本发明涉及油田开发,具体是一种深井随钻风险识别方法。
背景技术:
1、在目前的常规深层天然气开发钻井过程当中,井筒中的气体由于温度压力的显著变换,可能出现从超临界态转换为气态的相态变化,明显的相态变化过程极易导致出现如气体滑脱和油气上窜等严重影响钻进作业正常进行的问题,迫使施工部门需要付出额外的工程成本用于解决和应对此类因为相态变化而在钻进过程中引发的问题。可以看到,相对于出现问题后耗费大量成本实施的解决方案,在出现问题之前通过相应的手段对可能出现的问题和风险程度等进行预测和识别,并在此基础上提前采取应对措施,更加有利于问题的解决和降低施工成本。
2、在钻井施工过程中,能够获取大量的井筒数据,通常来说这类井筒状态的统计数据仅仅用于反映和记录施工过程中井筒的状态变化情况,即起到的是记录作用。而井筒数据本质上是井筒实时状态的体现,其与钻进过程中井筒状态的变换情况是息息相关的,因此,如果能够充分利用这些数据库中的海量数据,将此类井筒数据用于钻井过程中包括相态变化在内的风险的识别预测上,即基于原有施工数据推导钻井过程中可能出现的风险事故,将对预测识别结果的准确性提供坚实的保障,进一步提高常规深层天然气储层区域钻采效率,降低其钻采风险。然而目前尚无针对性的将钻井的施工数据与相态变化评价相结合后用于天然气随钻风险识别的准确预测的方法。
技术实现思路
1、鉴于此,本发明提出了一种深井随钻风险识别方法,对气井是否发生相态变化进行判断,并结合钻井现场各种监测参数,建立约简后的钻井信息数据库,利用ba-bp神经网络对数据库中的数据进行训练,最终实现天然气深井钻井过程中的风险准确预测识别。
2、本发明解决上述问题所采用的技术方案是,一种深井随钻风险识别方法,包括以下步骤:
3、步骤s1:基于钻井施工过程中的主要风险属性,选择出主要风险属性中包括相态变化情况的最相关风险属性,其中,相态变化情况通过相态变化归一化值进行量化,相态变化归一化值越大,相态变化程度越严重;
4、步骤s2:建立基于最相关风险属性和事故类型的钻井风险数据库,并对最相关风险属性中的不确定数据进行数据补全;
5、步骤s3:利用数据补全后的钻井风险数据库训练神经网络,并采用蝙蝠算法优化神经网络,将优化后的神经网络用于待分析井的钻井过程的风险评估中。
6、本发明的具体效果是:
7、本发明能够针对天然气井相态变化来预测钻井风险,设计了相态变化归一化方法,将相态变化归一化值处理为适合神经网络学习、诊断的形式,同时使用邻域粗糙集理论筛选出钻井施工过程中的主要监测属性,建立钻井风险数据库。对于缺失数据,采用拉格朗日插值补全。采用ba-bp神经网络对钻井风险进行预测,有效客观的对常规深层天然气井钻井风险进行评价。本发明提高了常规深层天然气储层区域钻采效率,为钻井风险控制提供保障,降低其钻采风险。
1.一种深井随钻风险识别方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种深井随钻风险识别方法,其特征在于:所述相态变化归一化值的计算方法为:根据深井井筒内单位井距间的压力差的随钻数据,结合收集到的随钻数据计算钻井时深井井筒内部的相态变化归一化值,具体包括以下步骤:
3.根据权利要求2所述的一种深井随钻风险识别方法,其特征在于:所述单位井距间的压力和气液混合物流速差依靠石英薄膜随钻测量电路进行测试,其中,石英薄膜随钻测量电路包括:石英薄膜压力传感器、流量传感器、微控制单元。
4.根据权利要求1所述的一种深井随钻风险识别方法,其特征在于:步骤s1中在主要风险属性中选出最相关风险属性的筛选方法为:利用领域粗糙集理论选出主要风险属性中的最相关风险属性。
5.根据权利要求1所述的一种深井随钻风险识别方法,其特征在于:步骤s2中所述主要风险属性包括:泵排量、泵压、钻压、钻井液黏度、钻井液切力、钻井出口液密度、泥浆池体积、钻井液出口流量、钻井液入口流量、立管压力、机械钻速、相态变化情况、气测全烃值、氯离子含量、钻井液出口流量、井下测量压力差值、井下测量温度差值、dc指数差值、转盘扭矩、钻时、转盘转速、大钩负荷。
6.根据权利要求5所述的一种深井随钻风险识别方法,其特征在于:所述最相关风险属性包括:钻井液出口流量、大钩负荷、泵压、转盘转速、转盘扭矩、钻压、钻井液出口密度、机械钻速、相态变化情况。
7.根据权利要求1所述的一种深井随钻风险识别方法,其特征在于:步骤s3中所述数据补全的方法为:采用拉格朗日插值法补充缺失数据。