CN112800689A - 一种基于人工蜂群算法的控压钻井井身结构设计方法 - Google Patents

Abstract

本发明属于油气钻井领域，具体公开了一种控压钻井井身结构设计方法，针对目前控压钻井井身结构设计需依赖人工经验确定裸眼井段最优的控压参数及井筒ECD剖面而导致的工作量大、设计缺乏科学依据、结果可靠性难以保障的问题，通过引入人工蜂群智能算法，高效处理分析不同控压参数条件下的井筒ECD剖面样本，准确优选裸眼井段最佳控压参数及井筒ECD剖面，为控压钻井井身结构设计提供科学依据。

Description

一种基于人工蜂群算法的控压钻井井身结构设计方法

技术领域

本发明属于油气钻井领域，具体涉及一种基于人工蜂群算法的控压钻井井身结构设计方法。

背景技术

控制压力钻井（简称控压钻井），是提高深水钻井和深层窄密度窗口地层钻井安全和效率的有力手段。控压钻井根据其控制压力方式的不同，分为双梯度控压、井底恒压等多种。其中，深水双梯度钻井方式，井筒ECD剖面为井筒ECD沿井深的分布曲线，由于其控压条件下的井筒ECD剖面与常规地层压力剖面走向一致，可显著优化井身结构；井底恒压钻井方式，由于起下钻等施工过程中，通过调节井口回压维持井底压力及ECD与地层孔隙压力平衡，可间接拓宽安全钻井液密度窗口，也具有优化井身结构的潜力。可见，控压钻井方式使井身结构得以优化的根本原因在于：通过调节控压参数控制井筒ECD剖面，使之与地层压力剖面相匹配或平衡地层孔隙压力，这与常规钻井方式的井身结构设计所采用的静态钻井液当量密度有明显区别。显然，针对裸眼井段选择合适的控压参数并得到最优的井筒ECD剖面，是控压钻井井身结构优化设计的关键之一。然而，在目前的控压钻井井身结构设计实践中，还需要依靠人工经验来确定“合理”的控压参数及“最优”的井筒ECD剖面，不仅工作量大，井身结构设计结果的准确性还很大程度上取决于人为因素和所计算的不同控压参数的样本数，缺乏科学性和效率。因此，有必要针对控压钻井的特点和井身结构设计的实际需求，基于智能算法提出裸眼井段优选控压参数及井筒ECD剖面的方法以及基于此的控压钻井井身结构设计方法，从而提高设计效率和设计结果的准确性。

发明内容

本发明所要解决的技术问题是提供一种控压钻井井身结构设计方法，针对目前控压钻井井身结构设计需依赖人工经验确定裸眼井段最优的控压参数及井筒ECD剖面而导致的工作量大、设计缺乏科学依据、结果可靠性难以保障的问题，通过引入人工蜂群智能算法，高效处理分析不同控压参数条件下的井筒ECD剖面样本，准确优选裸眼井段最佳控压参数及井筒ECD剖面，为控压钻井井身结构设计提供科学依据。

为了解决上述问题，本发明公开了一种基于人工蜂群算法的控压钻井井身结构设计方法，该方法包括以下步骤：

定义井筒ECD剖面为井筒ECD沿井深的分布曲线。

（一）.地质必封点确定：依据地质资料，确定必封层位；

（二）.安全压力窗口确定：根据钻前地层孔隙压力、地层破裂压力以及地层坍塌压力的预测结果，依据区域井身结构设计系数，确定安全压力窗口，设定井深H处的安全压力窗口的下限为ρ _下(H)，上限为ρ _上(H)；

（三）.控压参数可调范围确定：

控压参数对井筒ECD剖面有直接影响，根据不同控压钻井方式的控压特点及实际工况确定一个或多个控压参数K _i （i=1,2，……），以及各控压参数的可调范围：

K _L≤K _i ≤K _H

其中，K _i 为第i个控压参数,K _L为控压参数的下限,K _H为控压参数的上限；

不同的控压钻井方式的控压参数也不一样；另一方面，不同的控压设备的控压参数可调范围也不一样。比如：井底恒压控压钻井方式，控压参数主要有钻井液密度、井口回压。CML双梯度控压钻井方式，控压参数主要有泥浆泵安装位置、泥浆液面深度、排量。

（四）.不同控压条件下的井筒ECD计算:

在步骤三中的各控压参数的可调范围内，利用井筒ECD计算模型，可计算不同控压条件下的井筒ECD剖面，其中所述的ECD计算模型指的是ECD的算法，也可以称为井筒压力（场）计算、钻井水力学计算、循环当量密度计算、当量循环密度计算，为成熟的现有技术。

控压参数组合方案X _j 条件下的井筒ECD为井深H的函数：

ECD (H) _Xj =f (K _i , H) （1）

其中，ECD (H) _Xj 为控压参数组合方案X _j 条件下的井筒ECD；K _i 为控压参数组合方案X_j条件下各控压参数。控压参数组合方案X_j为1个或多个控压参数分别取一个值所组成的组合方案。

（五）.基于人工蜂群算法的裸眼井段最优控压参数及套管下深确定，其中所述的最优控压参数指裸眼井段最大下深对应的控压参数。

在步骤二所确定的安全压力窗口[ρ _下(H), ρ _上(H)]内，在一定的控压参数组合方案X_j条件下，井筒ECD剖面的最大安全井深H_{1, Xj} 可表示为：

H_1,Xj=f ^-1(ECD (H) _Xj ) （2）

其中，ECD (H) _Xj 为控压参数组合方案X_j条件下的井筒ECD，它是井深H的函数；X _j 为第j个控压参数的组合方案，j=1,2，……。

对于某一控压参数组合方案X_j，裸眼井段内井深H _i 处的井筒ECD剖面满足：ρ _下(H _i )≤ ECD (H _i ) _Xj ≤ ρ _上(H _i )。

其中ECD (H _i ) _Xj 为某一控压参数组合方案X_j，裸眼井段内井深H _i 处的井筒ECD剖面。

则，裸眼井段的套管最大下深H₁为：

H₁=max (H_1,Xj)=max ( f ^-1(ECD (H) _Xj ))=max (f ^-1(f (K _i , H))= H_1,Xj0 （3）

其中，X_j0为套管最大下深对应的控压参数组合方案。

则，该裸眼井段的最大套管下深为H₁所对应的控压参数组合方案X_j0。

以上为裸眼井段套管下深及最优控压参数的基本计算方法，但由于控压参数的种类往往多于2个，且各控压参数的组合方案较多（精度要求越高，各控压参数的计算样本越多，组合方案越多），不同参数组合方案下的井筒ECD剖面差异也较大，极大降低了计算效率。为此，引入人工蜂群算法，对套管最大下深H₁及其对应的最优控压参数组合方案进行高效寻优。

人工蜂群算法基本步骤描述如下：

S1、 初始化种群：确定蜂群总数SN、引领蜂与跟随蜂数量（一般同时设为SN/2）、最大迭代次数MCN与控制参数Limit、确定目标函数H=f ^-1(f (K _i , H))、各参数搜索范围{K _L≤K _i ≤K _H； ρ _下(H _i ) ≤ ECD(H _i ) _Xj ≤ ρ _上(H _i )，H _i ∈[H ₀ ,H _end ]}、并在搜索范围内随机生成初始解

，所述的初始解即人工蜂群算法中的侦查蜂，解指控压参数组合方案。引领蜂和跟随蜂指前文各控压钻井参数组合方案；最大迭代次数和控制参数需要根据实际计算需求进行设定，一般最大迭代次数设为10000，控制参数设定为20。H₀为安全钻井密度窗口最小深度，H_end为安全钻井密度窗口最大深度，其中H₀与H_end可通过安全压力窗口[ρ _下(H),ρ _上(H)]得出，为本领域的公知常识。

S2、 计算并评估每个初始解的适应度，本发明因为是最大值优化问题，所以适应度函数fitness设为目标函数H=f ^-1(f (K _i , H))本身，将目标函数的解即适应度值的最大输出结果作为本算法的优化目标。

S3、 引领蜂利用公式（4）对邻域进行搜索，得到新的解，按照贪婪选择原则，如果新的解的适应度大于原先解的适应度，则用新的解更新原解，否则，保持原解不变；随着优化步骤的迭代进行，初始解会随着适应度最优搜索解的出现被替换，而迭代的反复进行，重新搜索的解若适应度高于原有解，则将新解对原有解进行替换。当所有引领蜂完成邻域搜索后，根据式（5）计算概率P_j。

（4）

（5）

式中，K_i(Xj)指第j个蜂群个体第i维的参数，即第j个控压参数组合方案X_j的第i个控压参数的值；同理，K_i（Xj´）指第j´个蜂群个体第i维的参数，即第j´个控压参数组合方案X_j´的第i个控压参数的值，

为在X_j附近产生的一个新的解，

为控压参数组合方案

中第i个控压参数的值，具体的，通过公式（4）求取新的解的第i个控压参数的值，为了控制收敛速度，对每一个蜂群个体每一次迭代仅随机选取一个控压参数进行搜索，更换X_j中第i个控压参数的值为公式（4）求取的值

后得到新的解

，若得到的新的解的拟合度高于原解，则将新解对原有解进行替换；

，

且

，

，D为问题的维数，即指控压参数的种类；

为[-1,1]之间的随机数；

为第j个解的适应度值；P_j为跟随蜂选择第j个引领蜂的概率。

S4、跟随蜂利用算得的概率P_j并基于轮盘赌原则选择引领蜂，当跟随蜂完成引领蜂的选择后，利用式（4）对邻域搜索，同样按照贪婪选择原则选择适应度高的解。

S5、判断是否有要放弃的解，如果某引领蜂在Limit次迭代后，结果都没有改变，即最优的解都没有发生改变，则由引领蜂变为侦察蜂，并按照公式（6）随机产生一个新的解取代原解。

（6）

式中，

，

与

分别表示第i个控压参数的组合方案的上下顶界，因为每个解中包含一个或多个控压参数，K_imax－K_imin为第i个控压参数的上下顶界求差值后得到的控压参数变化幅度，即通过公式6中将每个控压参数进行分别运算后得到新的解的每个控压参数K_i（Xj）后组成新的解。

S6、 记录到目前为止的蜂群的最优解，即适应度最高的解。

S7、 如果当前迭代次数大于最大次数MCN，则迭代结束，算法结束；否则转向步骤S2，Cycle=Cycle+1，即迭代次数+1。本步骤指整个蜂群的整体循环迭代一次；步骤S5指蜂群中的某一引领蜂个体循环迭代的次数。

发明内容中提供的效果仅仅是实施例的效果，而不是发明所有的全部效果，上述技术方案中的一个技术方案具有如下优点或有益效果：

针对目前控压钻井井身结构设计需依赖人工经验确定裸眼井段最优的控压参数及井筒ECD剖面而导致的工作量大、设计缺乏科学依据、结果可靠性难以保障的问题，通过引入人工蜂群智能算法，高效处理分析不同控压参数条件下的井筒ECD剖面样本，准确优选裸眼井段最佳控压参数及井筒ECD剖面，不但减轻了设计人员的计算工作量，而且提高了设计过程的科学性和设计结果准确性。

附图说明

图1为裸眼井段不同控压参数条件下井筒ECD分布及套管最大下深确定示意图。

图2为A井地层压力剖面及控压条件下井身结构设计示意图。

图3为A井第二层套管最大下深寻优结果图。

具体实施方式

A井地层孔隙压力和地层破裂压力信息如图2所示，目的井深6600m。该地区地质必封点主要为200m处松散砾石层和1700m处易漏失地层，井身结构设计系数如下：抽吸压力系数为0.036 g/cm³，激动压力系数为0.036 g/cm³，破裂压力安全系数为0.024 g/cm³，井涌允量为0.06 g/cm³，压差卡钻系数为22 MPa。该井上部常规地层（1700m以上）采用常规钻井方式钻进，下部复杂压力系统地层采用井底恒压控压钻井方式钻进，控压参数主要为钻井液密度和井口回压，其中，A井井口控压设备的最大控压值为5 MPa。

地质必封点确定。依据A井资料，确定必封层位为200m和1700m。

安全压力窗口确定。根据已有的地层孔隙压力和地层破裂压力剖面，依据该地区的井身结构设计系数，可以确定A井的安全压力窗口，如图2所示。

控压参数可调范围确定。

由于采用井底恒压控压钻井方式，控压参数为钻井液密度和井口回压。

钻井液密度的可调范围需根据安全压力窗口分开次进行确定，以裸眼井段安全压力窗口下限的最小值为钻井液密度的可调范围下限，裸眼井段安全压力窗口上限的最小值为钻井液密度的可调范围上限。

根据该井的资料，1700m以上为常规钻井方式，1700m（即第一层技术套管）以下开始采用控压钻井方式。以1700m以下裸眼井段为例，该裸眼井段安全压力窗口下限的最小值为1.18 g/cm³，安全压力窗口上限的最小值为1.47 g/cm³，则该裸眼井段钻井液密度的可调范围为：1.18~1.47 g/cm³。

井口回压的可调范围与控压装备的性能有关，则A井的井口回压可调范围为0~5MPa。

不同控压条件下的井筒ECD计算。

在步骤3中设计的各控压参数的可调范围内，利用井筒ECD计算模型，可计算不同控压条件下的井筒ECD剖面。

控压参数组合方案X_j条件下的井筒ECD为井深H的函数：

ECD (H) _Xj =f (ρ _d, P _井口, H)

其中，ECD (H) _Xj 为控压参数组合方案X_j条件下的井筒ECD；ρ _d为静态钻井液密度，1.18~1.47 g/cm³；P _井口为井口回压，0~5 MPa。

基于人工蜂群算法的裸眼井段最优控压参数及套管下深确定。

在步骤2所确定的安全压力窗口[ρ _下(H), ρ _上(H)]内（图2所示，安全压力窗口下限为ρ _下(H)，安全压力窗口上限为ρ _上(H)），利用人工蜂群算法对裸眼井段的套管最大下深H₁及其对应的最优控压参数组合方案进行高效寻优。

算法步骤如下：

步骤（1）初始化蜂群：蜂群总数SN为50；其中引领蜂与跟随蜂数量均为25；各蜂群个体维数为2，即指控压参数的种类为2，即钻井液密度ρ _d和井口回压P _井口；最大迭代次数MCN为1000；控制参数Limit为20；当前迭代次数Cycle为1；目标函数为H=f ^-1(f (ρ _d, P _井口, H))，各参数搜索范围为{ρ _d（1.18~1.47 g/cm³）、P _井口（0~5 MPa）、ρ _下(H _i ) ≤ ECD(H _i ) _Xj ≤ ρ _上(H _i )，H _i ∈[1700,H _Xj ]}。

步骤（2）：计算并评估每个初始解的适应度，适应度函数fitness设为目标函数H=f ^-1(f (ρ _d, P _井口, H))。

步骤（3）：引领蜂利用公式（4）对各维参数邻域进行搜索，得到新的解，按照贪婪选择原则，对原解进行更新。当所有引领蜂完成邻域搜索后，根据式（5）计算概率P_i。

步骤（4）：跟随蜂利用算得的概率

并基于轮盘赌原则选择引领蜂，当跟随蜂完成引领蜂的选择后，利用式（4）对邻域搜索，同样按照贪婪选择原则选择适应度高的解。

步骤（5）判断是否有要放弃的解：如果某引领蜂在20次迭代后，最优的解都没有改变，则由引领蜂变为侦察蜂，并按照公式（6）随机产生一个新的解取代原解。

步骤（6）：记录到目前为止的蜂群的最优解。

步骤（7）：如果当前迭代次数大于最大次数1000，则迭代结束，算法结束；否则转向步骤（2），Cycle=Cycle+1。

以1700m以下裸眼井段为例，通过人工蜂群算法对控压参数进行组合寻优（如图3所示）发现该开次最大下深稳定在3685m附近，该方案下的最优控压参数为：ρ _d=1.44 g/cm³，P _井口=1.3 MPa，该控压参数条件下的裸眼井段ECD如图2所示，其对应的套管最大下深为3685m，即第二层技术套管的设计下深。

同样地，可以分别得到第三层技术套管的设计下深为5260m，对应的控压参数为：ρ _d=1.51 g/cm³，P _井口=5 MPa；生产套管下深为6600m，对应的控压参数为：ρ _d=1.45 g/cm³，P _井口=2 MPa。

井身结构设计结果及各开次控压参数如表1所示。

表1 A井井身结构设计结果及各开次控压参数

Claims (3)

1.一种基于人工蜂群算法的控压钻井井身结构设计方法，其特征在于，该方法包括以下步骤：

（一）、地质必封点确定：依据地质资料，确定必封层位；

（二）、安全压力窗口确定：根据钻前地层孔隙压力、地层破裂压力以及地层坍塌压力的预测结果，依据区域井身结构设计系数，确定安全压力窗口，设定井深H处的安全压力窗口的下限为ρ下(H)，上限为ρ上(H)；

（三）、控压参数可调范围确定：

根据不同控压钻井方式的控压特点及实际工况确定一个或多个控压参数K _i （i=1,2，……），以及各控压参数的可调范围：

K _L≤K _i ≤K _H

其中，K _i 为第i个控压参数，K _L为控压参数的下限,K _H为控压参数的上限；

（四）、不同控压条件下的井筒ECD计算:

在步骤三中的各控压参数的可调范围内，利用井筒ECD计算模型，可计算不同控压条件下的井筒ECD剖面;

控压参数组合方案X _j 条件下的井筒ECD为井深H的函数：

ECD (H) _Xj =f (K _i ,H) （1）

其中，ECD (H) _Xj 为控压参数组合方案X _j 条件下的井筒ECD；K _i 为控压参数组合方案X_j条件下各控压参数；

（五）、基于人工蜂群算法的裸眼井段最优控压参数及套管下深确定：

在步骤二所确定的安全压力窗口[ρ _下(H), ρ _上(H)]内，在一定的控压参数组合方案X_j条件下，井筒ECD剖面的最大安全井深H_{1, Xj} 可表示为：

H_1,Xj=f ^-1(ECD (H) _Xj ) （2）

其中，ECD (H) _Xj 为控压参数组合方案X_j条件下的井筒ECD，它是井深H的函数；X _j 为第j个控压参数的组合方案，j=1,2，……；

对于某一控压参数组合方案X_j，裸眼井段内井深H _i 处的井筒ECD剖面满足：ρ _下(H _i ) ≤ECD (H _i ) _Xj ≤ρ _上(H _i )；

则，裸眼井段的套管最大下深H₁为：

H₁=max (H_1,Xj)=max ( f ^-1(ECD (H) _Xj ))=max (f ^-1(f (K _i ,H))= H_1,Xj0（3）

其中，X_j0为套管最大下深对应的控压参数组合方案；

则，该裸眼井段的最大套管下深为H₁所对应的控压参数组合方案X_j0；

引入人工蜂群算法，对套管最大下深H₁及其对应的最优控压参数组合方案进行高效寻优：

人工蜂群算法基本步骤描述如下：

S1、初始化种群：确定蜂群总数SN、引领蜂与跟随蜂数量、最大迭代次数MCN与控制参数Limit，当前迭代次数Cycle为1；确定目标函数H=f ^-1(f (K _i ,H))、各参数搜索范围{K _L≤K _i ≤K _H；ρ _下(H _i ) ≤ECD(H _i ) _Xj ≤ρ _上(H _i )，H _i ∈[H ₀ ,H _end ]}、并在搜索范围内随机生成初始解

，所述的初始解即人工蜂群算法中的侦查蜂，解指控压参数组合方案，H₀为安全钻井密度窗口最小深度，H_end为安全钻井密度窗口最大深度；

S2、计算并评估每个初始解的适应度，适应度函数fitness设为目标函数H=f ^-1(f (K _i ,H))本身；

S3、引领蜂利用公式（4）对邻域进行搜索，得到新的解，按照贪婪选择原则，如果新的解的适应度大于原解的适应度，则用新的解更新原解，否则，保持原解不变；当所有引领蜂完成邻域搜索后，根据式（5）计算概率P_j；

（4）

（5）

式中，K_i(Xj)指第j个蜂群个体第i维的参数，即第j个控压参数组合方案X_j的第i个控压参数的值；同理，K_i（Xj´）指第j´个蜂群个体第i维的参数，即第j´个控压参数组合方案X_j´的第i个控压参数的值，

为在X_j附近产生的一个新的解，

为控压参数组合方案

中第i个控压参数的值；对每一个蜂群个体每一次迭代仅随机选取一个控压参数进行搜索，更换X_j中第i个控压参数的值为公式（4）求取的值

后得到新的解

;

，

且

，

，D为问题的维数，即指控压参数的种类；

为[-1,1]之间的随机数；

为第j个解的适应度值；P_j为跟随蜂选择第j个引领蜂的概率；

S4、跟随蜂利用算得的概率P_j并基于轮盘赌原则选择引领蜂，当跟随蜂完成引领蜂的选择后，利用式（4）对邻域搜索，同样按照贪婪选择原则选择适应度高的解；

S5、判断是否有要放弃的解，如果某引领蜂在Limit次迭代后，最优的解都没有发生改变，则由引领蜂变为侦察蜂，并按照公式（6）随机产生一个新的解取代原解；

（6）

式中，

，

与

分别表示第i个控压参数的组合方案的上下顶界，因为每个解中包含一个或多个控压参数，K_imax－K_imin为第i个控压参数的上下顶界求差值后得到的控压参数变化幅度，即通过公式6中将每个控压参数进行分别运算后得到新的解的每个控压参数K_i（Xj）后组成新的解；

S6、记录到目前为止的蜂群的最优解；

S7、如果当前迭代次数大于最大次数MCN，则迭代结束，算法结束；否则转向步骤S2，迭代次数Cycle+1。

2.如权利要求1所述的一种基于人工蜂群算法的控压钻井井身结构设计方法，其特征在于，引领蜂与跟随蜂数量均设为SN/2。

3.如权利要求1或2所述的一种基于人工蜂群算法的控压钻井井身结构设计方法，其特征在于，最大迭代次数设为10000，控制参数设定为20。

Images