CN115438090A - 基于掉块图像特征的井壁失稳类型分析及预测方法及系统 - Google Patents
基于掉块图像特征的井壁失稳类型分析及预测方法及系统 Download PDFInfo
- Publication number
- CN115438090A CN115438090A CN202110612311.3A CN202110612311A CN115438090A CN 115438090 A CN115438090 A CN 115438090A CN 202110612311 A CN202110612311 A CN 202110612311A CN 115438090 A CN115438090 A CN 115438090A
- Authority
- CN
- China
- Prior art keywords
- borehole wall
- wall instability
- instability type
- analysis
- type
- 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
Links
Images
Classifications
-
- 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
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- 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
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
- G06F2216/03—Data mining
Abstract
本发明提供了一种基于掉块图像特征的井壁失稳类型分析及预测方法及系统,属于石油、天然气钻探领域。所述方法首先获得各类掉块图像特征数据,然后对掉块图像特征数据进行数据挖掘获得井壁失稳类型分析预测模型,最后利用井壁失稳类型分析预测模型对井壁失稳类型进行分析和预测。本发明通过使用数据挖掘等先进的数据分析手段,形成基于掉块图像特征数据挖掘的基于掉块图像特征的井壁失稳类型分析及预测方法,解决了现有井壁失稳类型难以明确的问题,为井壁失稳提供了更为准确和快速的分类和预测方法,为形成井壁稳定控制对策提供了依据。
Description
技术领域
本发明属于石油、天然气钻探领域,具体涉及一种基于掉块图像特征的井壁失稳类型分析及预测方法及系统,用于深井超深井地层井壁稳定钻井液性能优化工作中。
背景技术
数据挖掘是人工智能和数据库领域研究的热点问题,所谓数据挖掘是指从数据库的大量数据中揭示出隐含的、先前未知的并有潜在价值的信息的非平凡过程。数据挖掘的特点是通过分析每个数据,从大量数据中寻找其规律的技术,主要有数据预处理、数据挖掘和评估与表示三个步骤。数据准备是从相关的数据源中选取所需的数据并整合成用于数据挖掘的数据集;规律寻找是用某种方法将数据集所含的规律找出来;规律表示是尽可能以用户可理解的方式将找出的规律表示出来。
近年来,随着塔里木盆地和四川盆地深层超深层获得重大油气突破,深部油气藏逐步成为极具现实勘探开发意义的油气资源领域。然而,深层油气藏地质情况特殊、地应力条件复杂,在长时间、多期次、强构造运动、高地应力和钻井过程中的高扰动应力作用下,钻井过程中深部地层井壁失稳掉块、垮塌、井涌、井喷、井漏及阻卡等井下复杂风险大。以顺北油气田为例,该油气田施工过程中在钻进奥陶系碳酸盐岩破碎性地层时,掉块严重,严重影响钻井时效。据不完全统计,工区完钻的5口勘探评价井因井壁坍塌、掉块严重共侧钻了10余次,单井损失时间达最长达242d,累积损失时间超过669d,处理井筒周期占钻井总周期最高可达48.2%。深井超深井的井壁失稳问题目前已经成为制约深部油气藏高效建井的突出问题。
根据井壁失稳机理的不同,井壁失稳的类型主要有以下五类:①钻遇微裂缝发育的地层引发的井壁失稳;②钻遇脆性地层时钻具震动引发的井壁失稳;③钻井液密度过高引发的井壁失稳;④钻井液密度过低引发的井壁失稳;⑤钻井液封堵不足造成的井壁失稳等5种井壁失稳类型。以往开展井壁失稳类型分析与预测方法研究,主要依托井壁稳定模型进行确定。然而,由于深部地层地应力条件复杂、天然裂缝发育,岩石破裂准则适应性差,难以建立有效的井壁稳定模型。大多数情况下,钻井过程中无法及时对井壁失稳类型进行分类,导致不能开展针对性的井壁稳定对策。
中国专利公开文献CN110952978A公开了一种基于神经网络数据挖掘的钻井漏失裂缝宽度预测方法,利用其提供的技术方案可以便捷、精准的进行正钻井裂缝宽度即时预测,从而为堵漏施工人员提供决策支持,提高裂缝性漏失的一次堵漏成功率。然而,该方法需要首先通过人工筛选收集钻完井相关资料,并构建包含12个输入参数的变量集,通过人工完成大量的完钻井相关资料的收集耗时耗力,且准确性差;其次钻井漏失过程中,决定裂缝宽度的参数可能并不只有这12项,而该专利却仅将这12项作为输入参数,可能导致模型预测结果偏差大;再次,该方法以成像测井获得的裂缝缝宽为预测结果标准值,而该缝宽仅为地层的静态裂缝宽度,并不是漏失过程中裂缝的最大动态宽度,预测结果标准值选择的不准确将导致该预测模型的预测准确度低。
近十余年来,随着钻井技术的不断进步,深井、超深井的建成井数达到了一定规模,钻井数据得到了有效积累。尤其在井壁掉块与井壁失稳类型分类方面,积累了大量的现场数据。然而,由于缺乏对掉块图像特征的识别与提取方法和标准,更没有形成井下掉块特征参数系列数据挖掘方法,远没有将这些数据转化成有用的信息和知识。因此,为了有效进行深部地层井壁失稳类型的分析及预测,构建深部地层井下复杂控制技术方法,迫切需要构建高效的井下掉块数据挖掘方法,形成基于掉块图像特征数据挖掘的基于掉块图像特征的井壁失稳类型分析及预测方法,深刻揭示井壁失稳类型,为提出井壁失稳对策提供指导。
近年来,随着钻井技术的不断进步,国内外深井超深井的建成井数已经达到了一定规模,钻井数据得到了有效积累。尤其是在井下掉块和井壁失稳方面,积累了大量的现场数据。然而,由于缺乏对掉块图像特征的识别与提取标准,也没有形成井下掉块图像特征参数的数据挖掘方法,还没有将这些数据转化成有用的信息和知识。
发明内容
本发明的目的在于解决上述现有技术中存在的难题,提供一种基于掉块图像特征的井壁失稳类型分析及预测方法及系统,基于掉块图像特征数据挖掘,通过构建井壁失稳类型的相关资料的数据挖掘方法,深刻揭示井壁失稳机理,构建井壁失稳类型预测方法,并提出井壁稳定对策,为缓解井壁失稳问题提供指导。
本发明是通过以下技术方案实现的:
本发明的第一个方面,提供了一种基于掉块图像特征的井壁失稳类型分析及预测方法,所述方法首先获得各类掉块图像特征数据,然后对掉块图像特征数据进行数据挖掘获得井壁失稳类型分析预测模型,最后利用井壁失稳类型分析预测模型对井壁失稳类型进行分析和预测。
本发明的进一步改进在于,所述方法包括:
(1)及时收集深井超深井钻井过程中井壁失稳过程的各类掉块的图像相关资料,形成分析数据库;
(2)从分析数据库中获得全因素特征参数,并形成样本库;
(3)利用样本库生成井壁失稳类型分析预测模型;
(4)利用井壁失稳类型分析预测模型对井壁失稳类型进行分析和预测。
本发明的进一步改进在于,所述步骤(1)中的操作包括:
通过对掉块进行定性分析及三维激光扫描,处理形成掉块图像特征数据,并将掉块图像特征数据存储在分析数据库中。
本发明的进一步改进在于,所述全因素特征参数包括12种参数,分别为:掉块岩性、掉块长、掉块宽、掉块高、掉块长厚比、掉块费雷特直径、掉块直径、掉块等效直径、掉块外切圆半径、掉块内切圆半径、掉块当量直径粒度重量分布D90、掉块当量直径粒度重量分布D50。
本发明的进一步改进在于,所述步骤(2)的操作包括:
利用专家系统分析得到井壁失稳类型;
将全因素特征参数作为输入参数,将井壁失稳类型作为输出参数存入到样本库中。
本发明的进一步改进在于,所述步骤(3)的操作包括:
以全因素特征参数为输入参数,以井壁失稳类型为输出参数,以井壁失稳类型的真实值为标准,基于数据挖掘算法获得井壁失稳类型分析预测模型;
所述数据挖掘算法采用:径向基RBF神经网络模型、BP神经网络、Hopfield网络、ART网络或者Kohonen网络。
本发明的进一步改进在于,所述步骤(4)的操作包括:
将需要分析井壁失稳类型的井的资料输入分析数据库中,并获得该井的全因素特征参数,将全因素特征参数输入到井壁失稳类型分析预测模型中进行井壁失稳类型预测,获得井壁失稳类型预测值。
本发明的进一步改进在于,所述方法进一步包括:
(5)根据井壁失稳类型预测值指导制定井壁稳定对策:
如果井壁失稳类型预测值为地层水化失稳,则降低钻井液API失水、提高钻井液K+浓度;
如果井壁失稳类型预测值为应力型失稳,则提高钻井液密度、降低漏斗粘度。
本发明的进一步改进在于,所述方法进一步包括:
(6)将井壁失稳类型及与之对应的全因素特征参数补充到样本库中,作为下一次井壁失稳类型分析的训练样本。
本发明的第二个方面,提供了一种井壁失稳类型分析及预测系统,所述系统包括:
采集单元,用于收集深井超深井钻井过程中井壁失稳过程的各类掉块的图像相关资料,形成分析数据库;
样本库建立单元,与采集单元连接,用于从分析数据库中获得全因素特征参数,并形成样本库;
模型生成单元,与样本库建立单元连接,用于利用样本库生成井壁失稳类型分析预测模型;
预测单元,与模型生成单元连接,用于利用井壁失稳类型分析预测模型对井壁失稳类型进行分析和预测。
与现有技术相比,本发明的有益效果是:
本发明是在考虑由于深部地层地应力条件复杂、地层天然裂缝发育,岩石破裂准则适应性差,难以建立高效的井壁稳定模型,开展井壁稳定机制分析及预测难度大,评价可靠性不足,而目前钻井液性能与井壁失稳方面虽然积累了大量的现场数据,但由于缺乏对数据分析方法,还没有将这些数据转化成有用的信息和知识的实际情况。本发明通过使用数据挖掘等先进的数据分析手段,形成基于掉块图像特征数据挖掘的基于掉块图像特征的井壁失稳类型分析及预测方法,解决了现有井壁失稳类型难以明确的问题,为井壁失稳提供了更为准确和快速的分类和预测方法,为形成井壁稳定控制对策提供了依据。
附图说明
图1为径向基(RBF)神经网络模型结构示意图;
图2为径向基(RBF)神经网络神经元模型;
图3为本发明方法的步骤框图;
图4为本发明系统的组成结构图。
具体实施方式
下面结合附图对本发明作进一步详细描述:
本发明提供了一种基于掉块图像特征的井壁失稳类型分析及预测方法,能够解决现有井壁失稳类型难以明确的问题,为井壁失稳提供更为准确和快速的分类和预测方法,为形成井壁稳定控制对策提供依据。
本发明方法包括以下步骤:
(1)及时收集深井超深井钻井过程中井壁失稳过程的各类掉块图像相关资料,通过对掉块进行定性分析及三维激光扫描,处理形成掉块图像特征数据,并存储以形成分析数据库;
所述深井超深井钻井过程中的掉块各类相关资料包括:掉块岩性、掉块长、掉块宽、掉块高、掉块长厚比、掉块费雷特直径、掉块直径、掉块等效直径、掉块外切圆半径、掉块内切圆半径、掉块当量直径粒度重量分布D90、掉块当量直径粒度重量分布D50等等。
(2)从分析数据库中获得全因素特征参数,形成样本库;
按照不同岩性地层不同钻井状态下,从分析数据库中获得所述的全因素特征参数,其包括12个关键参数,具体包括:掉块岩性、掉块长、掉块宽、掉块高、掉块长厚比、掉块费雷特直径、掉块直径、掉块等效直径、掉块外切圆半径、掉块内切圆半径、掉块当量直径粒度重量分布D90、掉块当量直径粒度重量分布D50,将基于现有的专家系统分析得到的井壁失稳类型作为真实值,作为模型训练的标准值。
(3)基于数据挖掘算法,以历史数据中的掉块图像特征数据为输入,以井壁失稳类型为输出,以收集到的专家系统分析得到的井壁失稳类型真实值为标准,对神经网络进行训练,通过参数优化,生成井壁失稳类型分析预测模型;
所述的数据挖掘算法包括但不限于神经网络算法,获得的模型包括但不限于神经网络预测模型,如现有的径向基(RBF)神经网络模型、BP神经网络、Hopfield网络、ART网络或者Kohonen网络等等。
所述对样品库进行训练,通过参数优化,生成井壁失稳类型分析预测模型的操作包括:
①设置训练集的输入参数InputData,将(2)中收集整理的12个参数作为神经网络训练的数据;
②设置训练集的输出标准值OutputTarget,标准值为专家系统分析得到的井壁失稳类型;
③建立径向基(RBF)神经网络模型,设置输入层、隐含层及输出层的节点个数,设置传递函数,并利用遗传算法对神经网络模型进行无约束非线性优化。
上述3个步骤是常规的生成神经网络模型的步骤,在此不再赘述。
(4)利用井壁失稳类型分析预测模型预测井壁失稳类型:将需要分析井壁失稳类型的井开钻至今的资料统计输入分析数据库中,按照步骤(2)中的相同规则抽取需要分析层段的相关特征参数,即获得全因素特征参数,将全因素特征参数导入井壁失稳类型分析预测模型中进行井壁失稳类型预测,井壁失稳类型分析预测模型输出井壁失稳类型预测值;
(5)根据井壁失稳类型预测值指导制定井壁稳定对策;
根据基于神经网络模型计算得到的输入参数的权重,对重要性靠前的特征所对应的数据进行分类整理,指导制定井壁稳定对策,即对井壁稳定钻井液工艺进行改进,具体如下:
如果井壁失稳类型预测值为地层水化失稳,则降低钻井液API失水、提高钻井液K+浓度;
如果井壁失稳类型预测值为应力型失稳,则提高钻井液密度、降低漏斗粘度。
这样能够为钻井液工程师和现场施工人员提供更快速、有效的决策依据,提高钻井液维持井壁稳定的作业效率,避免井壁失稳甚至井塌等恶性事故。
(6)将井壁失稳类型以及与之对应的全因素特征参数作为综合分析结果,补充进入样本库,作为下一次井壁失稳类型分析的训练样本,实现井壁失稳类型分析及预测样品数量的持续增加。
本发明方法的实施例如下:
【实施例一】
为了使本技术领域的人员更好的理解本申请中的技术方案,下面对本申请实施例中的技术方案进行描述,所描述的实施例仅为本申请中的一部分实施例。
图1为本实施例中的神经网络模型结构示意图。由图1可知,径向基函数神经网络是三层前馈神经网络,而其中负责接收外界信息的则是输入层,对于由输入层到隐含层的转换则是发生在隐含层,同时在隐含层还能实现非线性的转换,第三层是起到输出的功能,是输入的最终结果。地质及钻井参数可转化为数字当量输入神经网络模型中。本实施例全面考虑的地质特征及钻井液性能参数对井壁失稳预测的影响,以历史数据中的掉块图像特征数据为输入,以井壁失稳类型为输出,以收集到的专家系统分析得到的井壁失稳类型真实值为标准,对神经网络进行训练,通过参数优化,生成井壁失稳类型分析预测模型。
图2是径向基(RBF)神经网络模型结构图。由图2可知,RBF神经网络模型的输入为P,代表各类井史参数,权值和阈值分别为w和b,代表RBF模型预测井壁失稳类型反馈值,隐含层节点个数为L,线性神经元模型的输出为a,代表井径扩大率预测值。本神经网络模型输入层和输出层之间的神经元个数分别为6和1。为了提高计算精度,采用K-means自组织聚类方法,为隐含层节点的径向基函数确定合适的数据中心,先给出一个初始值,再慢慢调整,通过数据对比确定最佳隐含层节点数。
图3是本发明技术的实施流程,具体如下:
(1)收集目标区块钻井地质数据、掉块图像数据及专家系统分析得到的井壁失稳类型等真实数据,形成分析数据库:
通过对目标井区历史钻井地质数据、钻井液数据及井径测井资料的收集、整理和验证,确定了掉块岩性、掉块长,掉块宽,掉块高,掉块长厚比,掉块费雷特直径、等效直径,外切圆半径,内切圆半径,掉块当量直径粒度重量分布D90及D50等12个参数的变量集。收集常规测井获得的研究区块专家系统分析得到的井壁失稳类型,作为模型训练的标准值。
(2)针对上述收集的各项数据资料进行数据预处理,数据处理内容包括数据清洗、集成、转化和规约,形成样本库。
为了能通过数据挖掘的方式来直观的推测井壁失稳类型与井壁掉块图像特征之间的关联规则,本实施例采用现有的数据清洗、集成和转化的方式进行数据预处理,在此不再赘述。
(3)以历史数据中的掉块图像特征数据为输入,以井壁失稳类型为输出,以收集到的专家系统分析得到的井壁失稳类型真实值为标准,对样品库进行训练,通过参数优化,生成井壁失稳类型分析预测模型;
设置训练集的输入参数InputData,将(2)中收集整理的12个参数作为神经网络训练的数据,设置训练集的输出标准值OutputTarget,标准值为专家系统分析得到的井壁失稳类型;建立径向基(RBF)神经网络模型,设置输入层、隐含层及输出层的节点个数,设置传递函数,并利用遗传算法对神经网络模型进行无约束非线性优化。
具体如下:基于遗传算法,对网络模型权值Wi进行算法优化,获得井壁失稳类型预测神经网络模型。
RBF网络的输入节点个数为K个,隐含层节点个数为L个,输出层节点数为M个,学习样本井数为n个,定义误差目标函数为:
采用自适应梯度下降法,对网络模型进行自适应学习:
sj(n)=sj(n-1)+ηδj(n)+α[sj(n-1)-sj(n-2)]
其中,η为学习率,取0<η<0.1,0<α<0.1。
(4)将目标井掉块岩性及图像数据导入神经网络模型,由模型自动分析出井壁失稳类型,分析井壁失稳类型影响因素及下阶段井壁失稳类型。
本发明技术方案中神经网络训练误差目标值差值设定为0.01,最大训练次数设定为1000~2000次。
(5)将预测结果和重要性靠前的钻井液性能特征对应的数据进行整理,制定井壁稳定对策,及时调整钻井液性能相关性能。
(6)将本次分析结果和相应特征数值数据加入样本库,作为下一次分析项目的训练样本。
(7)通过预测得到的井壁失稳类型及影响因素,作为优选钻井液性能的判断依据,为钻井液施工人员提供更加准确、有效的决策依据,提高井壁稳定工作效率,避免井壁失稳问题。
本发明还提供了一种井壁失稳类型分析及预测系统,所述系统的实施例如下:
【实施例二】
如图4所示,所述系统包括:
采集单元10,用于收集深井超深井钻井过程中井壁失稳过程的各类掉块的图像相关资料,形成分析数据库;
样本库建立单元20,与采集单元10连接,用于从分析数据库中获得全因素特征参数,并形成样本库;
模型生成单元30,与样本库建立单元20连接,用于利用样本库生成井壁失稳类型分析预测模型;
预测单元40,与模型生成单元30连接,用于利用井壁失稳类型分析预测模型对井壁失稳类型进行分析和预测。
本申请并不限于上述实施方式。上述的实施方式仅是示意性的,并不是限制性的。在不脱离本发明基本思想和宗旨的前提下,其他受本发明启发而进行的许多其他方式的具体变化,均属于本发明的保护范围。
本发明利用本发明提供的及时方法,可以快速、有效的分析井壁失稳机理并预测井壁失稳类型,为钻井液工程师和现场施工人员提供更快速、有效的决策依据,提高钻井液维持井壁稳定的作业效率,避免井壁失稳甚至井塌等恶性事故。
最后应说明的是,上述技术方案只是本发明的一种实施方式,对于本领域内的技术人员而言,在本发明公开了应用方法和原理的基础上,很容易做出各种类型的改进或变形,而不仅限于本发明上述具体实施方式所描述的方法,因此前面描述的方式只是优选的,而并不具有限制性的意义。
Claims (10)
1.一种基于掉块图像特征的井壁失稳类型分析及预测方法,其特征在于:所述方法首先获得各类掉块图像特征数据,然后对掉块图像特征数据进行数据挖掘获得井壁失稳类型分析预测模型,最后利用井壁失稳类型分析预测模型对井壁失稳类型进行分析和预测。
2.根据权利要求1所述的基于掉块图像特征的井壁失稳类型分析及预测方法,其特征在于:所述方法包括:
(1)及时收集深井超深井钻井过程中井壁失稳过程的各类掉块的图像相关资料,形成分析数据库;
(2)从分析数据库中获得全因素特征参数,并形成样本库;
(3)利用样本库生成井壁失稳类型分析预测模型;
(4)利用井壁失稳类型分析预测模型对井壁失稳类型进行分析和预测。
3.根据权利要求2所述的基于掉块图像特征的井壁失稳类型分析及预测方法,其特征在于:所述步骤(1)的操作包括:
通过对掉块进行定性分析及三维激光扫描,处理形成掉块图像特征数据,并将掉块图像特征数据存储在分析数据库中。
4.根据权利要求3所述的基于掉块图像特征的井壁失稳类型分析及预测方法,其特征在于:所述全因素特征参数包括12种参数,分别为:掉块岩性、掉块长、掉块宽、掉块高、掉块长厚比、掉块费雷特直径、掉块直径、掉块等效直径、掉块外切圆半径、掉块内切圆半径、掉块当量直径粒度重量分布D90、掉块当量直径粒度重量分布D50。
5.根据权利要求4所述的基于掉块图像特征的井壁失稳类型分析及预测方法,其特征在于:所述步骤(2)的操作包括:
利用专家系统分析得到井壁失稳类型;
将全因素特征参数作为输入参数,将井壁失稳类型作为输出参数存入到样本库中。
6.根据权利要求5所述的基于掉块图像特征的井壁失稳类型分析及预测方法,其特征在于:所述步骤(3)的操作包括:
以全因素特征参数为输入参数,以井壁失稳类型为输出参数,以井壁失稳类型的真实值为标准,基于数据挖掘算法获得井壁失稳类型分析预测模型;
所述数据挖掘算法采用:径向基RBF神经网络模型、BP神经网络、Hopfield网络、ART网络或者Kohonen网络。
7.根据权利要求6所述的基于掉块图像特征的井壁失稳类型分析及预测方法,其特征在于:所述步骤(4)的操作包括:
将需要分析井壁失稳类型的井的资料输入分析数据库中,并获得该井的全因素特征参数,将全因素特征参数输入到井壁失稳类型分析预测模型中进行井壁失稳类型预测,获得井壁失稳类型预测值。
8.根据权利要求7所述的基于掉块图像特征的井壁失稳类型分析及预测方法,其特征在于:所述方法进一步包括:
(5)根据井壁失稳类型预测值指导制定井壁稳定对策:
如果井壁失稳类型预测值为地层水化失稳,则降低钻井液API失水、提高钻井液K+浓度;
如果井壁失稳类型预测值为应力型失稳,则提高钻井液密度、降低漏斗粘度。
9.根据权利要求8所述的基于掉块图像特征的井壁失稳类型分析及预测方法,其特征在于:所述方法进一步包括:
(6)将井壁失稳类型及与之对应的全因素特征参数补充到样本库中,作为下一次井壁失稳类型分析的训练样本。
10.一种基于掉块图像特征的井壁失稳类型分析及预测系统,其特征在于:所述系统包括:
采集单元,用于收集深井超深井钻井过程中井壁失稳过程的各类掉块的图像相关资料,形成分析数据库;
样本库建立单元,与采集单元连接,用于从分析数据库中获得全因素特征参数,并形成样本库;
模型生成单元,与样本库建立单元连接,用于利用样本库生成井壁失稳类型分析预测模型;
预测单元,与模型生成单元连接,用于利用井壁失稳类型分析预测模型对井壁失稳类型进行分析和预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110612311.3A CN115438090A (zh) | 2021-06-02 | 2021-06-02 | 基于掉块图像特征的井壁失稳类型分析及预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110612311.3A CN115438090A (zh) | 2021-06-02 | 2021-06-02 | 基于掉块图像特征的井壁失稳类型分析及预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115438090A true CN115438090A (zh) | 2022-12-06 |
Family
ID=84271890
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110612311.3A Pending CN115438090A (zh) | 2021-06-02 | 2021-06-02 | 基于掉块图像特征的井壁失稳类型分析及预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115438090A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116822971A (zh) * | 2023-08-30 | 2023-09-29 | 长江大学武汉校区 | 一种井壁风险等级预测方法 |
-
2021
- 2021-06-02 CN CN202110612311.3A patent/CN115438090A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116822971A (zh) * | 2023-08-30 | 2023-09-29 | 长江大学武汉校区 | 一种井壁风险等级预测方法 |
CN116822971B (zh) * | 2023-08-30 | 2023-11-14 | 长江大学武汉校区 | 一种井壁风险等级预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CA2966043C (en) | Method and apparatus for drilling a new well using historic drilling data | |
CN110852018B (zh) | 基于神经网络的pso钻井参数优化方法 | |
CN108388921B (zh) | 一种基于随机森林的溢流漏失实时识别方法 | |
CN112529341B (zh) | 一种基于朴素贝叶斯算法的钻井漏失机率预测方法 | |
CN104747185A (zh) | 非均质油藏储层综合分类评价方法 | |
CN114117881A (zh) | 一种出砂风险预测方法及系统 | |
US11555943B2 (en) | Method for identifying misallocated historical production data using machine learning to improve a predictive ability of a reservoir simulation | |
CN113283180A (zh) | 基于K-means与SVR组合的致密油藏水平井压裂产能预测方法与应用 | |
Bajolvand et al. | Optimization of controllable drilling parameters using a novel geomechanics-based workflow | |
CN112085242B (zh) | 一种基于大数据深度学习方法的低阻层精准预测方法与装置 | |
CN115438090A (zh) | 基于掉块图像特征的井壁失稳类型分析及预测方法及系统 | |
CN115438823A (zh) | 一种井壁失稳机制分析与预测方法及系统 | |
CN115809411A (zh) | 一种基于测井数据的改进型决策树岩性识别方法 | |
CN115964667A (zh) | 基于深度学习和重采样的河流-湖泊岩相测井识别方法 | |
CN116562428A (zh) | 一种基于机器学习的压裂施工参数优化方法 | |
CN116432855A (zh) | 一种基于掘进数据的隧道塌方情况的预测方法 | |
CN115629188A (zh) | 一种岩心产能模拟实验系统 | |
CN114077861A (zh) | 一种钻井过程中实时识别岩性的方法和系统 | |
CN113673771A (zh) | 一种页岩气水平井压裂分段方法 | |
CN113052374A (zh) | 一种数据驱动的油井套损深度智能预测方法 | |
RU2782505C2 (ru) | Способ и компьютерная система обработки скважинных данных | |
RU2300632C1 (ru) | Способ оценки дебита горизонтальной скважины | |
CN116011234B (zh) | 一种融合地质力学和贝叶斯的压前套变风险等级判识方法 | |
Wan et al. | Intelligent Prediction of Drilling Rate of Penetration Based on Method-Data Dual Validity Analysis | |
CN116822971B (zh) | 一种井壁风险等级预测方法 |
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 |