CN113936750A - 一种优化堵漏材料配比的方法及设备 - Google Patents

一种优化堵漏材料配比的方法及设备 Download PDF

Info

Publication number
CN113936750A
CN113936750A CN202111286877.8A CN202111286877A CN113936750A CN 113936750 A CN113936750 A CN 113936750A CN 202111286877 A CN202111286877 A CN 202111286877A CN 113936750 A CN113936750 A CN 113936750A
Authority
CN
China
Prior art keywords
data
leakage
proportion
plugging
optimizing
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.)
Pending
Application number
CN202111286877.8A
Other languages
English (en)
Inventor
高宏波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin Bohai Zhonglian Oil Technology Co ltd
Original Assignee
Tianjin Bohai Zhonglian Oil Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tianjin Bohai Zhonglian Oil Technology Co ltd filed Critical Tianjin Bohai Zhonglian Oil Technology Co ltd
Priority to CN202111286877.8A priority Critical patent/CN113936750A/zh
Publication of CN113936750A publication Critical patent/CN113936750A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/90—Programming languages; Computing architectures; Database systems; Data warehousing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Processing Of Solid Wastes (AREA)

Abstract

本申请涉及油气开发勘探技术领域，提供一种优化堵漏材料配比的方法及设备。一种优化堵漏材料配比的方法，包括：S1数据采集和数据预处理：获取来自目标区块的已完钻井资料，对发生过漏失井的漏失与成功堵漏作业信息进行分析整理，建立数据集；S2建立漏速合成模型：将的数据集分为训练集和测试集，将训练集放到GBDT算法模型中进行训练，并通过测试集验证训练后的模型效果；S3堵漏材料配比优化：当实钻过程中发生漏失，记录漏速数据；建立堵漏材料配比优化与推荐问题的目标函数；采用遗传算法对目标函数进行最优化求解，以获取优化的堵漏材料配比。本申请可以帮助钻井人员制定对策方案，调整堵漏配方，提升堵漏作业成功率，保证安全优质高效钻井。

Description

一种优化堵漏材料配比的方法及设备
技术领域
本申请属于油气开发勘探技术领域，涉及钻井堵漏领域，特别是涉及一种优化堵漏材料配比的方法及设备。
背景技术
相关技术中，井漏是钻井中较为常见的一种施工安全隐患和技术难题。一般的，井漏是指井筒内钻井液漏入地层孔隙、裂缝等空间的现象，是钻井工程中常见的井内复杂情况。如果处理不及时或工艺不恰当，极易诱发井壁失稳，并有可能伴生卡钻、溢流等一系列钻井问题，导致钻井成本增加并带来巨大的安全隐患。
目前，常用的堵漏方法主要可以分为桥接堵漏、水泥堵漏和化学凝胶类堵漏。在众多防漏堵漏方法中，桥接堵漏由于其材料价格便宜，来源广，不影响钻井液流变性，施工工艺简单而在现场应用范围最为广泛。桥接堵漏材料是由形状不同、大小各异的惰性材料按照一定的比例和级配形成的复合堵漏材料。桥接堵漏材料一般由颗粒状材料、纤维状材料和片状材料组成，常见的有核桃壳和云母等。
桥接堵漏成功的关键是如何选择堵漏功能材料的搭配比例。该项选择的一项重要依据为漏失点裂缝宽度，但通常缝宽信息只能通过邻井岩心与成像测井数据获得，成本极高，且不同井位差异大，在实钻过程中无法获得漏失点的缝宽信息。因此，目前仅可根据漏速等漏失信息进行人为估计，然而，这种模式严重依赖于现场工程师经验，影响了堵漏作业的成功率，增加了钻井非生产时间，降低了效率，提升了成本。
因此，针对上述问题，亟需提出一种优化堵漏材料配比的方法及设备，可以提高桥接堵漏作业科学性和成功率，便于桥接堵漏材料配方的配制。
发明内容
鉴于存在的上述问题，本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明提供一种优化堵漏材料配比的方法及设备，能够帮助钻井人员制定合理堵漏配方，提升堵漏作业的成功率，减少钻井附加时间，提升钻井效率。
为了解决上述技术问题，本发明通过以下技术方案实现：
根据本申请的一个方面，提供一种优化堵漏材料配比的方法，包括以下步骤：
S1、数据采集和数据预处理：获取来自目标区块的已完钻井资料，对发生过漏失井的漏失与成功堵漏作业信息进行分析整理，建立相应的数据集；
S2、建立漏速合成模型：将所述的数据集划分为训练集和测试集，将所述训练集放到GBDT算法模型中进行训练，并通过所述测试集验证训练后的模型效果；
S3、堵漏材料配比优化：当实钻过程中发生漏失，记录下漏速数据；建立堵漏材料配比优化与推荐问题的目标函数；设定该问题的目标函数为：
Figure BDA0003333384590000021
其中，data为在实钻过程中实测的漏速数据，data_syn为利用步骤S2中的模型合成的漏速数据；
采用遗传算法对目标函数进行最优化求解，以获取优化的堵漏材料配比。
在其中的一些实施方式中，步骤S1具体包括：
获取来自目标区块的已完钻井资料，对发生过漏失井的漏失与成功堵漏作业信息进行分析整理，以漏速以及相应的堵漏材料配方为依据，建立堵漏材料配方及成果库，得到相应的数据集，所述数据集包含了目标区块的多口井的多个漏失点信息，每一漏失点信息都包含井漏漏速及成功堵漏作业中堵漏材料配方。
在其中的一些实施方式中，将所述数据集形成为统一的训练集文本格式，所述格式中包括多行多列，多列中的其中一列为漏速，其余各列为不同的堵漏材料原材料种类，每一行代表某一次的漏失数据，所述漏失数据包括堵漏材料配比和漏速数据。
在其中的一些实施方式中，步骤S2具体包括：
将所述的数据集按照固定比例随机划分为训练集和测试集，依据训练集样本，以堵漏材料配比为输入数据，利用GBDT算法，优选回归树个数、学习率与回归树的深度，训练漏失数据的合成模型，并通过所述测试集验证训练后的模型效果。
在其中的一些实施方式中，所述回归树个数为100，所述学习率为0.1，所述回归树的深度为3。
在其中的一些实施方式中，步骤S3中，遗传算法的具体设计为：
设定待求解含量的变化范围；
随机生成多个个体组成的群体；
计算每个群体的目标函数；
依次进行选择、交叉、变异操作对群体进行进化，并判断新一代群体的最优解是否满足停止条件；
输出最优个体为反演的最优化的堵漏材料配比。
在其中的一些实施方式中，所述堵漏材料根据目标区块的情况适应性选择，所述堵漏材料包括云母、纤维和不同粒径级别的核桃壳，其中不同粒径级别的核桃壳包括粗核桃壳、中粗核桃壳和细核桃壳。
根据本申请的另一个方面，提供了一种电子设备，包括处理器和存储器，所述存储器存储有计算机可执行指令，所述计算机可执行指令被所述处理器执行时实现如上所述的优化堵漏材料配比的方法。
根据本申请的另一个方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有执行实现如上所述的优化堵漏材料配比的方法的计算机程序。
实施本发明的技术方案，至少具有以下有益效果：
本发明实施例提供的优化堵漏材料配比的方法，包括通过数据采集和数据预处理、建立漏速合成模型和堵漏材料配比优化等步骤，获得了最优化的堵漏材料配比。由此，基于完钻井漏失及堵漏材料配比数据挖掘，在新钻井井漏发生后实时为钻井人员推荐最优桥接堵漏材料配比，帮助钻井人员制定对策方案，调整堵漏配方，提升堵漏作业成功率，减少钻井时间，提升钻井效率，保证安全优质高效钻井，缓解了现有技术中仅凭经验误差大、影响堵漏作业成功率等问题。因此，本发明的方法具有简单易行且节省费用的特点，相比于仅凭工程师经验方法具有更准确的特点，从而达到提高堵漏材料配比选择准确性、低成本和优化效率的特点，能够确定堵漏材料配方，提高堵漏效率，满足安全高效钻井的要求并降低钻井成本。
本申请的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
图1为本申请示例性的一种实施方式提供的优化堵漏材料配比的方法流程图；
图2为本申请示例性的一种实施方式提供的优化堵漏材料配比的方法另一种流程图；
图3为本申请示例性的一种实施方式提供的优化堵漏材料配比的方法中合成漏速与实测漏速对比图；
图4为本申请示例性的一种实施方式提供的优化堵漏材料配比的方法中遗传算法解谱示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请实施例，对本申请的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请提供的技术方案及所给出的实施例，本领域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，都属于本申请保护的范围。实施例中未注明具体条件者，按照常规条件或制造商建议的条件进行。
在本文中所披露的范围的端点和任何值都不限于该精确的范围或值，这些范围或值应当理解为包含接近这些范围或值的值。对于数值范围来说，各个范围的端点值之间、各个范围的端点值或单独的点值之间，以及单独的点值之间可以彼此组合而得到一个或多个新的数值范围。
在一种具体实施例中，下面通过具体的实施例对本申请做进一步地详细描述。
如背景技术所言，相关技术中在进行桥接堵漏作业时，依赖于现场工程师经验评估，影响了堵漏作业的成功率，增加了钻井非生产时间，降低了效率，提升了成本，因而还有待于改进。
基于此，本申请实施例的技术方案提供了优化堵漏材料配比的方法及设备，本申请实施例涉及综合利用神经网络与遗传算法的复合堵漏材料配比优化方法，该方法利用了工区完钻井漏失与堵漏材料配比数据集挖掘，在新钻井漏失发生后实时推荐最优堵漏材料配比，帮助钻井人员制定合理堵漏配方，从而提升堵漏作业的成功率，减少钻井附加时间，提升钻井效率。
请参阅图1、图2所示，在一些实施例中，提供一种优化堵漏材料配比的方法，该方法包括以下步骤：
S1、数据采集和数据预处理：获取来自目标区块(目标工区)的已完钻井资料，对发生过漏失井的漏失与成功堵漏作业信息进行分析整理，建立相应的数据集。
步骤S1主要是进行数据库建立与预处理，在该步骤中，需要收集某工区完钻井资料，对发生过漏失井的案例数据和资料进行整理分析，整理数据包括漏层(漏点)信息和配方性能信息，其中漏点信息可以包括漏速(即堵漏作业时的漏速)，配方性能信息可以包括堵漏材料的配比情况(如百分比)，堵漏材料的具体原材料类型可以示工区情况而定。在此基础上，将所收集整理的历史应用配方数据中，对这些数据进行数字化处理，建立相应的数据集，也即形成堵漏材料配方及成果库。
S2、建立漏速合成模型：将所述的数据集划分为训练集和测试集，将所述训练集放到GBDT(Gradient Boosting Decision Tree)算法模型中进行训练，并通过所述测试集验证训练后的模型效果。
步骤S2主要是建立漏速合成模型，在该步骤中，首先要先将步骤S1得到的数据集进行划分，即将数据集划分为训练集和测试集；而后可以依据训练集样本，以堵漏材料的配比为输入数据，利用GBDT算法，优选回归树个数，学习率与回归树的深度，训练漏失数据的合成模型即漏速合成模型，并通过测试集验证训出的模型效果。
S3、堵漏材料配比优化：当实钻过程中发生漏失，记录下漏速数据；建立堵漏材料配比优化与推荐问题的目标函数(适应度函数)；设定该问题的目标函数为：
Figure BDA0003333384590000061
其中，data为在实钻过程中实测的漏速数据，data_syn为利用步骤S2中的模型合成的漏速数据；
采用遗传算法对目标函数进行最优化求解，以获取优化的堵漏材料配比。
步骤S3主要是进行目标函数确定，遗传算法参数设定，利用遗传算法进行堵漏材料最优配比求解，从而获得优化的堵漏材料配比。通过遗传算法进行模型优化以及最优化求解可以提升结果准确度。
在一些实施例中，步骤S1具体包括：获取来自目标区块的已完钻井资料，对发生过漏失井的漏失与成功堵漏作业信息进行分析整理，以漏速以及相应的堵漏材料配方为依据，建立堵漏材料配方及成果库，得到相应的数据集，所述数据集包含了目标区块的多口井的多个漏失点信息，每一漏失点信息都包含井漏漏速及成功堵漏作业中堵漏材料配方。
具体的，将所述数据集形成为统一的训练集文本格式，所述格式中包括多行多列，多列中的其中一列为漏速，其余各列为不同的堵漏材料原材料种类，每一行代表某一次的漏失数据，所述漏失数据包括堵漏材料配比和漏速数据。
上述步骤S1中，收集与整理目标工区所有已完钻井漏失与成功堵漏作业信息，这些信息包括漏速(堵漏作业时的漏速)，以及相应桥接堵漏材料的配比情况(百分比)。桥接堵漏材料原材料种类可以示工区情况而定。而后可以将所收集整理的数据进行数字化处理，形成统一训练集文本格式，该格式的前n列为堵漏材料种类，最后一列为漏失速度。每一行代表某一次漏失数据。
可选地，所述堵漏材料根据目标区块的情况适应性选择，所述堵漏材料包括但不限于云母、纤维和不同粒径级别的核桃壳，其中不同粒径级别的核桃壳包括粗核桃壳、中粗核桃壳和细核桃壳。应理解，粗核桃壳的粒径大于中粗核桃壳的粒径，中粗核桃壳的粒径大于细核桃壳的粒径，本发明实施例对于粗核桃壳、中粗核桃壳和细核桃壳的具体粒径不作限制，只要满足三者的粒径是依次减小的即可。
需要指出的是，本发明实施例对于堵漏材料具体原材料类型及其来源没有限制要求，本领域技术人员可以根据实际需求灵活选择，只要不对本发明的目的产生限制即可。如可以采用本领域技术人员所熟知的相关工区常用的堵漏材料种类。
在一些实施例中，步骤S2具体包括：将所述的数据集按照固定比例随机划分为训练集和测试集，依据训练集样本，以堵漏材料配比为输入数据，利用GBDT算法，优选回归树个数、学习率与回归树的深度，训练漏失数据的合成模型，并通过所述测试集验证训练后的模型效果。
具体的，所述回归树个数为100，所述学习率为0.1，所述回归树的深度为3。
上述步骤S2中，将步骤S1得到的数据集数据按照固定比例随机分为训练集与测试集。其中的固定比例可以依据实际情况而选择设定，例如训练集与测试集的比例可以为15～5：1，进一步可以为12～8：1。而后依据训练集样本，以堵漏材料的配比为输入数据，利用GBDT算法，优选回归树个数，学习率与回归树的深度。训练漏失数据的合成模型，并通过测试集验证训出的模型效果。
在一些实施例中，步骤S3中，遗传算法的具体设计为：
设定待求解含量的变化范围；
随机生成多个个体组成的群体；
计算每个群体的目标函数(适应度函数)；
依次进行选择、交叉、变异操作对群体进行进化，并判断新一代群体的最优解是否满足停止条件；
输出最优个体为反演的最优化的堵漏材料配比。
由此，采用遗传算法对目标函数进行最优化求解，可以获取最优堵漏材料配比。
在一些实施例中，本发明实施例还提供了一种电子设备，包括处理器和存储器，所述存储器存储有计算机可执行指令，所述计算机可执行指令被所述处理器执行时实现如上所述的优化堵漏材料配比的方法。
在一些实施例中，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有执行实现如上所述的优化堵漏材料配比的方法的计算机程序。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
下面结合具体实施例，对本发明作进一步说明。本领域的技术人员将理解，本申请中描述的仅是部分实例，其他任何合适的具体实例均在本申请的范围内。
实施例1
一种优化堵漏材料配比的方法，包括以下步骤：
S1数据采集和数据预处理。
本实施例采集某油田工区大量已完钻井的井漏漏速及成果堵漏作业中堵漏材料配比建立数据集。根据工区的具体情况，桥接堵漏材料种类设定为粗核桃壳、中粗核桃壳、细核桃壳、云母与纤维。采取删除法删除了具有缺失信息的堵漏配方数据。将收集整理的这些数据进行数字化处理，形成统一格式的数据集，该格式的前n列为堵漏材料种类，最后一列为漏失速度；每一行代表某一次漏失数据。最终该数据集涵盖了该工区总共108口井共532个漏失点信息，每一个漏失点都含有井漏漏速(堵漏作业时)及成功堵漏作业中堵漏材料配比。
S2建立漏速合成模型。
将上述数据集按照固定比例随机划分为训练集和测试集，具体的，该该工区总共108口井共532个漏失点信息中，其中480个漏失点信息被作为训练集，其余52个漏失点信息被作为测试集。
依据训练集样本，以堵漏材料配比为输入数据，利用GBDT算法，优选回归树个数、学习率与回归树的深度，训练漏失数据的合成模型，并通过所述测试集验证训练后的模型效果。本实施例中设置回归树个数为100，学习率为0.1，回归树的深度为3。
图3展示了本实施例的训练集部分样本数据。从图3中可以看出本实施例中部分合成漏速与实测漏速对比，合成漏速与实际漏速值相比计算误差约为6.6％。
S3堵漏材料配比优化。
当实钻过程中发生漏失，漏失后降排量，漏速为15.66m3/h，记录下漏速数据。建立堵漏材料配比优化与推荐问题的目标函数(适应度函数)；
设定该问题目标函数为：
Figure BDA0003333384590000091
其中data与data_syn分别为在实钻过程中实测与利用步骤S2模型合成的漏速数据。
采用遗传算法对上一步目标函数进行最优化求解，以获取最优堵漏材料配比。
具体的，参照图4，采用遗传算法对上一步目标函数进行最优化求解，以获取最优粗核桃壳、中粗核桃壳、细核桃壳、云母与纤维配比(百分比)。
(1)设定待求解堵漏材料百分比的变化范围，在本实施例中按照工区经验，例如设定自变量上下边界分别为[0％，0％，0％，0％，0％]与[15％，10％，10％，5％，5％]。
(2)随机生成多个个体组成的群体，初始群体数设为40。
(3)计算每个群体的适应度函数(目标函数)。
(4)依次进行选择、交叉、变异操作对群体进行进化，交叉与变异几率分别设为0.7与0.01，并判断新一代群体的最优解是否满足停止条件。
(5)输出最优个体为反演的最优粗核桃壳、中粗核桃壳、细核桃壳、云母与纤维配比(百分比)。
所求解出的最优配比如下表1所示。
表1
Figure BDA0003333384590000101
按照本实施例中推荐配比准备堵漏配方，最终验证堵漏成功。
需要说明的是，上述粗核桃壳、中粗核桃壳、细核桃壳、云母与纤维的总含量之和小于100％，是由于该堵漏材料中还可以添加其他的材料，而其他材料的含量是已知的或确定的。本申请的方法可以用于优化不确定或有波动的原材料的配比。
由以上可知，本发明通过数据挖掘建立堵漏材料配比与漏速的映射关系，在实钻发生漏失后，利用遗传算法实时反演出最优堵漏材料配比，帮助钻井人员制定对策方案，调整堵漏配方，可以提升堵漏作业成功率，保证安全优质高效钻井。本发明的方法借助计算机装置即电子设备，计算速度小于10分钟，效率高、速度快。
本发明未详细说明部分为本领域技术人员公知技术。
应当理解的是，本发明所公开的实施例不限于这里所公开的特定结构或处理步骤，而应当延伸到相关领域的普通技术人员所理解的这些特征的等同替代。还应当理解的是，在此使用的术语仅用于描述特定实施例的目的，而并不意味着限制。
在本申请的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“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申请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一定指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何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本申请的实施例，本领域的普通技术人员可以理解：在不脱离本申请的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本申请的范围由权利要求及其等同物限定。

Claims (9)

1.一种优化堵漏材料配比的方法，其特征在于，包括以下步骤：
S1、数据采集和数据预处理：获取来自目标区块的已完钻井资料，对发生过漏失井的漏失与成功堵漏作业信息进行分析整理，建立相应的数据集；
S2、建立漏速合成模型：将所述的数据集划分为训练集和测试集，将所述训练集放到GBDT算法模型中进行训练，并通过所述测试集验证训练后的模型效果；
S3、堵漏材料配比优化：当实钻过程中发生漏失，记录下漏速数据；建立堵漏材料配比优化与推荐问题的目标函数；设定该问题的目标函数为：
Figure FDA0003333384580000011
其中，data为在实钻过程中实测的漏速数据，data_syn为利用步骤S2中的模型合成的漏速数据；
采用遗传算法对目标函数进行最优化求解，以获取优化的堵漏材料配比。
2.根据权利要求1所述的优化堵漏材料配比的方法，其特征在于，步骤S1具体包括：
获取来自目标区块的已完钻井资料，对发生过漏失井的漏失与成功堵漏作业信息进行分析整理，以漏速以及相应的堵漏材料配方为依据，建立堵漏材料配方及成果库，得到相应的数据集，所述数据集包含了目标区块的多口井的多个漏失点信息，每一漏失点信息都包含井漏漏速及成功堵漏作业中堵漏材料配方。
3.根据权利要求2所述的优化堵漏材料配比的方法，其特征在于，将所述数据集形成为统一的训练集文本格式，所述格式中包括多行多列，多列中的其中一列为漏速，其余各列为不同的堵漏材料原材料种类，每一行代表某一次的漏失数据，所述漏失数据包括堵漏材料配比和漏速数据。
4.根据权利要求1所述的优化堵漏材料配比的方法，其特征在于，步骤S2具体包括：
将所述的数据集按照固定比例随机划分为训练集和测试集，依据训练集样本，以堵漏材料配比为输入数据，利用GBDT算法，优选回归树个数、学习率与回归树的深度，训练漏失数据的合成模型，并通过所述测试集验证训练后的模型效果。
5.根据权利要求4所述的优化堵漏材料配比的方法，其特征在于，所述回归树个数为100，所述学习率为0.1，所述回归树的深度为3。
6.根据权利要求1所述的优化堵漏材料配比的方法，其特征在于，步骤S3中，遗传算法的具体设计为：
设定待求解含量的变化范围；
随机生成多个个体组成的群体；
计算每个群体的目标函数；
依次进行选择、交叉、变异操作对群体进行进化，并判断新一代群体的最优解是否满足停止条件；
输出最优个体为反演的最优化的堵漏材料配比。
7.根据权利要求1至6任一项所述的优化堵漏材料配比的方法，其特征在于，所述堵漏材料根据目标区块的情况适应性选择，所述堵漏材料包括云母、纤维和不同粒径级别的核桃壳，其中不同粒径级别的核桃壳包括粗核桃壳、中粗核桃壳和细核桃壳。
8.一种电子设备，包括处理器和存储器，其特征在于，所述存储器存储有计算机可执行指令，所述计算机可执行指令被所述处理器执行时实现如权利要求1至7任一项所述的优化堵漏材料配比的方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有执行实现权利要求1至7任一项所述的优化堵漏材料配比的方法的计算机程序。
CN202111286877.8A 2021-11-02 2021-11-02 一种优化堵漏材料配比的方法及设备 Pending CN113936750A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111286877.8A CN113936750A (zh) 2021-11-02 2021-11-02 一种优化堵漏材料配比的方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111286877.8A CN113936750A (zh) 2021-11-02 2021-11-02 一种优化堵漏材料配比的方法及设备

Publications (1)

Publication Number Publication Date
CN113936750A true CN113936750A (zh) 2022-01-14

Family

ID=79285424

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111286877.8A Pending CN113936750A (zh) 2021-11-02 2021-11-02 一种优化堵漏材料配比的方法及设备

Country Status (1)

Country Link
CN (1) CN113936750A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114970676A (zh) * 2022-04-25 2022-08-30 西南石油大学 一种基于数据挖掘的裂缝性漏失颗粒基堵漏配方推荐方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114970676A (zh) * 2022-04-25 2022-08-30 西南石油大学 一种基于数据挖掘的裂缝性漏失颗粒基堵漏配方推荐方法
CN114970676B (zh) * 2022-04-25 2023-02-24 西南石油大学 一种基于数据挖掘的裂缝性漏失颗粒基堵漏配方推荐方法

Similar Documents

Publication Publication Date Title
US20200191994A1 (en) Modeling method and method for diagnosing lost circulation
KR20200056910A (ko) 딥러닝을 이용한 셰일가스 생산량 예측모델 생성 방법
CN109711595A (zh) 一种基于机器学习的水力压裂投产效果评价方法
Tianqi et al. Development and application of a new algorithm for automated pit removal for grid DEMs
CN113936750A (zh) 一种优化堵漏材料配比的方法及设备
CN106547934A (zh) 用于砾岩油藏的调剖选井方法及装置
CN108960546A (zh) 一种co2吞吐选井方法及装置
CN111197500A (zh) 适用于tbm掘进隧道围岩等级实时判别方法及系统
CN114936511A (zh) 一种基于数字孪生的尾砂膏体充填设计方法
Tao et al. A new productivity prediction hybrid model for multi-fractured horizontal wells in tight oil reservoirs
CN110046414A (zh) 用于识别优势渗流段的储层参数模型构建方法及设备
CN109723435A (zh) 确定页岩气藏水平井重复压裂前现地应力场的方法及设备
CN104833600A (zh) 一种用于测试材料的疲劳强度的试验方法
CN110222981B (zh) 一种基于参数二次选取的储层分类评价方法
CN106446376B (zh) 一种考虑风险等级划分的海洋平台溜桩评估方法
CN112632557A (zh) 基于模糊测试的内核漏洞挖掘方法、介质、设备及装置
CN114862071B (zh) 水平定向钻进扩孔扭矩预测方法、装置、设备及存储介质
CN114818548B (zh) 一种基于卷积生成对抗网络的含水层参数场反演方法
CN115977615A (zh) 压裂效果评价方法、系统、介质及电子设备
CN109726450A (zh) 确定页岩气藏水平井重复压裂时机的方法及设备
CN113158561B (zh) 适用于多种岩体条件的tbm操作参数优化方法及系统
CN115587703A (zh) 一种石灰岩矿山地质环境问题恢复治理评价方法
CN112419493B (zh) 页岩储层三维属性模型建立方法及装置
CN115456325A (zh) 一种用于非煤矿山的灾害设防能力的分析方法
CN108875163B (zh) 一种评价三维裂缝网络连通性的方法和系统

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