基于压裂信号和数据增强的脆性智能预测方法

摘要

储层脆性的精确预测对地下岩土工程灾害预警和油气开采具有重要意义.基于岩石受压破裂时产生的声发射信号,提出一种脆性智能预测方法.实验制备4类尺寸相同但脆性不同的岩石进行室内单轴岩石压裂,将采集到的破裂信号经预处理后制作样本数据集.针对训练数据不足和传统数据增强方法的局限性等问题,在深度卷积生成对抗网络(deep convolutional generative adversarial networks,DCGAN)的基础上进行改进,设计一种基于谱归一化的深度卷积注意力生成对抗网络(CS-DCGAN)模型,输出高质量样本时频图像,丰富原始样本数据集,作为残差网络的输入;对图像的有效信息进行特征提取、学习、迭代训练以建立脆性智能预测模型,通过不断调整模型的超参数以提高模型预测精度;最后进行多指标评估.实验结果表明,相较于传统DCGAN,CS-DCGAN生成的样本质量较高,FID(Frechet inception distance)最小值为67.96,能够缓解过拟合等问题,提高了残差网络的性能,对不同脆性的平均识别准确率最高可达94.95%,证明了所提方法的有效性.

关键词

岩石脆性 / 声发射信号 / 生成对抗网络 / 残差网络 / 数据增强

基金资助

国家自然科学基金项目(52074088,52474036,52174022); 页岩油地质工程一体化压裂与防控技术创新团队项目(CYCX24015); 黑龙江省自然科学基金联合基金重点项目(ZL2024E008); 黑龙江省博士后科研启动项目(LBH-Q21086); 黑龙江省“揭榜挂帅”科技攻关项目(DQYT-2022-JS-758)