一种单一区域内低压天然气井漏失程度快速预测方法

技术领域

本发明属于天然气修井领域，具体涉及一种单一区域内低压天然气井漏失程度快速预测方法。

背景技术

天然气井长期生产后地层压力系数下降，更换管柱、套管腐蚀检测等修井作业过程中，需要先期压井保证井筒存在稳定液柱环境。但地层压力系数较低，导致清水压井液灌入井筒后，井筒液柱压力大于地层压力，形成稳定漏失压差，导致清水压井液漏失，无法提供修井作业所需稳定井筒环境。

经过多年开发，现以形成适用低压气井的多类型压井暂堵体系。这些通过进入低压气层实施颗粒充填、纤维架桥、绒囊堆积等方式，能够有效提高低压气层承压能力，保证井筒内形成稳定高度液柱。

但不同地层压力系数不同、漏失通道尺度不同，适用堵剂类型存在差异。使用堵剂封堵性能过强，作业成本过高，且作业后暂堵剂返排困难，损害地层产气能力恢复效果。使用堵剂封堵性能较弱，暂堵强度不够，修井作业过程易产生二次漏失，降低修井作业效率。为此，不同低压气井需匹配适用堵剂，保证暂堵性能适中的同时，降低作业成本。

现场低压气井适用堵剂优选依据缺乏，现场普遍使用测试制，即将大量清水压井液灌入，评价清水漏失速度，再据此选择适用堵剂。这种做法增大工艺成本的同时，后续多类型堵剂进入地层是否与清水相互干扰、产生负面影响，存在一定风险。此外，大量清水注入地层，修井作业后返排困难，不利于低压气井快速复产。

解决现有低压气井修井过程适用暂堵剂优选难题，首先需要寻找气井漏失程度预测方法。

发明内容

本发明的目的是提供单一区域内低压天然气井漏失程度快速预测方法，以得到未开采井的清水漏失量，从而实现单个区域内气井漏失程度统一评价，为暂堵剂优选提供数据支撑。

本发明是通过以下技术手段实现技术目的的，一种单一区域内低压天然气井漏失程度快速预测方法，包括以下步骤，

第一步、数据收集，收集单一区域内已开采井的生产数据和作业过程中清水漏失速度参数，生产数据包括已作业天然气井地层压力系数、气层中深、气层无阻流量、气层射孔高度；

第二步，数据预处理，对第一步中获得的生产数据进行标准化处理；

第三步，模型建立，以标准化处理后的生产数据为输入层，以清水漏失速度参数为输出层，以第一步中得到的作业过程中清水漏失速度参数为标准值，监督训练得到清水漏失速度神经网络模型；

第四步，漏失程度预测，获得未作业井的生产数据作为输入值带入清水漏失速度神经网络模型中，得到未作业井的清水漏失速度参数。

所述第二步中，标准化处理的具体方式为归一化，归一化公式为X＝(x-x

式中，X为数据归一化后在0-1空间的映射值；

x为原始数据值；

x

x

所述清水漏失速度神经网络模型建立的具体方法为建立BP神经网络，设置输入层、隐含层和输出层的节点个数。

所述神经网络隐含层有两层，节点数分别为4和2。

所述第三步中，设定神经网络模型的最大迭代次数1000，学习率0.1，训练目标最小误差设置为0.0001。

所述隐含层和输出层神经元之间的连接权值w、隐含层阈值a和输出层阈值b初始值均为系统给定随机数。

本发明的有益效果：能根据已作业天然气井数据资料，预测清水漏失速度。基于神经网络模型无具体的模型限制，可适用于不同的单一区域。无需对未作业井进行清水测试漏失量。

附图说明

图1为本发明工作流程示意图；

图2为本发明神经网络结构建立示意图；

以下将结合附图及实施例对本发明做进一步详细说明。

具体实施方式

【实施例1】

如图1和图2所示，一种单一区域内低压天然气井漏失程度快速预测方法，包括以下步骤，

第一步、数据收集，收集单一区域内已开采井的生产数据和作业过程中清水漏失速度参数，生产数据包括已作业天然气井地层压力系数、气层中深、气层无阻流量、气层射孔高度；所述的单一区域还包括未作业天然气井附近邻井区域和相似地层区域。

第二步，数据预处理，对第一步中获得的生产数据进行标准化处理；

第三步，模型建立，以标准化处理后的生产数据为输入层，以清水漏失速度参数为输出层，以第一步中得到的作业过程中清水漏失速度参数为标准值，监督训练得到清水漏失速度神经网络模型；

第四步，漏失程度预测，获得未作业井的生产数据作为输入值带入清水漏失速度神经网络模型中，得到未作业井的清水漏失速度参数。

根据已知的天然气井地层压力系数、气层中深、气层无阻流量、气层射孔高度，建立关于清水漏失速度的BP神经网络模型。

将第一步中的多个已开采井的生产数据归一化后分别作为训练数据和验证数据，经训练得到关于清水漏失速度参数的模型。最终将未开采井的生产数据作为新的训练数据导入清水漏失速度参数的模型内，得到对应的清水漏失速度参数，即是该未开采井的清水漏失速度参数。

所述第二步中，标准化处理的具体方式为归一化，归一化公式为X＝(x-x

式中，X为数据归一化后在0-1空间的映射值；

x为原始数据值；

x

x

为消除数据量纲、量级影响，在作为训练数据和验证数据前进行对所有数据进行归一化处理。

所述清水漏失速度神经网络模型建立的具体方法为建立BP神经网络，设置输入层、隐含层和输出层的节点个数。

所述神经网络隐含层有两层，节点数分别为4和2。

所述第三步中，设定神经网络模型的最大迭代次数1000，学习率0.1，训练目标最小误差设置为0.0001。

所述隐含层和输出层神经元之间的连接权值W、隐含层阈值a和输出层阈值b初始值均为系统给定随机数。

根据归一化处理后的数据，开始进行生产数据和清水漏失速度神经网络模型建立。网络训练信号由输入层至输出层前向传递、误差沿网络逆向传播。将处理后的天然气井地层压力系数、气层中深、气层无阻流量、气层射孔高度，分别记为X

给定学习速率和神经元激励函数，即隐含层和输出层之间存在的函数关系。根据输入向量X，输入层和隐含层间连接权值w

根据隐含层输出H

模型建立后，在1000组归一化后的数据中选取800组为训练数据，200组为验证数据；最大迭代次数1000，学习率0.1，训练目标最小误差设置为0.0001，得到训练模型。

最终采取双盲测试，获取未作业井G3X井、G3Y井生产数据，选取该井天然气井地层压力系数、气层中深、气层无阻流量、气层射孔高度，带入上述神经网络训练模型，预测得到两口井漏失速度为2.7m