CN106934075B - 钻井液密度确定方法及静态当量密度确定方法 - Google Patents
钻井液密度确定方法及静态当量密度确定方法 Download PDFInfo
- Publication number
- CN106934075B CN106934075B CN201511016754.7A CN201511016754A CN106934075B CN 106934075 B CN106934075 B CN 106934075B CN 201511016754 A CN201511016754 A CN 201511016754A CN 106934075 B CN106934075 B CN 106934075B
- Authority
- CN
- China
- Prior art keywords
- drilling fluid
- analysis point
- density
- pressure
- neural network
- 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.)
- Active
Links
Images
Classifications
-
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Earth Drilling (AREA)
Abstract
一种井筒内钻井液密度的确定方法及静态当量密度确定方法,该井筒内钻井液密度的确定方法包括:步骤一、获取钻井液初始密度ρ0、钻井液组分参数以及各分析点的垂深数据和温度数据,并对钻井液初始密度ρ0和组分数据进行归一化,得到第一归一化数据集;步骤二、根据钻井液密度ρi、压力Pi以及第i分析点与第i+1分析点的垂深数据,计算压力Pi+1;步骤三、根据压力Pi+1和温度数据Ti+1,计算压力差ΔPi+1和温度差ΔTi+1;步骤四、对压力差ΔPi+1和温度差ΔTi+1进行归一化处理,并结合第一归一化数据集得到第二归一化数据集;步骤五、根据第二归一化数据集,利用预设神经网络模型,得到第i+1分析点的钻井液密度ρi+1。该方法可以避免大量的重复试验和数据分析,大大提高了高温高压井井筒ESD的计算精度与效率。
Description
技术领域
本发明涉及油气勘探开发技术领域,具体地说,涉及一种钻井液密度确定方法及静态当量密度确定方法。
背景技术
随着我国油气勘探开发逐步向深部地层进军,对于高温高压深井、超深井的开发随之不断增多,这也导致窄安全密度窗口钻井问题广泛存在,而高温高压井井筒静态当量密度(Equivalent Static Density,简称为ESD)是准确计算井底压力、保证安全钻进的基础。
准确计算高温高压井井筒ESD的基础之一即是准确地对高温高压下钻井液密度进行预测。国内外许多学者对钻井液密度随高温高压变化进行了相应研究,并给出了许多不同预测模型,归纳起来主要有经验公式计算方法和钻井液组份计算方法。
1972年,Methven等人对油基钻井液在高温高压下性能进行了研究,其对两组钻井液样本进行了高温高压密度试验,得到了大量的PVT数据,并绘制了三种不同地温梯度下钻井液密度曲线,从而能够使得很方便的得到井筒内任一点钻井液密度值。1982年,Hoberock等人根据物相平衡原理建立了基于钻井液组成成份的HTHP密度预测模型,即组份法预测钻井液密度模型。1987年,Kemp等人认为前人给出的模型考虑因素较少,建立了考虑更为全面的钻井液组份法计算高温高压下钻井液静密度模型。
上世纪90年代初,鄢捷年教授在实验研究的基础上,基于多元非线性回归分析方法建立了高温高压油基钻井液密度预测模型。但由于其系数过多,回归起来更为复杂,同时可能会造成某一系数数量级过小,反而会引起计算误差。
其后许多国内学者对高温高压下钻井液密度计算模型做了进一步分析,或根据已有实验数据或通过高温高压实验数据,基于钻井液经验公式法建立了一系列模型。这些模型都大同小异,大都是根据数据处理分析在基本经验预测公式上的指数形式做了一定变换。
但是,随着实际钻井工程中所用钻井液体系越来越复杂,很难用基于某一钻井液体系得到的经验模型预测所有钻井液的在高温高压下的钻井液密度,而这也就影响到了井筒ESD的计算精度,因此现有方法已经不能满足安全钻井需要。
基于上述情况,亟需一种能够准确井筒静态当量密度的方法。
发明内容
为解决上述问题,本发明提供了一种井筒内钻井液密度的确定方法,所述方法包括:
步骤一、获取待分析井的钻井液初始密度ρ0、钻井液组分参数以及各分析点的垂深数据和温度数据,并对所述所述钻井液初始密度ρ0和组分数据进行归一化,得到第一归一化数据集;
步骤二、根据第i分析点的钻井液密度ρi、压力Pi以及第i分析点与第i+1分析点的垂深数据,计算第i+1分析点的压力Pi+1,其中,i≥1;
步骤三、根据所述第i+1分析点的压力Pi+1和温度数据Ti+1,计算所述第i+1分析点的压力差ΔPi+1和温度差ΔTi+1;
步骤四、对所述压力差ΔPi+1和温度差ΔTi+1进行归一化处理,并结合所述第一归一化数据集得到所述第i+1分析点的第二归一化数据集;
步骤五、根据所述第二归一化数据集,利用预设神经网络模型,得到所述第i+1分析点的钻井液密度ρi+1;
重复所述步骤二至步骤五,得到各个分析点处的钻井液密度。
根据本发明的一个实施例,在所述步骤一中:
根据获取到的待分析井处的地层参数、井身结构参数、钻具结构参数以及钻井液组分参数,确定所述待分析井的井筒温度场,得到所述待分析井的井筒温度分布;
根据所述井筒温度分布,将所述井筒划分为若干段,对应得到若干分析点。
根据本发明的一个实施例,所述钻井液组分参数包括:油相体积分数fo和水相体积分数fw。
根据本发明的一个实施例,根据如下表达式确定第i分析点的压力差ΔPi和温度差ΔTi:
ΔPi=Pi-P0
ΔTi=Ti-T0
其中,P0和T0分别表示初始静液柱压力和初始温度。
根据本发明的一个实施例,根据如下表达式对第i分析点的温度差ΔTi进行归一化处理:
其中,ΔT′i表示温度差ΔTi所对应的归一化温度差,ΔTmax和ΔTmin分别表示温度差的最大值和最小值。
根据本发明的一个实施例,所述预设神经网络模型是通过如下步骤构建得到的:
神经网络拓扑结构确定步骤,根据钻井液密度影响因素,确定神经网络中输入层和输出层的神经元数量,通过迭代网络训练确定所述神经网络中隐层的神经元数量,得到神经网络拓扑结构;
神经网络训练步骤,获取与钻井液密度有关的历史测试数据,对所述历史数据进行归一化,并将归一化后的所述历史数据输入到所述神经网络拓扑结构中来对所述神经网络拓扑结构进行训练,得到最优的网络参数,从而构建得到所述预设神经网络模型。
根据本发明的一个实施例,通过迭代网络训练确定所述神经网络中隐层的神经元数量时,根据如下表达式确定迭代范围:
其中,m表示神经网络隐层的神经元数量,k和l分别表示输入层和输出层的神经元数量,α表示试算参数。
根据本发明的一个实施例,根据如下表达式计算所述第i+1分析点的压力Pi+1:
Pi+1=Pi+ρigHi
其中,g表示重力加速度,Hi表示第i+1分析点与第i分析点之间的垂深差。
本发明还提供了一种井筒内静态当量密度的确定方法,所述方法包括:
钻井液密度确定步骤,利用如上任一项所述的方法确定所述井筒内各分析点的钻井液密度;
静态当量密度确定步骤,根据所述各点的钻井液密度,确定所述井筒内各分析点的静态当量密度。
根据本发明的一个实施例,根据如下表达式确定所述井筒内各分析点的静态当量密度:
其中,ESDi+1表示井筒内第i+1分析点的静态当量密度,WHP表示套管压力,ρj表示第j分析点的钻井液密度,Hj表示第j+1分析点与第j分析点之间的垂深差,g表示重力加速度,n表示井筒内分析点的总数。
本发明涉及高温高压钻井过程中井筒内钻井液密度及当量精密度的计算,其包括基于钻井液组成成分建立的神经网络模型设计方法,并通过给出的网络参数计算方法得到神经网络参数。该方法还根据地层参数、井身结构参数以及钻具结构参数来计算井筒温度场,对井筒进行详细分段,运用建立的神经网络模型计算得到各段的钻井液密度,最后计算整个井筒内的当量静密度剖面。该方法可以避免大量的重复试验和数据分析,大大提高了高温高压井井筒ESD的计算精度与效率。
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。
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的附图做简单的介绍:
图1是根据本发明一个实施例的构建预设神经网络的流程图;
图2是根据本发明一个实施例的神经网络拓扑结构示意图;
图3是根据本发明一个实施例的确定井筒静态当量密度的方法的流程图;
图4是根据本发明一个实施例的井筒内详细分段模型图;
图5是根据本发明一个实施例的某井井筒内钻井液密度及ESD剖面计算结果示意图。
具体实施方式
以下将结合附图及实施例来详细说明本发明的实施方式,借此对本发明如何应用技术手段来解决技术问题,并达成技术效果的实现过程能充分理解并据以实施。需要说明的是,只要不构成冲突,本发明中的各个实施例以及各实施例中的各个特征可以相互结合,所形成的技术方案均在本发明的保护范围之内。
同时,在以下说明中,出于解释的目的而阐述了许多具体细节,以提供对本发明实施例的彻底理解。然而,对本领域的技术人员来说显而易见的是,本发明可以不用这里的具体细节或者所描述的特定方式来实施。
另外,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
为了克服现有技术缺陷,本发明引入基于粒子群优化算法(Paritcle SwarmOptimization,PSO)的BP神经网络,考虑钻井液组成成份因素建立一套改进BP神经网络的高温高压钻井液密度复合预测方法,该预测方法具有将钻井液组成成分与PSO-BP神经网络充分结合的特点,因此预测精度更高、预测方法更加合理。进而根据该预测方法预测井筒内不同温度压力下钻井液密度变化,计算井筒内各点处静液柱压力,最终建立了一套基于改进BP神经网络的高温高压井井筒ESD计算方法。
为了克服现有技术缺陷而实现井筒(特别是高温高压井筒)静态当量密度的准确计算,本发明所提供的井筒静态当量密度确定方法首先利用预设神经网络模型确定待分析井井筒内各分析点处的钻井液密度,然后再利用个分析点出的钻井液密度来确定各分析点处的静态当量密度。
为了确定待分析井井筒内各分析点处的钻井液密度,本实施例首先构建了所需要的神经网络模型(即预设神经网络模型)。其中,本实施例所构建的神经网络模型优选地为基于粒子群算法(Partical Swarm Optimizaiton,简称为PSO)的BP神经网络。
神经网络是从生理结构来模拟人类大脑的工作机制,其具有很强的逼近能力、自适应能力和自学习能力。其中,BP(Back Propagation)神经网络是目前应用最为广泛的神经网络。
BP(Back Propagation)神经网络是一种多层前馈神经网络,该网络的主要特点是信号前向传递、误差反向传播。在理论上,BP神经网络可以逼近任意连续的非线性关系。当时,由于BP神经网络的误差代价函数是全体连接权值的一个复杂函数,因此,BP神经网络在优化权值过程中必然会存在寻优参数过多的问题,而寻优参数过多将会导致收敛速度过慢。同时,BP神经网路还存在误差代价复杂函数可能存在多个极值点的问题,该问题将可能导致寻优过程陷入局部极值。
粒子群算法(Partical Swarm Optimizaiton,简称为PSO)是从鸟类捕食问题得到启示并用于解决优化问题的。在PSO中,每个待优化问题的解被规定为空间中的一只鸟,也称为“粒子”。所有粒子都有一个由待优化问题决定的适应值,每个粒子还有一个速度来决定其搜索的方向和距离。PSO首先初始化这样一群随机离子(即随机解),随后通过迭代找到最优解。在每一次迭代过程中,粒子通过跟踪两个“极值”来更新自己。其中,第一极值就是粒子本身所找到的最优解,另一个极值则是整个粒子群体到目前为止所找到的最优解。PSO-BP神经网络能够有效解决传统BP神经网络所存在的收敛速度过慢以及寻优过程容易陷入局部极值的问题。
需要指出的是,在本发明的其他实施例中,还可以采用其他合理的方法来构建神经网络,本发明不限于此。例如在本发明的实施例中,所构建的神经网络还可以为基于优化增益值来实现优化神经元传输函数的PSO-GainBP神经网络。
图1示出了本实施例中构建PSO-BP网络的流程图。
如图1所示,在本实施例中,首先在步骤S101中根据钻井液密度影响因素,确定神经网络拓扑结构。为了提高计算效率并防止模型发散,本实施例所构建的PSO-BP神经网络采用了3层网络结构,即1个网络输入层、1个隐层及1个输出层。
首先确定输入层以及输出层的神经元数量。考虑到钻井液实际情况,钻井液由液相、固相两部分组成,液相受压压缩、受高温影响膨胀,而固相受温度压力体积保持不变,因此对于高温高压下钻井液密度计算主要考虑温度以及压力对钻井液中的液相影响。
由于钻井液中液相主要由水相和油相组成,且温度压力对水相和油相的影响有较大差别,因此需要分别考虑高温高压对水相及油相的影响。因此本实施例设定输入层有5个输入神经元(即k=5)及1个阈值神经元,这5个输入神经元分别对应压力差ΔP、温度差ΔT、常温常压下钻井液密度(即钻井液初始密度)ρ0、水相体积分数fw和油相体积分数fo。
该神经网络主要为了对钻井液密度(尤其是高温高压下钻井液密度)进行预测,因此该神经网路拓中输出层的神经元数量为1(即l=1),该神经元对应钻井液密度预测值。
本实施例中,通过迭代网络训练来确定神经网络中隐层的神经元数量。其中,迭代范围可以根据如下表达式计算得到:
其中,m表示隐层的神经元数量,k表示输入层的神经元数量,l表示输出层的神经元数量,α表示试算参数。
本实施例中,输入层的神经元数量k的取值为5,输出层的神经元数量l的取值为1,试算参数α的取值为1至10,根据表达式(1)可知,隐层的神经元数量m的取值范围为4至13。
通过迭代网络训练,本实施例所构建的神经网络中隐层的神经元数量优选地为5个,由此也就构建得到了如图2所示的PSO-BP神经网络拓扑结构。其中,Wij表示隐层第j(1≤j≤m)节点(即神经元)到输入层第i(1≤i≤k)节点之间的权值,Vjl表示输出层第l节点(即神经元)到隐层第j节点之间的权值,θj表示隐层第j节点的阈值,θl表示输出层第l节点的阈值。
再次如图1所示,在确定出PSO-BP神经网路的拓扑结构后,本实施例在步骤S102中获取与钻井液密度有关的历史测试数据,并对这些历史测试数据进行归一化。在本实施例中,所获取的与钻井液密度有关的历史测试数据包括:钻井液初始密度ρ0、初始温度T0、初始压力P0、不同测试实验的钻井液所受压力Pi和所受温度Ti、在压力Pi和温度Ti时的钻井液密度ρi、水相体积分数fw以及油相体积分数fo。
得到上述历史数据后,计算测点钻井液密度ρi所对应的压力差ΔPi和温度差ΔTi,即:
ΔPi=Pi-P0 (2)
ΔTi=Ti-T0 (3)
其中,钻井液初始密度ρ0、压力差ΔPi、温度差ΔTi、水相体积分数fw以及油相体积分数fo为输入层参数,ρi为输出层参数。
本实施例中,通过对上述输入层参数和输出层参数进行归一化处理,使得所有参数归一化至[-1,1]区间。具体地,本实施例中根据如下表达式对上述输入层参数和输出层参数进行归一化处理:
其中,xmid某参数的中值,xmax和xmin分别表示某参数的最大值和最小值,x和x′分别表示某参数归一化前和归一化后的取值。
x可以表示钻井液初始密度ρ0、压力差ΔPi、温度差ΔTi、水相体积分数fw、油相体积分数fo和测点钻井液密度ρi。例如对于温度差ΔTi来说,其可以根据如下表达式来进行归一化处理:
其中,ΔT′表示温度差ΔTi所对应的归一化温度差,ΔTmax和ΔTmin分别表示所计算得到的各个温度差数据中的最大值和最小值。
其他参数也可以利用相同的原理来进行归一化处理,在此不再赘述。
对历史数据进行归一化处理后,在步骤S103中将归一化后的历史数据输入到步骤S101所构建的神经网络拓扑结构中来对该神经网络拓扑进行训练,从而得到神经网络的最有网络参数,即得到所需要的神经网络模型。
得到上述神经网络模型后,便可以利用该神经网络模型来对各压力以及温度下的钻井液密度进行预测,图3示出了利用该神经网络模型确定钻井液密度以及静态当量密度的流程图。
如图3所示,本实施例在步骤S301中根据获取到的待分析井的地层参数、井身结构参数、钻具参数以及钻井液组分参数,确定待分析井的井筒温度场,从而得到待分析井的井筒温度场分布。
本实施例中,在步骤S301中所获取的钻井液组分参数包括油相体积分数fo和水相体积分数fw。其中,在步骤S301中,还获取与钻井液密度有关的待分析井的钻井液常温常压(即初始压力P0和初始温度T0)下的密度(即初始密度)ρ0,并且还对钻井液初始密度ρ0以及钻井液组分参数进行了归一化,得到了第一归一化数据集。
在得到井筒温度分布后,在步骤S302中根据井筒温度分布,将待分析井的井筒划分为若干段,对应得到若干分析点。得到这些分析点后,本实施例所提供的方法便在步骤S303中获取各个分析点的垂深数据以及温度数据。
图4示出了本实施例中井筒内详细分段模型。从图4中可以看出,本实施例将待分析井井筒分为了n段,其垂深差分别为H1、H2、…Hn。其中,Hi-1表示第i分析点与第i-1分析点之间的垂深差,Hi表示第i+1分析点与第i分析点之间的垂深差。例如,H1表示第2分析点与第1分析点(即井口处的分析点)之间的垂深差。
本实施例中,对于第1分析点来说,其所受压力P1即为套管压力WHP,其所受温度为T1,其钻井液密度为钻井液密度ρ1。而对于第i分析点来说,其所受压力即为压力Pi,所受温度即为温度Ti,钻井液密度即为钻井液密度ρi。
由上述所建立的神经网络模型可以看出,如果希望求取第i分析点的钻井液密度ρi,就需要确定出第i分析点的压力Pi以及温度Ti。而第i分析点的温度Ti在步骤S301中根据井筒温度分布可以确定得到,因此此时需要确定的也就是第i分析点的压力Pi,而第i分析点的压力Pi可以由套管压力WHP及该位置的静液柱压力Pi_s。套管压力WHP已知,则只需要计算由钻井液密度引起的静液柱压力。
由于随着分析点垂深的增加,其钻井液密度也是变化的。因此为了保证所得到的i分析点的压力Pi的准确性,本实施例所提供的方法采用了迭代的方式来确定各个分析点的压力,即存在:
Pi+1=WHP+Pi+1_s=Pi+ρigHi (8)
其中,Pi+1和Pi分别表示第i+1分析点和第i分析点的压力,g表示重力加速度,Hi表示第i+1分析点与第i分析点之间的垂深差。
例如,对于第2分析点来说,其所受压力P2可以根据如下表达式计算得到:
P2=P1+ρ1gH1 (9)
依此类推,这样便可以利用前一分析点的钻井液密度来确定出当前分析点的钻井液密度。
需要指出的是,对于第1分析点来说,其所述压力即为已知的套管压力WHP。
具体地,如图3所示,在步骤S302中先将参数i置为1,即起始分析点为第1分析点。在步骤S304中,根据第1分析点的压力P1(P1等于套管压力WHP)和温度T1,确定第1分析点的钻井液密度ρ1。
具体地,在步骤S304中,由于第1分析点的温度T1等于初始温度T0,因此如果第1分析点的压力P1(即套管压力WHP)等于0,那么第1分析点的钻井液密度ρ1也就等于钻井液初始密度ρ0。而如果第1分析点的压力P1(即套管压力WHP)不等于0,那么在步骤S303中将首先计算第1分析点的压力差ΔP1和温度差ΔT1,随后对压力差ΔP1和温度差ΔT1进行归一化处理后利用归一化后的数据和预设神经网络模型确定出第1分析点的钻井液密度ρ1。
具体地,本实施例所提供的方法在步骤S305中根据如下表达式计算第i+1分析点处的压力Pi+1。
Pi+1=Pi+ρigHi (10)
其中,g表示重力加速度,Hi表示第i+1分析点与第i分析点之间的垂深差,即存在:
Hi=hi+1-hi(i=1,…,n) (11)
得到第i分析点处的所受压力Pi后,便可以在步骤S306中分别计算第i分析点的压力差ΔPi和温度差ΔTi。具体地,本实施例中,优选地根据如下表达式来计算第i分析点的压力差ΔPi和温度差ΔTi:
ΔPi=Pi-P0 (12)
ΔTi=Ti-T0 (13)
本实施例中,在步骤S307中对第i分析点的压力差ΔPi和温度差ΔTi进行归一化,并集合步骤S301中所得到的第一归一化数据集确定出了第二归一化数据集。其中,第二归一化数据即包括归一化后的钻井液初始密度、油相体积分数、水相体积分数、第i分析点的压力差ΔPi和温度差ΔTi。
如图3所示,本实施例所提供的方法在步骤S308中将上述第二归一化数据集输入到预先构建的神经网络,这样便可以根据神经网络的输出确定出第i分析点的钻井液密度ρi。
由于此时i等于1,因此在步骤S305至步骤S308计算的为第2分析点的相关参数,步骤S308中所得到的钻井液密度为第2分析点的钻井液密度ρ2。
具体地,在步骤S304中得到第1分析点的钻井液密度ρ1后,在步骤S305中,便可以根据第1分析点的压力P1、钻井液密度ρ1以及第2分析点与第1分析点的垂直深度差H1利用表达式(8)来计算出第2分析点的压力P2。
随后在步骤S306中,根据第2分析点的压力P2和温度T2可以计算出第2分析点的压力差ΔP2和温度差ΔT2,并在步骤S307中对压力差ΔP2和温度差ΔT2进行归一化处理。将归一化后的数据输入预设神经网络模型,这样也就可以得到第2分析点的钻井液密度ρ2。
在步骤S309中,该方法将判断是否达到期望分析点(例如期望获得其钻井液密度的分析点)。如果达到了期望分析点(即第i分析点为期望分析点),则在步骤S310中根据各个分析点的钻井液密度以及垂深数据,确定出期望分析点的静态当量密度;如果没有达到期望分析点,则令i=i+1后返回步骤S305,以获取第i+1分析点(此时为第3分析点)的钻井液密度,并重复该过程直至达到期望分析点。
具体地,本实施例中,根据如下表达式计算井筒内各分析点的静态当量密度:
其中,ESDi+1表示井筒内第i+1分析点的静态当量密度,ρj表示第j分析点的钻井液密度,Hj表示第j+1分析点与第j分析点之间的垂深差,g表示重力加速度,n表示井筒内分析点的总数。
从上述描述中可以看出,为了克服现有技术缺陷,本实施例所提供的方法引入基于粒子群优化算法(Paritcle Swarm Optimization,PSO)的BP神经网络,考虑钻井液组成成份因素建立了一套改进BP神经网络的高温高压钻井液密度复合预测方法,该预测方法具有将钻井液组成成分与PSO-BP神经网络充分结合的特点,因此预测精度更高、预测方法更加合理。进而根据该预测方法预测井筒内不同温度压力下钻井液密度变化,计算井筒内各点处静液柱压力,最终建立了一套基于改进BP神经网络的高温高压井井筒ESD计算方法。
本实施例采用一组水基钻井液和两组油基钻井液测量数据作为训练样本对神经网络拓扑结构进行训练,从而获取神经网络拓扑的网络参数。本实施例中,No.1号水基钻井液成成份包括:350g水、20g膨润土、3g木质素磺酸铬以及3g褐煤氢氧化钠溶液,随后采用4.22g/cm3重晶石对钻井液加重,分别配置成密度为1.28g/cm3三种水基钻井液样品。
油基钻井液组成成份包括:2#柴油298cm3、52cm3浓度为30%氯化钙水溶液、5g有机土、5g乳化剂以及2g熟石灰,同样采用比重为4.22的重晶石对钻井液进行加重,分别配置了密度分别为1.31g/cm3的No.2号油基钻井液和2.15g/cm3的No.3号油基钻井液。
本实施例中,上述三种钻井液的组分数据如表1所示。
表1
而在温度21.11-204.44℃、压力0-96.46MPa条件下三种钻井液密度数据具体如表2所示。
表2
随后对所得到的数据(即训练数据输入输出参数)进行归一化处理。具体地,本实施例利用表达式(4)和表达式(5)对表1和表2所示的数据进行归一化处理,以将所有数据归一化至[-1,1]之间。其中,归一化处理所得的结构分别如表3和表4所示。
表3
表4
随后,根据以上所得的归一化数据根据网络参数训练流程对神经网络进行训练,得出最优网络结构如图2所示,而确定出的网络参数如表5所示。
表5
在完成神经网络的训练后,便可以利用训练好的神经网络进行钻井液密度的预测了。本实施例中,某井采用1.90g/cm3(20℃、0MPa)的油基钻井液进行钻进,地温梯度为18.1℃/km,综合钻井液组成成分,油相体积分数为58.4%,水相体积分数为9.068%,井口套管压力WHP为0,其他数据如表6(即井眼结构数据表)和表7(即钻具结构数据表)所示。
表6
表7
钻具类型 | 钻具说明 | 外径(cm) | 内径(cm) | 长度(m) |
钻杆 | 5” | 12.70 | 10.86 | 5931.7 |
钻杆 | 4” | 10.16 | 8.48 | 1154.0 |
加重钻杆 | 4” | 10.16 | 6.51 | 141.0 |
钻铤 | 5” | 12.70 | 5.72 | 198.0 |
钻头* | PDC | 16.83 | - | - |
在计算井筒内各分析点的静态当量密度时,首先根据已知数据计算井筒温度场,随后根据构建的神经网络模型计算井筒内各分析点处的钻井液密度,最后依次计算各点处的静态当量密度,最终计算结果如图5所示。
本发明涉及高温高压钻井过程中井筒内钻井液密度及当量精密度的计算,其包括基于钻井液组成成分建立的神经网络模型设计方法,并通过给出的网络参数计算方法得到神经网络参数。该方法还根据地层参数、井身结构参数以及钻具结构参数来计算井筒温度场,对井筒进行详细分段,运用建立的神经网络模型计算得到各段的钻井液密度,最后计算整个井筒内的当量静密度剖面。该方法可以避免大量的重复试验和数据分析,大大提高了高温高压井井筒ESD的计算精度与效率。
说明书中提到的“一个实施例”或“实施例”意指结合实施例描述的特定特征、结构或特性包括在本发明的至少一个实施例中。因此,说明书通篇各个地方出现的短语“一个实施例”或“实施例”并不一定均指同一个实施例。
虽然上述示例用于说明本发明在一个或多个应用中的原理,但对于本领域的技术人员来说,在不背离本发明的原理和思想的情况下,明显可以在形式上、用法及实施的细节上作各种修改而不用付出创造性劳动。因此,本发明由所附的权利要求书来限定。
Claims (9)
1.一种井筒内钻井液密度的确定方法,其特征在于,所述方法包括:
步骤一、获取待分析井的钻井液初始密度ρ0、钻井液组分参数以及各分析点的垂深数据和温度数据,并对所述钻井液初始密度ρ0和组分数据进行归一化,得到第一归一化数据集,所述第一归一化数据集包括归一化后的钻井液初始密度和钻井液组分参数,其中,所述钻井液组分参数包括:油相体积分数fo和水相体积分数fw;
步骤二、根据第i分析点的钻井液密度ρi、压力Pi以及第i分析点与第i+1分析点的垂深数据,计算第i+1分析点的压力Pi+1,其中,i≥1;
步骤三、根据所述第i+1分析点的压力Pi+1和温度数据Ti+1,计算所述第i+1分析点的压力差ΔPi+1和温度差ΔTi+1;
步骤四、对所述压力差ΔPi+1和温度差ΔTi+1进行归一化处理,并结合所述第一归一化数据集得到所述第i+1分析点的第二归一化数据集,所述第二归一化数据集包括归一化后的钻井液初始密度、油相体积分数、水相体积分数、第i+1分析点的压力差ΔPi+1和温度差ΔTi+1;
步骤五、根据所述第二归一化数据集,利用预设神经网络模型,得到所述第i+1分析点的钻井液密度ρi+1;
重复所述步骤二至步骤五,得到各个分析点处的钻井液密度。
2.如权利要求1所述的方法,其特征在于,在所述步骤一中:
根据获取到的待分析井处的地层参数、井身结构参数、钻具结构参数以及钻井液组分参数,确定所述待分析井的井筒温度场,得到所述待分析井的井筒温度分布;
根据所述井筒温度分布,将所述井筒划分为若干段,对应得到若干分析点。
3.如权利要求1所述的方法,其特征在于,根据如下表达式确定第i分析点的压力差ΔPi和温度差ΔTi:
ΔPi=Pi-P0
ΔTi=Ti-T0
其中,P0和T0分别表示初始静液柱压力和初始温度。
5.如权利要求1所述的方法,其特征在于,所述预设神经网络模型是通过如下步骤构建得到的:
神经网络拓扑结构确定步骤,根据钻井液密度影响因素,确定神经网络中输入层和输出层的神经元数量,通过迭代网络训练确定所述神经网络中隐层的神经元数量,得到神经网络拓扑结构;
神经网络训练步骤,获取与钻井液密度有关的历史数据,对所述历史数据进行归一化,并将归一化后的所述历史数据输入到所述神经网络拓扑结构中来对所述神经网络拓扑结构进行训练,得到最优的网络参数,从而构建得到所述预设神经网络模型。
7.如权利要求1~6中任一项所述的方法,其特征在于,根据如下表达式计算所述第i+1分析点的压力Pi+1:
Pi+1=Pi+ρigHi
其中,g表示重力加速度,Hi表示第i+1分析点与第i分析点之间的垂深差。
8.一种井筒内静态当量密度的确定方法,其特征在于,所述方法包括:
钻井液密度确定步骤,利用如权利要求1~7中任一项所述的方法确定所述井筒内各分析点的钻井液密度;
静态当量密度确定步骤,根据所述各点的钻井液密度,确定所述井筒内各分析点的静态当量密度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511016754.7A CN106934075B (zh) | 2015-12-29 | 2015-12-29 | 钻井液密度确定方法及静态当量密度确定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511016754.7A CN106934075B (zh) | 2015-12-29 | 2015-12-29 | 钻井液密度确定方法及静态当量密度确定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106934075A CN106934075A (zh) | 2017-07-07 |
CN106934075B true CN106934075B (zh) | 2020-07-10 |
Family
ID=59441484
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201511016754.7A Active CN106934075B (zh) | 2015-12-29 | 2015-12-29 | 钻井液密度确定方法及静态当量密度确定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106934075B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107478544B (zh) * | 2017-08-25 | 2020-04-10 | 中国石油天然气股份有限公司 | 盐水层钻井液密度的确定方法与装置 |
CN110388202A (zh) * | 2018-04-13 | 2019-10-29 | 中国石油化工股份有限公司 | 基于高温高压粘度计读数预测的井筒流体流变特性方法 |
CN115238861B (zh) * | 2022-07-11 | 2023-11-17 | 西南石油大学 | 一种基于井壁垮塌程度约束的安全钻井液密度确定方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101025084A (zh) * | 2006-02-20 | 2007-08-29 | 中国石油大学(北京) | 一种随钻预测钻头底下地层孔隙压力的方法 |
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 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9879519B2 (en) * | 2007-04-02 | 2018-01-30 | Halliburton Energy Services, Inc. | Methods and apparatus for evaluating downhole conditions through fluid sensing |
AU2013395658B2 (en) * | 2013-08-01 | 2016-12-08 | Halliburton Energy Services, Inc. | Resin composition for treatment of a subterranean formation |
-
2015
- 2015-12-29 CN CN201511016754.7A patent/CN106934075B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101025084A (zh) * | 2006-02-20 | 2007-08-29 | 中国石油大学(北京) | 一种随钻预测钻头底下地层孔隙压力的方法 |
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 |
Non-Patent Citations (3)
Title |
---|
井底恒压钻井井筒流动模型研究;孙士慧;《中国博士学位论文全文数据库 工程科技Ⅰ辑》;20140531;第31卷(第3期);第B019-1页的第2.1.1节和第3.2.1节 * |
基于支持向量机的钻井液高温高压静态密度预测模型;徐生江等;《钻井液与完井液》;20140531;第31卷(第3期);第28-31、97页的第1-4节 * |
通过人工神经网络 (ANN)简单而准确地确定随压力和温度变化的钻井泥浆密度;E .A.Osman等;《国外油田工程》;20041231;第20卷(第12期);第28-31页 * |
Also Published As
Publication number | Publication date |
---|---|
CN106934075A (zh) | 2017-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105117511B (zh) | 一种缝洞油藏井间连通通道及流动参数的表征方法 | |
CN108984886B (zh) | 一种反演多层油藏井间动态连通性的方法 | |
CN113610945B (zh) | 一种基于混合神经网络的地应力曲线预测方法 | |
CN106934075B (zh) | 钻井液密度确定方法及静态当量密度确定方法 | |
CN108843312B (zh) | 油田储层层内非均质性综合评价方法 | |
CN103606006A (zh) | 基于自组织t-s模糊神经网络的污泥沉降指数软测量方法 | |
CN103912248A (zh) | 水驱油田预测含水率方法 | |
CN112360411A (zh) | 基于图神经网络的局部井网注水开发优化方法 | |
CN111894561B (zh) | 一种适用于欠平衡钻井的地层特性随钻解释方法 | |
CN115526086A (zh) | 一种基于代理模型的碳酸盐岩油藏水驱突破时间预测方法 | |
CN112576248A (zh) | 一种底水气藏早期产能评价预测方法 | |
CN112100930A (zh) | 一种基于卷积神经网络和Eaton公式的地层孔隙压力计算方法 | |
WO2018056952A1 (en) | Fluid analysis tool and method to use the same | |
CN115481565A (zh) | 一种基于lstm和蚁群算法的土压平衡盾构机掘进参数预测方法 | |
CN112302607A (zh) | 一种致密气藏压裂水平井人工裂缝参数解释方法 | |
CN114488311A (zh) | 基于ssa-elm算法的横波时差预测方法 | |
CN111751878A (zh) | 横波速度的预测方法和装置 | |
CN107355200A (zh) | 一种纳微米颗粒分散体系改善水驱选井方法 | |
CN115618750B (zh) | 一种基于耦合神经网络的地下油水渗流代理模型 | |
CN104834934B (zh) | 一种用于识别储层流体的核体俘获法 | |
CN110991084B (zh) | 一种基于流线数值试井的储层渗透率计算方法 | |
CN115434696A (zh) | 一种岩性识别数据库构建方法及岩性识别方法 | |
CN107630679B (zh) | 基于指数模型的页岩气水平井初期最高产能的预测方法 | |
CN111749675A (zh) | 一种基于级联模型算法的地层可钻性预测方法及*** | |
CN113705878B (zh) | 水平井出水量的确定方法、装置、计算机设备及存储介质 |
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 |