实时断裂几何预测:压力预测与深度学习替代模型的结合
《Engineering Applications of Artificial Intelligence》:Real-time fracture geometry prediction: An integration of pressure prediction and deep learning surrogate model
【字体:
大
中
小
】
时间:2026年04月11日
来源:Engineering Applications of Artificial Intelligence 8
编辑推荐:
实时诊断水力压裂裂缝传播与几何的关键技术在于构建端到端代理框架。该框架通过GPR模型实时预测井口压力并持续迁移学习更新,结合滑动窗口BHP转换和LSTM+静态特征的多模态深度代理,实现裂缝长度与高度的误差低于10%的实时预测(<3秒/窗口),并保持压力误差可控。研究突破传统物理模拟计算瓶颈,通过数据驱动方法平衡精度与实时性,支持压裂作业中的动态调整优化。
胡中宇|盛茂|魏朝阳|庄晓英|白康康|田守成
中国石油大学(北京)深部地热资源国家重点实验室,北京 102249,中国
摘要
实时诊断裂缝扩展和几何形状对于优化水力压裂作业至关重要。然而,传统的模拟方法计算量庞大,不适合实时应用。本研究提出了一个端到端的实时替代框架,将压力预测与几何形状预测相结合。首先,高斯过程回归(GPR)模型预测近期的井口压力(WHP),并随着新测量数据的到来通过迁移学习不断进行重新校准。然后,使用井筒模型将WHP预测值映射到滑动窗口中的井底压力(BHP)。最后,一个多模态深度替代模型通过长短期记忆层预测不断变化的裂缝几何形状(长度和高度),前馈编码器用于处理静态地质工程特征,同时另一个辅助模块估计阶段级别的进入不平衡。该工作流程在GOHFER生成的标签上进行训练,并使用实时压力数据运行,满足实时预算要求(每个窗口的端到端时间小于3秒;每次GPR更新小于2秒),保持较小的压力误差,平均几何误差低于10%,较大的偏差仅限于快速瞬变情况。在验证中,裂缝高度趋势与微地震观测结果高度一致,进入不平衡的替代模型与纤维分析结果一致,并与GOHFER的阶段排名紧密匹配。与后处理模型不同,该框架能够在泵送过程中实现实时裂缝评估和决策优化,具有高效率和强大的现场部署适应性。
引言
水力压裂已成为从非常规储层(如页岩油和页岩气)中提取碳氢化合物的不可或缺的技术,这些储层的渗透率和孔隙率极低(Zhi和Caineng,2019)。通过高压注入流体,压裂形成了广泛的裂缝网络,从而提高储层渗透率并增加产量(Thomas等人,2017)。然而,由于涉及的复杂物理过程、高成本和操作风险,设计和控制压裂处理方案具有挑战性。优化的关键在于实时了解处理过程中的裂缝扩展和几何形状演变(如图1所示),这可以实现对泵送计划的即时调整(McClure等人,2016;Wang,2019)。传统的诊断方法如微地震成像(Maxwell,2014)、纤维监测(Hartog,2017)和压力瞬变分析(Liu和Ehlig-Economides,2018)可以提供有价值的数据,但往往无法及时提供详细的裂缝生长情况。先进的模拟器可以高精度预测裂缝几何形状(Chen等人,2021),但其计算强度使得它们不适用于实时决策支持。这一需求催生了快速、数据驱动的预测工具的发展,这些工具能够在实时约束下近似模拟精度(Mao等人,2022;Mozaffar等人,2022)。
数据驱动的储层工程和人工智能的最新进展为满足这一需求提供了途径。现代水力压裂模拟器从平面3D和伪3D公式(Dontsov和Peirce,2015;Ming等人,2020)发展到完全耦合的多物理数值方法(Manchanda等人,2019;Tomac和Gutierrez,2020;Wang,2015),这些方法可以提供裂缝扩展剖面。然而,它们的长时间运行和设置复杂性使得它们不适用于实时的现场决策支持。幸运的是,开源(Alghalandis,2017;Zia和Lecampion,2020)和商业压裂软件(Barree,2015;Barree等人,2009b;Erofeev等人,2019)的普及使研究人员能够生成大量的模拟压裂场景数据库。通过利用这些丰富的数据集,研究人员开发了基于人工智能的替代模型,这些模型以较低的计算成本模拟了基于物理的模拟结果(Agada等人,2017;Kalyuzhnyuk等人,2019)。
这些替代模型已应用于生产预测和裂缝生长预测等任务(Erofeev等人,2021;Feng等人,2020;Gu和Dai,2021;Kalyuzhnyuk等人,2019),显示出在非常规储层开发中加速决策的潜力。尽管如此,现有方法尚未达到实时现场部署所需的速度和适应性。本研究通过开发一个能够在不牺牲精度的前提下提供近乎实时裂缝几何形状预测的替代框架,解决了这一难题。
水力压裂中的机器学习应用也突显了一些挑战,我们的方法旨在克服这些挑战。首先,许多数据驱动的模型在实时预测能力方面存在不足,它们可能在历史数据上准确,但无法适应处理过程中不断变化的操作条件(Zhang和Sheng,2022;Zhao等人,2022)。为了解决这个问题,该框架围绕序列学习技术构建,能够捕捉动态时间模式,允许在新数据输入时进行连续更新和预测。特别是,该框架使用长短期记忆(LSTM)神经网络来模拟泵送过程中的压力时间序列行为。LSTM非常适合处理流式传感器数据,并在复杂的序列预测任务中表现出色(Hu等人,2023;Song等人,2020)。通过在压裂过程的分段时间窗口上训练替代模型,该模型可以滚动预测下一个时间间隔内裂缝几何形状的演变,本质上学习和预测了过程轨迹。
第二个挑战是许多黑箱AI模型的不可解释性,这削弱了用户的信任和实际应用(Lu等人,2022)。该框架通过引入一种基于物理的两阶段预测策略来解决这个问题:首先预测压力响应,然后使用该中间结果来指导裂缝几何形状的预测。井口压力(WHP)是一个易于测量的信号,可以实时反映裂缝扩展情况,这一点已被经典和现代研究证实(Harrison等人,1954;Liu和Ehlig-Economides,2019;Nolte和Smith,1981;Pirayesh等人,2015)。事实上,用于泵压预测的机器学习模型已经在实时应用中取得了成功(例如,使用深度循环网络和梯度提升进行WHP预测)(Madasu和Rangarajan,2018;Mondal等人,2022)。基于这一概念,该框架使用WHP作为裂缝增长的透明代理,使模型的行为更具可解释性。此外,由于WHP数据在操作过程中持续可用,该研究结合了迁移学习来重新校准压力预测模型。随着新的压力测量数据的记录,用于WHP的高斯过程回归(GPR)模型可以近乎实时地更新,从而在特定的地质和操作条件下提高其准确性(Weiss等人,2016)。这种自适应学习机制有助于即使在条件偏离训练数据分布时也能保持预测准确性。
第三个挑战是整合多模态数据,这意味着将静态储层属性与动态操作数据结合起来以提高模型的泛化能力。裂缝生长不仅受变化中的注入率和压力影响,还受岩石力学和井配置等静态因素的影响。该方法通过将静态和动态输入融合到替代模型中,从而在不同地质和操作环境中实现更强大的性能。在这个框架中,关键的地质和工程参数与压力数据的时间序列一起输入模型。这种多模态输入结构使替代模型能够根据现场特定条件调整其裂缝生长预测,提高泛化能力。类似的将时间序列与静态上下文结合的策略在相关领域也提高了准确性。例如,动态-静态混合模型改进了化学过程监测(Sun和Yan,2025),整合多模态传感器数据增强了采矿应用中的危险预测(Liang等人,2024)。通过利用所有相关数据,该模型旨在以最小的重新训练实现更广泛的应用。
基于此背景,本研究开发了一个端到端的实时替代框架,用于阶段级别的裂缝几何形状预测。该框架首先使用GPR模型预测近期的WHP,并随着新测量数据的到来通过迁移学习不断进行重新校准。然后,将预测的WHP转换为滑动窗口中的井底压力(BHP)。最后,一个深度替代模型(用于序列的LSTM加上用于静态地质工程输入的前馈层),在GOHFER生成的案例上进行训练,输出不断变化的裂缝几何形状。在测试中,该流程满足了阶段延迟预算,并提供了可靠的准确性,使得调整泵送计划的工作流程更快、更便捷。第2节详细介绍了该框架,第3节涵盖了数据、评估、模型调整和案例研究,第4节讨论了发现并进行了总结。
方法论:实时压力-几何形状替代框架
所提出的模型框架由几个关键组成部分构成:用于实时WHP预测的GPR模型、用于在线校正GPR模型的迁移学习方案、BHP计算以及用于实时预测裂缝几何参数的基于深度学习的替代模型。此外,数据处理是框架的重要组成部分,确保每个模型组件的输入数据得到准确准备。
预测过程从GPR模型开始
数据集、实验和结果
本章报告了第2章中开发的模型的数据基础和实证性能。数据采集和预处理在第3.1节中描述,然后第3.2节定义了评估指标。第3.3节介绍了模型调整研究,包括算法和核选择、窗口设计、序列建模和模型训练。最后,案例研究展示了实时预测工作流程及其与模拟和基于物理的结果的一致性
讨论与结论
本研究开发了一个端到端的实时裂缝诊断工作流程,它结合了(i)用于井口压力(WHP)预测的高斯过程回归(GPR)和在线更新,(ii)用于井底压力(BHP)转换的滑动窗口井筒模型,以及(iii)用于裂缝几何形状和阶段级别进入不平衡的窗口化替代模型。使用第3.3节中选择的配置(RatQuad-GPR与迁移学习;滑动窗口BHP计算,以及单目标MLP + LSTM),
CRediT作者贡献声明
胡中宇:撰写——原始草案,验证,方法论。盛茂:撰写——审阅与编辑,方法论,资金获取。魏朝阳:软件,数据管理。庄晓英:撰写——审阅与编辑,监督。白康康:方法论,数据管理。田守成:撰写——审阅与编辑,监督,资金获取。
利益冲突声明
作者声明他们没有已知的可能会影响本文报告工作的竞争性财务利益或个人关系。
致谢
作者感谢国家自然科学基金(资助/奖励编号:52320105002和52421002)和中国国家留学基金委(资助编号:202406440140)支持的财务项目。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号