基于G函数约束与CNN-LSTM的压裂裂缝形态智能反演方法

《Processes》：Intelligent Inversion Method of Fracturing Fracture Morphology Based on G-Function Constraints and CNN-LSTM

　　

针对致密气与页岩等非常规储层中压裂后裂缝几何形态定量表征难题，现有预测方法精度有限，研究人员提出一种融合G函数（G-function）压后诊断与CNN-LSTM网络的裂缝形态智能反演方法。通过对压力降落曲线进行G函数分析确定分支裂缝数作为硬约束，采用拉丁超立方抽样（LHS）生成多维裂缝几何样本，构建CNN-LSTM模型建立裂缝形态至生产响应的非线性映射，形成裂缝几何与生产关联样本库，据此高效实现压后裂缝几何智能反演。现场验证表明，反演裂缝半长与微地震监测结果偏差小于3%，产量预测误差低于6%，显著优于现场工程普遍接受的10%容差阈值。该方法仅需单井压力降落曲线与产量数据即可完成压后裂缝几何评价，具有广阔应用前景。

研究背景方面，致密气与页岩气等非常规油气资源已成为全球能源结构重要组成部分，该类储层普遍低孔低渗，水力压裂是实现经济开采的关键技术，压裂形成的缝网形态直接决定烃类流动路径与采出效率，准确获取裂缝几何参数对压裂方案评价、剩余气分布预测及后续开发策略制定不可或缺。然而压后裂缝深埋地下数千米，直接观测极为困难，如何经济高效精确定量刻画裂缝形态一直是石油工程核心挑战之一。现有压后诊断方法主要分为压力分析、监测技术与数值模拟三类：Nolte提出的G函数理论经Castillo、Barree等完善，可通过分析压力降落曲线的导数dP/dG与叠加导数G·dP/dG识别裂缝闭合特征及与天然裂缝沟通情况，但常规G函数方法仅能获取有限参数，难以完整构建多维几何形态模型，且对压力数据质量与滤失模型假设敏感；微地震监测受检波阈值高、速度模型影响定位精度、解释非唯一性强等限制，示踪剂与分布式光纤（DAS/DTS）成本高且难以定量给出缝长、缝宽、导流能力等参数；基于油藏数值模拟的反演计算量大、单次反演需数十分钟至数小时且对初始模型敏感，难以满足现场快速决策需求。近年来深度学习在石油工程中潜力显著，CNN用于微地震事件分类与测井裂缝识别，LSTM替代全物理缝网扩展模拟器降低正演成本，CNN-LSTM及其变体在产量预测中表现优良，但既有AI研究多纯数据驱动端到端建模，缺乏显式物理约束易得物理不合理解、可解释性弱；代理模型历史拟合仍需逐案迭代优化，且压后压力降落数据中蕴含的诊断信息极少被纳入反演回路；G函数诊断可得分支裂缝数这一独立物理证据，却无研究将其作为硬约束嵌入深度学习反演框架。为此研究人员开展本研究，提出基于G函数约束与CNN-LSTM的压裂裂缝形态智能反演方法。

关键技术方法方面，研究人员以某区块三口井基础物性与压裂作业参数为依托，先对代表压裂段压力降落曲线做G函数分析，依据一阶导数与叠加导数峰值特征判定分支裂缝数Nb作为硬约束；采用拉丁超立方抽样在缝半长50–300 m、缝宽2–8 mm、缝高20–80 m、导流能力5–40 μm²·cm区间内生成600组样本（按Nb=0、1–2、≥3分三层各200组），经CMG气水两相均质油藏模型正演获产量响应，构建裂缝–产量映射库；设计CNN-LSTM混合网络，CNN模块以1×3卷积提取五维参数向量[L_f, W_f, H_f, F_cD, N_b]^T的局部物理耦合特征，LSTM模块以CNN扁平特征拼接归一化生产时间坐标建模产量时序演化，全连接层输出累计产量，MSE损失与Adam优化训练；反演时按诊断Nb筛选子库，以匹配度（1?|预测?实际|/实际）最高者作结果。

研究结果方面，第2节建立基于G函数约束的裂缝形态反演模型：2.1节给出G函数表达式与导数判别准则，对六段实例分析得Nb=0、2、3、4等结果，明确峰值振幅须超诊断窗均值20%方计为有效峰，Nb不确定度±1仅扩缩候选子空间不传播至其余参数；2.2节详述CNN-LSTM架构，输入五维向量经三层卷积（32/64/64核，1×3）提取空间特征，LSTM（64单元）控遗忘门、输入门、输出门建模时序，全连接映至累计气产，Adam（β₁=0.9，β₂=0.999，η=0.001）更新权重。第3节模型测试与应用：3.1节以S76-XX井历史拟合验证CMG模型（相对误<10%），建600样本库，统计显示LHS边缘分布近均匀且无伪相关；3.2节按7:2:1划分训练验证测试集，早停机制下训练200轮，验证损最低约0.031，测试集整体R²=0.85、MAPE=8.7%，Nb=0时R²=0.93、Nb≥3时R²=0.78，CNN-LSTM优于MLP、RF、LightGBM、XGBoost及纯LSTM基线，3.2.3节置换特征重要性显示缝半长（41.2%）与导流能力（27.5%）主导，偏依赖曲线单调增且边际递减，符合物理认知；3.3节以X井测试段为例，G函数判Nb=2，反演得L_f=286 m、W_f=4.8 mm、H_f=64 m、F_cD=16.5 μm²·cm，25天累产预测31.42×10⁴ m³匹配实际32.5679×10⁴ m³达0.942，缝半长较微地震295–296 m偏差3.1%，去G函数约束盲搜偏差升至18.4%；3.4节对比常规G函数（仅定性）、CMG数值反演（26分钟、偏差5.0%）、微地震，本研究单跑约2分钟、偏差3.1%，效率约13倍。

讨论与结论部分，研究人员指出纯生产反演存在非唯一性，G函数硬约束将搜索锁入正确复杂度子类，既降偏差又保拓扑一致；均质样本与真实非均质储层存分布隙，但通过区块参数定界、Nb子类收缩、S76-XX历史拟合锚定三措施缓解，反演参数应理解为均质假设下等效裂缝参数而非非均质缝网点重建；CNN中1×3卷积嵌入物理先验（几何组、流动截面组、复杂度组）优于全连接任意交互，LSTM捕时序，二者互补。结论归纳为三点：其一，基于Nolte G函数建立压后压力降落诊断流程，由一阶与叠加导数特征准确定分支缝数，为反演供可靠物理约束；其二，构建CNN-LSTM实现五维裂缝参数至产量高精度非线性映射，训练集Nb=0时R²=0.96、Nb≥3时R²=0.85，测试集整体R²=0.85、MAPE=8.7%；其三，建三类复杂度样本库，凭单井压力降落与产量数据分钟级反演，现场缝半长偏差<3%、产量误<6%，优于工程10%容差，发表于《Processes》具现场推广价值。