CN113468646A - 基于地质力学模型和机器学习检测地热井风险的方法 - Google Patents

Abstract

本发明涉及地热井检测技术领域，尤其涉及基于地质力学模型和机器学习检测地热井风险的方法，包括：S1：收集测井资料、测井报告和井史资料；S2：数据整理、清洗，剔除异常，建立测井数据库；S3：筛选井段深度、井径九个参数数据；S4：九个参数数据作为输入，地层坍塌和地层破裂压力为输出，利用随机森林算法建立模型，并对算法参数优化；S5：得到钻井液密度窗口数据，将钻井液密度窗口数据和井史资料中泥浆密度比较，判断井段工况。本发明利用测井资料、测井报告和井史资料数据与坍塌、破裂压力构建地质力学模型，计算坍塌、破裂压力下的当量钻井液密度，通过地层破裂压力、坍塌压力得到钻井液密度窗口，最终确定地热井的工况。

Description

基于地质力学模型和机器学习检测地热井风险的方法

技术领域

本发明涉及地热井检测技术领域，尤其涉及基于地质力学模型和机器学习检测地热井风险的方法。

背景技术

井壁稳定性是钻井过程中面临的最大问题，由于泥页岩地层疏松，钻井过程中，容易坍塌造成卡钻，给地热井开发带来很大损失；井壁失稳的根本原因是由于井眼附近的地应力改变，应力集中造成地应力未能与钻井液压力建立新的平衡；当地层坍塌压力高于钻井液柱压力，造成井壁岩石剪切破坏，若井壁为塑性岩石会导致缩径，若井壁为脆性岩石会引起坍塌，造成扩径；当地层破裂压力低于钻井液压力，会造成井壁岩石拉伸破坏，造成井漏；地层破裂压力是地热井开发工程中的重要参数，可用于选择合理的钻井液密度及确定套管下深，是钻井工程设计必须考虑的关键因素之一；地层破裂压力的准确确定，有助于钻井过程的控制和监测，对钻井过程中平衡压力、防止井喷和井漏、提高钻井速度、减少油气层污染、降低钻井成本意义重大。

现已提出的地层破裂压力预测方法有多种，梁何生等1999年提出了利用水力压裂及套管鞋试漏数据求取破裂压力的方法；刘岩生等2000年提出了利用孔隙度资料预测破裂压力的方法；李传亮等2000年根据多孔介质的双重有效应力概念，提出了一个计算破裂压力的公式；丰全会等2000年建立了直井在均匀水平地应力作用下的弹塑性模型，并推导出了计算破裂压力的公式；曹言光等2003年应用断裂力学理论建立了油气井压裂时的破裂压力计算模型；金业权等2003年提出了利用地震资料的地层破裂压力的预测方法。

地热井施工是在地下进行，由于受到地下环境的影响，给施工带来很多不便，同时也增大了施工风险；随着钻井复杂风险与机器学习结合应用的不断发展，目前已经有多种利用机器学习对钻井复杂风险判断的方法；由于训练数据的误差较大，有部分异常数据、重复数据以及缺失数据，其参数对应的地层压力和风险都有一定的误差，这样就会影响训练结果的训练误差及泛化误差，预测的准确率低。

发明内容

本发明所要解决的技术问题是：利用地质力学模型推导出与坍塌压力和破裂压力强相关的深度、井径、地层纵波、地层横波、地层密度、岩石密度、井段顶届至井口的地层密度平均值、钻井液密度和温度数据九个参数；使用随机森林算法训练九个参数与地层破裂压力、地层坍塌压力模型，再通过预测地层破裂压力、和预测地层坍塌压力得到钻井液密度窗口，结合泥浆密度确定地热井的工况。

本发明所采用的技术方案是：基于地质力学模型和机器学习检测地热井风险的方法包括以下步骤：

S1：根据检测地热井复杂风险所需的参数类型，收集现场测井资料、测井报告和井史资料；

S2、对S1中数据进行整理、清洗，并剔除由机器突发故障或人为造成异常数据以及重复数据，并对缺失数据进行填补，用清洗后的数据建立测井资料、测井报告和井史资料数据库；

S3、根据地质力学模型推导出与地层坍塌压力、地层破裂压力相关的井段深度、井径、地层纵波、地层横波、地层密度、岩石密度、井段顶届至井口的地层密度平均值、钻井液密度和温度九个参数；

S4、将所述S3的九个参数数据作为输入，对应的地层坍塌压力和地层破裂压力两个参数数据作为输出，将数据分为训练集和测试集，利用随机森林算法，对训练集数据进行回归训练，并通过网格搜索算法对随机森林参数优化，得到九个输入参数和两个输出参数的模型，并通过测试集验证随机森林算法模型的准确性；

钻井液密度窗口绝对误差范围反映预测地层破裂压力和实际地层破裂压力、预测地层坍塌压力和实际地层坍塌压力波动幅度，波幅越小说明随机森林算法模型越准确。

S5、通过预测地层坍塌压力和预测地层破裂压力值的范围得到钻井液密度窗口；将钻井液密度窗口数据和井史资料中泥浆密度比较，判断井段工况；

如图2所示，每个样本点有对应的预测地层坍塌压力和预测地层破裂压力，每个样本点的预测地层坍塌压力和预测地层破裂压力的范围即为钻井液密度窗口；

进一步的，S3的地质力学模型建立包括：

S31、建立地层孔隙压力与岩石的有效应力的关系：

σ＝P₀-P_p (1)

其中，σ岩石的有效应力、P₀上覆岩层压力、P_p地层孔隙压力；

σ和岩石泊松比力学参数相关，泊松比力学参数可以用测井资料计算σ＝96.76e^-2.47727μ (2)

其中，μ泊松比，无量纲；

μ泊松比公式：

Δt_c，Δt_s地层纵波，地层横波；

P_p＝P₀-97.769e^-2.47727μ (4)

其中，H₀，H研究井段起始深度和目的深度值，单位m；ρ，ρ_d，井段顶届至井口的地层密度平均值和地层密度，g/cm3；

S32、地层坍塌压力计算模型：

其中，

P_b地层坍塌压力，MPa；σ_H，σ_h最大、最小水平主应力，MPa；

内摩擦角，取π/6；τ岩石粘聚力，MPa；αBiot弹性系数，无量纲；

Biot弹性系数α(0＜α≤1)

其中，ρ_b，ρ_m地层密度、岩石密度，g/cm3；

岩石粘聚力τ，内摩擦角

M＝58.93-1.785τ (10)

式中：V_sh泥质含量，％，由GR测井值求取；

应力非线性修正系数η

η＝σ_θn/σ_θl (11)

其中，σ_θl＝2σ-P_m；

其中，σ_θl，σ_θn均匀地应力下切向应力的线性弹性解和非弹性解，MPa；σ平均水平地应力，MPa；

泥浆液柱压力：

其中，P_m＝9.80665×D_ep×D_mud/1000，MPa；D_mud钻井液的密度，g/cm3；D_ep地层深度，m；

S33、地层破裂压力计算模型

其中，P_f地层破裂压力，MPa；αBiot系数；σ_t岩石抗张强度；u_b地层水平骨架应力非平衡因子，无量纲；

岩石抗张强度σ_t

σ_t＝(0.0045E+0.35E·V_sh)/12 (14)

E＝2ρ_bβ(1+μ)/Δt_s ² (15)

其中，β为单位转换系数；

地层水平骨架应力非平衡因子u_b：

其中，D_max，D_min井径最大、最小值，m；μ_m地层骨架的泊松比，无量纲；k经验系数。

本发明的有益效果是：

1、采用地质力学模型和随机森林算法相结合的方法检测地热井的复杂风险，利用机器算法的可视化分析，容易提取规则、处理速度快等优点，节省了人力物力，有助于油田的高效作业，同时该方法和钻井安全密切相关，可以为钻完井地质工程进行主动指导，为风险地层与井位的部署提供参考，有助于油田安全作业。

附图说明

图1是本发明基于地质力学模型和机器学习检测地热井风险的方法流程图；

图2是本发明随机森林算法地层坍塌压力和地层破裂压力的预测值和真实值对比图；

图3是本发明钻井液密度窗口分布图。

具体实施方式

下面结合附图和实施例对本发明作进一步说明，此图为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。

本发明实例提供了基于地质力学模型和机器学习检测地热井风险的方法，如图1所示，基于地质力学模型和机器学习检测地热井风险的方法包括以下步骤：

S1：根据检测地热井复杂风险所需的参数类型，收集现场测井资料、测井报告和井史资料；

S2：对S1中数据进行整理、清洗，并剔除由机器突发故障或其他特殊原因产生的异常数据以及重复数据，并对缺失数据进行取中值填补，用清洗后的数据建立测井资料、测井报告和井史资料数据库；(选取了某井的12528条数据，按井深排序，将异常大、异常小的值删除，并对缺失数据进行取中值填补，最终得到10629条数据)；

S3：根据地质力学模型推导出与地层坍塌压力、地层破裂压力相关的井段深度、井径、地层纵波、地层横波、地层密度、岩石密度、井段顶届至井口的地层密度平均值、钻井液密度和温度九个参数；

建立的地质力学模型由于有多个系数无法确定，并不能直接计算得到钻井液密度窗口，故需要训练机器学习模型预测钻井液密度窗口，使用测井资料参数有井段深度、井径、地层纵波、地层横波、地层密度、岩石密度、井段顶届至井口的地层密度平均值、钻井液密度八个参数，但由于地热井特殊情况，将温度也加入其中，选择九个参数作为训练数据的输入。

S4：将所述S3的九个参数数据作为输入，对应的地层坍塌压力和地层破裂压力两个参数数据作为输出，将数据分为训练集和测试集，利用随机森林算法，对训练集数据进行回归，并通过网格搜索算法对随机森林参数优化，得到九个输入参数和两个输出参数的模型，并通过测试集验证随机森林算法模型的准确性；

本方法选择了随机森林算法，并使用网格搜索算法对随机森林配置最优参数，利用网格搜索算法的穷举搜索方法，选取最大数深度d为10，回归树的个树m为10，得到最终的最优模型，其他参数如表1，利用测试集数据验证预测地层坍塌压力和预测地层破裂压力与实际压力的效果图，如图2所示。

表1

根据图2得到的钻井液密度窗口绝对误差范围在-0.3至0.5和-0.1至0.2，图3为(真实地层破裂压力-预测地层破裂压力)的波动范围图即误差范围-0.3至0.5，波动范围较小，说明随机森林算法模型的准确性高。

S5：相同井深对应预测地层坍塌压力和预测地层破裂压力的范围为钻井液密度窗口；

通过预测地层坍塌压力和预测破裂压力计算钻井液密度窗口，将钻井液密度窗口数据和井史资料中泥浆密度比较，若泥浆密度在钻井液密度窗口内，说明该井段发生风险的事故不大，反之相反，并与现场情况进行对比。

例如在井深3652m处,坍塌压力预测值为0.919g/cm3，破裂压力预测值为1.841g/cm3，根据井史资料可得泥浆密度值在此处为1.16g/cm3，处于钻井液密度窗口内，故发生风险的概率低；

本发明应用于某地区某区块某井，预测准确率达到86.72％。

以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

Claims (2)

1.基于地质力学模型和机器学习检测地热井风险的方法，其特征在于，包括以下步骤：

S1：根据检测地热井复杂风险所需的参数类型，收集现场测井资料、测井报告和井史资料；

S2、对所述S1中数据进行整理、清洗，剔除异常数据和重复数据，并对缺失数据进行填补，用清洗后的数据建立测井资料、测井报告和井史资料数据库；

S3、根据地质力学模型推导出与地层坍塌压力、地层破裂压力相关的井段深度、井径、地层纵波、地层横波、地层密度、岩石密度、井段顶届至井口的地层密度平均值、钻井液密度和温度九个参数数据；

S4、将所述S3的九个参数数据作为输入，对应的地层坍塌压力和地层破裂压力两个参数数据作为输出，将数据分为训练集和测试集，利用随机森林算法，对训练集数据进行回归训练，并通过网格搜索算法对随机森林参数优化，得到随机森林算法模型，并通过测试集验证随机森林算法模型的准确性；

S5、通过预测地层坍塌压力和预测地层破裂压力值的范围得到钻井液密度窗口，将钻井液密度窗口数据和井史资料中泥浆密度比较，判断井段工况。

2.如权利要求1所述的基于地质力学模型和机器学习检测地热井风险的方法，其特征在于，所述S3的地质力学模型建立包括：

S31、建立地层孔隙压力与岩石的有效应力的关系：

σ＝P₀-P_p (₁)

其中，σ岩石的有效应力、P₀上覆岩层压力、P_p地层孔隙压力；

σ和岩石泊松比力学参数相关，泊松比力学参数可以用测井资料计算：

σ＝96.76e^-2.47727μ (2)

其中，μ泊松比，无量纲；

μ泊松比公式：

Δt_c，Δt_s地层纵波，地层横波；

P_p＝P₀-97.769e^-2.47727μ (4)

其中，H₀，H研究井段起始深度和目的深度值，单位m；ρ，ρ_d，井段顶届至井口的地层密度平均值和实测的地层密度，g/cm3；

S32、地层坍塌压力计算模型：

其中，

P_b地层坍塌压力，MPa；σ_H，σ_h最大、最小水平主应力，MPa；

内摩擦角，取π/6；τ岩石粘聚力，MPa；αBiot弹性系数，无量纲；

Biot弹性系数α(0＜α≤1)

其中，ρ_b，ρ_m地层密度、岩石密度，g/cm3；

岩石粘聚力τ，内摩擦角

M＝58.93-1.785τ (10)

式中：V_sh泥质含量，％，由GR测井值求取；

应力非线性修正系数η

η＝σ_θn/σ_θl (11)

其中，σ_θl＝2σ-P_m；

其中，σ_θl，σ_θn均匀地应力下切向应力的线性弹性解和非弹性解，MPa；σ平均水平地应力，MPa；

泥浆液柱压力：

其中，P_m＝9.80665×D_ep×D_mud/1000，MPa；D_mud钻井液的密度，g/cm3；D_ep地层深度，m；

S33、地层破裂压力计算模型：

其中，P_f地层破裂压力，MPa；αBiot系数；σ_t岩石抗张强度；u_b地层水平骨架应力非平衡因子，无量纲；

岩石抗张强度σ_t

σ_t＝(0.0045E+0.35E·V_sh)/12 (14)

E＝2ρ_bβ(1+μ)/Δt_s ² (15)

其中，β单位转换系数；

地层水平骨架应力非平衡因子u_b：

其中，D_max，D_min井径最大、最小值，m；μ_m地层骨架的泊松比，无量纲；k经验系数。

Images