买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：中国石油大学(华东)

摘要：本发明公开了一种基于物理意义神经网络的页岩气藏数值模拟方法，属于气藏工程技术领域，包括如下步骤：步骤1、采集页岩气藏相关数据；步骤2、构建卷积神经网络模型，设置模型的超参数；步骤3、利用第一个时间步的压力数据作为标签，预训练得到初始化完成的卷积神经网络模型；步骤4、后续时间步根据模型输出的压力数据和模型参数进行正向传播，利用有限体积法计算损失误差；步骤5、反向传播优化模型权重，通过不断迭代训练使得损失值下降到指定范围；步骤6、重复步骤4‑步骤5，得到页岩气藏任意时间步的压力分布情况。本发明实现了利用嵌入物理意义的卷积神经网络模型正向求解页岩气藏压力变化，且无需标签数据，具有较高的精度和效率。

主权项：1.一种基于物理意义神经网络的页岩气藏数值模拟方法，其特征在于，利用嵌入物理意义的卷积神经网络正向计算页岩气藏任意时间步的压力，且无需标签数据，具体包括如下步骤：步骤1、采集页岩气藏相关数据；步骤2、构建卷积神经网络模型，设置模型的超参数；步骤3、对卷积神经网络模型进行预训练，利用第一个时间步的压力数据作为标签，预训练得到初始化完成的卷积神经网络模型；所述步骤3中，预训练的具体过程如下：步骤3.1、设置时间步大小，利用传统有限体积法求得第一个时间步的页岩气藏压力数据，将其作为预训练的标签数据；步骤3.2、将页岩气藏的初始压力数据输入步骤2中构建完成的卷积神经网络模型，得到与输入数据大小相同的输出数据；步骤3.3、计算模型输出数据与标签数据之间的均方误差作为损失值，计算公式为： 其中，MSELoss为损失值；为页岩气藏模型网格数序号，为页岩气藏模型网格数；为卷积神经网络模型输出数据；为标签数据；步骤3.4、设置学习率，选用ADAM优化器，反向传播，更新卷积神经网络模型参数；步骤3.5、重复上述步骤3.1到步骤3.4，迭代训练200次，最终卷积神经网络模型损失降到1×10-14以下，此时模型初始化权重完成，得到初始化完成的卷积神经网络模型；步骤4、后续时间步根据模型输出的压力数据和模型参数进行正向传播，利用有限体积法计算损失误差；所述步骤4的具体过程如下：步骤4.1、将第二个时间步的压力数据输入步骤3中初始化完成的卷积神经网络模型，进行一次正向传播，得到与输入数据大小相同的输出数据；步骤4.2、构建损失值计算公式；考虑吸附和解吸附的页岩气藏模拟，图像中每个网格都相当于一个源项，其微分方程为： 其中，p为当前压力；t为时间；表示散度算子；ρ为气体密度；k为渗透率；μ为气体粘度；qm为产量；Cp为单位体积岩石中的气体质量，计算公式如下：Cp＝φρ+1-φmg7；其中，φ为多孔介质孔隙度；mg为吸附在单位体积岩石颗粒上的气体质量；采用有限体积法离散后的隐式控制方程为： 其中，n表示当前时间步，n+1表示下一时间步；i、j表示不同网格的编号；Δt为时间间隔；Tij为第i个网格与第j个网格之间的传导率；V为网格体积；ηi表示与第i个网格相连的所有网格编号的集合；表示第i个网格下一时间步的压力值，示第i个网格当前时间步的压力值，表示第j个网格下一时间步的压力值；q为单位体积产量；损失值loss的计算公式为： 步骤4.3、按照公式9计算得到每一个网格的损失值，并将所有网格的损失值按照顺序组合成与页岩气藏尺寸大小相同的矩阵，最后计算矩阵的均方误差作为此次迭代训练的最终损失误差；步骤5、反向传播优化模型权重，通过不断迭代训练使得损失值下降到指定范围，此时模型的输出即为当前时间步的页岩气藏压力数据；步骤6、对每一个时间步重复步骤4-步骤5，得到页岩气藏任意时间步的压力分布情况，此时数值模拟完成。

全文数据：

权利要求：

百度查询： 中国石油大学(华东) 一种基于物理意义神经网络的页岩气藏数值模拟方法