一种基于物理约束的井筒压力智能控制方法及装置制造方法及图纸

本文提供了一种基于物理约束的井筒压力智能控制方法及装置，方法包括：获取在钻井的控压钻井数据；根据在钻井的控压钻井数据及节流阀开度调节模型的输入参数，构建输入向量，节流阀开度调节模型利用约束条件、神经网络及完钻参考井的历史控压钻井数据训练，约束条件由约束参数与节流阀开度的关联关系建立；将输入向量输入至节流阀开度调节模型中，得到预测节流阀开度；将预测节流阀开度输入至及井底压力计算模型中，得到预测计算井底压力；判断预测计算井底压力与目标井底压力之差是否在预设范围内，若否，则更新输入向量，返回执行预测过程，若是，则按照预测节流阀开度调节节流阀。本文能够有效提高节流阀开度调节模型的稳定性和泛化能力。性和泛化能力。性和泛化能力。

【技术实现步骤摘要】
一种基于物理约束的井筒压力智能控制方法及装置


[0001]本文涉及油气井钻井
，尤其涉及一种基于物理约束的井筒压力智能控制方法及装置。

技术介绍

[0002]随着油气勘探开发的不断深入，油气勘探开发的重点向深层、超深层发展。但深部地层往往具有温度高、地层压力大、安全钻井液密度窗口窄的特点，若钻井工艺措施不当极易发生溢流、气侵等复杂井下情况，因此准确控制井筒压力并使其略高于地层压力是实现在深部高温高压地层中安全钻进的关键技术。
[0003]传统的井筒压力控制是基于PID控制器等算法实现的，该种井筒压力控制方法在复杂地层条件下存在控制精度低、稳定性差、可靠性低的问题，且由于其控制参数相对固定，无法自适应调整导致其鲁棒性不强，易产生超调现象，进而导致井漏风险大大增加。
[0004]近年来，人工智能技术在油气勘探开发领域的优势逐渐凸显，已广泛应用于工况诊断，参数优化等方面，并取得了良好的效果。但由于缺乏机理模型和传统经验知识的约束，导致其在稳定性和可靠性方面仍有欠缺。

技术实现思路

[0005]本文用于解决现有人工智能应用于井筒压力控制时，未分析控压钻井数据中与节流阀开度相关的约束参数，也未建立约束条件，因此存在井筒压力控制稳定性和可靠性差的问题。
[0006]为了解决上述技术问题，本文的第一方面提供一种基于物理约束的井筒压力智能控制方法，包括：
[0007]获取在钻井的控压钻井数据；
[0008]根据所述在钻井的控压钻井数据及节流阀开度调节模型的输入参数，构建输入向量，其中，所述输入参数包括节流阀开度的约束参数及非约束参数，所述非约束参数至少包括目标井底压力及计算井底压力，所述节流阀开度调节模型利用约束条件、神经网络及完钻参考井的历史控压钻井数据训练得到，所述约束条件由约束参数与节流阀开度的关联关系建立；
[0009]执行如下预测过程：将所述输入向量输入至节流阀开度调节模型中，得到预测节流阀开度；将所述预测节流阀开度输入至及井底压力计算模型中，得到预测计算井底压力；
[0010]判断所述预测计算井底压力与目标井底压力之差是否在预设范围内，若否，则更新所述输入向量，继续执行所述预测过程，若是，则按照所述预测节流阀开度调节节流阀。
[0011]作为本文的进一步实施例中，所述节流阀开度调节模型的输入参数的确定过程包括：
[0012]获取所述完钻参考井的历史控压钻井数据及节流阀开度；
[0013]对历史控压钻井数据及节流阀开度进行异常值及缺失值处理；
[0014]根据处理后控压钻井数据及节流阀开度，计算控压钻井数据中各参数与节流阀开度之间的相关性；
[0015]筛选出相关性大于预定值的参数；
[0016]分析筛选出参数与节流阀开度的变化规律；
[0017]将变化规律为与井底压力跟随变化的参数作为约束参数，将变化规律为非跟随变化的参数作为非约束参数。
[0018]作为本文的进一步实施例中，所述节流阀开度调节模型训练过程包括：
[0019]根据所述完钻参考井的历史控压钻井数据，构建多组样本数据，每组样本数据包括输入参数值及对应调控后节流阀开度真实值；
[0020]将所述节流阀开度的约束参数及非约束参数作为输入，将调控后节流阀开度作为输出，建立神经网络模型；
[0021]根据样本数据及所述神经网络模型，构建误差损失函数；
[0022]根据节流阀开度的约束参数与节流阀开度的关联关系，建立约束条件；
[0023]根据所述误差损失函数及约束条件，求解所述神经网络模型中的参数。
[0024]作为本文的进一步实施例中，根据节流阀开度的约束参数与节流阀开度的关联关系建立约束条件包括：
[0025]基于井筒环空多相流动机理和/或节流阀开度的约束参数与节流阀开度的变化规律，确定各节流阀开度的约束参数与节流阀开度的关联关系；
[0026]利用所述神经网络模型的节流阀开度表达式，将各节流阀开度的约束参数与节流阀开度的关联关系转换为不等式约束条件。
[0027]作为本文的进一步实施例中，所述节流阀开度的约束参数包括：井底压力误差、钻井液流量及钻井液密度；
[0028]所述节流阀开度的非约束参数还包括：垂深及钻井液黏度。
[0029]作为本文的进一步实施例中，利用所述神经网络模型的节流阀开度的数学表达式，将各节流阀开度的约束参数与节流阀开度的关联关系转换为不等式约束条件包括：
[0030]利用如下公式建立不等式约束条件：
[0031][0032][0033][0034][0035]其中，A
i
、B
i
、C
i
、D
i
为各样本数据下的约束条件，u＝F(W1,...,W
j
,...,W
m
,b1,...,b
j
,...,b
m
)为神经网络模型输出的节流阀开度表达式，ρ为钻井液密度，m为神经网络模型的层数，W1,...,W
j
,...,W
m
为各神经网络模型中各层的权重，b1,...,b
j
,...,b
m
为各神经网络模型中各层的偏置，q为钻井液流量，e为井底压力误差。
[0036]作为本文的进一步实施例中，根据所述误差损失函数及约束条件，求解所述神经网络模型中的参数包括：
[0037]将误差损失函数及约束条件组成的方程组转换为无约束方程；
[0038]利用智能优化算法，求解无约束方程以确定所述神经网络模型中的参数。
[0039]本文的第二方面提供一种基于物理约束的井筒压力智能控制装置，包括：
[0040]获取单元，用于获取在钻井的控压钻井数据；
[0041]处理单元，用于根据所述在钻井的控压钻井数据及节流阀开度调节模型的输入参数，构建输入向量，其中，所述输入参数包括节流阀开度的约束参数及非约束参数，所述非约束参数至少包括目标井底压力及计算井底压力，所述节流阀开度调节模型利用约束条件、神经网络及完钻参考井的历史控压钻井数据训练得到，所述约束条件由约束参数与节流阀开度的关联关系建立；
[0042]预测单元，用于执行如下预测过程：将所述输入向量输入至节流阀开度调节模型中，得到预测节流阀开度；将所述预测节流阀开度输入至及井底压力计算模型中，得到预测计算井底压力；
[0043]执行单元，用于判断所述预测计算井底压力与目标井底压力之差是否在预设范围内，若否，则更新所述输入向量，由所述预测单元继续执行所述预测过程，若是，则按照所述预测节流阀开度调节节流阀。
[0044]本文的第三方面提供一种计算机设备，包括存储器、处理器、以及存储在所述存储器上的计算机程序，所述计算机程序被所述处理器运行时，执行根据前述任一实施例所述方法的指令。
[0045]本文的第四方面提供一种计算机存储介质本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于物理约束的井筒压力智能控制方法，其特征在于，包括：获取在钻井的控压钻井数据；根据所述在钻井的控压钻井数据及节流阀开度调节模型的输入参数，构建输入向量，其中，所述输入参数包括节流阀开度的约束参数及非约束参数，所述非约束参数至少包括目标井底压力及计算井底压力，所述节流阀开度调节模型利用约束条件、神经网络及完钻参考井的历史控压钻井数据训练得到，所述约束条件由约束参数与节流阀开度的关联关系建立；执行如下预测过程：将所述输入向量输入至节流阀开度调节模型中，得到预测节流阀开度；将所述预测节流阀开度输入至及井底压力计算模型中，得到预测计算井底压力；判断所述预测计算井底压力与目标井底压力之差是否在预设范围内，若否，则更新所述输入向量，继续执行所述预测过程，若是，则按照所述预测节流阀开度调节节流阀。2.如权利要求1所述的方法，其特征在于，所述节流阀开度调节模型的输入参数的确定过程包括：获取所述完钻参考井的历史控压钻井数据及节流阀开度；对历史控压钻井数据及节流阀开度进行异常值及缺失值处理；根据处理后控压钻井数据及节流阀开度，计算控压钻井数据中各参数与节流阀开度之间的相关性；筛选出相关性大于预定值的参数；分析筛选出参数与节流阀开度的变化规律；将变化规律为与井底压力跟随变化的参数作为约束参数，将变化规律为非跟随变化的参数作为非约束参数。3.如权利要求2所述的方法，其特征在于，所述节流阀开度调节模型训练过程包括：根据所述完钻参考井的历史控压钻井数据，构建多组样本数据，每组样本数据包括输入参数值及对应调控后节流阀开度真实值；将所述节流阀开度的约束参数及非约束参数作为输入，将调控后节流阀开度作为输出，建立神经网络模型；根据样本数据及所述神经网络模型，构建误差损失函数；根据节流阀开度的约束参数与节流阀开度的关联关系，建立约束条件；根据所述误差损失函数及约束条件，求解所述神经网络模型中的参数。4.如权利要求3所述的方法，其特征在于，根据节流阀开度的约束参数与节流阀开度的关联关系，建立约束条件包括：基于井筒环空多相流动机理和/或节流阀开度的约束参数与节流阀开度的变化规律，确定各节流阀开度的约束参数与节流阀开度的关联关系；利用所述神经网络模型的节流阀开度的数学表达式，将各节流阀开度的约束参数与节流阀开度的关联关系转换为不等式约束条件。5.如权利要求4所述的方法，其特征在于，所述节流阀开度的约束参数包括：井底压力误差、钻井液流量及钻井液密度；所述节流阀开度的非约束参数还包括：垂深及钻井液黏度。6.如权利要求5所述的方法，其特征在于，利用所述神经网络模型的节流阀开度的数据
表达式，将各节流阀开度的...

【专利技术属性】
技术研发人员：祝兆鹏，宋先知，姚学喆，李根生，黄中伟，段世明，胡晓丽，余簿文，
申请(专利权)人：中国石油大学北京，
类型：发明
国别省市：