基于神经网络模型的水平井破裂压力预测方法

破裂压力是井身结构设计的基础依据,也是水力压裂设备选型和方案设计的基础参数,通常采用测井解释获取破裂压力剖面,但其存在参数准确获取难、计算过程繁琐、普适性较差、计算精度低等问题,机器学习提供了一种解决这些问题的新方法。为此,以测井数据作为输入参数,采用4种不同的神经网络模型,建立水平井测井数据与破裂压力间的非线性关系,通过测试集预测结果的对比分析,优选出最佳的神经网络模型,并优化模型网络结构和超参数,实现水平井破裂压力的直接预测。研究结果表明：1)破裂压力与井斜角、横波时差和纵波时差表现为极强相关性,与井深、岩性密度和补偿中子表现为强相关性,与井径和自然伽马表现为弱相关性;2)不同组合的测井参数对模型预测结果具有显著影响,最优输入参数为井斜角、横波时差、纵波时差、井深、岩性密度和补偿中子;3)对比多层感知机、深度神经网络、循环神经网络和长短期记忆神经网络(LSTM)模型,发现LSTM模型的预测效果最佳;4)优化了LSTM模型的网络结构及超参数,优化后破裂压力预测的平均绝对百分比误差为0.106%、决定系数为0.996。LSTM模型能够有效构建水平井测井参数与破裂压力之间的非线性关系,可...     

定向井破裂压力预测方法及计算参数敏感性分析

定向井破裂压力预测是正确设计安全钻井液密度窗口,确保井壁稳定,减少井漏、井塌而引起的井下事故的基础。利用测井资料可以方便快捷地计算定向井破裂压力,使用Eaton模型、Stephen模型和多孔弹性模型对4口井3个深度点分别进行了地层破裂压力计算分析,并给出了3种方法计算地层破裂压力的误差,结果表明多孔介质弹性斜井模型更为适应任意井斜、方位的斜井,可达到较高的精度。同时,对影响该模型中破裂压力大小的计算参数进行了敏感性分析,为准确分析定向井破裂压力提供了重要技术参数。     

基于灰色神经网络的测井预测地层破裂压力

在新兴的信息处理技术中,灰色系统预测法和神经网络预测法都可用来解决精细测井解释和油藏描述中的模式识别和参数预测等问题。基于灰色GM(0,N)静态模型和BP神经网络模型,提出了一种新的参数估算方法即灰色神经网络判释法,由此分析了利用测井资料预测地层破裂压力的可行性。以H盆地中部气田为实例,综合应用现场试采测压资料和测井资料,建立了该气田石盒子组马家沟组地层破裂压力的灰色BP神经网络预测模型,成功地处理了该区25口气井(油井)资料。结果表明,该法简便好用,预测精度高,为应用测井资料预测地破裂层压力开拓了一条新的途径。     

基于随钻测井数据预测破裂压力

破裂压力是判断岩石是否起裂的重要依据，而现有的随钻测井资料仅能解释地应力、弹性模量等参数，缺乏对破裂压力的解释。为了准确预测破裂压力并降低施工压力和风险，基于MH地区的FSI(Flow Scanner Image)仪器测试的产出剖面测井资料，区分泡酸与不泡酸两种方式分别建立广义回归神经网络(GRNN)模型，对该地区油井开发进行破裂压力预测，并运用交叉验证方法得出光滑因子（σ），通过与真实破裂压力值对比验证模型的准确性，并与BP神经网络和H-W模型的预测结果进行对比分析，再基于此预测给出泡酸建议。结果表明： GRNN模型预测结果与实际破裂压力更接近，且均方根误差为4. 54%，平均百分比误差为0. 03%，均优于BP神经网络和H-W模型。GRNN模型不受地质条件影响且预测精度高，操作简便，可用于该地区破裂压力预测，也可作为后续井FSI仪器流动扫描的替代，不但可以为同类地区的施工提供借鉴，而且可以为同地区开发资源节约成本。     

酸损伤降低岩石破裂压力计算新方法

地层岩石难以破裂是深层、致密油气藏压裂改造的瓶颈问题,酸损伤技术是降低破裂压力的新型技术。岩石经强酸损伤后,孔隙空间增加;定义孔隙度的变化为损伤变量,并将损伤变量引入破裂压力预测模型。利用砂岩酸化模型计算损伤变量,并基于损伤变量预测酸损伤后的破裂压力,形成破裂压力变化图版。研究结果表明:当损伤变量大于0.2时,破裂压力降低幅度明显;酸损伤施工参数对损伤变量有明显影响。采用优选的施工参数即注酸强度为2.0 m3/m,HF酸浓度为3.0%,排量为1.5~2.0 m3/min,X井破裂压力降低12.1 MPa。模型预测与矿场结果吻合程度高,验证了模型的正确性。     

基于LSTM神经网络深度序列机械钻速实时预测

机械钻速是钻井优化、缩短钻井周期的关键因素,传统的机械钻速预测大多是在钻井后进行钻井分析,预测效率和精度低、地层适用性不广。为了以更高效的方法预测得到高精度机械钻速,提出基于长短期记忆(LSTM)神经网络的深度序列机械钻速预测方法。采集实时钻井数据集,使用皮尔逊相关系数衡量各特征之间的相关性,筛选出井深、伽玛射线、地层密度、孔隙压力、井径、钻时、排量、钻井液密度等8个参数。构建LSTM神经网络模型,训练LSTM模型并预测ROP,对预测结果进行分析,并用决定系数(R²)、均方根误差(RMSE)、平均绝对百分比误差(MAPE)等指标对LSTM模型、BP模型和SVM模型性能进行对比分析。结果表明：LSTM模型其R²、RMSE和MAPE的值分别为0.948、1.151和17.075,相较于BP模型和SVM模型,其R²更大,RMSE和MAPE较小,说明LSTM模型预测性能更好。该方法有助于钻井工程师和决策者提前获得钻井信息,从而更好地规划钻井作业,缩短钻井周期,同时为钻井参数预测提供新的途径,能改善以往预测方法在处理复杂地层问题时...     

基于GABP技术的PCA弥苴河水质预测

针对传统的水质预测方法中由于因子的多重相关性而造成的预测精度偏低的问题,提出了一种将主成分分析法(PCA)和遗传算法优化的BP神经网络(GABP)相耦合的水质预测方法.利用主成分分析法提取对水质因子影响较强的综合成分,克服了传统水质预测方法中信息冗余的问题.在对大理弥苴河水质进行大量实际监测的基础上,分别采用PCA-GABP神经网络,GABP神经网络以及传统的BP神经网络3种模型的方法,建立了弥苴河水质高锰酸盐指数的的预测模型.通过数据预处理,筛选了600组数据进行训练学习和测试.通过对3个模型的预测误差分析对比,可以得出PCA-GABP神经网络预测模型精度更高.     

基于径向基函数网络的煤层破裂压力预测方法

为了获得准确的破裂压力预测值,本文引入径向基函数(RBF)神经网络模型对煤层破裂压力进行解释。通过对收集的200余层资料进行了拟合和预测破裂压力,优选径向基函数网络模型,对其中150层资料进行拟合,得到拟合精度达到92.01%,同时利用训练的径向基函数网络模型,对剩余井层中的20层资料进行了预测,预测精度达到89.85%,解决了传统方法预测效果误差大的问题,该结果利用径向基函数网络模型预测煤层气井的破裂压力准确度高,可以推广应用。     

基于BP神经网络的深部地层压力预测技术

地层压力的准确预测是优质高效安全钻井、减少井下复杂情况、合理开发油气层的基础.由于地层压力的实测方法费用较高、周期长,且影响钻井安全,因此提出一种基于神经网络技术的地层孔隙压力预测新方法,并详细论述了神经网络预测模型的建立过程.该方法以声波时差、自然电位、自然伽马数等测井数据及钻杆压力测试数据为学习样本,具有十分高的准确度.对大庆油田萨尔图和杏树岗两个区块的地层压力进行实例预测,预测结果表明,其预测结果与实测结果的相对误差<±8.9%.     

基于数据驱动的气化炉出口温度在线测量

为实时监控气流床气化炉的气化温度和运行状态，收集气化炉激冷系统和反应系统等系统的可测量数据，采用理论计算模型和遗传算法改进的BP(GABP)神经网络模型对气化炉出口温度进行预测，并与工业测量数据进行对比分析。结果表明，由激冷系统理论计算模型可以得到气化炉出口温度，但因测量参数敏感度低，导致温度预测精度和稳定性较差。采用GABP神经网络模型总体上可以提高预测温度的精度和稳定性，但反应系统中由于煤量波动和煤质数据缺乏等原因，导致部分区间预测误差较大；采用激冷系统参数可大幅提高绝大部分区间内温度的预测精度，预测误差保持在15 K以下，可满足不同工况下的气化炉温度实时在线监测需要。