基于生成式神经网络的非均质储层裂缝扩展替代模型研究

本文提出了一种基于条件Wasserstein生成对抗网络（CWGAN-GP）的裂缝扩展替代模型FPGAN，通过有限离散元法（FDEM）构建基础/复杂数据集，实现了非均质条件下水力裂缝形态的高效预测。该模型在保持图像精度的同时将计算效率提升数个数量级，为页岩气开发中的压裂优化设计提供了创新解决方案。

　　

Highlight

本研究创新性地将条件Wasserstein生成对抗网络（CWGAN-GP）与有限离散元法（FDEM）相结合，开发了名为FPGAN的裂缝扩展替代模型。该模型能在一分钟内生成任意力学参数组合下的水力裂缝扩展图像，计算效率较传统数值方法提升数个数量级，为分析矿物组分对裂缝生成的影响提供了全新工具。

Methodology

本章详解了FPGAN模型的架构设计：以Wasserstein距离优化训练稳定性，通过梯度惩罚（GP）机制防止模式崩溃，并引入条件变量实现力学参数约束下的精准图像生成。生成器采用U-Net结构捕捉多尺度裂缝特征，判别器则使用PatchGAN架构提升局部细节判别能力。

Numerical Simulation of Fracture Propagation in Heterogeneous Reservoirs

基于MultiFracS软件构建了包含2600组裂缝扩展时序图像的数据集，涵盖不同粘结力（Cohesion）、弹性模量（Elastic Modulus）和抗拉强度（Tensile Strength）组合。通过非均匀网格划分和界面接触算法，精确模拟了页岩层理与天然裂缝对水力裂缝走向的干扰效应。

Evaluation Metrics

采用Fréchet起始距离（FID）和核起始距离（KID）双指标评估：FID量化生成图像与真实数据的分布差异（阈值<15视为优秀），KID则通过多项式核函数检测视觉特征的相似性，二者协同验证了FPGAN生成图像的几何保真度。

Model Training

在RTX 3090显卡上进行的对比实验显示：基础数据集训练周期为48小时时FID达12.3，而引入复杂地质条件的增强数据集需72小时但FID优化至9.8。测试集预测结果显示，裂缝分叉角度误差<3°，流体压力场相对误差仅4.7%。

Conclusion

FPGAN模型成功突破了传统数值模拟（如XFEM、DEM）在非均质储层中的计算瓶颈，其分钟级的预测速度与亚毫米级的空间分辨率，为实时优化压裂施工参数提供了革命性技术手段。未来可扩展应用于地热开发与CO₂封存等新兴领域。