基于大数据分析的漏失压力预测技术研究.pdf
《基于大数据分析的漏失压力预测技术研究.pdf》由会员分享,可在线阅读,更多相关《基于大数据分析的漏失压力预测技术研究.pdf(6页珍藏版)》请在咨信网上搜索。
1、基于大数据分析的漏失压力预测技术研究郑卓,宋峙潮,和鹏飞,冯晟,郑勋(中海油能源发展股份有限公司工程技术分公司,天津300467)摘要:渤中油田沙河街组地层火成岩发育、地质情况复杂,钻遇该地层常会发生裂缝性漏失。学者结合本构模型和破坏准则建立了多种解析模型和数值模拟方法,但深部地层地质力学参数(地应力大小、方向等)及岩石力学参数(泊松比、弹性模量等)呈现出较强的波动性,地层漏失压力实时预测准确度低。本文结合多元时间序列回归算法,训练得出针对渤中区域测井数据的机器学习模型,以钻井参数反演测井数据,实现了钻头处岩石、地质力学参数实时求取,有效解决了漏失压力预测模型中输入端参数误差大的问题;同时从统
2、计学角度出发,提出了火成岩地层漏失压力概率预测模型,辅助提高了地层漏失压力预测结果准确性,为钻井液阈值的选取提供了参考依据。同时可推广应用至其他存在裂缝性漏失风险的区块中,提高钻井液安全窗口上限预测准确率。关键词:渤中油田;火成岩;漏失压力;统计学;机器学习中图分类号:TE254.6文献标识码:A文章编号:1673-5285(2023)0苑-0026-06DOI:10.3969/j.issn.1673-5285.20圆3.0苑.006*收稿日期:圆园2圆原员园-圆怨作者简介:郑卓(1992),男,工程师,本科,毕业于中国地质大学,主要从事海上油气勘探开发的工程地质及数字化应用工作。E-mail
3、:Research on 造eakage pressure prediction technologybased on big data analysisZ匀耘晕郧 Zhuo,SONG Zhichao,HE Pengfei,FENG Sheng,ZHENG Xun(CNOOC Energy Development Co.,Ltd.,Engineering Technology Branch,Tianjin 300467,China)Abstract:The formation of Shahejie formation in Bozhong oilfield is characterized
4、by the de原velopment of igneous rocks and complex geological conditions.Fracture leakage often occurswhen drilling into the formation.The predecessor has established many analytical modelsand numerical simulation methods in combination with the constitutive model and failurecriteria.But the deep form
5、ation geomechanical parameters(in-situ stress size,direction,etc.)and rock mechanical parameters(Poissons ratio,elastic modulus,etc.)show strongvolatility,and the accuracy of real-time prediction of formation leakage pressure is low.Inthis paper,a machine learning model for logging data in Bozhong a
6、rea is trained by combin原ing multiple time series regression algorithm.The logging data is inversed by drilling param原eters,and the real-time calculation of rock and geomechanical parameters at the drill bit isrealized,which effectively solves the problem of large input parameter error in the leakag
7、e石油化工应用PETROCHEMICAL INDUSTRY APPLICATION第 42 卷第 7 期2023 年 7 月Vol.42 No.7July.2023随着钻井技术的提高和钻井新工具的研发应用,深层海洋油气开发已成为国家油气发展的重要战略方向,渤海油田开发的主要层系随之转变为中深层的东营组、沙河街组,未来的趋势将是 4 000 m 以深的中生界层系。与浅层钻井相比,渤海油田中深部地层岩性条件及油藏环境复杂,井壁易出现失稳破坏的现象,对钻井作业的安全和经济造成了不利影响1-3。在海洋石油钻井费用高昂的背景下,钻井液漏失对钻井作业的成本及安全控制造成了严重影响,针对渤海油田渤中区块火成
8、岩地层地质情况复杂、井漏风险高的问题,本文结合多元时间序列回归算法,训练得出针对渤中区域测井数据的机器学习模型,以钻井参数反演测井数据,实现了钻头处岩石、地质力学参数实时求取;同时基于统计学方法形成了裂缝性地层漏失压力辅助预测模型,对降低渤中区块火成岩地层井漏风险具有重要意义。1火成岩地层井漏风险控制难点分析渤中油田群位于渤海湾盆地东南部黄河口凹陷,紧邻郯庐断裂渤南段中支,构造活动强烈,中深部地层形成了大型复杂低序级断块圈闭群,地质风险尤为突出。其中沙河街组地层火成岩发育,钻遇该地层常会发生裂缝性漏失4-6。钻井过程中井底 ECD 通常介于漏失压力与破裂压力之间,导致钻井液循环时渗漏进入地层中
9、,停泵接立柱等 ECD 下降工况下,又从地层回吐返回井筒中,此类呼吸效应会进一步扩大火成岩地层的裂缝开度及孔洞直径,导致漏失现象逐渐严重7。国内外对漏失压力的研究普遍基于完整性地层,假设漏失压力近似等于破裂压力,但裂缝性地层的漏失机理不同于完整性地层,其漏失压力远小于裂缝性地层的破裂压力。目前学者对地层漏失压力研究的焦点主要集中于本构模型和破坏准则,建立了多种解析模型和数值模拟方法,但由于深部地层地质条件具有复杂性,地质力学参数(地应力大小、方向等)及岩石力学参数(泊松比、弹性模量等)呈现出较强的波动性,难以进行准确的量化。进行地层漏失压力实时预测时,模型输入端参数出现误差可能会导致分析结果出
10、现严重错误,预测难度较大8-10。2火成岩地层漏失压力预测技术2.1基于大数据分析的测井参数实时反演模型由于钻遇不同岩性地层会导致钻井参数发生不同程度改变,而测井参数又是判定岩性的重要依据,故认为钻井参数与测井数据间具有强相关性,具备利用机器学习模型进行测井参数实时反演回归的条件。集成学习模型可以同时利用多个监督学习模型达到更好的模型学习效果,其中 Rocket,Inceptiontime,Xgboost 等多元时间序列回归算法均为该模型的代表性算法。针对某一应用环境,目前暂无较好的算法优选方法,完全依靠测试集训练回归的准确率作为模型核心算法的选取标准。通过审核渤中区块已钻历史井测井、钻井等数
11、据资料的适用性及完整性,总结整理了 20 口井的钻井参数以及测井数据。首先使用移动窗口程序生成数据集,确定数据集输入、输出维度(样本个数、变量种类)。根据井史资料寻找发生井眼坍塌或漏失的层位,每口井按照不同深度生成独立样本数据集。分析钻井参数特征值随岩性变化情况选取 4 个节点作为输入维度,分别为钻压、钻速、扭矩、泵压,可以用 X1、X2、X3、X4 表示网格输入;选取能够直接反映岩性特征的 3 项测井参数作为输出维度,分别为伽马值、密度、声波,可以用y1、y2、y3 表示网格输出。然后对数据进行清洗,由于不同动态参数的量纲pressure prediction model.At the sa
12、me time,from the statistical point of view,the probabili原ty prediction model of formation leakage pressure in igneous rock is proposed,which helps toimprove the accuracy of formation leakage pressure prediction results and provides a refer原ence for the selection of drilling fluid threshold.At the sa
13、me time,it can be applied to otherblocks with fracture leakage risk to improve the prediction accuracy of the upper limit of thedrilling fluid safety window.Keywords:Bozhong oilfield;igneous rock;leakage pressure;statistics;machine learning郑卓等基于大数据分析的漏失压力预测技术研究第 7 期27不同,数值大小差距很大。为了消除量纲对数据的影响,同时固定数据的
14、取值范围,需要对数据进行标准化处理。将原始数据缩放到某一特定小区间内的一种方法,本文采用的方法是最小-最大标准化,其计算方法见式(员)。x*=2 x-xmin蓸蔀xmax-xmin-1(1)式中:x*-标准化后的数据;x-未标准化数据;xmin-x 的最小值;xmax-x 的最大值。最后使用处理后的数据与期望输出值进行学习训练,其目标函数为:Obj=ni=1移yiln1+e-y赞i蓸蔀+1-yi蓸蔀ln1+ey赞i蓸蔀(2)集成学习模型经过学习和训练后,其训练误差随着训练次数的增加而降低,当 Obj 达到设定误差值时,学习和训练会立即停止。本文使用多元时间序列回归算法 Rocket,Incep
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 数据 分析 漏失 压力 预测 技术研究
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。