[发明专利]裂缝导流能力确定方法及装置

权利要求书

1.一种裂缝导流能力确定方法，其特征在于，包括：

获取目标工区的裂缝导流能力数据库；

根据所述目标工区的裂缝导流能力数据库得到裂缝导流神经网络基本架构；

基于预设训练精度确定神经网络权重及阈值训练方法；

基于所述裂缝导流神经网络基本架构、所述预设训练精度和所述神经网络权重及阈值训练方法，调整神经网络训练方法并进行神经网络训练，得到神经网络模型；

根据所述神经网络模型确定所述目标工区的裂缝导流能力。

2.根据权利要求1所述的方法，其特征在于，所述获取目标工区的裂缝导流能力数据库包括：

获取裂缝导流能力基础数据库；

根据所述裂缝导流能力基础数据库和目标工区的裂缝导流能力数据更新得到目标工区的裂缝导流能力数据库。

3.根据权利要求2所述的方法，其特征在于，所述根据所述裂缝导流能力基础数据库和目标工区的裂缝导流能力数据更新得到目标工区的裂缝导流能力数据库包括：

根据所述裂缝导流能力基础数据库和目标工区的裂缝导流能力数据，通过第一预设公式将所述裂缝导流能力基础数据库更新得到目标工区的裂缝导流能力数据库，所述第一预设公式为其中，为更新后的目标工区的裂缝导流能力数据库，为更新前的目标工区的裂缝导流能力数据，为更新数据库的最大值，为更新数据库的最小值。

4.根据权利要求1至3中任一项所述的方法，其特征在于，所述根据所述目标工区的裂缝导流能力数据库得到裂缝导流神经网络基本架构包括：

根据所述目标工区的裂缝导流能力数据库中的参数个数和样本数量，分别通过第二预设公式、第三预设公式和第四预设公式得到神经网络隐含层个数、神经网络隐含层神经元个数和激活函数类型；

所述裂缝导流能力数据库中的参数包括岩石力学性质、裂缝闭合压力、铺砂浓度、支撑剂粒径、支撑剂类型、测试温度、测试时间中的一个或多个参数。

5.根据权利要求4所述的方法，其特征在于，

所述第二预设公式为其中，H为神经网络隐含层个数，m为所述目标工区的裂缝导流能力数据库中的参数个数，n为所述目标工区的裂缝导流能力数据库中的样本数量，mod为取整数；和/或，

所述第三预设公式为其中，C为神经网络隐含层神经元个数，m为所述目标工区的裂缝导流能力数据库中的参数个数，n为所述目标工区的裂缝导流能力数据库中的样本数量，mod为取整数；和/或，

所述第四预设公式为

其中，Type为激活函数类型，H为神经网络隐含层个数，C为神经网络隐含层神经元个数，mod为取整数，Linear、Log-sigmoid、Tangent sigmoid、ReLU分别为神经网络模型的激活函数类型名称。

6.根据权利要求1所述的方法，其特征在于，所述基于预设训练精度确定神经网络权重及阈值训练方法包括：

根据预设训练精度，通过第五预设公式得到神经网络权重及阈值训练方法，所述第五预设公式为其中，F为神经网络权重及阈值训练方法，e为预设训练精度，batch gradient descent、stochasticgradient descent、Momentum、Nesterov Momentum、RMSProp、Adam分别为对神经网络的权重以及阈值训练方法名称。

7.根据权利要求1所述的方法，其特征在于，所述根据所述神经网络模型确定所述目标工区的裂缝导流能力包括：

获取所述目标工区的参数数值，所述目标工区的参数数值包括岩石力学性质、裂缝闭合压力、支撑剂粒径、支撑剂类型和支撑剂铺砂浓度中的任意一个或多个参数；

根据所述目标工区的参数数值，通过所述神经网络模型计算得到所述目标工区的裂缝导流能力；

当所述目标工区的参数数值包括多组参数数值时，则根据每组参数数值，分别通过所述神经网络模型计算得到相应的裂缝导流能力。