CN112906760A - 一种水平井压裂段分段方法、***、设备及存储介质 - Google Patents

一种水平井压裂段分段方法、***、设备及存储介质 Download PDF

Info

Publication number
CN112906760A
CN112906760A CN202110130584.4A CN202110130584A CN112906760A CN 112906760 A CN112906760 A CN 112906760A CN 202110130584 A CN202110130584 A CN 202110130584A CN 112906760 A CN112906760 A CN 112906760A
Authority
CN
China
Prior art keywords
graph
horizontal well
matrix
neural network
segmentation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110130584.4A
Other languages
English (en)
Other versions
CN112906760B (zh
Inventor
任国辉
赵昕迪
唐凯
胡寒
许嘉乐
李妍僖
陈建波
聂靖雯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China National Petroleum Corp
China Petroleum Logging Co Ltd
Original Assignee
China National Petroleum Corp
China Petroleum Logging Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China National Petroleum Corp, China Petroleum Logging Co Ltd filed Critical China National Petroleum Corp
Priority to CN202110130584.4A priority Critical patent/CN112906760B/zh
Publication of CN112906760A publication Critical patent/CN112906760A/zh
Application granted granted Critical
Publication of CN112906760B publication Critical patent/CN112906760B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • E—FIXED CONSTRUCTIONS
    • E21—EARTH OR ROCK DRILLING; MINING
    • E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
    • E21B43/00—Methods or apparatus for obtaining oil, gas, water, soluble or meltable materials or a slurry of minerals from wells
    • E21B43/25—Methods for stimulating production
    • E21B43/26—Methods for stimulating production by forming crevices or fractures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Mining & Mineral Resources (AREA)
  • Geology (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Fluid Mechanics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geochemistry & Mineralogy (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明公开了一种水平井压裂段分段方法、***、设备及存储介质，初始化图神经网络的权重和全连接层权重；根据水平井地质信息构造输入图；创建输入图的自连接带权邻接矩阵，进行拉普拉斯谱分解得到拉普拉斯矩阵；求出拉普拉斯矩阵的特征向量矩阵，输入图神经网络做前向传播计算，得到网络预测的分段方案；使用交叉熵损失函数计算网络预测的分段方案和人工分段方案之间的差值，再使用Adam优化算法反向传播更新权重；直到所有水平井地质信息全部训练完成，得到最终训练完成的图神经网络；将待分段水平井地质信息输入图神经网络中，得到水平井压裂段分段方案。大幅提高了分段效率，并且分段质量保持稳定。

Description

一种水平井压裂段分段方法、***、设备及存储介质
技术领域
本发明属于非常规油气开采领域，涉及一种水平井压裂段分段方法、***、设备及存储介质。
背景技术
随着国内页岩气、致密油气的开发，非常规油气资源已成为近年来一项新的开发热点。目前，水平井分段多簇压裂技术是非常规油气资源开发的核心技术之一，在水平井施工中，分簇射孔-复合桥塞联作的分段压裂开发模式得到了广泛应用。与其他开发模式相比，它具有可实现大排量注入、分簇射孔、分段体积压裂和作业效率高等优点。通过将水平井分为多个压裂段，在段内进行多簇射孔，能够在单次泵注下同时形成数条水力裂缝，有效降低施工成本。
分簇射孔-复合桥塞的分段压裂技术需要将水平井段分成若干段(一段的控制距离为100～150m)，第一段采用油管、连续油管及电缆爬行器进行射孔后压裂，其他段采用分簇射孔-复合桥塞联作工艺技术施工。用电缆将联作仪器串下入井内，在大斜度及水平井段用水力泵送的方式推进，即水力泵送工艺技术。首先用复合桥塞封堵前一段，再对本段进行分簇射孔，起出联作仪器串，再对该段进行体积压裂施工。
分簇射孔-复合桥塞的分段压裂技术的第一步为水平井分段，要进行水平井分段首先要对测井进行地质勘查，测量得到水平井的气测值、孔隙度、岩层分布、预测裂缝段等地质信息，然后依据这些信息，将位于同一小层的、拥有天然裂缝发育段的、储层参数相近的、岩石力学参数相近的等拥有相近地质结构的水平井段划分为同一段射孔压裂段，由此将水平井划分为多个压裂段。分段水平的优劣直接决定了射孔质量、水力裂缝的有效程度和体积压裂施工的效果，而这些又直接影响到油气产出效率和产出量，因此水平井分段是分簇射孔-复合桥塞分段压裂技术的一个关键环节。
目前水平井压裂段分段都是采用人工分段的方式，依靠人力根据地质信息来对水平井进行分段，但是人工分段效率低下，人力成本过高，而且人工分段的质量不稳定，一些生产测井资料显示有些压裂段划分不够合理，部分射孔簇未能形成有效的水力裂缝，部分压裂段未能形成有效压裂，因此降低了油气产出效率，而且造成油气资源的浪费。因此如何提高分段效率，降低分段成本，提高分段质量就成为了急需解决的问题。
发明内容
本发明的目的在于克服上述现有技术的缺点，提供一种水平井压裂段分段方法、***、设备及存储介质，在保持分段质量与人工分段相近的情况下，高效、快速地自动分段，从而大幅提高了分段效率，降低了人力成本，并且分段质量保持稳定。
为达到上述目的，本发明采用以下技术方案予以实现：
一种水平井压裂段分段方法，包括以下步骤；
步骤1、初始化图神经网络的权重和全连接层权重；
步骤2、根据水平井地质信息构造输入图；
步骤3、创建输入图的自连接带权邻接矩阵，将自连接带权邻接矩阵进行拉普拉斯谱分解得到拉普拉斯矩阵；
步骤4、求出拉普拉斯矩阵的特征向量矩阵，将特征向量矩阵输入图神经网络做前向传播计算，得到网络预测的分段方案；
步骤5、获取网络预测的水平井压裂段的人工分段方案，使用交叉熵损失函数计算网络预测的分段方案和人工分段方案之间的差值，再使用Adam优化算法反向传播更新权重；
步骤6、循环步骤2至步骤5，直到所有水平井地质信息全部训练完成，得到最终训练完成的图神经网络；
步骤7、将待分段水平井地质信息输入图神经网络中，得到水平井压裂段分段方案。
优选的，步骤2中，构造输入图的具体过程为：确定水平井最小分段长度和水平井总长度，令最小分段长度为图节点初始值，令每一段为一个输入图节点，计算图节点数量；根据图节点所代表分段的水平井地质信息和每段间距离关系，创建图节点之间的带权边表示两个图节点和图节点之间边的权重，所有图节点和所有带权边的集合构成了图神经网络的输入图。
进一步，图节点数量的计算过程为：
Figure BDA0002925043440000031
式中total_length表示水平井总长度，min_length表示最小分段长度，Xnum表示图节点数量。
优选的，步骤3中，自连接带权邻接矩阵的矩阵中第i行第j列的元素
Figure BDA0002925043440000033
的值为：
Figure BDA0002925043440000034
式中X(i，j)表示步骤3中得到的第i个节点和第j个节点之间的带权边权重；
拉普拉斯矩阵为：
Figure BDA0002925043440000032
式中
Figure BDA0002925043440000041
为步骤4中得到的图的自连接带权邻接矩阵，
Figure BDA0002925043440000042
为
Figure BDA0002925043440000043
的度矩阵，L为对
Figure BDA0002925043440000044
进行拉普拉斯谱分解并归一化之后得到的拉普拉斯矩阵。
优选的，步骤4的具体过程为，求出拉普拉斯矩阵的特征向量矩阵，将输入图隐藏状态第l层特征向量矩阵与归一化拉普拉斯矩阵输入到图神经网络中的第l层进行计算，得到计算结果；使用Relu激活函数对计算结果进行非线性激活处理，完成单层图神经网络的计算，直到将图神经网络每一层的特征向量矩阵均完成更新；将图神经网络所有的更新结果输入到全连接层进行节点分类，分为一类的节点为一段，由此得到图神经网络预测的水平井分段方案。
优选的，步骤5中，交叉熵损失函数为：
Figure BDA0002925043440000045
式中Y表示人工分段方案，
Figure BDA0002925043440000046
表示网络预测的分段方案，Yi和
Figure BDA0002925043440000047
分别表示两个向量中的每一项元素；
Adam优化算法的计算过程为：
t←t+1
Figure BDA0002925043440000048
mt←β1·mt-1+(1-β1)·gt
Figure BDA0002925043440000049
Figure BDA00029250434400000410
Figure BDA00029250434400000411
Figure BDA00029250434400000412
式中t表示时间步t；f(θ)表示要进行优化的目标函数，在本发明中就是交叉熵损失函数；θ表示要更新的网络权重参数，θt-1表示上一时间步的参数，θt表示经过一次迭代之后被更新的当前时间步的参数；β1和β2是本算法的两个重要超参数，一般分别取值为0.9和0.999；α为学习率，一般初始取值为0.01或0.001，迭代10-20次之后会进行学习率衰减；ε表示优化算法偏差，一般取值为10-8。
一种水平井压裂段分段***，包括：
权重初始化模块，用于初始化图神经网络的权重和全连接层权重；
输入图构造模块，用于根据水平井地质信息构造输入图；
拉普拉斯矩阵计算模块，用于创建输入图的自连接带权邻接矩阵，将自连接带权邻接矩阵进行拉普拉斯谱分解得到拉普拉斯矩阵；
网络预测的分段方案计算模块，用于求出拉普拉斯矩阵的特征向量矩阵，将特征向量矩阵输入图神经网络做前向传播计算，得到网络预测的分段方案；
反向传播更新权重模块，用于获取网络预测的水平井压裂段的人工分段方案，使用交叉熵损失函数计算网络预测的分段方案和人工分段方案之间的差值，再使用Adam优化算法反向传播更新权重；
图神经网络训练完成获取模块，用于重复输入图构造模块、拉普拉斯矩阵计算模块、网络预测的分段方案计算模块和反向传播更新权重模块的计算过程，直到所有水平井地质信息全部训练完成，得到最终训练完成的图神经网络；
水平井压裂段分段模块，用于将待分段水平井地质信息输入图神经网络中，得到水平井压裂段分段方案。
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上述任意一项所述水平井压裂段分段方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上述任意一项所述水平井压裂段分段方法的步骤。
与现有技术相比，本发明具有以下有益效果：
本发明依据测井地质信息的非欧氏空间特性，对测井地质数据进行图形式的数据建模并作为图神经网络训练集，依据图神经网络在处理非欧氏空间数据的特征方面的强大能力，构造图神经网络，利用现有的人工分段方案，让图神经网络学***井进行无需人工介入的自动分段，这样可以在保持分段质量与人工分段相近的情况下，高效、快速地自动分段，从而大幅提高了分段效率，降低了人力成本，并且分段质量保持稳定。
附图说明
图1是本发明所使用的图神经网络结构示意图；
图2是本发明要进行的水平井分段结构示意图；
图3是本发明提供的图神经网络训练过程示意图；
图4是本发明提供的训练完毕的图神经网络进行自动分段的过程示意图；
图5是本发明的实施流程图。
具体实施方式
下面结合附图对本发明做进一步详细描述：
图1为本发明用于计算的图神经网络结构示意图。图神经网络主要分为隐藏层、输出层两个部分，隐藏层用于将上一层的输出隐藏状态Hl、图节点的特征向量归一化拉普拉斯矩阵L和该层的权重Wl做矩阵乘法运算，然后再使用relu函数对结果进行非线性激活处理，从而实现隐藏状态的更新；
Hl+1＝σ(LHlWl)
输出层用于接收隐藏层输出的最终计算结果，也就是最终更新后的图信息，然后将该图信息做运算得到最终的计算结果。输出层的形式和计算结果的含义取决于具体的下游任务，在本发明中该输出层为全连接层，对图信息进行分类操作，其最终输出数据代表了水平井分段方案。
Figure BDA0002925043440000071
式中
Figure BDA0002925043440000072
为步骤8中得到的图神经网络的最终计算结果，Wf为全连接层权重，softmax表示全连接层分类操作，
Figure BDA0002925043440000073
表示网络最终输出的分段结果。
图2是本发明要进行的水平井分段结构示意图。随着国内页岩气、致密油气的开发，在水平井施工中，分簇射孔-复合桥塞联作的分段压裂开发模式得到广泛应用。该方法首先要在地表打竖井，通过测井探测得到油气层的大致位置，然后钻出水平井，测量得到水平井的气测值、孔隙度、岩层分布、预测裂缝段等地质信息，然后依据这些信息，将位于同一小层的、拥有天然裂缝发育段的、储层参数相近的、岩石力学参数相近的等拥有相近地质结构的水平井段划分为同一段射孔压裂段，由此将水平井划分为多个压裂段。分段完毕后就可以进行分簇射孔-复合桥塞联作工艺技术进行施工，第一段采用油管、连续油管及电缆爬行器进行射孔后压裂，其他段用电缆将联作仪器串下入井内，在大斜度及水平井段用水力泵送的方式推进，即水力泵送工艺技术。首先用复合桥塞封堵前一段，再对本段进行分簇射孔，起出联作仪器串，再对该段进行体积压裂施工。
图3为本发明提供的图神经网络训练过程示意图。首先获取之前已经经过人工分段的水平井数据资料，图神经网络就以这些资料为训练集，在训练之前要对地质数据进行图建模，方法为根据水平井的最小分段长度设定图节点，每一小段为一个输入图节点，然后根据水平井总长度除以最小分段长度确定图节点数量。然后依据气测值、孔隙度等地质信息和每段间距离关系，创建图节点之间的带权边，至此输入图创建完毕。对训练集中所有水平井数据都进行如此操作，得到输入图训练集。在开始训练之前，首先要初始化图神经网络权重和全连接层权重，之后就可以开始训练。一张图的训练主要分为5个步骤：对输入图的带权邻接矩阵进行拉普拉斯谱分解并进行归一化，得到归一化的拉普拉斯矩阵；求出输入图节点特征向量矩阵；将输入图特征向量矩阵、归一化拉普拉斯矩阵和图神经网络权重矩阵进行矩阵乘法运算，再使用relu函数进行非线性激活处理，实现图节点隐藏状态的更新；重复上一过程直至图神经网络所有隐藏层迭代计算完毕；将隐藏层的最终计算结果输入到全连接层进行节点分类，分为一类的为一段，由此得到图神经网络预测的水平井分段方案；使用交叉熵损失函数计算网络预测的分段方案和人工分段方案之间的差值，并使用Adam优化算法进行反向传播，使网络权重向损失函数减小的方向更新；
当一次训练结束之后，要判断训练是否结束，若未结束则要输入下一张图重复上述操作进行下一次训练，若训练集中所有图都已训练完毕，则图神经网络训练完毕。
图4为本发明提供的训练完毕的图神经网络进行自动分段的过程示意图。首先得到带分段的水平井测井地质资料，然后按照上文中所述制造训练集的方法对水平井进行图建模，然后将图输入到训练完毕的图神经网络中进行前向传播计算，最终得到网络预测的分段方案，从而实现了图神经网络的自动预测。
水平井压裂段分段任务的目标是依据测井地质信息对水平井进行射孔压裂段分段，属于典型的依赖于人工经验和人力手工提取特征的任务，因此可以通过神经网络来学***井的自动分段。对于传统神经网络处理的数据而言，数据都必须是有规律性结构的欧氏空间数据，数据节点是大小不变的有序节点，任何一个数据节点的相邻节点数量都是相同的。然而对于用于水平井分段的分段测井数据而言却不具备这个特征，其数据不具有空间的平移性，不同的数据节点也不是相互独立的，测井数据属于典型的非欧氏空间的图数据，因此本发明提出使用专门处理非欧氏空间数据的特征的图神经网络来进行水平井压裂段的自动分段。要实现这个目标，需要如下4个基本过程：
对测井数据进行合适的数学抽象，将其变换为图节点矩阵X；
使用图神经网络对输入数据X进行处理，学习分段方案和输入数据之间的映射关系；
Figure BDA0002925043440000091
Figure BDA0002925043440000092
是网络输出的分段方案，f()是网络学习到的映射关系。
将网络分段方案和人工分段方案进行比对，网络持续学习，网络权重不断得到更新，使得网络分段方案质量不断接近人工分段方案；
Figure BDA0002925043440000093
Y是人工分段方案，
Figure BDA0002925043440000094
是网络输出的分段方案，
Figure BDA0002925043440000095
是两种方案之间的差值，向该差值尽可能小的方向去更新网络f()。
得到训练完成的图神经网络。由于训练目标是缩小网络输出分段方案和人工分段方案的差值，因此最终得到的图神经网络能够输出质量与人工相近的分段方案
一种基于图神经网络的水平井压裂段分段方法，该方法包含两个部分，第一是图神经网络的训练，第二是图神经网络的推理，其特征在于：
所述图神经网络的训练，用于实现水平井地质信息到分段方案的映射。将现有的已经过人工分段的水平井构造为图，将这些图作为训练数据集，通过前向传播和反向传播对图神经网络进行训练，学***井地质信息与分段方案之间的映射关系，使得网络分段方案和人工分段方案之间的差异尽量小，最终得到一个训练完毕的图神经网络。
所述图神经网络的推理，用于通过训练完毕的图神经网络对未经过人工分段的水平井进行无需人工介入的自动分段。将待分段水平井构造为输入图，输入到训练完成的图神经网络，网络的输出即是分段方案。
如图5所示，基于图神经网络的水平井压裂段分段方法，其工作流程如下：
步骤1、初始化图神经网络权重
Figure BDA0002925043440000101
和全连接层权重Wf；其中
Figure BDA0002925043440000102
表示图神经网络中第1层第i个神经元的权重。图神经网络的层数应设置在16-32层之间，网络层数太小则可能效果不佳，网络层数太深会使训练时间太长而且可能导致过拟合。所有神经元的权重共同构成了图神经网络的权重矩阵。Wf表示全连接层权重矩阵，f表示全连接层。使用正态分布随机法对两个权重矩阵进行初始化，使得每个元素值都介于0-1之间，并服从正态分布。
步骤2、确定水平井最小分段长度和水平井总长度，令最小分段长度为图节点初始值，令每一段为一个输入图节点，依据以下公式计算图节点数量；
Figure BDA0002925043440000103
式中total_length表示水平井总长度，min_length表示最小分段长度，Xnum表示图节点数量，其值等于水平井总长除以最小分段长度向上取整。
步骤3、根据步骤2中图节点所代表分段的气测值、孔隙度等地质信息和每段间距离关系，创建图节点之间的带权边X(i，j)；X(i，j)表示图节点i和图节点j之间边的权重，其值在-1～1之间，若两个节点距离越近、地质信息越相近则边权重越大，反之亦然。所有图节点和所有带权边X(i，j)的集合构成了图神经网络的输入图。
步骤4、根据步骤3中得到的输入图创建该图的自连接带权邻接矩阵。矩阵的行数和列数相同，均为图中节点数；矩阵中第i行第j列的元素
Figure BDA0002925043440000111
的值如下式所示：
Figure BDA0002925043440000112
式中X(i，j)表示步骤3中得到的第i个节点和第j个节点之间的带权边权重。
步骤5、使用下式对步骤4中得到的自连接带权邻接矩阵进行拉普拉斯谱分解并进行归一化，得到归一化的拉普拉斯矩阵L；
Figure BDA0002925043440000113
式中
Figure BDA0002925043440000114
为步骤4中得到的图的自连接带权邻接矩阵，
Figure BDA0002925043440000115
为
Figure BDA0002925043440000116
的度矩阵，L为对
Figure BDA0002925043440000117
进行拉普拉斯谱分解并归一化之后得到的拉普拉斯矩阵。
步骤6、求出步骤5中得到的拉普拉斯矩阵L的特征向量矩阵H0，求解过程如下所示：
|λI-L|＝0
(λI-L)α＝0
H0＝[α1，α2，...，αn]
式中I为单位矩阵，λ为要求解的矩阵特征值，L为步骤4中得到的输入图拉普拉斯矩阵，α为特征值λ对应的特征向量。α的所有可能取值共同构成了特征向量矩阵H0。该矩阵表示节点初始隐藏状态；
步骤7、将输入图隐藏状态特征向量矩阵Hl与归一化拉普拉斯矩阵L输入到图神经网络中的第l层进行计算，得到计算结果Zl，第一次计算时令l＝0，表示从图神经网络的第一层开始计算。计算方法如下所示：
Zl＝LHlWl
式中Wl表示第l层图神经网络权重。
步骤8、使用Relu激活函数对步骤7的结果进行非线性激活处理，完成单层图神经网络的计算，实现隐藏状态从Hl到Hl+1的更新，并将l自加1进行更新；
Hl+1＝Relu(Zl)
l＝l+1
步骤9、若步骤8中更新后的l＜图神经网络总层数，跳转至步骤7，并再一次执行步骤7和步骤8，否则跳转至步骤10。
步骤10、将图神经网络计算得到的最终结果输入到全连接层进行节点分类，分为一类的节点为一段，由此得到图神经网络预测的水平井分段方案。全连接层计算公式如下所示：
Figure BDA0002925043440000121
式中
Figure BDA0002925043440000122
为步骤9中得到的图神经网络的最终计算结果，Wf为全连接层权重，softmax表示全连接层分类操作，
Figure BDA0002925043440000123
表示最终网络输出的分段结果，被分为同一类的节点为一段。
步骤11、使用交叉熵损失函数计算网络预测的分段方案和人工分段方案之间的差值。交叉熵损失函数如下所示：
Figure BDA0002925043440000124
式中Y表示人工分段方案，
Figure BDA0002925043440000125
表示步骤10中得到的网络分段方案，Yi和
Figure BDA0002925043440000126
分别表示两个向量中的每一项元素。
得到交叉熵之后，再使用Adam优化算法进行反向传播，使网络权重向损失函数减小的方向更新。Adam优化算法的计算过程如下所示：
t←t+1
Figure BDA0002925043440000131
mt←β1·mt-1+(1-β1)·gt
Figure BDA0002925043440000132
Figure BDA0002925043440000133
Figure BDA0002925043440000134
Figure BDA0002925043440000135
式中t表示时间步t；f(θ)表示要进行优化的目标函数，在本发明中就是交叉熵损失函数；θ表示要更新的网络权重参数，θt-1表示上一时间步的参数，θt表示经过一次迭代之后被更新的当前时间步的参数；β1和β2是本算法的两个重要超参数，一般分别取值为0.9和0.999；α为学习率，一般初始取值为0.01或0.001，迭代10-20次之后会进行学习率衰减；ε表示优化算法偏差，一般取值为10-8。
步骤12、若还存在待训练的水平井数据，则训练尚未结束，跳转到步骤2，重复步骤2到步骤12；否则全部训练已完成，跳转到步骤13；
步骤13、训练结束，得到训练完成的图神经网络；
步骤14、测量待分段水平井的地质信息；
步骤15、重复步骤2至步骤11；
步骤16、图神经网络输出待分段水平井的分段方案；
以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。

Claims (9)

1.一种水平井压裂段分段方法，其特征在于，包括以下步骤；
步骤1、初始化图神经网络的权重和全连接层权重；
步骤2、根据水平井地质信息构造输入图；
步骤3、创建输入图的自连接带权邻接矩阵，将自连接带权邻接矩阵进行拉普拉斯谱分解得到拉普拉斯矩阵；
步骤4、求出拉普拉斯矩阵的特征向量矩阵，将特征向量矩阵输入图神经网络做前向传播计算，得到网络预测的分段方案；
步骤5、获取网络预测的水平井压裂段的人工分段方案，使用交叉熵损失函数计算网络预测的分段方案和人工分段方案之间的差值，再使用Adam优化算法反向传播更新权重；
步骤6、循环步骤2至步骤5，直到所有水平井地质信息全部训练完成，得到最终训练完成的图神经网络；
步骤7、将待分段水平井地质信息输入图神经网络中，得到水平井压裂段分段方案。
2.根据权利要求1所述的水平井压裂段分段方法，其特征在于，步骤2中，构造输入图的具体过程为：确定水平井最小分段长度和水平井总长度，令最小分段长度为图节点初始值，令每一段为一个输入图节点，计算图节点数量；根据图节点所代表分段的水平井地质信息和每段间距离关系，创建图节点之间的带权边表示两个图节点和图节点之间边的权重，所有图节点和所有带权边的集合构成了图神经网络的输入图。
3.根据权利要求2所述的水平井压裂段分段方法，其特征在于，图节点数量的计算过程为：
Figure FDA0002925043430000021
式中total_length表示水平井总长度，min_length表示最小分段长度，Xnum表示图节点数量。
4.根据权利要求1所述的水平井压裂段分段方法，其特征在于，步骤3中，自连接带权邻接矩阵的矩阵中第i行第j列的元素
Figure FDA0002925043430000022
的值为：
Figure FDA0002925043430000023
式中X(i，j)表示步骤3中得到的第i个节点和第j个节点之间的带权边权重；
拉普拉斯矩阵为：
Figure FDA0002925043430000024
式中
Figure FDA0002925043430000025
为步骤4中得到的图的自连接带权邻接矩阵，
Figure FDA0002925043430000026
为
Figure FDA0002925043430000027
的度矩阵，L为对
Figure FDA0002925043430000028
进行拉普拉斯谱分解并归一化之后得到的拉普拉斯矩阵。
5.根据权利要求1所述的水平井压裂段分段方法，其特征在于，步骤4的具体过程为，求出拉普拉斯矩阵的特征向量矩阵，将输入图隐藏状态第l层特征向量矩阵与归一化拉普拉斯矩阵输入到图神经网络中的第l层进行计算，得到计算结果；使用Relu激活函数对计算结果进行非线性激活处理，完成单层图神经网络的计算，直到将图神经网络每一层的特征向量矩阵均完成更新；将图神经网络所有的更新结果输入到全连接层进行节点分类，分为一类的节点为一段，由此得到图神经网络预测的水平井分段方案。
6.根据权利要求1所述的水平井压裂段分段方法，其特征在于，步骤5中，交叉熵损失函数为：
Figure FDA0002925043430000029
式中Y表示人工分段方案，
Figure FDA0002925043430000031
表示网络预测的分段方案，Yi和
Figure FDA0002925043430000032
分别表示两个向量中的每一项元素；
Adam优化算法的计算过程为：
t←t+1
Figure FDA0002925043430000033
mt←β1·mt-1+(1-β1)·gt
Figure FDA0002925043430000034
Figure FDA0002925043430000035
Figure FDA0002925043430000036
Figure FDA0002925043430000037
式中t表示时间步t；f(θ)表示要进行优化的目标函数，在本发明中就是交叉熵损失函数；θ表示要更新的网络权重参数，θt-1表示上一时间步的参数，θt表示经过一次迭代之后被更新的当前时间步的参数；β1和β2是本算法的两个重要超参数，一般分别取值为0.9和0.999；α为学习率，一般初始取值为0.01或0.001，迭代10-20次之后会进行学习率衰减；ε表示优化算法偏差，一般取值为10-8。
7.一种水平井压裂段分段***，其特征在于，包括：
权重初始化模块，用于初始化图神经网络的权重和全连接层权重；
输入图构造模块，用于根据水平井地质信息构造输入图；
拉普拉斯矩阵计算模块，用于创建输入图的自连接带权邻接矩阵，将自连接带权邻接矩阵进行拉普拉斯谱分解得到拉普拉斯矩阵；
网络预测的分段方案计算模块，用于求出拉普拉斯矩阵的特征向量矩阵，将特征向量矩阵输入图神经网络做前向传播计算，得到网络预测的分段方案；
反向传播更新权重模块，用于获取网络预测的水平井压裂段的人工分段方案，使用交叉熵损失函数计算网络预测的分段方案和人工分段方案之间的差值，再使用Adam优化算法反向传播更新权重；
图神经网络训练完成获取模块，用于重复输入图构造模块、拉普拉斯矩阵计算模块、网络预测的分段方案计算模块和反向传播更新权重模块的计算过程，直到所有水平井地质信息全部训练完成，得到最终训练完成的图神经网络；
水平井压裂段分段模块，用于将待分段水平井地质信息输入图神经网络中，得到水平井压裂段分段方案。
8.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任意一项所述水平井压裂段分段方法的步骤。
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任意一项所述水平井压裂段分段方法的步骤。
CN202110130584.4A 2021-01-29 2021-01-29 一种水平井压裂段分段方法、***、设备及存储介质 Active CN112906760B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110130584.4A CN112906760B (zh) 2021-01-29 2021-01-29 一种水平井压裂段分段方法、***、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110130584.4A CN112906760B (zh) 2021-01-29 2021-01-29 一种水平井压裂段分段方法、***、设备及存储介质

Publications (2)

Publication Number Publication Date
CN112906760A true CN112906760A (zh) 2021-06-04
CN112906760B CN112906760B (zh) 2024-05-03

Family

ID=76121685

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110130584.4A Active CN112906760B (zh) 2021-01-29 2021-01-29 一种水平井压裂段分段方法、***、设备及存储介质

Country Status (1)

Country Link
CN (1) CN112906760B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116291336A (zh) * 2023-02-14 2023-06-23 电子科技大学 一种基于深度自注意力神经网络的自动分段分簇***

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130264056A1 (en) * 2012-03-21 2013-10-10 Oiltool Engineering Services, Inc. Multizone Frac System
US20170284181A1 (en) * 2014-08-26 2017-10-05 Gas Technology Institute Hydraulic fracturing system and method
CN109799533A (zh) * 2018-12-28 2019-05-24 中国石油化工股份有限公司 一种基于双向循环神经网络的储层预测方法
CN109812247A (zh) * 2019-02-21 2019-05-28 中国石油天然气股份有限公司 一种提高致密油水平井改造程度的射孔及压裂方法
CN109993203A (zh) * 2019-02-23 2019-07-09 中国海洋石油集团有限公司 一种录井油气水层智能解释评价方法
CN110287516A (zh) * 2019-05-13 2019-09-27 西南石油大学 一种页岩气藏压裂水平井可压性综合评价方法
CN110400006A (zh) * 2019-07-02 2019-11-01 中国石油化工股份有限公司 基于深度学习算法的油井产量预测方法
CN112085161A (zh) * 2020-08-20 2020-12-15 清华大学 一种基于随机信息传递的图神经网络方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130264056A1 (en) * 2012-03-21 2013-10-10 Oiltool Engineering Services, Inc. Multizone Frac System
US20170284181A1 (en) * 2014-08-26 2017-10-05 Gas Technology Institute Hydraulic fracturing system and method
CN109799533A (zh) * 2018-12-28 2019-05-24 中国石油化工股份有限公司 一种基于双向循环神经网络的储层预测方法
CN109812247A (zh) * 2019-02-21 2019-05-28 中国石油天然气股份有限公司 一种提高致密油水平井改造程度的射孔及压裂方法
CN109993203A (zh) * 2019-02-23 2019-07-09 中国海洋石油集团有限公司 一种录井油气水层智能解释评价方法
CN110287516A (zh) * 2019-05-13 2019-09-27 西南石油大学 一种页岩气藏压裂水平井可压性综合评价方法
CN110400006A (zh) * 2019-07-02 2019-11-01 中国石油化工股份有限公司 基于深度学习算法的油井产量预测方法
CN112085161A (zh) * 2020-08-20 2020-12-15 清华大学 一种基于随机信息传递的图神经网络方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘全稳: "测井神经网络技术综述", 石油地球物理勘探, vol. 31, no. 1, pages 64 - 70 *
王忠东等: "页岩气水平井产量主控因素分析及产能预测", 测井技术, vol. 41, no. 5, pages 577 - 582 *
高东伟;: "页岩气水平井压裂细分段密分簇优化设计及应用", 长江大学学报(自然科学版), vol. 16, no. 04, pages 40 - 44 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116291336A (zh) * 2023-02-14 2023-06-23 电子科技大学 一种基于深度自注意力神经网络的自动分段分簇***
CN116291336B (zh) * 2023-02-14 2024-05-24 电子科技大学 一种基于深度自注意力神经网络的自动分段分簇***

Also Published As

Publication number Publication date
CN112906760B (zh) 2024-05-03

Similar Documents

Publication Publication Date Title
Shi et al. Development of subsurface geological cross-section from limited site-specific boreholes and prior geological knowledge using iterative convolution XGBoost
CN108334949B (zh) 一种基于优化深度卷积神经网络结构快速进化的图像分类器构建方法
CN110807544B (zh) 一种基于机器学习的油田剩余油饱和度分布的预测方法
Karkevandi-Talkhooncheh et al. Application of hybrid adaptive neuro-fuzzy inference system in well placement optimization
CN110619353B (zh) 一种基于深度学习的多尺度测井曲线自动识别方法
CN113610945B (zh) 一种基于混合神经网络的地应力曲线预测方法
CN112541572A (zh) 基于卷积编码器-解码器网络的剩余油分布预测方法
CN113157957A (zh) 一种基于图卷积神经网络的属性图文献聚类方法
Raji et al. A new approach in well placement optimization using metaheuristic algorithms
CN115375031A (zh) 一种产油量预测模型建立方法、产能预测方法及存储介质
CN115204064B (zh) 一种页岩油开采中注气吞吐参数优化方法及***
CN114723095A (zh) 缺失测井曲线预测方法及装置
Wang et al. A critical review on intelligent optimization algorithms and surrogate models for conventional and unconventional reservoir production optimization
CN111058840A (zh) 一种基于高阶神经网络的有机碳含量(toc)评价方法
Kim et al. Construction of prior models for ES-MDA by a deep neural network with a stacked autoencoder for predicting reservoir production
Wang et al. A novel surrogate-assisted multi-objective optimization method for well control parameters based on tri-training
CN112906760B (zh) 一种水平井压裂段分段方法、***、设备及存储介质
CN116612664A (zh) 基于改进时空图注意力神经网络的船舶交通流量预测方法
CN111461348A (zh) 一种基于图核的深度网络嵌入学习方法
Avalos et al. Geological modeling using a recursive convolutional neural networks approach
CN117574755B (zh) 页岩储层井工厂水平井压裂参数分层多级优化方法
Huang et al. A deep-learning-based graph neural network-long-short-term memory model for reservoir simulation and optimization with varying well controls
CN113435128A (zh) 基于条件生成式对抗网络的油气藏产量预测方法及装置
Deng et al. A hybrid machine learning optimization algorithm for multivariable pore pressure prediction
CN110619382A (zh) 适用于地震勘探的褶积深度网络构建方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant