基于多层神经网络预测超临界CO2破裂压力

破裂压力是评价压裂效果的关键指标。通过搜集并汇总362组压裂(水和超临界CO2)实验数据，归纳了 8 个影响因素(压裂液类型、最大最小水平主应力、压裂液初始温度、井筒直径、排量、试样抗拉强度、试样泊松比)作为输入变量。基于深度学习，以人工神经网络为架构，对输入变量(8 因素)和输出变量(破裂压力)之间复杂非线性关系进行建模，以期获取综合因素影响下的破裂压力预测值。研究表明，损失函数在初期较大，但随着模型迭代次数的增加，训练和测试的实际值与预测值误差越来越小，直至达到稳定;同时，达到稳定后，训练和测试的准确率均高于 90%。训练样本和测试样本的数据点均布置在理想拟合直线(实际值=预测值)附近，训练集(测试集)的R，RMSE，MAE分别为0.9482(0.9123)，3.424(4.421)，2.283(3.188)。此外，上述各影响因素相对重要程度排序如下：压裂液类型＞抗拉强度＞排量＞最大水平主应力＞泊松比＞井筒直径＞最小水平主应力＞压裂液初始温度。具体地，压裂液类型和抗拉强度是相对最为敏感的影响变量，其重要性分别达到 28.3%和 21.4%，排量对破裂压力的影响占 12.3%。以上结果说明，训练好的多层神经网络模型可较好地用于学习与预测破裂压力，可为压裂施工参数优化提供参考依据。