输入如权利要求1
‑
9中任一项所述预测模型建立方法建立的页岩水化损伤系数预测模型，获得页岩水化损伤系数预测值。
技术总结
本发明涉及一种页岩水化损伤系数的预测模型建立方法及预测方法，包括：对页岩岩样开展超声波透射实验，获取原状页岩的频谱特征；获取页岩岩石参数、流体参数及外部环境参数；基于不同页岩岩石参数、流体参数及外部环境参数，开展浸泡实验；对浸泡后的页岩岩心，开展超声波透射实验，获取水化后的页岩频谱特征；根据原状页岩频谱特征、水化后页岩频谱特征，基于水化损伤系数计算模型，获得水化损伤系数实验值；基于页岩岩石参数、流体参数、外部环境参数、水化损伤系数实验值，采用神经网络算法，建立基于页岩水化参数的页岩水化损伤系数预测模型。将待预测岩样的页岩水化参数，输入页岩水化损伤系数预测模型，获得页岩水化损伤系数。数。数。
技术研发人员：丁乙 刘向君 梁利喜 熊健
受保护的技术使用者：西南石油大学
技术研发日：2021.08.12
技术公布日：2021/11/8