一种基于深度学习的压裂过程中套管变形的预测方法

本发明属于页岩气开发，具体涉及一种基于深度学习的压裂过程中套管变形的预测方法。

背景技术：

1、目前，体积压裂作为页岩气高效开发的核心技术之一，在进行储层改造时，套管变形问题频发，严重影响了压裂效果和页岩气开发进程，因此，为了保证压裂施工的顺利进行，对套管变形的预测具有重大意义。

2、套管变形时地质工程、开发等因素长期综合作用的结果，这些因素之间具有非线性、不确定性和时变性。传统的套管变形预测方法主要基于经验公式或者力学模型，很难对各种影响因素面面俱到，使得套管变形的预测精度较低，成本较高。

3、机器学习基于收集的数据获得有价值的认识，可以帮助做出快速而正确的决策，已经广泛应用于石油工程中其他行业，其中也有将机器学习应用到套管变形预测，但是其研究深度不足，导致预测精度不高。因此，我们提出一种基于深度学习的压裂过程中套管变形的预测方法。

技术实现思路

1、本发明所要解决的技术问题便是针对上述现有技术的不足，提供一种基于深度学习的压裂过程中套管变形的预测方法，它能够有效提高套管变形预测的精度，从而提高压裂施工过程中的安全性。

2、本发明所采用的技术方案是：一种基于深度学习的压裂过程中套管变形的预测方法，包括以下步骤：

3、步骤1：收集已压裂气井的地质参数、工程参数及套管变形量，构建原始套变数据集；

4、步骤2：对原始套变数据集中的地质参数和工程参数进行筛选，设定缺失参数阈值，计算每个地质参数和工程参数的参数缺失比，剔除参数缺失比大于缺失参数阈值的地质参数和工程参数，采用knn算法填充参数缺失比小于缺失参数阈值且不为0的地质参数和工程参数，得到一级套变数据集；

5、步骤3：对一级套变数据集中的地质参数和工程参数进行再次筛选，设定系数阈值，计算每个地质参数和工程参数的最大互信息系数，剔除最大互信息系数小于系数阈值的地质参数和工程参数，得到二级套变数据集；

6、步骤4：对二级套变数据集进行归一化处理，得到最终的套变数据集；

7、步骤5：将套变数据集按3:1的比例随机划分，其中75%为训练集，25%为测试集，基于深度学习模型建立套变预测模型，所述套变预测模型包括依次设置的输入层，卷积层，激活函数，池化层，卷积层，池化层，全连接层，激活函数层，输出层；并将训练集输入套变预测模型中对套变预测模型进行训练，将测试集输入训练好的套变预测模型中进行验证，验证合格后获得最终的套变预测模型；

8、步骤6：获取压裂气井的地质参数和工程参数，并将获取的地质参数和工程参数输入最终的套变预测模型中，得到套管变形量，通过套管变形量实现对压裂气井套管变形的预测。

9、作为优选，所述地质参数包括裂缝或断层倾角、裂缝或断层长度、裂缝或断层到套变点的距离、水平段埋深、最大水平地应力和最小水平地应力；所述工程参数包括压裂排量、压裂液量、压裂时间、压裂段长、压裂分簇数目、反排率和砂比。

10、作为优选，所述参数缺失比为参数缺失样本大小占参数总样本大小的比例。

11、作为优选，步骤5中套变预测模型训练过程中，使用均方误差作为损失函数。

12、作为优选，步骤5中套变预测模型训练过程中加入自适应调整学习率。

13、与现有技术相比，本发明的有益效果为：对构建的原始套变数据集依次进行缺失参数值处理、输入参数与输出参数的相关性分析处理以及归一化处理，有效提高了数据质量，为套变预测模型的建立提供了量化的数据基础；同时基于深度学习分析地质参数和工程参数与套管变形量之间的非线性关系，提高了套管变形的预测精度，并在套变预测模型训练阶段加入自适应调整学习率，使得套变预测模型能更好地适应训练过程中的变化，从而提高了套变预测模型的性能和泛化能力。

14、本发明通过对收集的原始套变数据集的处理，有效提高了数据质量，为深度学习构建的套变预测模型提供了良好的数据基础，有效提高了套变预测模型的预测精度。

技术特征：

1.一种基于深度学习的压裂过程中套管变形的预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于深度学习的压裂过程中套管变形的预测方法，其特征在于，所述地质参数包括裂缝或断层倾角、裂缝或断层长度、裂缝或断层到套变点的距离、水平段埋深、最大水平地应力和最小水平地应力；所述工程参数包括压裂排量、压裂液量、压裂时间、压裂段长、压裂分簇数目、反排率和砂比。

3.根据权利要求1所述的一种基于深度学习的压裂过程中套管变形的预测方法，其特征在于，所述参数缺失比为参数缺失样本大小占参数总样本大小的比例。

4.根据权利要求1所述的一种基于深度学习的压裂过程中套管变形的预测方法，其特征在于，步骤5中套变预测模型训练过程中，使用均方误差作为损失函数。

5.根据权利要求1或4所述的一种基于深度学习的压裂过程中套管变形的预测方法，其特征在于，步骤5中套变预测模型训练过程中加入自适应调整学习率。

技术总结本发明涉及页岩气开发技术领域，具体公开了一种基于深度学习的压裂过程中套管变形的预测方法，包括以下步骤：收集已压裂气井的地质参数、工程参数及套管变形量，构建原始套变数据集；对原始套变数据集中的输入参数进行缺失参数值处理；再对输入参数与输出参数的相关性进行分析处理；最后进行归一化处理，得到最终的套变数据集；基于深度学习模型建立套变预测模型，通过最终的套变数据集对套变预测模型进行训练和验证，获得最终的套变预测模型，通过最终的套变预测模型对压裂气井进行套管变形预测。本发明通过对原始套变数据集进行处理，有效提高了数据质量，为构建的套变预测模型提供了数据基础，有效提高了套变预测模型的预测精度。技术研发人员：尹飞,黄干,曾攀,叶鹏举,付博然受保护的技术使用者：成都理工大学技术研发日：技术公布日：2024/9/9