[发明专利]基于深度学习的页岩储层试井智能解释分析方法及装置

权利要求书

1.一种基于深度学习的页岩储层试井智能解释分析方法，其特征在于，所述基于深度学习的页岩储层试井智能解释分析方法包括：

建立页岩气藏气井试井的物理模型，其中物理模型的假设条件如下：井经过压裂，形成双翼裂缝，裂缝为有限导流裂缝；利用Langmuir等温吸附曲线描述吸附气体压力与被吸附量的关系以得到Langmuir方程；储层均质、等厚、各向同性,顶、底为不渗透隔层，用双重孔隙介质模型来整体描述次裂缝；考虑实际生产条件下存在的井筒储集效应和表皮效应；

根据页岩气藏气井试井的物理模型列出裂缝中气体流动质量守恒方程；

根据所述Langmuir方程、所述裂缝中气体流动质量守恒方程和点源函数渗流方程求解得到点源解，其中，所述点源函数渗流方程及供给边界条件如下：

其中，u的表达式为

u＝sf(s)，

其中，r_D表示无因次半径；L表示垂直裂缝长度的一半，单位为m；ψ表示气体拟压力；表示气体拟压力的拉普拉斯形式；下标f为裂缝系统；s表示关于时间的拉普拉斯因子，单位为s^-1；λ为基质向微裂缝窜流系数；ω为次裂缝的弹性储容比；

基于所述点源解得到拉氏空间下顶底封闭边界、圆形边界储层垂直压裂井井底的压力响应，再计算得到真实空间下的压力解；

将无因次井储系数、表皮因子、裂缝半长、裂缝无因次导流能力、储层渗透率作为深度学习模型的标签，将典型无因次特征曲线作为深度学习模型的输入进行训练，训练完成后，将无因次化后的双对数压力及其导数曲线输入到深度学习模型中，即可获得该曲线所对应的井储系数、表皮因子、裂缝半长、裂缝导流能力、储层渗透率关键参数。

2.根据权利要求1所述的基于深度学习的页岩储层试井智能解释分析方法，其特征在于，在物理模型的假设条件下，具体参数如下：

储层顶部z＝h和储层底部z＝0为封闭边界，储层在径向上为半径为r_e的封闭外边界；垂直裂缝长度为2L，即水平方向上的长度，高度为h，且裂缝完全贯穿地层，裂缝宽度为w_f，渗透率为k_f；储集层各向同性，各个方向上渗透率都相等；地层流体经历从基质流入裂缝和裂缝流入生产井筒的阶段。

3.根据权利要求2所述的基于深度学习的页岩储层试井智能解释分析方法，其特征在于，利用Langmuir等温吸附曲线描述吸附气体压力与被吸附量的关系得到的Langmuir方程具体如下：

其中，V_L表示Langmuir体积，为常数；p_L表示Langmuir压力，为常数；p表示压力，单位为Mpa；V_E为页岩气浓度，单位为m³/m³。

4.根据权利要求2所述的基于深度学习的页岩储层试井智能解释分析方法，其特征在于，页岩气藏气井试井的物理模型中的具体相关基础定义如下：

拟压力为：

其中，μ_g表示气体粘度，单位为cp；z_g表示压缩因子，无量纲；p表示压力，单位为MPa；下标g表示气相。

5.根据权利要求2所述的基于深度学习的页岩储层试井智能解释分析方法，其特征在于，页岩气藏气井试井的物理模型中无因次化定义如下：

无因次生产时间为：

无因次泄气半径为：

无因次储层厚度为：

无因次井筒储集系数为：

基质向微裂缝窜流系数为：

次裂缝的弹性储容比为：

其中，k表示渗透率，单位为md；μ表示黏度，单位为cp；r_w表示井半径；C_t表示综合压缩系数，单位为MPa^-1；h表示油藏厚度，单位为m；x_f表示裂缝半长，单位为m；C表示井筒存储系数，单位为m³/MPa；r表示径向距离；表示孔隙度；下标f为裂缝系统；下标m为基质系统；下标g为气相；表示基质系统综合压缩系数，单位为MPa^-1；表示气体压缩系数，单位为MPa^-1；α表示裂缝系统的形状因子。