[发明专利]一种缝洞型介质流固耦合等效参数预测方法及系统

权利要求书

1.一种缝洞型介质流固耦合等效参数预测方法，其特征在于，包括：

获取目标缝洞型介质的基本参数信息；所述基本参数信息包括杨氏模量、泊松比、孔隙度、比奥系数和贮藏系数；

将所述基本信息参数输入等效参数预测模型中，得到所述目标缝洞型介质的流固耦合模型的等效参数的预测值；所述等效参数包括有效渗透率、有效比奥系数、有效弹性系数和有效贮藏系数；所述等效参数的预测值用于构建所述目标缝洞型介质的流固耦合模型；所述目标缝洞型介质的流固耦合模型用于对缝洞型介质的油藏进行数值模拟；

其中，所述等效参数预测模型的确定方法为：

利用训练缝洞型介质中孔隙弹性区的比奥方程、训练缝洞型介质中自由流体区域的斯托克斯方程和多孔-流体假界面上扩展的边界条件在微观尺度上构建训练缝洞型介质的流固耦合模型；

通过均匀化理论对所述训练缝洞型介质的流固耦合模型进行尺寸分析得到宏观流体流固耦合模型；

将所述宏观流体流固耦合模型中的等效参数作为神经网络模型的输入进行训练，并将训练好的神经网络模型确定为所述等效参数预测模型。

2.根据权利要求1所述的一种缝洞型介质流固耦合等效参数预测方法，其特征在于，所述将所述宏观流体流固耦合模型中的等效参数作为神经网络模型的输入进行训练，并将训练好的神经网络模型确定为所述等效参数预测模型，具体包括：

将所述宏观流体流固耦合模型中的等效参数按照设定比例分为训练数据、测试数据和验证数据；

将所述训练数据作为神经网络模型的输入，并以平均绝对百分比误差作为损失函数进行训练，得到初步训练好的神经网络模型；

采用所述测试数据数据对所述初步训练好的神经网络模型进行测试，得到测试好的神经网络模型；

采用所述验证数据对所述测试好的神经网络模型进行验证，得到验证好的神经网络模型，并将所述验证好的神经网络模型确定为训练好的神经网络模型。

3.根据权利要求1所述的一种缝洞型介质流固耦合等效参数预测方法，其特征在于，所述通过均匀化理论对所述训练缝洞型介质的流固耦合模型进行尺寸分析得到宏观流体流固耦合模型，具体包括：

对所述训练缝洞型介质的流固耦合模型进行双尺度渐进分析，得到渐进分析后的孔隙弹性区的比奥方程、渐进分析后的斯托克斯方程和渐进分析后的多孔-流体假界面上扩展的边界条件；

根据所述渐进分析后的孔隙弹性区的比奥方程、所述渐进分析后的斯托克斯方程和所述渐进分析后的多孔-流体假界面上扩展的边界条件进行力学性能分析，得到可变形缝洞岩石宏观纳维方程；

根据所述渐进分析后的孔隙弹性区的比奥方程和所述渐进分析后的斯托克斯方程进行流体流动特征分析，得到宏观达西方程；

根据所述渐进分析后的孔隙弹性区的比奥方程和所述渐进分析后的斯托克斯方程进行流体力学耦合方程分析，得流体力学方程；

根据所述可变形缝洞岩石宏观纳维方程、所述宏观达西方程和所述流体力学方程构建宏观流体流固耦合模型。

4.根据权利要求2所述的一种缝洞型介质流固耦合等效参数预测方法，其特征在于，所述将所述训练数据作为神经网络模型的输入，并以平均绝对百分比误差作为损失函数进行训练，得到初步训练好的神经网络模型，具体包括：

构建全连接神经网络模型；所述全连接神经网络模型包括依次连接的一个输入层、四个隐藏层和一个输出层；

将所述训练数据作为所述全连接神经网络模型的输入，并以平均绝对百分比误差作为损失函数进行训练，得到初步训练好的神经网络模型。

5.根据权利要求4所述的一种缝洞型介质流固耦合等效参数预测方法，其特征在于，所述将所述训练数据作为所述全连接神经网络模型的输入，并以平均绝对百分比误差作为损失函数进行训练，得到初步训练好的神经网络模型，具体包括：

将Relu函数作为所述全连接神经网络模型中隐藏层的激活函数，将Sigmoid函数作为所述全连接神经网络模型中输出层的激活函数，并将所述训练数据作为所述全连接神经网络模型的输入，采用随机最速下降法，以平均绝对百分比误差作为损失函数进行训练，得到初步训练好的神经网络模型。