CN115238861B - 一种基于井壁垮塌程度约束的安全钻井液密度确定方法 - Google Patents

Abstract

本发明公开一种基于井壁垮塌程度约束的安全钻井液密度确定方法，包括以下步骤：对钻井数据、录井数据和测井数据进行预处理，建立井壁垮塌程度的非线性定量预测模型，计算不同钻井液密度下井壁垮塌程度，建立井壁垮塌程度与钻井液密度的定量关系模型以及依据建井工程允许的最大扩径率确定安全钻井液密度；本发明利用钻、录、测多源数据，实现了以井壁垮塌程度为约束的安全钻井液密度的确定，为深部、页岩油气等复杂地层保持井壁稳定的安全高效钻井工程设计提供了必需的关键基础参数，对复杂地层、复杂结构井的钻井井下复杂情况预防具有重要意义。

Description

一种基于井壁垮塌程度约束的安全钻井液密度确定方法

技术领域

本发明涉及油气开采技术领域，尤其涉及一种基于井壁垮塌程度约束的安全钻井液密度确定方法。

背景技术

安全钻井液密度的确定是钻井工程的关键设计与控制参数、是安全高效建井的重要基础，直接关系着钻井过程中能否有效预防井壁垮塌失稳、能否有效避免井漏、溢流、井喷等钻井井下复杂与事故，安全钻井液密度科学确定对安全高效钻井尤其是深层、页岩等复杂油气资源的绿色安全钻采具有重要意义。

目前，无论是学术领域，还是工程领域，普遍通过计算评价地层的坍塌压力、破裂压力来确定地层的安全钻井液密度，其中坍塌压力、破裂压力计算评价是确定安全钻井液密度的关键，但存在如下问题：

(1)以岩石力学的极限平衡理论为基础，相关理论对复杂地层适用性差，且所需岩石力学强度、地应力等所必需的相关参数获取困难，不能较好指导复杂地层高效钻井；

(2)主要通过测井信息获取地层自身的地质力学特性、建立地层坍塌压力与破裂压力剖面，不能较好反映钻压、机械钻速等钻井工程因素对井壁垮塌失稳的影响。

上述问题极大影响了地层坍塌压力、破裂压力计算评价结果的可靠性，限制了安全钻井液密度确定的科学性、合理性，增大了深部钻井井下复杂与事故发生风险，因此，本发明提出一种基于井壁垮塌程度约束的安全钻井液密度确定方法以解决现有技术中存在的问题。

发明内容

针对上述问题，本发明的目的在于提出一种基于井壁垮塌程度约束的安全钻井液密度确定方法，解决现有的地层的安全钻井液密度确定方法不能较好指导复杂地层高效钻井、不能较好反映钻压、机械钻速等钻井工程因素对井壁垮塌失稳的影响的问题。

为了实现本发明的目的，本发明通过以下技术方案实现：一种基于井壁垮塌程度约束的安全钻井液密度确定方法，包括以下步骤：

步骤一：先收集目标工区地层已钻井的钻井工程数据、录井数据以及测井数据，并剔除异常数据点，再基于分段线性插值与测井数据的采样间隔，对钻井数据、录井数据进行插值加密，获取与测井数据采样相同的包括钻井液密度MD、钻头直径BIT、钻压DP、钻时DT、机械转速DV和钻头尺寸BIT在内的钻录井工程参数的数据序列，然后统计获取各个钻井、录井工程参数以及各测井数据的最大值与最小值，并对各数据序列进行归一化标准处理；

步骤二：先根据钻头尺寸BIT、井径CAL计算扩径率RWE，再以井径扩径率RWE为输出参数，以钻录井工程参数以及测井参数为输入，构建人工神经网络模型，并选用循环神经网络进行计算，然后设定网络允许误差E_NET，利用样本数据对人工神经网络模型进行训练学习，训练完成的人工神经网络模型即为井眼扩径率的非线性定量预测模型；

步骤三：先获取待分析井深处的钻录井工程参数和测井参数，并按照步骤一对获取的参数进行数据的预处理，再根据工区实际估测安全钻井液密度的范围[MD_min，MD_max]，并确定安全钻井液密度分析的精度MD_ac，接着构建钻井液密度数据序列MD_i＝[MD_min，MD_min+MD_ac，。。。，MD_min+iMD_ac，。。。，MD_max]，并对其进行归一化标准处理，然后在神经网络模型的神经网络输入层中保持待分析井深处的钻录井工程参数和测井参数不变，依次计算钻井液密度取值为MD_min，MD_min+MD_ac，。。。，MD_min+iMD_ac，。。。，MD_max时的扩径率归一值RWE_ni；

步骤四：先通过扩径率计算公式计算由人工神经网络计算得到的扩径率归一值RWE_ni，得到扩径率RWE_i，再基于统计回归分析，建立所分析井深处扩径率与钻井液密度的定量关系，定量关系公式为：

MD_S＝f(RWE_i)

式中，MD_S为所分析井深处钻井液密度，RWE_i为所分析井深处扩径率，f(RWE_i)为所分析井深处扩径率与钻井液密度的关系函数；

步骤五：先依据待分析井深处高效建井所允许的最大扩径率由定量关系公式确定安全钻井液密度临界值/>即保持井眼扩径率将小于/>时的安全钻井液密度下限，再重复步骤三至步骤五，确定分析井段各个深度点井壁不发生垮塌失稳的安全钻井液密度下限值。

进一步改进在于：所述步骤一中，插值加密的公式为：

式中，Dep_-1、Dep₊₁、L_delt分别为插值起始深度、插值终止深度、插值深度间隔，i为插值起始深度Dep_-1、插值终止深度Dep₊₁之间的插值点序，X_depi、X_dep-1、X_dep+1分别为第i个插值深度处的数据、插值起始深度处的数据、插值终止深度处的数据。

进一步改进在于：所述步骤一中，归一化标准处理公式为：

式中，X_i、X_in分别为数据序列中的第i个数据、及其对应的归一化标准处理结果数据，X_max、X_min分别为数据序列中最大值、最小值。

进一步改进在于：所述步骤二中，钻录井工程参数包括钻井液密度MD、钻头尺寸BIT、钻压DP、钻时DT和机械转速ZR，测井参数包括自然伽马GR、体积密度DEN、声波时差AC、补偿中子孔隙度CNL和电阻率RT。

进一步改进在于：所述步骤二中，构建的人工神经网络模型的输入层节点数目不小于10且输出节点数为1，循环神经网络的基本算法为：

h_t＝σ(W_xh+W_hhh_t-1+b_h)

o_t+1＝W_hy+b_y

y_t＝softmax(o_t)

式中，W_xh为输入到隐含层节点的参数矩阵，W_hh为隐藏单元之间的参数矩阵，W_hy为隐含层节点到输出节点的参数矩阵，b_h和b_y为偏置项，h_t、h_t-1分别为t、t-1时刻的隐含单元取值；o_t、o_t+1分别为t、t-1时刻的输出门信息；y_t为t时刻的输出信息。

进一步改进在于：所述步骤二中，样本数据由钻井数据、录井数据以及测井数据构成，神经网络模型训练学习过程中以网络输出扩径率与实际扩径率的平均误差小于ENET作为网络学习训练完成的判断依据。

进一步改进在于：所述步骤三中，待分析井深处的钻录井工程参数包括钻头直径BIT、钻压DP、钻时DT、机械转速DV和钻头尺寸BIT，测井参数包括自然伽马GR、体积密度DEN、声波时差AC、补偿中子孔隙度CNL和电阻率RT。

进一步改进在于：所述步骤四中，扩径率计算公式为：

RWE_i＝RWE_niRWE_max+RWE_min(1-RWE_ni)

式中，RWE_i为所分析井深处扩径率，RWE_ni为扩径率归一值，RWE_max和RWE_min分别为所分析井的最大扩径率和最小扩径率。

本发明的有益效果为：本发明通过对钻井、录井、测井等数据进行等间距采样与归一化处理，基于人工神经网络建立井眼扩径率的非线性定量预测模型，获取井眼扩径率与钻井液密度的定量关系，并根据建井所允许的最大井眼扩径率确定安全钻井液密度临界值，利用钻、录、测多源数据，实现了以井壁垮塌程度为约束的安全钻井液密度的确定，为深部、页岩油气等复杂地层保持井壁稳定的安全高效钻井工程设计提供了必需的关键基础参数，对复杂地层、复杂结构井的钻井井下复杂情况预防具有重要意义。

附图说明

为了更清楚地说明本发明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发明的一些实施例，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是本发明的方法流程示意图；

图2是本发明实施例中的钻压、钻时、机械钻压处理前后的数据序列图；

图3是本发明实施例中的示例井段的原始样本数据图；

图4是本发明实施例中的网络训练学习得到的扩径率及其误差分布图；

图5是本发明实施例中的所分析深度点扩径率与钻井液密度之间的关系示意图；

图6是本发明实施例中的所分析井段各深度点的安全钻井液密度下限值示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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所有其他实施例，都属于本发明保护的范围。

参见图1、图2、图3、图4、图5、图6，本实施例提供了一种基于井壁垮塌程度约束的安全钻井液密度确定方法，包括以下步骤：

步骤一：先收集目标工区地层已钻井的钻井工程数据、录井数据以及测井数据，并剔除异常数据点，再基于分段线性插值与测井数据的采样间隔，对钻井数据、录井数据进行插值加密，插值加密的公式为：

式中，Dep_-1、Dep₊₁、L_delt分别为插值起始深度、插值终止深度、插值深度间隔，i为插值起始深度Dep_-1、插值终止深度Dep₊₁之间的插值点序，X_depi、X_dep-1、X_dep+1分别为第i个插值深度处的数据、插值起始深度处的数据、插值终止深度处的数据，如图2所示，为钻压、钻时、机械钻压处理前后的数据序列；

获取与测井数据采样相同的包括钻井液密度MD、钻头直径BIT、钻压DP、钻时DT、机械转速DV和钻头尺寸BIT在内的钻录井工程参数的数据序列，然后统计获取各个钻井、录井工程参数以及各测井数据的最大值与最小值，并对各数据序列进行归一化标准处理，归一化标准处理公式为：

式中，X_i、X_in分别为数据序列中的第i个数据、及其对应的归一化标准处理结果数据，X_max、X_min分别为数据序列中最大值、最小值。

步骤二：先根据钻头尺寸BIT、井径CAL计算扩径率RWE，扩径率计算公式为：

式中，RWE_i、CAL_i、BIT_i为所分析井深处的井眼扩径率、井径、钻头尺寸。

井径扩径率RWE与钻井液密度MD、钻头尺寸BIT、钻压DP、钻时DT、机械转速ZR等钻录井工程参数以及自然伽马GR、体积密度DEN、声波时差AC、补偿中子孔隙度CNL、电阻率RT等测井参数构成人工神经网络训练样本数据，如图3所示，为示例井段的原始样本数据；

再以井径扩径率RWE为输出参数，以包括钻井液密度MD、钻头尺寸BIT、钻压DP、钻时DT和机械转速ZR在内的钻录井工程参数以及包括自然伽马GR、体积密度DEN、声波时差AC、补偿中子孔隙度CNL和电阻率RT在内的测井参数为输入，构建输入层节点数目不小于10且输出节点数为1的人工神经网络模型，并选用循环神经网络进行计算，循环神经网络的基本算法为：

h_t＝σ(W_xh+W_hhh_t-1+b_h)

o_t+1＝W_hy+b_y

y_t＝softmax(o_t)

式中，W_xh为输入到隐含层节点的参数矩阵，W_hh为隐藏单元之间的参数矩阵，W_hy为隐含层节点到输出节点的参数矩阵，b_h和b_y为偏置项，h_t、h_t-1分别为t、t-1时刻的隐含单元取值；o_t、o_t+1分别为t、t-1时刻的输出门信息；y_t为t时刻的输出信息；

然后设定网络允许误差E_NET，利用由钻井数据、录井数据以及测井数据构成的样本数据对人工神经网络模型进行训练学习，以网络输出扩径率与实际扩径率的平均误差小于ENET作为网络学习训练完成的判断依据，训练完成的人工神经网络模型即为井眼扩径率的非线性定量预测模型；

对示例井段设定网络允许误差E_NET为10％，网络训练学习得到的扩径率及其误差分布如图4所示；

步骤三：先获取待分析井深处的包括钻头直径BIT、钻压DP、钻时DT、机械转速DV和钻头尺寸BIT在内的钻录井工程参数和包括自然伽马GR、体积密度DEN、声波时差AC、补偿中子孔隙度CNL和电阻率RT在内的测井参数，并按照步骤一对获取的参数进行数据的预处理，再根据工区实际估测安全钻井液密度的范围[MD_min，MD_max]，并确定安全钻井液密度分析的精度MD_ac，接着构建钻井液密度数据序列MD_i＝[MD_min，MD_min+MD_ac，。。。，MD_min+iMD_ac，。。。，MD_max]，并对其进行归一化标准处理，然后在神经网络模型的神经网络输入层中保持待分析井深处的钻录井工程参数和测井参数不变，依次计算钻井液密度取值为MD_min，MD_min+MD_ac，。。。，MD_min+iMD_ac，。。。，MD_max时的扩径率归一值RWE_ni；

步骤四：先通过扩径率计算公式计算由人工神经网络计算得到的扩径率归一值RWE_ni，得到扩径率RWE_i，，扩径率计算公式为：

RWE_i＝RWE_niRWE_max+RWE_min(1-RWE_ni)

式中，RWE_i为所分析井深处扩径率，RWE_ni为扩径率归一值，RWE_max和RWE_min分别为所分析井的最大扩径率和最小扩径率；

再基于统计回归分析，建立所分析井深处扩径率与钻井液密度的定量关系，定量关系公式为：

MD_S＝f(REW_i)

式中，MD_S为所分析井深处钻井液密度，REW_i为所分析井深处扩径率，f(REW_i)为所分析井深处扩径率与钻井液密度的关系函数，所分析深度点扩径率与钻井液密度之间的关系如图5所示；

步骤五：先依据待分析井深处高效建井所允许的最大扩径率由定量关系公式确定安全钻井液密度临界值/>即保持井眼扩径率将小于/>时的安全钻井液密度下限，再重复步骤三至步骤五，确定分析井段各个深度点井壁不发生垮塌失稳的安全钻井液密度下限值。

实例井段在为6％时，得到的所分析井段各深度点的安全钻井液密度下限值，如图6所示。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于井壁垮塌程度约束的安全钻井液密度确定方法，其特征在于，包括以下步骤：

步骤一：先收集目标工区地层已钻井的钻井工程数据、录井数据以及测井数据，并剔除异常数据点，再基于分段线性插值与测井数据的采样间隔，对钻井数据、录井数据进行插值加密，获取与测井数据采样相同的包括钻井液密度MD、钻头直径BIT、钻压DP、钻时DT、机械转速DV和钻头尺寸BIT在内的钻录井工程参数的数据序列，然后统计获取各个钻井、录井工程参数以及各测井数据的最大值与最小值，并对各数据序列进行归一化标准处理；

步骤二：先根据钻头尺寸BIT、井径CAL计算扩径率RWE，再以井径扩径率RWE为输出参数，以钻录井工程参数以及测井参数为输入，构建人工神经网络模型，并选用循环神经网络进行计算，然后设定网络允许误差E_NET，利用样本数据对人工神经网络模型进行训练学习，训练完成的人工神经网络模型即为井眼扩径率的非线性定量预测模型；

步骤三：先获取待分析井深处的钻录井工程参数和测井参数，并按照步骤一对获取的参数进行数据的预处理，再根据工区实际估测安全钻井液密度的范围[MD_min，MD_max]，并确定安全钻井液密度分析的精度MD_ac，接着构建钻井液密度数据序列MD_i＝[MD_min，MD_min+MD_αc，…，MD_min+iMD_αc，…，MD_max]，并对其进行归一化标准处理，然后在神经网络模型的神经网络输入层中保持待分析井深处的钻录井工程参数和测井参数不变，依次计算钻井液密度取值为MD_min，MD_min+MD_ac，…，MD_min+iMD_αc，…，MD_max时的扩径率归一值RWE_ni；

步骤四：先通过扩径率计算公式计算由人工神经网络计算得到的扩径率归一值RWE_ni，得到扩径率RWE_i，再基于统计回归分析，建立所分析井深处扩径率与钻井液密度的定量关系，定量关系公式为：

MD_S＝f(RWE_i)

式中，MD_S为所分析井深处钻井液密度，RWE_i为所分析井深处扩径率，f(RWE_i)为所分析井深处扩径率与钻井液密度的关系函数；

步骤五：先依据待分析井深处高效建井所允许的最大扩径率由定量关系公式确定安全钻井液密度临界值/>即保持井眼扩径率将小于/>时的安全钻井液密度下限，再重复步骤三至步骤五，确定分析井段各个深度点井壁不发生垮塌失稳的安全钻井液密度下限值。

2.根据权利要求1所述的一种基于井壁垮塌程度约束的安全钻井液密度确定方法，其特征在于：所述步骤一中，插值加密的公式为：

式中，Dep_-1、Dep₊₁、L_delt分别为插值起始深度、插值终止深度、插值深度间隔，i为插值起始深度Dep_-1、插值终止深度Dep₊₁之间的插值点序，X_depi、X_dep-1、X_dep+1分别为第i个插值深度处的数据、插值起始深度处的数据、插值终止深度处的数据。

3.根据权利要求1所述的一种基于井壁垮塌程度约束的安全钻井液密度确定方法，其特征在于：所述步骤一中，归一化标准处理公式为：

式中，X_i、X_in分别为数据序列中的第i个数据、及其对应的归一化标准处理结果数据，X_max、X_min分别为数据序列中最大值、最小值。

4.根据权利要求1所述的一种基于井壁垮塌程度约束的安全钻井液密度确定方法，其特征在于：所述步骤二中，钻录井工程参数包括钻井液密度MD、钻头尺寸BIT、钻压DP、钻时DT和机械转速ZR，测井参数包括自然伽马GR、体积密度DEN、声波时差AC、补偿中子孔隙度CNL和电阻率RT。

5.根据权利要求1所述的一种基于井壁垮塌程度约束的安全钻井液密度确定方法，其特征在于：所述步骤二中，构建的人工神经网络模型的输入层节点数目不小于10且输出节点数为1，循环神经网络的基本算法为：

h_t＝σ(W_xh+W_hhh_t-1+b_h)

o_t+1＝W_hy+b_y

y_t＝softmax(o_t)

式中，W_xh为输入到隐含层节点的参数矩阵，W_hh为隐藏单元之间的参数矩阵，W_hy为隐含层节点到输出节点的参数矩阵，b_h和b_y为偏置项，h_t、h_t-1分别为t、t-1时刻的隐含单元取值；o_t、o_t+1分别为t、t-1时刻的输出门信息；y_t为t时刻的输出信息。

6.根据权利要求1所述的一种基于井壁垮塌程度约束的安全钻井液密度确定方法，其特征在于：所述步骤二中，样本数据由钻井数据、录井数据以及测井数据构成，神经网络模型训练学习过程中以网络输出扩径率与实际扩径率的平均误差小于E_NET作为网络学习训练完成的判断依据。

7.根据权利要求1所述的一种基于井壁垮塌程度约束的安全钻井液密度确定方法，其特征在于：所述步骤三中，待分析井深处的钻录井工程参数包括钻头直径BIT、钻压DP、钻时DT、机械转速DV和钻头尺寸BIT，测井参数包括自然伽马GR、体积密度DEN、声波时差AC、补偿中子孔隙度CNL和电阻率RT。

8.根据权利要求1所述的一种基于井壁垮塌程度约束的安全钻井液密度确定方法，其特征在于：所述步骤四中，扩径率计算公式为：

RWE_i＝RWE_niRWE_max+RWE_min(1-RWE_ni)

式中，RWE_i为所分析井深处扩径率，RWE_ni为扩径率归一值，RWE_max和RWE_min分别为所分析井的最大扩径率和最小扩径率。