本發(fā)明涉及儲(chǔ)層改造工程，更具體的說(shuō)是涉及一種油井壓裂后壓裂液放噴工作制度自動(dòng)優(yōu)化方法。

背景技術(shù)：

1、近年來(lái)，國(guó)內(nèi)大部分油田進(jìn)入開(kāi)發(fā)中后期，我國(guó)石油和天然氣對(duì)外依存度日益增加，而我國(guó)低滲透與非常規(guī)油氣資源是國(guó)家能源安全的重要保障。儲(chǔ)層壓裂改造是實(shí)現(xiàn)油田老井增效穩(wěn)產(chǎn)以及低滲透與非常規(guī)油氣高效開(kāi)發(fā)的核心技術(shù)。壓后壓裂液返排作為水力壓裂過(guò)程中非常重要的一個(gè)環(huán)節(jié)直接影響到儲(chǔ)層壓裂改造效果：一方面，壓裂液返排速度會(huì)影響裂縫內(nèi)支撐劑的沉降鋪置甚至導(dǎo)致支撐劑回流，最終影響裂縫的導(dǎo)流能力；另一方面，在壓裂時(shí)壓裂液會(huì)一直向地層中濾失，這會(huì)對(duì)油氣層產(chǎn)生二次傷害，減弱壓裂效果甚至導(dǎo)致壓裂失敗。因此，對(duì)壓后壓裂液放噴工作制度的設(shè)計(jì)就顯得十分重要，既要防止返排流量過(guò)大導(dǎo)致裂縫內(nèi)支撐劑大量回流，又要盡快完成壓裂液返排減少支撐劑沉降和降低濾失危害。

2、合適的油嘴制度對(duì)于生產(chǎn)高效安全開(kāi)發(fā)至關(guān)重要；油嘴制度過(guò)小，無(wú)法發(fā)揮儲(chǔ)層產(chǎn)能，開(kāi)發(fā)效益降低；油嘴制度過(guò)大，可能導(dǎo)致支撐劑流出、出砂等情況，導(dǎo)致儲(chǔ)層過(guò)度傷害，短時(shí)間可能獲得較高產(chǎn)能，但最終產(chǎn)量會(huì)大大降低。

3、因此，如何進(jìn)行油嘴的實(shí)時(shí)選擇是本領(lǐng)域技術(shù)人員亟需解決的問(wèn)題。

技術(shù)實(shí)現(xiàn)思路

1、有鑒于此，本發(fā)明提供了一種油井壓裂后壓裂液放噴工作制度自動(dòng)優(yōu)化方法，能夠根據(jù)油井壓裂后壓裂液隨時(shí)間的變化相應(yīng)進(jìn)行油嘴的選擇。

2、為了實(shí)現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：

3、一種油井壓裂后壓裂液放噴工作制度自動(dòng)優(yōu)化方法，包括：

4、對(duì)油井進(jìn)行壓裂，通過(guò)傳感器獲取與壓裂液濾失與返排體積相關(guān)的輸入變量，將所述輸入變量進(jìn)行歸一化處理，將處理后的輸入變量作為輸入數(shù)據(jù)，按時(shí)間序列排列構(gòu)建變量時(shí)間序列輸入層；

5、對(duì)所述輸入數(shù)據(jù)進(jìn)行卷積運(yùn)算，并對(duì)經(jīng)過(guò)卷積運(yùn)算的輸入數(shù)據(jù)進(jìn)行池化，經(jīng)過(guò)多次卷積池化后對(duì)輸出數(shù)據(jù)進(jìn)行全連接運(yùn)算，完成壓裂液預(yù)測(cè)模型訓(xùn)練，輸入待預(yù)測(cè)輸入變量，獲取壓裂液濾失體積與壓裂液返排體積；

6、根據(jù)所述壓裂液濾失體積與壓裂液返排體積計(jì)算井底壓力，并通過(guò)所述井底壓力與裂縫閉合壓力確認(rèn)裂縫情況；

7、以所述壓裂液的濾失體積、返排體積與粘度，以及套壓和油壓轉(zhuǎn)換為二維圖像作為預(yù)設(shè)直徑預(yù)測(cè)模型的輸入，通過(guò)所述預(yù)設(shè)直徑預(yù)測(cè)模型預(yù)測(cè)獲取油嘴直徑，根據(jù)所述油嘴直徑計(jì)算獲取壓裂液的返排流速；根據(jù)所述裂縫情況計(jì)算獲取支撐劑的回流臨界流速，基于所述回流臨界流速與返排流速選擇油嘴型號(hào)。

8、優(yōu)選的，所述輸入變量包括泊松比、井口壓力、裂縫高度、儲(chǔ)層厚度、壓裂液溫度、液位高度、井筒液柱壓力。

9、優(yōu)選的，對(duì)所述輸入數(shù)據(jù)進(jìn)行卷積運(yùn)算具體包括對(duì)輸入數(shù)據(jù)進(jìn)行不同方向的卷積運(yùn)算，具體為：

10、s1：采用t個(gè)卷積核對(duì)輸入變量進(jìn)行縱向卷積，縱向卷積利用下述公式進(jìn)行計(jì)算：

11、ai,j＝f(wmxi,j+zm),m＝1,2,...,t；

12、其中，xi,j為輸入數(shù)據(jù)第i行第j列元素；wm表示卷積核權(quán)重，zm為卷積核的偏置項(xiàng)；ai,j為卷積后數(shù)據(jù)的第i行第j列元素；f表示激活函數(shù)；

13、s2：輸入層數(shù)據(jù)經(jīng)過(guò)t個(gè)卷積核卷積計(jì)算后由relu函數(shù)激活，激活后輸出t個(gè)神經(jīng)元，每個(gè)神經(jīng)元中包含一個(gè)數(shù)據(jù)矩陣；

14、s3：對(duì)t個(gè)神經(jīng)元進(jìn)行平均池化，具體公式如下：

15、

16、其中，q表示池化區(qū)域的大小，d和f為單個(gè)神經(jīng)元數(shù)據(jù)矩陣長(zhǎng)度與寬度，由于池化核是縱向池化，神經(jīng)元矩陣只有長(zhǎng)度會(huì)減小，pi/q,j表示池化層輸出神經(jīng)元矩陣元素的第i/q行第j列元素；

17、s4：池化層輸出的神經(jīng)元再由g個(gè)卷積核進(jìn)行橫向卷積和并再次進(jìn)行平均池化，輸出g個(gè)神經(jīng)元；

18、s5：經(jīng)過(guò)兩次卷積池化后輸出的神經(jīng)元作為連接層的輸入，連接層將所有神經(jīng)元矩陣的元素所代表的特征信息整合到連接層的神經(jīng)元當(dāng)中，設(shè)連接層神經(jīng)元個(gè)數(shù)為t，經(jīng)過(guò)多次卷積池化后輸出的每個(gè)神經(jīng)元中包含k行l(wèi)列元素，連接層每個(gè)神經(jīng)元由g個(gè)[k,l]的卷積核對(duì)每個(gè)神經(jīng)元矩陣中的元素進(jìn)行卷積，具體公式如下：

19、

20、其中，xk,l為輸入數(shù)據(jù)第k行l(wèi)列元素；wn為卷積核權(quán)重，zn為卷積核的偏置項(xiàng)；卷積核大小與神經(jīng)元矩陣大小相同，卷積后輸出一個(gè)數(shù)值，yu表示全連接層每個(gè)神經(jīng)元中的數(shù)值，即卷積后的g個(gè)數(shù)值相加得到的數(shù)值。

21、優(yōu)選的，所述s5中的輸出層為連接層輸出向量的線性加權(quán)求和計(jì)算，輸入神經(jīng)元個(gè)數(shù)為t，輸出為具體公式如下：

22、

23、其中，為輸出的體積預(yù)測(cè)值，為壓裂液濾失體積預(yù)測(cè)值，為壓裂液返排體積預(yù)測(cè)值。

24、優(yōu)選的，還包括對(duì)所述壓裂液預(yù)測(cè)模型采用反向傳播技術(shù)更新權(quán)值參數(shù)，通過(guò)計(jì)算梯度的一階矩估計(jì)和二階矩估計(jì)而為不同的參數(shù)設(shè)計(jì)獨(dú)立的自適應(yīng)性學(xué)習(xí)率，更新卷積層的權(quán)值和偏置，完成參數(shù)微調(diào)，實(shí)現(xiàn)輸出誤差最小化。

25、優(yōu)選的，所述采用反向傳播技術(shù)更新權(quán)值參數(shù)具體包括：

26、確定反向傳播學(xué)習(xí)參數(shù)：反向傳播算法學(xué)習(xí)率為α，同時(shí)確定一階矩估計(jì)衰減指數(shù)β1、二階矩估計(jì)衰減指數(shù)β2、參數(shù)ε1、時(shí)間步幅t，目標(biāo)函數(shù)f(θ)，其中β1和β2取值范圍為[0,1]，其中θ參數(shù)為包含前向訓(xùn)練權(quán)值及偏置的向量；

27、確定參數(shù)α、β1、β2和給定目標(biāo)函數(shù)f(θ)之后，初始化一階矩向量m＝0、二階矩向量v＝0和時(shí)間步t＝0；

28、計(jì)算預(yù)測(cè)指標(biāo)誤差梯度的一階矩估計(jì)和二階矩估計(jì)，并進(jìn)行修正；

29、利用上一時(shí)刻的梯度的指數(shù)衰減修正值和上一時(shí)刻的平方梯度的指數(shù)衰修正值進(jìn)行θ參數(shù)的更新，直到誤差小于設(shè)定閾值。

30、優(yōu)選的，所述直徑預(yù)測(cè)模型具體包括：輸入層、卷積層1、卷積層2、卷積層3、三個(gè)bn層、三個(gè)relu層、池化層1、池化層2、全連接層、輸出層，直徑預(yù)測(cè)模型結(jié)構(gòu)依次為輸入層、卷積層1、bn層、relu層、池化層1、卷積層2、bn層、relu層、池化層2、卷積層3、bn層、relu層、全連接層、輸出層。

31、優(yōu)選的，所述計(jì)算預(yù)測(cè)指標(biāo)誤差梯度的一階矩估計(jì)和二階矩估計(jì)，并進(jìn)行修正具體包括：

32、當(dāng)參數(shù)θ沒(méi)有收斂時(shí)，首先計(jì)算t時(shí)刻的梯度，計(jì)算公式如下：

33、

34、然后計(jì)算梯度的一階矩估計(jì)mt，計(jì)算公式如下：

35、mt＝β1·mt-1+(1-β1)·bt；

36、計(jì)算梯度的二階矩估計(jì)，計(jì)算公式如下：

37、vt＝β2·vt-1+(1-β2)·bt2；

38、對(duì)一階矩估計(jì)進(jìn)行修正，修正后的矩估計(jì)為計(jì)算公式如下：

39、

40、對(duì)二階矩估計(jì)進(jìn)行修正，修正后的矩估計(jì)為計(jì)算公式如下：

41、

42、經(jīng)由上述的技術(shù)方案可知，與現(xiàn)有技術(shù)相比，本發(fā)明公開(kāi)提供了一種油井壓裂后壓裂液放噴工作制度自動(dòng)優(yōu)化方法，該方法基于實(shí)時(shí)數(shù)據(jù)和深度學(xué)習(xí)模型，能夠動(dòng)態(tài)調(diào)整壓裂液的放噴工作，提高操作的靈活性和響應(yīng)速度；采用反向傳播技術(shù)，通過(guò)一階和二階矩估計(jì)，針對(duì)不同參數(shù)自適應(yīng)調(diào)整學(xué)習(xí)率，實(shí)現(xiàn)對(duì)模型的持續(xù)優(yōu)化和性能提升；通過(guò)多次卷積和池化操作，模型能夠有效提取復(fù)雜的特征關(guān)系，提升預(yù)測(cè)的準(zhǔn)確性和可靠性；該模型在訓(xùn)練過(guò)程中能夠較為高效地學(xué)習(xí)到壓裂液濾失量和返排量之間的復(fù)雜關(guān)系，從而使得預(yù)測(cè)更加準(zhǔn)確；通過(guò)將傳統(tǒng)的油井管理過(guò)程與智能算法相結(jié)合，實(shí)現(xiàn)對(duì)壓裂作業(yè)的智能化管理，提升整個(gè)操作的效率和安全性；通過(guò)精確預(yù)測(cè)流速和選擇合適的油嘴型號(hào)，在達(dá)到最佳壓裂效果的同時(shí)，優(yōu)化資源的使用，降低成本。