在缝洞型储层中,溶洞是油气的主要储集空间。如图1所示,传统地球物理成像只能获得溶洞的几何和分布,难以获得渗透率等地质参数。同时,传统反演方法往往耗时长,难以实时知道施工优化。本文结合数据仿真和机器学习优势,提出了“数据-仿真”双驱动算法,通过挖掘压裂曲线信息实现溶洞地质参数实时反演。
如图2所示,本文将整个压裂过程分为压裂前阶段和压裂中阶段。
在压裂前阶段,利用AiFrac-TOUGH和人工神经网络(ANNs)构建机器学习降维模型。如图3所示,压裂曲线的总压降、压降速率等特征和溶洞渗透率等地质参数存在数学关联性。本文在该阶段利用AiFrac数值仿真和人工神经网络建立了压裂曲线和溶洞地质参数之间的数学关系。
在压裂中阶段,利用机器学习降维模型优化反演初值选取,减少了天然溶洞地质参数反演耗时,为基于监测数据实时驱动的储层数字孪生和及时优化施工参数提供了理论支持。
图2 “数据-仿真”双驱动算法流程图
图1 天然溶洞几何分布图 | 图3 不同溶洞渗透率下压裂曲线图 |
如图4所示,本文提出的“数据-仿真”双驱动算法达到收敛所需迭代步数远小于传统方法的迭代步数。经过5个迭代步,传统反演方法压裂曲线误差为0.57%,而该算法的误差为0.02%;传统反演方法的渗透率计算误差为9.45%,而该算法误差为0.34%。对比传统反演方法,“数据-物理”双驱动模型具有“高精度”和“实时性”优势。
压裂曲线误差 | 溶洞渗透率误差 |
图4 “数据-仿真”双驱动算法更具优势
研究成果由武汉大学完成,发表在期刊“Computers and Geotechnics”上:
Xuhai Tang, Di Wu, Jiangmei Qiao, Fei Gao, Meizhu Zhang. Combining machine learning and physics modelling to determine the natural cave property with fracturing curves[J]. Computers and Geotechnics, 2023, 158(02):105339. DOI: 10.1016/j.compgeo.2023.105339