基于深度学习的紧密水库的断裂效应评估
Ankang Feng1, Yuxin Ke1, Chuang Hei1
1School of Electronic Information and Electrical Engineering, Yangtze University, Jingzhou 434023, China.
本研究引入了一种深度学习方法,用于评估紧密的石油和天然气储库中的液压压裂效应. 这种新方法使用ResNet与SE模块,达到99.75%的准确性,改进了传统方法.
科学领域:
- 石油工程是石油工程中的一个.
- 地质物理学 地质物理学
- 人工智能的人工智能
背景情况:
- 水力压裂对于紧密的石油和天然气生产至关重要.
- 目前的声学记录方法 (异位变异,断层扫描) 在评估复杂的断裂网络方面存在局限性.
- 现有的方法是昂贵的,耗时的.
研究的目的:
- 开发一种高效准确的深度学习方法,用于评估紧密水库中的液压压裂效应.
- 为了克服传统的声音记录技术的局限性.
- 为了优化石油和天然气的生产和钻井性能.
主要方法:
- 利用双极阵列在水力压裂前后的声学记录数据.
- 采用手动标签,整合日志记录数据的解释.
- 通过改进的WGAN-GP (具有梯度惩罚的生成对抗网络) 应用数据增强.
- 通过使用SE-ResNet,ResNet和DenseNet模型实施了断裂效应评估.
主要成果:
- ResNet架构证明适合数据集,在断裂效应评估中显示出更高的准确性.
- 通过自适应地调整特征地图频道重量,SE (挤压和激发) 模块进一步提高了模型准确性.
- 在评估断裂效应方面取得的最高准确率达到了99.75%.
结论:
- 深度学习,特别是带有SE模块的ResNet,提供了一种更准确,更有效的方法来评估紧密水库中的液压压裂效应.
- 这种方法解决了传统声学记录方法的局限性,特别是复杂的断裂网络.
- 开发的方法有可能显著优化石油和天然气回收和井井管理.
更多相关视频
12:18Pore-scale Imaging and Characterization of Hydrocarbon Reservoir Rock Wettability at Subsurface Conditions Using X-ray Microtomography
Published on: October 21, 2018
10:06Microfluidic Fabrication Techniques for High-Pressure Testing of Microscale Supercritical CO2 Foam Transport in Fractured Unconventional Reservoirs
Published on: July 2, 2020
相关概念视频
Typical Model Studies
Design Example: Creating a Hydraulic Model of a Dam Spillway
Underflow Gates
Design Example: Analyzing Capacity Contours for Flood Risk Assessment
Survival Tree
Building a Survival Tree
Constructing a survival tree begins...
Net Change Theorem
