基于机器学习模型的斜井坍塌压力预测方法.pdf
《基于机器学习模型的斜井坍塌压力预测方法.pdf》由会员分享,可在线阅读,更多相关《基于机器学习模型的斜井坍塌压力预测方法.pdf(13页珍藏版)》请在咨信网上搜索。
1、第 43 卷第 9 期2023 年 9 月 119 天然气工业Natural Gas Industry引文:马天寿,张东洋,杨赟,等.基于机器学习模型的斜井坍塌压力预测方法J.天然气工业,2023,43(9):119-131.MA Tianshou,ZHANG Dongyang,YANG Yun,et al.Machine learning model based collapse pressure prediction method for inclined wellsJ.Natural Gas Industry,2023,43(9):119-131.基于机器学习模型的斜井坍塌压力预测方法马
2、天寿1张东洋1杨 赟2陈颖杰31.油气藏地质及开发工程全国重点实验室 西南石油大学2.中国石油川庆钻探工程有限公司钻采工程技术研究院3.中国石油西南油气田公司致密油气勘探开发项目部摘要:坍塌压力是优化钻井液密度、维持井壁稳定的重要基础参数,对保障油气井安全高效钻井具有重要作用。为了解决传统坍塌压力预测方法存在的计算过程繁琐、预测精度较低等问题,采用随机森林、多项式回归等 4 种机器学习模型,建立了斜井坍塌压力机器学习预测方法,利用参数随机采样和传统解析模型生成了训练样本,优选了最佳模型,优化了训练样本数量、神经网络结构和模型超参数,并以 Z-1 井为例验证了该预测方法的可靠性和准确性。研究结果
3、表明:优化的多层感知机模型预测性能最好,在验证集和测试集均表现出较好的预测能力;该模型能准确预测不同井段的坍塌压力剖面,与测井解释结果相比,Z-1 井直井段、斜井段和水平段坍塌压力预测的平均绝对误差小于 0.007 3 g/cm3、均方根误差小于 0.013 8 g/cm3、平均绝对百分比误差小于 0.771 1%、决定系数大于 0.950 5;该模型能够准确预测任意深度斜井的坍塌压力,Z-1 井在 3 个深度处的坍塌压力半球投影图预测最大相对误差小于 1.97%、决定系数大于 0.987 6。结论认为,该方法能够准确预测给定参数范围内任意斜井的坍塌压力,并能捕捉坍塌压力随井斜和方位的变化规律
4、,对于保持斜井和水平井井壁稳定保障油气安全高效开发具有重要技术支撑作用。关键词:井壁稳定;坍塌压力;机器学习;斜井;多层感知机;预测方法DOI:10.3787/j.issn.1000-0976.2023.09.012Machine learning model based collapse pressure prediction method for inclined wellsMA Tianshou1,ZHANG Dongyang1,YANG Yun2,CHEN Yingjie3(1.National Key Laboratory of Oil and&Reservoir Geology a
5、nd Exploitation/Southwest Petroleum University,Chengdu,Sichuan 610500,China;2.Drilling&Production Technology Research Institute,CNPC Chuanqing Drilling Engineering Co.,Ltd.,Chengdu,Sichuan 610051,China;3.Tight Oil and Gas Project Division,PetroChina Southwest Oil&Gasfield Company,Chengdu,Sichuan 610
6、056,China)Natural Gas Industry,vol.43,No.9,p.119-131,9/25/2023.(ISSN 1000-0976;In Chinese)Abstract:Collapse pressure is an important basic parameter for optimizing drilling fluid density and maintaining wellbore stability,and plays an important role in ensuring the safe and efficient drilling of oil
7、 and gas wells.The traditional collapse pressure prediction methods have a complicated calculation process and low prediction accuracy.In order to solve these problems,this paper establishes a machine learning prediction method of collapse pressure for inclined wells by using four machine learning m
8、odels such as random forest and polynomial regression.Then,the training samples are generated by using random parameter sampling and the traditional analytic model.In addition,an optimal model is selected,and the number of training samples,the structure of neural networks,and the hyperparameters of
9、the model are optimized.Finally,the reliability and accuracy of this prediction method is verified by taking Well Z-1 as an example.And the following research results are obtained.First,the optimized multilayer perceptron model has the best prediction performance,and presents a better prediction cap
10、acity in the verification set and test set.Second,compared with the logging interpretation results,the collapse pressure in the vertical,inclined and horizontal intervals of Well Z-1 predicted by this model has an average absolute error lower than 0.007 3 g/cm3,an root mean square error lower than 0
11、.013 8 g/cm3,an average absolute percentage error lower than 0.771 1%,and a coefficient of determination higher than 0.950 5,indicating that this model can accurately predict the collapse pressure profiles of different well intervals.Third,the maximum relative error of the hemispherical projection o
12、f the collapse pressure at three depths of Well Z-1 is lower than-1.97%and the determination coefficient is higher than 0.987 6,indicating that this model can accurately predict the collapse pressure of an inclined well at any depth.In conclusion,this method can accurately predict the collapse press
13、ure of any inclined well within an given parameter range,and can capture the change laws of collapse pressure with well inclination and orientation,which provides an important support for maintaining the wellbore stability of inclined and horizontal wells and ensuring the safe and efficient developm
14、ent of oil and gas.Keywords:Wellbore stability;Collapse pressure;Machine learning;Inclined well;Multilayer perceptron;Prediction method基金项目:四川省杰出青年科技人才项目“深层页岩水平井井壁稳定流固化热耦合弹塑性有限元模拟”(编号:2020JDJQ0055)。作者简介:马天寿,1987 年生,研究员,博士,本刊编委;主要从事油气井工程方面的科研与教学工作。地址:(610500)四川省成都市新都区新都大道 8 号。ORCID:0000-0002-8754-915
15、6。E-mail:2023 年第 43 卷 120 天 然 气 工 业0引言坍塌压力是优化钻井液密度、优化井身结构、维持井壁稳定、确保钻井安全的重要基础参数,对于安全高效钻井至关重要1-2。当井筒压力低于坍塌压力时,井壁可能发生压剪破坏,造成井壁崩落、掉块和井眼扩大,严重时甚至发生井壁坍塌复杂事故3-4。为了防止井壁坍塌,一般需要使钻井液密度高于坍塌压力当量密度,但过高的钻井液密度会导致机械钻速降低、粘卡风险增加、诱导性井漏风险增加等问题5-6。因此,坍塌压力的准确预测对于安全高效钻井具有十分重要的作用和现实意义。对于坍塌压力的预测,国内外学者主要通过测井解释预测坍塌压力,其关键之一在于坍塌压
16、力计算模型。国内外学者基于线弹性力学理论,建立了任意斜井井周应力分布模型,结合不同类型的岩石强度准则,建立了多种斜井坍塌压力计算模型7-8,但这类模型计算过程比较复杂,现场工程师很难掌握,计算精度仍有待提高。近年来,随着机器学习的不断兴起和发展,机器学习提供了一种解决这些问题的新手段。国内外学者试图利用机器学习解决石油工程专业领域的一些经典问题,如岩石力学参数预测、地应力预测、孔隙压力预测、岩性识别等9-14。针对井壁稳定预测问题,吴超等15利用径向基函数神经网络建立了波阻抗与直井地层三压力之间的映射关系,根据波阻抗数据随钻预测钻头前方地层的井壁稳定性,有助于及时优化钻井液密度。Behesht
17、ian 等16基于多层极限学习机和最小二乘支持向量机,以测井数据作为输入参数,构建了直井安全钻井液密度窗口预测模型,并通过伊朗南帕斯气田 3 口井的数据验证了模型。Tewari 等17提出了一种利用地面录井数据预测斜井安全钻井液密度的方法,通过 Bagging 和随机森林算法来模拟传感器测量变量与钻井液密度窗口之间的关系,使用挪威已钻井数据进行训练和测试,并与人工神经网络、支持向量回归机法进行了对比,验证了该方法的准确性。Javad 等18以测井数据为输入参数,采用支持向量回归机建立了直井安全钻井液密度窗口预测模型,并使用相同区块 3 口井的数据进行了训练和测试。Gowida 等19以测井数据
18、为输入参数,利用人工神经网络建立了直井安全钻井液密度窗口预测模型,并使用中东地区的数据集对模型进行了验证。Phan 等20利用孔弹性解析模型生成任意斜井坍塌和破裂压力数据集,采用人工神经网络模型进行训练,使用训练后的模型预测了随时间变化的钻井液密度窗口和下半球投影图,计算效率与解析模型相比提高了 1 000 倍。综上所述,传统斜井坍塌压力预测需要进行复杂的斜井井壁应力和强度计算,现场工程师很难掌握,而且存在计算过程繁琐、预测精度较低等不足。使用机器学习模型预测坍塌压力可避免中间参数的计算,简化计算过程,但现有研究的训练和验证数据集样本数量有限,仅能保证同井或钻进方位相近邻井坍塌压力的预测精度,
19、存在泛化能力不足的问题,尤其是在精准预测坍塌压力随井斜角和方位角变化方面仍然存在不足。为此,通过参数随机采样的方式生成斜井坍塌压力计算所需的基础参数,利用斜井坍塌压力模型计算并构建机器学习所需的数据集,将预处理后的数据喂入随机森林、多项式回归、支持向量回归、多层感知机等 4 种典型的机器学习模型,对比不同机器学习方法的预测结果优选出最佳模型,对优选模型的结构和超参数进行优化,并使用优化后的模型进行坍塌压力预测来验证模型。本文的研究对于准确预测坍塌压力、简化坍塌压力计算过程、推广机器学习在石油工程领域的应用具有重要的作用和意义。1斜井坍塌压力计算模型1.1斜井井壁应力分布模型假设地层岩石为多孔弹
20、性介质,根据 Bradley 给出的井周应力分布模型,取径向距离 r=R,可以得到井壁应力分布模型21:(1)其中第 9 期 121 马天寿等:基于机器学习模型的斜井坍塌压力预测方法式中 rr、zz分别表示井壁径向、切向和轴向应力,MPa;z、r、rz分别表示井壁 3 个剪应力,MPa;pm表示井筒压力,MPa;pp表示孔隙压力,MPa;表示井壁渗透系数,无因次,介于 0 1;表示孔隙度;v表示垂向应力,MPa;H表示最大水平地应力,MPa;h表示最小水平地应力,MPa;表示井斜角,();表示方位角,();表示最大水平主应力方位角,();表示井周角,();K1表示渗流效应系数,无因次;s表示岩
21、石静态泊松比,无因次;表示 Biot 系数,无因次。根据材料力学理论,可得井壁的 3 个主应力:(2)式中 i、j、k表示井壁 3 个主应力,MPa。对 3 个主应力 i、j、k进行排序,即可得井壁最大、中间和最小主应力 1、2和 3。1.2坍塌压力计算模型井壁坍塌一般是由于地层发生剪切破坏所致,常用 Mohr-Coulomb、Drucker-Prager 和 Mogi-Coulomb等强度准则判断是否发生剪切破坏。本文采用 Mohr-Coulomb 准则,若考虑有效应力原理,则该准则可表示为:(3)式中 1和 3分别表示最大和最小主应力,MPa;c表示岩石内聚力,MPa;表示岩石内摩擦角,(
22、)。此时,可以定义一个函数 fc来求解井周地层是否发生剪切破坏:(4)函数 fc的物理意义表示地层岩石抵抗井壁剪切应力的能力22。若 fc 0,将发生剪切破坏;若 fc=0,井壁处于极限平衡状态;若 fc 0,则不会发生剪切破坏。假设井筒压力为未知参数,联立式(1)(4)进行求解,可得到井壁坍塌的临界井筒压力,即为坍塌压力。2坍塌压力的机器学习预测方法2.1数据集构建通过参数随机采样结合坍塌压力解析模型构建机器学习训练所需的数据集。首先,根据各区块已钻井的数据结合专家经验设定参数可能存在的范围;然后,在此范围内进行多次均匀随机采样生成参数样本数据,具体采样次数根据机器学习模型达到最高预测精度时
23、的样本数量决定;最后,将参数样本数据带入坍塌压力解析模型中计算得到坍塌压力数据。机器学习模型通过该数据集训练能学习到任意参数条件下的坍塌压力,从而实现任意斜井或水平井坍塌压力的准确预测。需要注意的是,虽然通过该过程生成的数据集比较大,但仍未包含所有可能存在的参数组合情况,尤其是任意深度下坍塌压力随井斜方位角的变化规律,因此不能通过搜索算法在数据集中找到任意参数所对应的坍塌压力值。参数采样范围如表 1 所示,为了符合工程实际,对孔隙压力、最大水平地应力和最小水平地应力设定约束条件20:pp h H。图 1 为随机采样 1.0106次情况下部分参数的柱状分布图,其中,图 1-a 为未设定约束条件下
24、垂深的柱状分布图,图 1-b、c、d为设定约束条件下孔隙压力、最大和最小水平地应表1参数采样范围表参数最小值最大值垂深/m1 0006 000井斜角/()090方位角/()0360垂向地应力/MPa10180最大水平地应力/MPa10180最小水平地应力/MPa10H孔隙压力/MPa9h最大水平主应力方位角/()0360泊松比0.10.5内聚力/MPa150内摩擦角/()160Biot 系数0.512023 年第 43 卷 122 天 然 气 工 业力的柱状分布图。不难看出,在未设定约束条件下,随机采样得到的垂深服从均匀分布,其余未设定约束的参数与之相似;而设定约束条件 pp h H情况下,随
25、机采样得到的孔隙压力、最大和最小水平地应力不再服从均匀分布,且分布带宽表现为 pp h H,这说明随机采样过程受到了约束条件的限制。2.2数据预处理为了消除输入参数之间的维度差异,需要对输入参数进行归一化处理23,将输入参数约束在 0,1范围内。对于机器学习而言,这将有助于加快模型在优化过程中梯度下降的速度,提升模型的预测精度。需要说明的是,坍塌压力作为目标数据不需要进行归一化,但为了使模型能够快速收敛,将坍塌压力单位换算为当量密度。归一化采用下式进行处理:(5)式中 X*表示归一化后的数据;X 表示原始数据;X max和 X min分别表示数据的最大值和最小值。2.3机器学习模型机器学习模型
- 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 机器 学习 模型 斜井 坍塌 压力 预测 方法
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。