CN110671095A - 一种地质地层压力智能随钻软测量方法 - Google Patents

Abstract

本发明公开了一种地质地层压力智能随钻软测量方法，包括采集钻井数据，对获得的钻井数据进行分析，利用皮尔逊相关性分析法选出与地层压力紧密相关的钻井数据；在获得样本数据集的基础上进行归一化处理，建立地层可钻性模型、岩石强度模型与水力机械比能模型来分别计算地层可钻性参数，岩石强度参数与水力机械比能参数等中间参数，将其与计算得到的中间参数一并作为输入，建立贝叶斯线性模型来计算当前钻头处地层压力，最后通过随机森林法来判别当前地层的压力类型，并对压力过渡带与高压地层做出预警。

Description

一种地质地层压力智能随钻软测量方法

技术领域

本发明涉及地质钻进过程智能控制领域，尤其涉及一种复杂地质地层压力智能随钻软测量方法。

背景技术

目前，我国对大宗矿产品的需求仍不断增长，现有资源供需矛盾日益突出，对外依存度不断加大。但事实上，我国矿产资源种类多，蕴藏丰富。随着新的矿产资源的不断探明，深部地质勘探和开发成为必然。

尽管深部资源能源开发潜力大，但由于地层深处的环境恶劣，钻进过程经常遇到高温、地层高压。地层压力是资源能源勘探、开发中的一个基础参数，正常压实地层具有的地层孔隙压力等于从地表到地下某处的连续地层水的静液压力。当饱含水的砂层被不透水层封闭并受到重压时，砂层中的孔隙水就会产生高于正常静液压力，称作异常高压。异常高压地层相对于其他地层更容易井壁失稳，引起井涌、井喷等事故，造成严重的安全事故，严重时可能危及人身安全。在全球范围内，压力异常地区的超额钻探成本可达每年10.8亿美元，当钻遇异常高压地层时，需要特别调整泥浆密度来保证井壁不受破坏。因此，在钻进过程中监测当前所处地层的地层压力系数并判断高压地层的钻入钻出点，减少钻井工程事故、提高钻井效率、降低钻井成本的关键。此外，异常高压在石油勘探开发中具有十分重要的实际意义。异常高的地层流体压力与有效储层，有效源岩等各成藏的有利因素是相伴出现的，对异常高压的预测实际上就是对有利成藏区段的圈定。

地层孔隙压力实钻监测主要是在钻井过程中测量与压力有关的钻井参数，实时地估算地层孔隙压力。如何准确监测地层孔隙压力及其变化一直是地质勘探开发过程中的难点问题。现在综合录井仪上所用的压力监测方法一般都是Dc指数和Sigma法。而随着钻探技术的发展(如定向斜井技术和PDC钻头的使用)，使得这两种方法在压力预测和监测上都存在着明显的误差。另外，传统的地层压力监测方法不能根据钻遇环境实时调整相关参数，模型适应性差，这就急需解决压力预测与监测的方法，找到一种能与综合录井相配套的随钻监控方法，来有效地指导科学钻井，防止事故的发生。

发明内容

有鉴于此，本发明提供了能有效对地层压力进行监测并及时对高压地层做出预警的一种地质地层压力智能随钻软测量方法。

本发明的实施例提供一种地质地层压力智能随钻软测量方法，包括以下步骤：

S1.采集测井数据，利用皮尔逊相关性分析法对获得的测井数据进行分析，选出三种与地层压力最相关的钻井数据集；

S2.建立地层可钻性模型、岩石强度模型与水力机械比能模型来计算中间参数，包括地层可钻性参数，岩石强度参数与水力机械比能参数；

S3.将S1选出的钻井数据集与S2的中间参数作为样本数据集，对样本数据集进行归一化处理，并建立贝叶斯线性模型计算当前地层压力系数；

S4.建立随机森林模型判别当前地层压力类型，并对压力过渡带与高压带做出预警。

进一步，所述步骤S1中，皮尔逊相关性系数的公式为：

式中：其中，N是数据集的个数，x_i是输入参数，y_i是地层压力数据，ρ_XY是每个输入参数与地层压力之间的Pearson相关性系数，Pearson相关性系数绝对值越大说明钻井数据与地层压力越相关。

进一步，所述根据Pearson相关性系数绝对值选出的钻井数据集包括流速，钻压与泥浆密度。

进一步，所述步骤S2中，地层可钻性模型、岩石强度模型与水力机械比能参数计算模型分别为：

X_t0＝F×[(0.1WOB)^0.5×T^0.25×N^0.25]/0.3937A_b

式中：ROP为钻速，N为转速，WOB为钻压，A_b为与钻头面积，T为扭矩，MW为泥浆密度，Q为流量，TFA为钻头总流面积，JSA为钻头射流面积，K是液压能量衰减系数，F是钻井液液柱围压与岩屑重切影响系数。

进一步，所述步骤S3中，具体包括以下步骤：

S3.1.样本数据归一化处理，归一化处理的公式为：

其中，x_norm是归一化后的数据集，x是归一化前的数据集，x_min是数据集中最小的数据，x_max是数据集中最大的数据；

S3.2.建立贝叶斯线性模型，计算当前样本数据集下的地层压力系数概率分布：

y＝f(X)+ε

f(X)＝X^Tw

其中

X＝(x₁,x₂...x_N)^T，Y＝(y₁,y₂...y_N)^T，x_i为输入特征属性，y_i为输出的地层压力系数，σ_n为残差ε的方差，P(w)为预先给定权重系数，选择均值为0，方差为σ_w的正态分布，对预测数据x^*，预测结果y^*的概率分布确定公式为：

P(y^*|Data,x^*)＝∫_wP(y^*|w,x^*)P(w|Data)dw

预测结果y^*的值由蒙特卡洛抽样法从预测结果y^*的概率分布中抽选出。

进一步，所述步骤S4中，具体包括以下步骤：

S4.1.收集同一地区其他钻井的压力系数曲线，运用小波去噪技术获得其去噪后的压力系数样本数据集

并在27米深度窗内计算其斜率k即步骤S3中的地层压力系数，压力系数均值m以及其与去噪前压力系数样本数据集的方差σ：

其中，h_i为压力系数y_i对应的井深，

为27米内平均深度，为27米内平均压力系数，n是27米窗口内的样本数据个数；

S4.2.以斜率k，方差σ以及去噪后的压力系数样本数据均值m作为输入，专家划分的地层压力类型标签，包括高压，压力过渡带即高压出入带，常压作为输出，建立随机森林模型进行训练；

S4.3.在钻进过程中，以钻头所处点之前27m为一个深度窗计算斜率k，方差σ以及去噪后的压力系数样本数据均值m，将其作为步骤S4.2训练好的随机森林模型的输入，对当前地层的压力类型进行识别。

与现有技术相比，本发明具有以下有益效果：

(1)钻进参数相较于其他参数，在钻进现场极易得到，目前很少有基于钻进参数建立数据驱动的地层压力智能软计算模型；

(2)此方法结合机理模型与智能模型，既发挥了机理模型的特点，利用其计算出与地层压力精密相关的中间参数(包括地层可钻性参数，岩石强度参数与水力机械比能参数)，又发挥了智能模型的优点，通过不断更新来在线调整软测量模型参数，使其更有效地适应复杂地层；

(3)不需要建立正常趋势线，不需要特别选取连续正常压实的泥页岩地层进行回归；

(4)克服了传统地层压力监测方法不能适应新的钻井工具与技术的难题，有效提高地层压力监测精度。

附图说明

图1是本发明一种地质地层压力智能随钻软测量方法实施例中采集钻井数据的钻井图；

图2是本发明一种地质地层压力智能随钻软测量方法实施例中总体流程图；

图3是本发明一种地质地层压力智能随钻软测量方法实施例中的Bayes线性模型预测图；

图4是本发明一种地质地层压力智能随钻软测量方法实施例中地层压力系数曲线图；

图5是本发明一种地质地层压力智能随钻软测量方法实施例中压力类型识别结果图；

图6是本发明一种地质地层压力智能随钻软测量方法的流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地描述。

请参考图2，本发明的实施例提供了一种地质地层压力智能随钻软测量方法，包括以下步骤：

S1.如图1所示采集钻井数据，对获得的钻井数据进行分析，选出与地层压力紧密相关的数据，利用皮尔逊相关性分析法选出与地层压力紧密相关的钻井数据集；与地层压力紧密相关的数据包括流速，钻压与泥浆密度，计算得皮尔逊相关系数分别为-0.94，-0.87与0.94，皮尔逊相关性系数的公式为：

式中，N是数据集的个数，x_i是输入参数，y_i是地层压力数据，ρ_XY是每个输入参数与地层压力之间的Pearson相关性系数。

S2.在获得样本数据集的基础上，建立地层可钻性模型、岩石强度模型与水力机械比能模型，求取地层可钻性参数，岩石强度参数与水力机械比能参数等中间参数的公式为：

X_t0＝F×[(0.1WOB)^0.5×T^0.25×N^0.25]/0.3937A_b

式中：ROP为钻速，N为转速，WOB为钻压，A_b为与钻头面积，T为扭矩，MW为泥浆密度，Q为流量，TFA为钻头总流面积，JSA为钻头射流面积，K是液压能量衰减系数，F是钻井液液柱围压与岩屑重切影响系数。

S3.基于步骤S2得到的地层可钻性系数，岩石强度系数和水力机械比能系数，结合步骤S1得到的与地层压力相关的钻井参数，建立贝叶斯线性模型计算地层压力，具体包括以下步骤：

S3.1.样本数据归一化处理，归一化处理的公式为：

其中，x_norm是归一化后的数据集，x是归一化前的数据集，x_min是数据集中最小的数据，x_max是数据集中最大的数据；

S3.2.建立贝叶斯线性模型，计算当前样本数据集下的地层压力系数概率分布：

y＝f(X)+ε

f(X)＝X^Tw

其中，

X＝(x₁,x₂...x_N)^T，Y＝(y₁,y₂...y_N)^T，x_i为输入特征属性，P(Yw,X)P(w)取最大值时对应的y_i为输出的地层压力系数，σ_n为残差ε的方差，P(w)为预先给定权重系数，即先验，通常选择均值为0，方差为σ_w的正态分布。对预测数据x^*，预测结果y^*的概率分布公式为：

P(y^*|Data,x^*)＝∫_wP(y^*|w,x^*)P(w|Data)dw

预测结果y^*的值由蒙特卡洛抽样法从y^*的概率分布中抽选出。

S4.建立随机森林模型判别当前地层压力类型，并对压力过渡带与高压带做出预警，具体包括以下步骤：

S4.1.收集同一地区其他钻井的压力系数曲线，运用小波去噪技术获得其去噪后的压力系数样本数据集

并在27米深度窗内计算其斜率k即步骤s3中的地层压力系数，压力系数均值m以及其与去噪前的压力系数样本数据集的方差σ：

其中，h_i为压力系数y_i对应的井深，

为27米内平均深度，

为27米内平均压力系数；

S4.2.以斜率k，方差σ以及去噪后的样本数据均值m作为输入，专家划分的地层压力类型标签，包括高压，压力过渡带即高压出入带，常压作为输出，建立随机森林模型进行训练；

S4.3.在钻进过程中，以钻头所处点之前27m为一个深度窗计算斜率k，方差σ以及去噪后的压力系数样本数据均值m，将其作为步骤S4.2训练好的随机森林模型的输入，其输出的标签即是当前地层的压力类型，从而完成了当前地层的压力类型识别。

本发明将通过融合地层压力机理模型与智能模型，建立了一种复杂地质地层压力智能随钻软测量方法，利用实时钻井数据如钻压、转速、流量来监测当前地层压力，既发挥了机理模型的特点，利用其计算出与地层压力精密相关的中间参数，又发挥了智能模型的优点，通过不断更新来在线调整软测量模型，使其更有效地适应复杂地层。此外，此方法不需要建立正常趋势线，克服了传统地层压力监测方法不能适应新的钻井工具与技术的难题，有效提高地层压力监测精度，为复杂地质钻进过程智能控制打下了良好的基础。有利于在实际生产中应用。

本发明一种地质地层压力智能随钻软测量方法提供了以下具体实施例1：

一种地质地层压力智能随钻软测量方法，首先，对通过图1获得的钻井数据进行分析，选出与地层压力紧密相关的数据，利用皮尔逊相关性分析法选出与地层压力紧密相关的钻井数据集，建立地层可钻性模型、岩石强度模型与水力机械比能模型来计算地层可钻性参数，岩石强度参数与水力机械比能参数等中间参数。将选出的钻井数据集与中间参数作为输入，在获得样本数据集的基础上进行归一化处理，建立贝叶斯线性模型计算当前地层压力，最后随机森林模型判别当前地层压力类型，并对压力过渡带与高压带做出预警。此方法使用实际钻井数据进行仿真验证。具体步骤如下：

(1)原始样本数据包括井深，钻压，转速，钻速，钻头直径，泥浆密度，流量及钻头参数等共214组测井数据组成，利用皮尔逊相关性分析，选出流速，钻压与泥浆密度三种与地层压力最相关的数据；

(2)在获得样本数据集的基础上，建立地层可钻性模型、岩石强度模型与水力机械比能模型，计算得到地层可钻性参数，岩石强度参数与水力机械比能参数，将其与基于步骤(1)所得到的三种参数及深度一起作为输入，表1为部分原始输入数据；

表1部分原始输入数据

(3)基于步骤S2得到的地层可钻性系数，岩石强度系数和水力机械比能系数，结合步骤S1得到的与地层压力相关的钻井参数，建立贝叶斯线性模型计算地层压力，以每500米为一个深度窗口进行更新。训练集包括钻头以上600米的数据。例如，利用前300米预测钻头以下300米的地层压力系数，在第600米时，利用前600个数据预测钻头以下300米的地层压力系数，再以300米至900米的数据进行训练，预测钻头以下300米的数据，以此类推。其结果记录在图4中，将其与传统的Sigma法，Dc指数法及最新的水利机械比能法(Energy)等机理方法相比，可以看出所提出的方法获得的结果十分接近真实值。(黑色点为地层压力测量仪实际测量点)。

(4)建立随机森林模型判别当前地层压力类型，并对压力过渡带与高压带做出预警。利用图5所示的四口井(从左至右依次为Chal井,Jing_1井,FS5井，Bornadi井)，计算其当前点前27m范围(一般隔27米提钻)内地层压力的斜率k，方差σ以及去噪后的样本数据

以其它三口井(Chal井,Jing_1井,FS5井)的数据进行训练，以当前井(Bornadi井)的数据进行测试，其结果记录在图6中。另外，为验证所提出方法的有效性，分别以其他三口井的数据进行训练，对Jing_1井及FS5井的压力类型也进行了分类，其结果记录在图5中(其中Chal井因为含有低压数据，只作为训练集进行训练)。

在不冲突的情况下，本文中上述实施例及实施例中的特征可以相互结合。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种地质地层压力智能随钻软测量方法，其特征在于，包括以下步骤：

S1.采集钻井数据，利用皮尔逊相关性分析法对获得的钻井数据进行分析，选出三种与地层压力最相关的钻井数据集；

S2.建立地层可钻性模型、岩石强度模型与水力机械比能模型来计算中间参数，包括地层可钻性参数，岩石强度参数与水力机械比能参数；

S3.将S1选出的钻井数据集与S2的中间参数作为样本数据集，对样本数据集进行归一化处理，并建立贝叶斯线性模型计算当前地层压力系数；

S4.建立随机森林模型判别当前地层压力类型，并对压力过渡带与高压带做出预警。

2.根据权利要求1所述的一种地质地层压力智能随钻软测量方法，其特征在于，所述步骤S1中，皮尔逊相关性系数的公式为：

其中，N是钻井数据集的个数，x_i是输入参数，y_i是地层压力数据，ρ_XY是每个输入参数与地层压力之间的Pearson相关性系数，Pearson相关性系数绝对值越大说明钻井数据与地层压力越相关。

3.根据权利要求1所述的一种地质地层压力智能随钻软测量方法，其特征在于，所述根据Pearson相关性系数绝对值选出的钻井数据集包括流速，钻压与泥浆密度。

4.根据权利要求1所述的一种地质地层压力智能随钻软测量方法，其特征在于，所述步骤S2中，地层可钻性参数、岩石强度参数与水力机械比能参数计算模型分别为：

X_t0＝F×[(0.1WOB)^0.5×T^0.25×N^0.25]/0.3937A_b

式中：ROP为钻速，N为转速，WOB为钻压，A_b为与钻头面积，T为扭矩，MW为泥浆密度，Q为流量，TFA为钻头总流面积，为钻头射流面积，K是液压能量衰减系数，F是钻井液液柱围压与岩屑重切影响系数。

5.根据权利要求1所述的一种地质地层压力智能随钻软测量方法，其特征在于，所述步骤S3中，具体包括以下步骤：

S3.1.对样本数据集进行归一化处理，归一化处理的公式为：

其中，x_norm是归一化后的数据，x是归一化前的数据，x_min是样本数据集中最小的数据，x_max是样本数据集中最大的数据；

S3.2.建立贝叶斯线性模型，计算当前样本数据集下的地层压力系数概率分布：

y＝f(X)+ε

f(X)＝X^Tw

其中

X＝(x₁,x₂...x_N)^T，Y＝(y₁,y₂...y_N)^T，x_i为输入特征属性即归一化后的样本数据集，P(Y|w,X)P(w)取最大值时对应的y_i为输出的地层压力系数，σ_n为残差ε的方差，P(w)为预先给定权重系数，选择均值为0，方差为的正态σ_w分布，对预测数据x^*，预测结果y^*的概率分布公式为：

P(y^*|Data,x^*)＝∫_wP(y^*|w,x^*)P(w|Data)dw

预测结果y^*的值由蒙特卡洛抽样法从y^*的概率分布中抽选出。

6.根据权利要求1所述的一种地质地层压力智能随钻软测量方法，其特征在于，所述步骤S4中，具体包括以下步骤：

S4.1.收集同一地区其他钻井的压力系数曲线，运用小波去噪技术获得其去噪后的压力系数样本数据集

并在27米深度窗内计算其斜率k即步骤S3中的地层压力系数，压力系数均值m以及其与去噪前数据集的方差σ，

其中，h_i为压力系数y_i对应的井深，

为27米内平均深度，

为27米内平均压力系数；

S4.2.以斜率k，方差σ以及去噪后的样本数据均值m作为输入，专家划分的地层压力类型标签，包括高压，压力过渡带即高压出入带，常压作为输出，建立随机森林模型进行训练；

S4.3.在钻进过程中，以钻头所处点之前27m为一个深度窗计算斜率k，方差σ以及去噪后的压力系数样本数据均值m，将其作为步骤S4.2训练好的随机森林模型的输入，对当前地层的压力类型进行识别。

Images