CN113090249A - 样本数据提取、套管损坏预测方法、装置、设备和介质 - Google Patents
样本数据提取、套管损坏预测方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN113090249A CN113090249A CN202010015630.1A CN202010015630A CN113090249A CN 113090249 A CN113090249 A CN 113090249A CN 202010015630 A CN202010015630 A CN 202010015630A CN 113090249 A CN113090249 A CN 113090249A
- Authority
- CN
- China
- Prior art keywords
- data
- layer
- casing
- oil
- sand layer
- 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
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000013075 data extraction Methods 0.000 title claims abstract description 45
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 212
- 238000004519 manufacturing process Methods 0.000 claims abstract description 205
- 238000012549 training Methods 0.000 claims abstract description 21
- 239000004576 sand Substances 0.000 claims description 299
- 238000002347 injection Methods 0.000 claims description 35
- 239000007924 injection Substances 0.000 claims description 35
- 230000035699 permeability Effects 0.000 claims description 31
- 238000012216 screening Methods 0.000 claims description 29
- 238000000605 extraction Methods 0.000 claims description 23
- 238000011156 evaluation Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 11
- 239000007788 liquid Substances 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 7
- 230000003068 static effect Effects 0.000 description 22
- 238000010586 diagram Methods 0.000 description 11
- 230000002093 peripheral effect Effects 0.000 description 10
- 238000000547 structure data Methods 0.000 description 10
- 239000012530 fluid Substances 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000012360 testing method Methods 0.000 description 6
- 229910000831 Steel Inorganic materials 0.000 description 5
- 239000010959 steel Substances 0.000 description 5
- 230000015572 biosynthetic process Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000002706 hydrostatic effect Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 239000011435 rock Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 239000002775 capsule Substances 0.000 description 2
- 239000003129 oil well Substances 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 238000003556 assay Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000013481 data capture Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
Images
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH DRILLING; MINING
- E21B—EARTH DRILLING, e.g. DEEP DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B47/00—Survey of boreholes or wells
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH DRILLING; MINING
- E21B—EARTH DRILLING, e.g. DEEP DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B49/00—Testing the nature of borehole walls; Formation testing; Methods or apparatus for obtaining samples of soil or well fluids, specially adapted to earth drilling or wells
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Mining
Abstract
本公开提供了一种样本数据提取、套管损坏预测方法、装置、设备和介质,该样本数据提取方法包括:获取多个油水井的数据集合,每个油水井的数据集合均包括射孔段数据、砂岩层数据、套管数据和生产数据;根据油水井的射孔参数从对应的数据集合中,提取目标射孔段数据、目标砂岩层数据、目标套管数据和目标生产数据,得到目标数据集合;确定目标数据集合对应的套管损坏情况,套管损坏情况包括套管损坏类和非套管损坏类;将目标数据集合和对应的套管损坏情况组合成样本数据,样本数据用于训练套管损坏预测模型,套管损坏预测模型用于预测油水井的套管是否会损坏。本公开能为套管损坏预测业务提供合理的样本数据,为套管损坏预测奠定好的数据保障。
Description
技术领域
本公开涉及采油工程技术领域,特别涉及一种样本数据提取、套管损坏预测方法、装置、设备和介质。
背景技术
套管是用于支撑油、气井井壁的钢管,套管作为隔离地层与井筒的屏障,用以保证完井后整个油水井的正常运行。油水井运行一段时间后多会出现挤压变形、扭曲等套管损坏。
相关技术中,对大量的套管损坏研究后发现,套管损坏影响因素主要包括地质因素、工程因素、开发因素和腐蚀因素。套管损坏研究通常需要对采集到的套管损坏井的各项数据进行分析,以确定出影响套管损坏的关键因素。
然而,采集到的油水井数据包括单井小层数据、射孔数据、套管结构数据等大量数据,如何从油水井数据中提取出关键因素作为用于训练套管损坏预测模型的样本数据,是套管损坏预测和预测的关键。
发明内容
本公开实施例提供了一种样本数据提取、套管损坏预测方法、装置、设备和介质,能为套管损坏预测等业务提供合理的样本数据,为套管损坏预测奠定好的数据保障。所述技术方案如下:
本公开实施例提供了一种套管损坏因素的数据提取方法,所述方法包括:获取多个油水井的数据集合,每个所述油水井的数据集合均包括射孔段数据、砂岩层数据、套管数据和生产数据;根据油水井的射孔参数从对应的数据集合中,提取目标射孔段数据、目标砂岩层数据、目标套管数据和目标生产数据,得到目标数据集合;确定所述目标数据集合对应的套管损坏情况,所述套管损坏情况包括套管损坏类和非套管损坏类;将所述目标数据集合和对应的所述套管损坏情况组合成样本数据,所述样本数据用于训练套管损坏预测模型,所述套管损坏预测模型用于预测油水井的套管是否会损坏。
在本公开实施例的一种实现方式中,根据油水井的射孔参数从对应的数据集合中,提取目标砂岩层数据,包括:筛选出满足第一关系的第一砂层的砂岩层参数,得到所述砂岩层数据,所述第一关系包括:油水井的射孔顶深不小于所述第一砂层的砂层顶深,且油水井的射孔底深不大于所述第一砂层的砂层底深,所述砂岩层参数包括砂层顶深、砂层底深、砂层厚度、孔隙度和渗透率。
在本公开实施例的另一种实现方式中,根据油水井的射孔参数从对应的数据集合中,提取目标砂岩层数据,包括:筛选出满足第二关系的砂层的砂岩层参数,所述第二关系包括:油水井的射孔顶深不小于所述第一砂层的砂层顶深,油水井的射孔顶深小于所述第一砂层的砂层底深,且油水井的射孔底深不小于所述第二砂层的砂层顶深,油水井的射孔底深小于所述第二砂层的砂层底深,所述砂岩层参数包括砂层顶深、砂层底深、砂层厚度、孔隙度和渗透率;根据筛选出的砂层的砂岩层参数中确定合并层砂层顶深、合并层砂层底深、合并层砂层厚度、合并层孔隙度、合并层渗透率和合并层油层组,得到所述砂岩层数据。
在本公开实施例的另一种实现方式中,所述根据筛选出的砂层的砂岩层参数中确定合并层砂层顶深、合并层砂层底深、合并层砂层厚度、合并层孔隙度、合并层渗透率和合并层油层组,包括:将满足所述第二关系的砂层的所述砂层顶深和所述砂层底深,分别确定为合并层砂层顶深和合并层砂层底深;筛选出砂层顶深和砂层底深处于所述合并层砂层顶深和所述合并层砂层底深之间的砂层;将筛选出的砂层的砂层厚度之和确定为合并层砂层厚度,将筛选出的砂层的孔隙度的最大值确定为合并层孔隙度,将筛选出的砂层的渗透率的最大值确定为合并层渗透率;筛选出砂层顶深和砂层底深处于所述合并层砂层顶深和所述合并层砂层底深之间的油层组,将筛选出的油层组中砂层顶深最小的油层组确定为合并层油层组。
在本公开实施例的另一种实现方式中,根据油水井的射孔参数从对应的数据集合中,提取目标生产数据,包括:确定油水井的生产周期;将所述生产周期划分为多个生产子期间,所述生产子期间为所述目标生产数据中各个生产参数的最小更新周期,所述生产参数包括:生产压差、采液强度、含水率、注水压差和注水强度;将所有所述生产子期间中的数值最大的所有所述生产参数确定为所述目标生产数据。
在本公开实施例的另一种实现方式中,所述将所述生产周期划分为多个生产子期间之后,包括:筛选出满足筛选规则的所述生产子期间,所述筛选规则包括:所述生产子期间中的油水井的射孔段处于射开状态,油水井的射孔顶深不小于生产井段顶深且油水井的射孔底深不大于生产井段底深;相应地,所述将所有所述生产子期间中的数值最大的所有所述生产参数确定为所述目标生产数据,包括:将筛选出的所述生产子期间中的数值最大的所有所述生产参数确定为所述目标生产数据。
本公开实施例提供了一种套管损坏因素的样本数据提取装置,所述样本数据提取装置包括:获取模块,用于获取多个油水井的数据集合,每个所述油水井的数据集合均包括射孔段数据、砂岩层数据、套管数据和生产数据;提取模块,用于根据油水井的射孔参数从对应的数据集合中,提取目标射孔段数据、目标砂岩层数据、目标套管数据和目标生产数据,得到目标数据集合;确定模块,用于确定所述目标数据集合对应的套管损坏情况,所述套管损坏情况包括套管损坏类和非套管损坏类,组合模块,用于将所述目标数据集合和对应的所述套管损坏情况组合成样本数据,所述样本数据用于训练套管损坏预测模型,所述套管损坏预测模型用于预测油水井的套管是否会损坏。
本公开实施例提供了一种套管损坏预测方法,套管损坏预测方法包括:获取待评价油水井的射孔段数据、砂岩层数据、套管数据和生产数据;将待评价油水井的射孔段数据、砂岩层数据、套管数据和生产数据输入至所述套管损坏预测模型,所述套管损坏预测模型是采用前文所述的提取方法提取的样本数据训练得到的;获取所述套管损坏预测模型输出的评价结果,所述评价结果用于预测所述待评价油水井的套管是否会损坏。
本公开实施例提供了一种套管损坏预测装置,所述套管损坏预测装置包括:第一获取模块,用于获取待评价油水井的射孔段数据、砂岩层数据、套管数据和生产数据;还用于获取所述套管损坏预测模型输出的评价结果,所述评价结果用于预测所述待评价油水井的套管是否会损坏;输入模块,用于将待评价油水井的射孔段数据、砂岩层数据、套管数据和生产数据输入至套管损坏预测模型,所述套管损坏预测模型是采用前文所述的提取方法提取的样本数据训练得到的;第二获取模块,用于获取所述套管损坏预测模型输出的评价结果,所述评价结果用于预测所述待评价油水井的套管是否会损坏。
本公开实施例提供了一种计算机设备,所述计算机设备包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为执行前文所述的套管损坏因素的样本数据提取方法,或者,执行前文所述的套管损坏预测方法。
本公开实施例提供了一种非临时性计算机可读存储介质,所述存储介质中存储有至少一条指令,所述至少一条指令由处理器加载并执行以实现前文所述的套管损坏因素的样本数据提取方法,或者,执行前文所述的套管损坏预测方法。
本公开实施例提供的技术方案带来的有益效果至少包括:
本公开实施例先获取多个油水井的数据集合,每个油水井的数据集合均包括射孔段数据、砂岩层数据、套管数据和生产数据;然后根据油水井的射孔参数从对应的数据集合中,提取目标射孔段数据、目标砂岩层数据、目标套管数据和目标生产数据,得到目标数据集合,并确定目标数据集合对应的套管损坏情况,将目标数据集合和对应的套管损坏情况组合成样本数据。且样本数据用于训练套管损坏预测模型,套管损坏预测模型用于预测油水井的套管是否会损坏。提取样本数据的过程中,以射孔参数为依据,提取出目标射孔段数据、目标砂岩层数据、目标套管数据和目标生产数据,由于射孔参数与上述四类数据均存在相应的关系,因此,通过射孔参数能准确地从大量数据集合中提取出所需要的数据。同时,提取样本数据时,均是使用射孔参数为依据,避免提取不同类型的数据时,更换不同的参数作为依据,以提高提取效率。
并且,由于油水井生产过程中油水均通过套管的射孔进出套管,即套管的射孔参数影响着油水井的生产速率,不同的生产速率使套管生产时承受的压力也不同,因此,套管的射孔参数对套管损坏有一定的影响作用。同时套管本身的数据和地层数据也对套管损坏有影响,即射孔段数据、生产数据、套管数据和砂岩层数据对套管损坏均存在一定程度的影响。并将射孔段数据、砂岩层数据、套管数据和生产数据作为样本数据,用以训练套管损坏预测模型,这样通过油水井数据中对套管损坏有影响的数据作为样本数据,为套管损坏预测业务提供合理的数据集合,为套管损坏预测奠定好的数据保障,以提高训练套管损坏预测模型的质量,使得套管损坏预测模型的评价结果更为准确。
附图说明
为了更清楚地说明本公开实施例中的技术方案,下面将对实施例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公开的一些实施例,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,还可以根据这些附图获得其他的附图。
图1是本公开实施例提供的一种套管损坏因素的样本数据提取方法的流程图;
图2是本公开实施例提供的另一种套管损坏因素的样本数据提取方法的流程图;
图3是本公开实施例提供的一种射孔段与第一砂层的关系示意图;
图4是本公开实施例提供的一种射孔段与第一砂层和第二砂层的关系示意图;
图5是本公开实施例提供的一种套管损坏预测方法的流程图;
图6是本公开实施例提供的一种套管损坏预测模型的评价结果的示意图;
图7是本公开实施例提供的另一种套管损坏预测模型的评价结果的示意图;
图8是本公开实施例提供的一种套管损坏因素的数据提取装置的示意图;
图9是本公开实施例提供的一种套管损坏预测装置的示意图;
图10是本公开实施例提供的另一种套管损坏因素的数据提取装置的示意图。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚,下面将结合附图对本公开实施方式作进一步地详细描述。
本公开实施例提供了适用于疏松砂岩油藏的套管损坏因素的样本数据提取方法。
图1是本公开实施例提供的一种套管损坏因素的样本数据提取方法的流程图。如图1所示,该样本数据提取方法采用计算机执行,例如采用上位机执行,包括:
步骤101:获取多个油水井的数据集合。
其中,每个油水井的数据集合均包括射孔段数据、砂岩层数据、套管数据和生产数据。
步骤102:根据油水井的射孔参数从对应的数据集合中,提取目标射孔段数据、目标砂岩层数据、目标套管数据和目标生产数据,得到目标数据集合。
其中,射孔参数可以包括射孔顶深、射孔底深等套管射孔段的参数。
步骤103:确定目标数据集合对应的套管损坏情况。
其中,套管损坏情况包括套管损坏类和非套管损坏类。
步骤104:将目标数据集合和对应的套管损坏情况组合成样本数据。
其中,样本数据用于训练套管损坏预测模型,套管损坏预测模型用于预测油水井的套管是否会损坏。
本公开实施例先获取多个油水井的数据集合,每个油水井的数据集合均包括射孔段数据、砂岩层数据、套管数据和生产数据;然后根据油水井的射孔参数从对应的数据集合中,提取目标射孔段数据、目标砂岩层数据、目标套管数据和目标生产数据,得到目标数据集合,并确定目标数据集合对应的套管损坏情况,将目标数据集合和对应的套管损坏情况组合成样本数据。且样本数据用于训练套管损坏预测模型,套管损坏预测模型用于预测油水井的套管是否会损坏。提取样本数据的过程中,以射孔参数为依据,提取出目标射孔段数据、目标砂岩层数据、目标套管数据和目标生产数据,由于射孔参数与上述四类数据均存在相应的关系,因此,通过射孔参数能准确地从大量数据集合中提取出所需要的数据。同时,提取样本数据时,均是使用射孔参数为依据,避免提取不同类型的数据时,更换不同的参数作为依据,以提高提取效率。并且提取的样本数据包括射孔段数据、砂岩层数据、套管数据和生产数据,由于油水井生产过程中油水均通过套管的射孔进出套管,即套管的射孔参数影响着油水井的生产速率,不同的生产速率使套管生产时承受的压力也不同,因此,套管的射孔参数对套管损坏有一定的影响作用。同时套管本身的数据和地层数据也对套管损坏有影响,即射孔段数据、生产数据、套管数据和砂岩层数据对套管损坏均存在一定程度的影响。并将射孔段数据、砂岩层数据、套管数据和生产数据作为样本数据,用以训练套管损坏预测模型,这样通过油水井数据中对套管损坏有影响的数据作为样本数据,为油水井套管损坏预测业务提供合理的数据集合,为套管损坏预测奠定好的数据保障,以提高训练套管损坏预测模型的质量,使得套管损坏预测模型的评价结果更为准确。
图2是本公开实施例提供的另一种套管损坏因素的样本数据提取方法的流程图。如图2所示,该样本数据提取方法采用计算机执行,例如采用上位机执行,包括:
步骤201:获取多个油水井的数据集合。
在步骤201中,每个油水井的数据集合均包括射孔段数据、砂岩层数据、套管数据和生产数据。
多个油水井的数据集合可以从各个油田数据中心的数据库中获取,该数据库中涵盖油田从钻井、测井、资料解释、射孔、试油、完井至投产前的所有油田开发信息,且所有的油田开发信息均存储于各类数据表中。
例如,数据库中DAA05数据表中记录了单井小层数据、DAA051记录了小层分组数据、DAA052数据表中记录了砂岩分组数据、DAA09数据表中记录了射孔段的数据。
其中,射孔段数据包括射孔顶深、射孔底深、射孔厚度、射孔密度和相位角。砂岩层数据包括砂层顶深、砂层底深、砂层厚度、油层组、孔隙度和渗透率。套管数据包括套管外径、套管壁厚和套管钢级。生产数据包括生产压差、采液强度、含水率、注水压差和注水强度。
步骤202:根据油水井的射孔参数从对应的数据集合中,提取目标射孔段数据。
其中,射孔顶深为油水井中射孔段上靠近井口的一端的深度,射孔底深为油水井中射孔段上靠近井底的一端的深度。射孔厚度为射孔顶深和射孔底深之间的距离。相位角为周向上相邻的两个射孔的轴线之间的夹角。
本公开实施例中,提取目标射孔段数据的过程可以是:以射孔顶深为主键从射孔数据表中提取与射孔顶深对应的射孔底深、射孔厚度和相位角。
其中,主键为主关键字,是指射孔数据表中的一个或多个字段,主关键字的值用于唯一地标识射孔数据表中的某一条记录。
示例性地,在提取目标射孔段数据时,首先从射孔数据表DAA09中提取各个射孔段的射孔顶深,分别以各个射孔顶深作为主键,以便于分别标识出射孔数据表DAA09中与各个射孔顶深一一对应的射孔段数据。
在提取射孔底深时,可以在射孔数据表DAA09中定位至主键(某一射孔顶深)所在的行,提取该行的射孔底深。
在提取射孔厚度时,可以在射孔数据表DAA09中定位至主键(某一射孔顶深)所在的行,提取该行的射孔厚度。
在提取射孔密度时,可以在射孔数据表DAA09中定位至主键(某一射孔顶深)所在的行,提取该行的射孔密度。
在提取相位角时,可以在射孔数据表DAA09中定位至主键(某一射孔顶深)所在的行,提取该行的相位角。如果数据库中没有记录该数据,可以根据提取的射孔密度确定相位角。例如,当射孔密度大于20孔/m的时,确定相位角为135°;当射孔密度不大于20孔/m时,确定相位角为90°。
步骤203:根据油水井的射孔参数从对应的数据集合中,提取目标砂岩层数据。
由于砂层与油水井的射孔段之间存在如下两种关系:
第一种,供油水井生产的砂层仅包括一个砂层。
其中,油水井的射孔段与一个砂层可以满足以下关系,以砂层为第一砂层为例,油水井的射孔段与第一砂层之间的关系可以是:
图3是本公开实施例提供的一种射孔段与第一砂层的关系示意图。如图3所示,油水井的射孔顶深A不小于第一砂层的砂层顶深B,且油水井的射孔底深C不大于第一砂层X的砂层底深D。即此时第一砂层X覆盖油水井的整个射孔段,以供油水井生产。
其中,砂层顶深为砂层靠近井口的一侧的深度,砂层底深为油水井中砂层靠近井底的一侧的深度。砂层厚度为砂层顶深和砂层底深之间的距离。油层组为油层分布状况与油层性质基本一致且彼此靠近的一套连续沉积的油层组合。孔隙度为岩样中所有孔隙空间体积之和与该岩样体积的比值。渗透率用于表示在一定压差下,岩石允许流体通过的能力。
对于油水井的射孔段与第一砂层之间满足第一种关系的情况,步骤203可以包括:
步骤203a:筛选出满足第一关系的第一砂层的砂岩层参数,得到砂岩层数据。
其中,砂岩层参数包括砂层顶深、砂层底深、砂层厚度、孔隙度、渗透率和油层组。第一关系包括:油水井的射孔顶深不小于第一砂层的砂层顶深,且油水井的射孔底深不大于第一砂层的砂层底深。
本公开实施例中,提取目标砂岩层数据的过程为:当油水井的射孔段与第一砂层满足第一关系时,提取满足第一关系的砂层的砂层顶深、砂层底深、砂层厚度、孔隙度、渗透率和油层组确定为目标砂岩层数据。
示例性地,在提取砂层顶深时,可以在单井小层数据表DAA05中定位至符合第一种关系的行,提取该行的砂层顶深、砂层底深、砂层厚度、孔隙度、渗透率和油层组。
第二种,供油水井生产的砂层包括多个砂层,即多个砂层作为合并层供油水井生产。
其中,油水井的射孔段与多个砂层可以满足以下关系,以多个砂层中最靠近井口的第一砂层和最靠近井底的第二砂层为例,油水井的射孔段与第一砂层和第二砂层之间的关系可以是:
图4是本公开实施例提供的一种射孔段与第一砂层和第二砂层的关系示意图。如图4所示,油水井的射孔顶深A不小于第一砂层X的砂层顶深B1,油水井的射孔顶深A小于第一砂层X的砂层底深D1,且油水井的射孔底深C不小于第二砂层Y的砂层顶深B2,油水井的射孔底深C小于第二砂层Y的砂层底深D2。
对于油水井的射孔段与第二砂层之间满足第二关系的情况,步骤203可以包括:
步骤203b:筛选出满足第二关系的砂层的砂岩层参数。
其中,第二关系包括:油水井的射孔顶深不小于第一砂层的砂层顶深,油水井的射孔顶深小于第一砂层的砂层底深,且油水井的射孔底深不小于第二砂层的砂层顶深,油水井的射孔底深小于第二砂层的砂层底深。且合并层为砂层顶深的大于第一砂层的砂层顶深,且砂层底深小于第二砂层的砂层底深的所有砂层的集合,砂岩层参数包括砂层顶深、砂层底深、砂层厚度、孔隙度和渗透率。
步骤203c:根据筛选出的砂层的砂岩层参数确定合并层砂层顶深、合并层砂层底深、合并层砂层厚度、合并层孔隙度、合并层渗透率和合并层油层组,得到砂岩层数据。
可选地,步骤203c可以包括以下步骤:
步骤2031:将满足第二关系的砂层的砂层顶深,确定为合并层砂层顶深。
步骤2032:将满足第二关系的砂层的砂层底深,确定为合并层砂层底深。
步骤2033:筛选出砂层顶深和砂层底深处于合并层砂层顶深和合并层砂层底深之间的砂层。将筛选出的砂层的砂层厚度之和确定为合并层砂层厚度,将筛选出的砂层的孔隙度的最大值确定为合并层孔隙度,将筛选出的砂层的渗透率的最大值确定为合并层渗透率。
步骤2034:筛选出砂层顶深和砂层底深处于合并层砂层顶深和合并层砂层底深之间的油层组,将筛选出的油层组中砂层顶深最小的油层组确定为合并层油层组。
本公开实施例中,提取目标砂岩层数据的过程可以是:
当射孔段的射孔顶深与第一砂层之间满足第二种关系时,提取满足油水井的射孔段与第一砂层之间的第二关系的砂层的砂层顶深,确定为合并层砂层顶深。
当射孔段的射孔底深与第二砂层之间满足第二关系时,提取满足油水井的射孔段与第二砂层之间的关系的砂层的砂层底深,确定为合并层砂层底深。
筛选出砂层顶深和砂层底深处于合并层砂层顶深和合并层砂层底深之间的砂层,将筛选出的砂层的砂层厚度之和确定为合并层砂层厚度,将筛选出的砂层的孔隙度的最大值确定为合并层孔隙度,将筛选出的砂层的渗透率的最大值确定为合并层渗透率。
筛选出砂层顶深和砂层底深处于合并层砂层顶深和合并层砂层底深之间的油层组,将筛选出的油层组中砂层顶深最小的油层组确定为合并层油层组。
示例性地,在提取合并层砂层顶深时,可以在单井小层数据表DAA05中定位至射孔段的射孔顶深与第一砂层之间符合第二关系的行,提取该行的砂层顶深确定为合并层砂层顶深,记作Top_New。
在提取合并层砂层底深时,可以在单井小层数据表DAA05中定位至射孔底深与第二砂层之间符合第二关系的行,提取该行的砂层底深确定为合并层砂层底深,记作Bottom_New。
在提取砂层厚度时,可以在单井小层数据表DAA05中,查找砂层顶深大于等于Top_New,且砂层底深小于等于Bottom_New的所有行,将查找出的所有行的砂层厚度相加,作为合并层砂层厚度。
在提取孔隙度时,可以在单井小层数据表DAA05中,查找砂层顶深大于等于Top_New,且砂层底深小于等于Bottom_New的所有行,查找出的所有行的孔隙度的最大值,作为合并层孔隙度。
在提取渗透率时,可以在单井小层数据表DAA05中,查找砂层顶深大于等于Top_New,且砂层底深小于等于Bottom_New的所有行,查找出的所有行的渗透率的最大值,作为合并层渗透率。
在提取油层组时,可以在单井小层数据表DAA05中,查找砂层顶深大于等于Top_New,且砂层底深小于等于Bottom_New的所有行,查找出的所有行中砂层顶深最小的行对应的油层组,作为合并层油层组。
本公开实施例中,提取砂岩层数据时,将砂岩层数据中的部分数据的最大值作为最终提取的数据。该种提取方式将影响套管损坏的因素的峰值提取出来作为套管损坏研究的数据,套管损坏通常各个因素的最大值造成,这样将影响套管损坏的因素的峰值作为训练套管损坏预测模型的样本数据。可以为套管损坏预测与预测奠定好的数据保障,以提高训练套管损坏预测模型的质量,使得套管损坏预测模型的评价结果更为准确。
步骤204:根据油水井的射孔参数从对应的数据集合中,提取目标套管数据。
本公开实施例中,提取目标套管数据的过程可以为:提取数据表中与射孔段的射孔中深最接近的套管下深的套管数据。
其中,射孔段的射孔中深等于射孔顶深和射孔底深之和的一半,套管下深等于套管下入地层一端的深度。
示例性地,从套管结构数据表DAA04中提取与射孔段的射孔中深最接近的套管下深的套管数据。
其中,套管结构数据表记录了某个地区中所有油水井所使用的各种不同类型的套管,以及不同类型的套管对应的套管结构数据。套管结构数据可以包括套管的套管下深、套管上深、套管外径、套管内径、套管壁厚等数据。
在本公开实施例中,套管结构数据表DAA04中仅包括两种类型的套管,例如,套管类型包括第一套管和第二套管。
在提取套管外径、套管壁厚、套管钢级时,可以比较射孔中深和套管下深的大小关系,若射孔中深小于等于第一套管的套管下深,则在套管结构数据表DAA04中提取第一套管所在行的套管外径、套管壁厚、套管钢级;若射孔中深大于第一套管的套管下深,则在套管结构数据表DAA04中提取第二套管所在行的套管外径、套管壁厚、套管钢级。
步骤205:根据油水井的射孔参数从对应的数据集合中,提取目标生产数据。
其中,步骤205可以包括:
步骤2051:确定油水井的生产周期。
可选地,油水井的生产周期可以是套管的使用时间。对于已经发生损坏的套管,套管的使用时间可以为完井时间至发现套管损坏的时间期间的时间;对于未发生损坏的套管,套管的使用时间可以为完井时间至当前时间期间的时间。
步骤2052:将生产周期划分为多个生产子期间。
其中,生产子期间为目标生产数据中各个生产参数的最小更新周期。生产参数包括:生产压差、采液强度、含水率、注水压差和注水强度。
示例性地,生产压差、采液强度、含水率、注水压差和注水强度的各项生产参数都是从月数据表中提取的,该月数据表每月更新一次,也即是,各个生产参数均以月份为更新周期。此时,可以以一个月为一个生产子期间的间隔周期。例如,生产周期为2010年1月至2011年2月,共包括13个月,则根据上述间隔周期,可以将生产周期划分为13个生产子周期。
步骤2053:将各生产子期间中的数值最大的所有生产参数确定为目标生产数据。
步骤2053可以包括,在生产周期内,逐个确定各生产子期间的生产数据,将各生产子期间中的数值最大的所有生产参数确定为生产周期内的目标生产数据。
步骤2053中将生产周期划分为多个生产子期间之后可以包括:筛选出满足筛选规则的生产子期间。
筛选规则包括:生产子期间中的油水井的射孔段处于射开状态,油水井的射孔顶深不小于生产井段顶深且油水井的射孔底深不大于生产井段底深。
这样,将各个生产子周期中处于生产状态的油水井筛选出来以提取生产数据,避免提取出错误的生产数据,提高数据提取的准确度。
可选地,在确定生产数据时可以以生产周期中的完井时间为起点,逐月确定各个生产子期间的生产数据,直至生产周期中的结束点(如、套管损坏时间或当前时间)。
本公开实施例中,生产参数包括采液强度、生产压差、含水率、注水压差和注水强度。
采液强度用于表示单位油层厚度的日产液量。采液强度的计算公式(1)可以为:
其中,P1为采液强度,Q1为日产油量,Q2为日产水量,ρ1为油的密度,H为砂层总厚度。日产油量Q1和日产水量Q2均可以从采油水井月数据表DBA04中取值,砂层总厚度H为当前生产子期间内各个砂层的砂层厚度之和,油的密度ρ1为化验数据。
生产压差为油水井生产时油层静压与流压之差。
由于油层静压是需要进行测试才能获取到的数据,而油田生产过程中,测试油层静压的周期一般较长,例如,1至2个月,因此,在确定油层静压时,若仅从一个月的测试数据中获取,会因获取的数据过少,而导致获取的油层静压的数值不够准确。因此,本公开实施例获取油层静压时,采用从多个月份的数据中获取油层静压。
示例性地,在确定油层静压时,若目标油水井当前生产子期间之前的三个生产子期间内,在流静压数据表DCA04中存在油层中部静压的测试数据,则取目标油水井中所有油层中部静压的平均值作为油层静压。若目标油水井当前生产子期间之前的三个生产子期间内,在流静压数据表DCA04中无油层中部静压的测试数据,则取流静压数据表DCA04中当前生产子期间之前的三个生产子期间内,将整个地区所有油水井的油层中部静压的平均值作为油层静压。
其中,流压的计算公式(2)可以为:
其中,Q1为日产油量,Q2为日产水量,ρ1为油的密度,ρ2为水的密度,H1为砂层顶深,H2为砂层底深,H3为动液面深度,P套为套管压力,P流1为油水井的流压。动液面深度H3可以从动静液面表DCA02中提取。日产油量Q1和日产水量Q2均可以从采油水井月数据表DBA04中提取。套管压力P套为地面施加到井内套管上的压力,可以从数据表中提取。
含水率可以从采油水井月数据表DBA04中提取。
注水压差为注水井井底的流压与油层静压的差值,油层静压的确定方法与前述确定方法相同。
注水井井底的流压的计算公式(2)可以为:
其中,ρ2为水的密度,H1为砂层顶深,H2为砂层底深,P套为套管压力,P流2为注水井的流压,套管压力P套为地面施加到井内套管上的压力。砂层顶深H1、砂层底深H2和套管压力P套均可以从数据表中提取。
注水强度用于表示单位厚度的日注水量,注水强度的计算公式(4)可以为:
其中,P2为注水强度,Q注为日注水量,H为砂层总厚度,日注水量Q注可以从注水井月数据表DBA05中提取,砂层总厚度H为当前生产子期间中砂层的砂层厚度之和。
在确定各个生产子期间的采液强度、生产压差、含水率、注水压差和注水强度后,将各生产子期间中的数值最大的所有生产参数确定为生产周期的目标生产数据。
本公开实施例中,提取生产数据时,将提取出符合提取规则的数据中的最大值作为最终提取的数据。该种提取方式将影响套管损坏的因素的峰值提取出来作为套管损坏研究的数据,保留影响套管损坏的数据的完整性,以为套管损坏预测与预测奠定好的数据保障,以提高训练套管损坏预测模型的质量,使得套管损坏预测模型的评价结果更为准确。
本公开实施例提供的套管损坏因素的样本数据提取方法,已应用在大港油田港西区块的套管损坏分析中,该样本数据提取方法处理速度快,提高了因素数据提取的科学性。且该样本数据提取方法将采集到的1016口非套管损坏井(691口采油水井和325口注水井)和102口套管损坏井(55口采油水井和47口注水井)的单井小层数据、射孔数据、套管结构数据、采油水井月数据、注水井月数据、动静液面、流静压数据等大量数据,整理成完整、合理、可靠的套管损坏影响因素数据集。当前该区块在生产油水井565口,水井167口,采用该样本数据提取方法最终提取出653条采油水井生产段套管损坏影响因素数据集和212条注水井生产段套管损坏影响因素数据集。使用该数据集能便于套管损坏预测和实验研究。
本公开实施例中,执行步骤201后,可以同时执行步骤202、203、204、205,也可以依次执行,且对执行的先后顺序不做限制,即步骤202、203、204、205之间相互独立。其中,步骤203中包括步骤203a和步骤203b,在执行步骤203的过程中,可以同时执行步骤203a和步骤203b、203c,也可以依次执行,且对执行的先后顺序不做限制,即步骤203a和步骤203b、203c之间相互独立,且步骤203c包括步骤2031至2034四个子步骤,其中,步骤2031至2034依次执行。步骤205包括步骤2051至2053三个子步骤,其中,步骤2051至2053依次执行。
其中,执行步骤202、203、204和205后即可得到目标数据集合。
在得到目标数据集合后,样本数据提取方法还包括:
步骤206:确定目标数据集合对应的套管损坏情况。
其中,套管损坏情况包括套管损坏类和非套管损坏类。
步骤207:将目标数据集合和对应的套管损坏情况组合成样本数据。
其中,样本数据用于训练套管损坏预测模型,套管损坏预测模型用于预测油水井的套管是否会损坏。
图5是本公开实施例提供的一种套管损坏预测方法的流程图。如图5所示,该套管损坏预测方法采用计算机执行,例如采用上位机执行,包括:
步骤301:获取样本数据。
可以采用图1或图2所示的方法获取样本数据。
步骤302:采用样本数据训练套管损坏预测模型。
其中,套管损坏预测模型用于根据油水井的射孔段数据、砂岩层数据、套管数据和生产数据预测油水井的套管是否会损坏。
在步骤302中,可以将获取到的样本数据输入待训练的神经网络模型,例如,XGBoost(eXtreme Gradient Boosting,极端梯度提升)和LightGBM(Light GradientBoosting Machine,轻量级梯度提升机),利用一部分样本数据训练出套管损坏预测模型,并利用剩余的样本数据验证训练出的套管损坏预测模型,对比多个模型的预测精度,选择预测精度较高的模型作为最终的套管损坏预测模型。利用最终的套管预测模型来预测未来一段时间油水井套管的损坏情况。
通过步骤301至302可以训练套管损坏预测模型,训练过程通过样本数据对神经网络模型进行训练,获得套管损坏预测模型,且通过从采集到的油水井数据中提取对套管损坏有影响的数据作为样本数据,为套管损坏预测业务提供合理的数据集,为套管损坏预测奠定好的数据保障,以提高训练套管损坏预测模型的质量,使得套管损坏预测模型的评价结果更为准确。
该步骤301和302为可选步骤,在套管损坏预测模型训练好后可以存储后多次调用。
步骤303:获取待评价油水井的射孔段数据、砂岩层数据、套管数据和生产数据。
步骤304:将待评价油水井的射孔段数据、砂岩层数据、套管数据和生产数据输入至套管损坏预测模型。
步骤305:获取套管损坏预测模型输出的评价结果。
其中,评价结果用于预测待评价油水井的套管是否会损坏。
本公开实施例将采集到的1016口非套管损坏井(691口采油水井和325口注水井)和102口套管损坏井(55口采油水井和47口注水井)的单井小层数据、射孔数据、套管结构数据、采油水井月数据、注水井月数据、动静液面、流静压数据等大量数据,整理成完整、合理、可靠的套管损坏影响因素数据集合。并采用该样本数据提取方法最终提取出653条油水井的样本数据和212条注水井的样本数据。将上述提取的样本数据输入待训练的神经网络模型学习,以训练出套管损坏预测模型。
其中,训练出的套管损坏预测模型的评价结果,如图6所示,评价结果显示,在油水井的保留数据集合中,实际上有20个穿孔断面套管损坏(参见图6中左侧上方数据点);套管损坏预测模型预测的结果为14个会出现套管损坏(参见图6中右侧上方数据点)。套管损坏预测模型预测的准确率达到95.4%。
如图7所示,评价结果显示,在注入井的保留数据集合中,实际上有5个穿孔断面套管损坏(参见图7中左侧上方数据点),套管损坏预测模型预测有5个会出现套管损坏(参见图7中右侧上方数据点)。套管损坏预测模型预测的准确率100%。
图8是本公开实施例提供的一种套管损坏因素的数据提取装置的示意图。如图8所示,该数据提取装置800包括:获取模块801和提取模块802。
获取模块801,用于获取多个油水井的数据集合,每个所述油水井的数据集合均包括射孔段数据、砂岩层数据、套管数据和生产数据;
提取模块802,根据油水井的射孔参数从对应的数据集合中,提取目标射孔段数据、目标砂岩层数据、目标套管数据和目标生产数据,得到目标数据集合;
确定模块803,用于确定目标数据集合对应的套管损坏情况,套管损坏情况包括套管损坏类和非套管损坏类;
组合模块804,用于将目标数据集合和对应的套管损坏情况组合成样本数据,样本数据用于训练套管损坏预测模型,套管损坏预测模型用于预测油水井的套管是否会损坏。
可选地,提取模块802包括:第一筛选子模块821,用于筛选出满足第一关系的第一砂层的砂岩层参数,得到砂岩层数据,第一关系包括:油水井的射孔顶深不小于第一砂层的砂层顶深,且油水井的射孔底深不大于第一砂层的砂层底深,砂岩层参数包括砂层顶深、砂层底深、砂层厚度、孔隙度和渗透率。
可选地,提取模块802包括:第二筛选子模块822,用于筛选出满足第二关系的砂层的砂岩层参数,第二关系包括:油水井的射孔顶深不小于第一砂层的砂层顶深,油水井的射孔顶深小于第一砂层的砂层底深,且油水井的射孔底深不小于第二砂层的砂层顶深,油水井的射孔底深小于第二砂层的砂层底深,砂岩层参数包括砂层顶深、砂层底深、砂层厚度、孔隙度和渗透率;
第一确定子模块822,用于根据筛选出的砂层的砂岩层参数中确定合并层砂层顶深、合并层砂层底深、合并层砂层厚度、合并层孔隙度、合并层渗透率和合并层油层组,得到砂岩层数据。
可选地,第一确定子模块822包括:用于将满足第二关系的砂层的砂层顶深和砂层底深,分别确定为合并层砂层顶深和合并层砂层底深;用于筛选出砂层顶深和砂层底深处于合并层砂层顶深和合并层砂层底深之间的砂层;用于将筛选出的砂层的砂层厚度之和确定为合并层砂层厚度,将筛选出的砂层的孔隙度的最大值确定为合并层孔隙度,将筛选出的砂层的渗透率的最大值确定为合并层渗透率;用于筛选出砂层顶深和砂层底深处于合并层砂层顶深和合并层砂层底深之间的油层组,将筛选出的油层组中砂层顶深最小的油层组确定为合并层油层组。
可选地,提取模块802包括:生产周期确定子模块823、生产周期划分子模块824和第二确定子模块825;生产周期确定子模块823用于确定油水井的生产周期;生产周期划分子模块824用于将生产周期划分为多个生产子期间,生产子期间为目标生产数据中各个生产参数的最小更新周期,生产参数包括:生产压差、采液强度、含水率、注水压差和注水强度;第二确定子模块825用于将所有生产子期间中的数值最大的所有生产参数确定为目标生产数据。
可选地,提取模块802还包括:第三筛选子模块826用于筛选出满足筛选规则的生产子期间,筛选规则包括:生产子期间中的油水井的射孔段处于射开状态,油水井的射孔顶深不小于生产井段顶深且油水井的射孔底深不大于生产井段底深;相应地,第二确定子模块825用于将筛选出的生产子期间中的数值最大的所有生产参数确定为所述目标生产数据。
图9是本公开实施例提供的一种套管损坏预测装置的示意图。如图9所示,该套管损坏预测装置900包括:
第一获取模块901,用于获取待评价油水井的射孔段数据、砂岩层数据、套管数据和生产数据;
输入模块902,用于将待评价油水井的射孔段数据、砂岩层数据、套管数据和生产数据输入至套管损坏预测模型,套管损坏预测模型是采用前文所述的提取方法提取的样本数据训练得到的;
第二获取模块903,用于获取套管损坏预测模型输出的评价结果,评价结果用于预测待评价油水井的套管是否会损坏。
图10是本公开实施例提供的另一种套管损坏因素的数据提取装置的示意图。如图10所示,该套管损坏因素的数据提取装置1000可以是计算机设备等。
通常,套管损坏因素的数据提取装置1000包括有:处理器1001和存储器1002。
处理器1001可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。处理器1001可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器1001也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(Central ProcessingUnit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器1001可以在集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器1001还可以包括AI(Artificial Intelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器1002可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器1002还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中,存储器1002中的非暂态的计算机可读存储介质用于存储至少一个指令,该至少一个指令用于被处理器1001所执行以实现本申请中方法实施例提供的套管损坏因素的样本数据提取方法。
在一些实施例中,套管损坏因素的数据提取装置1000还可选包括有:外围设备接口1003和至少一个外围设备。处理器1001、存储器1002和外围设备接口1003之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口1003相连。具体地,外围设备包括:射频电路1004、触摸显示屏1005、摄像头1006、音频电路1007、定位组件1008和电源1009中的至少一种。
外围设备接口1003可被用于将I/O(Input/Output,输入/输出)相关的至少一个外围设备连接到处理器1001和存储器1002。在一些实施例中,处理器1001、存储器1002和外围设备接口1003被集成在同一芯片或电路板上;在一些其他实施例中,处理器1001、存储器1002和外围设备接口1003中的任意一个或两个可以在单独的芯片或电路板上实现,本实施例对此不加以限定。
显示屏1005用于显示UI(User Interface,用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏1005是触摸显示屏时,显示屏1005还具有采集在显示屏1005的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器1001进行处理。此时,显示屏1005还可以用于提供虚拟按钮和/或虚拟键盘,也称软按钮和/或软键盘。在一些实施例中,显示屏1005可以为一个,设置套管损坏因素的数据提取装置1000的前面板;在另一些实施例中,显示屏1005可以为至少两个,分别设置在套管损坏因素的数据提取装置1000的不同表面或呈折叠设计;在再一些实施例中,显示屏1005可以是柔性显示屏,设置在套管损坏因素的数据提取装置1000的弯曲表面上或折叠面上。甚至,显示屏1005还可以设置成非矩形的不规则图形,也即异形屏。显示屏1005可以采用LCD(Liquid Crystal Display,液晶显示屏)、OLED(Organic Light-Emitting Diode,有机发光二极管)等材质制备。
电源1009用于为套管损坏因素的数据提取装置1000中的各个组件进行供电。电源1009可以是交流电、直流电、一次性电池或可充电电池。当电源1009包括可充电电池时,该可充电电池可以支持有线充电或无线充电。该可充电电池还可以用于支持快充技术。
本领域技术人员可以理解,图10中示出的结构并不构成对套管损坏因素的数据提取装置1000的限定,可以包括比图示更多或更少的组件,或者组合某些组件,或者采用不同的组件布置。
本公开实施例还提供了一种非临时性计算机可读存储介质,当所述存储介质中的指令由套管损坏因素的数据提取装置的处理器执行时,使得套管损坏因素的数据提取装置能够执行图1或图2实施例提供的套管损坏因素的样本数据提取方法。
一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述图1或图2所示实施例提供的套管损坏因素的样本数据提取方法。
以上仅为本公开的可选实施例,并不用以限制本公开,凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (11)
1.一种套管损坏因素的样本数据提取方法,其特征在于,所述方法包括:
获取多个油水井的数据集合,每个所述油水井的数据集合均包括射孔段数据、砂岩层数据、套管数据和生产数据;
根据油水井的射孔参数从对应的数据集合中,提取目标射孔段数据、目标砂岩层数据、目标套管数据和目标生产数据,得到目标数据集合;
确定所述目标数据集合对应的套管损坏情况,所述套管损坏情况包括套管损坏类和非套管损坏类;
将所述目标数据集合和对应的所述套管损坏情况组合成样本数据,所述样本数据用于训练套管损坏预测模型,所述套管损坏预测模型用于预测油水井的套管是否会损坏。
2.根据权利要求1所述的方法,其特征在于,根据油水井的射孔参数从对应的数据集合中,提取目标砂岩层数据,包括:
筛选出满足第一关系的第一砂层的砂岩层参数,得到所述砂岩层数据,所述第一关系包括:油水井的射孔顶深不小于所述第一砂层的砂层顶深,且油水井的射孔底深不大于所述第一砂层的砂层底深,所述砂岩层参数包括砂层顶深、砂层底深、砂层厚度、孔隙度和渗透率。
3.根据权利要求1所述的方法,其特征在于,根据油水井的射孔参数从对应的数据集合中,提取目标砂岩层数据,包括:
筛选出满足第二关系的砂层的砂岩层参数,所述第二关系包括:油水井的射孔顶深不小于第一砂层的砂层顶深,油水井的射孔顶深小于所述第一砂层的砂层底深,且油水井的射孔底深不小于第二砂层的砂层顶深,油水井的射孔底深小于所述第二砂层的砂层底深,所述砂岩层参数包括砂层顶深、砂层底深、砂层厚度、孔隙度和渗透率;
根据筛选出的砂层的砂岩层参数确定合并层砂层顶深、合并层砂层底深、合并层砂层厚度、合并层孔隙度、合并层渗透率和合并层油层组,得到所述砂岩层数据。
4.根据权利要求3所述的方法,其特征在于,所述根据筛选出的砂层的砂岩层参数中确定合并层砂层顶深、合并层砂层底深、合并层砂层厚度、合并层孔隙度、合并层渗透率和合并层油层组,包括:
将满足所述第二关系的砂层的所述砂层顶深和所述砂层底深,分别确定为合并层砂层顶深和合并层砂层底深;
筛选出砂层顶深和砂层底深处于所述合并层砂层顶深和所述合并层砂层底深之间的砂层;
将筛选出的砂层的砂层厚度之和确定为合并层砂层厚度,将筛选出的砂层的孔隙度的最大值确定为合并层孔隙度,将筛选出的砂层的渗透率的最大值确定为合并层渗透率;
筛选出砂层顶深和砂层底深处于所述合并层砂层顶深和所述合并层砂层底深之间的油层组,将筛选出的油层组中砂层顶深最小的油层组确定为合并层油层组。
5.根据权利要求1所述的方法,其特征在于,根据油水井的射孔参数从对应的数据集合中,提取目标生产数据,包括:
确定油水井的生产周期;
将所述生产周期划分为多个生产子期间,所述生产子期间为所述目标生产数据中各个生产参数的最小更新周期,所述生产参数包括:生产压差、采液强度、含水率、注水压差和注水强度;
将所有所述生产子期间中的数值最大的所有所述生产参数确定为所述目标生产数据。
6.根据权利要求5所述的方法,其特征在于,所述将所述生产周期划分为多个生产子期间之后,包括:
筛选出满足筛选规则的所述生产子期间,所述筛选规则包括:所述生产子期间中的油水井的射孔段处于射开状态,油水井的射孔顶深不小于生产井段顶深且油水井的射孔底深不大于生产井段底深;
相应地,所述将所有所述生产子期间中的数值最大的所有所述生产参数确定为所述目标生产数据,包括:
将筛选出的所述生产子期间中的数值最大的所有所述生产参数确定为所述目标生产数据。
7.一种套管损坏因素的样本数据提取装置,其特征在于,所述样本数据提取装置包括:
获取模块,用于获取多个油水井的数据集合,每个所述油水井的数据集合均包括射孔段数据、砂岩层数据、套管数据和生产数据;
提取模块,用于根据油水井的射孔参数从对应的数据集合中,提取目标射孔段数据、目标砂岩层数据、目标套管数据和目标生产数据,得到目标数据集合;
确定模块,用于确定所述目标数据集合对应的套管损坏情况,所述套管损坏情况包括套管损坏类和非套管损坏类,
组合模块,用于将所述目标数据集合和对应的所述套管损坏情况组合成样本数据,所述样本数据用于训练套管损坏预测模型,所述套管损坏预测模型用于预测油水井的套管是否会损坏。
8.一种套管损坏预测方法,其特征在于,所述套管损坏预测方法包括:
获取待评价油水井的射孔段数据、砂岩层数据、套管数据和生产数据;
将待评价油水井的射孔段数据、砂岩层数据、套管数据和生产数据输入至套管损坏预测模型,所述套管损坏预测模型是采用权利要求1至6任一项所述的提取方法提取的样本数据训练得到的;
获取所述套管损坏预测模型输出的评价结果,所述评价结果用于预测所述待评价油水井的套管是否会损坏。
9.一种套管损坏预测装置,其特征在于,所述套管损坏预测装置包括:
第一获取模块,用于获取待评价油水井的射孔段数据、砂岩层数据、套管数据和生产数据;
输入模块,用于将待评价油水井的射孔段数据、砂岩层数据、套管数据和生产数据输入至套管损坏预测模型,所述套管损坏预测模型是采用权利要求1至6任一项所述的提取方法提取的样本数据训练得到的;
第二获取模块,用于获取所述套管损坏预测模型输出的评价结果,所述评价结果用于预测所述待评价油水井的套管是否会损坏。
10.一种计算机设备,其特征在于,所述计算机设备包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为执行权利要求1至6任一项所述的套管损坏因素的样本数据提取方法,或者,执行权利要求8所述的套管损坏预测方法。
11.一种非临时性计算机可读存储介质,其特征在于,所述存储介质中存储有至少一条指令,所述至少一条指令由处理器加载并执行以实现权利要求1至6任一项所述的套管损坏因素的样本数据提取方法,或者,执行权利要求8所述的套管损坏预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010015630.1A CN113090249B (zh) | 2020-01-07 | 2020-01-07 | 样本数据提取、套管损坏预测方法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010015630.1A CN113090249B (zh) | 2020-01-07 | 2020-01-07 | 样本数据提取、套管损坏预测方法、装置、设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113090249A true CN113090249A (zh) | 2021-07-09 |
CN113090249B CN113090249B (zh) | 2023-12-26 |
Family
ID=76663214
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010015630.1A Active CN113090249B (zh) | 2020-01-07 | 2020-01-07 | 样本数据提取、套管损坏预测方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113090249B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105760564A (zh) * | 2014-12-19 | 2016-07-13 | 中国石油天然气股份有限公司 | 分析油层套管失效的方法和装置 |
US20170292362A1 (en) * | 2014-10-17 | 2017-10-12 | Landmark Graphics Corporation | Casing wear prediction using integrated physics-driven and data-driven models |
CN108843303A (zh) * | 2018-07-19 | 2018-11-20 | 西南石油大学 | 一种基于泥岩蠕变模型的油水井套管损坏预测方法 |
CN109446574A (zh) * | 2018-09-26 | 2019-03-08 | 北京国双科技有限公司 | 油气开采监测方法、故障识别模型获得方法及相关设备 |
-
2020
- 2020-01-07 CN CN202010015630.1A patent/CN113090249B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170292362A1 (en) * | 2014-10-17 | 2017-10-12 | Landmark Graphics Corporation | Casing wear prediction using integrated physics-driven and data-driven models |
CN105760564A (zh) * | 2014-12-19 | 2016-07-13 | 中国石油天然气股份有限公司 | 分析油层套管失效的方法和装置 |
CN108843303A (zh) * | 2018-07-19 | 2018-11-20 | 西南石油大学 | 一种基于泥岩蠕变模型的油水井套管损坏预测方法 |
CN109446574A (zh) * | 2018-09-26 | 2019-03-08 | 北京国双科技有限公司 | 油气开采监测方法、故障识别模型获得方法及相关设备 |
Non-Patent Citations (1)
Title |
---|
任丽华等: "大港港西油田出砂对套损的影响分析", 石油矿场机械, vol. 39, no. 6, pages 28 - 31 * |
Also Published As
Publication number | Publication date |
---|---|
CN113090249B (zh) | 2023-12-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2011267038B2 (en) | Method of improving the production of a mature gas or oil field | |
US10495782B2 (en) | System, method and computer program product for determining placement of perforation intervals using facies, fluid boundaries, geobodies and dynamic fluid properties | |
US8260595B2 (en) | Intelligent completion design for a reservoir | |
CN104380144B (zh) | 用于最佳油田开发的三维多模式岩芯及地质建模 | |
CN109116428A (zh) | 一种缝洞型碳酸盐岩油藏不确定性建模方法及其装置 | |
Jaripatke et al. | Review of Permian completion designs and results | |
CN106503295B (zh) | 一种利用状态空间模型解释油田水淹层的方法及装置 | |
CN104850732A (zh) | 一种基于砂体统计学的油藏小层划分方法及装置 | |
CN109446735A (zh) | 一种模拟测井数据的生成方法、设备以及系统 | |
CN112302594A (zh) | 非均质水驱油藏的连通结构确定方法、装置及设备 | |
CN113090249A (zh) | 样本数据提取、套管损坏预测方法、装置、设备和介质 | |
Zhang et al. | Proxy models for evaluation of permeability, three-phase relative permeability, and capillary pressure curves from rate-transient data | |
CN109358364A (zh) | 一种建立地下暗河储集体地质模型的方法、装置及系统 | |
Essley Jr | What is reservoir engineering? | |
CN111335870A (zh) | 一种确定油气潜力的方法、装置 | |
Kayode et al. | Pressure Conditioned Modeling: Application of Time-Lapse Shut-in Pressure Data to Map Connected Reservoir Regions for Conditioning of 3-D Geomodel Property Distributions | |
CN109308381A (zh) | 一种确定原油体积系数的方法、装置及系统 | |
Lechner et al. | A Multidisciplinary Approach to Improve Reservoir Management of a Tidal-Fluvial Channel Reservoir in Tasbulat Field, Kazakhstan | |
Mehranfar et al. | A comprehensive workflow for reservoir characterization and history matching applicable to cretaceous naturally fractured reservoirs in Mexico | |
Zhao et al. | Prediction Equipment and Water Damage Prevention Based on Microscopic Image and Mine Water Inflow. | |
Yu et al. | Machine Learning Empowered Well Placement in a Large Unconventional Tight Gas Field in China | |
de A. Cavalcante Filho | Methodology for Quality Map Generation to Assist with the Selection and Refinement of Production Strategies | |
Flett et al. | Application of ensemble variance analysis in the development of the Wheatstone Field startup strategy | |
NO20150173A1 (en) | Method of assistance in geological modeling by grouping meshes together | |
Zeng et al. | The hydraulic fracturing design technology and application of geological-engineering integration for tight gas in jinqiu gas field |
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 |