基于深度学习方法的致密气渗流高效随机模拟研究

20250115

水利、环境和公共设施管理业

该科技成果尚处于原理构思阶段，（1）完成岩心测试相关实验，并形成实验报告，建立致密气渗流理论方法，具备建立典型实际致密气区块的渗流模型技术能力； （2）嵌入式离散裂缝模型为基础，通过模拟致密气泄漏至含水层的各种途径，建立致密气泄漏数值模型；利用随机森林方法确定影响致密气泄漏至含水层的主控因素； （3）建立致密气随机风险评估方法，利用贝叶斯理论融合静态地质参数与监测井致密气泄漏数据形成致密气泄漏风险预测模块，可以提高泄漏风险预测准确性95.33%，并完成典型致密气开发区块的风险预测； （4）构建卷积神经网络的深度学习代理模型，编写卷积神经网络代理模型代码，典型致密气开发区块的泄漏风险高效分析和效率对比，引入卷积神经网络替代模型可提高模型计算速度，相比数值模拟的计算时间缩短了500倍以上。

此次科技成果转化需要在致密气开发场地开展，需要具备致密气监测的基本设备仪器，研究人员能够实时监测致密气开发井口的致密气泄漏状态，对致密气储层地质条件和储层物性有清晰地了解，对影响致密气泄漏到地层的井筒参数有明确的认识。

可国（境）内外转让

本研究通过构建创新的模型和算法体系，显著提升了致密气泄漏预测的精度，为数据同化技术和人工智能在致密气泄漏风险评估中的应用开辟了新路径。泄漏预测不仅能够有效减少资源浪费，避免因泄漏造成的经济损失，还能大幅降低环境治理的成本负担，从而全面提升致密气开发的安全性、经济性和可持续性。此外，该研究为地下水资源保护提供了重要的技术支持，通过减少因泄漏引发的污染风险，有力保障了公众健康与生态安全。 这一技术的引入，不仅助力于致密气开发过程中的泄漏风险监控与应对，更为政府制定科学的环保政策和地下水保护方案提供了可靠依据。其应用价值在于通过优化资源开发与环境保护之间的平衡，为实现绿色能源开发和生态环境的可持续发展贡献了创新的科技力量。这项研究还为未来能源领域中更安全、更高效的开发模式奠定了坚实基础，展现了广泛的社会效益和长远的应用前景。

北京市自然科学基金面上项目

北京市科学技术委员会;中关村科技园区管理委员会

本项目来源于北京市自然科学基金面上项目，研究以嵌入式离散裂缝模型为基础，通过模拟致密气泄漏至含水层的各种途径，建立致密气泄漏数值模型；利用随机森林主控因素分析方法探索各影响因素与监测井致密气泄漏量之间的关系，确定影响致密气泄漏至含水层的主控因素；结合集合卡尔曼滤波智能反演算法，对致密气泄漏模型的模型参数进行动态更新，并引入卷积神经网络替代模型，提高模拟计算速度。 利用以上方法进行含水层监测井致密气泄漏量预测，结果表明：（1）致密气主要通过受损井筒、相互连接的天然裂缝，以及断层泄漏到含水层，随着井指数、天然裂缝渗透率、天然裂缝开度和断层传导率的增加，监测井的致密气泄漏量在不断增加，而天然裂缝孔隙度对致密气泄漏量影响不大；（2）随机森林主控因素分析得到影响致密气泄漏至含水层的重要因素为井指数、天然裂缝开度、含水层孔隙度、储层压力，其中，井指数重要度为0.432，储层压力的重要度为0.123；（3）通过集合卡尔曼滤波智能方法反演地层参数，模型的准确率提升了95.33%。其中，井指数初始范围为2 - 16，经过反演更新得到井指数范围稳定在4 - 11，且集中分布于8附近，缩小了井指数的范围。根据更新后的地层参数预测2025年监测井致密气泄漏量将达到1261.328 m3；（4）引入卷积神经网络替代模型可提高模型计算速度，CNN的计算时间约为10 min，相比数值模拟的计算时间缩短了500倍以上，且测试集上98%的样本预测误差均小于20%，表明CNN对致密气泄漏量的预测具备优秀的表现，可以作为替代模型参与集合卡尔曼滤波智能反演；（5）实际页岩区块中，初始时刻的50个模型泄漏量预测平均值与实际值的绝对误差和为25.633 m3，经过集合卡尔曼滤波智能反演更新后绝对误差和仅为0.380 m3，并预测2040年监测井致密气泄漏量将达到588.056 m3。 本研究通过创新的模型和算法，提高了致密气泄漏预测的精度，推动了数据同化和人工智能技术在致密气泄漏风险预测中的应用，精准的泄漏预测不仅能够有效减少因泄漏导致的资源浪费，还能显著降低环境治理成本，提升致密气开发的安全性与经济效益。同时，研究为地下水资源保护提供了科学依据，通过减少泄漏污染风险，保障公众健康，为生态环境的可持续发展做出了积极贡献。精准的泄漏风险预测技术还为政府制定更科学的环保政策和地下水保护措施提供了技术支撑，具有广泛的社会价值。