【技術實現步驟摘要】
本專利技術涉及油藏數值模擬的，具體為一種融合物理信息的三向地應力智能預測方法。
技術介紹
1、致密礫巖儲層因其顯著的各向異性和復雜的地質條件使得應力在不同方向上的傳遞方式不同，增加了應力場的復雜性和不確定性。同時，儲層內部的非均質性和構造特征導致了局部應力集中，進一步加劇了應力分布的不均勻性。許多傳統模型基于靜態條件或簡化假設，難以準確捕捉動態變化環境下的應力演化。尤其在處理復雜地質條件時，給地應力預測帶來了重大挑戰。
2、現有的機器學習當中，高度依賴大量高質量的訓練數據，數據不足或分布不均會導致性能下降。對復雜各向異性行為和非線性應力之間關系，捕捉能力有限，通常假設輸入輸出之間存在簡單映射關系。難以處理致密礫巖儲層中普遍存在的空間非均質性和各向異性，這使得預測結果在復雜儲層條件下的精度較低。此外，在解釋性和準確性上存在局限，導致其在不同地質環境下的普適性較差，難以滿足實際需求。
技術實現思路
1、為解決至少一個上述問題，本專利技術提出了一種融合物理信息的三向地應力智能預測方法，其基于實際工況的數據，能夠快速的對多簇壓裂裂縫的擴展情況進行模擬。
2、本專利技術的技術方案為：一種融合物理信息的三向地應力智能預測方法，包括以下步驟：
3、s1、獲取同區塊已開發儲層的三向地應力、與三向地應力相關的隨鉆測井參數以及巖性參數，并對三者進行匹配，后對三者進行數據預處理；
4、s2、基于cae自編碼器，對預處理后的隨鉆測井參數和巖心參數進行特征提取
5、s3、基于ave自編碼器，將降維后的參數和預處理后的三向地應力進行數據增強，以生成更多的樣本；
6、s4、基于pinns神經網絡，以s3樣本中降維后的參數為輸入、以s3樣本中的三向地應力為輸出，并結合adam優化器進行訓練，同時，訓練過程中，采用以下公式作為模型的物理約束條件，訓練好的模型即作為預測模型：
7、
8、
9、
10、式中，α為有效應力系數；為水平最小主應力構造應力系數；為水平最大主應力構造應力系數；ps為地層壓力；h1為深度；g為重力加速度；ρb為體積密度；σh是最小主應力；σh是最大主應力；σv是垂向主應力；γs是泊松比。
11、有益效果：本專利技術的方法，其通過將數據驅動與物理約束相結合的方式，使得本專利技術能夠準確建模不同地質條件下地應力的復雜變化，尤其在面對非均質性和各向異性的儲層時，提升預測的精度和魯棒性，從而為致密礫巖儲層的高效開發提供精準的地應力預測。
本文檔來自技高網...【技術保護點】
1.一種融合物理信息的三向地應力智能預測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的方法，其特征在于，所述三向地應力為破裂壓力、閉合壓力和最大主應力，所述隨鉆測井參數為深度、自然伽馬、自然電位、井徑、深電阻率、聲波時差、體積密度和補償中子，所述巖性參數為孔隙度、含水飽和度和彈性模量。
3.根據權利要求1所述的方法，其特征在于，所述數據預處理方法包括以下分步驟：對數據進行異常檢測，檢測出的異常值被刪除；利用KNN插值法補全缺失值；對補全后的數據進行歸一化處理。
4.根據權利要求1所述的方法，其特征在于，S4中，所述PINNs神經網絡的損失函數為：，式中，λ、β和γ是權重系數；Ltotal是損失函數；Ldata是數據損失；Lphysics是物理損失；Lspatial是空間一致性損失；
5.根據權利要求1所述的方法，其特征在于，所述Adam優化器包括以下分步驟：
【技術特征摘要】
1.一種融合物理信息的三向地應力智能預測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的方法，其特征在于，所述三向地應力為破裂壓力、閉合壓力和最大主應力，所述隨鉆測井參數為深度、自然伽馬、自然電位、井徑、深電阻率、聲波時差、體積密度和補償中子，所述巖性參數為孔隙度、含水飽和度和彈性模量。
3.根據權利要求1所述的方法，其特征在于，所述數據預處理方法包括以下分步驟：對數據進行異常...
【專利技術屬性】
技術研發人員：郭子熙，李星月，康蕓瑋，蘇騫，張克萌，余天睿，曾琪，李鐵軍，郭大立，
申請(專利權)人：西南石油大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。