CN113095593A - 钻井井壁状态确定方法、装置及设备 - Google Patents
钻井井壁状态确定方法、装置及设备 Download PDFInfo
- Publication number
- CN113095593A CN113095593A CN202110484580.6A CN202110484580A CN113095593A CN 113095593 A CN113095593 A CN 113095593A CN 202110484580 A CN202110484580 A CN 202110484580A CN 113095593 A CN113095593 A CN 113095593A
- Authority
- CN
- China
- Prior art keywords
- drilling
- section
- well
- risk
- parameters
- 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
- 238000005553 drilling Methods 0.000 title claims abstract description 237
- 238000000034 method Methods 0.000 title claims abstract description 107
- 238000011156 evaluation Methods 0.000 claims abstract description 69
- 239000012530 fluid Substances 0.000 claims description 59
- 238000013210 evaluation model Methods 0.000 claims description 48
- 230000015572 biosynthetic process Effects 0.000 claims description 42
- 238000012502 risk assessment Methods 0.000 claims description 39
- 230000015654 memory Effects 0.000 claims description 35
- 230000006870 function Effects 0.000 claims description 20
- 238000005457 optimization Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 12
- 238000013135 deep learning Methods 0.000 claims description 5
- 238000011161 development Methods 0.000 abstract description 20
- 230000008569 process Effects 0.000 description 22
- 238000003860 storage Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 16
- 230000006872 improvement Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000011148 porous material Substances 0.000 description 3
- 230000000750 progressive effect Effects 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000007795 chemical reaction product Substances 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 229910021389 graphene Inorganic materials 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000035515 penetration Effects 0.000 description 2
- 238000013058 risk prediction model Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Operations Research (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本说明书提供一种钻井井壁状态确定方法、装置及设备,通过采集已钻井段的相关数据,利用智能学习算法对已钻井段的井壁状态进行了评估,提高了评估的可靠性。同时,基于实时采集的已钻井段的相关数据,对未钻井段的相关参数进行预测,进一步对未钻井段的井壁风险进行了预测,提高了预测精度,以便井壁失稳风险的及时发现和处理。实现了对已钻井段和未钻井段的井壁状态分段风险评估,为油气勘探开发提供了安全开发的理论依据。
Description
技术领域
本说明书属于油气开发技术领域,尤其涉及一种钻井井壁状态确定方法、装置及设备。
背景技术
井壁失稳是油气开发面临的普遍问题,严重影响钻井速度和成本。因钻井井壁失稳导致的经济损失每年超过50亿美元,并且井壁失稳会造成钻井过程中经常发生漏失、卡钻、井塌等复杂工程事故,影响钻井效率。我国渤海湾盆地东营和沙河街组地层硬脆性泥页岩广泛存在,该类地层裂隙发育、性脆,很容易发生井壁坍塌等井壁失稳问题;南海超过75%的区域发育高温超压地层,钻井液安全密度窗口窄、地层压力不确定性强,容易出现井漏、井塌等井下复杂情况,严重制约油气勘探开发进程。因此,在石油钻井过程中对井壁风险进行实时评估非常重要。
发明内容
本说明书实施例的目的在于提供一种钻井井壁状态确定方法、装置、设备及系统,提高了油气勘探开发的安全性。
一方面,本说明书实施例提供了一种钻井井壁状态确定方法,所述方法包括:
获取已钻井段的地层压力、井筒压力、钻井工程参数以及钻井液参数;
根据所述已钻井段的地层压力、井筒压力、钻井工程参数以及钻井液参数利用预先建立的井壁风险评估模型,确定出所述已钻井段的风险评估结果;
根据所述已钻井段的地层压力、井筒压力、钻井工程参数以及钻井液参数利用参数预测模型,预测出所述已钻井段下部的未钻井段的井壁状态评估参数;
利用预测出的所述未钻井段的井壁状态评估参数,确定出所述未钻井段的风险预测结果。
进一步地,所述方法还包括:
以所述已钻井段的井筒压力、破裂压力和坍塌压力构成的钻井液密度窗口为目标函数,以所述已钻井段的井壁稳定为约束条件,对所述钻井工程参数和钻井液参数进行多目标优化,获得最优参数组合。
进一步地,所述井壁风险评估模型的构建方法包括:
获取所述已钻井段预设范围内的多个已开发邻井的钻井数据集以及所述邻井是否发生井漏井塌的井壁状态信息,所述钻井数据集包括所述邻井的地层压力、井筒压力、钻井工程参数、钻井液参数、井塌井漏标签;
构建所述井壁风险评估模型,其中,所述井壁风险评估模型包括多个模型参数;
将所述邻井的钻井数据集作为所述井壁风险评估模型的输入数据,将所述邻井的井壁状态信息作为所述井壁风险评估模型的输出数据,对所述井壁风险评估模型进行模型训练,调整所述井壁风险评估模型的模型参数,直至所述井壁风险评估模型符合预设要求。
进一步地,所述方法还包括:
获取所述已钻井段的实际风险结果;
将所述实际风险结果与所述风险评估结果进行比较,若所述实际风险结果与所述风险评估结果相同,则保存所述已钻井段的风险评估结果;
若所述实际风险结果与所述风险评估结果不同,则确定井壁状态评估不准确,根据所述风险评估结果和所述实际风险评估结果,调整所述井壁风险评估模型的模型参数。
进一步地,在确定井壁状态评估不准确时,所述方法还包括检查数据是否有误,若数据有误,则调整所述井壁风险评估模型的输入数据重新确定所述已钻井段的风险评估结果,若数据无误,则调整所述井壁风险评估模型的模型参数。
进一步地,所述参数预测模型采用时序性深度学习算法进行构建。
进一步地,所述利用预测出的所述未钻井段的井壁状态评估参数,确定出所述未钻井段的风险预测结果,包括:
将预测出的所述未钻井段的井壁状态评估参数输入到所述井壁风险评估模型中,利用所述井壁风险评估模型,确定出所述未钻井段的风险预测结果。
另一方面,本说明书提供了一种钻井井壁状态确定装置,包括:
数据获取模块,用于获取已钻井段的地层压力、井筒压力、钻井工程参数以及钻井液参数;
已钻井段风险评估模块,用于根据所述已钻井段的地层压力、井筒压力、钻井工程参数以及钻井液参数利用预先建立的井壁风险评估模型,确定出所述已钻井段的风险评估结果;
数据预测模块,用于根据所述已钻井段的地层压力、井筒压力、钻井工程参数以及钻井液参数利用参数预测模型,预测出所述已钻井段下部的未钻井段的井壁状态评估参数;
未钻井段风险预测模块,用于利用预测出的所述未钻井段的井壁状态评估参数,确定出所述未钻井段的风险预测结果。
进一步地,所述装置还包括参数优化模块,用于:
以所述已钻井段的井筒压力、漏失压力、坍塌压力以及钻井液密度窗口为目标函数,以所述已钻井段的井壁稳定为约束条件,对所述已钻井段的钻井方案进行多目标优化,获得所述已钻井段的优化参数组合。
再一方面,本说明书实施例提供了一种钻井井壁状态确定设备,包括至少一个处理器以及用于存储处理器可执行指令的存储器,所述处理器执行所述指令时实现上述钻井井壁状态确定方法。
本说明书提供的钻井井壁状态确定方法、装置及设备,通过采集已钻井段的相关数据,利用智能学习算法对已钻井段的井壁状态进行了评估,提高了评估的可靠性。同时,基于实时采集的已钻井段的相关数据,对未钻井段的相关参数进行预测,进一步对未钻井段的井壁风险进行了预测,提高了预测精度,以便井壁失稳风险的及时发现和处理。实现了对已钻井段和未钻井段的井壁状态分段风险评估,为油气勘探开发提供了安全开发的理论依据。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案,下面将对实施例或现有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说明书中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本说明书实施例提供的钻井井壁状态确定方法实施例的流程示意图;
图2是本说明书一些实施例中井壁参数优化的原理示意图;
图3是本说明书一个实施例中井壁风险评估模型的流程示意图;
图4是本说明书一个实施例中钻井井壁状态确定方法的原理示框架意图;
图5是本说明书另一个实施例中钻井井壁状态确定装置的结构示意图;
图6是本说明书一个实施例中钻井井壁状态确定服务器的硬件结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书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说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本说明书保护的范围。
井壁的状态是影响油气勘探开发进程的一个影响因素,对于井壁是否存在安全隐患进行准确的状态分析预测,能够帮助油气勘探人员进行钻井安全性的评估,以提高油气勘探开发的安全性。
图1是本说明书实施例提供的钻井井壁状态确定方法实施例的流程示意图。虽然本说明书提供了如下述实施例或附图所示的方法操作步骤或装置结构,但基于常规或者无需创造性的劳动在所述方法或装置中可以包括更多或者部分合并后更少的操作步骤或模块单元。在逻辑性上不存在必要因果关系的步骤或结构中,这些步骤的执行顺序或装置的模块结构不限于本说明书实施例或附图所示的执行顺序或模块结构。所述的方法或模块结构的在实际中的装置、服务器或终端产品应用时,可以按照实施例或者附图所示的方法或模块结构进行顺序执行或者并行执行(例如并行处理器或者多线程处理的环境、甚至包括分布式处理、服务器集群的实施环境)。
具体的一个实施例如图1所示,本说明书提供的钻井井壁状态确定方法的一个实施例中,所述方法可以应用计算机、平板电脑、服务器、智能手机等终端,所述方法可以包括如下步骤:
步骤102、获取已钻井段的地层压力、井筒压力、钻井工程参数以及钻井液参数。
在具体的实施过程中,已钻井段可以理解为当前正在钻井或已经钻井的井段,可以在钻井过程中实时获取已钻井段的地层压力、井筒压力、钻井工程参数以及钻井液参数,当然根据实际使用需要还可以获取其他数据如:测井数据等,本说明书实施例不作具体限定。其中,钻井工程参数可以包括:井深、井斜角、方位角、井径、钻压、转速、钻速、泵压和排量等参数,钻井液参数可以包括:钻井液密度、钻井液粘度和切力等参数,地层压力可以包括地层孔隙压力、地层破裂压力、地层坍塌压力等,具体可以根据实际使用场景进行调整。
地层压力是地层的属性,可分为孔隙压力、破裂压力和坍塌压力,井筒压力近似为钻井液液柱压力,若液柱压力低于孔隙压力,则易发生溢流甚至井喷;若低于坍塌压力,则易发生井塌;若高于破裂压力,则易发生井漏。钻井工程参数对井壁稳定性也有影响,钻柱的不规则旋转会撞击井壁,导致井壁失稳,钻柱的上提会产生抽汲压力,下放会产生激动压力,都会造成井筒压力的变化;钻井液的性能对井壁稳定也有影响,钻井液长时间浸泡泥页岩会使岩石发生水化,更易发生井塌。地层压力、井筒压力、钻井工程参数以及钻井液参数能够清楚准确的反映出钻井井壁的状态,为后续钻井井壁的风险预测奠定了数据基础。
步骤104、根据所述已钻井段的地层压力、井筒压力、钻井工程参数以及钻井液参数利用预先建立的井壁风险评估模型,确定出所述已钻井段的风险评估结果。
在具体的实施过程中,可以基于当前开发区域已经开发的井的相关开发数据,构建出井壁风险评估模型,井壁风险评估模型可以用来对井段的井壁状态进行风险评估或预测。
本说明书一些实施例中,可以采用下述方法训练构建井壁状态风险评估模型:
获取所述已钻井段预设范围内的多个已开发邻井的钻井数据集以及所述邻井是否发生井漏井塌的井壁状态信息,所述钻井数据集包括所述邻井的地层压力、井筒压力、钻井工程参数、钻井液参数、井塌井漏标签;
构建所述井壁风险评估模型,其中,所述井壁风险评估模型包括多个模型参数;
将所述邻井的钻井数据集作为所述井壁风险评估模型的输入数据,将所述邻井的井壁状态信息作为所述井壁风险评估模型的输出数据,对所述井壁风险评估模型进行模型训练,调整所述井壁风险评估模型的模型参数,直至所述井壁风险评估模型符合预设要求。
在具体的实施过程中可以获取当前已钻井段预设范围内的多个已开发邻井的钻井数据集,例如:获取当前已钻井段方圆5公里的已经开发过的邻井的钻井数据集,以及该邻井是否发生井漏井塌的井壁状态信息。将获取到的邻井的钻井数据集和井壁状态信息作为样本数据,进行井壁风险评估模型的训练。其中,邻井的钻井数据集可以包括邻井的地层压力、井筒压力、钻井工程参数、钻井液参数、井塌井漏标签,各个参数的含义可以参考上述实施例的记载。数据采集完成后,可以先构建出井壁风险评估模型,如:可以采用深度学习算法或其他机器学习模型构建出井壁风险评估模型,再将采集到的邻井的样本数据输入到构建的模型中,其中,邻井的钻井数据集可以作为模型的输入数据,邻井是否发生过井漏井塌的井壁状态信息可以作为输入数据的标签即模型的输出数据,进行模型的训练,直至井壁风险评估模型符合预设要求如:模型的预测精度满足预设精度要求,或模型训练次数满足预设要求等。邻井的地质情况、钻井环境等与当前在钻的井相近,通过采集已钻井段的邻井数据进行井壁风险评估模型的训练,可以确保训练出的井壁风险评估模型符合当前在钻井的环境以及工作情况,确保井壁风险评估模型的准确性,进一步提高对当前在钻井的井壁状态的风险评估结果的准确性。
在对当前在钻井的井壁状态进行风险分析时,可以将采集到的已钻井段的地层压力、井筒压力、钻井工程参数以及钻井液参数输入到构建出的井壁风险评估模型中,利用井壁风险评估模型确定出已钻井段的风险评估结果。风险评估结果可以包括已钻井段是否存在井壁状态不稳定的风险,存在风险的概率有多少,风险的类型是什么如:是井漏还是井塌等,具体可以根据实际使用场景而定。
步骤106、根据所述已钻井段的地层压力、井筒压力、钻井工程参数以及钻井液参数利用参数预测模型,预测出所述已钻井段下部的下部未钻井段的井壁状态评估参数。
在具体的实施过程中,在采集到当前已钻井段的地层压力、井筒压力、钻井工程参数以及钻井液参数后,可以将采集到数据输入到构建好的参数预测模型,利用参数预测模型预测出当前已钻井段下部的钻井段的井壁状态评估参数。其中,井壁状态评估参数可以包括预测出的地层压力、井筒压力、钻井工程参数以及钻井液参数等,参数预测模型可以用来对为钻井井段的钻井参数、地层压力、井筒压力等参数进行预测,参数预测模型可以利用历史已经开发的井段的钻井数据进行模型的训练构建,具体构建方法本说明书实施例不作具体限定。
如:一些实施例中,参数预测模型采用下述方法构建:
获取多个历史已钻井段的地层压力、井筒压力、钻井工程参数以及钻井液参数,并获取所述多个历史已钻井段下部待钻井段钻井时的地层压力、井筒压力、钻井工程参数以及钻井液参数。构建参数预测模型,参数预测模型包括多个模型参数,将采集到的多个历史已钻井段的地层压力、井筒压力、钻井工程参数以及钻井液参数作为参数预测模型的输入数据,将多个历史已钻井段下部待钻井段钻井时的地层压力、井筒压力、钻井工程参数以及钻井液参数作为参数预测模型的输出数据,对参数预测模型进行模型训练,调整参数预测模型的模型参数,直至参数预测模型符合预设要求。
本说明书一些实施例中,参数预测模型可以采用时序性深度学习算法进行构建,如:长短期记忆网络(LSTM,Long Short-Term Memory),利用时序性深度学习算法可以分析出已钻井段和未钻井段的井壁相关参数之间的联系,进一步基于实时采集到的已钻井段的参数预测出未钻井段的参数。
步骤108、利用预测出的所述未钻井段的井壁状态评估参数,确定出所述未钻井段的风险预测结果。
在具体的实施过程中,在预测出已钻井段钻头下部的未钻井段的井壁状态评估参数后,可以基于预测出井壁状态评估参数确定出未钻井段的风险预测结果,如:可以利用历史数据构建出井壁风险预测模型,再将预测出的未钻井段的井壁状态评估参数输入到模型中,即可以预测出未钻井段的风险预测结果。未钻井段的风险预测结果与已钻井段的风险评估结果相似,可以包括:是否存在井壁状态不稳定的风险,存在风险的概率有多少,风险的类型是什么如:是井漏还是井塌等,具体可以根据实际使用场景而定。
本说明书一些实施例中,可以将预测出的未钻井段的井壁状态评估参数输入到井壁风险评估模型中,利用所述井壁风险评估模型,确定出所述未钻井段的风险预测结果。即利用对已钻井段进行风险评估的井壁风险评估模型,对未钻井段进行井壁状态的风险预测,可以不需要单独进行未钻井壁的风险预测模型的训练,节省了井壁风险分析的时间和成本,提高了井壁状态分析的效率。
本说明书实施例提供的钻井井壁状态确定方法,通过采集已钻井段的相关数据,利用智能学习算法对已钻井段的井壁状态进行了评估,提高了评估的可靠性。同时,基于实时采集的已钻井段的相关数据,对未钻井段的相关参数进行预测,进一步对未钻井段的井壁风险进行了预测,提高了预测精度,以便井壁失稳风险的及时发现和处理。实现了对已钻井段和未钻井段的井壁状态分段风险评估,为油气勘探开发提供了安全开发的理论依据。
图2是本说明书一些实施例中井壁参数优化的原理示意图,如图2所示,在上述实施例的基础上,本说明书一些实施例中,所述方法还包括:
以所述已钻井段的井筒压力、破裂压力和坍塌压力构成的钻井液密度窗口为目标函数,以所述已钻井段的井壁稳定为约束条件,对所述钻井工程参数和钻井液参数进行多目标优化,获得最优参数组合。
在具体的实施过程中,可以利用多目标优化算法对钻井工程参数进行优化,避免钻井事故发生。在进行参数多目标优化时,可以以已钻井段的井筒压力、破裂压力和坍塌压力构成的钻液密度窗口为目标函数,以井壁稳定为约束条件,利用遗传算法、粒子群算法等井多目标优化算法,计算优化得到已钻井段的优化参数组合。其中,优化参数组合可以理解为钻井液性能、排量和泵压等钻井工程参数的组合方案或参数的安全参考范围等。如图2所示,可以将优化获得的优化参数组合提供给专家决策,由专业的工作人员判断优化出的参数组合是否合理,基于获得的最优参数组合可以对钻井过程的钻井方案进行调整,以辅助工作人员进行油气安全勘探开发,优化井壁状态,保持已钻井段的井壁的稳定性,确保油气安全勘探开发的安全性。
图3是本说明书一个实施例中井壁风险评估模型的流程示意图,如图3所示,在训练井壁风险评估模型时,可以使用邻井的测井、钻井、岩心、录井以及邻井是否发生井塌、井漏等风险作为样本数据。利用制作出的训练数据进行模型的训练,模型训练完成后,可以利用测试数据进行模型的测试,在确定训练出的模型达到精度要求后,模型训练完成。同时,如图3所示,在对当前在钻的井进行井壁风险评估时,可以采集在钻井的已钻井段的实时数据如:钻井、测井、录井等数据,具体数据可以包括井筒压力、地层压力、钻井工程参数等,具体参见上述实施例的记载。将采集到的实时数据输入到建立的井壁风险评估模型中,利用井壁风险评估模型评估当前的已钻井段是否存在风险,获得已钻井段的风险评估结果。之后,可以获取已钻井段的实际风险结果,如:钻井一段时间或钻井完成后,可以观察该已钻井段是否发生井漏、井塌现象。将已钻井段的实际风险结果与风险评估结果进行比较,若风险评估结果与实际风险结果不同,则可以确定井壁状态评估不准确,即井壁风险评估模型的输出结果不准确,可以对井壁风险评估模型进行模型参数的调整,实现模型的优化,以提高井壁风险评估模型的准确性。
如图3所示,在确定井壁状态评估不准确时,所述方法还包括检查数据是否有误,若数据有误,则调整所述井壁风险评估模型的输入数据重新确定所述已钻井段的风险评估结果,若数据无误,则调整所述井壁风险评估模型的模型参数。
在具体的实时过程中,若已钻井段的实际风险结果与风险评估结果不同,可以对风险评估结果与实际风险结果不同进行原因分析,首先,可以检查数据是否有误,如:输入到模型的数据是否准确,采集到的数据是否准确等,若确定数据有误,则可以将正确的数据重新输入到井壁风险评估模型中,再获得模型输出的风险评估结果,将风险评估结果再次与实际风险结果进行比较。若确定数据无误,再对井壁风险评估模型的模型参数进行调整。若已钻井段的实际风险结果与风险评估结果相同,则可以将已钻井段的井壁状态风险评估信息进行保存。
图4是本说明书一个实施例中钻井井壁状态确定方法的原理示框架意图,下面结合图4具体介绍本说明书实施例中对钻井过程中井壁状态的评估过程:
基于已有的邻井的数据如:地层压力、钻井液性能、钻井工程参数、井筒压力等,利用深度学习算法建立井壁状态实时评估的井壁风险评估模型以及未钻井段参数预测的参数预测模型。
基于实时获取的已钻井段的地层、井筒、工艺和钻井液等相关参数,利用井壁风险评估模型对已钻井段井壁状态实时动态评估。并利用已钻井段的实时数据和参数预测模型,对未钻井段的相关参数进行预测,获得未钻井段的地层压力、井筒压力、钻井工程参数和钻井液参数,将预测出的未钻井段的数据输入到井壁风险评估模型,对未钻井段的井壁状态进行风险预测。
此外,还可以利用多目标优化算法对钻井工程参数进行优化,避免钻井事故发生。参数优化的具体过程,可以参见上述实施例的记载,此处不再赘述。
本说明书实施例,基于数据驱动的井壁风险实时评估与优化方法能够利用实时数据对已钻井段的井壁状态进行了评估,提高了评估的可靠性;利用实时数据和人工智能算法对未钻井段的井壁风险进行了预测,提高了预测精度,以便井壁失稳风险的及时发现和处理。对钻井工程参数进行优化,保持井壁的稳定,能够减少钻井事故发生。
本说明书中上述方法的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参考即可,每个实施例重点说明的都是与其他实施例的不同之处。相关之处参考方法实施例的部分说明即可。
基于上述所述的钻井井壁状态确定方法,本说明书一个或多个实施例还提供一种用于钻井井壁状态确定的装置。所述装置可以包括使用了本说明书实施例所述方法的系统(包括分布式系统)、软件(应用)、模块、组件、服务器、客户端等并结合必要的实施硬件的装置。基于同一创新构思,本说明书实施例提供的一个或多个实施例中的装置如下面的实施例所述。由于装置解决问题的实现方案与方法相似,因此本说明书实施例具体的装置的实施可以参考前述方法的实施,重复之处不再赘述。以下所使用的,术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的系统、装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图5是本说明书另一个实施例中钻井井壁状态确定装置的结构示意图,如图5所示,本说明书一些实施例中提供的钻井井壁状态确定装置可以包括:
数据获取模块51,用于获取已钻井段的地层压力、井筒压力、钻井工程参数以及钻井液参数;
已钻井段风险评估模块52,用于根据所述已钻井段的地层压力、井筒压力、钻井工程参数以及钻井液参数利用预先建立的井壁风险评估模型,确定出所述已钻井段的风险评估结果;
数据预测模块53,用于根据所述已钻井段的地层压力、井筒压力、钻井工程参数以及钻井液参数利用参数预测模型,预测出所述已钻井段下部的未钻井段的井壁状态评估参数;
未钻井段风险预测模块54,用于利用预测出的所述未钻井段的井壁状态评估参数,确定出所述未钻井段的风险预测结果。
本说明书实施例提供的钻井井壁状态确定装置,通过采集已钻井段的相关数据,利用智能学习算法对已钻井段的井壁状态进行了评估,提高了评估的可靠性。同时,基于实时采集的已钻井段的相关数据,对未钻井段的相关参数进行预测,进一步对未钻井段的井壁风险进行了预测,提高了预测精度,以便井壁失稳风险的及时发现和处理。实现了对已钻井段和未钻井段的井壁状态分段风险评估,为油气勘探开发提供了安全开发的数据依据。
本说明书一些实施例中,所述装置还包括参数优化模块,用于:
以所述已钻井段的井筒压力、漏失压力、坍塌压力以及钻井液密度窗口为目标函数,以所述已钻井段的井壁稳定为约束条件,对所述已钻井段的钻井方案进行多目标优化,获得所述已钻井段的优化参数组合。
本说明书实施例提供的钻井井壁状态确定装置,可以对井壁参数进行优化,将优化获得的优化参数组合提供给专家决策,由专业的工作人员判断优化出的参数组合是否合理,以辅助工作人员进行油气安全勘探开发,优化井壁状态,确保油气安全勘探开发的安全性。
需要说明的,上述所述的装置根据对应方法实施例的描述还可以包括其他的实施方式。具体的实现方式可以参照上述对应的方法实施例的描述,在此不作一一赘述。
本说明书实施例还提供一种钻井井壁状态确定设备,包括:至少一个处理器以及用于存储处理器可执行指令的存储器,所述处理器执行所述指令时实现上述实施例的钻井井壁状态确定方法,如:
获取已钻井段的地层压力、井筒压力、钻井工程参数以及钻井液参数;
根据所述已钻井段的地层压力、井筒压力、钻井工程参数以及钻井液参数利用预先建立的井壁风险评估模型,确定出所述已钻井段的风险评估结果;
根据所述已钻井段的地层压力、井筒压力、钻井工程参数以及钻井液参数利用参数预测模型,预测出所述已钻井段下部的未钻井段的井壁状态评估参数;
利用预测出的所述未钻井段的井壁状态评估参数,确定出所述未钻井段的风险预测结果。
需要说明的,上述所述的设备根据方法实施例的描述还可以包括其他的实施方式。具体的实现方式可以参照相关方法实施例的描述,在此不作一一赘述。
本说明书提供的钻井井壁状态确定装置,也可以应用在多种数据分析处理系统中。所述系统或服务器或终端或设备可以为单独的服务器,也可以包括使用了本说明书的一个或多个所述方法或一个或多个实施例系统或服务器或终端或设备的服务器集群、系统(包括分布式系统)、软件(应用)、实际操作装置、逻辑门电路装置、量子计算机等并结合必要的实施硬件的终端装置。所述核对差异数据的检测系统可以包括至少一个处理器以及存储计算机可执行指令的存储器,所述处理器执行所述指令时实现上述任意一个或者多个实施例中所述方法的步骤。
本说明书实施例所提供的方法实施例可以在移动终端、计算机终端、服务器或者类似的运算装置中执行。以运行在服务器上为例,图6是本说明书一个实施例中钻井井壁状态确定服务器的硬件结构框图,该计算机终端可以是上述实施例中的钻井井壁状态确定服务器或钻井井壁状态确定装置。如图6所示服务器10可以包括一个或多个(图中仅示出一个)处理器100(处理器100可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的非易失性存储器200、以及用于通信功能的传输模块300。本领域普通技术人员可以理解,图6所示的结构仅为示意,其并不对上述电子装置的结构造成限定。例如,服务器10还可包括比图6中所示更多或者更少的组件,例如还可以包括其他的处理硬件,如数据库或多级缓存、GPU,或者具有与图6所示不同的配置。
非易失性存储器200可用于存储应用软件的软件程序以及模块,如本说明书实施例中的钻井井壁状态确定方法对应的程序指令/模块,处理器100通过运行存储在非易失性存储器200内的软件程序以及模块,从而执行各种功能应用以及资源数据更新。非易失性存储器200可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,非易失性存储器200可进一步包括相对于处理器100远程设置的存储器,这些远程存储器可以通过网络连接至计算机终端。上述网络的实例包括但不限于互联网、企业内部网、局与网、移动通信网及其组合。
传输模块300用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端的通信供应商提供的无线网络。在一个实例中,传输模块300包括一个网络适配器(Network Interface Controller,NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输模块300可以为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书提供的上述实施例所述的方法或装置可以通过计算机程序实现业务逻辑并记录在存储介质上,所述的存储介质可以计算机读取并执行,实现本说明书实施例所描述方案的效果,如:
获取已钻井段的地层压力、井筒压力、钻井工程参数以及钻井液参数;
根据所述已钻井段的地层压力、井筒压力、钻井工程参数以及钻井液参数利用预先建立的井壁风险评估模型,确定出所述已钻井段的风险评估结果;
根据所述已钻井段的地层压力、井筒压力、钻井工程参数以及钻井液参数利用参数预测模型,预测出所述已钻井段下部的未钻井段的井壁状态评估参数;
利用预测出的所述未钻井段的井壁状态评估参数,确定出所述未钻井段的风险预测结果。
所述存储介质可以包括用于存储信息的物理装置,通常是将信息数字化后再以利用电、磁或者光学等方式的媒体加以存储。所述存储介质有可以包括:利用电能方式存储信息的装置如,各式存储器,如RAM、ROM等;利用磁能方式存储信息的装置如,硬盘、软盘、磁带、磁芯存储器、磁泡存储器、U盘;利用光学方式存储信息的装置如,CD或DVD。当然,还有其他方式的可读存储介质,例如量子存储器、石墨烯存储器等等。
本说明书实施例提供的上述钻井井壁状态确定方法或装置可以在计算机中由处理器执行相应的程序指令来实现,如使用windows操作系统的c++语言在PC端实现、linux系统实现,或其他例如使用android、iOS系统程序设计语言在智能终端实现,以及基于量子计算机的处理逻辑实现等。
需要说明的是说明书上述所述的装置、计算机存储介质、系统根据相关方法实施例的描述还可以包括其他的实施方式,具体的实现方式可以参照对应方法实施例的描述,在此不作一一赘述。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参考即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于硬件+程序类实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参考方法实施例的部分说明即可。
本说明书实施例并不局限于必须是符合行业通信标准、标准计算机资源数据更新和数据存储规则或本说明书一个或多个实施例所描述的情况。某些行业标准或者使用自定义方式或实施例描述的实施基础上略加修改后的实施方案也可以实现上述实施例相同、等同或相近、或变形后可预料的实施效果。应用这些修改或变形后的数据获取、存储、判断、处理方式等获取的实施例,仍然可以属于本说明书实施例的可选实施方案范围之内。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、车载人机交互设备、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
虽然本说明书一个或多个实施例提供了如实施例或流程图所述的方法操作步骤,但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的装置或终端产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境,甚至为分布式资源数据更新环境)。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、产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、产品或者设备所固有的要素。在没有更多限制的情况下,并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本说明书一个或多个时可以把各模块的功能在同一个或多个软件和/或硬件中实现,也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
本发明是参照根据本发明实施例的方法、装置(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程资源数据更新设备的处理器以产生一个机器,使得通过计算机或其他可编程资源数据更新设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程资源数据更新设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程资源数据更新设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储、石墨烯存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
本领域技术人员应明白,本说明书一个或多个实施例可提供为方法、系统或计算机程序产品。因此,本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书一个或多个实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本本说明书一个或多个实施例,在这些分布式计算环境中,由通过通信网络而被连接的远程设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参考即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参考方法实施例的部分说明即可。在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
以上所述仅为本说明书一个或多个实施例的实施例而已,并不用于限制本说明书一个或多个实施例。对于本领域技术人员来说,本说明书一个或多个实施例可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在权利要求范围之内。
Claims (10)
1.一种钻井井壁状态确定方法,其特征在于,所述方法包括:
获取已钻井段的地层压力、井筒压力、钻井工程参数以及钻井液参数;
根据所述已钻井段的地层压力、井筒压力、钻井工程参数以及钻井液参数利用预先建立的井壁风险评估模型,确定出所述已钻井段的风险评估结果;
根据所述已钻井段的地层压力、井筒压力、钻井工程参数以及钻井液参数利用参数预测模型,预测出所述已钻井段下部的未钻井段的井壁状态评估参数;
利用预测出的所述未钻井段的井壁状态评估参数,确定出所述未钻井段的风险预测结果。
2.如权利要求1所述的方法,其特征在于,所述方法还包括:
以所述已钻井段的井筒压力、破裂压力和坍塌压力构成的钻井液密度窗口为目标函数,以所述已钻井段的井壁稳定为约束条件,对所述钻井工程参数和钻井液参数进行多目标优化,获得最优参数组合。
3.如权利要求1所述的方法,其特征在于,所述井壁风险评估模型的构建方法包括:
获取所述已钻井段预设范围内的多个已开发邻井的钻井数据集以及所述邻井是否发生井漏井塌的井壁状态信息,所述钻井数据集包括所述邻井的地层压力、井筒压力、钻井工程参数、钻井液参数、井塌井漏标签;
构建所述井壁风险评估模型,其中,所述井壁风险评估模型包括多个模型参数;
将所述邻井的钻井数据集作为所述井壁风险评估模型的输入数据,将所述邻井的井壁状态信息作为所述井壁风险评估模型的输出数据,对所述井壁风险评估模型进行模型训练,调整所述井壁风险评估模型的模型参数,直至所述井壁风险评估模型符合预设要求。
4.如权利要求1所述的方法,其特征在于,所述方法还包括:
获取所述已钻井段的实际风险结果;
将所述实际风险结果与所述风险评估结果进行比较,若所述实际风险结果与所述风险评估结果相同,则保存所述已钻井段的风险评估结果;
若所述实际风险结果与所述风险评估结果不同,则确定井壁状态评估不准确,根据所述风险评估结果和所述实际风险评估结果,调整所述井壁风险评估模型的模型参数。
5.如权利要求4所述的方法,其特征在于,在确定井壁状态评估不准确时,所述方法还包括检查数据是否有误,若数据有误,则调整所述井壁风险评估模型的输入数据重新确定所述已钻井段的风险评估结果,若数据无误,则调整所述井壁风险评估模型的模型参数。
6.如权利要求1所述的方法,其特征在于,所述参数预测模型采用时序性深度学习算法进行构建。
7.如权利要求1所述的方法,其特征在于,所述利用预测出的所述未钻井段的井壁状态评估参数,确定出所述未钻井段的风险预测结果,包括:
将预测出的所述未钻井段的井壁状态评估参数输入到所述井壁风险评估模型中,利用所述井壁风险评估模型,确定出所述未钻井段的风险预测结果。
8.一种钻井井壁状态确定装置,其特征在于,包括:
数据获取模块,用于获取已钻井段的地层压力、井筒压力、钻井工程参数以及钻井液参数;
已钻井段风险评估模块,用于根据所述已钻井段的地层压力、井筒压力、钻井工程参数以及钻井液参数利用预先建立的井壁风险评估模型,确定出所述已钻井段的风险评估结果;
数据预测模块,用于根据所述已钻井段的地层压力、井筒压力、钻井工程参数以及钻井液参数利用参数预测模型,预测出所述已钻井段下部的未钻井段的井壁状态评估参数;
未钻井段风险预测模块,用于利用预测出的所述未钻井段的井壁状态评估参数,确定出所述未钻井段的风险预测结果。
9.如权利要求8所述的装置,其特征在于,所述装置还包括参数优化模块,用于:
以所述已钻井段的井筒压力、漏失压力、坍塌压力以及钻井液密度窗口为目标函数,以所述已钻井段的井壁稳定为约束条件,对所述已钻井段的钻井方案进行多目标优化,获得所述已钻井段的优化参数组合。
10.一种钻井井壁状态确定设备,其特征在于,包括:至少一个处理器以及用于存储处理器可执行指令的存储器,所述处理器执行所述指令时实现权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110484580.6A CN113095593B (zh) | 2021-04-30 | 2021-04-30 | 钻井井壁状态确定方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110484580.6A CN113095593B (zh) | 2021-04-30 | 2021-04-30 | 钻井井壁状态确定方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113095593A true CN113095593A (zh) | 2021-07-09 |
CN113095593B CN113095593B (zh) | 2023-09-19 |
Family
ID=76681140
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110484580.6A Active CN113095593B (zh) | 2021-04-30 | 2021-04-30 | 钻井井壁状态确定方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113095593B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113553356A (zh) * | 2021-07-23 | 2021-10-26 | 中海石油(中国)有限公司 | 一种钻井参数预测方法和系统 |
CN116291336A (zh) * | 2023-02-14 | 2023-06-23 | 电子科技大学 | 一种基于深度自注意力神经网络的自动分段分簇系统 |
CN116291336B (zh) * | 2023-02-14 | 2024-05-24 | 电子科技大学 | 一种基于深度自注意力神经网络的自动分段分簇系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2706297A1 (en) * | 2007-11-19 | 2009-05-28 | Steklov Mathematical Institute Ras | Method and system for evaluating the characteristic properties of two contacting media and of the interface between them based on mixed surface waves propagating along the interface |
WO2018075722A1 (en) * | 2016-10-21 | 2018-04-26 | Baker Hughes, A Ge Company, Llc | Geomechanical risk and hazard assessment and mitigation |
CN109740210A (zh) * | 2018-12-21 | 2019-05-10 | 中国石油大学(北京) | 一种页岩气压裂井下砂堵事故实时风险评估方法及装置 |
CN109858147A (zh) * | 2019-01-30 | 2019-06-07 | 西南石油大学 | 一种基于可靠度理论的井壁失稳风险定量评价方法 |
CN111563648A (zh) * | 2020-03-27 | 2020-08-21 | 中国石油化工股份有限公司石油工程技术研究院 | 一种钻井风险评估方法及装置 |
-
2021
- 2021-04-30 CN CN202110484580.6A patent/CN113095593B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2706297A1 (en) * | 2007-11-19 | 2009-05-28 | Steklov Mathematical Institute Ras | Method and system for evaluating the characteristic properties of two contacting media and of the interface between them based on mixed surface waves propagating along the interface |
WO2018075722A1 (en) * | 2016-10-21 | 2018-04-26 | Baker Hughes, A Ge Company, Llc | Geomechanical risk and hazard assessment and mitigation |
CN109740210A (zh) * | 2018-12-21 | 2019-05-10 | 中国石油大学(北京) | 一种页岩气压裂井下砂堵事故实时风险评估方法及装置 |
CN109858147A (zh) * | 2019-01-30 | 2019-06-07 | 西南石油大学 | 一种基于可靠度理论的井壁失稳风险定量评价方法 |
CN111563648A (zh) * | 2020-03-27 | 2020-08-21 | 中国石油化工股份有限公司石油工程技术研究院 | 一种钻井风险评估方法及装置 |
Non-Patent Citations (2)
Title |
---|
吴超等: "井壁稳定性实时预测方法", 《石油勘探与开发》, vol. 35, no. 1, pages 80 - 84 * |
李根生等: "智能钻井技术研究现状及发展趋势", 《石油钻探技术》, vol. 48, no. 1, pages 1 - 8 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113553356A (zh) * | 2021-07-23 | 2021-10-26 | 中海石油(中国)有限公司 | 一种钻井参数预测方法和系统 |
CN116291336A (zh) * | 2023-02-14 | 2023-06-23 | 电子科技大学 | 一种基于深度自注意力神经网络的自动分段分簇系统 |
CN116291336B (zh) * | 2023-02-14 | 2024-05-24 | 电子科技大学 | 一种基于深度自注意力神经网络的自动分段分簇系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113095593B (zh) | 2023-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
RU2600497C2 (ru) | Способы и относящиеся к ним системы построения моделей и прогнозирования операционных результатов операции бурения | |
CN109508827B (zh) | 一种基于时间递归神经网络的钻井事故预警方法 | |
US11551106B2 (en) | Representation learning in massive petroleum network systems | |
US10359541B2 (en) | Creating virtual production logging tool profiles for improved history matching | |
CN111665560B (zh) | 油气层识别方法、装置、计算机设备及可读存储介质 | |
NO20180726A1 (en) | Optimization under uncertainty for integrated models | |
Alarifi et al. | Productivity index prediction for oil horizontal wells using different artificial intelligence techniques | |
CN103498670B (zh) | 水平井地质预测方法和装置 | |
CN105488583A (zh) | 预测致密油待评价区域可采储量的方法及装置 | |
CN111101929B (zh) | 一种计算油气藏平均地层压力的方法、装置及系统 | |
CN105683495A (zh) | 设计井筒完井层段 | |
CN115329657B (zh) | 钻井参数优化方法及装置 | |
US20210042633A1 (en) | Aggregation functions for nodes in ontological frameworks in representation learning for massive petroleum network systems | |
CN111459955B (zh) | 一种基于gis平台的三维地质结构模型自动更新方法及系统 | |
WO2021146410A1 (en) | Training of machine learning algorithms for generating a reservoir digital twin | |
CN105528648A (zh) | 缝洞单元的生产动态预测方法及装置 | |
Ibrahim et al. | A new look at reserves estimation of unconventional gas reservoirs | |
CN113095593B (zh) | 钻井井壁状态确定方法、装置及设备 | |
CN107153881B (zh) | 一种钻井风险的预测方法 | |
CN108131127B (zh) | 一种泡沫油型超重油油田的生产气油比的获取方法及装置 | |
CN112437829A (zh) | 井身破坏分析和评估 | |
WO2017171576A1 (en) | Method for predicting perfomance of a well penetrating | |
CN111155986B (zh) | 一种多层合采气井井距的确定方法、装置、设备及系统 | |
WO2020181037A1 (en) | Systems and methods for hydrocarbon reservoir well connectivity graph optimization, simulation and development | |
CN108492014B (zh) | 一种确定地质资源量的数据处理方法及装置 |
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 |