一种基于机器学习的固井注水泥顶替效率评价方法

本发明涉及油田开发，具体是一种基于机器学习的固井注水泥顶替效率评价方法。

背景技术：

1、随着深层、超深层及特深层油气资源不断被勘探发现，如何改善复杂地层油气井固井质量以提高井筒全生命周期是亟待解决的技术难题。深层、超深层为国家能源接替的主力区，在该类储层固井过程中，由于地质条件复杂、井下条件严苛等原因，固井施工作业面临很大挑战。而提高固井的顶替效率是固井质量的重要指标，因此较好地预测固井顶替效率有着十分重要的意义。

2、国内外学者围绕着注水泥顶替效率开展了大量的实验和数值模拟研究。在室内实验方面，ytrhus等人通过环形流体置换装置进行实验得出旋转套管会给窄间隙部分流体施加剪切力，从而提高窄间隙流体的流通性，大大的改善了顶替效率。在数值模拟方面，罗恒荣等认为顶替界面的形态主要受偏心效应、浮力效应及质量扩散效应的影响。魏凯等考虑相界面间的表面张力，对偏心环空注水泥的过程进行数值模拟分析，分析结果表明当偏心度、水泥浆、前置液或钻井液性能一定时，采用低排量顶替有助于降低偏心效应对顶替效率的影响。

3、yuhuanbu等得出当套管偏心度小于0.2时，随着套管偏心率的增加，顶替效率略有提高，而当套管偏心率大于0.2时，驱替效率显著降低的结论。针对于非规则井眼，宋琳等认为水泥浆流变参数对不规则井段顶替效率具有一定影响。降低水泥浆的稠度系数、流性指数和顶替速率，有助于提高不规则井段的顶替效率。针对现有数值模拟长度均较短，陶谦等基于天河一号大规模集群计算平台的数值模拟，实验表明在套管居中度较高条件下，通过降低n值改善水泥浆流动性，有利于提高水泥浆顶替效率。

4、目前顶替效率的计算方法有室内实验计算法和数值模拟法，其中实验计算方法只能计算室内实验模型的顶替效率，无法进行现场顶替效率计算，并且实验计算的精准度低。利用fluent软件进行数值模拟法计算顶替效率虽然精度高，但其需要建立物理模型、进行网格划分、运用fluent中case模块进行前处理以及模拟结束后数据分析处理等过程。这些复杂过程导致数值模拟计算顶替效率实施过程难度大并且操作者需要进行培训和一定熟练度。除此之外，当进行各参数对顶替效率的敏感因素分析时，无法有效分析出各参数对顶替效率影响的重要性。

技术实现思路

1、鉴于此，本发明提出了一种基于机器学习的固井注水泥顶替效率评价方法，建立了全井筒物理模型，并对其进行顶替效率分析，同时模拟过程更加接近现场条件，提高了模拟结果的准确性。

2、本发明解决上述问题所采用的技术方案是，一种基于机器学习的固井注水泥顶替效率评价方法，包括以下步骤：

3、步骤s1：基于现场完井井身结构数据，采用建模软件建立全井筒物理模型；

4、步骤s2：将物理模型导入fluent软件的mesh模块进行网格划分；

5、步骤s3：将划分得到的网格文件导入fluent软件的case模块，基于现场流体的相关参数，随机生成多组处于合理流体参数范围内的注水泥模拟方案，结合导入case模块的网格文件，数值模拟得出多组顶替模拟结果；

6、步骤s4：对顶替模拟结果进行归一化处理；

7、步骤s5：采用随机森林算法优选出最优回归预测模型参数，并基于原始数据集中的模拟方案得出各参数相对于顶替效率的重要性；

8、步骤s6：从原始数据集中随机选取至少5组数据，代入随机森林回归预测模型预测顶替效率。

9、本发明的具体效果是：

10、1、本发明克服了数值模拟建模复杂、计算难度大时间长、操作难度大的缺点；通过随机森林算法中特征重要性分析，可以有效分析出各参数对顶替效率的重要性。

11、2、通过软件建立了全井筒物理模型，考虑了浆体在管内混窜的因素，模拟过程贴切现场条件，使得模拟结果更加准确。

技术特征：

1.一种基于机器学习的固井注水泥顶替效率评价方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种固井注水泥顶替效率评价方法，其特征在于：所述步骤s1中的建模软件为spaceclaim、soildworks、creo中的一种。

3.根据权利要求1所述的一种固井注水泥顶替效率评价方法，其特征在于：所述步骤s1中的井身结构数据包括管内直径、环空尺寸、口袋截面尺寸、井眼轨迹线。

4.根据权利要求1所述的一种固井注水泥顶替效率评价方法，其特征在于：所述步骤s2中的网格划分的网格尺寸范围为1mm-100mm。

5.根据权利要求1所述的一种固井注水泥顶替效率评价方法，其特征在于：所述步骤s3中的现场流体包括钻井液、低密度钻井液、隔离液、冲洗液、缓凝浆、快干浆、替浆。

6.根据权利要求5所述的一种固井注水泥顶替效率评价方法，其特征在于：所述步骤s3中的现场流体的相关参数包括用量、排量、密度、稠度系数、流性指数、剪切应力。

7.根据权利要求1所述的一种固井注水泥顶替效率评价方法，其特征在于：所述步骤s5中的随机森林算法节点分型评价准则为均方误差，其中，树的最大深度为10，决策树的数量为100，内部节点分裂的最小样本数为2，叶子节点的最大数量为50。

技术总结
本发明提供了一种基于机器学习的固井注水泥顶替效率评价方法，属于油田开发技术领域，具体步骤为，基于现场完井井身结构数据建立全井筒物理模型，将物理模型导入Fluent软件的mesh模块进行网格划分，之后导入case模块随机生成多组处于合理流体参数范围内的注水泥模拟方案，结合的网格文件，数值模拟得出多组顶替模拟结果的原始数据集，归一化处理结果，采用随机森林算法优选出最优回归预测模型参数，并基于原始数据集中模拟方案得出各参数相对于顶替效率的重要性，并预测顶替效率；本发明操作简单、计算时间短、操作难度小，通过随机森林算法中特征重要性分析，可以有效分析出各参数对顶替效率的重要性，模拟过程还原现场条件，使得模拟结果更加准确。

技术研发人员：杨谋,赵鹏超,唐欣,宋泽平,祝鑫泉,唐彬,车双苗
受保护的技术使用者：西南石油大学
技术研发日：
技术公布日：2024/3/24