An Ordered Clustering Based Segmentation Method for Water Control Completion with AICD in Horizontal Wells
-
摘要:
目前水平井分段完井时主要依靠现场经验进行分段，尚未形成完善的分段方法，制约了控水完井技术的应用。为此，基于有序聚类方法，结合水平井筒流入剖面，以延长无水采油期和提高累计产油量为目标，建立了水平井AICD控水完井分段方法。模拟分析某非均质底水油藏发现：在水平井配产2 000 m3/d的情况下，与均匀分段和按测井渗透率分布非均匀分段2种AICD完井方案相比，该分段方法对应的无水采油期分别为延长了0.86 d和缩短了1.76 d，累计产油量分别提高了0.20×104 m3和0.11×104 m3；与射孔完井相比，无水采油期延长了17.88 d，累计产油量提高了4.48×104 m3。渤海油田某底水油藏现场试验结果表明，该分段方法能够解决水平井底水锥进问题，提高累计产油量。该分段方法进一步丰富了水平井控水完井分段理论，为水平井AICD控水完井技术的推广应用提供了支撑。
Abstract:Currently, the application of segregated completion technology in horizontal wells mainly relies on field experience, and an ideal segregated method has not yet been developed, which limits the application of water controls in completion. To extend the water-free production period and increase the cumulative oil production, a segregated completion method which involved water control in horizontal wells has been propose. This method is based on ordered clustering and combination with the distribution of inflow profile in horizontal wells. By means of an analysis using simulations, it is found that for a heterogeneous bottom-water reservoir with an assumed flow rate of 2000 m3/d in the horizontal wells that water free production period can be extended by 0.86 days, 1.76 days less compared with AICD completion programs. This calculation was based on uniform segregated method and the segregated method from logging permeability. After implementing the changes, the cumulative oil production increased by 0.20×104 m3 and 0.11×104 m3, respectively. Compared with perforation completion, the water free production period extended by 17.88 days and cumulative oil production increased by 4.48×104 m3. The field test results of a bottom water reservoir in the Bohai Oilfield show that the segregated method can effectively solve the problem of water coning in horizontal wells and improve cumulative oil production. This method further enriches the segmentation theory of water control completion in horizontal wells, and provides theoretical support in the application of water control completion using AICD in horizontal wells.
-
提高钻井时效是降本增效的重要手段，但目前通常对钻井时效进行事后人工分析，具有主观性和滞后性。随着机器学习和大数据技术的迅速发展，国内外很多学者开展了大数据和人工智能方法在石油工程中的应用研究，A. M. Alsalama等人[1]提出了一个包含所需数据挖掘和分析工具的集成系统，大大缩短了传统方法进行预警的时间；K. Balaji等人[2]从基础、理论和应用方面总结了数据驱动方法在石油天然气工程中的发展；刘刚[3]建立了基于多源信息的SVM自适应钻井井下故障预警模型；袁野[4]提出了基于SVM的井眼轨迹智能预测方法，建立了井眼的三维可视图，可以有效地控制井眼轨迹；孙万海[5]提出了一种基于PSO-SVM的钻井故障智能预警系统，提高了钻井质量；王江萍等人[6]提出应用神经网络技术对井漏、井塌、井涌及井喷等井下故障进行诊断。可见，目前国内外主要是运用大数据和机器学习对钻井故障进行预测及预防或研究相关理论问题，对工况识别的研究较少，且存在数据量小和缺乏现场实例验证等问题。YIN Qishuai等人[7]提出了一种基于程序的工况识别方法，很好地消除了人员对钻井工况识别的影响，但该方法基于编程语言，没有考虑前后数据之间的联系和钻井数据可能存在波动等问题。为此，笔者提出了一种普遍适用的纯数据驱动方法，利用支持向量机（support vector machine，SVM）识别钻井工况，减少不可见非生产时间，提高钻井作业效率；采用训练–测试的方式，训练数据为综合录井提供的实时数据，解决了传统方法对人员依赖大的缺点；在钻井工况识别中应用机器学习与数据驱动方法，同时允许数据存在一定的波动，克服了编程语言识别带来的问题。
1. 支持向量机模型
支持向量机是一种监督式学习模型，可以用于模式识别、分类和回归问题的分析。该模型是基于统计学习理论和结构风险最小化原则建立的，主要思想是建立一个线性分离超平面，将非线性输入映射到高维特征空间中，使正例和反例之间的隔离边缘被最大化[8–15]。支持向量机的原理如图1所示。图1中，x1和x2代表输入参数特征，w为核函数，b为偏置，l2代表数据分类的最佳方案。模型的输入为钻头位置、大钩载荷、机械钻速、钻压、大钩载荷、转速、扭矩、出口排量和立管压力等9种参数，输出包括倒划眼、接立柱、下套管、下钻及旋转钻进5种正常工况和钻塞等复杂工况。根据9种输入参数的特征，采用SVM将它们分为6种输出结果。
针对非线性分类问题，B. E. Boser等人[16]提出了将核技巧应用于最大边界超平面，从而创建非线性分类器的方法。经过不断发展，应用于SVM的核函数主要包括以下几种类型[17]。
线性核函数：
k(xi,xj)=(xi⋅xj) (1) 多项式核函数：
k(xi,xj)=(xi⋅xj+1)d (2) 径向基核函数：
k(xi,xj)=exp(−γ‖ (3) 两层感知器核函数：
k( {{{{x}}_i},{{{x}}_j}} ) = {\rm{tanh}}( {\kappa {{{x}}_i} \cdot {{{x}}_j} + c} ) (4) 式中：
{{{x}}_i},{{{x}}_j} 为空间中的2个向量；k为核函数；d,{\gamma },{\kappa },c 为系数。通过核函数处理，将非线性问题转化为线性问题，如图2所示。
笔者在研究中，利用SVM进行6个钻井工况的识别，识别结构如图3所示。收集现场22种钻井工况的录井数据，选择具有代表性的倒划眼、接立柱、下套管、下钻及旋转钻进等5种正常工况和钻塞等复杂工况共6种工况进行分析。结合研究中数据的使用情况，选取的参数包括钻头位置、大钩载荷、机械钻速、钻压、大钩高度、转速、扭矩、出口排量和立管压力。
2. 工况识别模型优化
为了提高工况识别的准确率，首先对数据进行[0，1]归一化处理，然后优选SVM核函数类型，并进行交叉验证，优化模型。
2.1 核函数优选
应用SVM时，关键是选择核函数，不同的核函数适用于不同的问题，对准确率有很大的影响。采用不同的核函数，对不同工况进行归一化处理，输出的结果如图4—图7所示。
![]()
图 7 两层感知器核函数的识别结果Figure 7. Identification results of kernel functions by two-layer perceptron4种核函数的识别准确率和计算时间的对比情况见表1。
表 1 不同核函数计算结果对比Table 1. Comparisons of calculation results with different kernel functions核函数 样本
数量准确识别
数量准确
率，%计算用时/s 线性核函数 600 568 94.67 0.511 966 多项式核函数 600 564 94.00 0.670 709 径向基核函数 600 581 96.83 0.581 977 两层感知器核函数 600 242 40.33 2.917 935 由表1可知，两层感知器核函数的识别准确率最低，且耗费时间最长；径向基核函数的识别准确率较高。
2.2 模型参数优选
利用SVM进行钻井工况识别时，得到的模型需要具有高的准确率和鲁棒性，采用交叉验证的方法，将原始数据分成K组，随机选取一组子集做验证集，其余K–1组子集做训练集，得到K个模型，最后选择准确率最高模型的性能指标[16]作为最终SVM的参数。
通过交叉验证可以选出最佳的惩罚函数c和核函数参数g，交叉验证的结果如图8所示（图8中，不同等高线表示c和g不同取值对应的准确率）。
由图8可知，
c > {2^{ - 1.5}} ，{2^{ - 1}} < g < {2^2} 时，准确率可达到97%以上，此时选取c最小的那组数据（这是因为，c值过高会出现过学习现象，即训练集的准确率满足一定的要求，但测试集准确率很低），即c=0.353 6，g=1.534 0（见图8中点A）。准确识别钻井工况后，就可以对钻井作业进行事后分析，识别不可见非生产时间，提高钻井效率，从而提高钻井的安全性和经济性。3. 模型准确性验证
选取4口井进行模型验证，以其中2口井的录井数据为训练集，其他2口井的录井数据为测试集，训练集和测试集SVM的识别结果如图9所示。从图9可以看出，训练集的识别准确率高于测试集，测试集中接立柱和旋转钻进的识别准确率最高，达到了97%，工况识别准确率总体达到95%以上，说明该方法在新样本中有很好的泛化性。
4. 钻井时效分析与应用
海上导管架平台因作业空间受限，通常在一个导管架平台上布置数十口井，这种井槽集中在一个区域的布井方式，形成了“批钻（一次性完成同一开次钻井作业）”作业模式。由于这些井的地层情况、钻井设计方案、钻井设备、施工队伍相似，所以在“批钻”模式下，同一井段的时效具有可比性。因此，采用基于支持向量机的钻井工况实时智能识别方法，进行工况识别、时效分析和时效辅助决策，实现提质增效。以南海某平台批钻作业为例，首先对一口井的三开录井数据进行学习，训练得到工况识别模型；然后根据其余14口已钻井的三开录井数据识别接立柱工况和分析钻井时效，从而指导待钻井的施工，提高接立柱的效率。具体应用步骤如下：
1）工况识别。利用B1井的三开录井数据，训练得到最优模型，然后使用该模型对其余14口已钻井的三开工况进行识别，并统计接立柱作业时间。
2）时效分析。为了得到三开中接立柱的平均时间，统计了前15口已钻井的三开接立柱时间（见图10）。由图10可知，10%的接立柱作业可在1.3 min内完成，50%的接立柱作业可在2.1 min内完成，90%的接立柱作业可在4.9 min内完成，接立柱作业的平均完成时间为2.5 min。
3）辅助决策。按照三开接立柱顺序分为4个阶段，第1阶段为第1—12根立柱，第2阶段为第13—24根立柱，第3阶段为第25—36根立柱，第4阶段为第37至最后所有的立柱，前15口井三开4个阶段的平均接立柱时间为2.5 min。
将得到的模型应用到新井中，实时判断得到第1—12根立柱的平均作业时间为2.7 min，大于前15口井的时间2.5 min，此时实时监测中心向平台发送“作业效率有待提高”的指令，指导下一阶段（第13—24根立柱）作业，并以此类推，完成全井段的时效分析，保证作业效率（见表2）。
表 2 不同层位接立柱时间统计Table 2. Time statistics for making up a stand of drill pip立柱序号 前期平均接
立柱时间/minSVM实时判断新井接
立柱时间/min现场决策 1—12 2.5 2.7 有待提高 13—24 2.6 有待提高 25—36 2.4 有所提高 37至最后 2.2 显著提高 4）现场施工应用。将该方法应用到6口新钻井的钻井施工中（包含上面提到的新钻井），各井三开接立柱作业的平均完成时间的变化如图11所示。由图11可以看出，每口新钻井的平均接立柱时间稳步下降，效率稳步提高，实现了提质增效。
5. 结 论
1）将机器学习的SVM方法应用于石油工程的钻井工况识别中，以提高钻井效率。
2）提出一种纯数据驱动的方法，并充分利用油田现场数据，减少了传统方法对人员经验的依赖，提高了识别准确率，缩短了工况识别所需时间。
3）利用SVM对6种钻井工况进行识别，通过优选核函数类型、进行交叉验证，逐步优化智能识别模型，不断提高模型识别的准确率，最终将识别准确率提高到了95%。
-
![]()
图 1 无因次损失函数随分段数的变化趋势
Figure 1. Trend of dimensionless loss function with segmentation number
![]()
图 2 基于有序聚类的水平井分段流程
Figure 2. Ordered clustering-based segmentation flowchart for horizontal wells
![]()
图 4 水平井射孔完井对应的流入剖面
Figure 4. Inflow profile of horizontal well for perforation completion
![]()
图 5 不同完井分段方案对应的无水采油期
Figure 5. Water free production period for different completion programs
![]()
图 6 不同完井分段方案对应的累计产油量
Figure 6. Cumulative oil production for different completion programs
表 1 最小分类损失函数
Table 1 Minimum loss function for classification
节点
序号不同分段数对应的最小分类损失函数 2 3 4 5 6 7 3 0.125(3) 4 0.145(3) 0.020(3) 5 0.145(3) 0.020(3) 0.005(4) 6 5.613(3) 0.145(6) 0.020(6) 0.005(6) 7 8.277(3) 0.165(6) 0.040(6) 0.020(7) 0.005(7) 8 9.600(3) 0.225(6) 0.100(6) 0.040(7) 0.020(8) 0.005(8) 
下载: 导出CSV
表 2 某底水油藏的储层参数和井筒参数
Table 2 Reservoir and wellbore parameters of a certain bottom-water reservoir
参数 数值 参数 数值 油藏长度/m 2 400 地层水体积系数 1.02 油藏宽度/m 1 050 原油压缩系数/（10–7MPa–1） 3 油藏厚度/m 15 水压缩系数/（10–7MPa–1） 3 油藏顶部深度/m 2 000 岩石压缩系数/（10–7MPa–1） 4 油水界面深度/m 2 030 束缚水饱和度 0.38 油藏原始压力/MPa 21 残余油饱和度 0.24 水平渗透率/mD 1 100～
3 540井深/m 2 009 孔隙度，% 25 水平井长度/m 2 000 原油密度/（kg·m–3） 870 避水高度/m 10 地层水密度/（kg·m–3） 1 000 水平井筒直径/mm 200 原油黏度/（mPa·s） 7.0 套管外径/mm 139.7 地层水黏度/（mPa·s） 0.7 套管内径/mm 121.36 原油体积系数 1.20 套管粗糙度/mm 0.1
下载: 导出CSV
-
[1] 汪志明．复杂结构井完井优化理论及应用[M]．北京: 石油工业出版社, 2010: 134–142． WANG Zhiming. Theory and application of well completion optimization for complex structures[M]. Beijing: Petroleum Industry Press, 2010: 134–142.
[2] 熊友明,刘理明,张林,等. 我国水平井完井技术现状与发展建议[J]. 石油钻探技术, 2012, 40(1): 1–6. doi: 10.3969/j.issn.1001-0890.2012.01.001 XIONG Youming, LIU Liming, ZHANG Lin, et al. Present status and development comments on horizontal well completion techniques in China[J]. Petroleum Drilling Techniques, 2012, 40(1): 1–6. doi: 10.3969/j.issn.1001-0890.2012.01.001
[3] 赵勇,杨海波,何苏荣. 胜利低渗油田水平井筛管分段控流完井技术[J]. 石油钻探技术, 2012, 40(3): 18–22. doi: 10.3969/j.issn.1001-0890.2012.03.004 ZHAO Yong, YANG Haibo, HE Surong. Well completion technique with screen pipe controlling flow by segments in horizontal well of low permeability reservoirs in Shengli Oilfield[J]. Petroleum Drilling Techniques, 2012, 40(3): 18–22. doi: 10.3969/j.issn.1001-0890.2012.03.004
[4] BIRCHENKO V M, BEJAN A I, USNICH A V, et al. Application of inflow control devices to heterogeneous reservoirs[J]. Journal of Petroleum Science and Engineering, 2011, 78(2): 534–541. doi: 10.1016/j.petrol.2011.06.022
[5] 曾泉树,汪志明,王小秋,等. 一种新型AICD的设计及其数值模拟[J]. 石油钻采工艺, 2015, 37(2): 101–106. ZENG Quanshu, WANG Zhiming, WANG Xiaoqiu, et al. A new type design of AICD and its numerical simulation[J]. Oil Drilling & Production Technology, 2015, 37(2): 101–106.
[6] WANG Zhiming, WEI Jianguang, JIN Hui. Partition perforation optimization for horizontal wells based on genetic algorithms[J]. SPE Drilling & Completion, 2011, 26(1): 52–59.
[7] 汪志明,徐静,王小秋,等. 水平井两相流变密度射孔模型研究[J]. 石油大学学报(自然科学版), 2005, 29(3): 65–69. WANG Zhiming, XU Jing, WANG Xiaoqiu, et al. Study on variable density perforating model of two-phase flow in horizontal wells[J]. Journal of the University of Petroleum, China (Edition of Natural Science), 2005, 29(3): 65–69.
[8] 张林,蒲军宏,邹磊,等. 关于水平井合理分段优化研究[J]. 天然气地球科学, 2012, 23(2): 370–374. ZHANG Lin, PU Junhong, ZOU Lei, et al. Optimization of open intervals of selectively completed horizontal wells[J]. Natural Gas Geoscience, 2012, 23(2): 370–374.
[9] 易勇刚,张传新,于会永,等. 新疆油田水平井分段完井注汽技术[J]. 石油钻探技术, 2012, 40(6): 79–83. doi: 10.3969/j.issn.1001-0890.2012.06.017 YI Yonggang, ZHANG Chuanxin, YU Huiyong, et al. Segregated completion and subsection steam injection for horizontal wells in Xinjiang Oilfield[J]. Petroleum Drilling Techniques, 2012, 40(6): 79–83. doi: 10.3969/j.issn.1001-0890.2012.06.017
[10] TODMAN S, WOOD G, JACKSON M D. Modelling and optimizing inflow control devices[R]. SPE 188012, 2017.
[11] LUO Wei, LI Haitao, WANG Yongqing, et al. A new semi-analytical model for predicting the performance of horizontal wells completed by inflow control devices in bottom-water reservoirs[J]. Journal of Natural Gas Science and Engineering, 2015, 27: 1328–1339. doi: 10.1016/j.jngse.2015.03.001
[12] WANG Jing, LIU Huiqing, LIU Yongge, et al. Mechanism and sensitivity analysis of an inflow control devices (ICDs) for reducing water production in heterogeneous oil reservoir with bottom water[J]. Journal of Petroleum Science and Engineering, 2016, 146: 971–982. doi: 10.1016/j.petrol.2016.08.007
[13] 安永生,张宁,张恒. 水平井ICD控水完井一体化耦合数值模拟研究[J]. 中国海上油气, 2017, 29(2): 109–113. AN Yongsheng, ZHANG Ning, ZHANG Heng. Numerical simulation study on the coupling of horizontal wells with ICD water control completion[J]. China Offshore Oil and Gas, 2017, 29(2): 109–113.
[14] 孙荣华,陈阳,王绍先,等. 水平井分段控流完井技术应用效果评价方法[J]. SUN Ronghua, CHEN Yang, WANG Shaoxian, et al. Evaluating the application effect for staged fluid control completion technology in horizontal wells[J doi: doi:10.11911/syztjs.2019089 [15] ZHANG Rui, LI Yinghao, YANG Bin, et al. A segmenting method of long horizontal wellbore for staged sand control completion based on multi-dimension sequential clustering[J]. Journal of Petroleum Science and Engineering, 2019, 172: 1215–1225.
[16] FISHER W D. On grouping for maximum homogeneity[J]. Journal of the American Statistical Association, 1958, 53(284): 789–798. doi: 10.1080/01621459.1958.10501479
[17] 李文婧,孙锋,李茜瑶,等. 采用递归有序聚类的信号控制时段划分方法[J]. 浙江大学学报(工学版), 2018, 52(6): 1150–1156. doi: 10.3785/j.issn.1008-973X.2018.06.014 LI Wenjing, SUN Feng, LI Xiyao, et al. Time-of-day breakpoints for traffic signal control using dynamic recurrence order clustering[J]. Journal of Zhejiang University (Engineering Science), 2018, 52(6): 1150–1156. doi: 10.3785/j.issn.1008-973X.2018.06.014
[18] 中国石油大学（华东）．一种兼顾控水和防砂的水平井分段设计方法: CN201810141451.5[P]．2018-02-11． China University of Petroleum (East China). A segmenting method of horizontal well considering water control and sand control: CN201810141451.5[P].2018-02-11.
-
期刊类型引用(1)
1. 何雨，孟鐾桥，郑友志，吴柄燕，赵军，李斌. 渝西区块页岩气钻井防漏堵漏技术研究. 石油工业技术监督. 2023(07): 58-62 . 
百度学术
其他类型引用(0)
计量
- 文章访问数: 1122
- HTML全文浏览量: 370
- PDF下载量: 54
- 被引次数: 1
