CN109740210A

CN109740210A - 一种页岩气压裂井下砂堵事故实时风险评估方法及装置

Info

Publication number: CN109740210A
Application number: CN201811569169.3A
Authority: CN
Inventors: 胡瑾秋; 张来斌; 张鑫
Original assignee: China University of Petroleum Beijing
Current assignee: China University of Petroleum Beijing
Priority date: 2018-12-21
Filing date: 2018-12-21
Publication date: 2019-05-10
Anticipated expiration: 2038-12-21
Also published as: CN109740210B

Abstract

本说明书实施例提供一种页岩气压裂井下砂堵事故实时风险评估方法及装置。所述方法包括：从多个井下相关事件中选取不同的井下相关事件分别作为目标节点、根节点，选取风险表征参数作为叶节点；根据所述目标节点、根节点和叶节点，构建贝叶斯网络；在所述贝叶斯网络中目标节点、根节点和叶节点分别具有多个状态；分别确定所述目标节点、根节点和叶节点在各个状态下的概率，得到风险预测模型；将实时监测的风险表征参数值输入至所述风险预测模型，计算得到砂堵事故风险概率。利用本方法，可以在考虑监测参数的情况下更加准确地实现对与砂堵事故的风险评估。

Description

一种页岩气压裂井下砂堵事故实时风险评估方法及装置

技术领域

本说明书实施例涉及风险评估技术领域，特别涉及一种页岩气压裂井下砂堵事故实时风险评估方法及装置。

背景技术

水力压裂技术是利用地面高压泵组，通过井筒向地层注入大排量、高粘液体，在井底憋气高压，当高压超过地层承受能力时，便会在井底附近的地层形成裂缝。继续泵入携带支撑剂的液体，裂缝逐渐向前延伸，支撑剂起到支撑裂缝作用，形成了具有一定尺寸的高导流能力的填砂裂缝，达到增产的效果。然而，在页岩气井的压裂过程中，由于不利的因素(比如地层水敏性强)，会使得支撑剂在井底或裂缝中造成聚集形成堵塞，使施工压力突然升高，进而导致压裂施工难以进行下去，这种现象称之为砂堵事故。发生砂堵时，若没有尽快采取有效的应对措施，容易造成压裂施工失败，浪费压裂液和支撑剂，对压裂施工井进行冲砂解堵，增加额外的施工作业成本，降低了油井生产寿命，严重的报废施工井，甚至因憋压造成重大人员伤亡。因此，为了确保压裂施工的安全平稳进行，有必要辨识出风险因素，实时评估井下砂堵事故的风险。

传统的事故风险评估方法包括危险与可操作分析，事故树分析和事件树分析；然而，上述方法在本质上是静态分析方法，在应用于井下事故风险评估时，未考虑到井下工况随时间变化的特性。为了评估动态***的风险，马尔科夫模型和动态事故树被用于描述***风险随时间的变化特性，然而，动态事故树的节点必须是只有成功与失败两种状态，不适用于具有多种状态的节点；虽然马尔科夫链模型能够表达节点的多种状态，但却存在状态空间***的问题。除此之外，对于复杂动态***，上述两种方法建立的模型非常庞大，不易理解。贝叶斯网络由于具有优越的不确定性推理能力和知识表达性能，已经开始应用于油气井事故风险评估领域。然而，在已有的研究应用中，仅考虑到风险因素以及风险因素随时间变化的特性，但是未考虑到风险表征参数(即能够反映出风险变化的关键监测参数，比如：井底压力。)，增加了风险评估结果的不确定性，缺乏真正意义上的实时性。因此，有必要考虑风险表征参数对风险评估结果的影响，将风险表征参数融入到模型中，建立工程意义上的风险模型，减少风险评估结果的不确定性，使得结果更符合实际。

发明内容

本说明书实施例的目的是提供一种页岩气压裂井下砂堵事故实时风险评估方法及装置，以解决现有风险评估中所存在的结果不确定性大，不具有实时性的问题。

为了解决上述技术问题，本申请实施例提供一种页岩气压裂井下砂堵事故实时风险评估方法及装置是这样实现的：

一种页岩气压裂井下砂堵事故实时风险评估方法，包括：

从多个井下相关事件中选取不同的井下相关事件分别作为目标节点、根节点，选取风险表征参数作为叶节点；

根据所述目标节点、根节点和叶节点，构建贝叶斯网络；在所述贝叶斯网络中目标节点、根节点和叶节点分别具有多个状态；

分别确定所述目标节点、根节点和叶节点在各个状态下的概率，得到风险预测模型；

将实时监测的风险表征参数值输入至所述风险预测模型，计算得到砂堵事故风险概率。

一种页岩气压裂井下砂堵事故实时风险评估装置，包括：

节点选取模块，用于从多个井下相关事件中选取不同的井下相关事件分别作为目标节点、根节点，选取风险表征参数作为叶节点；

贝叶斯网络构建模块，用于根据所述目标节点、根节点和叶节点，构建贝叶斯网络；在所述贝叶斯网络中目标节点、根节点和叶节点分别具有多个状态；

风险预测模型构建模块，用于分别确定所述目标节点、根节点和叶节点在各个状态下的概率，得到风险预测模型；

砂堵事故风险概率计算模块，用于将实时监测的风险表征参数值输入至所述风险预测模型，计算得到砂堵事故风险概率。

由以上本说明书实施例提供的技术方案可见，本说明书实施例根据工区中的多个井下相关事件和风险表征参数，分别确定目标节点、根节点和叶节点，并依据上述节点构建贝叶斯网络。通过对贝叶斯网络中的节点进行状态划分并依次确定所有状态的发生概率，得到用于进行风险估计的风险预测模型。通过在叶节点中的所引入实时更新的风险监测参数，能够实时更新所述风险预测模型，从而做到实时准确地对井下砂堵事件进行判断分析。

附图说明

为了更清楚地说明本说明书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说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本说明书实施例一种页岩气压裂井下砂堵事故实时风险评估方法的流程图；

图2为本说明书实施例一种页岩气压裂井下砂堵事故实时风险评估装置的模块图；

图3为本说明书实施例一种页岩气压裂井下砂堵事故实时风险评估方法的贝叶斯网络模型示意图；

图4A为本说明书一个实施例中套管压力参数的变化斜率示意图；

图4B为本说明书一个实施例中油管压力参数的变化斜率示意图；

图4C为本说明书一个实施例中支撑液体积的变化斜率示意图；

图5A为本说明书一个实施例中井下第五段的油管压力参数变化示意图；

图5B为本说明书一个实施例中井下第五段的套管压力参数变化示意图；

图5C为本说明书一个实施例中井下第五段的产油排量变化示意图；

图5D为本说明书一个实施例中井下第五段的砂比变化示意图；

图5E为本说明书一个实施例中井下第五段的支撑剂数量变化示意图；

图6A为本说明书一个实施例中井下第五段的砂堵事件发生概率变化示意图；

图6B为本说明书一个实施例中井下第五段的砂堵事件发生概率变化示意图；

图7A为本说明书一个实施例中井下第九段的油管压力参数变化示意图；

图7B为本说明书一个实施例中井下第九段的套管压力参数变化示意图；

图7C为本说明书一个实施例中井下第九段的产油排量变化示意图；

图7D为本说明书一个实施例中井下第九段的砂比变化示意图；

图7E为本说明书一个实施例中井下第九段的支撑剂数量变化示意图；

图8A为本说明书一个实施例中井下第九段的砂堵事件发生概率变化示意图；

图8B为本说明书一个实施例中井下第九段的砂堵事件发生概率变化示意图。

具体实施方式

下面将结合本说明书实施例中的附图，对本说明书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说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。

以下结合附图1说明本申请一种页岩气压裂井下砂堵事故实时风险评估方法的实施例。所述方法的执行主体为服务器。所述砂堵事故风险评估方法具体实施步骤如下：

S100：从多个井下相关事件中选取不同的井下相关事件分别作为目标节点、根节点，选取风险表征参数作为叶节点。

贝叶斯网络是一种有向无环图，由代表着变量的节点和连接这些节点的有向边组成。节点一般指代随机变量或事件，有向边代表了所连接节点之间的关系。在一些示例中，可以根据贝叶斯网络中的节点是否具有子节点和父节点将其依次划分为目标节点、根节点。若节点只存在子节点，即该节点只对其他节点产生影响，则称该节点为根节点。若节点只存在父节点，即该节点只受到其他节点的影响，其自身的结果只反映所代表随机变量的情况，则称该节点为目标节点。

同时可以根据网络的复杂程度，决定是否引入中间节点，即既存在父节点也存在子节点，一般为由根节点向目标节点的过渡节点。

在本申请中，同时还引入叶节点，叶节点为目标节点的子节点。由目标节点本身的信息变化情况，可以直接影响到叶节点本身的信息变化，从而可以根据采集显示的叶节点的本身信息进一步反映目标节点的相关信息。

在一个实施例中，目标节点即为基于贝叶斯网络模型所要进行求取的目标点，该点即反映了相关的所要求取的目标信息。由于本申请针对的是砂堵事故的风险评估，所以在本实施例中，设置目标节点为砂堵事故的发生概率。

根节点即为从根本上对砂堵事故进行影响的相关事件，一般由地层工况、支撑剂性能、压裂液性能等现存的相关特征所反映。在本实施例中，设置岩石弹性模量、岩石非均质性、储层水敏性、储层结构脆弱性、储层吸液能力、支撑剂尺寸、支撑剂强度、支撑剂纯度、支撑剂抗剪切力、压裂液抗高温性、压裂液的摩擦阻力、砂比的提升幅度、加砂操作稳定性、支撑剂数量为根节点。

中间节点即为受到根节点所影响，并进一步对砂堵事件发生概率进行影响的事件。在本实施例中，设置人工裂缝的宽度、人工裂缝的数量、裂缝表面规则性、人工裂缝的质量、支撑剂的物理性能、压裂液的粘度、压裂液的杂质含量、压裂液的携砂能力、加砂操作安全水平、支撑剂的流动阻力为中间节点。

为了进一步根据地下监测数据实时反映当前砂堵事件的发生概率，引入与风险表征参数有关的事件，作为叶节点。该类事件受砂堵事件发生概率所影响，某种程度上也可以对目标节点的结果进行估计与反映。在本实施例中，引入套管压力的变化趋势和油管压力的变化趋势作为叶节点。

S200：根据所述目标节点、根节点和叶节点，构建贝叶斯网络。

为了更好地量化贝叶斯网络模型，对于其中的节点进行状态划分。考虑到步骤S100中引入的中间节点，在该处同样涉及对于中间节点状态的划分。状态的划分更有利于之后对概率的计算，根据每个划分的状态确定相应的概率，用于最终计算砂堵事故风险概率。但是状态划分过多会导致之后在计算节点之间的条件概率时过于繁琐，而状态划分过少会降低计算过程中的准确性。因此需要根据每个节点的实际情况对其进行恰当的状态划分。具体状态划分方式可以如下表1所示：

表1

以上述表中的储层吸液能力为示例，可以将储层吸液能力划分为较强、正常和较弱，但储层吸液能力只有在较强的时候，才会降低压裂液的携砂能力，正常和较弱状态下对其他节点的影响效果相同，因此，为了方便计算，可以将储层吸液能力的状态仅仅划分为较强和正常。因此，在重要状态被考虑到的情况下，对上述节点实现最少数量的状态的划分。

最终，根据上述确定的所述根节点、中间节点、目标节点和叶节点及各节点之间的对应关系，如图3所示，建立对应的贝叶斯网络模型，用于进行下一步分析。

S300：分别确定所述目标节点、根节点和叶节点在各个状态下的概率，得到风险预测模型。

实际操作中，由于中间节点、根节点所代表的监测参数不易进行定量计算得到相应状态的概率，而这些监测参数在多年的实际操作中已经对其状态积累了较多的经验，因此，可以根据以往的数据变化情况和经验对中间节点和根节点的概率进行预先设置。

例如，在实际生产过程中，可以对除RN14支撑剂数量之外的根节点设定如下表2所示的概率分布：

表2

节点	先验概率分布	节点	先验概率分布
				RN1	{0,0.92,0.08}	RN8	{0.05,0.95,0}
RN2	{0.04,0.84,0.12}	RN9	{0.25,0.75,0}
				RN3	{0.03,0.97}	RN10	{0.12,0.88,0}
RN4	{0.02,0.83,0.15}	RN11	{0.65,0.35,0}
				RN5	{0,0.99,0.01}	RN12	{0,1.0}
RN6	{0.06,0.94}	RN13	{0.96,0.04}
				RN7	{0.1,0.9,0}

由于支撑剂数量指代的是已经泵入地层中的支撑剂剂量，因此任意时刻井下支撑剂数量可以利用公式进行计算，式中，V_t表示支撑剂数量，D表示压裂液的排量，SC表示砂比。压裂液的排量大小表征了压裂液在施工管柱内流动的速度，可以直接根据管道上的流量计测得。排量大小影响管柱沿程摩阻，直接关系到压裂缝内净压力和支撑剂的沉积情况。砂比间接反映单位体积携砂液中支撑剂所占质量比，从而影响施工进展。衡量支撑剂的数量是一个模糊性问题，同样也可以采用模糊集量化其状态概率分布。采用P₇，P₈，P₉表示支撑剂数量属于“偏多”、“正常”和“偏少”状态的隶属度，分别利用公式来计算三种状态所对应的隶属度。如图4C所示，为支撑剂数量所对应的“偏多”、“正常”、“偏少”三种状态所对应的隶属函数的示意图。

同时，由于贝叶斯网络中各个局部网络需要对其进行条件概率的设置，逐一进行定量分析难度过大，过于繁琐，且准确度无法得到保证，因此，对各节点之间的条件概率也进行设置。以RN1压裂液的摩擦阻力、RN2岩石弹性模量、RN3岩石非均质性和IN2储层水敏性组成的局部网络为例，分配如表3所示的条件概率：

表3

依照上述分配方式，对整个贝叶斯网络模型中的所有局部网络中的条件概率进行分配。

叶节点主要包括监测得到的油管压力参数和套管压力参数。由于参数本身变动一般较大，直接根据监测参数对砂堵事件发生概率进行判断误差较大，在这里对叶节点的参数变化趋势进行计算分析，通过曲线趋势的异常变化，反映井下工况，对砂堵事件的风险进行评估。

具体地，在采集得到套管压力参数和油管压力参数之后，选取离当前时间最近的特定时间步长内的数据，例如，选取t-δ时刻到t时刻内的参数数据，利用公式计算参数变化趋势，式中，β表示预设时间步长内参数的斜率，即参数变化趋势，δ表示预设的特定时间步长，u_t为t时刻下风险表征参数的数值，u_t-δ为t-δ时刻下风险表征参数的数值。

设风险表征参数Y的论域为U，也就是叶节点Y的斜率的可能取值范围；所述风险表征参数的状态空间为S＝{S₁,S₂,…,S_n}，则对应的模糊集为A＝{A₁,A₂,…,A_n}，模糊集A的隶属函数为A(u)＝{A(u₁),A(u₂),…,A(u_n)}，其中u_i∈U。若t时刻下风险表征参数Y的采样值为u_it，则此时Y的先验概率分布可以表示为(A(u_1t),A(u_2t),…,A(u_nt))。在贝叶斯网络模型中，节点的此类概率分布也被称之为软证据。

根据前述步骤中所确定的叶节点，同样采用模糊集量化器状态概率分布。例如，对于套管压力参数，设定P₁，P₂，P₃表示套管压力属于“偏高”、“正常”和“偏低”状态的隶属度，分别利用公式来计算三种状态的隶属度，如图4A所示，为套管压力参数所对应的“偏高”、“正常”、“偏低”三种状态所对应的隶属函数的示意图。

同理，对于油管压力参数，设定P₄，P₅，P₆表示油管压力分别属于“特别高”、“偏高”和“正常”状态的隶属度，分别利用公式来计算三种状态的隶属度，如图4B所示，为油管压力参数所对应的“特别高”、“偏高”、“正常”三种状态所对应的隶属函数的示意图。

根据上述隶属函数所确定的叶节点的状态分布，可以推知得到叶节点的概率。

根据上述对于各个节点的各个状态的概率进行确定，以及贝叶斯网络中节点之间的条件概率的确定，可以完成风险预测模型的构建，从而进行之后对于砂堵事故发生风险的实时估计。

S400：将实时监测的风险表征参数值输入至所述风险预测模型，计算得到砂堵事故风险概率。

根据贝叶斯网络中节点的概率和节点之间的条件概率，可以得到目标节点的先验概率，再结合得到的各节点之间的条件概率、目标节点的先验概率以及叶节点的概率，利用公式计算砂堵事故风险概率，式中，H为目标节点，c为根节点，E为叶节点，P(H|E,c)为砂堵事故风险概率，P(H|c)为目标节点的概率，P(E|H,c)为节点之间的条件概率，P(E|c)为叶节点的概率。

由于风险表征参数为实时获取，因此，根据得到的风险表征参数的变化情况，可以利用上述公式实时更新砂堵事故风险概率，从而做到实时有效且准确地对砂堵事故发生风险进行评估。

应用上述方法至具体的井下监测过程中来验证该方法的实时性和准确性。如图5A至5D所示，为井下第五段的实时监测参数，图5A表示的套管压力参数和图5B表示的油管压力参数可以应用于本方法对于井下发生砂堵事故的风险评估，图5C表示的产油排量和图5D表示的砂比可以直接反映当前井下是否发生砂堵事件，其中砂比即为压裂液中支撑剂的浓度。根据前述方法，可以直接对支撑剂数量进行计算，如图5E所示，为井下第五段支撑剂数量变化情况。

根据上述油管压力参数、套管压力参数和支撑剂数量的变化情况，带入用于进行砂堵事件风险评估的贝叶斯网络模型中，更新目标节点的后验概率，如图6A所示，得到砂堵事故风险发生概率。调整发生概率的纵坐标为对数形式，使得更直观地对砂堵事故发生概率进行查看，得到如图6B所示的砂堵事故风险概率变化示意图。从图中可以直观地看出，3分钟至8分钟的时间段内，由于压裂泵***功率增加等因素，导致此时砂堵事故发生概率增大，虽然此时没有进行加砂操作，仍需密切注意井下压力变化情况。122分钟至132分钟的时间段内，砂堵事故发生风险最大，由于此时加砂操作仍在进行，为了减缓事故发生风险，应当立刻停止加砂操作，排除砂堵事故。

同理，对井下第九段也采取上述操作步骤。图7A至7D是井下第九段的实时监测参数。图7A为油管压力参数变化示意图，图7B为套管压力参数变化示意图，图7C为产油排量变化示意图，图7D为砂比变化示意图。图7E为计算得到的支撑剂数量变化示意图。根据上述参数，计算得到砂堵事故的发生概率变化示意图如图8A所示。将其纵坐标变换为对数形式，从而更直观地查看砂堵事故发生概率，如图8B所示。从图中可以看出，在整个加砂过程中，砂堵事故发生概率始终没有超过0.01，说明此时井下几乎不可能发生砂堵事故。

通过以上对井下第五段和井下第九段预测砂堵事故发生风险的实际应用，证明了本申请砂堵事故风险评估方法的实时性和有效性，能够直观得出此时井下情况，并可以根据预测结果采取相应的操作。通过引入油管压力参数和套管压力参数等风险表征参数，减少了风险评估结果的不确定性，使得结果更符合实际。

以下介绍本申请一种页岩气压裂井下砂堵事故实时风险评估装置的实施例，如图2所示，该砂堵事故风险评估装置包括：

节点选取模块201，用于从多个井下相关事件中选取不同的井下相关事件分别作为目标节点、根节点，选取风险表征参数作为叶节点；

贝叶斯网络构建模块202，用于根据所述目标节点、根节点和叶节点，构建贝叶斯网络；在所述贝叶斯网络中目标节点、根节点和叶节点分别具有多个状态；

风险预测模型构建模块203，用于分别确定所述目标节点、根节点和叶节点在各个状态下的概率，得到风险预测模型；

砂堵事故风险概率计算模块204，用于将实时监测的风险表征参数值输入至所述风险预测模型，计算得到砂堵事故风险概率。

所述井下相关事件包括：与地层工况相关的事件、与操作活动相关的事件和与压裂液性能相关的事件。

所述风险表征参数包括：套管压力参数和油管压力参数。

在所述节点选取模块210之后，所述装置还可以包括：

中间节点选取模块250，用于从多个井下相关事件中选取井下相关事件作为中间节点；

相应的，所述贝叶斯网络构建模块220，包括：

贝叶斯网络构建子单元221，用于根据所述目标节点、根节点、叶节点和中间节点，构建贝叶斯网络；

所述风险预测模型构建模块230，包括：

风险预测模型构建子单元231，用于分别确定所述目标节点、根节点、叶节点和中间节点在各个状态下的概率，得到风险预测模型。

所述概率包括节点之间的条件概率，相应地，所述风险预测模型构建模块230，包括：

节点概率设定子单元232，用于设定所述目标节点和根节点的概率；

条件概率设定子单元233，用于设定各个关联节点之间的概率作为节点之间的条件概率；

叶节点概率确定子单元234，用于根据所述叶节点的参数变化趋势，确定所述叶节点的概率，得到风险预测模型。

所述根据所述叶节点的参数变化趋势，确定所述叶节点的先验概率，包括：

根据所述叶节点的参数，确定预设时间步长内叶节点参数的变化率；

根据所述变化率，确定所述叶节点的先验概率。

所述砂堵事故风险概率计算模块240，包括：

叶节点概率更新子单元241，用于利用实时监测的风险表征参数值实时更新叶节点的概率；

砂堵事故风险概率计算子单元242，用于利用公式计算砂堵事故风险概率，式中，H为目标节点，c为根节点，E为叶节点，P(H|E,c)为砂堵事故风险概率，P(H|c)为目标节点的概率，P(E|H,c)为节点之间的条件概率，P(E|c)为叶节点的概率。

在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字***“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片2。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog2。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

上述实施例阐明的***、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本说明书可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本说明书的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本说明书各个实施例或者实施例的某些部分所述的方法。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于***实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本说明书可用于众多通用或专用的计算机***环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器***、基于微处理器的***、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何***或设备的分布式计算环境等等。

本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

虽然通过实施例描绘了本说明书，本领域普通技术人员知道，本说明书有许多变形和变化而不脱离本说明书的精神，希望所附的权利要求包括这些变形和变化而不脱离本说明书的精神。

Claims

1.一种页岩气压裂井下砂堵事故实时风险评估方法，其特征在于，包括：

从多个井下相关事件中选取不同的井下相关事件分别作为目标节点、根节点，选取风险表征参数作为叶节点

2.如权利要求1所述的方法，其特征在于，所述井下相关事件包括：

与地层工况相关的事件、与操作活动相关的事件和与压裂液性能相关的事件。

3.如权利要求1所述的方法，其特征在于，所述风险表征参数包括：

套管压力参数和油管压力参数。

4.如权利要求1所述的方法，其特征在于，所述从多个井下相关事件中选取不同的井下相关事件分别作为目标节点、根节点，选取风险表征参数作为叶节点之后，还包括：

从多个井下相关事件中选取井下相关事件作为中间节点；

相应的，所述根据所述目标节点、根节点和叶节点，构建贝叶斯网络，包括：

根据所述目标节点、根节点、叶节点和中间节点，构建贝叶斯网络；

所述分别确定所述目标节点、根节点和叶节点在各个状态下的概率，得到风险预测模型，包括：

分别确定所述目标节点、根节点、叶节点和中间节点在各个状态下的概率，得到风险预测模型。

5.如权利要求1所述的方法，其特征在于，所述概率包括节点之间的条件概率，相应地，所述分别确定所述目标节点、根节点和叶节点在各个状态下的概率，得到风险预测模型，包括：

设定所述目标节点和根节点的概率；

设定各个关联节点之间的概率作为节点之间的条件概率；

根据所述叶节点的参数变化趋势，确定所述叶节点的概率，得到风险预测模型。

6.如权利要求5所述的方法，其特征在于，所述根据所述叶节点的参数变化趋势，确定所述叶节点的概率，包括：

根据所述变化率，确定所述叶节点的先验概率。

7.如权利要求1所述的方法，其特征在于，所述概率包括节点之间的条件概率；所述将实时监测的风险表征参数值输入至所述风险预测模型，计算得到砂堵事故风险概率，包括：

利用实时监测的风险表征参数值实时更新叶节点的概率；

利用公式计算砂堵事故风险概率，式中，H为目标节点，c为根节点，E为叶节点，P(H|E,c)为砂堵事故风险概率，P(H|c)为目标节点的概率，P(E|H,c)为节点之间的条件概率，P(E|c)为叶节点的概率。

8.一种页岩气压裂井下砂堵事故实时风险评估装置，其特征在于，包括：

9.如权利要求8所述的装置，其特征在于，所述井下相关事件包括：

10.如权利要求8所述的装置，其特征在于，所述风险表征参数包括：

套管压力参数和油管压力参数。

11.如权利要求8所述的装置，其特征在于，还包括：

中间节点选取模块，用于从多个井下相关事件中选取井下相关事件作为中间节点；

相应的，所述贝叶斯网络构建模块，包括：

贝叶斯网络构建子单元，用于根据所述目标节点、根节点、叶节点和中间节点，构建贝叶斯网络；

所述风险预测模型构建模块，包括：

风险预测模型构建子单元，用于分别确定所述目标节点、根节点、叶节点和中间节点在各个状态下的概率，得到风险预测模型。

12.如权利要求8所述的装置，其特征在于，所述概率包括节点之间的条件概率，相应地，所述风险预测模型构建模块，包括：

节点概率设定子单元，用于设定所述目标节点和根节点的概率；

条件概率设定子单元，用于设定各个关联节点之间的概率作为节点之间的条件概率；

叶节点概率确定子单元，用于根据所述叶节点的参数变化趋势，确定所述叶节点的概率，得到风险预测模型。

13.如权利要求12所述的装置，其特征在于，所述叶节点概率确定子单元，包括：

根据所述变化率，确定所述叶节点的先验概率，得到风险预测模型。

14.如权利要求8所述的装置，其特征在于，所述概率包括节点之间的条件概率；所述砂堵事故风险概率计算模块，包括：

叶节点概率更新子单元，用于利用实时监测的风险表征参数值实时更新叶节点的概率；

砂堵事故风险概率计算子单元，用于利用公式计算砂堵事故风险概率，式中，H为目标节点，c为根节点，E为叶节点，P(H|E,c)为砂堵事故风险概率，P(H|c)为目标节点的概率，P(E|H,c)为节点之间的条件概率，P(E|c)为叶节点的概率。