一种井壁失稳机制分析与预测方法及系统与流程

1.本发明属于石油、天然气钻探领域，具体涉及一种井壁失稳机制分析与预测方法及系统，用于深井超深井地层井壁稳定钻井液性能优化工作中。


背景技术：

2.数据挖掘是人工智能和数据库领域研究的热点问题，所谓数据挖掘是指从数据库中大量的数据中揭示出隐含的、先前未知的并有潜在价值的信息的非平凡过程。数据挖掘的特点是通过分析每个数据，从大量数据中寻找其规律的技术，主要有数据预处理、数据挖掘和评估与表示三个步骤。数据准备是从相关的数据源中选取所需的数据并整合成用于数据挖掘的数据集；规律寻找是用某种方法将数据集所含的规律找出来；规律表示是尽可能以用户可理解的方式将找出的规律表示出来。
3.近年来，随着塔里木盆地和四川盆地深层超深层获得重大油气突破，深部油气藏逐步成为极具现实勘探开发意义的油气资源领域。然而，深层油气藏地质情况特殊、地应力条件复杂，在长时间、多期次、强构造运动、高地应力和钻井过程中的高扰动应力作用下，钻井过程中深部地层井壁失稳问题突出。以顺北油气田为例，该油气田施工过程中在钻进奥陶系碳酸盐岩破碎性地层时，掉块严重，严重影响钻井时效。据不完全统计，工区完钻的5口勘探评价井因井壁坍塌、掉块严重共侧钻了10余次，单井损失时间最长达242d，累积损失时间超过669d，处理井筒周期占钻井总周期最高可达48.2％。井壁失稳问题目前已经成为制约深部油气藏高效建井的突出问题。
4.开展井壁失稳机理分析与预测方法研究主要依托井壁稳定模型开展。然而，由于深部地层地应力条件复杂、地层天然裂缝发育，岩石破裂准则适应性差，难以建立高效的井壁稳定模型，开展井壁稳定机制分析及预测难度大，评价可靠性不足。
5.中国专利公开文献cn110952978a公开了一种基于神经网络数据挖掘的钻井漏失裂缝宽度预测方法，以其为堵漏施工人员提供决策支持，提高裂缝性漏失的一次堵漏成功率。然而，该方法需要首先通过人工筛选收集钻完井相关资料，并构建包含12个输入参数的变量集，通过人工完成大量的完钻井相关资料的收集耗时耗力，且准确性差；其次钻井漏失过程中，决定裂缝宽度的参数可能并不只有这12项，而该专利仅将这12项作为输入参数，这可能导致模型预测结果偏差大；再次，该方法以成像测井获得的裂缝缝宽为预测结果标准值，而该缝宽仅为地层的静态裂缝宽度，并不是漏失过程中裂缝的最大动态宽度，预测结果标准值选择的不准确将导致该预测模型的预测准确度低。
6.近十余年来，随着钻井技术的不断进步，深井超深井的建成井数达到了一定规模，钻井数据得到了大量积累。尤其是在钻井液性能与井壁失稳方面，积累了大量的现场数据。然而，由于缺乏对数据的分析方法，还没有将这些数据转化成有用的信息和知识。因此，为了有效进行深部井壁失稳机制的分析，构建井壁稳定控制技术方法，迫切需要构建高效的数据挖掘方法，形成基于数据挖掘的井壁失稳机制分析与预测方法，深刻揭示井壁失稳机理，为缓解井壁失稳问题提供指导。


技术实现要素：

7.本发明的目的在于解决上述现有技术中存在的难题，提供一种井壁失稳机制分析和预测方法及系统，深刻揭示井壁失稳机理，构建井壁稳定预测方法，并提出井壁稳定对策，为井壁失稳提供更为准确和快速的分析和预测，并提供井壁稳定控制对策。
8.本发明是通过以下技术方案实现的：
9.本发明的第一个方面，提供了一种井壁失稳机制分析和预测方法，所述方法采集钻井过程中的参数并构建钻完井资料数据库；
10.通过对钻完井资料数据库中的数据进行降维处理，获得安全风险关联参数，并建立安全风险预警样本库；
11.以安全风险关联参数为输入参数，以井径扩大率为输出参数形成井壁失稳分析及预测模型；
12.利用所述井壁失稳分析及预测模型进行井壁失稳分析和预测。
13.本发明的进一步改进在于，所述方法包括：
14.(1)收集深井超深井钻井过程中井壁失稳过程的各类相关资料，并将资料中的数据汇总存入数据库，然后抓取关键参数；
15.(2)对抓取的关键参数进行预处理，并将预处理后的数据存入钻完井资料数据库；
16.(3)利用钻完井资料数据库中的全因素特征参数建立安全风险预警样本库；
17.(4)基于数据挖掘算法，以安全风险关联参数为输入参数，以井径扩大率为输出参数，以收集到的测井实测的井径扩大率的真实值为标准，获得井壁失稳分析及预测模型；
18.(5)从需要分析井壁稳定的油气井开钻至今的资料中获得安全风险关联参数，将安全风险关联参数输入井壁失稳分析及预测模型，井壁失稳分析及预测模型输出预测的井径扩大率。
19.本发明的进一步改进在于，所述步骤(1)中的各类相关资料包括：地层资料、钻井液资料及测井相关资料；
20.所述步骤(1)中采用爬虫技术抓取关键参数。
21.本发明的进一步改进在于，所述步骤(3)中的全因素特征参数包括22个参数，分别为：大地坐标、构造类型、构造部位、地层走向、断层位置、地层接触关系、地应力、岩石力学参数、裂缝宽度、孔隙度、渗透率、泵压、钻时、悬重、液面变化、钻井液密度、排量、流变性、粒度分布、api失水量、钻井液k

浓度、井径扩大率。
22.本发明的进一步改进在于，所述步骤(3)的操作包括：
23.收集电阻率测井获得的实测的井径扩大率的真实值，并对层位、深度、岩性相似地层的井径扩大率进行归一化处理；
24.根据重要性对全因素特征参数中的除井径扩大率以外的21个参数进行降维处理，将重要性排名前10的10个参数作为安全风险关联参数，并将安全风险关联参数存入安全风险预警样本库中。
25.本发明的进一步改进在于，所述步骤(4)中的数据挖掘算法采用：径向基神经网络模型、bp神经网络、hopfield网络、art网络或者kohonen网络。
26.本发明的进一步改进在于，所述方法进一步包括：
27.(6)从安全风险关联参数中找到与钻井液相关的特征参数，并根据特征参数和预
测的井径扩大率对井壁稳定钻井液工艺进行调整。
28.本发明的进一步改进在于，所述步骤(6)的操作包括：
29.根据预测的井径扩大率与安全风险关联参数的映射关系，获得安全风险关联参数中的各个参数的权重，根据权重排序靠前的与钻井液相关的特征参数提出钻井液调整方案。
30.根据钻井液调整方案，利用钻井液性能调整专家系统得到钻井液性能优化的钻井液配方。
31.本发明的进一步改进在于，所述方法进一步包括：
32.(7)将步骤(5)得到的安全风险关联参数存入安全风险预警样本库中，并将步骤(5)得到的安全风险关联参数和与其对应的井径扩大率作为下一次的训练样本。
33.本发明的第二个方面，提供了一种井壁失稳机制分析和预测系统，所述系统包括：
34.数据采集单元，用于收集深井超深井钻井过程中井壁失稳过程的各类相关资料，并将资料中的数据汇总存入数据库，然后抓取关键参数；
35.预处理单元，与所述数据采集单元连接，用于对抓取的关键参数进行预处理，并将预处理后的数据存入钻完井资料数据库；
36.样本库生成单元，与所述预处理单元连接，用于利用钻完井资料数据库中的全因素特征参数建立安全风险预警样本库；
37.模型生成单元，与所述样本库生成单元连接，用于基于数据挖掘算法，以安全风险关联参数为输入参数，以井径扩大率为输出参数，以收集到的测井实测的井径扩大率的真实值为标准，获得井壁失稳分析及预测模型；
38.预测分析单元：与所述模型生成单元连接，用于从需要分析井壁稳定的油气井开钻至今的资料中获得安全风险关联参数，将安全风险关联参数输入井壁失稳分析及预测模型，井壁失稳分析及预测模型输出预测的井径扩大率。
39.与现有技术相比，本发明的有益效果是：本发明通过使用先进的大数据数据分析手段，基于网络爬虫技术构建钻完井资料的开放式分布式数据库，通过构建井径扩大率相关资料人工神经网络分析方法，形成基于数据挖掘的井壁失稳机制分析与预测方法，深刻揭示了井壁失稳机理，为缓解井壁失稳问题提供了指导。
附图说明
40.图1为径向基(rbf)神经网络模型结构示意图；
41.图2为径向基(rbf)神经网络神经元模型；
42.图3为本发明方法的步骤框图；
43.图4为本发明系统的组成结构图。
具体实施方式
44.下面结合附图对本发明作进一步详细描述：
45.由于深部地层地应力条件复杂、地层天然裂缝发育、岩石破裂准则适应性差，因此难以建立高效的井壁稳定模型，开展井壁稳定机制分析及预测难度大，评价可靠性不足。目前已经积累了大量钻完井特征、钻井液性能与井壁失稳方面的现场数据，但由于缺乏对海
量数据的关键参数获取及分析方法，还没有将这些数据转化成有用的信息和知识的实际情况，
46.本发明提供了一种基于神经网络数据挖掘的井壁失稳分析与预测方法，能够解决现有问题，为井壁失稳提供更为准确和快速的分析和预测，并提供井壁稳定控制对策。本发明方法如下：采集钻井过程中的参数并构建钻完井资料数据库；通过对钻完井资料数据库中的数据进行清洗和降维处理，获得安全风险关联参数，并建立关联参数样本库；以安全风险关联参数为输入参数，以井径扩大率为输出参数形成井壁失稳分析及预测模型；利用所述井壁失稳分析及预测模型进行井壁失稳分析和预测。
47.本发明明确钻井过程中可以获得的参数22项，主要包括：大地坐标、构造类型、构造部位、地层走向、断层位置、地层接触关系、地应力、岩石力学参数、裂缝宽度、孔隙度、渗透率、泵压、钻时、悬重、液面变化、钻井液密度、排量、流变性、粒度分布、api失水量、钻井液k

浓度、井径扩大率；基于网络爬虫技术构建的开放式、分布式的钻完井资料数据库，准确抓取所需参数；通过对钻完井资料数据库中的初始关联数据进行清洗，开展数据降维处理，明确风险关联参数重要性排序，建立关联参数样本库；以风险关联参数为输入参数，以井径扩大率为输出参数，通过持续优化神经网络预测模型参数，提高模型预测精度，形成井壁失稳分析及预测模型。
48.具体的，如图3所示，本发明方法包括以下步骤：
49.(1)收集深井超深井钻井过程中井壁失稳过程的各类相关资料，并将资料中的数据汇总入数据库，通过爬虫技术，对所需关键参数进行搜索，抓取关键参数形成预测模型所需特征参数。
50.所述深井超深井钻井过程中的各类相关资料包括：地层资料、钻井液资料及测井相关资料等。
51.(2)对抓取的关键参数进行预处理：补全有缺失的数据，对格式和内容错误的数据进行修改，对逻辑错误的数据进行去除和修改，同时去除不需要的数据，并进行关联验证，最终对清理后的数据进行存储，以形成钻完井资料数据库；采用现有的多种方法进行预处理即可，在此不再赘述。
52.(3)利用钻完井资料数据库中的不同岩性地层不同钻井状态下的全因素特征参数，形成安全风险预警样本库；
53.所述的全因素特征参数包括22个关键参数，分别为：大地坐标、构造类型、构造部位、地层走向、断层位置、地层接触关系、地应力、岩石力学参数、裂缝宽度、孔隙度、渗透率、泵压、钻时、悬重、液面变化、钻井液密度、排量、流变性、粒度分布、api失水量、钻井液k

浓度、井径扩大率。
54.收集电阻率测井获得的实测井径扩大率的真实值，并对层位、深度、岩性相似地层的井径扩大率进行归一化处理，归一化的井径扩大率层段不超过0.5m。采用皮尔森相关性分析算法，递归消除特征算法和随机森林算法，根据重要性对关联参数(22个关键参数中的21个参数，不包括井径扩大率)进行降维处理(降维是通过对数据重要性进行排序，只选择重要性靠前的参数就实现了基础参数的降维)。按照重要性排序，确定重要性排名前10的指标参数作为安全风险关联参数，并建立安全风险预警样本库，该样本库中包括安全风险关联参数，即排名前10的指标参数。
55.(4)基于数据挖掘算法，以历史钻井数据中的安全风险关联参数为输入参数，以井径扩大率为输出参数，以收集到的测井实测的井径扩大率的真实值为标准，通过设置网络层数、迭代次数、收敛精度等参数，对神经网络进行训练，通过参数优化，生成井径扩大率分析和下阶段井径扩大率的预测模型，即井壁失稳分析及预测模型；
56.本发明所采用的数据挖掘算法包括但不限于神经网络算法，获得的模型包括但不限于神经网络预测模型，如现有的径向基(rbf)神经网络模型、bp神经网络、hopfield网络、art网络和kohonen网络等。
57.通过步骤(4)获得了井壁失稳分析及预测模型。
58.对井壁失稳分析及预测模型进行监督训练和优化过程的实施例如下：
59.①
设置训练集的输入参数input data，将步骤(3)中收集整理的安全风险关联参数作为神经网络训练的数据；
60.②
设置训练集的输出标准值output target，标准值为测井获得的真实井径扩大率；
61.③
建立径向基(rbf)神经网络模型，设置输入层、隐含层及输出层的节点个数，设置传递函数，并利用遗传算法对神经网络模型进行无约束非线性优化，最终得到的优化后的井壁失稳分析及预测模型。
62.上述3个步骤就是常规的生成神经网络模型的步骤，在此不再赘述。
63.(5)将需要分析井壁稳定的油气井开钻至今的资料统计输入分析数据库中，按照相同规则抽取需要分析层段的相关特征参数(即获得的安全风险关联参数)，导入井壁失稳分析及预测模型进行井径扩大率预测，深化井壁失稳分析和未钻层段井壁稳定状态的预测，即利用井壁失稳分析及预测模型获得未钻井的井径扩大率。
64.所述方法进一步包括：
65.(6)将预测结果和重要性靠前的钻井液性能特征对应的数据进行整理：进行分析时,由于输入输出参数的变化，不同输入参数的权重有可能发生变化，此时可以得到安全风险关联参数的权重值变化，进而获得安全风险关联参数中与钻井液相关的特征参数，并根据特征参数和井径扩大率预测值对井壁稳定钻井液工艺进行调整：
66.通过预测得到的井径扩大率，作为调整钻井液密度、漏斗粘度、api失水量、钻井液k

浓度等钻井液性能的依据。具体的，根据井径扩大率与安全风险关联参数的神经网络映射关系，获得安全风险关联参数中的各个参数的权重，根据权重排序靠前的与钻井液相关的特征参数提出钻井液调整方案。具体如何根据与钻井液相关的特征参数给出钻井液调整方案采用现有技术实现，在此不再赘述。
67.随后，根据钻井液调整方案，利用现有的钻井液性能调整专家系统得到钻井液性能优化的具体的钻井液配方。为钻井液工程师和现场施工人员提供更快速、有效的决策依据，提高钻井液维持井壁稳定的作业效率，避免井壁失稳甚至井塌等恶性事故。
68.进一步的，所述方法还包括：
69.(7)将步骤(5)得到的安全风险关联参数存入安全风险预警样本库中，并将步骤(5)得到的安全风险关联参数和与其对应的井径扩大率作为下一次井径扩大率分析的训练样本，实现井壁失稳分析及预测样品数量的持续增加。
70.本发明方法的实施例如下：
71.【实施例一】
72.图1为本实施例中的神经网络模型结构示意图。由图1可知，径向基函数神经网络是三层前馈神经网络，而其中负责接收外界信息的则是输入层，对于由输入层到隐含层的转换则是发生在隐含层，同时在隐含层还能实现非线性的转换，第三层是起到输出的功能，是输入的最终结果。地质及钻井参数可转化为数字当量输入神经网络模型中。
73.本实施例全面考虑了地质特征及钻井液性能参数对井壁失稳预测的影响，将预处理后的历史地质及钻井液参数作为输入参数，以井径扩大率为输出参数，以测井得到的真实井径扩大率为标准参数，监督训练并优化得到井径扩大率神经网络预测模型。
74.图2是径向基(rbf)神经网络模型结构图。由图2可知，rbf神经网络模型的输入为p，代表各类井史参数，权值和阈值分别为w和b，代表rbf模型预测井径扩大率反馈值，隐含层节点个数为l，线性神经元模型的输出为a，代表井径扩大率预测值。本神经网络模型输入层和输出层之间的神经元个数分别为6和1。为了提高计算精度，采用k-means自组织聚类方法，为隐含层节点的径向基函数确定合适的数据中心，先给出一个初始值，再慢慢调整，通过数据对比确定最佳隐含层节点数。
75.所述对井径扩大率预测神经网络模型监督训练集优化的具体过程如下：
76.rbf网络的输入节点个数为k个，隐含层节点个数为上个，输出层节点数为m个，学习样本井数为n个，定义误差目标函数为：
[0077][0078]
式中：λ为遗忘因子，δ
t
，yi(n)分别为输出节点i的误差，期望输出和实际输出。训练rbf神经网络连接权值的递推最小二乘法为：
[0079][0080][0081][0082]
采用自适应梯度下降法，对网络模型进行自适应学习：
[0083][0084]
sj(n)＝sj(n-1) ηδj(n) α[sj(n-1)-sj(n-2)]
[0085]
其中，η为学习率，取0＜η＜0.1，0＜α＜0.01。
[0086]
(4)将目标井相关地质及钻井液数据导入神经网络模型，由模型自动分析出井径扩大率，分析井径扩大率影响因素及下阶段井径扩大率状态。
[0087]
本实施例中神经网络训练误差目标值差值设定为0.01，最大训练次数设定为1000
～2000次。
[0088]
(5)将预测结果和重要性靠前的钻井液性能特征对应的数据进行整理，制定井壁稳定对策，及时调整钻井液性能相关性能。
[0089]
(6)本次分析结果和相应特征数值数据加入样本库，作为下一次分析项目的训练样本。
[0090]
(7)通过预测得到的井径扩大率及影响因素，作为优选钻井液性能的判断依据，为钻井液施工人员提供更加准确、有效的决策依据，提高井壁稳定工作效率，避免井壁失稳问题。
[0091]
本发明还提供了一种井壁失稳机制分析和预测系统，所述系统的实施例如下：
[0092]
【实施例二】
[0093]
如图4所示，所述系统包括：
[0094]
数据采集单元10，用于收集深井超深井钻井过程中井壁失稳过程的各类相关资料，并将资料中的数据汇总存入数据库，然后抓取关键参数；
[0095]
预处理单元20，与所述数据采集单元10连接，用于对抓取的关键参数进行预处理，并将预处理后的数据存入钻完井资料数据库；
[0096]
样本库生成单元30，与所述预处理单元20连接，用于利用钻完井资料数据库中的全因素特征参数建立安全风险预警样本库；
[0097]
模型生成单元40，与所述样本库生成单元30连接，用于基于数据挖掘算法，以安全风险关联参数为输入参数，以井径扩大率为输出参数，以收集到的测井实测的井径扩大率的真实值为标准，获得井壁失稳分析及预测模型；
[0098]
预测分析单元50：与所述模型生成单元40连接，用于从需要分析井壁稳定的油气井开钻至今的资料中获得安全风险关联参数，将安全风险关联参数输入井壁失稳分析及预测模型，井壁失稳分析及预测模型输出预测的井径扩大率。
[0099]
利用本发明可以及时、快速、有效的分析井壁失稳机理并预测井壁失稳状态，为钻井液工程师和现场施工人员提供更快速、有效的决策依据，提高钻井液维持井壁稳定的作业效率，避免井壁失稳甚至井塌等恶性事故。
[0100]
最后应说明的是，上述技术方案只是本发明的一种实施方式，对于本领域内的技术人员而言，在本发明公开了应用方法和原理的基础上，很容易做出各种类型的改进或变形，而不仅限于本发明上述具体实施方式所描述的方法，因此前面描述的方式只是优选的，而并不具有限制性的意义。