CN112989655A - 闸板防喷器剪切性能预测方法、装置、设备及存储介质 - Google Patents
闸板防喷器剪切性能预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112989655A CN112989655A CN202110224004.8A CN202110224004A CN112989655A CN 112989655 A CN112989655 A CN 112989655A CN 202110224004 A CN202110224004 A CN 202110224004A CN 112989655 A CN112989655 A CN 112989655A
- Authority
- CN
- China
- Prior art keywords
- shearing
- model
- blowout preventer
- ram
- shear
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000010008 shearing Methods 0.000 title claims abstract description 222
- 238000000034 method Methods 0.000 title claims abstract description 169
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 238000004458 analytical method Methods 0.000 claims abstract description 95
- 238000004088 simulation Methods 0.000 claims abstract description 82
- 230000008569 process Effects 0.000 claims abstract description 79
- 230000007246 mechanism Effects 0.000 claims abstract description 55
- 239000000463 material Substances 0.000 claims abstract description 31
- 238000013506 data mapping Methods 0.000 claims abstract description 26
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 239000012530 fluid Substances 0.000 claims description 38
- 238000013507 mapping Methods 0.000 claims description 22
- 238000009499 grossing Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000006073 displacement reaction Methods 0.000 claims description 14
- 238000010276 construction Methods 0.000 claims description 12
- 230000008878 coupling Effects 0.000 claims description 12
- 238000010168 coupling process Methods 0.000 claims description 12
- 238000005859 coupling reaction Methods 0.000 claims description 12
- 230000009471 action Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 9
- 230000002706 hydrostatic effect Effects 0.000 claims description 9
- 239000007787 solid Substances 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 5
- 238000005520 cutting process Methods 0.000 claims description 5
- 238000005452 bending Methods 0.000 claims description 3
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 230000001808 coupling effect Effects 0.000 claims description 2
- 239000002699 waste material Substances 0.000 abstract description 6
- 239000003129 oil well Substances 0.000 abstract description 5
- 238000011156 evaluation Methods 0.000 description 17
- 239000010410 layer Substances 0.000 description 17
- 239000011159 matrix material Substances 0.000 description 13
- 238000011160 research Methods 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 239000003795 chemical substances by application Substances 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000005553 drilling Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000007769 metal material Substances 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Algebra (AREA)
- Fluid Mechanics (AREA)
- Mathematical Optimization (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
Abstract
本申请公开了一种闸板防喷器剪切性能预测方法、装置、设备及存储介质,包括:构建防喷器剪切闸板三维物理模型;将模型通过有限元方法进行计算,分析钻杆材料的本构模型、断裂损失准则以及剪切运动载荷与剪切机理形式,获取模型的工作仿真结果;采集反映剪切闸板剪切运动过程和边界受力状态的特征参数并进行预处理;基于工作仿真分析结果、处理后的特征参数、闸板防喷器实际运行环境和各部件间的结构关系,搭建数字孪生数据映射关系,构建数字孪生模型;根据数字孪生模型输出的特征参数数据,通过层次分析法进行剪切性能预测分析。这样开展剪切性能预测分析,可以保证防喷器在使用过程中的安全可靠性,避免油气资源的浪费及不必要的油井事故发生。
Description
技术领域
本发明涉及油气勘探开发领域,特别是涉及一种闸板防喷器剪切性能预测方法、装置、设备及存储介质。
背景技术
随着油气开采向非常规油气、难动用储量油田发展,超深井、高压油气及平衡钻井工艺得到了广泛使用,特别是在欠平衡钻井中,采用井控设备以及时发现和控制溢流、防止井喷、避免油气资源浪费、保护钻井装置以及人身安全。防喷器作为勘探开发高压油气田时防止事故发生和平衡钻井压力的关键井控设备之一,其剪切闸板需具备在必要情况下切断作业管柱的能力,一旦因失效导致无法正常剪断井内管柱从而全封井口,就有可能发生井喷事故并造成巨大的生命财产损失。因此,对防喷器剪切闸板的剪切性能预测的研究显得十分的重要。
目前,对剪切闸板的剪切性能预测的相关研究主要集中在剪切力大小的经验公式分析、数值模拟求解与试验研究等方面,但是公式分析与数值模拟求解中的假设条件往往存在误差,计算的结果相对保守,而试验研究的成本和试验设备条件要求也相对较高,难以还原生产实际。因此,目前已有的方法无法较好的模拟剪切闸板的剪切力大小以及管柱的变形与失效过程,不能对剪切闸板的剪切性能进行准确预测。
发明内容
有鉴于此,本发明的目的在于提供一种闸板防喷器剪切性能预测方法、装置、设备及存储介质,可以克服单一的数值模拟经验公式分析与试验研究无法准确预测其剪切性能的问题。其具体方案如下:
一种闸板防喷器剪切性能预测方法,包括:
构建防喷器剪切闸板三维物理模型;
将构建的所述剪切闸板三维物理模型通过有限元方法进行计算,分析钻杆材料的本构模型、断裂损失准则以及剪切运动载荷与剪切机理形式,获取所述剪切闸板三维物理模型的工作仿真分析结果;
采集反映剪切闸板剪切运动过程和边界受力状态的特征参数并进行预处理;
基于获取的所述工作仿真分析结果、处理后的所述特征参数、闸板防喷器实际运行环境和各部件间的结构关系,搭建数字孪生数据映射关系,构建数字孪生模型;
根据所述数字孪生模型输出的特征参数数据,通过层次分析法对闸板防喷器进行剪切性能预测分析。
优选地,在本发明实施例提供的上述闸板防喷器剪切性能预测方法中,分析钻杆材料的本构模型、断裂损失准则以及剪切运动载荷与剪切机理形式,获取所述剪切闸板三维物理模型的工作仿真分析结果,具体包括:
对剪切闸板所需的剪切力进行理论公式分析,解析钻杆材料的本构模型描述方法,并考虑钻杆的断裂损伤机理形式,得到切换井内管柱所需的理论剪切力;
对剪切闸板在不考虑流体动力情况下的剪切过程进行模拟仿真,添加边界约束条件,综合考虑钻杆位置发生左右偏移、上下偏移以及钻杆与井筒成一定角度作用情况下的闸板剪切效果及剪切机理形式,得到剪切钻杆管柱的破坏状况,反向搜寻钻杆管柱被剪断的临界力;
对剪切闸板在考虑内部流体动力情况下的剪切过程进行模拟仿真,考虑钻杆受拉、钻杆受压以及钻杆受力弯曲变形情况下的闸板剪切机理形式,得到剪切钻杆所需的机械力、作用在执行机构活塞上的环空流体压力的净静水力、在剪切面上复杂流动所产生的流体动力;
运用流固耦合计算方法得到剪切闸板仿真数据。
优选地,在本发明实施例提供的上述闸板防喷器剪切性能预测方法中,运用流固耦合计算方法得到剪切闸板仿真数据,具体包括:
在有限元分析模型的基础上,将剪切闸板在多个离散时间点的不同开度的几何模型导入到流体力学分析软件中进行计算,综合考虑流固耦合作用下的闸板剪切机理以及应力场、流场的影响,建立闸板防喷器的多物理场模型,计算得到作用在闸板上的压力;
将计算得到的压力在剪切闸板水平运动方向上进行整合,计算在剪切闸板闭合时所需的流体动力;
将计算得到的压力沿垂直方向或轴向方向进行整合,计算在剪切闸板关闭时所受的垂直力;
将流体力学模型分析产生的液压推力线性地施加到所述有限元分析模型的机械剪切力上,得到作用在驱动闸板活塞上的总合力;
运用显示动力学模块代码耦合所述有限元分析模型和所述流体力学模型求解器,得到剪切闸板仿真数据。
优选地,在本发明实施例提供的上述闸板防喷器剪切性能预测方法中,采集反映剪切闸板剪切运动过程和边界受力状态的特征参数并进行预处理,具体包括:
在油缸进油口处安装压力传感器,锁紧轴两端安装位移速度传感器;
通过所述压力传感器和所述位移速度传感器对闸板防喷器的特征参数进行采集;所述特征参数包括油缸输入压力、闸板锁紧轴行程以及运动速度;
采用五点三次平滑滤波法对采集的所述特征参数进行降噪平滑预处理。
优选地,在本发明实施例提供的上述闸板防喷器剪切性能预测方法中,基于获取的所述工作仿真分析结果、处理后的所述特征参数、闸板防喷器实际运行环境和各部件间的结构关系,搭建数字孪生数据映射关系,构建数字孪生模型,具体包括:
根据获取的所述工作仿真分析结果和处理后的所述特征参数,拓展出多工况下的样本数据空间,得到不同工况下的运行状态参数数据;
根据所述运行状态参数数据,构建数据代理映射模型;
通过闸板防喷器实际运行环境和各部件间的结构关系,构建防喷器剪切过程整体设备的机理系统模型;
根据所述数据代理映射模型得到的样本数据和所述机理系统模型,搭建数字孪生数据映射关系,完成数字孪生模型的构建。
优选地,在本发明实施例提供的上述闸板防喷器剪切性能预测方法中,通过闸板防喷器实际运行环境和各部件间的结构关系,构建防喷器剪切过程整体设备的机理系统模型,具体包括:
在系统仿真软件中建立剪切闸板、运动活塞以及锁紧轴的运动结构;
通过位移传感器组成闭环系统,模拟剪切闸板从开始运动到剪断钻杆全部过程的受力变化;
对闸板防喷器实际运行环境进行搭建,将闸板受到的阻力设置为运动阻尼器,添加剪切闸板执行器作为液压推力,构建防喷器剪切过程整体设备的机理系统模型。
本发明实施例还提供了一种闸板防喷器剪切性能预测装置,包括:
三维物理模型构建模块,用于构建防喷器剪切闸板三维物理模型;
模型仿真分析处理模块,用于将构建的所述剪切闸板三维物理模型通过有限元方法进行计算,分析钻杆材料的本构模型、断裂损失准则以及剪切运动载荷与剪切机理形式,获取所述剪切闸板三维物理模型的工作仿真分析结果;
数据采集及预处理模块,用于采集反映剪切闸板剪切运动过程和边界受力状态的特征参数并进行预处理;
数字孪生模型构建模块,用于基于获取的所述工作仿真分析结果、处理后的所述特征参数、闸板防喷器实际运行环境和各部件间的结构关系,搭建数字孪生数据映射关系,构建数字孪生模型;
剪切性能预测模块,用于根据所述数字孪生模型输出的特征参数数据,通过层次分析法对闸板防喷器进行剪切性能预测分析。
优选地,在本发明实施例提供的上述闸板防喷器剪切性能预测装置中,所述数字孪生模型构建模块包括:
数据代理映射模型构建单元,用于根据获取的所述工作仿真分析结果和处理后的所述特征参数,拓展出多工况下的样本数据空间,得到不同工况下的运行状态参数数据,根据所述运行状态参数数据,构建数据代理映射模型;
机理系统模型构建单元,用于通过闸板防喷器实际运行环境和各部件间的结构关系,构建防喷器剪切过程整体设备的机理系统模型;
数据映射关系搭建单元,用于根据所述数据代理映射模型得到的样本数据和所述机理系统模型,搭建数字孪生数据映射关系,完成数字孪生模型的构建。
本发明实施例还提供了一种闸板防喷器剪切性能预测设备,包括处理器和存储器,其中,所述处理器执行所述存储器中保存的计算机程序时实现如本发明实施例提供的上述闸板防喷器剪切性能预测方法。
本发明实施例还提供了一种计算机可读存储介质,用于存储计算机程序,其中,所述计算机程序被处理器执行时实现如本发明实施例提供的上述闸板防喷器剪切性能预测方法。
从上述技术方案可以看出,本发明所提供的一种闸板防喷器剪切性能预测方法,包括:构建防喷器剪切闸板三维物理模型;将构建的剪切闸板三维物理模型通过有限元方法进行计算,分析钻杆材料的本构模型、断裂损失准则以及剪切运动载荷与剪切机理形式,获取剪切闸板三维物理模型的工作仿真分析结果;采集反映剪切闸板剪切运动过程和边界受力状态的特征参数并进行预处理;基于获取的工作仿真分析结果、处理后的特征参数、闸板防喷器实际运行环境和各部件间的结构关系,搭建数字孪生数据映射关系,构建数字孪生模型;根据数字孪生模型输出的特征参数数据,通过层次分析法对闸板防喷器进行剪切性能预测分析。
本发明通过构建防喷器剪切闸板的仿真模型进行分析,然后结合现场实际运行数据寻找数据间的映射关系来搭建防喷器剪切性能的数字孪生模型,实现闸板防喷器剪切性能的准确预测评估,保证防喷器在使用过程中的安全可靠性,克服单一的数值模拟经验公式分析与试验研究无法准确预测其剪切性能的问题,从而避免油气资源的浪费以及不必要的油井事故发生。
此外,本发明还针对闸板防喷器剪切性能预测方法提供了相应的装置、设备及计算机可读存储介质,进一步使得上述方法更具有实用性,该装置、设备及计算机可读存储介质具有相应的优点。
附图说明
为了更清楚地说明本发明实施例或相关技术中的技术方案,下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的闸板防喷器剪切性能预测方法的流程图;
图2为本发明实施例提供的闸板防喷器剪切性能预测装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提供一种闸板防喷器剪切性能预测方法,如图1所示,包括以下步骤:
S101、构建防喷器剪切闸板三维物理模型;
具体地,为充分模拟防喷器剪切过程的工况环境,该步骤是以实际防喷器设备的尺寸、形状、结构以及装配等系统几何关系为依据,对防喷器的整体几何物理模型进行构建,从而得到设备的工作情况,部件运动行程,剪切过程显示于一体的物理模型,能够切实反映防喷器剪切闸板的运动过程,该步骤具体可以包括:首先参考现场应用情况采集所需闸板防喷器和井内钻杆的几何尺寸、内部结构以及材料属性等信息,并且闸板采用ISR类型的剪切闸板,然后根据采集的信息,利用三维建模软件构建闸板防喷器物理模型,根据剪切闸板的类型样式来选定其刃倾角、夹角等重要参数,并对剪切闸板关键部位进行着重建模,使其符合实际需求。另外可以在构建物理模型的过程中,添加闸板防喷器工作原理、剪切闸板运动行程以及剪切钻杆过程的模拟演示,提高几何物理模型的还原程度。
S102、将构建的剪切闸板三维物理模型通过有限元方法进行计算,分析钻杆材料的本构模型、断裂损失准则以及剪切运动载荷与剪切机理形式,获取剪切闸板三维物理模型的工作仿真分析结果;
具体地,通过获得剪切闸板物理模型的工作仿真分析结果来对闸板的应力分布以及管柱的变形情况进行分析,分析钻杆材料的本构模型以及断裂准则方式,可以实现对剪切闸板剪切性能的初步预测评估。基于设备关键部件的时效性,针对剪切闸板的运动采用动态分析方法,综合考虑闸板剪切的运动载荷规律,基于多领域建模方法分析闸板剪切机理形式,从而可得到剪切闸板在剪切井内油管时的有效模拟数据,提高数据的准确性。
S103、采集反映剪切闸板剪切运动过程和边界受力状态的特征参数并进行预处理;
在实际应用中,该步骤既可采集反映防喷器剪切闸板剪切运动过程和边界受力状态的特征参数,又可利用降噪与信号增强技术对现场采集信号数据进一步进行处理。
S104、基于获取的工作仿真分析结果、处理后的特征参数、闸板防喷器实际运行环境和各部件间的结构关系,搭建数字孪生数据映射关系,构建数字孪生模型;
具体地,基于获取的工作仿真分析结果、处理后的特征参数,利用模型训练算法提取输入与输出参数之间的非线性关系,可拓展出多工况样本数据空间,为闸板防喷器数字孪生模型提供数据基础;闸板防喷器实际运行环境和各部件间的结构关系可直观反映模型部件之间的数据联动关系,基于扩展出的多工况样本数据空间、闸板防喷器实际运行环境和各部件间的结构关系,可搭建数字孪生数据映射关系,进而实现数字孪生模型的构建。
S105、根据数字孪生模型输出的特征参数数据,通过层次分析法对闸板防喷器进行剪切性能预测分析;
在实际应用中,在进行防喷器剪切性能预测时,通过将监测信号数据与仿真数据进行对比修正并接入数字孪生模型后,可通过数字孪生模型得出的特征参数数据来进行性能评估分析,设定剪切性能评估指标以及相应的评估方法,从而得到闸板防喷器的剪切运行状态,同时结合拓展出的多工况样本数据空间进行下一步的预测分析,实现对闸板防喷器剪切性能的预测评估,有效的解决了单一模型仿真导致的数据不准确以及模型修正预测难的问题,提高了防喷器剪切评估的准确性。
在本发明实施例提供的上述闸板防喷器剪切性能预测方法中,通过构建防喷器剪切闸板的仿真模型进行分析,然后结合现场实际运行数据寻找数据间的映射关系来搭建防喷器剪切性能的数字孪生模型,实现闸板防喷器剪切性能的准确预测评估,保证防喷器在使用过程中的安全可靠性,克服单一的数值模拟经验公式分析与试验研究无法准确预测其剪切性能的问题,从而提高油气田开采的安全性,避免油气资源的浪费以及不必要的油井事故发生。
进一步地,在具体实施时,在本发明实施例提供的上述闸板防喷器剪切性能预测方法中,步骤S102分析钻杆材料的本构模型、断裂损失准则以及剪切运动载荷与剪切机理形式,获取剪切闸板三维物理模型的工作仿真分析结果,具体可以包括:首先,对剪切闸板所需的剪切力进行理论公式分析,解析钻杆材料的本构模型描述方法,并考虑钻杆的断裂损伤机理形式,得到切换井内管柱所需的理论剪切力。在剪切闸板闭合时,利用上、下闸板对井内管柱截面的相对错动来将管柱压扁并切断。因此,假设剪切过程中剪切应力在剪切面内均匀分布,在计算时,当闸板切应力大于井内管柱材料的剪切屈服应力时,管柱便开始发生剪切破坏,另外根据Von Mises屈服准则,切断井内管柱所需的理论剪切力大小可以表示为:
其中,σS为管柱材料的屈服极限,MPa;R、r分别为管柱的外径与内径,mm。
其次,为了提高理论计算的准确性,需要采用仿真计算软件对闸板防喷器在不考虑流体动力情况下的剪切过程进行模拟仿真。首先需要解析钻杆材料的本构模型表述方法,在分析步中利用Johnson-Cook模型来模拟具有高应变率变形的金属材料,方便描述剪切钻杆的材料性能;另外在损伤力学的角度分析,剪切闸板剪切管柱的过程属于剪破坏,可通过有限元分析软件中的Shear Failure进行表征。应用有限元分析软件默认的塑性位移损伤演化定义方法来定义材料的损伤演化准则,可使模型分析运行速度快,有利于模型的收敛,其中损伤部位的等效线性位移达到定值时,失效单元将会移除。
由于闸板防喷器剪切过程是一个极其复杂的动态过程,所以可忽略其他不重要的部件,并以在模型分析中添加边界约束条件的方式来进行代替,综合考虑钻杆位置发生左右偏移、上下偏移以及钻杆与井筒成一定角度等作用情况下的闸板剪切效果及剪切机理形式。例如钻杆管柱处于防喷器井筒内部,只需定义其上、下两端面完全固定即可;剪切闸板在运动的过程中,竖直方向受壳体的支撑不动,而水平方向受两侧油缸液压推力的推动来做合拢运动,因此需要约束其他方向的运动情况,只需保留水平方向上的自由度。另外,此分析不包括对剪切闸板的破坏和塑性变形,闸板建模为理想化(即仅弹性变形)的高强度钢,因此剪切闸板仅需定义材料密度、弹性参数以及阻尼系数。然而被剪切的钻杆管柱在以上参数的基础上,还需要对塑性参数以及剪切损伤演化准则进行定义,从而使模型分析更加收敛,并运用Johnson-Cook强度和破坏模型描述其材料变形属性,其中模型的强度部分考虑了三个方面的影响:材料因变形而硬化;高应变速率硬化;高温软化。在分析过程中,Johnson-Cook模型可反映剪切钻杆过程的偏应力张量和偏应变张量之间的关系,失效应变函数为:
并且描述金属材料在动态载荷下发生塑性流动的经验屈服函数可表示为:
其中,A、B、n、C和m均为材料参数;εp为等效塑性应变。
由于在动态失效过程中,材料失效由塑性应变累积准则来判断,可表示为:
闸板防喷器的工作压力可根据理论公式计算来定义,只需将计算得到的工作压力施加到剪切闸板两端即可,从而得到剪切钻杆管柱的破坏状况,并且反向搜寻钻杆管柱被剪断的临界力大小。
最后,为了提高模型分析的准确度,还需要考虑内部流体对闸板防喷器的影响。其中作用在剪切闸板的总力由三个部分组成,主要包括:剪切钻杆所需的机械力;作用在执行机构活塞上的环空流体压力的净静水力;在剪切面上复杂流动所产生的流体动力。其中,机械力是使钻杆机械变形和剪切所需的力。净静水力是由防喷器腔内流体的环境压力造成的。流体动力是由于流体在剪切闸板的不同倾斜表面周围流动时加速所引起的局部惯性。横向流体动力分量的作用方向与机械力和净静压力相同,而轴向流体动力沿流体流动方向(横向于活塞杆)作用。此处数值模拟工作的重点是计算来自钻杆和环空流体的三个力,这些力作用在与活塞行进方向相反的方向上。因此,需要使用具有高保真度物理和材料模型进行计算模拟,获取闸板剪切运动过程中的载荷作用规律,考虑钻杆受拉、钻杆受压以及钻杆受力弯曲变形等情况下的闸板剪切机理形式,得到剪切钻杆所需的机械力、作用在执行机构活塞上的环空流体压力的净静水力、在剪切面上复杂流动所产生的流体动力,以准确评估剪切闸板的运行情况以及关闭闸板时用以抵抗流体流动并切断钻杆所需的力。
由于剪切闸板在工作过程中会受到机械力、净静水力以及复杂流体动力的综合影响,因此需要运用流固耦合分析方法来定义闸板在不同程度环境下的复杂性,从而提高模型仿真分析的准确性。在剪切力有限元分析模型的基础上,将剪切闸板在多个离散时间点的不同开度的几何模型导入到流体力学分析软件中进行计算,综合考虑流固耦合作用下的闸板剪切机理以及应力场、流场的影响,建立闸板防喷器的多物理场模型,分析得出作用在闸板上的流体动力大小,其中流体力学模型模拟分析可对雷诺平均质量守恒,动量守恒,湍流动能守恒以及耗散率输运方程进行求解,这些求解模拟的目的是为了准确地计算出在剪切闸板关闭时施加在闸板上的水动力。在整个分析过程中,剪切闸板环空中的局部流体流动会随着其流经开放横截面积的减小而加速,并且当闸板开始关闭时,流经管道的流量会继续减少,直到开口被密封时完全停止。在每个离散点的流体力学模型分析案例结束时,对速度矢量和流线进行后处理和检查,以确保求解结果的保真度和适当的收敛性。然后将模型流体分析计算得到的压力在剪切闸板水平运动方向上进行整合,以计算在剪切闸板闭合时所需总力中流体动力的大小;另外,将计算得到的压力沿垂直方向或轴向方向进行整合,以计算在剪切闸板关闭时所受的垂直力。最终将流体力学模型分析产生的液压推力线性地施加到有限元分析模型的机械剪切力上,从而得到作用在驱动闸板活塞上的总合力大小。接下来运用显示动力学模块代码来完全耦合有限元分析模型和流体力学模型求解器,从而解决完整的流体与模型结构相互作用的问题,得到剪切闸板仿真数据。这样可以使有限元分析组件中的流体动力能够随着模拟的进行而在网格单元上动态更新,同样地,随着模拟分析的进行,实体组件的变形与位移将动态地反应在更新的计算流体动力学网格中,从而达到动态耦合的目的,提高模型仿真模拟分析的准确性。
需要注意的是,在执行步骤S102时可以在所建立的剪切闸板三维模型的基础上,根据防喷器闸板的工作原理来对其仿真过程中的边界条件进行设定,根据其工况环境设置多层模拟条件,逐步实现剪切井内钻杆的结构动力学仿真,以及井内流体与流速对防喷器剪切闸板的同时作用仿真模拟过程,利用模型仿真的双向耦合,提高仿真模拟数据输出的准确度。
进一步地,在具体实施时,在本发明实施例提供的上述闸板防喷器剪切性能预测方法中,步骤S103采集反映剪切闸板剪切运动过程和边界受力状态的特征参数并进行预处理,具体可以包括:首先,在油缸进油口处安装压力传感器,锁紧轴两端安装位移速度传感器;然后,通过压力传感器和位移速度传感器对闸板防喷器的特征参数进行采集;特征参数包括油缸输入压力、闸板锁紧轴行程以及运动速度;最后,采用五点三次平滑滤波法对采集的特征参数进行降噪平滑预处理。
需要说明的是,在进行数据采集处理时,由于防喷器结构比较复杂,并且内部密封要求较高,传感器无法安装到设备内部对防喷器剪切闸板直接进行监测,因此只能在闸板防喷器外部直接布置相应的传感器来进行监测采集信号数据。为了提高数据的有效性,数据采集需要包括可表征闸板防喷器工作性能的运行参数,本发明主要在油缸进油口处安装压力传感器,锁紧轴两端安装位移速度传感器,从而对闸板防喷器的油缸输入压力、闸板锁紧轴运动行程以及运动速度等数据参数进行采集。
由于闸板防喷器的实际运行环境比较复杂,采集到的信号数据往往叠加有不规则的噪声,所以数据预处理则是对数据采集系统所采集到的原始状态数据进行平滑处理,消除或减弱干扰的影响,从而提高信号数据曲线的光滑度,其处理原则是既能消除数据中的干扰成分,又可以保持原有的曲线特性不变。常用的平滑处理方法有:平均法、样条函数法以及五点三次平滑法,其中平均法相对简单,滤波效果不好;样条函数法利用样条插值逼近采样点的方法来实现平滑,算法多样,效果较好,但是该方法计算相对复杂,平滑幅度控制较差;五点三次平滑法利用多项式最小二乘逼近来对采样点实行平滑滤波,算法简单,效果也非常好。所以本发明采用五点三次平滑滤波法来对采集到的信号数据进行降噪平滑预处理,去除采集数据中掺杂的噪声、微波等环境干扰信号,提高实验监测信号数据的光滑度,并提取各个信号的特征信息,使其反映闸板运动情况,可实现对闸板运动特征的在线监测,并为后续机理系统模型的数据映射提供支持。
五点三次平滑滤波法的实现原理主要是选择2n+1个等距节点X-n,X-n+1…,X-1,X0,X1…,Xn-1,Xn上的采集数据Y-n,Y-n+1…,Y-1,Y0,Y1…,Yn-1,Yn。另外对Xn再选定两个节点间的等距为h,然后作交换则原节点变为t-n=-n,t-n+1=-n+1,…,t-1=-1,t0=0,t1=1,…,tn=n。
用m次多项式Y=a0+a1t+a2t2+…+amtm来对采集数据进行拟合,然后根据最小二乘法来确定拟合多项式中的a0,a1,a2…,am待定系数,令为使φ(a0,a1,…,am)达到最小,可将其分为对ak(k=0,1,…,m)求偏导,并令其为0,可得方程组该方程组称为正规方程组。
当n=2(5个节点),m=3时,得到一个具体的正规方程组,解出各待定系数,并代入拟合多项式中可得到五点三次平滑公式:
该算法要求节点个数多于5,此时为了对称处理,除了在两端用上式进行计算处理,其余都用式来进行平滑处理,这就相当于在每个子区间上用不同的三次最小二乘法多项式进行平滑计算。由上述推导可知,对于等距节点,五点三次平滑算法公式中只用到采集数据而与节点Xi以及节点间等距离h没有关系,所以将采集的压力、位移以及速度等信号数据代入上式便可以有效的实现降噪平滑处理。
进一步地,在具体实施时,在本发明实施例提供的上述闸板防喷器剪切性能预测方法中,步骤S104基于获取的工作仿真分析结果、处理后的特征参数、闸板防喷器实际运行环境和各部件间的结构关系,搭建数字孪生数据映射关系,构建数字孪生模型,具体可以包括以下步骤:
步骤一、根据获取的工作仿真分析结果和处理后的特征参数,拓展出多工况下的样本数据空间,得到不同工况下的运行状态参数数据;根据运行状态参数数据,构建数据代理映射模型;
需要说明的是,由于闸板防喷器的实际工况比较复杂,通过模拟仿真以及试验采集的数据量无法满足性能评估的需求,因此需要在已有的模型仿真分析以及设备采集的数据基础上,拓展出闸板防喷器其他不同工况下的数据样本空间,从而达到数据代理映射模型构建的数据需求,既可得到在特定工况下闸板防喷器剪切的特征数据,又可预测其他复杂工况下的运行状态参数数据,避免单一工况下的数据量的不足问题,同时为构建闸板防喷器数字孪生模型提供数据支持。数据样本拓展的关键便是训练模型的过程,这需要使用合适的算法来处理闸板防喷器系统中各参数之间的复杂非线性关系。其中,BP(BackPropagation,反向传播)神经网络具有非常强的自组织、自学习、自适应和非线性映射能力,因此本发明采用BP神经网络来构建闸板防喷器剪切系统数据代理映射模型,有效的提取各参数输入与输出之间的非线性关系。
神经网络的结构主要包含输入层、隐藏层以及输出层,每一层的基本单元为神经元,相邻层节点间全连接。输入层接收输入的多维数据X,隐藏层一般为单层或者多层神经元来对输入数据进行特征提取和转换,输出层输出最终的结果Y。一般地,输入层和输出层的节点个数是固定的,隐藏层的数量是可以自由指定的。层与层之间通过权值相乘和偏置量连接起来,并且相邻两层的节点通过全连接方式来连接,即上一层的每个节点都会通过权值w和偏置与下一层每个节点连接。其关系以公式的形式可表示为:
y=f(w,x)
式中,y为输出矩阵;x为输入矩阵;w为权重矩阵;f为非线性激活函数。
在闸板防喷器剪切系统中,油缸输入口压力、闸板锁紧轴行程以及运行速度都是可以直接获得的数据,因此在构建数据映射模型的过程中,应选取以上参数构成输入矩阵;而剪切闸板剪切力、闸板应变量为体现闸板防喷器的重要特性参数,应作为输出矩阵的构成内容。因此在使用BP神经网络算法构建数据模型时,其输入和输出矩阵可表示为:
x=(B,X1,X2,V1,V2)
y=(P,E1,E2)
式中,B为油缸输入口压力的矩阵,MPa;X1,X2为左右闸板锁紧轴行程构成的矩阵,m;V1,V2为闸板锁紧轴运行速度构成的矩阵,m/s;P为剪切闸板剪切力所构成的矩阵,kN;E1,E2为左右闸板的应变量构成的矩阵。
在构建好输入输出矩阵之后,首先初始化各节点的权值和偏置;其次输入训练数据,通过前向传播计算各节点的输出值;然后通过输出值和真实值计算偏差函数,再基于预测的偏差反向传播计算各参数的负梯度;最后更新梯度和偏置。迭代以上步骤直到误差收敛,则BP神经网络模型训练完成,从而可以获得其他工况下的剪切闸板运行参数数据,实现对闸板防喷器多工况运行参数数据样本空间的拓展,为闸板防喷器数字孪生模型提供数据基础,同时也为搭建与机理系统模型之间的数据映射关系提供支持。其中样本空间拓展前后闸板防喷器模型的样本空间如下所示:
Ω={θ1,θ2…,θi}
Ω'={θ1,θ2…,θn}
式中,θ为已知工况下的闸板防喷器模拟仿真与试验得到的数据样本,Ω和Ω'则表示拓展前后机理模型的样本空间,下标为工况的标号,其中i远小于n。
步骤二、通过闸板防喷器实际运行环境和各部件间的结构关系,构建防喷器剪切过程整体设备的机理系统模型;
需要说明的是,该步骤可通过各部件间的系统结构关系来搭建整体设备的机理系统模型,既可来直观反映模型部件之间的数据联动关系,也可通过数据输入的方式来进行模型的辨识修正,提高模型运行参数输出的准确性。
在执行步骤二时,防喷器在工作时会受到振动、液压等多种因素的影响,因此运用系统仿真软件来构建闸板防喷器剪切过程的机理系统模型,提高模型仿真分析的准确度。在仿真软件中建立剪切闸板、运动活塞以及锁紧轴的运动结构,在结构模型中通过位移传感器组成闭环系统,模拟剪切闸板从开始运动到剪断钻杆全部过程的受力变化。闸板防喷器在剪切过程中,剪切闸板在其运动方向上会受到内部环空静水压力以及机械剪力等运动阻力,同时会受到两侧液压缸的液压推力。根据此对闸板防喷器的运行环境进行搭建,将闸板受到的机械剪力、静水压力、流体动力等阻力设置为运动阻尼器,添加剪切闸板执行器作为液压推力,从而构建防喷器剪切过程的机理系统模型有效解决了因防喷器工况环境复杂造成的仿真过程构建难的问题。该步骤通过还原防喷器实际运行环境以及机械构建间运动关系,实现防喷器运行工况环境的机理仿真模拟,一定程度上避免了耦合仿真与现场试验的复杂重复设定操作,从而提升机理系统模型对防喷器运行环境的仿真模拟能力。
步骤三、根据数据代理映射模型得到的样本数据和机理系统模型,搭建数字孪生数据映射关系,完成数字孪生模型的构建。
具体地,以机理系统模型作为闸板防喷器数字孪生的孪生体模型,与数据代理映射模型得到的样本数据来搭建数据映射关系,从而实现闸板防喷器数字孪生模型的构建。
进一步地,在执行步骤S105根据数字孪生模型输出的特征参数数据,通过层次分析法对闸板防喷器进行剪切性能预测分析时,可以对各个模型的数据输出进行对比,并且选取闸板的剪切行程大小、闸板变形量以及井内钻杆的应力应变变化曲线作为评价指标,以构建的数字孪生模型作为预测模型,利用层次分析法进行性能预测评估,该方法是一种将定性与定量分析方法相结合的多目标决策分析方法,主要思想是通过将复杂问题分解为若干层次和若干因素,采用标度法对指标之间的重要程度做出两两比较,建立判断矩阵,并通过一致性检验,可以得出不同参数重要性程度的权重,从而对防喷器剪切性能进行预测。为提高性能预测评估的直观性,开发防喷器剪切性能预测评估平台,平台支持不同钻杆的剪切力设置,可接入防喷器数字孪生模型评估结果在线对比分析,并能够统计对比结果进行等级评定。具体地,针对模型仿真、设备采集以及数字孪生模型得到的参数数据,选定闸板防喷器的闸板剪切运行速度、闸板剪切力大小、闸板应变量以及井内钻杆应变应力变化曲线作为剪切性能预测评估指标,并且采用层次分析法对各个指标参数进行定性定量评价研究,进而建立各参数之间的判断矩阵,最终实现基于数字孪生的闸板防喷器剪切性能评估。
基于同一发明构思,本发明实施例还提供了一种闸板防喷器剪切性能预测装置,由于该装置解决问题的原理与前述一种闸板防喷器剪切性能预测方法相似,因此该装置的实施可以参见闸板防喷器剪切性能预测方法的实施,重复之处不再赘述。
在具体实施时,本发明实施例提供的闸板防喷器剪切性能预测装置,如图2所示,具体包括:
三维物理模型构建模块,用于构建防喷器剪切闸板三维物理模型;
模型仿真分析处理模块,用于将构建的剪切闸板三维物理模型导入到有限元分析软件中,通过有限元方法进行计算,分析钻杆材料的本构模型、断裂损失准则以及剪切运动载荷与剪切机理形式,获取剪切闸板三维物理模型的工作仿真分析结果;
数据采集及预处理模块,用于采集反映剪切闸板剪切运动过程和边界受力状态的特征参数并进行预处理;
数字孪生模型构建模块,用于基于获取的工作仿真分析结果、处理后的特征参数、闸板防喷器实际运行环境和各部件间的结构关系,搭建数字孪生数据映射关系,构建数字孪生模型;
剪切性能预测模块,用于根据数字孪生模型输出的特征参数数据,通过层次分析法对闸板防喷器进行剪切性能预测分析。
在本发明实施例提供的上述闸板防喷器剪切性能预测装置中,可以通过上述五个模块的相互作用,开展防喷器剪切闸板剪切性能预测分析,根据预测分析结果保证防喷器在使用过程中的安全可靠性,克服单一的数值模拟经验公式分析与试验研究无法准确预测其剪切性能的问题,从而避免油气资源的浪费以及不必要的油井事故发生。
在具体实施时,在本发明实施例提供的上述闸板防喷器剪切性能预测装置中,如图2所示,数字孪生模型构建模块包括:
数据代理映射模型构建单元,用于根据获取的工作仿真分析结果和处理后的特征参数,拓展出多工况下的样本数据空间,得到不同工况下的运行状态参数数据,根据运行状态参数数据,构建数据代理映射模型;
机理系统模型构建单元,用于通过闸板防喷器实际运行环境和各部件间的结构关系,构建防喷器剪切过程整体设备的机理系统模型;
数据映射关系搭建单元,用于根据数据代理映射模型得到的样本数据和机理系统模型,搭建数字孪生数据映射关系,完成数字孪生模型的构建。
关于上述各个模块和单元更加具体的工作过程可以参考前述实施例公开的相应内容,在此不再进行赘述。
相应地,本发明实施例还公开了一种闸板防喷器剪切性能预测设备,包括处理器和存储器;其中,处理器执行存储器中保存的计算机程序时实现前述实施例公开的闸板防喷器剪切性能预测方法。
关于上述方法更加具体的过程可以参考前述实施例中公开的相应内容,在此不再进行赘述。
进一步地,本发明还公开了一种计算机可读存储介质,用于存储计算机程序;计算机程序被处理器执行时实现前述公开的闸板防喷器剪切性能预测方法。
关于上述方法更加具体的过程可以参考前述实施例中公开的相应内容,在此不再进行赘述。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置、设备、存储介质而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
本发明实施例提供的一种闸板防喷器剪切性能预测方法,包括:构建防喷器剪切闸板三维物理模型;将构建的剪切闸板三维物理模型通过有限元方法进行计算,分析钻杆材料的本构模型、断裂损失准则以及剪切运动载荷与剪切机理形式,获取剪切闸板三维物理模型的工作仿真分析结果;采集反映剪切闸板剪切运动过程和边界受力状态的特征参数并进行预处理;基于获取的工作仿真分析结果、处理后的特征参数、闸板防喷器实际运行环境和各部件间的结构关系,搭建数字孪生数据映射关系,构建数字孪生模型;根据数字孪生模型输出的特征参数数据,通过层次分析法对闸板防喷器进行剪切性能预测分析。本发明通过构建防喷器剪切闸板的仿真模型进行分析,然后结合现场实际运行数据寻找数据间的映射关系来搭建防喷器剪切性能的数字孪生模型,实现闸板防喷器剪切性能的准确预测评估,保证防喷器在使用过程中的安全可靠性,克服单一的数值模拟经验公式分析与试验研究无法准确预测其剪切性能的问题,从而避免油气资源的浪费以及不必要的油井事故发生。此外,本发明还针对闸板防喷器剪切性能预测方法提供了相应的装置、设备及计算机可读存储介质,进一步使得上述方法更具有实用性,该装置、设备及计算机可读存储介质具有相应的优点。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本发明所提供的闸板防喷器剪切性能预测方法、装置、设备及存储介质进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种闸板防喷器剪切性能预测方法,其特征在于,包括:
构建防喷器剪切闸板三维物理模型;
将构建的所述剪切闸板三维物理模型通过有限元方法进行计算,分析钻杆材料的本构模型、断裂损失准则以及剪切运动载荷与剪切机理形式,获取所述剪切闸板三维物理模型的工作仿真分析结果;
采集反映剪切闸板剪切运动过程和边界受力状态的特征参数并进行预处理;
基于获取的所述工作仿真分析结果、处理后的所述特征参数、闸板防喷器实际运行环境和各部件间的结构关系,搭建数字孪生数据映射关系,构建数字孪生模型;
根据所述数字孪生模型输出的特征参数数据,通过层次分析法对闸板防喷器进行剪切性能预测分析。
2.根据权利要求1所述的闸板防喷器剪切性能预测方法,其特征在于,分析钻杆材料的本构模型、断裂损失准则以及剪切运动载荷与剪切机理形式,获取所述剪切闸板三维物理模型的工作仿真分析结果,具体包括:
对剪切闸板所需的剪切力进行理论公式分析,解析钻杆材料的本构模型描述方法,并考虑钻杆的断裂损伤机理形式,得到切换井内管柱所需的理论剪切力;
对剪切闸板在不考虑流体动力情况下的剪切过程进行模拟仿真,添加边界约束条件,综合考虑钻杆位置发生左右偏移、上下偏移以及钻杆与井筒成一定角度作用情况下的闸板剪切效果及剪切机理形式,得到剪切钻杆管柱的破坏状况,反向搜寻钻杆管柱被剪断的临界力;
对剪切闸板在考虑内部流体动力情况下的剪切过程进行模拟仿真,考虑钻杆受拉、钻杆受压以及钻杆受力弯曲变形情况下的闸板剪切机理形式,得到剪切钻杆所需的机械力、作用在执行机构活塞上的环空流体压力的净静水力、在剪切面上复杂流动所产生的流体动力;
运用流固耦合计算方法得到剪切闸板仿真数据。
3.根据权利要求2所述的闸板防喷器剪切性能预测方法,其特征在于,运用流固耦合计算方法得到剪切闸板仿真数据,具体包括:
在有限元分析模型的基础上,将剪切闸板在多个离散时间点的不同开度的几何模型导入到流体力学分析软件中进行计算,综合考虑流固耦合作用下的闸板剪切机理以及应力场、流场的影响,建立闸板防喷器的多物理场模型,计算得到作用在闸板上的压力;
将计算得到的压力在剪切闸板水平运动方向上进行整合,计算在剪切闸板闭合时所需的流体动力;
将计算得到的压力沿垂直方向或轴向方向进行整合,计算在剪切闸板关闭时所受的垂直力;
将流体力学模型分析产生的液压推力线性地施加到所述有限元分析模型的机械剪切力上,得到作用在驱动闸板活塞上的总合力;
运用显示动力学模块代码耦合所述有限元分析模型和所述流体力学模型求解器,得到剪切闸板仿真数据。
4.根据权利要求3所述的闸板防喷器剪切性能预测方法,其特征在于,采集反映剪切闸板剪切运动过程和边界受力状态的特征参数并进行预处理,具体包括:
在油缸进油口处安装压力传感器,锁紧轴两端安装位移速度传感器;
通过所述压力传感器和所述位移速度传感器对闸板防喷器的特征参数进行采集;所述特征参数包括油缸输入压力、闸板锁紧轴行程以及运动速度;
采用五点三次平滑滤波法对采集的所述特征参数进行降噪平滑预处理。
5.根据权利要求4所述的闸板防喷器剪切性能预测方法,其特征在于,基于获取的所述工作仿真分析结果、处理后的所述特征参数、闸板防喷器实际运行环境和各部件间的结构关系,搭建数字孪生数据映射关系,构建数字孪生模型,具体包括:
根据获取的所述工作仿真分析结果和处理后的所述特征参数,拓展出多工况下的样本数据空间,得到不同工况下的运行状态参数数据;
根据所述运行状态参数数据,构建数据代理映射模型;
通过闸板防喷器实际运行环境和各部件间的结构关系,构建防喷器剪切过程整体设备的机理系统模型;
根据所述数据代理映射模型得到的样本数据和所述机理系统模型,搭建数字孪生数据映射关系,完成数字孪生模型的构建。
6.根据权利要求5所述的闸板防喷器剪切性能预测方法,其特征在于,通过闸板防喷器实际运行环境和各部件间的结构关系,构建防喷器剪切过程整体设备的机理系统模型,具体包括:
在系统仿真软件中建立剪切闸板、运动活塞以及锁紧轴的运动结构;
通过位移传感器组成闭环系统,模拟剪切闸板从开始运动到剪断钻杆全部过程的受力变化;
对闸板防喷器实际运行环境进行搭建,将闸板受到的阻力设置为运动阻尼器,添加剪切闸板执行器作为液压推力,构建防喷器剪切过程整体设备的机理系统模型。
7.一种闸板防喷器剪切性能预测装置,其特征在于,包括:
三维物理模型构建模块,用于构建防喷器剪切闸板三维物理模型;
模型仿真分析处理模块,用于将构建的所述剪切闸板三维物理模型通过有限元方法进行计算,分析钻杆材料的本构模型、断裂损失准则以及剪切运动载荷与剪切机理形式,获取所述剪切闸板三维物理模型的工作仿真分析结果;
数据采集及预处理模块,用于采集反映剪切闸板剪切运动过程和边界受力状态的特征参数并进行预处理;
数字孪生模型构建模块,用于基于获取的所述工作仿真分析结果、处理后的所述特征参数、闸板防喷器实际运行环境和各部件间的结构关系,搭建数字孪生数据映射关系,构建数字孪生模型;
剪切性能预测模块,用于根据所述数字孪生模型输出的特征参数数据,通过层次分析法对闸板防喷器进行剪切性能预测分析。
8.根据权利要求7所述的闸板防喷器剪切性能预测装置,其特征在于,所述数字孪生模型构建模块包括:
数据代理映射模型构建单元,用于根据获取的所述工作仿真分析结果和处理后的所述特征参数,拓展出多工况下的样本数据空间,得到不同工况下的运行状态参数数据,根据所述运行状态参数数据,构建数据代理映射模型;
机理系统模型构建单元,用于通过闸板防喷器实际运行环境和各部件间的结构关系,构建防喷器剪切过程整体设备的机理系统模型;
数据映射关系搭建单元,用于根据所述数据代理映射模型得到的样本数据和所述机理系统模型,搭建数字孪生数据映射关系,完成数字孪生模型的构建。
9.一种闸板防喷器剪切性能预测设备,其特征在于,包括处理器和存储器,其中,所述处理器执行所述存储器中保存的计算机程序时实现如权利要求1至6任一项所述的闸板防喷器剪切性能预测方法。
10.一种计算机可读存储介质,其特征在于,用于存储计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的闸板防喷器剪切性能预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110224004.8A CN112989655B (zh) | 2021-03-01 | 2021-03-01 | 闸板防喷器剪切性能预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110224004.8A CN112989655B (zh) | 2021-03-01 | 2021-03-01 | 闸板防喷器剪切性能预测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112989655A true CN112989655A (zh) | 2021-06-18 |
CN112989655B CN112989655B (zh) | 2023-11-03 |
Family
ID=76351753
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110224004.8A Active CN112989655B (zh) | 2021-03-01 | 2021-03-01 | 闸板防喷器剪切性能预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112989655B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114357892A (zh) * | 2022-01-12 | 2022-04-15 | 中国石油大学(北京) | 防喷器系统可用性预测方法、装置、设备和存储介质 |
CN117404079A (zh) * | 2023-12-13 | 2024-01-16 | 中国石油集团川庆钻探工程有限公司 | 闸板防喷器剪切过程在线诊断评价方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101517193A (zh) * | 2006-07-28 | 2009-08-26 | 海德里尔美国制造有限责任公司 | 利用有限元分析设计防喷器密封件的方法 |
CN110442936A (zh) * | 2019-07-24 | 2019-11-12 | 中国石油大学(北京) | 基于数字孪生模型的设备故障诊断方法、装置及系统 |
US20200133256A1 (en) * | 2018-05-07 | 2020-04-30 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for sampling and storing machine signals for analytics and maintenance using the industrial internet of things |
CN111985167A (zh) * | 2020-08-24 | 2020-11-24 | 中国石油大学(华东) | 考虑井筒内流体状态的深水闸板防喷器剪切力计算方法 |
CN112380678A (zh) * | 2020-11-02 | 2021-02-19 | 上海申博信息系统工程有限公司 | 一种大型客船应急疏散的智能辅助决策平台及决策方法 |
-
2021
- 2021-03-01 CN CN202110224004.8A patent/CN112989655B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101517193A (zh) * | 2006-07-28 | 2009-08-26 | 海德里尔美国制造有限责任公司 | 利用有限元分析设计防喷器密封件的方法 |
US20200133256A1 (en) * | 2018-05-07 | 2020-04-30 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for sampling and storing machine signals for analytics and maintenance using the industrial internet of things |
CN110442936A (zh) * | 2019-07-24 | 2019-11-12 | 中国石油大学(北京) | 基于数字孪生模型的设备故障诊断方法、装置及系统 |
CN111985167A (zh) * | 2020-08-24 | 2020-11-24 | 中国石油大学(华东) | 考虑井筒内流体状态的深水闸板防喷器剪切力计算方法 |
CN112380678A (zh) * | 2020-11-02 | 2021-02-19 | 上海申博信息系统工程有限公司 | 一种大型客船应急疏散的智能辅助决策平台及决策方法 |
Non-Patent Citations (3)
Title |
---|
WU SHENGNAN等: "Performance analysis for subsea blind shear ram preventers subject to testing strategies", 《ELSEVIER》等, vol. 169, pages 281 - 298 * |
王文明等: "海洋无隔水管修井的数字孪生框架与可视化交互", 《计算机集成制造系统 》, vol. 27, no. 2, pages 423 - 431 * |
陈国明等: "深水油气开采安全风险评估与管控研究进展", 《中国石油大学学报(自然科学版)》, vol. 43, no. 5, pages 136 - 145 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114357892A (zh) * | 2022-01-12 | 2022-04-15 | 中国石油大学(北京) | 防喷器系统可用性预测方法、装置、设备和存储介质 |
CN114357892B (zh) * | 2022-01-12 | 2024-05-28 | 中国石油大学(北京) | 防喷器系统可用性预测方法、装置、设备和存储介质 |
CN117404079A (zh) * | 2023-12-13 | 2024-01-16 | 中国石油集团川庆钻探工程有限公司 | 闸板防喷器剪切过程在线诊断评价方法及系统 |
CN117404079B (zh) * | 2023-12-13 | 2024-03-08 | 中国石油集团川庆钻探工程有限公司 | 闸板防喷器剪切过程在线诊断评价方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112989655B (zh) | 2023-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lai et al. | Designing a shape–performance integrated digital twin based on multiple models and dynamic data: a boom crane example | |
Chi et al. | Adaptive momentum-based optimization to train deep neural network for simulating the static stability of the composite structure | |
Farhat et al. | Updating finite element dynamic models using an element-by-element sensitivity methodology | |
Hariri-Ardebili et al. | A new class of seismic damage and performance indices for arch dams via ETA method | |
Ghosh et al. | Seismic fragility analysis in the probabilistic performance-based earthquake engineering framework: an overview | |
CN112989655A (zh) | 闸板防喷器剪切性能预测方法、装置、设备及存储介质 | |
Mirrashid et al. | Innovative computational intelligence-based model for vulnerability assessment of RC frames subject to seismic sequence | |
Altabey | Applying deep learning and wavelet transform for predicting the vibration behavior in variable thickness skew composite plates with intermediate elastic support | |
Su et al. | Prototype monitoring data-based analysis of time-varying material parameters of dams and their foundation with structural reinforcement | |
Bordeu et al. | Parametric 3D elastic solutions of beams involved in frame structures | |
Zhu et al. | Wind tunnel and CFD study on identification of flutter derivatives of a long‐span self‐anchored suspension bridge | |
Liu et al. | Cracking risk analysis of face slabs in concrete face rockfill dams during the operation period | |
Zhang et al. | Stochastic uncertainty quantification of seismic performance of complex large-scale structures using response spectrum method | |
Huang et al. | Rapid seismic damage evaluation of subway stations using machine learning techniques | |
Zhong et al. | Convolutional neural network-based seismic fragility analysis of subway station structure considering spatial variation of site shear-wave velocity | |
Luo et al. | UBC-constrained non-probabilistic reliability-based optimization of structures with uncertain-but-bounded parameters | |
Djerrad et al. | Artificial neural networks (ANN) based compressive strength prediction of afrp strengthened steel tube | |
Monsalve-Giraldo et al. | Hybrid Parabolic Interpolation–Artificial Neural Network Method (HPI-ANNM) for long-term extreme response estimation of steel risers | |
Mohana | Reinforced concrete confinement coefficient estimation using soft computing models | |
Mangalathu et al. | Application of Bayesian methods to probabilistic seismic demand analyses of concrete box-girder bridges | |
CN116629080A (zh) | 钢管混凝土叠合构件撞击位移时程图卷积预测方法 | |
Ladevèze | Constitutive relation errors for FE analysis considering (visco‐) plasticity and damage | |
Sharghi et al. | Neuro-hybrid simulation of non-linear frames using Prandtl neural networks | |
Meguid et al. | Advances in computational contact mechanics | |
Rajabalinejad et al. | The inclusive and simplified forms of Bayesian interpolation for general and monotonic models using Gaussian and Generalized Beta distributions with application to Monte Carlo simulations |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |