水基钻井液多离子电极阵列智能交叉干扰标定校准方法

摘要: 本发明属于油气勘探录井检测,具体涉及一种水基钻井液多离子选择电极阵列同步检测时的智能交叉干扰标定校准方法,尤其涉及一种基于贝叶斯主动学习与物理约束神经网络,对水...
水基钻井液多离子电极阵列智能交叉干扰标定校准方法

本发明属于油气勘探录井检测,具体涉及一种水基钻井液多离子选择电极阵列同步检测时的智能交叉干扰标定校准方法,尤其涉及一种基于贝叶斯主动学习与物理约束神经网络,对水基钻井液体系中k+、na+、ca2+、mg2+、cl-、so42-等多种离子进行同步检测时的电极交叉耦合干扰、钻井液胶体基底干扰及电极时变漂移进行标定、解耦和自适应校准的方法。

背景技术:

1、水基钻井液是油气钻井工程中广泛应用的循环工作流体,通常由膨润土、重晶石、有机降滤失剂、抑制剂、无机盐及其他化学处理剂构成。水基钻井液具有高固相、高粘度、弱碱性、高离子强度以及离子组成复杂等特点。在钻井过程中,k+、na+、ca2+、mg2+、cl-、so42-等离子浓度变化会直接影响钻井液抑制性、盐污染程度、井壁稳定性、滤失控制能力以及井下安全,因此对钻井液中多离子浓度,准确且连续检测具有重要工程意义。

2、离子选择电极具有响应速度快、设备结构简单、可实现在线连续检测等优点,适合用于钻井液离子现场监测。然而,在实际水基钻井液环境中,采用多支离子选择电极阵列同步检测多种离子时,电极响应并非仅由目标离子决定,而是受到多种耦合因素共同影响,主要包括以下三个方面:

3、第一,电极阵列内部交叉耦合干扰。每一支离子选择电极除对自身目标离子产生响应外,还可能对其他离子产生一定电位响应。例如,k+电极可能受到na+或nh4+等离子的影响,ca2+电极也可能受到mg2+或高盐背景的影响。当多支电极同步浸入同一钻井液体系时,各支电极的响应信号之间存在交叉耦合关系,导致单支电极输出电位无法直接对应目标离子真实浓度。

4、第二,钻井液胶体基底干扰。与清水标准溶液不同,水基钻井液中含有大量膨润土、重晶石、有机高分子处理剂及悬浮固相颗粒。这些固相颗粒可能吸附于离子选择电极敏感膜表面,引起膜界面电位变化。同时,钻井液粘度、固相含量和离子强度波动也会影响离子扩散、活度系数和电极响应稳定性,导致传统纯水标准液标定所得参数难以迁移至真实钻井液环境。

5、第三,电极时变漂移干扰。离子选择电极长期接触高固相、高盐度钻井液后,敏感膜会发生老化、污染、吸附沉积或响应斜率下降。同时,井场环境温度昼夜波动也会导致电极零点电位和能斯特斜率变化。由此造成电极交叉干扰特性随时间缓慢变化,若仍采用固定标定参数,则检测误差会逐渐增大。

6、现有多离子电极校正技术主要包括传统线性矩阵标定方法和普通机器学习校正方法。传统线性矩阵标定方法通常基于扩展能斯特方程建立固定系数方程组,通过配制大量单离子或二元混合标准溶液,采用最小二乘法求解固定交叉干扰系数矩阵。该方法存在以下缺陷:标定液数量随电极数量增加呈平方级增长,多离子电极阵列需配制大量组合标定液,现场标定耗时长,难以适应井场快速检测需求。固定交叉干扰系数难以描述高盐、高固相钻井液中离子活度的非线性变化。传统标定液多采用纯水配制,与真实钻井液胶体、固相、ph和粘度环境存在显著差异,标定结果迁移性差。当电极老化或环境变化后,需要完整重新标定,维护成本高。

7、普通机器学习校正方法通常采用支持向量机、浅层神经网络或其他数据驱动模型对电极信号进行拟合。该类方法虽然能够处理部分非线性关系,但仍存在以下不足:模型未嵌入能斯特电化学物理先验,容易输出不符合电化学规律的异常结果。模型训练依赖大量标定样本,未从根本上降低标定工作量,多数方法适用于清水、营养液等简单液相,未针对水基钻井液高固相、多相胶体体系建立匹配基液和环境特征融合机制。缺乏在线增量自学习模块,无法持续补偿电极长期漂移。

8、因此,有必要提出一种能够适应水基钻井液复杂体系、减少现场标定工作量、提高多离子检测精度并具备长期自适应能力的多离子电极阵列智能交叉干扰标定校准方法。

技术实现思路

1、本发明的目的是提供水基钻井液多离子电极阵列智能交叉干扰标定校准方法,解决水基钻井液体系中多离子检测精度不足和多离子电极阵列智能交叉干扰的问题。

2、为了达到上述目的,本发明提供了水基钻井液多离子电极阵列智能交叉干扰标定校准方法,包括:

3、步骤1.多源传感采集阵列搭建与钻井液匹配基液制备;

4、步骤2.贝叶斯主动学习稀疏标定液智能筛选与数据集构建;

5、步骤3.嵌入电化学物理先验的约束神经网络离线训练;

6、步骤4.待测水基钻井液样品一体化预处理;

7、步骤5.神经网络前向推理,实时解耦多重干扰;

8、步骤6.在线增量自学习自适应漂移校正;

9、步骤7.钻井液体系突变自动补充标定;

10、步骤8.精度闭环验证与数据存储。

11、步骤1包括:搭建由k+离子选择电极、na+离子选择电极、ca2+离子选择电极、mg2+离子选择电极、cl-离子选择电极和so42-离子选择电极组成的多离子选择电极阵列。

12、将所述多离子选择电极阵列与双液接参比电极共同安装于恒温搅拌标定池或在线检测流通池中。通过温度传感器采集钻井液体系温度t、通过ph电极采集钻井液体系ph,通过在线粘度检测模块采集钻井液表观粘度μ,通过固相含量检测传感器采集钻井液固相质量分数。

13、采用现场空白水基钻井液配方制备钻井液专用匹配基液。所述现场空白水基钻井液配方不含外加可溶性无机盐。按质量份计,所述钻井液专用匹配基液包括清水100份、膨润土4-8份、重晶石10-40份和有机降滤失剂0.5-2份,使其胶体环境和固相体系与现场待测水基钻井液保持一致。

14、将所述钻井液专用匹配基液的ph调节至8.5-10.0。向所述钻井液专用匹配基液中加入柠檬酸三钠-硝酸锂复合离子强度调节剂,其中柠檬酸三钠与硝酸锂的摩尔比为1:2-1:5,所述复合离子强度调节剂的添加量为钻井液专用匹配基液质量的0.2-1.0wt%,使标定液体系离子强度保持稳定。

15、调节所述钻井液专用匹配基液的固相含量,使其与现场待测水基钻井液固相含量差值不大于2wt%。将全部后续标定液均以所述钻井液专用匹配基液作为唯一溶剂进行配制。将多支离子选择电极置于所述钻井液专用匹配基液中活化浸泡,以去除电极敏感膜表面杂质并降低初始固相吸附基底电位偏移。

16、其中,t为体系温度,μ为表观粘度,为固相质量分数。

17、步骤2包括:根据现场水基钻井液实际工况,分别设定k+、na+、ca2+、mg2+、cl-、so42-的浓度上限值和浓度下限值。根据所述各离子浓度上限值和浓度下限值构建初始候选标定液池。在所述初始候选标定液池中设置单离子标定液、二元混合标定液和多离子混合候选标定液。

18、采用高斯过程回归模型作为贝叶斯主动学习代理模型,对候选标定液池中各候选标定液进行模型不确定度评估。采用mater核函数建立高斯过程回归代理模型的非线性核映射关系。以最大信息增益作为候选标定液筛选准则,所述最大信息增益以候选标定液加入后模型预测不确定度的降低幅度表征。

19、根据所述最大信息增益筛选结果,自动输出下一组最优配比标定液。按照所述下一组最优配比标定液配置标定样品,并将其置于恒温搅拌标定池中。将标定样品恒温至标定基准温度,并控制搅拌转速为100-150r/min。以防止固相沉淀和电极敏感膜局部吸附。待标定样品中多支离子选择电极输出电位稳定后,同步采集k+、na+、ca2+、mg2+、cl-、so42-多支离子选择电极的原始输出电位e1、e2、e3、e4、e5和e6。

20、同步采集该组标定液对应的电极电位、体系温度t、ph、表观粘度μ和固相质量分数ss。将所述原始输出电极电位、体系温度t、ph、表观粘度μ和固相质量分数组合形成多维特征向量x。通过x=[e1,e2,e3,e4,e5,e6,t,ph,μ,ss]表示所述多维特征向量。记录该组标定液中k+、na+、ca2+、mg2+、cl-、so42-的真实离子浓度标签y。通过y=[ck+,cna+,cca2+,cmg2+,ccl-,cso42-]表示所述真实离子浓度标签。将所述多维特征向量x与真实离子浓度标签y组成一组标定样本,并存入稀疏标定数据集中。

21、根据已采集标定样本更新贝叶斯主动学习的高斯过程回归模型,并重新计算候选标定液池中未采集候选标定液的预测不确定度。判断离子浓度预测相对不确定度是否低于1%,若未低于1%,则返回继续筛选下一组最优配比标定液。

22、当离子浓度预测相对不确定度低于1%时,终止贝叶斯主动学习标定液筛选过程,形成稀疏标定数据集。所述稀疏混合标定液包括少量单离子标定液、少量二元混合标定液及由贝叶斯主动学习算法自主输出的高信息量多离子混合标定液,其总数量相比传统全配对线性矩阵标定液数量减少60%以上。其中e1-e6分别为各离子选择电极的原始输出电位,x为多维特征向量,y为真实离子浓度标签。

23、步骤3包括:构建轻量化浅层全连接神经网络模型,所述轻量化浅层全连接神经网络模型包括底层电化学硬约束层和上层非线性拟合层。所述轻量化浅层全连接神经网络模型设置2个隐藏层,每层设置16-32个神经元,激活函数采用relu,模型总参数量不超过500。将扩展能斯特电化学方程嵌入所述地层电化学硬约束层,使模型输出符合离子选择电极电化学响应规律。

24、通过所述上层非线性拟合电极间动态交叉干扰系数,使所述动态交叉干扰系数随多维特征向量x实时变化。通过所述上层非线性拟合层拟合由钻井液表观粘度μ和固相质量分数引起的胶体基底电位补偿项。利用所述系数标定数据集对物理约束神经网络模型进行离线基础训练,得到智能交叉干扰解耦基础模型。

25、将所述物理约束神经网络模型设置为轻量化模型,使其总参数量不超过500。将所述轻量化模型部署于井场嵌入式单片机中,使其能够在本地完成离子浓度解耦推理。所述模型还可部署于随钻在线离子监测设备、录井实验室钻井液离子快速检测装置或井场嵌入式本地检测终端中,单次多离子浓度解耦推理耗时低于10ms,并支持无云端网络条件下的离线实时检测。其中,扩展能斯特电化学方程为:。式中,为第k支离子选择电极输出电位。为第k支离子选择电极与温度相关的零点电位。为第k支离子选择电极与温度相关的能斯特响应斜率。为目标离子k的离子活度。为其他干扰离子j的离子活度。为由神经网络输出并随多维特征x动态变化的电极k对离子j的交叉干扰系数。为由表观粘度μ和固相质量分数共同引起的钻井液胶体基底电位补偿项。

26、步骤4包括:对待测水基钻井液样品进行低速离心处理,去除粒径大于2μm的粗固相颗粒。向待测水基钻井液样品中添加与钻井液专用匹配基液等量的复合离子强度缓冲剂,使待测样品离子强度环境与标定体系保持一致。将待测水基钻井液样品恒温至标定基准温度±0.5℃。

27、在低速搅拌条件下保持待测水基钻井液样品均匀,防止固相颗粒沉降。同步采集待测水基钻井液样品对应的k+、na+、ca2+、mg2+、cl-、so42离子选择电极原始输出电位。同步采集待测水基钻井液样品对应的体系温度t、ph、表观粘度μ和固相质量分数。将待测水基钻井液样品的多支离子选择电极原始输出电位和多源环境特征组合为待测样品特征向量。其中,所述低速离心处理用于降低粗固相颗粒对电极敏感膜的堵塞、磨损和吸附干扰。

28、步骤5包括:将待测水基钻井液样品的多维特征向量输入训练完成的物理约束神经网络模型。通过所述物理约束神经网络模型前向推理,剥离多离子选择电极阵列内部交叉耦合干扰。通过所述物理约束神经网络模型前向推理,剥离异种离子对单支目标离子选择电极产生的外部交叉响应干扰。通过所述物理约束神经网络模型前向推理,补偿钻井液表观粘度和固相颗粒引起的胶体基底电位偏移。

29、通过动态交叉干扰系数修正各目标离子电极对非目标离子的交叉响应。通过胶体基底电位补偿项修正钻井液粘度和固相颗粒导致的基底电位漂移。输出校正后的k+、na+、ca2+、mg2+、cl-、so42-各目标离子真实浓度。其中,所述前向推理用于实现多离子电极阵列信号到多离子真实浓度的实时解耦映射。

30、步骤6包括:设备按照设定时间间隔自动抽取内置混合验证标准液。通过多离子电极阵列对所述内置混合验证标准液进行检测。根据混合验证标准液的已知离子浓度与模型输出离子浓度之间的误差,构建在线验证损失。采用自适应学习率梯度下降算法,根据所述在线验证损失对物理约束神经网络模型浅层权重进行在线增量自学习。

31、当检测误差处于微弱漂移区间时,将在线增量自学习的第一学习率设定为0.0001;当检测误差处于剧烈漂移区间时,将在线增量自学习的第二学习率提升至0.001。根据在线增量自学习结果动态更新交叉干扰系数映射关系,以补偿电极敏感膜老化造成的响应漂移。

32、根据在线增量自学习结果动态更新交叉干扰系数映射关系,以补偿井场环境温度波动造成的响应漂移。根据在线增量自学习结果动态更新交叉干扰系数映射关系,以补偿固相颗粒持续吸附电极敏感膜造成的响应漂移。判断单次模型修正幅度是否超过预设漂移阈值,若超过预设漂移阈值,则自动生成漂移预警。

33、当生成漂移预警时,系统提示补充1-2组由贝叶斯主动学习算法筛选的标定液,并通过补充标定液对模型进行局部更新。其中,所述在线增量自学习仅微调物理约束神经网络模型浅层权重,无需存储全部历史标定数据集。

34、步骤7包括:当现场水基钻井液配方发生更换、固相含量发生大幅变化、抑制剂体系发生替换或离子强度发生剧烈变化或者单次模型修正幅度超过预设漂移阈值时,系统识别钻井液体系突变。当识别到钻井液体系突变时,自动触发贝叶斯主动学习补充标定流程。通过贝叶斯主动学习补充标定流程重新计算候选补充标定液的信息增益。

35、根据候选补充标定液的信息增益筛选少量高信息量补充标定液。利用所述高信息量补充标定液对物理约束神经网络模型进行局部更新。当模型局部更新后检测误差回落至设定范围内时,结束补充标定流程。其中,所述补充标定流程用于在不执行完整重新标定的情况下使模型快速适配新的水基钻井液体系。

36、步骤8包括:每日自动运行混合验证标准液闭环精度检测。根据闭环精度检测结果生成各目标离子校正浓度误差报表。将全部标定数据存储于本地数据存储单元。将稀疏标定数据集合物理约束神经网络模型权重存储于本地数据存储单元。将水基钻井液样品检测结果、在线增量自学习记录、漂移预警记录和验证误差报表存储于本地数据存储单元。通过本地显示输出终端显示各目标离子校正浓度、检测误差、模型状态和漂移预警信息。

37、通过本地数据导出接口导出标定数据、检测结果和误差报表,用于井场数据追溯和后期分析。其中,所述本地数据存储单元用于实现井场无云端网络条件下的数据保存、模型追溯和长期检测记录管理。

38、本发明的有益效果:

39、(1)本发明通过钻井液专用匹配基液作为全部标定液溶剂,使标定环境与现场水基钻井液胶体、固相和ph条件保持一致,降低纯水标准液标定参数难以迁移至真实钻井液体系的问题。

40、(2)本发明通过贝叶斯主动学习高斯过程代理模型自主筛选少量高信息量标定液,避免传统全配对线性矩阵标定中大量二元混合标定液的配制过程,减少现场标定液数量并缩短标定时间。

41、(3)本发明通过在神经网络中嵌入扩展能斯特电化学方程硬约束,使模型输出结果符合离子选择电极电化学响应规律,避免普通黑箱机器学习模型输出无物理意义结果。

42、(4)本发明通过动态交叉干扰系数和胶体基底电位补偿项,对多离子电极阵列内部交叉耦合干扰、异种离子外部交叉响应干扰以及钻井液粘度固相引起的基底电位偏移进行同步解耦,提高高盐高固相水基钻井液多离子检测精度。

43、(5)本发明通过在线增量自学习模块周期性修正模型浅层权重,可持续补偿电极敏感膜老化、温度波动和固相颗粒吸附引起的时变漂移,降低完整重新标定频次。

44、(6)本发明采用轻量化物理约束神经网络模型,可部署于井场嵌入式单片机中进行本地推理,无需依赖云端算力,适用于随钻在线离子长期无人值守监测。