一种预测煤层气储层压力动态的方法及系统

本发明属于煤层气储层压力预测，尤其涉及一种预测煤层气储层压力动态的方法及系统。

背景技术：

1、煤层气是世界能源供应中重要的非常规能源资源。制定正确的煤层气开发策略需要先验地了解储层气藏时空压力特性，以确保煤层气采收率和项目经济性。然而，由于非常规油气藏中多孔材料的多尺度各向异性性质、复杂的流体热力学以及热传递和地质力学的耦合物理原理，描述多孔介质中多相流体流动的控制方程是高度非线性和复杂的。

2、关于煤层气储层中压力动态特性及规律研究中最常用的方法包括压力瞬态分析法、回归分析法、数值模拟法。

3、压力瞬态分析法主要包括数据采集、数据预处理、数据分析、结果解释等步骤。其中，数据采集是通过压力计、流量计、压裂泵等设备在井场实时采集压裂数据；数据采集完成后，对采集的数据进行清洗，去除噪声和异常值；数据清洗完成后，绘制压力衰减曲线，通过曲线分析裂缝闭合压力、储层渗透率等；最后，根据分析结果，结合实际生产制度，做出调整。由此可见，压力瞬态分析法依托现场的监测数据，且分析过程具有很强的主观性，对于不同地质特征数据的适应性和泛化性较差，因此无法适应高维、非线性的复杂场景。

4、回归分析法是通过指定输入与输出数据间逻辑关系或借助机器学习方法学习隐含关系，计算得到输出结果。回归分析法同样对数据质量要求较为苛刻，虽然机器学习算法提升问题处理能力，但是由于机器学习方法需要大量的数据支持，且输出结果与输入条件一一对应，因此难以满足利用生产制度参数计算未来多时刻压力特性的问题。

5、传统的数值模拟方法是通过地质条件参数构建概念模型，调用数值模拟器模拟压力、饱和度等演化过程，计算得到物性演化动态，并进行反复迭代优化。该方法包括概念模型构建、地质/注采参数设定、数值模拟计算等步骤。数值模拟方法需要采用专门的数值模拟器，目前商业化的数值模拟器购置成本较高，且数值模拟计算量大、计算效率低；此外，数值模拟中所需的岩石流体物性参数一般需要大量物理模拟实验获取才能保证计算结果的可靠性。

6、由此可见，数值模拟方法与压力瞬态分析和回归分析法相比，具有更好的物理解释性，且模拟过程更加严谨，可以准确计算出未来油气藏的压力、饱和度、产量等储层状态用于生产开发动态评价。而真实的二维或三维地质模型网格数多，模型大且边界复杂，求解往往需要耗费大量时间和计算资源，经济成本和时间成本高。

7、通过上述分析，现有技术存在的问题及缺陷为：现有技术煤层气储层压力预测方法主要包括压力瞬变分析法、回归分析法和数值模拟法等。其中压力瞬变分析数据准确依赖性强、时间尺度要求高、解释难度大，且其本质上是处理一维压力与时间的定量分析，针对实际监测数据。回归分析法同样依赖于数据质量和数量、模型缺乏可解释性，主要适用于简单线性关系数据回归，误差较大。数值模拟法需要借助专业的数值模拟器，一方面购置成本较高，另一方面需设置大量流体和岩石参数，这些参数一般需借助大量实验获取，经济成本和时间成本较高；此外，数值计算涉及大量复杂运算，计算资源消耗大、时间久。

技术实现思路

1、为克服相关技术中存在的问题，本发明公开实施例提供了一种预测煤层气储层压力动态的方法及系统。具体涉及一种基于深度学习的二维煤层气储层压力动态预测方法。

2、所述技术方案如下：预测煤层气储层压力动态的方法，该方法给定一组静态地质和开发参数，利用轴向视觉transformer和convlstm的代理模型，预测煤层气储层的时空压力动态，具体包括以下步骤：

3、s1，设置储层参数，构建三维地质概念模型，利用地理空间数据处理和统计建模工具库中的高斯协方差模型生成非均质渗透率场，利用数值模拟器求解出不同渗透率概念模型对应的内压力和井底流压作为样本库；

4、s2，构建视觉transformer和convlstm的预测网络，将普通卷积和基于轴向自注意力的transformer相结合作为编码器网络，利用普通卷积提取全局信息，利用视觉transformer捕获局部信息，利用convlstm同时考虑时间和空间信息；融入图像结构相似性和感知相似度损失约束；

5、s3，设置网络模型的超参数，按照比例将样本库划分数据集，渗透率、井底流压作为输入，压力动态作为输出，在训练集和验证集下训练、修正网络；

6、s4，使用测试集评估网络模型的性能，计算mse误差和r2评分，计算预测结果和真实数据的图像相似性评分ssim和感知相似度误差lpips。

7、在步骤s1中，设置储层参数，构建三维地质概念模型，包括：

8、步骤1.1：收集并整理煤层气的地质和开发资料，包括：渗透率、孔隙度、储层厚度和密度、饱和度、压力、泊松比、压缩性、langmuir压力、langmuir体积、解吸压力与储层压力之比、相对渗透率曲线；

9、步骤1.2：基于笛卡尔坐标建立基础数值概念模型，对整个基础数值概念模型生成非均质渗透率场；根据井距长和宽对渗透率清零处理；根据压裂缝位置信息，用裂缝渗透率覆盖非均质渗透率，得到概念模型的渗透率分布；

10、步骤1.3：采用数值模拟器模拟计算不同概念模型的物性动态，得到时空压力动态、井底流压数据样本。

11、在步骤1.2中，基于笛卡尔坐标建立基础数值概念模型，包括：

12、结合深度学习方法，统一输入数据的尺寸，尺寸范围不超过128×128×1；在此范围内，根据经验设置不同的井距长和井距宽，作为生产井的实际区域，这个区域与最大范围中心点重合，中心点设置一口生产井；以生产井为中心，沿井距长方向设置一条压裂缝，宽度为1，长度不超过井距长度；

13、在步骤1.2中，对整个基础数值概念模型生成非均质渗透率场，包括：定义空间大小，设置方向网格数，网格数量与基础数值概念模型一致；定义高斯协方差模型，表达式为：

14、

15、式中，为（各项同性）滞后距离，为相关长度，为调整模型表示的重新缩放因子（默认为1），为偏尺度方差，为子尺度方差，为模型定义的、依赖于无量纲距离的归一化相关函数，是一个变差函数，为处的变差，该变差随的增加而增加。

16、调用srf类、传入高斯协方差模型来实际生成空间随机场；执行生成过程，并将结果通过标准化、累积分布函数过程，将值映射到指定渗透率范围内。

17、在步骤1.3中，采用数值模拟器模拟计算不同概念模型的物性动态，得到时空压力动态、井底流压数据样本，包括：将定义好的基础数值概念模型写入数值模拟器文件，并设置包括模拟时间步长、运行核数在内的模拟器参数；调用gem模拟器，加载模型文件，执行数值模拟；

18、其中，数值模拟，包括：

19、步骤1.3.1，通过求解控制方程，计算各个网格节点处压力、饱和度；

20、步骤1.3.2，根据计算的压力和饱和度，更新包括渗透率、粘度在内的流体物性参数；

21、步骤1.3.3，将时间推到下一个时间步，重复上述过程，直到达到指定模拟时间；

22、步骤1.3.4，从模拟结果文件中提取输出数据，不同时刻的压力动态、井底流压。

23、在步骤s2中，构建视觉transformer和convlstm的预测网络，包括：

24、步骤2.1：构建编码器网络axialvit，包含普通卷积块和基于位置敏感的自注意力机制与视觉transformer的轴向自注意力块；

25、步骤2.2：时序预测网络，包含时序信息嵌入和压力动态预测，时序信息嵌入的输入为步骤2.1中编码器网络的输出特征图，以通道扩充的方式分别嵌入具有时序特征、不同时刻的时间和井底流压，将特征图重组为具有时间长度的时序数据，使用convlstm网络预测多个时刻的压力动态；convlstm接收来自信息嵌入部分的时序数据，分别学习每一个时间步的信息，并在不同时刻之间传递时间信息，保存每一个时间步的预测结果，得到多个时刻的预测结果特征；

26、步骤2.3：解码器网络，将时序预测网络中间结果利用反卷积操作解码到原始数据空间，得到的结果为多个时间步的压力预测值；

27、步骤2.4：改进模型的损失函数，引入图像结构相似性和图像感知相似度两个指标，在像素级约束预测结果；使用贝叶斯优化算法找出损失函数中mse、ssim、lpips三个损失项的权重，计算整体损失并进行反向梯度，使预测结果更接近于真实数据。

28、在步骤2.1中：构建编码器网络axialvit，包括：

29、普通卷积块对整个图像进行卷积计算，捕获到全局的整体细节，位置敏感的轴向注意力机制对规定注意力区域的高度和宽度两个方向上使用注意力，计算周围其他位置对当前计算位置的影响，提取不同方向上的时空信息，保留高维图像上下文信息，具体计算公式如下：

30、

31、

32、式中，表示位置p处经过函数处理的注意力权重值；为区域内除以外的相关位置，为被计算的注意力局部区域，为对图像的不同方向使用位置敏感的注意力机制；为位置的query矩阵，上标为矩阵的转置，；为输入的位置的key矩阵，；分别为位置到位置的key和value的位置编码；为位置到为止的query向量；为输入的位置的value矩阵，；给定一个输入特征图，分别是特征图高度和宽度，为输入的通道数；输出是位置的注意力权重，，表示输出通道数；为当前注意力所在位置。

33、在步骤2.2中，使用convlstm网络预测多个时刻的压力动态，包括：

34、convlstm网络在时刻输入细胞状态、隐藏状态、当前输入特征，承载着时间信息，表达式为：

35、

36、式中，为遗忘门，控制丢系细胞状态中的信息，为新的候选细胞状态，为更新门，选择保留候选细胞状态中的某些重要信息；为输出门。

37、convlstm的遗忘门、输入门、输出门，以及新的候选细胞状态计算公式分别为：

38、

39、

40、

41、

42、

43、式中，分别为输入门、遗忘门、候选细胞状态、输出门与其他细胞状态的权重，分别为输入门、遗忘门、候选细胞状态和输出门的偏置，符号*为二维数据的卷积算子，是 sigmod激活函数，激活结果在（0，1）之间，激活结果在（-1,1）之间。

44、在步骤2.3中，将时序预测网络中间结果利用反卷积操作解码到原始数据空间，包括：

45、经过convlstm网络预测的中间结果包括时间长度、通道数、高度、宽度的四维张量，高度和宽度小于输入数据的空间尺寸，convlstm网络输出形式为时间长度、1、高度、宽度的四维张量；

46、反卷积通过选择卷积核大小、步幅、填充，逐步将低分辨率的特征图上采样为高分辨率的空间尺寸；反卷积通过指定的步幅和卷积核大小扩展输出空间的尺寸；步幅设置为大于2，对通道数的处理中，利用1×1的卷积核，在不影响已恢复空间尺寸的前提下，将通道数降为1；

47、通过对每个时间步的数据分别应用反卷积操作，将其解码恢复到原数据空间分辨率；其中，反卷积输出张量的尺寸由输入尺寸、步幅stride、卷积核大小、填充等因素决定；其中，输出高度由式（6）所示，宽度同理；

48、

49、在步骤2.4中，ssim计算逻辑为：

50、

51、其中，分别表示真实图像和预测图像；分别表示两个图像的局部均值；分别表示两个图像的局部方差、协方差；是三个常量；

52、lpips计算逻辑如式（8），第层的特征图是和；

53、

54、

55、其中，表示欧氏距离，即l2范数；表示层特征图的第个元素；是学习到的权重，反映不同层的感知重要性；

56、总体损失函数设计如下：

57、

58、式中，表示真实压力数据，表示模型预测结果；分别代表每个损失项权重；表示将图像整体划分计算ssim的区域数量；表示参与计算mse损失的训练样本数量。

59、在步骤s4中，r2计算原理如式（10）所示：

60、

61、

62、其中，表示真实值的均值；sst、rss分别是总平方和、残差平方和。

63、本发明的另一目的在于提供一种预测煤层气储层压力动态系统，该系统通过所述的预测煤层气储层压力动态的方法实现，该系统包括：

64、样本库求解模块，用于设置储层参数，构建三维地质概念模型，利用地理空间数据处理和统计建模工具库中的高斯协方差模型生成非均质渗透率场，利用数值模拟器求解出不同渗透率概念模型对应的内压力和井底流压作为样本库；

65、预测网络构建模块，用于构建视觉transformer和convlstm的预测网络，将普通卷积和基于轴向自注意力的transformer相结合作为编码器网络，利用普通卷积提取全局信息，利用视觉transformer捕获局部信息，利用convlstm同时考虑时间和空间信息；融入图像结构相似性和感知相似度损失约束；

66、网络训练修正模块，用于设置网络模型的超参数，按照比例将样本库划分数据集，渗透率、井底流压作为输入，压力动态作为输出，在训练集和验证集下训练、修正网络；

67、网络模型评估模块，用于使用测试集评估网络模型的性能，计算mse误差和r2评分，计算预测结果和真实数据的图像相似性评分ssim和感知相似度误差lpips。

68、结合上述的所有技术方案，本发明所具备的有益效果为：本发明建立一种利用静态参数预测未来多时刻压力动态的方法，以便能够更快速、经济、准确地预测煤层气储层中的压力演化动态，解决了现有的压力瞬态分析、回归分析等方法都针对一维数据，且基于历史数据，不适用于预测未来多时刻压力动态信息；还解决了现有技术数值模拟法存在耗时费力、成本高的缺陷。本发明提出了基于最新深度学习技术的预测模型，评价结果可靠、效率高、成本低；本发明可快速、经济、准确的预测煤层气时空压力动态分布。

69、本发明提升预测精度，相比传统方法能够更准确地捕获复杂的高维非线性关系，从而提高预测精度；解决数值模拟和传统方法高耗时、高成本的缺陷，降低时间和经济成本；适用广泛，该方法可拓展到其他类型能源储层或地质储层的压力动态预测，具有市场潜力。

70、本发明将图像分割领域的最前沿技术应用于复杂地层二维数据处理，同时基于静态初始参数结合时序算法预测多时刻的压力动态，在提高模型解释性和高性能的同时为各领域类似问题的解决提出了新的思路和方案。

71、本发明打破了传统时序预测问题的本质，并非利用历史数据，而是基于静态初始参数预测多时刻状态。同时，不同于现有方法利用一对一回归预测方法，该方法通过嵌入时序信息将初始态数据转化为时序数据，进而使用经典时序预测模型进行预测，考虑了时间相关性对时序状态的影响，进而保证预测效果的合理性和精确性。

72、本发明的技术方案通过采用数据驱动的方法、多维数据的综合利用、提高模型适应性等手段，提供了更为客观的压力动态预测工具。