一种基于地面录井数据的气侵特征参数智能反演方法
文献发布时间:2024-07-23 01:35:21
技术领域
本发明涉及钻井技术领域,尤其是一种基于地面录井数据的气侵特征参数智能反演方法。
背景技术
智能钻井技术可以大幅度减少人工劳动量、降低钻井成本,是目前全球钻井领域的前沿技术。气侵是钻井工程中常见的工程现象之一。如果不及时控制,就会导致井涌、井喷等井控安全事故。
气侵发生后,准确地掌握井筒多相流分布状态,对于制定合理的气侵处理措施的具有重要的意义。同时,井筒多相流分布状态也是后续压井设计的关键基础参数。目前得到气侵后井筒多相流分布状态主要通过气侵模拟分析得到,其中地层压力和气体侵入指数是气侵模拟的关键参数。在气侵模拟计算时,需要将气侵特征参数作为输入参数,经过计算得出地面录井参数和井筒内压力沿时间分布结果。所以准确地获取孔隙压力、气体侵入指数是保证气侵模拟结果正确,真实地还原井筒多相流体状态的关键所在。钻井气侵和不稳定试井过程相似,录井参数的变化可以表征一定的气侵特征。利用气侵监测参数,则可以快速反演气侵特征参数,气侵特征参数的反演是气侵模拟计算的反问题。
传统气侵特征参数评估方法,主要依赖试算和假设,其可行性和效率都具有一定局限性,例如:关井求压所需时间长,会延误压井时间;录井数据估算气侵特征参数,估算的方法会产生较大的误差,钻井过程中测量值与模型状态之间的差异来估计溢流特征储层参数,测量值与模型之间的误差较大;依靠控压钻井设备反演气侵特征参数,但是需要专业设备成本较高等问题。
发明内容
针对传统气侵特征参数评估方法存在的上述局限性,本发明提供一种基于地面录井数据的气侵特征参数智能反演方法。
本发明的基于地面录井数据的气侵特征参数智能反演方法,主要方法路线为:利用不同的气侵特征参数进行气侵模拟计算得出立管压力和泥浆池体积数据不同,基于气液两相流动气侵模拟计算模型在不同气侵特征参数范围计算得出的立管压力和泥浆池体积数据与实际录井数据利用DTW算法进行相似度的比较,并利用自适应变异麻雀搜索优化算法不断的迭代更新,找到达到最大迭代次数时与立管压力和泥浆池体积数据相似度最高的模拟计算数据,其对应的气侵特征参数即为最优参数。
具体方法步骤如下:
S1、选取包括立管压力曲线和泥浆池体积曲线在内的地面录井数据,并对曲线进行均值滤波平滑处理。
S2、基于井筒气液两相流动建立气侵模拟计算模型;
结合气液两相连续方程、气液两相动量守恒方程以及辅助方程,建立地层-井筒-地面耦合模型,即为气侵模拟计算模型。所述辅助方程包括气相密度公式、气液两相速度之间的本构关系式以及漂移流模型公式。
所述气液两相速度之间的本构关系式如下:
v
式中:v
所述气侵模拟计算模型中,气体侵入井筒的流量计算公式如下:
Q
式中:Q
所述气侵模拟计算模型的气侵特征参数作为输入参数,立管压力和泥浆池体积作为输出参数;所述气侵特征参数包括气体侵入指数和地层压力。进行气侵模拟计算时,输入不同的气侵特征参数,计算得到不同的立管压力曲线和泥浆池体积曲线。
S3、基于气侵模拟计算模型,结合自适应变异麻雀搜索优化算法与动态时间规整算法建立气侵特征参数智能反演模型。该反演模型进行如下的反演步骤:
首先,自适应变异麻雀搜索优化算法的种群中每个个体代表不同的气体侵入指数与地层压力,随机初始化若干组气侵特征参数,将每组初始化的气侵特征参数输入气侵模拟计算模型,计算得到不同的立管压力曲线和泥浆池体积曲线。
然后,利用动态时间规整算法将计算得到的立管压力曲线和泥浆池体积曲线分别与步骤S1的实测立管压力曲线和泥浆池体积曲线进行相似度比较,得到一个最优位置,完成第一次迭代;
第二次迭代更新气侵特征参数,气侵特征参数的更新朝着最优解的方向逼近;如此循环,当达到最大迭代次数n时优选出与实测录井数据最相似的模拟计算数据,其对应的气侵特征参数为最优气侵特征参数。最大迭代次数n为预先设置的迭代终止条件,例如,n可以取值50、100或者其他数值。
其中,所述自适应变异麻雀搜索优化算法是融合猫映射+精英反向策略+混沌Tent扰动+柯西变异的改进麻雀优化算法。
利用动态时间规整算法将计算得到的立管压力曲线和泥浆池体积曲线分别与步骤S1的实测立管压力曲线和泥浆池体积曲线进行相似度比较,具体方法如下:
S31、假设两个时序序列:
X=(x
Y=(y
式中:X为实测录井数据,共有m个样本;Y为气侵模拟计算模型计算出的数据,共有n个样本,每个样本x
S32、计算两个序列各个点之间的距离矩阵;
构造一个n×m的矩阵网格D,矩阵元素(i,j)表示x
S33、寻找一条从矩阵左下角到右上角的路径,使得该条路径的累积欧氏距离最小。
设W=(w
式中,K取整数。
定义一个累加距离D(i,j),从(1,1)点开始匹配这两个序列X和Y,每到一个点,之前所有的点计算的距离都会累加,到达终点(m,n)后,最终获得的D(m,n)即为多变量序列X和Y的动态时间规整距离,也就是序列X和Y的相似度。
累加距离D(i,j)的表达公式如下:
d
D(i,j)=d
式中:D(i-1,j)表示x
与现有技术相比,本发明的有益之处在于:
(1)本发明通过分析地面记录的钻井数据,尤其是立管压力和泥浆池体积等参数的变化特征,来推断井底地层的性质和状态;通过自适应变异麻雀搜索优化算法,考虑动态时间规整为评价指标,建立气侵特征参数智能反演模型,找出与实际录井数据曲线最相似的计算数据曲线(动态时间规整距离最短),其对应的气侵特征参数最优,以实现对气侵特征参数的反演。通过对地面录井参数的实时监测和分析,可以及时获取井底地层的动态信息,从而预警可能的气侵风险。这有助于提高钻井作业的安全性和效率,并能够快速采取相应的井控措施,以便更好地理解和管理钻井过程。
(2)本发明基于自适应变异麻雀搜索优化算法与气液两相流动气侵模拟计算模型建立气侵特征参数智能反演模型,解决手动寻找最优气侵特征参数的局限性与准确性。
(3)本发明以动态时间规整距离评价指标为优化目标,减少了气侵特征参数反演的评价步骤,有利于提高气侵特征参数获取效率。
本发明的其它优点、目标和特征将部分通过下面的说明体现,部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明
图1为本发明的基于地面录井数据的气侵特征参数智能反演方法的流程图。
图2为本发明的气侵特征参数智能反演模型简化示意图。
图3为追踪最小距离规整路径的累积成本矩阵图。
图4为实施例中实际录井的泥浆池体积与计算的泥浆池体积变化图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
如图1和图2所示,本发明的基于地面录井数据的气侵特征参数智能反演方法,详细步骤如下:
步骤S1、选取实际气侵发生时的录井数据,主要包括立管压力曲线和泥浆池体积曲线,实际立管压力与泥浆池体积随时间变化曲线是上下波动的,根据噪声特性,选择均值滤波对数据进行平滑处理。
步骤S2、基于井筒气液两相流动建立气侵模拟计算模型,结合气液两相连续方程、动量方程以及辅助方程等,形成地层-井筒-地面耦合模型。具体如下:
步骤S21、根据质量守恒定律建立气液两相连续方程:
钻井液连续方程:
气体连续方程:
式中:A表示控制体截面积,m
步骤S22、根据动量守恒定律建立气液两相动量守恒方程;
液相动量守恒方程:
气相动量守恒方程:
式中:A表示控制体截面积,m
步骤S23、在石油工业的P-V-T计算中,通常首选Peng-Robinson方法。气体密度方程如下:
式中:P为压力,Pa;T为温度,K;钻进期间,温度的求解借助现有的模型求解;R为摩尔气体常数,8.314J/(mol·K);Z为气体压缩因子;ρ
步骤S24、根据气体的分配系数和漂移速度来构建气液两相速度之间的本构关系:
v
式中:v
选择Shi漂移流模型应用于井筒的气液两相流模拟器中:
式中:C
步骤S25、建立地层-井筒-地面耦合模型;
对于溢流层与井筒的耦合,一种方法是使用简单的生产指数关系,根据储层和井筒环空之间的压力差计算气体侵入井筒的流量:
Q
式中:Q
步骤S3、基于气侵模拟计算模型,结合自适应变异麻雀搜索优化算法与利用动态时间规整算法(DTW算法)建立气侵特征参数智能反演模型。
自适应变异麻雀搜索优化算法中种群中每个个体代表不同的气体流入指数和地层压力,确定气体流入指数和地层压力的范围,并用该范围内的随机值初始化种群。在气侵模拟计算模型中,输入不同的气体流入指数与地层压力计算得到录井数据(立管压力和泥浆池体积)随时间变化曲线是不同的。
然后利用动态时间规整(DTW)算法对实测录井数据曲线和模拟计算出的数据曲线进行相似度比较。
DTW算法的计算步骤如下:
(1)假设两个时序序列:
X=(x
Y=(y
式中:X为实测录井数据,共有m个样本;Y为气侵模拟计算模型计算出的数据,共有n个样本,每个样本x
(2)计算两个序列各个点之间的距离矩阵;
构造一个n×m的矩阵网格D,矩阵元素(i,j)表示x
(3)寻找一条从矩阵左下角到右上角的路径,使得该条路径的累积欧氏距离最小。
首先,为了对齐这两个序列,需要构造一个n×m的矩阵网格D,矩阵元素(i,j)表示x
其次,在Time Warping处理中,一个时序列上的一个点可以对应另一个时序列的一个或者多个点。对应地,根据图3所示,在以上矩阵D中的路径(从左上角[1,1]的出发的)构造过程中,可以从一个格点到达其右边、下边以及右上的格点。
考虑W=(w
定义一个累加距离D(i,j)。从(1,1)点开始匹配这两个序列X和Y,每到一个点,之前所有的点计算的距离都会累加。到达终点(m,n)后,最终获得的D(m,n)即为多变量序列X和Y的动态时间规整距离,也就是序列X和Y的相似度。
累加距离D(i,j)可以按照如下方程表示:
d
D(i,j)=d
式中:D(i-1,j)表示x
本实施例中,利用气侵模拟计算模型计算得到四组不同泥浆池体积变化数据曲线,如图4所示,每一组计算例的气侵特征参数不同,将每一组计算例与实际录井数据曲线都利用DTW算法进行相似度比较,其中计算例2与实际录井数据曲线的动态规整距离最短,即相似度最高,其所对应的气侵特征参数是最优的。
由于优化参数的不确定性,不同气体侵指数和地层压力对应的地面测井参数曲线理论上可能在一定范围内变化,从而产生多种可能的曲线。确定最准确地代表地面录井参数实际变化的曲线才能准确反演气体侵入指数和地层压力。与地层-井筒-地面耦合的瞬态多相流模型表现出非线性特征,使得计算过程复杂且耗时。人工调整参数和比较相似性优化方法效率低下。因此,考虑到计算效率,本发明采用自适应变异麻雀搜索优化算法进行优化建模和计算。气侵特征参数优化方式利用融合猫映射+精英反向策略+混沌Tent扰动+柯西变异的改进麻雀优化算法。
与其他群智能算法一样,原始麻雀搜索算法在求解复杂问题时,通过随机生成位置的方法初始化麻雀种群的个体位置,会导致种群的多样性低,对问题进行寻优的收敛速度比较慢。为了能够让麻雀个体在算法开始时有较高的全局搜索能力,需要让麻雀种群的位置均匀分布在整个问题的解空间内,因此使用通过猫映射来生成改进算法的初始种群。猫映射表达式如下:
式中:a
根据猫映射的特点,在可行域中产生混沌序列并结合反向解初始化的方法步骤如下:
随机产生当前种群的一个可行解,记为:
{Y
则方向解为:
式中,q为区间[0,1]上均匀分布的实数,lb
使用自适应变异麻雀搜索优化算法建立优化模型,每只麻雀只有一个属性:位置,代表它找到的食物的位置。每只麻雀有三种可能的行为:包括探索者,跟随者以及预警者。
在D维解空间内每只麻雀的位置为:
式中,n为麻雀数量;d为待优化变量的维数;
适应度值为
式中,n为麻雀数量;F(X)为每一行的值代表个体适应度的值;
探索者位置和速度迭代方程如下:
由于
式中:t为当前迭代数;
追随者位置迭代公式如下:
式中:X
预警者位置迭代公式如下:
式中:β为步长控制参数,服从均值为0,方差为1的正态分布的随机数;
对于迭代中的每一个麻雀个体,通过比较其适应度和平均适应度的大小关系将混合变异扰动动态执行,增强算法的局部极值逃逸能力,改善其寻优效果。
Tent混沌映射存在小周期和不稳定周期点,为避免落入小周期点和不稳定周期点,在原有的Tent映射表达式上引入随机变量
式中:N为粒子个数。
使用标准的柯西分布进行变异处理,可以帮助变异之后的麻雀个体迅速跳出局部极值。柯西变异来源于连续型概率分布的柯西分布,主要特点为零处峰值较小,从峰值到零值下降缓慢,使变异范围更均匀。变异公式为:
mutation(x)=x(1+tan(π(u-0.5)))
式中:x为原来个体的位置,mutation(x)为经过柯西变异后的个体位置,u为(0,1)区间内的随机数。
探索者-跟随者自适应调整策略,该策略在迭代前期,探索者可以占种群数目的多数,随着迭代次数的增加,探索者的数目自适应减少,跟随者的数目自适应增加,逐步从全局搜索转为局部精确搜索,从整体上提高算法的收敛精度。探索者和跟随者数目调整公式如下:
pNum=r·N
sNum=(1-r)·N
式中:pNum为探索者数目;sNum为跟随者数目;b为比例系数,用于控制探索者和跟随者之间的数目,取值为1;k为扰动偏离因子对非线性递减的r值进行扰动。
探索者与追随者的数量占个体总数量的一定比例。所述预警者为整个群体中的随机个体。每次迭代生成的解通过基于网格划分的非支配排序方法进行排序,更新群体中发现者和跟随着的位置信息,并随机选取警戒者更新位置,群体中的个体在全局最优解的引导下搜索最优解。一组气侵特征参数在工程合理范围内的一组参数范围而不是一个确定的值。实际录井数据曲线与气侵模拟计算模型计算出的数据曲线动态时间规整距离较小为导向,对气侵特征参数进行反演。
综上,本发明的方法利用自适应变异麻雀搜索优化算法在不同气侵特征参数范围迭代计算出最优气侵特征参数。优化评估标准是动态时间规整(DTW)算法,用于描述实际录井数据曲线与计算数据曲线的相似性。这种方法有助于提前准备预防措施,降低事故风险,并最大限度地减少经济损失。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,虽然本发明已以较佳实施例揭露如上,然而并非用以限定本发明,任何熟悉本专业的技术人员,在不脱离本发明技术方案范围内,当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
- 一种基于井中岩石物性约束的航空-地面-井中磁异常数据联合反演方法
- 一种基于井中岩石物性约束的航空-地面-井中磁异常数据联合反演方法