大规模体积压裂是致密油气及页岩油气开发的关键技术之一,其压后效果评价涉及到力学、地质,数学以及计算机科学等学科的交叉。本文通过研究致密油气藏井底压力以及水平井多段压裂地层压力分布,提出了基于GPU的地层压力分布并行计算算法及基于PSO-RBF神经网络识别多段压裂水平井参数的新方法,相关研究探索了大数据在油气领域的应用,对大数据的发展和完善具有重要指导意义。同时,考虑实际致密油气开发,水平井越长,压裂规模越大,产量也越高,但开发成本及水资源消耗也急剧增加。通过压后效果评价及产能预测,开展水平井多段压裂的优化研究,对致密油气及页岩油气高效经济开发具有重要应用价值。主要研究成果及创新点如下:1.建立了多段压裂水平井不稳定渗流模型。通过开展致密油气状态方程、连续性方程及岩石本构关系等研究,建立水平井多段裂缝的渗流方程。利用源函数理论,三维特征值方法和正交变换等数学分析方法获得渗流模型的确定解。最后,通过拉普拉斯变换和Stehfest的数值反演得到考虑了井储和表皮因子影响的水平井多段压裂井的井底压力解。2.设计了基于GPU的水平井多段压裂并行计算方法。根据致密油气流动特点建立了考虑混合流体的物性参数、渗透率和孔隙度随压力变化的流动方程,通过定义拟压力将致密油流动的偏微分方程线性化。针对致密油气开发采用水平井多段压裂技术,采用Newman乘积原理得到地层拟压力流动方程的解析解表达式。根据解析解的特征,基于CUDA平台,设计了 CPU-GPU异步计算模式,将解析解分解成适合并行计算的无限求和及积分形式。在因特尔i5 4590 CPU和NVIDIA GT730显卡上,计算了致密油气的地层压力,分析了地层压力特征。实验结果表明,在GPU上的致密油气压力计算可达近80倍的加速比。3.提出了一种基于PSO-RBF神经网络模型的新方法来识别多段压裂水平井参数。首先,采用GPU并行程序,对多段压裂水平井进行井底压力计算,获得井底压力数据。然后,将其中的部分数据导入到神经网络模型中进行训练。训练过程中,利用PSO算法全局最优解的寻优能力对RBF神经网络参数进行优化,最终得到所需的PSO-RBF神经网络模型。最后,使用剩余的数据对得到的神经网络进行测试。在大多数情况下,所提出的模型性能优于其他模型,具有最高的相关系数,最低的均值和绝对误差,证明了 PSO-RBF神经网络模型可以有效地应用于水平井参数识别。本文工作表明,基于PSO-RBF神经网络的多段压裂水平井参数识别的机器学习方法在石油储层描述中具有很大的潜力,可以提高储层物理参数预测的准确性,对石油勘探和开采具有重要的指导意义。4.提出基于拉丁超立方的抽样方法来生成高质量的模型训练样本。深度机器学习技术对训练样本的数据量有着较大的需求。目前油田能提供的数据样本普遍不能满足要求。结合现场实测数据及解释结果,采用拉丁超立方抽样,生成神经网络模型训练所需样本。不仅弥补了实测数据样本量的不足,还可保证参数团的空间均匀性,大大提高PSO-RBF神经网络模型的预测精度。5.采用渗流实验室自主研发的相关软件对致密油田多段压裂水平井进行数据解释和分析,并将软件计算得到的结果和PSO-RBF神经网络模型得到的预测结果进行交叉比较。结果表明,分析软件和本文提出的PSO-RBF模型都能够快速准确的解释地层参数,并给出产能预测。