基于理论引导神经网络的破裂压力预测方法

本发明涉及基于理论引导神经网络的破裂压力预测方法，属于石油勘探开发。

背景技术：

1、地层破裂压力是当井内钻井液柱所产生的压力升高至足以压裂地层，使其原有的裂缝张开延伸或形成新的裂隙时的井内流体压力，通常用破裂压力pf或当量钻井液密度ρf来表示。在石油工程领域，破裂压力是钻井、固井、水力压裂设计与施工的重要基础参数。随着我国将油气勘探开发的重点转移到非常规油气，所面临的地层环境越来越复杂，破裂压力的研究愈发受到关注。

2、目前，获取破裂压力的方法主要有通过矿场试验直接测试破裂压力和通过地球物理测井解释预测破裂压力两大类。矿场试验主要有地层完整性测试和地破试验，这种方法主要用于测试每一开次裸眼井段顶部的破裂压力，得到的破裂压力精度较高但费用高、实测数据少；测井解释方法先通过测井资料预测地层岩石力学、孔隙压力和地应力等地质力学参数，然后将地质力学参数带入到破裂压力计算模型，从而可以预测出破裂压力剖面，这种方法费用较低，而且可以获得相对连续的单井剖面，但精度较低、普适性不强。

3、近年来随着机器学习方法在各个领域的广泛应用，许多学者利用机器学习方法解决石油工程领域中的诸多问题。其中，神经网络因其能够有效构建输入参数与输出参数之间的非线性关系，实现准确预测而被广泛使用。而传统的人工神经网络是一种纯粹的数据驱动模型，其基本规则是一系列线性运算加非线性激活函数的组合，如果有足够多的样本数据便可以充分学习到数据的多样性和复杂性，从而推理出未知数据的预测值。但是，传统的神经网络模型需要大量的数据进行训练才能学习到样本数据的多样性，有限的样本数量往往无法使模型得到理想的结果；另外，模型的可解释性较差，神经网络通常由许多层神经元组成，这些层之间的复杂交互很难解释，因此被称为“黑盒模型”。

4、目前，许多学者将理论知识、机理模型或函数关系嵌入神经网络模型中，利用这种理论与数据相融合的新范式打破模型效果提升的瓶颈，并取得了良好的效果。但是将理论知识结合神经网络预测破裂压力的研究尚未见报道。因此，发明了一种基于理论引导神经网络的破裂压力预测方法，该方法相较于数据驱动神经网络具有更高的精度和更强的可解释性。

技术实现思路

1、为了克服现有技术中存在的缺陷，本发明旨在提供基于理论引导神经网络的破裂压力预测方法，该方法可根据测井数据直接、准确地预测破裂压力。

2、本发明解决上述技术问题所提供的技术方案是：基于理论引导神经网络的破裂压力预测方法，包括：

3、步骤s1、收集已钻井的测井数据，并进行测井解释得到地质力学参数和破裂压力数据，构建神经网络模型训练和测试所需的数据集；

4、步骤s2、对数据集的数据进行预处理，并将数据集划分为训练集和测试集；

5、步骤s3、构建基于理论引导的神经网络模型；

6、所述基于理论引导的神经网络模型包含数据驱动模块和理论引导模块，所述数据驱动模块包括输入层、隐藏层、输出层；

7、步骤s4、利用训练集的数据对基于理论引导的神经网络模型进行训练，并对神经网络模型进行优化，获得优化后的神经网络模型；

8、步骤s5、根据测试集的数据对优化后的神经网络模型预测效果进行测试，并通过评价指标进行模型预测结果评估。

9、进一步的技术方案是，所述测井数据包括井深、横波时差、纵波时差、补偿中子、岩性密度、井径、自然伽马；所述地质力学参数包括最小水平地应力、最大水平地应力、孔隙压力、biot系数和抗拉强度。

10、进一步的技术方案是，所述步骤s1中通过一维地质力学模型计算得到地质力学参数，通过直井破裂压力计算模型计算得到破裂压力。

11、进一步的技术方案是，所述一维地质力学模型包括：

12、biot系数计算公式：

13、

14、式中：α为biot系数，无因次；δtcma为岩石骨架的纵波时差，μs/ft；δtsma为岩石骨架的横波时差，μs/ft；ρma为岩石骨架密度，g/cm3；ρb为岩石密度，g/cm3；δts为横波时差，μs/ft；δtc为纵波时差，μs/ft；

15、抗拉强度计算公式：

16、

17、式中：st为岩石抗拉强度，mpa；sc为岩石单轴强度，mpa；ktc为比例系数；

18、孔隙压力计算公式：

19、

20、式中：pp为地层孔隙压力，mpa；pw为静水液柱压力，mpa；e为伊顿指数，无因次；σv为垂向地应力，mpa；δtc为纵波时差，μs/ft；δtnc为正常趋势线上对应的纵波时差，μs/ft；

21、水平地应力计算公式：

22、

23、式中：σh为最大水平地应力，mpa；σh为最小水平地应力，mpa；ω1为最大水平地应力方向构造应力系数，无因次；ω2为最小水平地应力方向构造应力系数，无因次。

24、进一步的技术方案是，所述直井破裂压力计算模型为：

25、pf＝3σh-σh-αpp+st

26、式中：pf为破裂压力，mpa；σh为最大水平地应力，mpa；σh为最小水平地应力，mpa；α为biot系数，无因次；st为岩石抗拉强度，mpa；pp为地层孔隙压力，mpa。

27、进一步的技术方案是，所述步骤s2中对测井数据进行归一化处理，其归一化公式如下：

28、

29、式中：x*为归一化的参数值；xmax和xmin分别为参数的最大和最小值。

30、进一步的技术方案是，所述基于理论引导的神经网络模型的具体预测过程包括：

31、步骤s31、将测井参数输入到神经网络模型当中，通过数据驱动模块预测得到地质力学参数和破裂压力数据；

32、步骤s32、将基于数据驱动模块预测得到的破裂压力数据与实际的破裂压力数据做均方误差，构成数据约束项损失函数；

33、步骤s33、将基于数据驱动模块预测得到的地质力学参数代入理论引导模块中，根据直井破裂压力计算公式得到破裂压力的计算值，并与破裂压力实际值做均方误差构成理论知识约束项损失函数；

34、步骤s34、将数据约束项损失函数与理论知识约束项损失函数加权求和，构成含数据约束项和理论知识约束项的损失函数，并作为神经网络模型的总损失函数；

35、步骤s35、通过总损失函数的反向传播优化神经网络层的权重和偏置，使预测值不断逼近真实值，得到最终的预测结果。

36、进一步的技术方案是，所述数据约束项损失函数计算公式如下：

37、

38、式中：ld(θ)为数据约束项损失函数；nd为数据驱动模型的输入参数的数量；为预测得到的破裂压力，mpa；pf为实际的破裂压力，mpa；

39、理论知识约束项损失函数计算公式如下：

40、

41、式中：lt(θ)为理论知识约束项损失函数；nt为模型的输入参数数量；为预测得到的最小水平地应力，mpa；为预测得到的最大水平地应力，mpa；为预测得到的biot系数，无因次；为预测得到的孔隙压力，mpa；为预测得到的抗拉强度，mpa；

42、神经网络模型的总损失函数表达式如下：

43、ltgnn(θ)＝λdld(θ)+λtlt(θ)

44、式中：ltgnn(θ)为神经网络模型的总损失函数；λd、λt分别为数据约束项损失函数和理论知识约束项损失函数所占权重。

45、进一步的技术方案是，所述步骤s4的具体过程为：

46、步骤s41、对神经网络模型的超参数进行优选，其中超参数包括学习率、迭代次数和批尺寸；

47、具体步骤为：将学习率、迭代次数和批尺寸按照经验设置取值范围，分别考察不同超参数变化对神经网络模型预测结果的影响，并选择预测效果最好的超参数作为神经网络模型的超参数组合；

48、步骤s42、对数据约束项损失函数和理论知识损失函数的权重进行优选；

49、具体步骤为：将理论知识损失函数的权重分别设置为0.1、0.2、0.3、0.4、0.5、0.6、0.7、0.8、0.9，则对应的数据约束项损失函数为(1-λt)；将不同权重配比的损失函数代入理论引导模块中进行预测结果的对比，优选预测结果最佳的权重组合。

50、进一步的技术方案是，所述步骤s5的具体过程为：

51、步骤s51、将测试集中的测井数据代入优化后的神经网络模型中预测得到破裂压力预测数据；

52、步骤s52、根据破裂压力预测数据和测试集中的破裂压力真实数据计算得到评价指标；

53、步骤s53、最后通过评价指标对破裂压力预测结果进行评估。

54、本发明具有以下有益效果：本发明采用理论引导的神经网络模型进行直井破裂压力的预测；该模型在数据驱动的基础上增加了理论知识的约束，进一步提高了模型的预测精度并增强了模型的可解释性，对于钻井工程、水力压裂的设计与施工等具有十分重要的作用。