[发明专利]基于物理约束的DL模型预测致密油压裂范围的方法

权利要求书

1.一种基于物理约束的DL模型预测致密油压裂范围的方法，其特征在于：包括步骤如下：

(1)对所研究的致密油压裂范围求解问题提出物理假设：假定所研究的地层是水平、均质、各向同性的，液体是单相、均质、弱可压缩的牛顿液体，并假定渗流过程中等温，无任何特殊的物理化学现象发生，渗流符合达西定律，然后在数值模拟软件中设置相关参数，同时考虑基质区和改造区的绝对渗透率的变化情况；

(2)在物理假设与参数设置的基础上利用数值模拟软件中的建模模块选择二维轴对称模型建立致密油压裂开发渗流数值计算模型，表征基质区和改造区范围以及流体的流动规律；

(3)利用数值模拟软件中网格自动划分方法对步骤(2)中建好的模型进行网格的划分，然后设置时间步，最后通过数值模拟软件中的计算功能模块生成模拟数据，并将模拟数据中的离散数据和分类数据映射为计算机可以处理的二进制数据格式，连续型数据通过Matlab转为.mat文件，即处理为机器学习能够使用的样本数据集，并随机抽取样本数据集的70％作为训练集，剩下的30％作为测试集；

(4)采用适用性最广的深度神经网络模型对步骤(3)中获取的样本数据集进行学习，即建立深度学习模型；

(5)设置深度神经网络模型的结构，即确定神经网络的层数和每层神经元的数量，同时设置激活函数、优化器和权重初始化方法；

(6)自定义神经网络模型的损失函数，即在数据项的基础上通过自动微分添加控制方程项；

(7)在添加物理控制方程的深度神经网络基础上，对训练集进行训练，用测试集得到预测结果；

(8)使用L2误差和决定系数R²作为评价指标对预测结果进行评价，若R²值大于95％且L2误差值小于20即认为模型具有较高的预测能力；

(9)比较考虑物理约束与不考虑物理约束下神经网络预测的精度，若考虑物理约束后的神经网络的L2误差值比不考虑物理约束的神经网络的L2误差值小，而决定系数R²比不考虑物理约束的神经网络的R²大，则认为添加物理约束后神经网络模型的预测能力更强；以此衡量添加物理约束后神经网络模型的预测能力；

(10)在添加物理约束的神经网络的基础上改变训练集大小并衡量其预测能力。

2.根据权利要求1所述的基于物理约束的DL模型预测致密油压裂范围的方法，其特征在于：所述步骤(1)中相关参数包括：孔隙度、渗透率、压力边界、含油饱和度、水平井长度、改造区和基质区的范围。

3.根据权利要求1所述的基于物理约束的DL模型预测致密油压裂范围的方法，其特征在于：所述步骤(6)中数据项使用均方误差进行误差评估，控制方程项通过使用自动微分算法将物理方程加入到损失函数中。

4.根据权利要求1所述的基于物理约束的DL模型预测致密油压裂范围的方法，其特征在于：所述步骤(10)中通过改变训练集的大小，设置不少于10组的对比实验，以L2误差和决定系数R²为评价指标衡量物理约束下的神经网络对小样本数据的预测能力，即若神经网络的决定系数R²大于95％且L2误差值小于20，则认为神经网络模型有较强的预测能力。