CN116629111B 一种基于神经网络的页岩注热原位开采排烃潜力预测方法 （中国石油大学(华东)）

US2022170366A1,2022.06.02一种基于神经网络的页岩注热原位开采排本发明提供了一种基于神经网络的页岩注层注热流体原位开采的影响因素；依据影响因2S50：利用神经网络算法，构建页岩注热流体加热原位开采排烃潜力的预测模型的雏所述热解反应动力学模型建立输入的参数包括热解反应方程式、2.根据权利要求1所述的一种基于神经网络的页岩注热原位开采排烃潜力预测方法，3.根据权利要求2所述的一种基于神经网络的页岩注热原位开采排烃潜力预测方法，4.根据权利要求1所述的一种基于神经网络的页岩注热原位开采排烃潜力预测方法，利用拉丁超立方采样方法生成数值模拟方案，结合数值模拟软件CMG运行所有的模拟5.根据权利要求4所述的一种基于神经网络的页岩注热原位开采排烃潜力预测方法，利用3σ原则对样本数据库进行异常值检测，即根据平均值μ和标准差σ去除异常数据；36.根据权利要求1所述的一种基于神经网络的页岩注热原位开采排烃潜力预测方法，7.根据权利要求6所述的一种基于神经网络的页岩注热原位开采排烃潜力预测方法，8.根据权利要求6所述的一种基于神经网络的页岩注热原位开采排烃潜力预测方法，Hj=fi(⃞1vyy-9/),j=1,2,…,l;9.根据权利要求6所述的一种基于神经网络的页岩注热原位开采排烃潜力预测方法，2是输出层激活函数。4现商业化开采。但是陆相未熟和中低成熟度页岩油即使依靠成熟的水平井和人工压裂技[0004]有鉴于此，本发明提供一种基于神经网络的页岩注热原位开采排烃潜力预测方5[0022]利用拉丁超立方采样方法生成大量数值模拟方案，结合数值模拟软件CMG运行所[0023]进一步的，所述结合3σ原则和相关分析法优化基本样本数据库的具体操作步骤62是输出层激活函数。训练测试，使得神经网络模型预测结果能更准确解释实际页岩注热流体原位开发排烃效[0045]图5为本发明一个实施例中基于Pearson相关分析法的特征因素间相关系数矩阵[0046]图6为本发明一个实施例中基于最优神经网络结构的训练集和测试集预测结果7[0050]如图1所示，是本发明提供的一种基于神经网络的页岩注热原位开采排烃潜力预[0060]本发明一个实施例基于鄂尔多斯盆地典型页岩油藏的储层特征参数，利用CMG_37体的热解反应动力学参数如表1所示。在CMG_STARS模块中定义了CO2、H2O、Kerogen、8_1[0069]本发明一个实施例中选定的页岩注蒸汽加热原位开采排烃潜力影响因素及因素9注汽速度/(m3_1)[0073]绘制七个影响因素和响应参数的直方图，发现均符合正系数是评价变量间相关程度的指标，利用公式(2)可以计算出基础样本数据库中变量间的[0085]本发明一个实施例中选择误差逆传播神经网络构建页岩注热流体加热原位开采ij是输入层第i个神经元和隐藏层第j个Y是期望输出。用广泛应用的Levenberg_Marquardt算法作为训练函数。最优神经网络结构下得到的训练集和测试集的预测结果如图6所示，模拟数据和预测数据交会图的散点均分布在45°线附浓度16000mole/m3，注蒸汽速率80m3STARS模拟软件和基于神经网络构建的页岩排烃潜力预测模型计算排出油当量分别为