本發(fā)明屬于頁巖氣開發(fā)，具體涉及一種基于深度學習的壓裂過程中套管變形的預測方法。

背景技術：

1、目前，體積壓裂作為頁巖氣高效開發(fā)的核心技術之一，在進行儲層改造時，套管變形問題頻發(fā)，嚴重影響了壓裂效果和頁巖氣開發(fā)進程，因此，為了保證壓裂施工的順利進行，對套管變形的預測具有重大意義。

2、套管變形時地質工程、開發(fā)等因素長期綜合作用的結果，這些因素之間具有非線性、不確定性和時變性。傳統的套管變形預測方法主要基于經驗公式或者力學模型，很難對各種影響因素面面俱到，使得套管變形的預測精度較低，成本較高。

3、機器學習基于收集的數據獲得有價值的認識，可以幫助做出快速而正確的決策，已經廣泛應用于石油工程中其他行業(yè)，其中也有將機器學習應用到套管變形預測，但是其研究深度不足，導致預測精度不高。因此，我們提出一種基于深度學習的壓裂過程中套管變形的預測方法。

技術實現思路

1、本發(fā)明所要解決的技術問題便是針對上述現有技術的不足，提供一種基于深度學習的壓裂過程中套管變形的預測方法，它能夠有效提高套管變形預測的精度，從而提高壓裂施工過程中的安全性。

2、本發(fā)明所采用的技術方案是：一種基于深度學習的壓裂過程中套管變形的預測方法，包括以下步驟：

3、步驟1：收集已壓裂氣井的地質參數、工程參數及套管變形量，構建原始套變數據集；

4、步驟2：對原始套變數據集中的地質參數和工程參數進行篩選，設定缺失參數閾值，計算每個地質參數和工程參數的參數缺失比，剔除參數缺失比大于缺失參數閾值的地質參數和工程參數，采用knn算法填充參數缺失比小于缺失參數閾值且不為0的地質參數和工程參數，得到一級套變數據集；

5、步驟3：對一級套變數據集中的地質參數和工程參數進行再次篩選，設定系數閾值，計算每個地質參數和工程參數的最大互信息系數，剔除最大互信息系數小于系數閾值的地質參數和工程參數，得到二級套變數據集；

6、步驟4：對二級套變數據集進行歸一化處理，得到最終的套變數據集；

7、步驟5：將套變數據集按3:1的比例隨機劃分，其中75%為訓練集，25%為測試集，基于深度學習模型建立套變預測模型，所述套變預測模型包括依次設置的輸入層，卷積層，激活函數，池化層，卷積層，池化層，全連接層，激活函數層，輸出層；并將訓練集輸入套變預測模型中對套變預測模型進行訓練，將測試集輸入訓練好的套變預測模型中進行驗證，驗證合格后獲得最終的套變預測模型；

8、步驟6：獲取壓裂氣井的地質參數和工程參數，并將獲取的地質參數和工程參數輸入最終的套變預測模型中，得到套管變形量，通過套管變形量實現對壓裂氣井套管變形的預測。

9、作為優(yōu)選，所述地質參數包括裂縫或斷層傾角、裂縫或斷層長度、裂縫或斷層到套變點的距離、水平段埋深、最大水平地應力和最小水平地應力；所述工程參數包括壓裂排量、壓裂液量、壓裂時間、壓裂段長、壓裂分簇數目、反排率和砂比。

10、作為優(yōu)選，所述參數缺失比為參數缺失樣本大小占參數總樣本大小的比例。

11、作為優(yōu)選，步驟5中套變預測模型訓練過程中，使用均方誤差作為損失函數。

12、作為優(yōu)選，步驟5中套變預測模型訓練過程中加入自適應調整學習率。

13、與現有技術相比，本發(fā)明的有益效果為：對構建的原始套變數據集依次進行缺失參數值處理、輸入參數與輸出參數的相關性分析處理以及歸一化處理，有效提高了數據質量，為套變預測模型的建立提供了量化的數據基礎；同時基于深度學習分析地質參數和工程參數與套管變形量之間的非線性關系，提高了套管變形的預測精度，并在套變預測模型訓練階段加入自適應調整學習率，使得套變預測模型能更好地適應訓練過程中的變化，從而提高了套變預測模型的性能和泛化能力。

14、本發(fā)明通過對收集的原始套變數據集的處理，有效提高了數據質量，為深度學習構建的套變預測模型提供了良好的數據基礎，有效提高了套變預測模型的預測精度。

技術特征：

1.一種基于深度學習的壓裂過程中套管變形的預測方法，其特征在于，包括以下步驟：

2.根據權利要求1所述的一種基于深度學習的壓裂過程中套管變形的預測方法，其特征在于，所述地質參數包括裂縫或斷層傾角、裂縫或斷層長度、裂縫或斷層到套變點的距離、水平段埋深、最大水平地應力和最小水平地應力；所述工程參數包括壓裂排量、壓裂液量、壓裂時間、壓裂段長、壓裂分簇數目、反排率和砂比。

3.根據權利要求1所述的一種基于深度學習的壓裂過程中套管變形的預測方法，其特征在于，所述參數缺失比為參數缺失樣本大小占參數總樣本大小的比例。

4.根據權利要求1所述的一種基于深度學習的壓裂過程中套管變形的預測方法，其特征在于，步驟5中套變預測模型訓練過程中，使用均方誤差作為損失函數。

5.根據權利要求1或4所述的一種基于深度學習的壓裂過程中套管變形的預測方法，其特征在于，步驟5中套變預測模型訓練過程中加入自適應調整學習率。

技術總結
本發(fā)明涉及頁巖氣開發(fā)技術領域，具體公開了一種基于深度學習的壓裂過程中套管變形的預測方法，包括以下步驟：收集已壓裂氣井的地質參數、工程參數及套管變形量，構建原始套變數據集；對原始套變數據集中的輸入參數進行缺失參數值處理；再對輸入參數與輸出參數的相關性進行分析處理；最后進行歸一化處理，得到最終的套變數據集；基于深度學習模型建立套變預測模型，通過最終的套變數據集對套變預測模型進行訓練和驗證，獲得最終的套變預測模型，通過最終的套變預測模型對壓裂氣井進行套管變形預測。本發(fā)明通過對原始套變數據集進行處理，有效提高了數據質量，為構建的套變預測模型提供了數據基礎，有效提高了套變預測模型的預測精度。

技術研發(fā)人員：尹飛,黃干,曾攀,葉鵬舉,付博然
受保護的技術使用者：成都理工大學
技術研發(fā)日：
技術公布日：2024/9/9