CN114526052A - 一种钻完井工程风险预测方法及装置 - Google Patents
一种钻完井工程风险预测方法及装置 Download PDFInfo
- Publication number
- CN114526052A CN114526052A CN202111661686.5A CN202111661686A CN114526052A CN 114526052 A CN114526052 A CN 114526052A CN 202111661686 A CN202111661686 A CN 202111661686A CN 114526052 A CN114526052 A CN 114526052A
- Authority
- CN
- China
- Prior art keywords
- dimensional model
- well
- drilling
- attributes
- underground
- 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
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
- E21B47/00—Survey of boreholes or wells
- E21B47/005—Monitoring or checking of cementation quality or level
-
- 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
Abstract
本发明公开了一种钻完井工程风险预测方法及装置。所述方法包括,将待钻井的设定属性的一维模型输入预先训练好的钻完井工程风险预测模型,所述设定属性为曲率、岩石力学属性和地应力中的至少一种;根据预测模型的输出结果确定待钻井可能发生的井下事故复杂类型及发生位置。实现了实效性、动态性的钻完井工程风险预警,且预测准确度高。
Description
技术领域
本发明涉及油气勘探开发技术领域,特别涉及一种钻完井工程风险预测方法及装置。
背景技术
页岩气作为一种非常规清洁能源,具有极为丰富的资源量,成为了目前的勘探开发热点。在钻井施工过程中,存在着许多不确定性的因素,钻井事故和复杂经常发生,包括井漏和卡钻等,造成了钻井周期增长,钻井成本增加,甚至全井报废。同时,压裂套变率也高居不下,严重影响了桥塞下入等后续作业的及时开展,甚至部分水平井段被迫放弃压裂作业。因此,开展钻完井工程风险预警,对降低井下事故和复杂发生概率具有十分重要的意义。
目前进行钻完井风险预测的方法主要包括神经网络法、灰色关联法、案例推理法等方法。
发明内容
发明人发现,目前进行钻完井风险预测的方法,通常只是单独将某种人工智能方法应用到钻井风险预测模型中,对于邻井的资料的利用和分析程度较低,且预测的实效性和迭代更新程度相对较低。为了至少部分地解决现有技术存在的技术问题,发明人做出本发明,通过具体实施方式,提供一种钻完井工程风险预测方法及装置,实现了实效性、动态性的钻完井工程风险预警,且预测准确度高。
第一方面,本发明实施例提供一种钻完井工程风险预测方法,包括:
将待钻井的设定属性的一维模型输入预先训练好的钻完井工程风险预测模型,所述设定属性为曲率、岩石力学属性和地应力中的至少一种;
根据所述预测模型的输出结果确定所述待钻井可能发生的井下事故复杂类型及发生位置。
第二方面,本发明实施例提供一种钻完井工程风险预测模型建立方法,包括:
获取目标井区已钻井的选定属性的一维模型和井下工程事故数据库,所述井下工程事故数据库包括井下事故复杂的类型和发生位置,所述选定属性为曲率、岩石力学属性、三压力和地应力中的至少一种;
将所述选定属性的一维模型与所述井下工程事故数据库拟合,确定每种类型的井下事故复杂的相关属性,根据所述井下工程事故数据库对每种相关属性的一维模型进行对应类型的井下事故复杂标注;
将标注后的相关属性的一维模型作为训练样本,对指定学习模型进行训练,以得到用于井下事故复杂预测的钻完井工程风险预测模型。
第三方面,本发明实施例提供一种钻完井工程风险预测装置,包括:
数据输入模块,用于将待钻井的设定属性的一维模型输入预先训练好的钻完井工程风险预测模型,所述设定属性为曲率、岩石力学属性和地应力中的至少一种;
预测模块,用于根据所述预测模型的输出结果确定所述待钻井可能发生的井下事故复杂类型及发生位置。
第四方面,本发明实施例提供一种钻完井工程风险预测模型建立装置,包括:
数据获取模块,,用于获取目标井区已钻井的选定属性的一维模型和井下工程事故数据库,所述井下工程事故数据库包括井下事故复杂的类型和发生位置,所述选定属性为曲率、岩石力学属性、三压力和地应力中的至少一种;
相关属性拟合模块,用于将所述选定属性的一维模型与所述井下工程事故数据库拟合,确定每种类型的井下事故复杂的相关属性;
样本标注模块,用于根据所述井下工程事故数据库对每种相关属性的一维模型进行对应类型的井下事故复杂标注;
训练模块,用于将标注后的相关属性的一维模型作为训练样本,对指定学习模型进行训练,以得到用于井下事故复杂预测的钻完井工程风险预测模型。
第五方面,本发明实施例提供一种具备钻完井工程风险预测功能的计算机程序产品,包括计算机程序/指令,其中,该计算机程序/指令被处理器执行时实现上述钻完井工程风险预测方法,或实现上述钻完井工程风险预测模型建立方法。
本发明实施例提供的上述技术方案的有益效果至少包括:
(1)本发明实施例提供的钻完井工程风险预测方法,以与井下事故复杂相关性较高的曲率、岩石力学属性和地应力中的一种或多种属性的一维模型为数据基础,预测待钻井可能发生的井下事故复杂,提高了预测准确度;预先训练好钻完井工程风险预测模型,可以实现预测的实效性、动态性。
(2)本发明实施例提供的钻完井工程风险预测方法,能够实现对制约钻井提速提效的井漏、卡钻、套变等复杂发生进行钻前和钻中的实时预测,可以指导现场施工,减少事故复杂发生概率,对于提高钻井的整体时效和速度具有十分重要的意义。
(3)本发明实施例提供的钻完井工程风险预测模型建立方法,通过与井下工程事故数据库的拟合,从多种选定属性的一维模型中确定与每种类型的井下事故复杂相关的属性,根据井下工程事故数据库对每种相关属性的一维模型进行对应类型的井下事故复杂标注,得到训练样本,充分利用了目标井区已钻井的相关数据,提高了模型的预测准确度。
(4)本发明实施例提供的钻完井工程风险预测模型建立方法,获取新的已钻井的新井下工程事故数据和相关属性的新一维模型,根据新井下工程事故数据对每种新一维模型进行对应类型的井下事故复杂标注;将标注后的新一维模型作为优化训练样本,对钻完井工程风险预测模型进行优化训练,使得钻完井工程风险预测模型迭代更新程度高。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例一中钻完井工程风险预测模型建立方法的流程图;
图2为本发明实施例二中钻完井工程风险预测方法的流程图;
图3为本发明实施例二中地应力模式指数三维模型的获取方法流程图;
图4为本发明实施例三中钻完井工程风险预测方法的具体实现流程图;
图5为本发明实施例三中事故复杂预测结果示意图;
图6为本发明实施例中钻完井工程风险预测装置的结构示意图;
图7为本发明实施例中钻完井工程风险预测模型建立装置的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
为了解决现有技术中存在的钻完井风险预测时效低、准确度低的问题,本发明实施例提供了一种钻完井工程风险预测方法及装置,实现了实效性、动态性的钻完井工程风险预警,且预测准确度高。
实施例一
本发明实施例一提供一种钻完井工程风险预测模型建立方法,其流程如图1所示,包括如下步骤:
步骤S11:获取目标井区已钻井的选定属性的一维模型和井下工程事故数据库。
上述选定属性的预先选择可以是根据理论研究确定可能对钻完井工程风险存在响应特征的属性。选定属性为曲率、岩石力学属性、三压力和地应力中的至少一种。
岩石力学属性,例如杨氏模量、泊松比、岩石密度、单轴抗压强度和内摩擦角;三压力,包括孔隙压力、破裂压力和坍塌压力;地应力,包括垂向主应力、水平方向最大主应力、水平方向最小主应力和由三个主应力转换得到的地应力模式指数。
已钻井的选定属性的一维模型的获取,可以是获取目标井区已钻井的基础测井曲线;根据已钻井的基础测井曲线进行相关计算得到选定属性的一维模型。
进一步的,基础测井曲线包括但不限于密度、纵、横波速度和伽马曲线。
井下工程事故数据库包括已钻井的井下事故复杂的类型和发生位置,井下工程事故复杂类型包括井漏、卡钻和套变中的至少一种。
步骤S12:将选定属性的一维模型与井下工程事故数据库拟合,确定每种类型的井下事故复杂的相关属性。
针对每口已钻井的选定属性的一维模型,根据井下工程事故数据库中该井的井下事故复杂的类型和发生位置,在每个一维模型的对应位置中,标注井下事故复杂的类型。针对每种类型的井下事故复杂,从标注后的一维模型中获取每种属性的对应属性值,判断每种属性的对应属性值是否集中在一个区域中,若是,确定该属性为该类型的井下事故复杂的相关属性。
步骤S13:根据井下工程事故数据库对每种相关属性的一维模型进行对应类型的井下事故复杂标注。
步骤S14:将标注后的相关属性的一维模型作为训练样本,对指定学习模型进行训练,以得到用于井下事故复杂预测的钻完井工程风险预测模型。
具体的,模型学习可以分别对每种类型的井下事故复杂进行学习,学习相关属性的属性值及每种相关属性的权重,使得模型可以综合多种相关属性完成该类型的井下事故复杂的预测,最终使得模型具有综合分析待预测井段的所有相关属性的一维模型,对待预测井段进行可能发生的所有类型的井下事故复杂的预测的能力。
本发明实施例一提供的钻完井工程风险预测模型建立方法,通过与井下工程事故数据库的拟合,从多种选定属性的一维模型中确定与每种类型的井下事故复杂相关的属性,根据井下工程事故数据库对每种相关属性的一维模型进行对应类型的井下事故复杂标注,得到训练样本,充分利用了目标井区已钻井的相关数据,提高了模型的预测准确度。
在一些实施例中,还可以包括,获取新的已钻井的新井下工程事故数据和相关属性的新一维模型,根据新井下工程事故数据对每种新一维模型进行对应类型的井下事故复杂标注;将标注后的新一维模型作为优化训练样本,对钻完井工程风险预测模型进行优化训练。
每获取到新的已钻井的新井下工程事故数据和相关属性的新一维模型,便对模型进行学习优化,使得钻完井工程风险预测模型迭代更新程度高。
实施例二
本发明实施例二提供一种钻完井工程风险预测方法,其流程如图2所示,包括如下步骤:
步骤S21:将待钻井的设定属性的一维模型输入预先训练好的钻完井工程风险预测模型。
钻完井工程风险预测模型可以是按照实施例一中的方法得到的预测模型。
设定属性为实施例一中通过与井下工程事故数据库的拟合,从多种选定属性中确定的与井下事故复杂相关的属性。
进一步的,设定属性为曲率、岩石力学属性和地应力中的至少一种。岩石力学属性包括杨氏模量、泊松比和单轴抗压强度;地应力包括地应力模式指数。
在一些实施例中,待钻井的设定属性的一维模型可以是通过下述方式获取:
获取待钻井所在目标井区的设定属性的三维模型;从三维模型中抽取沿待钻井的井轨迹的属性值,得到该属性的一维模型。
进一步的,目标井区的曲率、杨氏模量、泊松比、单轴抗压强度和地应力模式指数三维模型可以分别通过下述方式获取:
(1)曲率三维模型。
获取目标井区的地震数据体,利用地震数据体进行网格曲面拟合,得到曲率三维模型。
(2)杨氏模量三维模型和泊松比三维模型。
由地震属性反演数据体与井数据,经三维属性建模得到杨氏模量三维模型和泊松比三维模型。具体的,由杨氏模量地震属性反演数据体与井数据结合,经三维属性建模得到杨氏模量三维模型;由泊松比地震属性反演数据体与井数据结合,经三维属性建模得到泊松比三维模型。
(3)单轴抗压强度三维模型。
获取目标井区的已钻井的单轴抗压强度一维模型,和目标井区的杨氏模量地震属性反演数据体;以已钻井的单轴抗压强度一维模型为标准,以杨氏模量地震属性反演数据体为约束,通过插值方法得到单轴抗压强度三维模型。
(4)地应力模式指数三维模型。
参见图3所示,包括下述步骤:
步骤S31:获取待钻井所在目标井区的已钻井的单轴抗压强度、孔隙压力和地应力模式指数一维模型,及经地震反演得到的目标井区的杨氏模量、泊松比、岩石密度、波阻抗和纵、横波速度地震属性反演数据体。
已钻井的地应力模式指数一维模型通过下述方式获取:
根据已钻井的垂向主应力、水平最大主应力和水平最小主应力一维模型,通过下式确定该已钻井的地应力模式指数一维模型:
其中,为地应力模式指数;φ=(S2-S3)/(S1-S3),S1、S2和S3分别为垂向主应力SV、水平最大主应力SH和水平最小主应力Sh中的最大主应力、中间主应力和最小主应力;若SV>SH>Sh,应力状态为正断层机制,n=0,若SH>SV>Sh,应力状态为走滑断层机制,n=1,若SH>Sh>SV,应力状态为逆断层机制,n=2。
步骤S32:以单轴抗压强度一维模型为标准,以杨氏模量地震属性反演数据体为约束,通过插值方法得到单轴抗压强度三维模型。
步骤S33:以孔隙压力一维模型为标准,以波阻抗和纵、横波速度地震属性反演数据体为约束,通过插值方法得到孔隙压力三维模型。
步骤S34:以地应力模式指数一维模型为标准,以杨氏模量、泊松比、岩石密度、单轴抗压强度和孔隙压力三维模型为基础,结合设定构造应力系数,通过有限元模拟方法得到垂向主应力、水平最大主应力和水平最小主应力三维模型。
杨氏模量、泊松比和岩石密度三维模型的获取,分别由相应属性的地震属性反演数据体与井数据结合,经三维属性建模得到。例如,杨氏模量地震属性反演数据体与井数据结合,经三维属性建模得到杨氏模量三维模型。
步骤S35:根据垂向主应力、水平最大主应力和水平最小主应力三维模型计算地应力模式指数三维模型。
利用步骤S31中的公式,根据垂向主应力、水平最大主应力和水平最小主应力三维模型计算地应力模式指数三维模型。
步骤S22:根据预测模型的输出结果确定待钻井可能发生的井下事故复杂类型及发生位置。
本发明实施例二提供的钻完井工程风险预测方法,以与井下事故复杂相关性较高的曲率、岩石力学属性和地应力中的一种或多种属性的一维模型为数据基础,预测待钻井可能发生的井下事故复杂,提高了预测准确度;预先训练好钻完井工程风险预测模型,可以实现预测的实效性、动态性。
本发明实施例二提供的钻完井工程风险预测方法,能够实现对制约钻井提速提效的井漏、卡钻、套变等复杂发生进行钻前和钻中的实时预测,可以指导现场施工,减少事故复杂发生概率,对于提高钻井的整体时效和速度具有十分重要的意义。
实施例三
本发明实施例三提供一种钻完井工程风险预测方法的具体实现流程,以页岩气井的钻完井工程风险预测为例,如图4所示,包括如下步骤:
步骤S41:建立井下事故复杂数据库。
获取目标井区的钻井和井下事故复杂资料。其中,目标井区的钻井资料包括井口坐标、地质分层、井身结构等,通过井口坐标可以明确井下事故复杂井所处位置,通过地质分层可以确定发生事故复杂井段的地质层位,通过井身结构可以确定发生事故复杂井段的裸眼段长度和位置。井下事故复杂资料包括井漏、卡钻、套变等事故复杂的相关资料和数据。进一步地,井漏数据库包括但不限于井漏发生的井号、时间、井深、工况、层位、漏速、漏失量、损失时间、钻井液密度、堵漏方式等;卡钻数据库包括但不限于卡钻发生的井号、时间、井深、工况、层位、钻井液密度等;套变数据库包括但不限于套变发生的井号、井深、层位等。
步骤S42:建立与井下事故复杂发生相关的参数模型。
收集目标井区的SEGY地震数据体、测井资料等数据。
根据测井资料,建立单井一维岩石力学模型、三压力剖面和地应力模型,包括杨氏模量、泊松比、岩石密度、单轴抗压强度、内摩擦角、孔隙压力、破裂压力、坍塌压力、垂向主应力、水平最大主应力、水平最小主应力和地应力模式指数一维模型。测井资料包括但不限于密度、纵、横波速度和伽马等曲线。其中杨氏模量、泊松比通过纵、横波速度计算,单轴抗压强度通过声波立方法计算,内摩擦角通过纵波速度计算。
进一步的,利用地震数据进行网格曲面拟合,得到曲率属性体。
从曲率属性体中分别抽取沿各单井的井轨迹的曲率属性值,得到曲率一维模型。
步骤S43:明确井下事故复杂的主控因素,确定参数预警区间。
根据步骤S41中的井下事故复杂数据库和步骤S42中的各属性的单井一维模型,建立井漏、卡钻、套变与各属性一维模型的交汇关系,给出与事故复杂发生相关性较好的属性及对应的预警范围。明确与井漏、卡钻、套变相关性较好的属性为曲率、杨氏模量、泊松比、单轴抗压强度和地应力模式指数。
例如,当曲率值大于0.0014时,井漏风险较大,当曲率值介于0.00035~0.0006时,卡钻风险较大。
步骤S44:根据井下事故复杂数据库对单井的相关属性的一维模型进行事故复杂标注,得到训练样本,训练指定学习模型。
得到用于井下事故复杂预测的钻完井工程风险预测模型。
步骤S45:相关属性的三维数据体获取。
获取目标井区的地震属性反演数据体,包括杨氏模量、泊松比、岩石密度、波阻抗和纵、横波速度属性体。
进一步地,根据多口单井一维模型,建立步骤S43确定的相关属性的井区尺度的三维模型,用于提取需要进行事故复杂预测井的沿井属性。
步骤S46:从相关属性的三维数据体中抽取待预测井的一维模型。
步骤S47:将待预测井的相关属性的一维模型输入钻完井工程风险预测模型,得到事故复杂预测结果。
以图5为例,圆圈为实际发生的钻井事故复杂,方块为根据地震曲率属性预测的可能发生事故复杂的位置(背景为曲率分布数据),根据不同的曲率值,预测可能发生的复杂类型。在NING209H66-3和NING209H58-1两口待预测井的井轨迹中分别预测出10处可能发生事故复杂的位置。
基于本发明的发明构思,本发明实施例还提供一种钻完井工程风险预测装置,该装置的结构如图6所示,包括:
数据输入模块61,用于将待钻井的设定属性的一维模型输入预先训练好的钻完井工程风险预测模型,所述设定属性为曲率、岩石力学属性和地应力中的至少一种;
预测模块62,用于根据所述预测模型的输出结果确定所述待钻井可能发生的井下事故复杂类型及发生位置。
基于本发明的发明构思,本发明实施例还提供一种钻完井工程风险预测模型建立装置,该装置的结构如图7所示,包括:
数据获取模块71,用于获取目标井区已钻井的选定属性的一维模型和井下工程事故数据库,所述井下工程事故数据库包括井下事故复杂的类型和发生位置,所述选定属性为曲率、岩石力学属性、三压力和地应力中的至少一种;
相关属性拟合模块72,用于将所述选定属性的一维模型与所述井下工程事故数据库拟合,确定每种类型的井下事故复杂的相关属性;
样本标注模块73,用于根据所述井下工程事故数据库对每种相关属性的一维模型进行对应类型的井下事故复杂标注;
训练模块74,用于将标注后的相关属性的一维模型作为训练样本,对指定学习模型进行训练,以得到用于井下事故复杂预测的钻完井工程风险预测模型。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
基于本发明的发明构思,本发明实施例还提供一种具备钻完井工程风险预测功能的计算机程序产品,包括计算机程序/指令,其中,该计算机程序/指令被处理器执行时实现上述钻完井工程风险预测方法,或实现上述钻完井工程风险预测模型建立方法。
除非另外具体陈述,术语比如处理、计算、运算、确定、显示等等可以指一个或更多个处理或者计算系统、或类似设备的动作和/或过程,所述动作和/或过程将表示为处理系统的寄存器或存储器内的物理(如电子)量的数据操作和转换成为类似地表示为处理系统的存储器、寄存器或者其他此类信息存储、发射或者显示设备内的物理量的其他数据。信息和信号可以使用多种不同的技术和方法中的任何一种来表示。例如,在贯穿上面的描述中提及的数据、指令、命令、信息、信号、比特、符号和码片可以用电压、电流、电磁波、磁场或粒子、光场或粒子或者其任意组合来表示。
应该明白,公开的过程中的步骤的特定顺序或层次是示例性方法的实例。基于设计偏好,应该理解,过程中的步骤的特定顺序或层次可以在不脱离本公开的保护范围的情况下得到重新安排。所附的方法权利要求以示例性的顺序给出了各种步骤的要素,并且不是要限于所述的特定顺序或层次。
在上述的详细描述中,各种特征一起组合在单个的实施方案中,以简化本公开。不应该将这种公开方法解释为反映了这样的意图,即,所要求保护的主题的实施方案需要清楚地在每个权利要求中所陈述的特征更多的特征。相反,如所附的权利要求书所反映的那样,本发明处于比所公开的单个实施方案的全部特征少的状态。因此,所附的权利要求书特此清楚地被并入详细描述中,其中每项权利要求独自作为本发明单独的优选实施方案。
本领域技术人员还应当理解,结合本文的实施例描述的各种说明性的逻辑框、模块、电路和算法步骤均可以实现成电子硬件、计算机软件或其组合。为了清楚地说明硬件和软件之间的可交换性,上面对各种说明性的部件、框、模块、电路和步骤均围绕其功能进行了一般地描述。至于这种功能是实现成硬件还是实现成软件,取决于特定的应用和对整个系统所施加的设计约束条件。熟练的技术人员可以针对每个特定应用,以变通的方式实现所描述的功能,但是,这种实现决策不应解释为背离本公开的保护范围。
结合本文的实施例所描述的方法或者算法的步骤可直接体现为硬件、由处理器执行的软件模块或其组合。软件模块可以位于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、移动磁盘、CD-ROM或者本领域熟知的任何其它形式的存储介质中。一种示例性的存储介质连接至处理器,从而使处理器能够从该存储介质读取信息,且可向该存储介质写入信息。当然,存储介质也可以是处理器的组成部分。处理器和存储介质可以位于ASIC中。该ASIC可以位于用户终端中。当然,处理器和存储介质也可以作为分立组件存在于用户终端中。
对于软件实现,本申请中描述的技术可用执行本申请所述功能的模块(例如,过程、函数等)来实现。这些软件代码可以存储在存储器单元并由处理器执行。存储器单元可以实现在处理器内,也可以实现在处理器外,在后一种情况下,它经由各种手段以通信方式耦合到处理器,这些都是本领域中所公知的。
上文的描述包括一个或多个实施例的举例。当然,为了描述上述实施例而描述部件或方法的所有可能的结合是不可能的,但是本领域普通技术人员应该认识到,各个实施例可以做进一步的组合和排列。因此,本文中描述的实施例旨在涵盖落入所附权利要求书的保护范围内的所有这样的改变、修改和变型。此外,就说明书或权利要求书中使用的术语“包含”,该词的涵盖方式类似于术语“包括”,就如同“包括,”在权利要求中用作衔接词所解释的那样。此外,使用在权利要求书的说明书中的任何一个术语“或者”是要表示“非排它性的或者”。
Claims (13)
1.一种钻完井工程风险预测方法,其特征在于,包括:
将待钻井的设定属性的一维模型输入预先训练好的钻完井工程风险预测模型,所述设定属性为曲率、岩石力学属性和地应力中的至少一种;
根据所述预测模型的输出结果确定所述待钻井可能发生的井下事故复杂类型及发生位置。
2.如权利要求1所述的方法,其特征在于,岩石力学属性一维模型包括杨氏模量、泊松比和单轴抗压强度一维模型;
地应力一维模型为地应力模式指数一维模型。
3.如权利要求2所述的方法,其特征在于,所述设定属性的一维模型通过下述方式获取:
获取所述待钻井所在目标井区的所述设定属性的三维模型;
从所述三维模型中抽取沿所述待钻井的井轨迹的属性值,得到该属性的一维模型。
4.如权利要求3所述的方法,其特征在于,曲率三维模型通过下述方式获取:
利用地震数据体进行网格曲面拟合,得到曲率三维模型。
5.如权利要求3所述的方法,其特征在于,杨氏模量三维模型和泊松比三维模型通过下述方式获取:
由地震属性反演数据体与井数据,经三维属性建模得到杨氏模量三维模型和泊松比三维模型。
6.如权利要求3所述的方法,其特征在于,单轴抗压强度三维模型通过下述方式获取:
获取所述待钻井所在目标井区的已钻井的单轴抗压强度一维模型,和所述目标井区的杨氏模量地震属性反演数据体;
以已钻井的单轴抗压强度一维模型为标准,以所述杨氏模量地震属性反演数据体为约束,通过插值方法得到单轴抗压强度三维模型。
7.如权利要求1~6任一项所述的方法,其特征在于,所述井下工程事故复杂类型包括下述至少一种:
井漏、卡钻和套变。
8.一种钻完井工程风险预测模型建立方法,其特征在于,包括:
获取目标井区已钻井的选定属性的一维模型和井下工程事故数据库,所述井下工程事故数据库包括井下事故复杂的类型和发生位置,所述选定属性为曲率、岩石力学属性、三压力和地应力中的至少一种;
将所述选定属性的一维模型与所述井下工程事故数据库拟合,确定每种类型的井下事故复杂的相关属性,根据所述井下工程事故数据库对每种相关属性的一维模型进行对应类型的井下事故复杂标注;
将标注后的相关属性的一维模型作为训练样本,对指定学习模型进行训练,以得到用于井下事故复杂预测的钻完井工程风险预测模型。
9.如权利要求8所述的方法,其特征在于,还包括:
获取新的已钻井的新井下工程事故数据和所述相关属性的新一维模型,根据所述新井下工程事故数据对每种所述新一维模型进行对应类型的井下事故复杂标注;
将标注后的所述新一维模型作为优化训练样本,对所述钻完井工程风险预测模型进行优化训练。
10.如权利要求8或9所述的方法,其特征在于,所述获取目标井区已钻井的选定属性的一维模型,具体包括:
获取目标井区已钻井的基础测井曲线;
根据所述已钻井的基础测井曲线得到选定属性的一维模型。
11.一种钻完井工程风险预测装置,其特征在于,包括:
数据输入模块,用于将待钻井的设定属性的一维模型输入预先训练好的钻完井工程风险预测模型,所述设定属性为曲率、岩石力学属性和地应力中的至少一种;
预测模块,用于根据所述预测模型的输出结果确定所述待钻井可能发生的井下事故复杂类型及发生位置。
12.一种钻完井工程风险预测模型建立装置,其特征在于,包括:
数据获取模块,用于获取目标井区已钻井的选定属性的一维模型和井下工程事故数据库,所述井下工程事故数据库包括井下事故复杂的类型和发生位置,所述选定属性为曲率、岩石力学属性、三压力和地应力中的至少一种;
相关属性拟合模块,用于将所述选定属性的一维模型与所述井下工程事故数据库拟合,确定每种类型的井下事故复杂的相关属性;
样本标注模块,用于根据所述井下工程事故数据库对每种相关属性的一维模型进行对应类型的井下事故复杂标注;
训练模块,用于将标注后的相关属性的一维模型作为训练样本,对指定学习模型进行训练,以得到用于井下事故复杂预测的钻完井工程风险预测模型。
13.一种具备钻完井工程风险预测功能的计算机程序产品,包括计算机程序/指令,其特征在于,该计算机程序/指令被处理器执行时实现权利要求1~7任一项所述的钻完井工程风险预测方法,或实现权利要求8~10任一项所述的钻完井工程风险预测模型建立方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111661686.5A CN114526052B (zh) | 2021-12-31 | 2021-12-31 | 一种钻完井工程风险预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111661686.5A CN114526052B (zh) | 2021-12-31 | 2021-12-31 | 一种钻完井工程风险预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114526052A true CN114526052A (zh) | 2022-05-24 |
CN114526052B CN114526052B (zh) | 2023-09-19 |
Family
ID=81620649
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111661686.5A Active CN114526052B (zh) | 2021-12-31 | 2021-12-31 | 一种钻完井工程风险预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114526052B (zh) |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014066981A1 (en) * | 2012-10-31 | 2014-05-08 | Resource Energy Solutions Inc. | Methods and systems for improved drilling operations using real-time and historical drilling data |
CN104024572A (zh) * | 2011-11-02 | 2014-09-03 | 兰德马克绘图国际公司 | 用于预测钻柱卡钻事件的方法和系统 |
CN104121014A (zh) * | 2014-06-16 | 2014-10-29 | 西南石油大学 | 基于神经网络融合技术的钻井井漏类型诊断方法 |
US20150356450A1 (en) * | 2013-10-25 | 2015-12-10 | Landmark Graphics Corporation | Real-Time Risk Prediction During Drilling Operations |
CN105830070A (zh) * | 2013-10-25 | 2016-08-03 | 界标制图有限公司 | 钻井操作期间的实时风险预测 |
CN109477376A (zh) * | 2016-06-03 | 2019-03-15 | 吉奥奎斯特系统公司 | 检测在钻井报告中的事件 |
CN109508827A (zh) * | 2018-11-14 | 2019-03-22 | 西南石油大学 | 一种基于时间递归神经网络的钻井事故预警模型 |
CN110766192A (zh) * | 2019-09-10 | 2020-02-07 | 中国石油大学(北京) | 基于深度学习的钻井井漏预测系统及方法 |
CN111291097A (zh) * | 2020-05-08 | 2020-06-16 | 西南石油大学 | 一种基于决策树数据挖掘的钻井漏层位置实时预测方法 |
CN111341068A (zh) * | 2020-03-02 | 2020-06-26 | 北京四利通控制技术股份有限公司 | 一种基于深度学习的钻井现场危险区域预警系统与方法 |
CN111406145A (zh) * | 2017-09-11 | 2020-07-10 | 斯伦贝谢技术有限公司 | 用于自动化钻井网络的系统和方法 |
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 |
CN111722283A (zh) * | 2020-06-28 | 2020-09-29 | 成都捷科思石油天然气技术发展有限公司 | 一种地层速度模型建立方法 |
US20210180439A1 (en) * | 2019-12-12 | 2021-06-17 | Schlumberger Technology Corporation | Dynamic well construction model |
RU2753289C1 (ru) * | 2020-10-20 | 2021-08-12 | Федеральное государственное автономное образовательное учреждение высшего образования «Южно-Уральский государственный университет (национальный исследовательский университет)» | Способ прогнозирования прихватов бурильных труб в процессе бурения скважины в режиме реального времени |
CN113496302A (zh) * | 2020-04-02 | 2021-10-12 | 中国石油化工股份有限公司 | 一种对钻井风险进行智能识别预警的方法与系统 |
-
2021
- 2021-12-31 CN CN202111661686.5A patent/CN114526052B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104024572A (zh) * | 2011-11-02 | 2014-09-03 | 兰德马克绘图国际公司 | 用于预测钻柱卡钻事件的方法和系统 |
WO2014066981A1 (en) * | 2012-10-31 | 2014-05-08 | Resource Energy Solutions Inc. | Methods and systems for improved drilling operations using real-time and historical drilling data |
US20150356450A1 (en) * | 2013-10-25 | 2015-12-10 | Landmark Graphics Corporation | Real-Time Risk Prediction During Drilling Operations |
CN105830070A (zh) * | 2013-10-25 | 2016-08-03 | 界标制图有限公司 | 钻井操作期间的实时风险预测 |
CN104121014A (zh) * | 2014-06-16 | 2014-10-29 | 西南石油大学 | 基于神经网络融合技术的钻井井漏类型诊断方法 |
CN109477376A (zh) * | 2016-06-03 | 2019-03-15 | 吉奥奎斯特系统公司 | 检测在钻井报告中的事件 |
CN111406145A (zh) * | 2017-09-11 | 2020-07-10 | 斯伦贝谢技术有限公司 | 用于自动化钻井网络的系统和方法 |
CN109508827A (zh) * | 2018-11-14 | 2019-03-22 | 西南石油大学 | 一种基于时间递归神经网络的钻井事故预警模型 |
CN110766192A (zh) * | 2019-09-10 | 2020-02-07 | 中国石油大学(北京) | 基于深度学习的钻井井漏预测系统及方法 |
US20210180439A1 (en) * | 2019-12-12 | 2021-06-17 | Schlumberger Technology Corporation | Dynamic well construction model |
CN111341068A (zh) * | 2020-03-02 | 2020-06-26 | 北京四利通控制技术股份有限公司 | 一种基于深度学习的钻井现场危险区域预警系统与方法 |
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 |
CN113496302A (zh) * | 2020-04-02 | 2021-10-12 | 中国石油化工股份有限公司 | 一种对钻井风险进行智能识别预警的方法与系统 |
CN111291097A (zh) * | 2020-05-08 | 2020-06-16 | 西南石油大学 | 一种基于决策树数据挖掘的钻井漏层位置实时预测方法 |
CN111722283A (zh) * | 2020-06-28 | 2020-09-29 | 成都捷科思石油天然气技术发展有限公司 | 一种地层速度模型建立方法 |
RU2753289C1 (ru) * | 2020-10-20 | 2021-08-12 | Федеральное государственное автономное образовательное учреждение высшего образования «Южно-Уральский государственный университет (национальный исследовательский университет)» | Способ прогнозирования прихватов бурильных труб в процессе бурения скважины в режиме реального времени |
Non-Patent Citations (2)
Title |
---|
杨恒林等: "页岩气钻完井工程跨尺度地质力学技术探讨", 《中国力学大会-2017暨庆祝中国力学学会成立60周年大会》, pages 1 - 10 * |
陈锐等: "钻井风险实时监测与诊断系统设计及应用", 《断块油气田》, pages 115 - 117 * |
Also Published As
Publication number | Publication date |
---|---|
CN114526052B (zh) | 2023-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101025084B (zh) | 一种随钻预测钻头底下地层孔隙压力的方法 | |
US8145462B2 (en) | Field synthesis system and method for optimizing drilling operations | |
CA2820942C (en) | A method to improve reservoir simulation and recovery from fractured reservoirs | |
US8078405B2 (en) | Method of estimating the permeability of a fracture network from a connectivity analysis | |
CN103403768B (zh) | 有关地下岩层的模型的方法和系统 | |
US8868390B2 (en) | Method of developing a petroleum reservoir from a flow model calibrated through pressure and saturation map scaling | |
CN1966934B (zh) | 一种随钻预测钻头底下地层坍塌压力和破裂压力的方法 | |
US20120232872A1 (en) | Modeling hydraulic fractures | |
CN104685153A (zh) | 用于执行增产作业的系统和方法 | |
WO2020080973A1 (ru) | Способ и система комбинированного сопровождения процесса бурения скважины | |
CN110397402B (zh) | 钻井方法及装置 | |
CN105488248A (zh) | 一种深部矿层和岩层的判定方法 | |
Tian et al. | Quantitative evaluation of key geological controls on regional Eagle Ford shale production using spatial statistics | |
WO2022093506A1 (en) | Confidence volumes for earth modeling using machine learning | |
CN111550224A (zh) | 一种非常规储层油气井的水力压裂改造系统及方法 | |
CN115267905A (zh) | 一种复杂构造区钻井工程中裂缝性井漏预测方法 | |
Zahiri et al. | Determination of safe mud weight window based on well logging data using artificial intelligence | |
CN114357750A (zh) | 一种采空区充水状态评估方法 | |
US11434759B2 (en) | Optimization of discrete fracture network (DFN) using streamlines and machine learning | |
US11719856B2 (en) | Determination of hydrocarbon production rates for an unconventional hydrocarbon reservoir | |
Yu et al. | A data driven approach in screenout detection for horizontal wells | |
CN114526052B (zh) | 一种钻完井工程风险预测方法及装置 | |
Sarkheil et al. | The fracture network modeling in naturally fractured reservoirs using artificial neural network based on image loges and core measurements | |
US11860325B2 (en) | Deep learning architecture for seismic post-stack inversion | |
EP3526627B1 (en) | Petrophysical field evaluation using self-organized map |
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 |