[發明專利]多工況井底壓力預測方法、裝置、計算機設備及存儲介質

在審

• 申請號: 202210025698.7
• 申請日: 2022-01-11
• 公開（公告）號: CN114386272A
• 公開（公告）日: 2022-04-22
• 發明（設計）人: 祝兆鵬;宋先知;劉子豪;朱碩;李根生;黃中偉;田守嶒;王天宇;段世明
• 申請（專利權）人: 中國石油大學(北京)
• 主分類號: G06F30/20
• 分類號: G06F30/20;G06N3/04
• 代理公司: 北京三友知識產權代理有限公司 11127
• 代理人: 許曼;劉飛

1.一種多工況井底壓力預測方法，其特征在于，所述方法包括：

根據實時錄井數據，獲取實時工況；

確定所述實時工況的井底壓力預測模型，其中，各工況的井底壓力預測模型基于各工況與壓力相關的歷史輸入特征數據、各工況的歷史井底壓力數據及各工況的約束條件訓練得到，所述各工況的約束條件根據所述各工況的歷史輸入特征數據與歷史井底壓力數據的相關性和/或環空氣-液-固三相流動機理建立；

根據所述實時錄井數據，確定所述實時工況的輸入特征數據；

將所述實時工況的輸入特征數據輸入至所述實時工況的井底壓力預測模型，預測得到井底壓力。

2.根據權利要求1所述的多工況井底壓力預測方法，其特征在于，所述各工況的井底壓力預測模型訓練過程包括：

獲取各工況的歷史樣本數據集，每一工況的歷史樣本數據集包括多個樣本數據，每個樣本數據包括歷史輸入特征數據及歷史井底壓力數據；

根據所述環空氣-液-固三相流動機理，建立各工況的等式約束條件；

根據各工況的歷史輸入特征數據與相應的歷史井底壓力數據的相關性，建立各工況的不等式約束條件；

根據各工況的歷史樣本數據集、各工況的所述等式約束條件及不等式約束條件，構建各工況的損失函數；

利用各工況的所述的損失函數，訓練神經網絡模型中的參數，將各工況訓練得到的神經網絡模型作為各工況的井底壓力預測模型。

3.根據權利要求2所述的多工況井底壓力預測方法，其特征在于，根據各工況的歷史輸入特征數據與相應歷史井底壓力數據的相關性，建立各工況的不等式約束條件包括：

對于每一工況，計算該工況下所述歷史輸入特征數據中每一輸入特征數據與相應工況下歷史井底壓力數據的相關性；

將相關性低于第一預設閾值的輸入特征數據作為該工況的非敏感參數，將相關性高于第一預設閾值的輸入特征數據作為該工況的敏感參數；

根據該工況的所述敏感參數及所述非敏感參數，建立該工況的不等式約束條件。

4.如權利要求3所述的多工況井底壓力預測方法，其特征在于，對于每一工況，確定出該工況下的敏感參數之后，還包括：

將該工況下任意兩個敏感參數作為一敏感參數組，計算每個敏感參數組中敏感參數的相關性；

篩選出相關性大于第二預設閾值的敏感參數組；

從篩選出的每一敏感參數組中刪除其中一敏感參數。

5.根據權利要求2所述的多工況井底壓力預測方法，其特征在于，獲取各工況的所述歷史井底壓力數據集之后包括：

根據環空壓力計算公式估算各工況的井底壓力范圍；

將所述各工況的歷史樣本數據集中不滿足所述井底壓力范圍的樣本數據刪除。

6.根據權利要求3所述的多工況井底壓力預測方法，其特征在于，根據各工況的敏感參數及非敏感參數，建立各工況的不等式約束條件包括：

利用如下公式建立不等式約束條件：

其中，x表示各工況的敏感參數和非敏感參數，P和F(x,w,b)均表示神經網絡模型輸出的井底壓力表達式，w表示神經網絡中每一層的權重、b表示神經網絡中每一層的偏置。

7.根據權利要求2所述的多工況井底壓力預測方法，其特征在于，根據所述環空氣-液-固三相流動機理，建立各工況的等式約束條件包括：

利用如下公式建立等式約束條件:

使得A＝A_theory；其中，A_theory為環空氣-液-固三項流動機理中動量守恒方程，z表示各工況的定點垂深，P和F(x,w,b)均表示利用神經網絡預測的井底壓力表達式；t表示時間；m表示氣體、液體、固體三種組分中的一種；ρ_m表示密度；α_m表示平均流速；V_m表示氣體、液體、固體的體積分數；cosθ表示井斜角；g表示重力加速度；F_f表示環空與鉆井液的摩擦力，w表示神經網絡中每一層的權重、b表示神經網絡中每一層的偏置。