[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

本文涉及油氣勘探領域，尤其涉及一種多工況井底壓力預測方法、裝置、計算機設備及存儲介質。該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。

技術領域

本文涉及油氣勘探領域，尤其是一種多工況井底壓力預測方法、裝置、計算機設備及存儲介質。

背景技術

隨著油氣勘探開發的不斷深入，油氣勘探開發逐漸向深層、超深層和低滲透等非常規油氣資源快速延伸。

現有的井筒壓力預測是基于環空多相流動機理模型，在復雜的地質和工程條件下模型復雜度高、計算耗時長且精度不足，另一方面在高溫高壓的工作環境下，通過井下測量裝置測取井底壓力，測量成本高。

現有的井筒壓力智能預測模型大多是直接將智能算法與大量地質、工程大數據相結合建立的機器學習或者深度學習模型，這類模型受訓練數據質量的影響較大，盡管能夠在一定程度上提升井底壓力預測的平均精度，但預測結果的波動性較大，異常值較多，模型的穩定性和泛化性能仍有待提升。

針對的問題現有技術中井筒壓力預測結果波動大、測量成本高的問題，迫切需要研究一種多工況井底壓力預測方法。

發明內容

為解決上述現有技術的問題，本文實施例提供了一種多工況井底壓力預測方法。通過添加機理約束的方法，可實現算法和機理的深度融合，在保證神經網絡模型預測精度的同時，可以使預測結果更加符合預測目標的變化機理，減少預測結果的異常值和波動值，有效提升神經網絡模型的穩定性和泛化能力。為深層高溫高壓鉆井氣侵條件下井底壓力高效預測和精細調控提供技術支撐和重要參考。

本文實施例提供了一種多工況井底壓力預測方法，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。

根據本文實施例的一個方面，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。

根據本文實施例的一個方面，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。

根據本文實施例的一個方面，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。