一种堵漏材料粒径优选方法及电子设备

技术领域

本发明是属于石油天然气勘探开发钻井领域，涉及一种基于SVM数据挖掘算法的堵漏材料粒径优化方法及电子设备。

背景技术

钻井过程中，常常钻遇地层裂缝、孔隙和溶洞，易发生钻井液的漏失，需要采用一定粒径的钻井液堵漏材料封堵裂缝才能正常钻进，堵漏材料粒径的选择关系到堵漏成功率及井下安全等多个方面，是十分重要的钻井施工参数。钻井井漏发生后，如果无法采用最合适粒径的堵漏材料，可能造成堵漏施工成功率降低，增加钻井成本和钻井风险。

目前，现场采用的堵漏材料粒径确定方法主要有：(1)根据钻井液的漏失速率仅凭经验确定；(2)在少数有成像测井资料的情况下，观察成像资料中的漏失通道宽度并进行测量后确定；(3)尝试不同粒径的堵漏材料直到找到合适的堵漏材料并封堵成功。目前的方法存在着一些不足，主要体现在：(1)经验法仅凭经验判断误差也较大；(2)成像测井观测法精度较高，但只适用于在漏失井段有成像测井的情况，由于成像测井成本较高，且井漏发生的情况下测井作业风险较高，所以该方法适用的局限性很大；(3)尝试法耗时长、成功率低、成本高。以上的方法不足可能导致堵漏材料粒径选配不当，造成堵漏施工成功率降低，浪费钻井液堵漏材料，增加钻井成本，极易引起井下复杂情况的发生。

发明内容

以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。

本发明实施例提供了一种堵漏材料粒径优选方法及电子设备，解决钻井现场仅凭经验误差较大、依靠成像测井判断成本较高和尝试法耗时长的问题，具有简单易行且节省费用、准确的特点。

为了实现上述目的，本发明实施例提供了一种堵漏材料粒径优选方法，所述方法包括：

步骤101：获取来自目标区块的参数数据集，所述参数数据集为影响井下地层裂缝的主要因素参数数据集；

步骤102：对所述参数数据集中的参数进行归一化处理，每个参数的值范围都在0到1之间；

步骤103：建立基于SVM数据挖掘算法的裂缝堵漏材料颗粒预测模型；

步骤104：将归一化处理后的参数数据集作为输入数据，堵漏材料粒径的最大值d

步骤105：利用新一组归一化后的输入参数调入所述模型，得到堵漏材料粒径的最大值d

步骤106：根据SVM数据挖掘算法计算得到堵漏材料粒径的最大值d

可选的，所述步骤101之前还包括:采集影响井下地层裂缝的主要因素参数数据，构建信息数据库的步骤。

可选的，所述步骤105之前还包括:

对比原来的目标值和SVM数据挖掘算法预测值验证SVM数据挖掘算法的步骤。

可选的，所述来自目标区块的参数数据集包含9个10维向量。

可选的，所述来自目标区块的参数数据集，包含10个参数的数据集：岩石杨氏模量E(MPa)、泊松比v、最大水平主应力SH系数、最小水平主应力系数Sh、地层孔隙压力系数Pp、钻井液排量、钻时、钻井液当量密度ρm、钻井液塑性粘度PV和漏失速率(m3/h)。

可选的，步骤104中所述训练参数包括：

训练目标：均方误差低于0.0001；最大训练次数：10000。

可选的，步骤104中调用SVM数据挖掘算法的train函数训练网络。

可选的，调用matlab的SVM数据挖掘算法模型的sim函数得到SVM数据挖掘算法预测值。

本发明实施例还提供了一种电子设备，包括：处理器和存储器，所述存储器存储有计算机可执行指令，所述计算机可执行指令被所述处理器执行时实现上述的堵漏材料粒径优选方法。

本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述的堵漏材料粒径优选方法。

本发明实施例提供的堵漏材料粒径优选方法及电子设备，与现有技术相比，有益效果是：

本发明实施例提供了一种利用油田地层和实际钻井的大数据，通过基于SVM数据挖掘算法的计算机计算，确定堵漏材料粒径的方法及电子设备，解决钻井现场仅凭经验误差较大、依靠成像测井判断成本较高和尝试法耗时长的问题。本发明具有相对成像测井解释简单易行且节省费用的特点，而相对于仅凭经验方法具有准确的特点,从而达到提高堵漏颗粒粒径选择的准确性、低成本和优化效率的目的，确定堵漏浆配方，提高堵漏效率，满足安全高效钻井的要求并降低钻井成本。

附图说明

附图用来提供对本申请技术方案的进一步理解，并且构成说明书的一部分，与本申请的实施例一起用于解释本申请的技术方案，并不构成对本申请技术方案的限制。在附图中：

图1为本发明第一实施例中的堵漏材料粒径优选方法流程图。

图2为本发明第二实施例中的堵漏材料粒径优选方法流程图。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

参照图1所示，为本发明第一实施例中的堵漏材料粒径优选方法流程图。

本发明的目的是提供一种基于SVM数据挖掘算法的堵漏材料粒径优化方法。用于克服现有方法的不足，利用油田地层和实际钻井的大数据，通过基于SVM数据挖掘算法的计算机计算，确定堵漏材料粒径。

为解决钻井现场堵漏材料粒径选择难题，如图1所示，本发明实施例提供的一种基于SVM数据挖掘算法的堵漏材料粒径优选方法，包括如下步骤：

步骤101：获取来自目标区块的参数数据集，所述参数数据集为影响井下地层裂缝的主要因素参数数据集；

步骤102：对所述参数数据集中的参数进行归一化处理，即将影响堵漏材料粒径选择的主要因素进行归一化处理，每个参数的值范围都在0到1之间；

步骤103：建立基于SVM数据挖掘算法的裂缝堵漏材料颗粒预测模型；

步骤104：将归一化处理后的参数数据集作为输入数据，堵漏材料粒径的最大值d

步骤105：利用新一组归一化后的输入参数调入所述模型，得到堵漏材料粒径的最大值d

步骤106：根据SVM数据挖掘算法计算得到堵漏材料粒径的最大值d

在本发明的一个优选实施例中，所述步骤101之前还包括:采集影响井下地层裂缝的主要因素参数数据，构建信息数据库的步骤。

在本发明的一个优选实施例中，所述步骤105之前还包括:

对比原来的目标值和SVM数据挖掘算法预测值验证SVM数据挖掘算法的步骤。

参照图2所示，为本发明第二实施例提供的基于SVM数据挖掘算法的堵漏材料粒径优选流程示意图，所述方法包括以下步骤：

步骤201：设置训练集的输入参数集，参数数据集包含9个10维向量xi＝[Ei,vi,SHi,Shi,Pp,V，T，ρm，PV，VL]，(i＝1->10)；

步骤202：设置训练集的输出目标值集合tn_train，tn_train＝[y1,y2,……],目标值为2维数据，yi＝[d

步骤203：对训练集数据进行预处理，即将影响堵漏材料粒径选择的主要因素进行归一化处理，即XN＝(X-Xmin)/(Xmax-Xmin)，每个参数的值范围都在0到1之间；

步骤204：利用matlab建立基于SVM数据挖掘算法的裂缝堵漏材料颗粒预测模型；设置训练集的输入参数pn_train＝[Ei,vi,SHi,Shi,Pp,V，T，ρm，PV，VL],作为pn_train；建立并训练SVM数据挖掘算法模型：model＝svmtrain(tn_train,pn_train,cmd)，tn_train为训练集输入参数，pn_train为训练集的输出目标值，svmtrain为SVM模型的训练函数；设置训练目标：均方误差低于0.0001，net.trainparam.goal＝0.0001；设置最大训练次数：10000，net.trainparam.epochs＝10000；

步骤205：设置SVM数据挖掘算法训练参数并进行训练，将影响井下地层裂缝的主要因素参数数据集作为输入数据，堵漏材料粒径的最大值d

model＝svmtrain(tn_train,pn_train,cmd)；

步骤206：验证SVM数据挖掘算法，对比原来的目标值和SVM数据挖掘算法预测值；

步骤207：利用SVM数据挖掘算法对新一组归一化后的输入参数进行预测，得到堵漏材料粒径的最大值d

步骤208：根据SVM数据挖掘算法计算得到堵漏材料粒径进行配制堵漏浆和堵漏作业。

在上述方法中，所述设置训练集的输入参数集，包括来自目标区块的包含10个参数的数据集：岩石杨氏模量E(MPa)、泊松比v、最大水平主应力SH系数、最小水平主应力系数Sh、地层孔隙压力系数Pp、钻井液排量、钻时、钻井液当量密度ρ

进一步的，所述设置训输出目标值集合，包含堵漏材料粒径的最大值d

进一步的，所述训练SVM数据挖掘算法，设置SVM数据挖掘算法训练参数包含：训练目标：均方误差低于0.0001；最大训练次数：10000。并调用SVM数据挖掘算法的train函数训练网络；

进一步的，所述根据SVM数据挖掘算法计算得到堵漏材料粒径的最大值d

下面通过具体应用中的实例对本发明技术方案进行示例性说明。

(1)确定影响堵漏材料粒径选择的10个因素；

(2)设置训练集的输入参数pn_train，收集来自目标区块的包含10个参数的数据集x

表1训练集的输入参数

(3)设置训练集的输出目标值tn_train，目标值为2维数据，y

表2训练集的输出目标值

(4)对训练集数据进行归一化预处理，使E

表3经过归一化预处理的训练集输入参数

(5)建立并训练SVM数据挖掘算法模型：

model＝svmtrain(tn_train,pn_train)

tn_train为训练集输入参数，pn_train为训练集的输出目标值

svmtrain为SVM模型的训练函数，

训练目标：均方误差低于0.0001；

svmtrain.goal＝0.0001；

最大训练次数：10000.

svmtrain.epochs＝10000；

(6)验证SVM数据挖掘算法模型：调用matlab的SVM数据挖掘算法模型的sim函数得到网络的预测值

[Predict_1,error_1]＝svmpredict(tn_train,pn_train,model)；

对比SVM数据挖掘算法模型预测的simout中的堵漏材料最大直径dmax、堵漏材料d

表4SVM数据挖掘算法模型预测的堵漏材料最大直径dmax、d

(7)利用SVM数据挖掘算法模型对新一组输入参数tn_test进行预测，[Predict_2,error_2]＝svmpredict(tn_test,pn_test,model)；得到裂缝宽度值simout2＝2.47mm：

表5预测集tn_test

表6经过归一化预处理的预测集tn_test

(8)根据SVM数据挖掘算法模型计算得到的堵漏材料最大直径d

本发明实施例还提供一种电子设备,包括：处理器和存储器，所述存储器存储有计算机可执行指令，所述计算机可执行指令被所述处理器执行时实现上述的堵漏材料粒径优选方法。

此外，本发明实施例还提供一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令被执行时实现上述的堵漏材料粒径优选方法。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。