【技術實現步驟摘要】
本專利技術屬于基于計算機數據處理的煤層參數優化，尤其涉及一種基于深度學習的煤層水力壓裂參數動態優化方法。
技術介紹
1、隨著煤層氣資源開發的不斷推進，煤層水力壓裂作為提高煤層滲透性、增強煤層氣產能的關鍵手段，已成為煤礦開采與煤層氣開發過程中的核心技術之一。水力壓裂通過高壓注入裂縫液體在煤層中形成裂縫網絡，從而提升煤層的導流能力。壓裂參數的設置，如注入壓力、排量、支撐劑濃度及注入時間等，直接決定了壓裂效果與經濟效益。然而，由于煤層結構復雜、物理參數多變，傳統壓裂設計通常依賴經驗或簡化模型，難以動態響應現場地質變化，影響了裂縫發育效果和產氣穩定性。近年來，人工智能與深度學習技術的發展為煤層水力壓裂參數的智能化優化提供了新的可能。通過對現場圖像與材料特性進行深度分析，可以實現對煤層壓裂行為的更精確預測與控制，為制定更科學的壓裂參數提供依據。
2、現存的煤層水力壓裂參數制定方法主要包括以下三種：
3、基于現場經驗與靜態地質參數的壓裂設計方法：該方法通常由工程師根據地質勘探數據（如煤層厚度、地應力、裂隙密度等）和過往經驗手動制定壓裂參數方案。常見流程包括地質參數調查、經驗模板選型、手動調整參數等。此類方法在早期煤層壓裂工程中較為常見，具備一定的實用性。但此類方法嚴重依賴施工人員的經驗，難以適應復雜或非典型地質條件。在煤層結構異質性較強的區域，該方法往往無法準確反映微觀結構對壓裂響應的影響，存在參數設定偏差大、壓裂效果不穩定等問題；
4、基于單一物理屬性輸入的數值模擬方法：該方法通過地應力、孔隙度、滲透率
5、基于機器學習模型的壓裂效果預測方法：該方法通過收集歷史壓裂施工數據（包括壓裂液用量、注入速率、支撐劑強度等）以及對應的煤層特征，利用傳統機器學習算法（如決策樹、支持向量機等）建立壓裂參數與產氣效果之間的回歸或分類模型，實現對壓裂效果的預測和參數調整建議。然而，這類方法對數據質量與樣本量依賴較高，且模型訓練過程缺乏對物理機制的解釋。此外，由于模型輸入主要基于數值型變量，缺乏對圖像、結構等非數值特征的建模能力，導致其在面對新井區或復雜構造條件時泛化性能較差。
6、因此，現有方法在壓裂參數優化過程中均存在不同程度的局限性，難以實現對復雜煤層結構的精準感知與動態響應。
技術實現思路
1、針對上述問題，本專利技術提出了一種基于深度學習的煤層水力壓裂參數動態優化方法，包括以下步驟：
2、s1，采集具有空間連續性的煤層切片ct圖像；
3、s2，將ct圖像輸入到構建并訓練完成的煤層結構-物理參數智能感知模型里，模型包括煤層多尺度空間注意力特征編碼器以及層理上下文感知解碼器，用于輸出煤層語義分割結果和對應材料物理參數；
4、s3，根據語義分割結果進行區域分層和網格劃分，之后將對應材料物理參數按語義區域映射至有限元模型各單元中，獲得煤層三維有限元模型；
5、s4，以最大化改造體積、最小化綜合成本和最大化裂縫導流能力為優化目標，以要求解的煤層水力壓裂參數為決策變量建立煤層水力壓裂參數多目標優化問題；基于代理輔助的多目標進化算法求解多目標優化問題，獲得最優煤層水力壓裂參數；
6、所述基于代理輔助的多目標進化算法，是以構建的煤層三維有限元模型生成訓練數據和測試數據對煤層物理信息嵌入的代理模型進行訓練和測試獲得全局代理模型，將全局代理模型與多目標進化算法結合動態求解多目標優化問題。
7、優選地，基于模型的訓練任務，采集并構建煤層語義分割與材料標定數據集，具體過程為：
8、首先，針對待采集的煤層體，獲取具有空間連續性的切片ct圖像序列：均勻切分煤層體為個切片，每組ct圖像數據包含張按等距層間采集的切片圖像，即，采集過程采用統一的坐標系標定；
9、然后對個切片圖像中的關鍵煤層地質結構進行語義標注，包含背景、主煤層、層間夾矸、原始裂隙、斷層/節理、礦化帶、軟弱夾層、含水層共8個類別，最終得到個切片圖像的語義分割圖；
10、最后，在語義標注的基礎上，對每個結構類別的區域標定其對應的材料物理參數，標定的參數包括彈性模量、泊松比、滲透率、張拉強度、剪切強度、斷裂韌度、裂隙-基質耦合比、飽和度、壓裂誘導破裂閾值、壓裂優先級；針對個切片圖像，共得到組材料物理參數圖，材料物理參數圖包含了每個煤層語義區域對應的材料物理參數。
11、優選地，所述層結構-物理參數智能感知模型具體處理過程為：
12、s21，對第個待分割的每層切片ct圖像，其中；首先采用兩個3*3卷積塊對ct圖像進行初步特征提取，其中每個3*3卷積塊由卷積核為3*3的卷積層、批歸一化層以及relu激活函數組成，用于提取局部紋理信息與基礎空間特征；隨后，依次引入三個最大池化層進行多尺度降采樣，獲取不同空間尺度下的煤層結構特征，并且由淺層到深層的特征輸出依次為，分別對應前層特征、中層特征與深層特征；
13、s22，將多尺度特征輸入煤層多尺度空間注意力特征編碼器實現煤層結構的深度特征提取與層理上下文信息融合：
14、對深層特征進行上采樣后，與中層特征通過第二混合特征編碼塊進行融合，得到融合特征；隨后繼續對進行上采樣，并與淺層特征通過第一混合特征編碼塊進一步融合，獲得淺層融合結果；
15、對淺層融合結果進行平均池化后，與融合特征一起輸入第三混合特征編碼塊，以增強中尺度特征感知能力，并得到融合特征；隨后進一步對進行平均池化，并與深層特征輸入至第四混合特征編碼塊，輸出融合結果；
16、將三個不同尺度的融合特征、、進行通道拼接，構建多尺度特征集合；最后通過空間注意力模塊增強圖像中關鍵結構的空間分布特性，最終輸出表示第張切片圖像的層理結構特征圖；
17、s23，基于層理上下文感知解碼器，通過結合相鄰切片的層理信息進行圖像語義重構：
18、針對第個切片的層理結構特征，結合其前后兩個相鄰切片的層理結構特征和進行通道拼接形成上下文融合特征；之后，上下文融合特征被輸入至一個3*3反卷積塊進行初步解碼上采樣，并引入多頭注意力機制對層理上下文中的關鍵結構進行顯式建模與特征強化，得到強化特征；
19、隨后，經過四個并行的特征重構通路進行解碼，每個通路從不同的感受野和建模策略出發提取信息，將四個通路的輸出進行通道拼接，得到針對第個切片圖像層理結構特征圖的解碼器輸出特征；
20、s24，最后通過輸出層將進行特征壓縮，并分別映射得到個切片ct圖像最終的語義分割圖的估計結果，以及材料物理參數圖的估計結果。
<本文檔來自技高網...【技術保護點】
1.一種基于深度學習的煤層水力壓裂參數動態優化方法，其特征在于，包括以下步驟：
2.如權利要求1所述的一種基于深度學習的煤層水力壓裂參數動態優化方法，其特征在于：基于模型的訓練任務，采集并構建煤層語義分割與材料標定數據集，具體過程為：
3.如權利要求1所述的一種基于深度學習的煤層水力壓裂參數動態優化方法，其特征在于，所述層結構-物理參數智能感知模型具體處理過程為：
4.如權利要求3所述的一種基于深度學習的煤層水力壓裂參數動態優化方法，其特征在于：所述第一混合特征編碼塊、第二混合特征編碼塊、第三混合特征編碼塊、第四混合特征編碼塊具體為：
5.如權利要求3所述的一種基于深度學習的煤層水力壓裂參數動態優化方法，其特征在于：所述經過四個并行的特征重構通路進行解碼，具體為：
6.如權利要求1所述的一種基于深度學習的煤層水力壓裂參數動態優化方法，其特征在于，所述S3具體過程為：
7.如權利要求1所述的一種基于深度學習的煤層水力壓裂參數動態優化方法，其特征在于，所述S4中建立煤層水力壓裂參數多目標優化問題具體為：
<...【技術特征摘要】
1.一種基于深度學習的煤層水力壓裂參數動態優化方法，其特征在于，包括以下步驟：
2.如權利要求1所述的一種基于深度學習的煤層水力壓裂參數動態優化方法，其特征在于：基于模型的訓練任務，采集并構建煤層語義分割與材料標定數據集，具體過程為：
3.如權利要求1所述的一種基于深度學習的煤層水力壓裂參數動態優化方法，其特征在于，所述層結構-物理參數智能感知模型具體處理過程為：
4.如權利要求3所述的一種基于深度學習的煤層水力壓裂參數動態優化方法，其特征在于：所述第一混合特征編碼塊、第二混合特征編碼塊、第三混合特征編碼塊、第四混合特征編碼塊具體為：
5.如權利要求3所述的一種基...
【專利技術屬性】
技術研發人員：秦玉金，撒占友，盧守青，劉杰，孫劍飛，
申請(專利權)人：青島理工大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。