水平井压裂的裂缝参数确定方法及装置

本说明书涉及非常规油气藏水平井开发，特别涉及一种水平井压裂的裂缝参数确定方法及装置。

背景技术：

1、致密/页岩油气是非常规油气资源的重要组成部分，如何高效开发和利用致密/页岩油已成为石油天然气工业发展的重要保证之一，水平井压裂技术是开采致密/页岩油的有效手段。压裂效果评估为增产措施优化提供重要依据，需要准确评估裂缝几何尺寸和导流能力。与常规水平井压裂相比，由于陆相致密/页岩油气发育多层系，需要通过立体开发进行多层动用。水平井立体开发的井数多、压裂段数和射孔簇数也更多，形成的缝网形态更复杂，裂缝的评估工作也更为困难。与直井开发或常规水平井开发的压裂效果评估不同，立体开发水平井压裂的裂缝扩展路径与规律更复杂，目标裂缝参数确定模型需要更严格的物理约束和更优化的深度学习模型。

2、常规的效果评估方法主要分两种。第一种是通过微地震、分布式光纤监测等直接监测方法，弊端是对远离井筒的区域和水平井的裂缝监测不精准，可以获得裂缝几何尺寸，但不能得到裂缝导流能力。第二种是间接反演，通过生产历史拟合、试井压力分析等反演裂缝参数。由于模型假设简单，需要耗费很多的时间和精力，反演得到的裂缝参数与实际结果有差距，对于水平井立体压裂，从本质上解释复杂缝网裂缝较难，缺乏实时高效准确的裂缝诊断方法。

3、针对上述问题，目前尚未提出有效的解决方案。

技术实现思路

1、本说明书实施例提供了一种水平井压裂的裂缝参数确定方法及装置，以解决现有技术中缺乏实时高效准确的裂缝诊断方法的问题。

2、本说明书实施例提供了一种水平井压裂的裂缝参数确定方法，包括：

3、获取目标油气藏的静态地质数据和动态压裂施工数据；

4、将所述静态地质数据和所述动态压裂施工数据输入目标裂缝参数确定模型中，得到所述目标油气藏的裂缝参数；

5、其中，所述目标裂缝参数确定模型包括组合神经网络和深度神经网络；所述组合神经网络用于所述静态地质数据和所述动态压裂施工数据的输入；所述深度神经网络用于对所述组合神经网络输入的数据进行计算，得到所述裂缝参数；所述深度神经网络的损失函数包括基于数据驱动的第一损失函数、基于所述目标油气藏的现场监测数据构建的第二损失函数和基于所述目标油气藏对应的裂缝扩展方程构建的第三损失函数。

6、在一个实施例中，所述第二损失函数是通过以下方式确定的：获取所述目标油气藏的现场监测数据，对所述现场监测数据进行反演，得到监测数据；基于所述监测数据构造所述第二损失函数；所述监测数据包括反演得到的裂缝参数取值范围；和/或

7、所述第三损失函数是通过以下方式确定的：基于所述动态压裂施工数据确定裂缝类型，根据所述裂缝类型选取对应的裂缝扩展方程；基于所述裂缝扩展方程构造所述第三损失函数。

8、在一个实施例中，将所述静态地质数据和所述动态压裂施工数据输入目标裂缝参数确定模型中，得到所述目标油气藏的裂缝参数，包括：

9、对所述动态压裂施工数据进行预处理，得到预处理后的动态压裂施工数据；所述预处理包括以下至少之一：压裂段截取、数据去噪和特征点提取；

10、将所述静态地质数据和所述预处理后的动态压裂施工数据输入目标裂缝参数确定模型中，得到所述目标油气藏的裂缝参数。

11、在一个实施例中，所述动态压裂施工数据包括水平井在多个时刻中各时刻下的压裂施工压力数据、添液量、施工排量和支撑剂浓度；相应的，对所述动态压裂施工数据进行预处理，得到预处理后的动态压裂施工数据，包括：

12、根据所述添液量对基于所述水平井在多个时刻中各时刻下的压裂施工压力数据生成的压裂施工曲线进行截取，得到压裂段；

13、对所述压裂段对应的压裂施工压力数据进行降噪处理，将砂浓度变化幅度超过第一预设阈值时对应的压裂施工压力点与压裂施工压力数据的变化幅度超过第二预设阈值的点的交集确定为特征压力点，得到所述压裂段对应的特征压力点；

14、将所述各压裂段对应的特征压力点、所述特征压力点对应的施工排量和砂浓度确定为所述压裂段对应的预处理后的动态压裂施工数据。

15、在一个实施例中，所述目标裂缝参数确定模型是通过以下方式构建的：

16、建立训练样本库；所述训练样本库中包括输入样本集和输出样本集；所述输入样本集中的输入数据包括多个压裂段中各压裂段对应的静态地质数据和对应的动态施工数据；所述输出样本集中的输出数据包括所述输入样本集中各输入数据对应的裂缝评估参数；

17、将所述训练样本库输入预先构建的组合神经网络和深度神经网络进行训练，得到目标裂缝参数确定模型。

18、在一个实施例中，所述输出数据是通过以下方式之一确定的：

19、对所述输入样本集中的输入数据进行压裂施工压力分析，反演得到裂缝扩展时的动态裂缝参数的输出数据；

20、利用生产动态分析案件拟合生产动态，反演得到裂缝闭合后的静态裂缝参数的输出数据；

21、根据现场压裂监测技术诊断校正裂缝参数，得到综合裂缝参数的输出数据。

22、在一个实施例中，将所述训练样本库输入预先构建的组合神经网络和深度神经网络进行训练，得到目标裂缝参数确定模型，包括：

23、将所述训练样本库输入预先构建的组合神经网络和深度神经网络进行训练，得到裂缝参数确定模型；

24、利用k折交叉验证对所述裂缝参数确定模型进行验证，得到目标裂缝参数确定模型。

25、在一个实施例中，在得到所述目标油气藏的裂缝参数之后，还包括：

26、基于所述目标油气藏的裂缝参数和所述现场监测数据，确定所述目标油气藏的裂缝改造体积和裂缝导流能力；

27、根据所述裂缝改造体积和所述裂缝导流能力，计算所述目标油气藏的裂缝产能和/或裂缝经济指标。

28、本说明书实施例还提供了一种水平井压裂的裂缝参数确定装置，包括：

29、获取模块，用于获取目标油气藏的静态地质数据和动态压裂施工数据；

30、输入模块，用于将所述静态地质数据和所述动态压裂施工数据输入目标裂缝参数确定模型中，得到所述目标油气藏的裂缝参数；

31、其中，所述目标裂缝参数确定模型包括组合神经网络和深度神经网络；所述组合神经网络用于所述静态地质数据和所述动态压裂施工数据的输入；所述深度神经网络用于对所述组合神经网络输入的数据进行计算，得到所述裂缝参数；所述深度神经网络的损失函数包括基于数据驱动的第一损失函数、基于所述目标油气藏的现场监测数据构建的第二损失函数和基于所述目标油气藏对应的裂缝扩展方程构建的第三损失函数。

32、本说明书实施例还提供一种计算机设备，包括处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现上述任意实施例中所述的水平井压裂的裂缝参数确定方法的步骤。

33、本说明书实施例还提供一种计算机可读存储介质，其上存储有计算机指令，所述指令被执行时实现上述任意实施例中所述的水平井压裂的裂缝参数确定方法的步骤。

34、在本说明书实施例中，提供了一种水平井压裂的裂缝参数确定方法，可以获取目标油气藏的静态地质数据和动态压裂施工数据；将所述静态地质数据和所述动态压裂施工数据输入目标裂缝参数确定模型中，即可以得到所述目标油气藏的裂缝参数。目标裂缝参数确定模型可以包括组合神经网络和深度神经网络，通过所述组合神经网络可以实现所述静态地质数据和所述动态压裂施工数据的输入，通过所述深度神经网络可以对所述组合神经网络输入的数据进行计算，得到所述裂缝参数，通过在所述深度神经网络的损失函数包括基于数据驱动的第一损失函数、基于所述目标油气藏的现场监测数据构建的第二损失函数和基于所述目标油气藏对应的裂缝扩展方程构建的第三损失函数，可以在计算过程中除了考虑常规的数据驱动的损失函数之外，还可以考虑现场监测数据对裂缝参数的物理约束以及裂缝扩展方程对裂缝参数的物理约束。上述方案，采用对裂缝参数有控制作用的动态压裂施工数据作为输入的一部分，可以使得裂缝预测更准确。采用组合神经网络可以实现多维数据输入，解决了输入数据维度不同以及压裂施工数据过多导致的地质数据被忽略的问题。通过将常规损失函数中加入基于现场监测数据构建的第二损失函数和基于裂缝扩展方程构建的第三损失函数，可以对深度学习过程进行物理约束，使深度神经网络不是单纯的数据驱动，而是具有物理意义，考虑实际的裂缝参数，不同的损失函数部分从不同角度进一步约束了预测结果，从而可以针对致密油气藏水平井立体压裂得到的裂缝参数进行准确预测。相比常规的裂缝参数确定方法，本方案可以极大地降低裂缝参数评估工作的工作量和经济成本，实现了裂缝参数的实时准确快速预测。此外，本方案可以对直井和常规水平井压裂进行预测，只需要调整模型优化过程即可，弥补了直井和常规水平井裂缝预测方法的不足。