[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

说明书

本发明公开了一种基于深度学习的页岩储层试井智能解释分析方法及装置，方法包括：建立页岩气藏气井试井的物理模型；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Langmuir方程、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；基于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；将无因次井储系数等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，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，获得该曲线所对应的关键参数。本申请能够更好更快的确定页岩气藏压裂井储层及裂缝参数。

技术领域

本发明涉及油气田开发技术领域，特别涉及一种基于深度学习的页岩储层试井智能解释分析方法及装置。

背景技术

针对大型压裂复杂裂缝评估技术，目前主要方法采用井间微地震技术，井间微地震技术可以获得以下信息：裂缝几何形态、裂缝复杂程度、裂缝位置及改造体积等。但该方法缺少对裂缝渗透率、裂缝窜流能力、裂缝导流能力、有效裂缝半长及有效改造体积等参数的定量评价，以上参数是影响大型压裂井产能、空间流场、压力场分布等的重要因素。现代试井分析方法一般通过对井的不稳定压力响应特征的分析，从而有效反演储层和井的相关信息，这些相关信息包括井储系数、表皮系数、基质渗透率，以及上文提到的裂缝渗透率、裂缝窜流能力、裂缝导流能力、有效裂缝半长等，这些相关信息可以定量评价井和储层的压裂改造效果。

但是，采用现代试井分析方法来反演储层和井的相关信息时，由于页岩渗透率极低，其试井曲线主要以裂缝线性流为主，难以达到径向流，导致无法出现完整的试井曲线，因此为试井解释工作带来了极大的多解性。同时，基于目前模型通常存在计算耗时久，人工拟合精度低，严重影响了试井模型的实际应用，无法适应页岩气开发节奏。为了更好的确定页岩气藏压裂井储层及裂缝参数，有必要研究出一种基于深度学习的页岩储层试井智能解释分析方法。

发明内容

为了克服现有技术的上述缺陷，本发明实施例所要解决的技术问题是提供了一种基于深度学习的页岩储层试井智能解释分析方法及装置，其能够更好更快的确定页岩气藏压裂井储层及裂缝参数。

本发明实施例的具体技术方案是：

一种基于深度学习的页岩储层试井智能解释分析方法，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

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；