一种融合物理条件约束的压裂裂缝扩展快速预测方法

本发明属于油藏智能优化压裂领域，具体涉及一种融合物理条件约束的压裂裂缝扩展快速预测方法。

背景技术：

1、水力压裂技术在低渗/超低渗油气藏开发中占据绝对优势，是非常规储层效益开发的核心技术。在水力压裂作业过程中，将压裂液和支撑剂等混合物注入井孔，高压促使地层岩石发生破裂形成复杂裂缝。这些裂缝延伸到远离井孔的地层中，从而增加储层有效渗透率和产量。研究表明，准确模拟压裂裂缝扩展，预测水力裂缝尺寸是水力压裂和完井设计的关键，对优化压裂设计、提高油气井产能具有重要意义。但受储层物性、天然裂缝发育和压裂设计等多因素综合影响，水力裂缝扩展过程复杂，裂缝形态预测困难。此外，考虑岩石渗透率、流体运移、裂缝扩展等物理过程，导致裂缝扩展涉及大规模方程组和稠密矩阵计算求解，浪费大量资源和时间。

技术实现思路

1、为了解决上述问题，本发明提出了一种融合物理条件约束的压裂裂缝扩展快速预测方法，首先，基于不同储层属性、泵注设计、井位孔眼图和天然裂缝分布图，使用精细网格水力压裂模拟生成水力压裂的裂缝扩展时序视频，建立了一个水平井压裂裂缝扩展时序图像数据库；然后，利用数据前处理技术对储层属性、泵注设计、井筒孔眼图像、天然裂缝分布图像和裂缝扩展时序图像进行数据预处理；之后在传统convlstm网络结构中嵌入物理条件卷积计算层、图像卷积计算层和数据融合层，构建裂缝扩展时序图像预测模型（physical-convlstm），实现高效的压裂裂缝扩展预测。

2、为了实现上述目的，本发明采用如下技术方案：

3、一种融合物理条件约束的压裂裂缝扩展快速预测方法，包括以下步骤：

4、步骤1、基于实际测井数据，利用数值模拟器建立页岩气多级水平井压裂模型，以页岩储层属性、压裂泵设计方案、井筒孔眼图像和天然裂缝分布图像作为裂缝扩展过程物理约束条件，获取不同物理约束条件下的裂缝扩展时序图像，搭建多级水平井压裂裂缝扩展时序图像数据库；

5、步骤2、利用数据归一化方法和元素相加方法对页岩储层属性和压裂泵注设计方案进行数据预处理，采用灰度图、阈值判断、像素值分类、图像裁剪方法和图像拼接方法对井筒孔眼图像、天然裂缝分布图像和裂缝扩展时序图像进行图像预处理；

6、步骤3、基于卷积-长短期记忆网络结构，嵌入物理条件卷积计算层、图像卷积计算层和数据融合层，建立裂缝扩展时序图像预测模型并进行训练；

7、步骤4、利用阈值判断方法对裂缝扩展时序图像预测模型输出的预测图像进行后处理，降低预测图像中裂缝周围干扰噪音像素点，实现图像像素值清洗；

8、步骤5、将后处理后的预测图像进行可视化呈现，按照时间顺序逐帧输出裂缝扩展结果。

9、进一步地，所述步骤1包括以下子步骤：

10、步骤1.1、基于多个实际测井数据，利用数值模拟器建立多个页岩气多级水平井压裂模型，获取页岩各储层属性，属性包括最小水平主应力、最大水平主应力、垂直应力、储层压力、孔隙度、渗透率、含水饱和度、杨氏模量、泊松比，保存为csv格式数据，建立裂缝扩展时序预测储层属性数据集；

11、步骤1.2、基于不同压裂液类型、支撑剂类型、泵注速率、支撑剂浓度，获取多种压裂泵注设计方案，保存为csv格式数据，建立裂缝扩展时序预测泵注设计数据集；

12、步骤1.3、设置不同的井筒孔眼位置和天然裂缝分布，并将每一级水平井压裂的井筒孔眼位置图像和天然裂缝分布图像保存为jpg格式图像，建立裂缝扩展时序预测井筒-天然裂缝分布图像集；

13、步骤1.4、基于裂缝扩展时序预测储层属性数据集、泵注设计数据集和井筒-天然裂缝分布图像集，利用数值模拟器模拟多级水平井压裂裂缝扩展过程，并获取每一级压裂的裂缝扩展mp4格式视频；

14、步骤1.5、基于步骤1.4获取的裂缝扩展视频，利用均值哈希方法删除视频中相同帧，减少相同帧引起的干扰并降低计算量，最终获取不同物理约束条件下的裂缝扩展时序图像；

15、步骤1.6、以不同页岩储层属性、压裂泵注设计方案、井筒孔眼图像和天然裂缝分布图像作为裂缝扩展过程物理约束条件，以多级水平井每一级对应的裂缝扩展时序图像为结果，搭建多级水平井压裂裂缝扩展时序图像数据库，并按照9:1的比例随机划分训练集和测试集。

16、进一步地，所述步骤1.5包括以下子步骤：

17、步骤1.5.1、提取裂缝扩展视频中的每一帧图像；

18、步骤1.5.2、利用图像均值哈希方法计算每一帧图像的哈希值；

19、步骤1.5.3、将当前帧的哈希值与前一个被保留的帧的哈希值进行比较，判断当前帧是否与前一个被保留的帧相同；

20、步骤1.5.4、如果当前帧的哈希值与前一个被保留的帧的哈希值相同，则说明两者是相同的帧，将当前帧标记为待删除；

21、步骤1.5.5、如果当前帧的哈希值与前一个被保留的帧的哈希值不同，则将当前帧添加到保留的帧列表中，并更新当前帧的哈希值为参考值；

22、步骤1.5.6、重复步骤1.5.3至步骤1.5.5，直到处理完所有的帧；

23、步骤1.5.7、根据标记的结果，删除相同的帧或生成一个新的视频，只包含保留的帧。

24、进一步地，所述步骤2中，对页岩储层属性和压裂泵注设计进行数据预处理包括以下子步骤：

25、步骤2.1、利用minmaxscaler函数处理储层属性数据和压裂泵注设计方案中不同参数数据，消除奇异样本数据导致的不良影响，其表达式为：

26、；

27、其中，为属性数据或参数数据；为的归一化值；为的最小值；为的最大值；

28、步骤2.2、将井筒孔眼图像、天然裂缝分布图像、裂缝扩展时序图像转化为灰度图；

29、步骤2.3、利用阈值判断方法将步骤2.2得到的灰度图进行灰度值判断，将灰度图中小于35的灰度值转换为0；

30、步骤2.4、将步骤2.3得到的灰度图进行灰度值分类处理，使井筒孔眼图像中图像背景灰度值为0，井筒孔眼灰度值为3；天然裂缝分布图像中图像背景灰度值为0，天然裂缝灰度值为2；裂缝扩展时序图像中图像背景灰度值为0，裂缝扩展灰度值为1；

31、步骤2.5、将步骤2.4得到的灰度图进行规定尺寸的图像裁剪，裁剪后的尺寸为256×256；

32、步骤2.6、将裁剪后的井筒孔眼灰度图、天然裂缝分布灰度图和裂缝扩展时序灰度图进行数据拼接，形成维度为3×256×256的矩阵，其中第1通道代表井筒孔眼，第二通道代表天然裂缝，第3通道代表裂缝扩展。

33、进一步地，所述步骤3包括以下子步骤：

34、步骤3.1、采用物理条件卷积计算层对步骤2.1获得的储层属性数据和压裂泵注设计方案中的参数数据进行特征提取，物理条件卷积计算层包括两个卷积层，每个卷积层的输入通道为1，输出通道为1，卷积核大小为3，步长为1，填充为1；

35、步骤3.2、采用双线性插值方法对物理条件卷积计算层的计算结果进行上采样，使储层属性数据和压裂泵注设计方案中的参数数据维度都为1×256×256；

36、步骤3.3、采用元素相加方法将步骤3.2得到的储层属性数据和压裂泵注设计方案中的参数数据进行元素相加，最终获得维度为1×256×256的数据；

37、步骤3.3、采用图像卷积计算层对步骤2.6获得的维度为3×256×256的矩阵进行特征提取，图像卷积计算层包括一个卷积层，卷积层的输入通道为3，输出通道为3，卷积核大小为1，步长为1，填充为0；

38、步骤3.4、采用数据融合层融合步骤3.3获得的维度为1×256×256的数据和图像卷积计算层的计算结果，两者融合后的数据维度为4×256×256；

39、步骤3.5、利用层归一化操作对步骤3.4获得的维度为4×256×256的数据中第一个维度进行归一化；

40、步骤3.6、构建卷积-长短期记忆网络结构，将步骤3.5中归一化后维度为4×256×256的数据输入到该网络结构中，输出维度为3×256×256的数据；该网络结构包括输入卷积层、长短期记忆网络和输出卷积层；输入卷积层的输入通道为4，输出通道为128，卷积核大小为5，步长为1，填充为2；长短期记忆网络包括4个隐藏层，每个隐藏层包括遗忘门、输入门、输出门和更新门；输出卷积层的输入通道为128，输出通道为3，卷积核大小为1，步长为1，填充为0。

41、进一步地，所述步骤3.6中，长短期记忆网络的表达式为：

42、；

43、 ；

44、；

45、 ；

46、；

47、 ；

48、其中，表示当前时间步的融合输入特征向量，由步骤3.5获得，维度为[4, 256,256]；表示上一个时间步的隐藏状态；表示上一个时间步的细胞状态；、、、分别表示输入特征与门控单元中的遗忘门、输入门、输出门和更新门相关的权重矩阵；、、、分别表示上一个时间步的隐藏状态与门控单元中的遗忘门、输入门、输出门和更新门相关的权重矩阵；、、分别表示上一个时间步的细胞状态与门控单元中的遗忘门、输入门和输出门相关的权重矩阵；、、、分别表示门控单元中的遗忘门、输入门、输出门和更新门的偏置向量；表示遗忘门的输出，使用sigmoid函数将遗忘门的输入加权求和后进行激活；表示输入门的输出，使用sigmoid函数将输入门的输入加权求和后进行激活；表示输出门的输出，使用sigmoid函数将输出门的输入加权求和后进行激活；表示更新门的输出，使用tanh函数将更新门的输入加权求和后进行激活；表示逐元素相乘操作；表示当前时间步的细胞状态，通过遗忘门和输入门的输出加权求和得到；表示当前时间步的隐藏状态，通过输出门的输出和经过tanh函数处理的细胞状态得到；

49、sigmoid函数的表达式为：

50、；

51、其中，表示的负指数幂，是自然对数的底数；

52、tanh函数的表达式为：

53、；

54、其中，表示的指数幂，是自然对数的底数。

55、进一步地，对裂缝扩展时序图像预测模型进行训练，首先设置模型训练参数：采用前1帧裂缝扩展图像预测后5帧裂缝扩展图像，迭代次数为500次，1次训练所抓取的数据样本数为5，优化器为adam优化器，学习率为0.0001，学习率下降率为0.92；

56、其次，采用预处理后的训练集和测试集，迭代训练裂缝扩展时序图像预测模型，直至到达设置的最大迭代训练次数，得到训练好的裂缝扩展时序图像预测模型。

57、进一步地，所述步骤4包括以下子步骤：

58、步骤4.1、模型输出数据维度为[3, 256, 256]，提取输出数据的第1维度的第3通道数据，并将其每个元素与0进行逐元素比较，当元素小于0时，取0代替该元素，当元素大于0时，该元素保持不变，得到新的输出数据；

59、步骤4.2、将步骤4.1中新的输出数据中每个元素与1进行逐元素比较，当元素大于1时，取1代替该元素，当元素小于1时，该元素保持不变，得到最终的输出数据；

60、步骤4.3、将步骤4.2中最终的输出数据中每个元素乘255，并将结果转换为无符号8位整数类型；

61、步骤4.4、将转换后的结果中数值小于35的元素转换为0，其余元素转换为255。

62、进一步地，所述步骤5中，利用双线性插值方法对步骤4.4中获得的结果进行图像放大，使其变为原始图像大小，并进行可视化呈现。

63、本发明所带来的有益技术效果为：

64、本发明提出了一种融合物理条件约束的压裂裂缝扩展快速预测方法，在不考虑传统压裂模拟的情况下，为多级水平井压裂裂缝扩展快速预测提供了有效的技术支持，极大提高了工作效率；深度学习方法是一种精准高效的数据分类、数据拟合方法，因此本发明采用时序图像预测方法建立了压裂裂缝扩展快速预测模型，利用物理条件卷积计算层提取储层属性参数和压裂施工泵注设计主要特征，利用图像卷积计算层提取井筒射孔、天然裂缝分布和裂缝扩展时序图主要特征，利用数据融合层实现不同维度数据特征融合，建立多通道特征融合计算网络模型，实现压裂裂缝扩展快速预测；

65、本发明利用深度学习方法为压裂裂缝扩展提供了高效的预测方法；相对于传统的数值模拟方法及其他神经网络压裂裂缝表征模型，本发明极大降低了数值模型计算耗时，并详细描述了裂缝扩展过程及次生裂缝，为裂缝动态演化规律分析提供有有效支持。