基于BP-DEMATEL-ISM模型的钻井井筒压力失衡影响因素分析方法与流程

基于bp
‑
dematel
‑
ism模型的钻井井筒压力失衡影响因素分析方法
技术领域
1.本发明涉及油气钻井技术领域，具体是一种基于bp
‑
dematel
‑
ism模型的钻井井筒压力失衡影响因素分析方法。


背景技术：

2.钻井过程中井筒压力失衡易引发井下复杂问题，严重影响钻井效率。目前国内外针对井筒压力失衡问题的研究主要考虑的是井筒压力失衡引发井下风险的原因、识别和控制手段，而对井筒压力失衡的影响因素关注不多，尤其缺乏对影响因素之间的关联性分析。通过分析，之前关注不多的主要原因之一就是引发井筒压力失衡的因素众多，且各因素之前存在复杂的关联性，采用常规分析方法难以高效准确的得到理想结果。而随着大数据分析及人工智能算法的发展，为该问题的解决提供了新思路。
3.dematel（decision making trial and evaluation laboratory）算法是影响因素识别领域中常见的方法，该方法通过收集系统因素群体知识形成直接关联矩阵并采用因果图的方式确定各因素间的相互关联性。然而在现有文献研究中，直接关联矩阵主要是由调查问卷和专家打分确定，主观性较强并且实现起来难度较大。另外，现有的dematel无法考虑到风险的预防控制问题，并且层次化致因网络模型较为复杂，存在工作量较大的问题。


技术实现要素：

4.本发明的目的是为了解决上述现有技术的不足，提供一种基于bp
‑
dematel
‑
ism模型的钻井井筒压力失衡影响因素分析方法，引入bp
‑
dematel
‑
ism组合模型对各影响因素进行定量分析，通过bp神经网络计算影响因素与井下工况之间的权值求得直接关联矩阵，弥补了dematel算法中需要依赖专家经验的不足；考虑到风险的预防控制问题以及为了得到最简、层次化致因网络模型，引入ism算法对dematel算法进行改进，建立最简层次化致因网络模型，对井下复杂问题的预防控制提供决策依据。
5.本发明所要解决的技术问题采用以下技术方案来实现：一种基于bp
‑
dematel
‑
ism模型的钻井井筒压力失衡影响因素分析方法，包括以下步骤：s1、将综合录井中的录井参数作为输入层神经元，将综合录井中的工况作为井筒压力失衡判别模型的输出层神经元，构建bp神经网络模型；s2、根据bp神经网络求得的整体权值向量计算系统影响因素的初始直接关联矩阵b，（1），
式（1）中，为第i个影响因素相对于第j个影响因素的重要性，其中，（如果，则）；s3、将初始直接关联矩阵b按照式（2）进行规范化，得到直接关联矩阵c，（2）；s4、计算综合影响矩阵t，（3），式（3）中，为单位矩阵，为的逆；s5、分别对综合影响矩阵t中的各元素按行和按列相加，得到相应因素的影响度和被影响度，其中影响度表示元素i对其他所有元素的综合影响度，被影响度表示元素i受其他所有因素的综合影响度，（4），（5），s6、绘制原因
‑
结果图，其中横坐标为，纵坐标为；为影响因素的中心度，表示影响因素i在所有影响因素中的重要程度，其值越大表示重要性越高；为影响因素的原因度，表示影响因素i与其他所有因素的因果逻辑关联程度，若为正，则表明该因素对其他影响因素的影响大，称为原因因素，若为负，则表明该因素受其他影响因素的影响大，称为结果因素；s7、计算整体影响矩阵h，（6）；s8、依据整体影响矩阵h通过设定阈值建立可达矩阵k，
ꢀꢀꢀ
(7)；s9、将可达矩阵k中的每行元素之和定义为该元素的驱动力q
i
，每列元素之和定义为该元素的依赖性y
i
（8），（9）；在获得每个元素的q和y的数值后，将驱动力相同的因素作为同一个结构层级因素，得到因素的递阶层次结构；将可达矩阵k中各因素所在行对应列为1的视为该因素出度方向，因素所在列对应行为1的视为该因素的入度方向，建立钻井井下复杂问题致因网络模型。
6.相对于现有技术，本发明的基于bp
‑
dematel
‑
ism模型的钻井井筒压力失衡影响因素分析方法的有益效果为：（1）针对目前缺乏对井筒压力失衡影响因素关联性的研究以及通过专家打分或调查问卷来获取研究数据所导致的分析结果主观性强且实现难度大等问
题，通过引入bp神经网络和ism算法对传统dematel进行了改进，得到了针对井筒压力失衡影响因素关联性的高效、准确分析方法。其中，bp神经网络利用输入层与输出层之间的权值求得影响因素直接关联矩阵，弥补了常规dematel模型主观性较强的缺陷，提高了分析方法的效率和客观性。（2）考虑风险的预防控制问题以及为了得到最简层次化致因网络模型，利用ism算法对常规dematel模型进行了改进，同时考虑到钻井工程的特殊性，针对井筒压力失衡涉及的录井参数众多问题，对ism模型进行优化，提出根据驱动力进行网络构建，融合了bp、dematel和ism模型的不同优点，可以得到计算效率高、最简化的、具有层级关系的事故致因网络。（3）相对于经典ism模型对可达矩阵进行层级划分在因素类别较多时存在工作量较大的问题，在ism算法思想基础上进行了改进，使计算过程更加简便，计算效率更高。
7.本发明的技术方案还有：在所述步骤s1中，所述录井参数包括标准井深、迟到井深、钻速、转速、立管压力、入口钻井液流量、入口钻井液密度、出口钻井液密度、当量钻井液密度、入口钻井液电导、出口钻井液电导、入口钻井液温度、出口钻井液温度、总池体积、垂直井深、套管压力、钻进时间、dc指数、正常压实岩层dc指数、钻压、钻盘扭矩、出口钻井液流量、大钩载荷、sigma指数、h2s含量，所述工况包括井漏、溢流、气侵、气测异常和正常钻井。钻井过程中录井数据具有对井下工况的实时监测性，因此将上述综合录井参数作为井筒压力失衡的影响因素。
附图说明
8.图1为实施例一中井筒压力失衡影响因素的原因
‑
结果图。
9.图2为实施例一中钻井井筒压力失衡致因网络图。
具体实施方式
10.以下实施例是对本发明的进一步说明，但本发明并不局限于此。因本发明比较复杂，因此实施方式仅对本发明的发明点部分进行详述，本发明未详述部分均可采用现有技术。
11.实施例一：磨溪气田是中国川中地区勘探开发较早的气田之一，储层以致密碳酸盐岩分布为主，存在异常高压地层和盐水层，地质环境复杂；钻井过程中复杂情况频发，且以井漏、溢流、气侵和气测异常为主。选取磨溪气田3口探井井史资料作为分析案例，钻井过程中录井数据具有对井下工况的实时监测性，因此将综合录井参数作为井筒压力失衡的影响因素。
12.根据本发明提供的基于bp
‑
dematel
‑
ism模型的钻井井筒压力失衡影响因素分析方法，本实施例包括以下步骤：s1、将综合录井中的录井参数作为输入层神经元，将综合录井中的工况作为井筒压力失衡判别模型的输出层神经元，构建bp神经网络模型；其中，所述录井参数包括标准井深c1、迟到井深c2、钻速c3、转速c4、立管压力c5、入口钻井液流量c6、入口钻井液密度c7、出口钻井液密度c8、当量钻井液密度c9、入口钻井液电导c10、出口钻井液电导c11、入口钻井液温度c12、出口钻井液温度c13、总池体积c14、垂直井深c15、套管压力c16、钻进时间c17、dc指数c18、正常压实岩层dc指数c19、钻压c20、钻盘扭矩c21、出口钻井液流量c22、大钩载荷c23、sigma指数c24、h2s含量c25；所述录井参
数包括所述工况包括井漏、溢流、气侵、气测异常和正常钻井；根据式（10）计算得到隐含层节点个数，（10）式（10）中，分别代表输入层、隐含层和输出层节点个数。
13.为了获得最佳训练精度对每一个隐含层节点数待选值进行网络训练，最终确定最佳训练精度隐含层节点数为14。权值初始值为的随机值，训练学习速率为0.1，迭代次数为1000，目标误差为0.0001。
14.s2、根据bp神经网络求得的整体权值向量计算系统影响因素的初始直接关联矩阵b，具体的，运用matlab进行神经网络训练求得影响因素间直接关联矩阵b，由于神经网络的训练是一个随机的过程，为了提高分析结果的准确性，进行了多次神经网络训练并对获得的直接关联矩阵取均值，（1），式（1）中，为第i个影响因素相对于第j个影响因素的重要性，其中，（如果，则）；s3、将初始直接关联矩阵b按照式（2）进行规范化，得到直接关联矩阵c，（2）；s4、为了消除因素变化所引起的波及效应，计算综合影响矩阵t，（3），式（3）中，为单位矩阵，为的逆；s5、分别对综合影响矩阵t中的各元素按行和按列相加，得到相应因素的影响度和被影响度，其中影响度表示元素i对其他所有元素的综合影响度，被影响度表示元素i受其他所有因素的综合影响度，（4），（5），s6、绘制原因
‑
结果图（参见图1），其中横坐标为，纵坐标为；为影响因素的中心度，表示影响因素i在所有影响因素中的重要程度，其值越大表
示重要性越高；为影响因素的原因度，表示影响因素i与其他所有因素的因果逻辑关联程度，若为正，则表明该因素对其他影响因素的影响大，称为原因因素，若为负，则表明该因素受其他影响因素的影响大，称为结果因素；s7、考虑到影响因素对自身的影响，计算整体影响矩阵h，（6）；s8、dematel算法的整体影响矩阵h与ism算法的可达矩阵k存在单映射关系，为了划分致因因素的层次结构并识别因素间复杂的关联关系，取可达矩阵的阈值，依据整体影响矩阵h通过设定阈值建立可达矩阵k，
ꢀꢀꢀ
(7)；s9、考虑到经典ism模型对可达矩阵进行层级划分在因素类别较多时存在工作量较大的问题，在ism算法思想基础上进行了改进，将可达矩阵k中的每行元素之和定义为该元素的驱动力q
i
，每列元素之和定义为该元素的依赖性y
i
（8），（9）；在获得每个元素的q和y的数值后，将驱动力相同的因素作为同一个结构层级因素，得到因素的递阶层次结构；将可达矩阵k中各因素所在行对应列为1的视为该因素出度方向，因素所在列对应行为1的视为该因素的入度方向，对可达矩阵进行重排序和对影响因素进行层次划分，最后根据重排序可达矩阵绘制钻井井筒压力失衡致因网络图（参见图2）。
15.表1 重排序可达矩阵根据图1，可以清晰的发现影响因素被分成了上下两部分，其中坐标轴以上为原因因素，坐标轴以下为结果因素，为了保持井筒压力失衡，有必要对原因因素分配更多的关注度，这是因为原因因素暗示了影响因素的信息而结果因素则呈现了影响因素的信息。其次
根据表1和图2，可以发现转速c4、入口钻井液温度c12、总池体积c14、dc指数c18和钻压c20由于对其他因素具有较强的驱动力和较弱的依赖性，处于致因网络底层，视为影响井筒压力失衡的核心因素；当量钻井液密度c9受其他因素影响最大，具有较强的依赖性和较弱的驱动力，列在网络最顶层，视为井筒压力失衡的直接原因。由于风险的发生大多是瞬间完成的，调节顶层影响因素难度较大。因此，底层影响因素作为井筒压力失衡的基础致因，顶层影响因素是直接致因，中间因素是为过渡致因，要从根本上预防风险发生，对底层影响因素实施控制作用更大。最后从图2有向图可知，各影响因素不仅存在递阶层次关系，还有着复杂的关联关系，这种关系不仅出现在上下层级之间，也可能跨层级出现。对于该气田而言，为了实现钻进过程中井筒压力失衡，应该重视对入口钻井液温度、总池体积、dc指数和钻压的观察控制。
16.上面结合附图对本发明的实施例做了详细说明，但是本发明并不限于上述实施例，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。