井控制方法

申请号 CN200780007908.3 申请日 2007-01-01 公开(公告)号 CN101395545B 公开(公告)日 2011-03-16
申请人 哈利伯顿能源服务公司; 发明人 萨拉·沙耶吉; 克雷格·戈弗雷; 陈丁丁; 罗杰·L·舒尔茨;
摘要 本 发明 提供一种井控制系统及相关方法。该井控制方法包括以下步骤:钻挖井眼,以及在该井眼和储油层之间发生流量变化之前预测该流量变化,该预测步骤在该钻挖步骤期间执行,且该流量变化出现在该钻挖步骤期间。另一个井控制方法包括以下步骤:在钻挖井眼时感测至少一个第一钻挖操作变量,从而产生第一感测变量;在钻挖所述井眼时感测至少一个第二钻挖操作变量,从而产生第二感测变量;以及利用所述第一感测变量和第二感测变量来训练预测装置,以预测在 选定 时间的第二钻挖操作变量。
权利要求

1.一种井控制方法,包括以下步骤:
钻挖步骤,钻挖井眼,从而延伸该井眼;以及
预测步骤,在该井眼和储油层之间出现流量变化之前预测该流量变化,该预测步骤在该钻挖步骤期间执行,且该流量变化出现在延伸该井眼之时。
2.如权利要求1所述的方法,其中该流量变化是流体从该储油层流入该井眼的增长速率。
3.如权利要求1所述的方法,其中该预测步骤由预测装置执行。
4.如权利要求3所述的方法,其中所述预测装置包括神经网络。
5.如权利要求3所述的方法,其中所述预测装置包括人工智能装置。
6.如权利要求3所述的方法,其中所述预测装置包括遗传算法
7.如权利要求3所述的方法,其中所述预测装置执行回归分析。
8.如权利要求3所述的方法,其中所述预测装置使用粒度计算。
9.如权利要求3所述的方法,其中所述预测装置包括自适应模型。
10.如权利要求9所述的方法,其中将初始原理模型的输出输入到所述自适应模型中。
11.如权利要求3所述的方法,其中所述预测装置包括用于归纳实际系统的非线性函数。
12.如权利要求3所述的方法,其中所述预测装置包括浮点处理装置。
13.如权利要求3所述的方法,其中所述预测步骤包括基于所述预测装置针对项目所输出的导数,调整所述预测装置中的所述项目。
14.如权利要求3所述的方法,还包括训练步骤,训练所述预测装置。
15.如权利要求14所述的方法,其中所述训练步骤还包括将在所述钻挖步骤期间获得的数据输入到所述预测装置中。
16.如权利要求14所述的方法,其中所述训练步骤还包括将在钻挖至少一个先期井眼时获得的数据输入到所述预测装置中。
17.如权利要求14所述的方法,其中所述训练步骤还包括将用以指示由所述预测装置产生的预测中的早前误差的数据输入到所述预测装置中。
18.如权利要求1所述的方法,其中在所述井眼中的欠平衡状态下执行所述钻挖步骤。
19.如权利要求1所述的方法,其中在所述井眼中的平衡状态下执行所述钻挖步骤。
20.如权利要求1所述的方法,其中在所述井眼中的过平衡状态下执行所述钻挖步骤。
21.如权利要求1所述的方法,其中在流体从所述储油层流入所述井眼时执行所述钻挖步骤。
22.如权利要求1所述的方法,其中所述钻挖步骤包括将流体从所述储油层环流至表面位置
23.如权利要求1所述的方法,其中在所述井眼和所述储油层之间的所述流量变化出现在所述预测步骤之后。
24.如权利要求1所述的方法,其中所述流量变化是从所述井眼流到所述储油层的增长速率。
25.如权利要求1所述的方法,其中所述预测步骤还包括在所述钻挖步骤期间预测井底孔压变化。
26.如权利要求1所述的方法,其中所述预测步骤包括执行在非线函数上的回归。
27.如权利要求1所述的方法,还包括改变步骤,响应所述预测步骤而改变流过阻塞的约束。
28.如权利要求27所述的方法,其中所述改变步骤改变了所预测的流量变化。
29.一种井控制方法,包括以下步骤:
在延伸井眼时感测钻挖操作变量,从而产生感测变量;
间歇地传送所述感测变量;以及
利用所述感测变量来训练预测装置,以预测在所述感测变量的传送之间出现的所述钻挖操作变量的值,其中该钻挖操作变量是储油层和该井眼之间的流速变化。
30.如权利要求29所述的方法,其中在所述井眼中执行感测步骤。
31.如权利要求29所述的方法,其中在表面位置上执行感测步骤。
32.如权利要求29所述的方法,其中所述预测装置包括神经网络。
33.如权利要求29所述的方法,其中所述预测装置包括人工智能装置。
34.如权利要求29所述的方法,其中所述预测装置包括遗传算法
35.如权利要求29所述的方法,其中所述预测装置执行回归分析。
36.如权利要求29所述的方法,其中所述预测装置使用粒度计算。
37.如权利要求29所述的方法,其中所述预测装置包括自适应模型。
38.如权利要求37所述的方法,其中将初始原理模型的输出输入到所述自适应模型中。
39.如权利要求29所述的方法,其中所述预测装置包括用于归纳实际系统的非线性函数。
40.如权利要求29所述的方法,其中所述预测装置包括浮点处理装置。
41.如权利要求29所述的方法,其中训练步骤包括调整步骤,基于所述预测装置针对项目所输出的导数,调整所述预测装置中的所述项目。
42.如权利要求29所述的方法,其中训练步骤还包括将用以指示由所述预测装置产生的预测中的早前误差的数据输入到所述预测装置。
43.如权利要求29所述的方法,其中在欠平衡状态下执行钻挖所述井眼的操作。
44.如权利要求29所述的方法,其中在平衡状态下执行钻挖所述井眼的操作。
45.如权利要求29所述的方法,其中在过平衡状态下执行钻挖所述井眼的操作。
46.如权利要求29所述的方法,还包括以下改变步骤:基于所述训练步骤中的预测值,改变流过阻塞门的约束。
47.如权利要求46所述的方法,其中所述改变步骤改变所述预测值。
48.一种井控制方法,包括以下步骤:
在延伸井眼时感测至少一个第一钻挖操作变量,从而产生第一感测变量;
在延伸所述井眼时感测至少一个第二钻挖操作变量,从而产生第二感测变量;以及利用所述第一感测变量和所述第二感测变量来训练预测装置,以预测在选定时间的所述第二钻挖操作变量,其中所述第二钻挖操作变量是储油层和该井眼之间的流速变化。
49.如权利要求48所述的方法,还包括如下步骤:在所述第二感测变量不可用时,使用经训练的预测装置来预测在所述选定时间的所述第二钻挖操作变量。
50.如权利要求48所述的方法,其中所述选定时间是在所述第一感测变量可用而所述第二感测变量不可用时的时间。
51.如权利要求48所述的方法,其中所述第二感测变量是流体在所述井眼和储油层之间流动的速率。
52.如权利要求48所述的方法,其中所述第二感测变量是压力、压差、表面温度、井下孔温度、多阶段流速和单阶段流速中的至少一个。
53.如权利要求48所述的方法,其中所述第二感测变量是穿透率和井底孔压力中的至少一个。
54.如权利要求48所述的方法,其中所述预测装置包括神经网络。
55.如权利要求48所述的方法,其中所述预测装置包括人工智能装置。
56.如权利要求48所述的方法,其中所述预测装置包括遗传算法。
57.如权利要求48所述的方法,其中所述预测装置执行回归分析。
58.如权利要求48所述的方法,其中所述预测装置使用粒度计算。
59.如权利要求48所述的方法,其中所述预测装置包括自适应模型。
60.如权利要求59所述的方法,其中将初始原理模型的输出输入到所述自适应模型中。
61.如权利要求48所述的方法,其中所述预测装置包括用于归纳实际系统的非线性函数。
62.如权利要求48所述的方法,其中所述预测装置包括浮点处理装置。
63.如权利要求48所述的方法,其中训练步骤包括调整步骤,基于所述预测装置针对项目所输出的导数,调整所述预测装置中的所述项目。
64.如权利要求48所述的方法,其中训练步骤还包括将在钻挖至少一个先期井眼时获得的数据输入到所述预测装置。
65.如权利要求48所述的方法,其中训练步骤还包括将指示由所述预测装置产生的预测中的早前误差的数据输入到所述预测装置。
66.如权利要求48所述的方法,其中在欠平衡状态下执行钻挖所述井眼的操作。
67.如权利要求48所述的方法,其中在平衡状态下执行钻挖所述井眼的操作。
68.如权利要求48所述的方法,其中在过平衡状态下执行钻挖所述井眼的操作。
69.如权利要求48所述的方法,其中所述选定时间是在执行所述训练步骤之后的时间。
70.如权利要求48所述的方法,其中在所述训练步骤中将阻塞门的流量系数Cv用作输入,以训练所述预测装置。
71.如权利要求48所述的方法,还包括以下改变步骤:基于在所述训练步骤中预测的所述第二钻挖操作变量,改变流过阻塞门的约束。
72.如权利要求71所述的方法,其中所述改变步骤改变所预测的第二钻挖操作变量。
73.一种井控制方法,包括以下步骤:
在延伸第一井眼时感测至少一个第一钻挖操作变量,从而产生第一感测变量;
在延伸第二井眼时感测至少一个第二钻挖操作变量,从而产生第二感测变量;以及利用所述第一感测变量和所述第二感测变量来训练预测装置,以预测在选定时间的所述第二钻挖操作变量,其中所述第一钻挖操作变量是储油层和所述第一井眼之间的流速变化。
74.如权利要求73所述的方法,还包括在所述第二感测变量不可用时,使用经训练的预测装置来预测在所述选定时间的所述第二钻挖操作变量的步骤。
75.如权利要求73所述的方法,其中所述选定时间是在所述第一感测变量可用而所述第二感测变量不可用时的时间。
76.如权利要求73所述的方法,其中所述第二感测变量是流体在所述第二井眼和储油层之间流动的速率。
77.如权利要求73所述的方法,其中所述第二感测变量是压力、压差、表面温度、井下孔温度、多阶段流速、以及单阶段流速中的至少一个。
78.如权利要求73所述的方法,其中所述预测装置包括神经网络。
79.如权利要求73所述的方法,其中所述预测装置包括人工智能装置。
80.如权利要求73所述的方法,其中所述预测装置包括遗传算法。
81.如权利要求73所述的方法,其中所述预测装置执行回归分析。
82.如权利要求73所述的方法,其中所述预测装置使用粒度计算。
83.如权利要求73所述的方法,其中所述预测装置包括自适应模型。
84.如权利要求83所述的方法,其中将初始原理模型的输出输入到所述自适应模型中。
85.如权利要求73所述的方法,其中所述预测装置包括用于归纳实际系统的非线性函数。
86.如权利要求73所述的方法,其中所述预测装置包括浮点处理装置。
87.如权利要求73所述的方法,其中训练步骤包括调整步骤,基于所述预测装置针对项目所输出的导数,调整所述预测装置中的所述项目。
88.如权利要求73所述的方法,其中训练步骤还包括将指示由所述预测装置产生的预测中的早前误差的数据输入到所述预测装置。
89.如权利要求73所述的方法,其中在欠平衡状态下执行钻挖所述第二井眼的操作。
90.如权利要求73所述的方法,其中在平衡状态下执行钻挖所述第二井眼的操作。
91.如权利要求73所述的方法,其中在过平衡状态下执行钻挖所述第二井眼的操作。
92.如权利要求73所述的方法,其中所述第一钻挖操作变量是压力、压差、温度、以及流速中的至少一个。
93.如权利要求73所述的方法,其中所述选定时间是在执行训练步骤之后的时间。
94.如权利要求73所述的方法,还包括以下改变步骤:基于在训练步骤中预测的所述第二钻挖操作变量,改变流过阻塞门的约束。
95.如权利要求94所述的方法,其中所述改变步骤改变所预测的第二钻挖操作变量。

说明书全文

井控制方法

技术领域

[0001] 本发明一般涉及结合地下井使用的设备和执行的操作,在这里描述的实施例中,特别提供井控制系统及相关方法。

背景技术

[0002] 欠平衡钻挖(drilling)是一种钻挖技术,在钻挖期间,井眼(wellbore)中的钻挖液的流体静压加上任何施加的压小于在被穿透的地岩层(formation)区中的孔隙(pore)压力。有时,孔隙压力可等于或小于流体静压和施加的压力的组合,但一般目的是为了防止钻挖液进入地岩层,这会限制地岩层未来的生产率。
[0003] 在欠平衡钻挖操作期间,气体、流体和/或固体的各种组合被注入井眼中并环流(circulated)至表层。当孔隙压力大于流体静压和施加的压力的组合时,来自穿透区域的流体进入井眼,并沿着注入的流体被引至表层。从穿透区域产生的流体可包括气体、和油的任何组合。
[0004] 为了控制穿透区域处的流体静压,钻挖操作员通常改变被注入到井眼的气体、流体、凝胶、泡沫和/或固体的混合物。为了控制施加到井眼的压力,钻挖操作员通常调整表层的阻塞(choke),从而调节流体通过井眼环流中的反压力。通过控制流体静压和施加的压力,在钻挖期间,可以从表层控制来自穿透区域的流体的生成。
[0005] 遗憾的是,这些技术无法使操作员预测到钻挖状态的重大变化例如气体反弹从而据此来调整表层控制。这些技术还无法使操作员预测到应如何调整表层控制来解决钻挖动作中的变化,例如实际钻挖的临时中断以连接钻挖管的另一接合点等。
[0006] 因此,需要了解的是,井控制系统和方法需要进行改进。这些改进对欠平衡钻挖以及其它操作尤其有利,例如管理压力钻挖。

发明内容

[0007] 在实现本发明的原理时,提供一种能解决本领域中至少一个问题的井控制系统和方法。下文将描述一个例子,其中井控制方法使得在发生流量变化之前就预测到井眼和储油层(reservoir)之间的流量变化。下文还将描述另一个例子,其中对合并有多个适应性模型的系统提供不同的钻挖状态。
[0008] 在本发明的一个方案中,提供一种井控制系统及相关的井控制方法,其中在发生变化之前可容易地预测到钻挖操作变量(例如井眼和储油层之间的流量变化)。在钻挖操作期间进行预测,从而可便利地预测到在钻挖操作期间发生的变化。在做出预测之后,可发生井眼和储油层之间的流量变化。
[0009] 流量变化可以是例如流体从储油层流入井眼的增长速率。可选择地,流量变化可以是从井眼流到储油层的增长速率。流量变化可由井底孔压力的变化产生。
[0010] 可由预测装置执行预测步骤。预测装置可包括神经网络、人工智能装置、浮点处理装置、自适应模型、用于归纳实际系统的非线性函数和/或遗传算法。预测装置可执行回归分析,对非线性函数执行回归,并可使用粒度计算。将初始原理模型的输出输入到自适应模型,和/或初始原理模型可包括在自适应模型中。
[0011] 预测装置中的项目(term)或“权重”可基于项目所述预测装置针对项目所输出的导数而进行调整。这些导数通常用于最优化过程,其中成本函数被最小化或最大化。
[0012] 可通过将在钻挖操作期间获得的数据输入到预测装置来训练预测装置。另外或代替的,可通过将在钻挖至少一个先期(prior)井眼时获得的数据输入到预测装置来训练预测装置。该训练可包括将指示由预测装置产生的预测中的早前(past)误差的数据输入到预测装置。
[0013] 在井眼中的欠平衡状态下执行钻挖操作。可选择地或另外,平衡状态和/或过平衡状态可存在于井眼中。
[0014] 在流体从储油层流入井眼时执行钻挖操作。钻挖操作可包括将流体从储油层环流到表面位置的操作。
[0015] 在本发明的另一个方面中,井控制方法可包括以下步骤:在钻挖井眼时感测钻挖操作变量,从而产生感测变量;间歇地传送感测变量;以及利用感测变量来训练预测装置,以预测在所述感测变量的传送之间出现的钻挖操作变量的值。
[0016] 在本发明的另一个方面中,井控制方法可包括以下步骤:在钻挖井眼时感测至少一个第一钻挖操作变量,从而产生第一组感测变量;在钻挖所述井眼时感测至少一个第二钻挖操作变量,从而产生第二组感测变量;以及利用所述第一组感测变量和所述第二组感测变量来训练预测装置,以预测在选定时间的第二钻挖操作变量。
[0017] 在本发明的又一个方面中,根据本发明原理实现的井控制方法还可包括以下步骤:在钻挖一个井眼时感测至少一个第一钻挖操作变量,从而产生第一组感测变量;在钻挖另一个井眼时感测至少一个第二钻挖操作变量,从而产生第二组感测变量;以及利用所述第一组感测变量和所述第二组感测变量来训练预测装置,以预测在选定时间的第二钻挖操作变量。
[0018] 在第二感测变量不可用时,经训练的预测装置可用于预测在选定时间的第二钻挖操作变量。所述选定时间可以是在所述第一感测变量可用而所述第二感测变量不可用时的时间。
[0019] 在仔细考虑以下对本发明的示意性实施例的详细描述及附图之后,对本领域的普通技术人员而言,本发明的这些和其它特征、优点、利益及目的变得明显,在附图中,使用相同的附图标记表示各个附图中相同的元件。

附图说明

[0020] 图1是体现本发明原理的井控制系统的示意图;
[0021] 图2是图1系统中的钻柱和因此而被穿透的区域的局部放大横截面图;
[0022] 图3是图1系统中穿透多个区域的钻柱的局部横截面示意图;
[0023] 图4-图17是利用图1系统中的预测装置的方法示意图。

具体实施方式

[0024] 需要理解的是这里描述的本发明的各种实施例可用于例如倾斜的、颠倒的、水平的、垂直等的各种方位中,以及各种配置中,而没有脱离本发明的原理。所描述的实施例仅是本发明原理的有益应用的例子,本发明的原理并不受限于这些实施例的任何特定细节。
[0025] 在对本发明的示意性实施例的以下描述中,使用方位术语例如“之上”、“之下”、“上面”、“下面”等是便于参考附图。一般而言,“之上”、“上面”、“向上”和类似术语指的是沿着井眼朝向地面的方向,而“之下”、“下面”、“向下”和类似术语指的是沿着井眼远离地面的方向。
[0026] 图1示意性描绘了井控制系统10,其体现了本发明的原理。在系统10中,在欠平衡状态下对井眼12进行钻挖。以下将详细描述的某一专用设备用于保持欠平衡状态,并另外控制钻挖操作。
[0027] 虽然这里将系统10描述为用于欠平衡钻挖,但需要明白的是符合本发明原理的过平衡操作和平衡操作也可以被执行或代替执行。系统10中的钻柱14可包括多个钻挖管节或接合点,或钻柱可包括连续的无接合点的管子,例如盘绕管(coiled tubing)。可将钻柱14进行旋转,或者钻柱可包括钻挖达,其能够响应于流体通过钻柱的环流而旋转钻头(bit)16。通过钻柱14和/或通过外部的同轴套管柱或“寄生”注射管将流体注入到井眼12中。能以任何方向或垂直、水平和倾斜方向的组合方向对井眼12进行钻挖。井可以是天然气井、油井、地热井或任何其它类型的井,所述井可用于任何流体或流体组合的产生或注入。因此,需要清楚的是,本发明并不受限于这里描述的系统10的任何细节或任何其它例子。
[0028] 如图1所示,通过钻柱14将注入流体(injection fluid)18运送到井眼12中。在表层处,钻挖20可用于汲取液体,气体压缩机22可用于汲取气体。注入流体18的液体和气体成分在歧管24处相组合。固体、凝胶、泡沫和任何其它类型的物质等可以与注入流体18混合。
[0029] 注入流体18中的流体混合物等可以改变,从而改变井眼12中的流体静压。例如,注入流体18的密度可以增加,以使得井眼中的流体静压增加,或在该注入流体中包括额外的气体或泡沫,以降低流体静压。
[0030] 旋转压力控制装置(RCD)26通过关闭井眼和钻柱14之间的环面(annulus)28来密封井眼12中的压力,井眼同时仍允许钻柱向前钻入井眼中。RCD26在表面上定位于封井器(blowout preventer)(BOP’s)30之上。在井眼12中环流的流体32在BOP’s30和RCD26之间流出。
[0031] 流体32在井眼12中流出之后,流过阻塞门(choke)34。可以改变对流过阻塞门34的限制,从而改变井眼12中的反压力。也就是说,当需要使得被施加到井眼12的压力发生相应改变时,改变横跨阻塞门34的压差。
[0032] 在阻塞门34的下游,流体32进入分离器36。流体32的气体部分38、液体部分40和固体部分42在分离器36中彼此分离开。气体部分38可被引入燃烧器44或其它处理或再循环设备。
[0033] 液体部分40可被引入沉淀槽46,用于进行液体和固体的进一步分离。在钻挖操作中可再使用的液体50可流回到钻挖泵20。其它液体52可被引入到存储器或处理设备54。固体部分42可被引入到处理设备48。
[0034] 需要理解的是,系统10可包括图1中未示出的很多其它项设备,或不同于图1所示的设备。因此,需要明白的是,图1仅是系统10的简单示意图,在实际中,系统10可能非常复杂并包括图1未示出的多个特征。
[0035] 现在另外参考图2,示意性示出了井眼12的下端和钻柱14的放大图。在该视图中,可以看到钻头16正穿透地岩层区域56。注入流体18在钻柱14的下端流出钻头16,并经由环面28环流回表面。
[0036] 在欠平衡钻挖中,期望的是保持井眼12中的压力,从而在对井眼钻孔时,储油层流体(reservoir fluid)58进入井眼。也就是说,井眼12中的压力应比区域56中的孔隙压力稍小一些。流体58来自储油层60,储油层60经由区域56与井眼相连通(communication)。在井眼和区域之间的压差影响下,流体58从区域56流入井眼12。
[0037] 储油层流体58与注入流体18混合,并且混合流体32通过环面28环流到表面。有时井眼12中的压力近似等于区域56中的孔隙压力(已知为“平衡”状态),在该情形下,在井眼和区域之间没有显著的流体输送,并且流体32实质上仅包括注入流体18。
[0038] 在其它时候,井眼12中的压力可大于区域56中的孔隙压力(已知为“过平衡”状态),在该情形下,所述注入流体18的一部分流入区域56,并且流体32实质上仅包括剩下的注入流体。为了防止损坏区域56,在系统10中要避免过平衡状态。
[0039] 然而,也注意到在本发明的其它实施例中期望保持过平衡状态,或在系统10中周期性地期望保持过平衡状态。例如,在装卸(tripping)钻柱14以钻入或退出井眼12时(例如,为了更换钻头16),保持井眼中的过平衡状态是有用的。
[0040] 为了保持井眼12中期望的欠平衡、平衡或过平衡状态,知道井眼中的压力大小是非常有用的。出于此目的,钻柱14可包括压力传感器,该压力传感器位于例如接近钻柱的下端处。如图1所示,钻柱14包括传感器和遥测装置62。
[0041] 装置62可以是能够感测钻挖操作变量例如压力、温度、流速(flow rate)、钻头负重、旋转速度等的任何种类的装置。装置62中的高级传感器能够测量钻柱14内部和/或外部的多阶段(multiphase)流速和流体属性(例如电阻系数、传导率、密度等)。装置62还可以是能够经由遥测(例如泥浆脉冲、声学、电磁或其它类型遥测)将这些钻挖操作变量传输到表面的装置类型。
[0042] 如此一来,能够将接近钻柱14下端的井眼12中的状态通知给表面处的操作者。不利的是,一些遥测形式(例如泥浆脉冲遥测)具有相对低的带宽,或钻挖变量度量的传输可能是间歇的,从而无法将井下孔(downhole)状态连续通知给操作者。如以下更为详细地描述的,即使在与装置62的通信是间歇、低带宽、不可靠的等情形下,系统10仍可包括允许精确估算钻挖变量的特征。
[0043] 系统10还可包括允许预测井眼12和区域56之间流体输送的速率和流速的任何变化的特征。也可以预测其它钻挖操作变量(例如流体32的组成成分、区域56的穿透率等)。钻挖操作变量可以被最佳化,以产生例如井的最大穿透率或最大净现价数值(net present economic value),如下文所详细描述的。
[0044] 现在另外参照图3,在钻柱14和井眼12已穿透额外的区域64、66之后,描述系统10。根据欠平衡状态,在各区域64、66被成功穿透时,储油层流体68、70从各区域64、66流入井眼12。储油层流体68、70之一或这二者可以源自与流体58相同的储油层60,或可以源自不同的储油层。另外,区域56、64、66可以彼此相邻,如图3所示,或它们可以由另外的区域或地岩层等隔开或分隔。
[0045] 需要理解的是存在多个区域56、64、66和相关的多流体输送位置,使得在系统10中估算并预测井下孔状态的问题变得复杂。例如,如果区域56、64、66中的一个或多个区域相比其它区域具有不同的穿透性,对于区域和井眼之间给定的压差,该区域和井眼12之间的流体输送是不同的。正如另外的例子,针对区域56、64、66中的一个,可能存在过平衡状态,而同时真对另一个区域可能存在平衡状态,以及针对再一个区域可能存在欠平衡状态。
[0046] 系统10可包括如下特征:允许估算和/或预测井眼12和被穿透的区域66之间的速率,即使在井眼和其它区域56、64之间也存在流体输送。另外,如以下将详细描述的,系统10可包括如下特征:允许在复杂的情况下(例如图3所示的那些)估算和/或预测各种其它钻挖操作变量。
[0047] 现在另外参照图4,示意性和描绘性示出了预测装置72。预测装置72包括自适应模型(Adaptive Model,AM)74,用于估算和/或预测系统10中的钻挖操作变量O。在该描绘中,I(n)表示在时间指针(time index)n时的一组钻挖操作输入变量。
[0048] 输入和输出钻挖操作变量I、O可以是上述讨论的任何变量,包括但不限于各种压力(例如在BOP’s30下的环面28中的压力、竖管(standpipe)76中的压力、分离器36中的压力、横跨阻塞门34的压差、井底孔压力等)、各种温度(例如分离器36中的温度、阻塞门34上游的温度、竖管76中的温度、井底孔温度等)、各种流速(例如,气体注入速率、液体注入速率、气体产生速率、液体产生速率、固体产生速率等)、各种控制输入(例如阻塞门34的位置、歧管(manifold)24的配置等)、阻塞门的流量系数Cv、钻头16处的实际垂直深度、钻挖状态或动作类型(例如钻挖、环流、连接、装或卸等)、穿透率、各种流体和固体18、32、38、
40、42、50、52的属性(例如密度、粘滞度等)、井眼12和储油层60之间的速率、井眼和储油层之间的流量变化(例如从储油层至井眼的速率增加)和任何其它有效的钻挖操作变量或变量组合。
[0049] 需注意的是钻挖操作变量还可以与来自井和/或注入到储油层60的产量有关。例如,在钻挖操作期间,执行某些测试,例如地岩层测试、干扰测试、流量测试等。因此,钻挖操作变量可包括产量和/或注入变量(例如,从储油层60至井眼12的速率、在多个井眼交叉处储油层的压力变化等)。
[0050] 自适应模型74可包括神经网络、模糊逻辑遗传算法、人工智能装置、初始原理模型(first principle model,FPM)或任何其它类型的自适应模型以及这些模型的任意组合。自适应模型74可包括浮点处理装置。自适应模型74可执行回归分析,使用用于归纳实际系统的非线性函数,使用粒度计算和/或执行非线性函数的回归。
[0051] 如本领域普通技术人员所公知的,粒度计算是信息处理的新兴计算范例。其涉及称作为“信息粒度”的复杂信息实体的处理,这出现在数据提取和从信息导出知识的过程中;该过程称作为信息粒化。一般而言,信息粒度是实体的集合,通常发生在数字水平(numeric level),由于它们的相似度、功能邻接、不可分辨性、相干性(conherency)等而安排在一起。
[0052] 粒度计算可设计为在解决问题过程中利用信息粒度的理论类别、方法论、技巧和工具。在此意义上,粒度计算作为涵盖性术语,用于涵盖已经在各种隔离领域中进行研究的这些主题。通过根据粒度计算的统一框架来解释所有这些现有的研究,并提取它们的共性,可以发展出用于解决问题的一般性理论。
[0053] 粒度计算可用于描述一种计算方式,类似在各种粒度水平下人类预测实际世界的能力的一些方式,以摘录并考虑仅用于特殊关注的那些事情,并在不同的粒度之间切换。通过聚焦不同水平的粒度,可获得不同水平的知识以及更好地理解内在知识结构。从而粒度计算本质上是人类问题的求解,并对设计和实现智能系统具有非常显著的影响。
[0054] 关于粒度计算的进一步信息可以在以下文献中找到:Bargiela,A.和Pedrycz,W.,粒 度 计 算 及 导 论 (Granular Computing,An Introduction),KluwerAcademic Publishers(2003);Zadeh,L.A.,“在人类推理和模糊逻辑中面向模糊信息粒度及其中心性理论(Toward a Theory of Fuzzy InformationGranulation and its Centrality in Human Reasoning and Fuzzy Logic)”Fuzzy Setsand Systems,90:111-127(1997);和W.Pedrycz,从粒度计算到计算智能和人类中心系统(From Granular Computing to Computational Intelligence andHuman-centric Systems),IEEE Computational Intelligence Society(2005年5月)。这些参考文件的全部公开内容通过参考方式并入本文。
[0055] 在图4所示的预测装置72中,自适应模型74优选地包括神经网络。在时间指针n时钻挖操作变量I输入到神经网络。另外,在之前的时间指针n-1、n-2、n-3和n-4时,钻挖操作变量I也输入到该神经网络。对于神经网络领域的普通技术人员而言,在多个现在时间指针和具有延迟D的早前时间指针时同时输入公知为抽头(tapped)延迟线78的数据。可以使用延迟D的任何延迟时间长度和数字。
[0056] 神经网络在未来时间指针n+t时输出对钻挖操作变量O的预测。为了实现这个目标,利用本领域普通技术人员所公知的训练技术,以公知的钻挖操作变量来训练神经网络。当进行适当训练时,神经网络能够响应输入到神经网络的公知钻挖操作变量I,来预测未来钻挖操作变量O。输入变量I和输出变量O可以是这里描述的任一变量,或其任何组合,并且输入变量I不必与输出变量O一样。
[0057] 在系统10中,操作员希望向其提供预测的井底孔压力(bottom holepressure),例如,往后十五分钟的井底孔压力,从而可以做出适当准备,以在所需时调整井底孔压力。自适应模型74的神经网络可利用先前记录的钻挖操作变量集合(包括例如利用装置62测量的井底孔压力)进行训练。一旦进行了训练,神经网络能预测后来的钻挖操作变量,例如井底孔压力。以此方式,能预先警告操作员,是否需要通过例如调整井眼12中的流体静压和/或调整井眼中所施加的压力来对井底孔压力做出任何调整。
[0058] 欠平衡钻挖操作中的另一个有效变量是气体产出率(produced gas rate,PGR)。如果PGR过高,则在分离器36中可能会累积大量气体,可能使得气体泄露至沉淀槽46并造成危险的情形。操作员希望向其提供预测的PGR,从而在预测到过高PGR情形时下,操作员能采取行动(例如,通过增加流过阻塞门34的约束等)来降低PGR。
[0059] 如上文对井底孔压力变量的描述,自适应模型74的神经网络能利用先前记录的钻挖操作变量集合(其包括例如利用图1所述的流量计80进行测量以检测气体38的流速(flow rate)的PGR)进行训练。一旦进行了训练,神经网络能预测后来的钻挖操作变量,例如PGR。以此方式,能预先警告操作员,是否需要通过例如调整井眼12中的流体静压和/或调整井眼中所施加的压力来对PGR做出任何调整。
[0060] 以类似的方式,利用流量计82能感测液体产出率(PLR),以检测液体40的流速,利用传感器84能感测固体产出率(PSR),以感测固体42的质量流速(mass flow rate),传感器86、88用于测量阻塞门34上游和下游的流速、压力和温度、横跨该阻塞门的压差等,流量计90用于检测注入液体18的流速,流量计92、94用于检测液体50、52的流速,传感器102用于检测阻塞门的位置,传感器104用于检测歧管24的配置,流量计96、98分别用于检测注入液体和气体的流速等。这些传感器的任一个还包括压力传感器和/或温度传感器和/或任何其它类型传感器或传感器组合。
[0061] 需要清楚明白的是可测量系统10中的任何有效变量或变量组合可用于训练自适应模型74中的神经网络,从而可以预测未来任何变量或变量组合。这允许操作者有估算采取校正行为的时间(如果需要的话),从而能避免不期望的情形(例如井底孔的过平衡情形)。
[0062] 如自适应模型领域的普通技术人员所能明白的,如果利用在与以下时间点的情况类似的情况下收集的数据训练模型,则变量的估算或预测大部分是准确的,所述时间点是在对变量进行估算的时间点,或是对变量进行预测的未来时间点。
[0063] 需要注意的是在钻挖同一个井眼时,不是所有的变量都需要用于训练所获得的神经网络。例如,在相同地域中钻挖另一井眼或钻挖入相同的储油层所获得的经验能用于训练在随后井眼钻挖操作中使用的自适应模型74。压力梯度是变量的一个例子,其在训练神经网络时有益于预测用于随后井眼的钻挖操作变量。
[0064] 此外,自适应模型领域的普通技术人员能认识到,如果利用在类似如下情况的情况下从第一井眼收集的数据来训练自适应模型,则根据第一井眼的经验收集的数据可与自适应模型一起使用,以更精确地估算或预测第二井眼的变量,所述情况是在估算变量的时间点的情况或在预测变量的未来时间点的情况。例如,为第一井眼收集并用于训练第二井眼的自适应模型的神经网络的数据可用于被穿透的相似深度和/或相似类型的区域或地岩层。可使用多个自适应模型,每个自适应模型适用于在钻挖操作中遇到的特定情况集合。
[0065] 因此,根据本发明原理实施的井控制方法包括以下步骤:在对一个井眼进行钻挖时感测至少一个第一钻挖操作变量,从而产生第一组感测变量;在对另一个井眼进行钻挖时感测至少一个第二钻挖操作变量,从而产生第二组感测变量;以及利用第一组和第二组感测变量训练预测装置,以预测在选定的未来时间的第二钻挖操作变量。
[0066] 现在另外参考图5,以另一种配置示意性示出预测装置72,其中在时间指针n+t时预测的变量O与时间指针n时的变量I以及相关的抽头延迟线78一起被输入到自适应模型74。此配置可在神经网络中提供增强的学习能力并导致对未来变量的更精确的预测。需要注意的是抽头延迟线79还可用于预测变量O的输入。因此,需要理解的是对本领域的普通技术人员而言,可以使用符合本发明原理的任何变型,用于训练神经网络,并使用神经网络(包括这里没有特别描述的技术)来预测未来事件。
[0067] 另外,现在参考图6,示意性并描述性示出了可用于系统10的另一个预测装置100。预测装置100包括自适应模型106,其在一个或多个方面类似于上述的自适应模型74。
较佳地,在预测装置100中,自适应模型106包括神经网络,但也可以使用符合本发明原理的其它类型的自适应模型。
[0068] 利用分别表示控制输入和系统输入的输入变量CI和SI来训练神经网络。另外,每一个输入变量具有输入到神经网络的各抽头延迟线108、110。CI变量是可直接控制的变量类型,例如阻塞门34的位置、歧管24的配置、动作类型(activity type)等。SI变量是描述系统特性的变量类型,例如横跨阻塞门34的压差、在系统10中各点处的压力、温度和流速等。上述的任何钻挖操作变量和它们的任意组合可用作为CI或SI变量。
[0069] 对神经网络进行训练,以预测PGR和PLR(分别是气体产出率和液体产出率)。另外,如果期望的话,将预测的PGR和PLR连同关联的抽头延迟线一起用作神经网络的输入(类似以下方式,其中如图5所示,将O(n+t)和关联的抽头延迟线79输入到神经网络中)。根据上述的预测装置72,预测装置100为操作员提前提供关于事件的警告,在所述事件中需要进行校正或调整以修改系统10中的PGR或PLR。
[0070] 另外,现在参考图7,示意性和描述性示出用于系统10中的另一个预测装置112。预测装置112包括自适应模型114,其在一个或多个方面类似于上述的自适应模型74、106。
较佳地,在预测装置112中,自适应模型114包括神经网络,但也可以使用符合本发明原理的其它类型的自适应模型。
[0071] 利用输入变量CI和SI训练神经网络。另外,将抽头延迟线108、110输入神经网络。一旦对神经网络进行了训练,该神经网络输出对井底孔压力BHP的估算。训练可包括基于的神经网络针对神经网络中的项目(term)所输出的导数(derivative),调整神经网络的项目(term)(一般称为“权重”)。
[0072] 所估算的井底孔压力输出在无法直接测量井底孔压力的情况下是有用的。例如,如果装置62仅仅每隔十分钟而将井底孔压力的测量传送至表面一次,但却期望每分钟都有井底孔压力的指示,则在实际测量的传送之间,自适应模型114可提供对井底孔压力的估算。
[0073] 可以应用预测装置112的另一种情况是当由于故障、环流损耗或其它原因导致暂时或持久地阻止所述装置62传送井底孔压力的测量时。在装置62无法发送井底孔压力的实际测量时,井底孔压力的早前测量(以及CI和SI变量)可用于训练神经网络,以估算井底孔压力。
[0074] 当井底孔压力的实际测量可用时,将这些实际测量(图7中描述为BHPMEAS.)与估算的井底孔压力(图7中描述为BHP EST.)相比较,并将任何误差或差异(图7中描述为ε)用于调整该神经网络(例如,调整神经网络中的项目或“权重”),以改善未来估算的精确性。如果期望的话,BHPEST.也可与关联的抽头延迟线一起输入到神经网络,如图7所示。
[0075] 当BHP用作自适应模型的输入,但测量的BHP并不是连续可用的时,自适应模型114输出的BHP EST.可用于这里描述的任何其它预测装置。另外,虽然上述的预测装置112用于估算BHP,但也可以或代替使用符合本发明原理的类似技术以估算这里描述的任何其它钻挖操作变量。此外,上述的训练和估算或预测技术可用于这里描述的任何其它自适应模型。
[0076] 另外,现在参考图8,示意性和描绘性示出可用于系统10中的另一个预测装置116。预测装置116包括自适应模型118,其在一个或多个方面类似于上述的自适应模型74、
106和114。较佳地,在预测装置116中,自适应模型118包括神经网络,但也可以使用符合本发明原理的其它类型的自适应模型。
[0077] 利用输入变量CI和SI训练神经网络。另外,将抽头延迟线108、110输入到神经网络。一旦对神经网络进行了训练,该神经网络输出对每一个PGR和PLR的预测。预测的PGR和PLR还可连同关联的各抽头延迟线(如果期望的话)一起输入到神经网络。
[0078] 需要注意的是预测装置116在很多方面类似于上述预测装置100。然而,预测装置116用于在系统10中钻挖操作期间的某些动作类型(activity type)。在此例子中,预测装置116用于在钻柱14中进行连接期间模拟(modeling)系统10。
[0079] 当使用钻柱14中的接合管时,在添加另一个接合管到钻柱时,实际钻挖操作必须周期性地暂时停止。需要明白的是在钻挖操作情况下这是明显的改变,并且在实际钻挖期间用于预测变量例如PGR和PLR的模型可能无法在钻柱14中进行连接时适用于预测这些相同的变量。
[0080] 因此,图6的预测装置100可用于系统10中,以在实际钻挖期间预测PGR和PLR,预测装置116可用于该系统中,以在进行连接期间预测PGR和PLR。自适应模型106、118中的差异至少部分源自于它们如何被训练以及对每一个自适应模型使用哪些钻挖变量输入。例如,在实际钻挖期间,采用用于训练自适应模型106的神经网络的输入变量CI、SI,而在钻柱14中进行连接期间,采用用于训练自适应模型118的神经网络的输入变量CI、SI。与自适应模型106一起使用的输入变量可包括钻头负重(weight on bit,WOB)和钻头的旋转速度RPM,但这些变量不与自适应模型118一起使用。
[0081] 额外的预测装置可用于模拟钻挖操作中的其它重要情况,以更精确地预测那些不同情况下的某些变量。例如,当有效控制输入变化时(例如,阻塞门34的位置变化时),单独的预测装置可用于在环流期间(即,当没有发生实际的钻挖和没有进行连接,但流体环流通过井眼12时)、在将钻柱14装入井眼或从井眼卸出期间来预测变量。利用符合本发明原理的其它预测装置可模拟其它情况。
[0082] 因此,多个预测装置可用于系统10中,每一个预测装置适用于钻挖操作中的特定动作类型或情形。虽然上述每一个预测装置100、116用于预测PGR和PLR,但也可以预测符合本发明原理的其它变量和其它变量组合,包括上述的任何钻挖操作变量。
[0083] 当在动作类型或其它情况之间有变化时,在钻挖操作中出现另一种独特的情形。例如在钻柱14中进行连接的动作期间,气体可能在环面28中累积和增加,从而在进行连接并且环流恢复附带的连续钻挖之后,在表面上出现实质上增加的PGR或“气体反弹”。这种短暂的现象无法由预测装置100(其被训练以在钻挖动作期间模拟系统10)或预测装置
116(其被训练以在连接动作期间模拟系统10)预测。
[0084] 另外,现在参考图9,以已被训练成钻挖动作模型的自适应模型106表示预测装置110,以已被训练成连接动作模型的自适应模型118表示预测模型116。将各种变量I输入到钻挖和连接模型中,以预测未来某些变量。
[0085] 然而,需要注意的是在图9描述的配置中,将钻挖模型和连接模型的输出输入到另一个预测装置120。预测装置120包括被训练用以模拟情形的自适应模型122,在所述情形中发生一个或多个瞬变现象。在图9的配置中,当动作类型在实际钻挖和进行连接之间变化时,训练自适应模型122,以预测未来时间指针n+t时的变量。
[0086] 将实际的变量测量(图9中描述的O MEAS.)与预测的变量比较,并且任何误差或差异(图9中描述的ε)可用于调整或修改模型122,从而改善未来预测。
[0087] 在操作中,模型106可用于预测实际钻挖期间的变量O,模型118可用于预测在钻柱14中进行连接时的变量O。然而,当动作从一个变化到另一个时,模型122可用于预测变量O,包括在动作变化后发生的任何瞬变现象。
[0088] 另外,现在参考图10,示意性和描述性示出用于系统10中的另一个预测装置124。预测装置124包括自适应模型126,其在一个或多个方面类似于上述的自适应模型74、106、
114、118和122。较佳地,在预测装置124中,自适应模型126包括神经网络,但也可使用符合本发明原理的其它类型的自适应模型。
[0089] 在以上对各个自适应模型74、106、114和118的描述中,抽头延迟线78、108和110已被描述成可用于训练、估算和/或预测在模型中使用神经网络的模式。如所讨论的,抽头延迟线允许使用早前的测量、估算和预测,以增强对神经网络输出的估算和预测。
[0090] 然而,将所有早前的测量、估算和/或预测输入到神经网络是不必要或不实际的。代替的是,使用通知选择哪些早前测量、估算和/或预测输入到神经网络的方式,以提高训练神经网络的效率和速度,以及提高在使用经训练的神经网络来估算或预测某些变量的效率和速度。
[0091] 在图10所示的例子中,想要的是预测在时间指针n+t时的未来(future)PGR。另外,假定至少三个变量显著影响未来PGR-注入速率IR、井底孔压力BHP和阻塞门位置CP。将这些变量IR、BHP、CP连同各抽头延迟线128、130、132一起输入到神经网络。
[0092] 需要理解的是其它变量也可输入到神经网络。例如,阻塞门Cv(以及阻塞门位置CP)可输入到神经网络。任何可显著影响神经网络输出的变量(以及关联的抽头延迟线)可输入到神经网络。在欠平衡或受管理的压力钻挖下,当期望将井底孔压力BHP精确保持在特定值时(例如在被穿透区域的孔隙压力和破裂压力之间),将阻塞门Cv作为输入是特别有用的。
[0093] 在图10的例子中,流体通过井眼12的完整环流(从经由竖管76注入到井眼的时间到在RCD26下退出井眼的时间)需要大约三十分钟。因此,假定在发生变化之后,注入速率IR的变化最大程度影响了气体产出率PGR三十分钟。类似地,因为在井眼12的底部测量井底孔压力BHP(通过井眼的环流距离的一半),因此假定在预测的PGR之前十五分钟做出的BHP测量最大程度上影响了气体产出率PGR。假定阻塞门位置CP对气体产出率PGR具有几乎即时的影响;如在流量计80处所测量的,阻塞门位置CP变化和产生的PGR变化间隔大约一分钟。
[0094] 因为这些仅仅是假设和近似值,因此存在与这些情况的每一种关联的一些不确定性。在该例子中,与注入速率IR对气体产出率PGR的影响关联的不确定性可能是+/-五分钟,与井底孔压力BHP对PGR的影响关联的不确定性可能是+/-三分钟,与阻塞门位置CP对PGR的影响关联的不确定性可能是+/-一分钟。
[0095] 需要注意的是与注入速率IR输入关联的抽头延迟线128以时间指针n+t减去三十分钟(即在期望的预测变量PGR的时间指针n+t之前三十分钟)时的IR为“中心”。抽头延迟线128中的另外输入被提供为等于n+t减去三十分钟并减去不确定性u(对于此变量为5分钟)。抽头延迟线128中的另外输入还被提供为等于n+t减去三十分钟并加上不确定性u(对于此变量为5分钟)。因此,抽头延迟线中的IR输入的时间指针范围可从n+t-35至n+t-25。可以使用这些界限(limit)之间的任何数量的输入(包括在时间指针中心处n+t-30的一个)。
[0096] 类似地,与井底孔压力BHP输入关联的抽头延迟线130以时间指针n+t减去十五分钟(即在期望的预测变量PGR的时间指针n+t之前十五分钟)时的BHP为“中心”。抽头延迟线130中的另外输入被提供为等于n+t减去十五分钟并减去不确定性u(对于此变量为3分钟)。抽头延迟线130中的另外输入还被提供为等于n+t减去十五分钟并加上不确定性u(对于此变量为3分钟)。因此,抽头延迟线130中的BHP输入的时间指针范围可从n+t-18至n+t-12。可以使用这些界限(limit)之间的任何数量的输入(包括在时间指针中心处n+t-15的一个)。
[0097] 与阻塞门位置CP输入关联的抽头延迟线132以时间指针n+t减去一分钟(即在期望的预测变量PGR的时间指针n+t之前一分钟)时的CP为“中心”。抽头延迟线132中的另外输入被提供为等于n+t减去一分钟并减去不确定性u(对于此变量为一分钟)。抽头延迟线132中的另外输入还被提供为等于n+t减去一分钟并加上不确定性u(对于此变量为一分钟)。因此,抽头延迟线132中的CP输入的时间指针范围可从n+t-2至n+t。可以使用这些界限(limit)之间的任何数量的输入(包括在时间指针中心处n+t-1的一个)。
[0098] 需要清楚明白的是上述的时间值仅仅是示例性的。时间值必需依靠在每个个别情形中遇到的实际情况。例如,在给定的情形中,环流时间可能不是三十分钟。
[0099] 现在另外参考图11,示意性及描述性示出在系统10中使用的另一个预测装置134。预测装置134包括自适应模型136,其在一个或多个方面类似于上述的自适应模型74、
106、114和126。较佳地,在预测装置134中,自适应模型136包括神经网络,但也可以使用符合本发明原理的其它类型的自适应模型。
[0100] 利用输入变量CI和SI训练神经网络。另外,将抽头延迟线108、110输入到神经网络。一旦对神经网络进行了训练,该神经网络输出在多个未来时间指针n+1、n+5、n+10和n+15时变量O的预测。还可以将在各个未来时间指针预测的变量O连同关联的抽头延迟线(如果需要的话)一起输入到神经网络。
[0101] 需要明白的是对未来的预测越远,在预测中潜在的误差就越多。因此,对操作员而言,有益的是向其提供变量O的相对精确的近期(near-future)预测以及在未来各更久远的时间的连续的不太精确的预测。例如,较精确的近期预测可用于确定如何调整控制输入CI(例如阻塞门位置),其对某些变量(例如气体产出率或液体产出率)产生相对快的响应,以及不太精确的长期预测可用于确定如何调整系统输入SI(例如注入流体密度),其对其它变量(例如井底孔压力)产生相对慢的响应。
[0102] 现在另外参考图12,示意性及描述性示出可用于系统10中的另一个预测装置138。预测装置138包括自适应模型140,其在一个或多个方面类似于上述的自适应模型74、
106、114、126和136。较佳地,在预测装置138中,自适应模型140包括神经网络,但也可以使用符合本发明原理的其它类型的自适应模型。
[0103] 利用时间指针n和使用关联抽头延迟线78的其它时间指针时的钻挖操作变量I训练神经网络。另外,初始原理模型142用于自适应模型140和某些变量输入(阻塞门位置CP及横跨阻塞门34的压差 )之间。初始原理模型142的输出(通过阻塞门34的速率FR)用作神经网络的输入之一。阻塞门位置CP和压差 也可输入到该神经网络。
[0104] 在此例子中,初始原理模型142是阻塞门位置CP、压差 和通过阻塞门34的速率FR之间的已知的关系或互动模型(model of the interaction)。例如,可通过阻塞门34的制造商提供这种初始原理模型。作为另一个例子,阻塞门制造商可提供流动系数Cv相对于阻塞门位置CP的图表、函数或其它表示等。使用这种初始原理模型可帮助更有效且快速地训练该神经网络(例如,通过在训练过程中更快速地产生收敛(convergence)),并更精确地预测未来变量P。
[0105] 现在另外参考图13,示意性及描述性示出可用于系统10中的另一个预测装置144。预测装置144包括自适应模型146,其在一个或多个方面类似于上述的自适应模型74、
106、114、126、136和140。较佳地,在预测装置144中,自适应模型146包括神经网络,但也可以使用符合本发明原理的其它类型的自适应模型。
[0106] 预测装置144在预测井眼12和通过图3所示的系统10配置中钻柱14穿透的区域66之间的速率FR3时特别有用。如上所述,由于实质上部分存在与井眼12连通的其它区域56、64,因此这是复杂的问题。然而,预测装置144允许在训练自适应模型146的神经网络时解决这些复杂因素。
[0107] 利用时间指针n和使用抽头延迟线78的先期时间指针时的钻挖操作变量I训练神经网络。变量I能够包括先期穿透的区域56、64的测量值或其余特征的判定(例如穿透性、孔隙压力等)。当每个区域被钻柱14穿透时,判定所述区域56、64的这些特征。
[0108] 另外,图13中具体描述的是注入速率IR和产出率PR的输入以及与这些变量的每一个相关的各抽头延迟线148、150。神经网络的输入还能够是井眼12和区域56之间的流速FR1以及井眼和区域64之间的流速FR2。给定每一个区域56、64的穿透性(permeability)、每一个区域处的井眼12中的流体静压和施加的压力、每一个区域中的孔隙压力等,这些速率FR1、FR2可从机理模型得出,该初始原理模型能确定各区域和井眼之间的流速。如果需要的话,可以为FR1和FR2输入提供关联的各抽头延迟线。
[0109] 一旦对自适应模型146进行了训练,自适应模型146能预测被穿透的区域66的流速FR3。利用另一个初始原理模型,给定流速FR3和井底孔压力BHP等,可确定区域66的穿透性。当区域66待被穿透时,利用预测装置144可便利地检测到穿透性的变化。以此方式,可以为区域66以及其它区域56、64提供穿透性和沿着井眼12的深度之间的关系。
[0110] 现在另外参考图14,示意性及描述性示出可用于系统10中的另一个预测装置152。预测装置152包括自适应模型154,其在一个或多个方面类似于上述的自适应模型74、
106、114、126和136。较佳地,在预测装置152中,自适应模型154包括神经网络,但也可以使用符合本发明原理的其它类型的自适应模型。
[0111] 利用钻挖操作变量I及关联的抽头延迟线78训练神经网络。另外,将钻头16的旋转速度RPM和钻头负重WOB输入到初始原理模型156中。RPM和WOB变量还可直接输入到该神经网络,如图12对CP和 变量所描述的。
[0112] 一旦神经网络被训练,该神经网络输出对穿透率ROP的估算。需要理解的是穿透率ROP是钻挖操作变量,其可通过例如监控钻柱14进入井眼12的前进量而随着时间直接测量出。然而,使用自适应模型154允许对可在任何时间便利产生的穿透率ROP进行估算,并还允许响应于待预测的变化的钻挖操作变量(包括RPM和WOB)而改变ROP。
[0113] 当进行或感测到穿透率的实际测量时,将这些实际测量(图14中示为ROP MEAS.)与估算的穿透率相比较(图14示出为ROP EST.),并将任何误差或差异(图14示出为ε)用于调整神经网络,以提高未来估算的精确性。也可以将ROP EST.连同抽头延迟线(如果需要的话)一起输入到神经网络,如图7中对估算的井底孔压力BHP EST.的描述。
[0114] 由自适应模型154输出的ROP EST.也可用于这里描述的任何其它预测装置,其中ROP用作自适应模型的输入,但ROP的直接测量不是连续可得的。另外,虽然上文将预测装置152描述为用于估算ROP,但这里描述的任何其它钻挖操作变量也可以利用符合本发明原理的类似技术来估算或代替。
[0115] 现在另外参考图15,将预测装置152示意性作为系统158的部分,其中穿透率ROP被最优化,和/或井的净现数值(net present value)被最大化。需要明白的是一旦自适应模型154的神经网络被训练,图14所示的预测装置152可用于确定哪些变量I(包括RPM和WOB)的值的组合产生最大ROPEST.。然而,还需要明白的是最大的ROP并不总是最期望的结果,因为最大的ROP会引起费用增加(例如,由于增加的钻头磨损,钻柱更换钻头的额外行程等)。因此,最期望的是对于钻挖环境的独特情况的最优化穿透率ROP。
[0116] 如图15所示,将自适应模型154的输出(ROP EST.)输入到钻挖经济模型(drilling economics model)160。虽然图15中没有示出,但也可以将其它钻挖操作变量I输入到钻挖经济模型160中。
[0117] 钻挖经济模型160可以是自适应模型,并可包括神经网络、模糊逻辑、遗传算法、人工智能装置、初始原理模型或任何其它类型的自适应模型,以及这些的任意组合。钻挖经济模型160可包括浮点处理装置。钻挖经济模型160执行回归分析,使用用于归纳实际系统的非线性函数,使用粒度计算和/或对非线性函数执行回归。
[0118] 将钻挖经济模型160的输出输入到金融模型(financial model)162。钻挖经济模型160和金融模型162合作,钻挖经济模型特别适用于特定的钻挖操作,并且金融模型说明总的金融方面(例如金钱的时间价值、信贷成本、预测的返回率、资源成本、产值等)。利用本领域普通技术人员公知的优化技术,钻挖经济模型160输出穿透率,该穿透率对于钻挖操作的特定经济情况被最优化(在图15中示为ROP OPT.)。
[0119] 例如,ROP EST.相对于自适应模型154的神经网络中的“权重”的导数(derivative)可用于最优化过程,其中对成本函数(cost function)进行最小化。金融模型162输出井的最大化净现值(图15中示为NPV MAX.)。
[0120] 需要注意的是对于金融模型162并不是必需用于系统158中,因为在不使用金融模型的情况下,钻挖经济模型160可用于最优化穿透率。
[0121] 现在另外参考图16,示意性及描述性示出可用于系统10中的另一个预测装置164。预测装置164包括自适应性模型166,其在一个或多个方面类似于上述的自适应模型
74、106、114、126和136。较佳地,在预测装置164中,自适应模型166包括神经网络,但也可以使用符合本发明原理的其它类型的自适应模型。
[0122] 利用钻挖操作变量I并联系抽头延迟线78来训练神经网络。一旦神经网络被训练,该神经网络输出对变量O在未来时间指针n+t时的预测。如上所述,未来时间指针n+t时的预测的变量也可以与关联的抽头延迟线(如果需要的话)一起输入到神经网络。
[0123] 图16所示的预测装置164包括遗传算法168。遗传算法168用于选择哪些变量I输入到自适应模型,以及输入的数量、输入和抽头延迟线78的“中心”之间的延迟等。如上所述,在对图10所示的预测装置124的描述中,如果神经网络的输入被限制为对神经网络的输出具有实质影响的那些,则提高了训练及使用自适应模型166的效率和速度。
[0124] 一个问题是如何选择哪些输入被使用。出于此目的,预测装置164使用遗传算法168。以流程图形式在图17中示意性及描述性示出根据遗传算法168执行的过程170。
[0125] 最初,在步骤172中,创建最初的母体(population)。该最初的母体包括选择的钻挖操作变量,并与抽头延迟线相关联,其中所关联的抽头延迟线包括抽头延迟线的选定延迟值、以及抽头延迟线的长度和中心。
[0126] 在步骤174中,利用所选择的输入和抽头延迟线来训练自适应模型166的神经网络。根据传统的神经网络训练程序,通过适当调整神经网络中的项目或“权重”,在训练步骤174中最小化神经网络输出中的误差。
[0127] 如果在训练步骤174中产生的误差非常小,从而在步骤176中满足停止标准(criteria)的选择,则在步骤178中返回解决方案。解决方案是钻挖变量输入和关联的抽头延迟线的集合,当用于训练神经网络时,其产生可接受的小的误差。
[0128] 如果在训练步骤174中产生的误差不是非常小,则在步骤180中,遗传算法168用于产生钻挖变量输入和关联的抽头延迟线的下一代集合。如本领域的普通技术人员所能理解的,遗传算法168通过选择、交换和突变过程产生下一代。
[0129] 然后在步骤174中将钻挖变量输入和关联的抽头延迟线的下一代集合再次用于训练神经网络。在步骤176中满足停止标准及在步骤178中返回解决方案之前,重复用于产生下一代输入集合并训练神经网络的过程。
[0130] 一旦利用过程170进行了训练,在步骤176中返回的解决方案中选择的钻挖变量输入和关联的抽头延迟线用于预测装置164中,以预测在未来时间指针n+t时的未来钻挖操作变量O。
[0131] 现在可完全明白的是,本发明的原理为系统10提供关联的井控制方法,其中在发生变化之前可容易地预测钻挖操作变量(例如井眼12和储油层60之间的流量变化)。可在钻挖操作期间做出预测,从而能够便利地预测在钻挖操作期间发生的变化。在做出预测之后,井眼和储油层之间的流量可能发生变化。
[0132] 例如,流量变化可以是从储油层流入井眼的流体增长速率。可选择地,流量变化也可以是从井眼流到储油层的增长速率。该流量变化可能由井底孔压力的变化所引起。
[0133] 预测步骤可由预测装置执行。预测装置可包括神经网络、人工智能装置、浮点处理装置、自适应模型、适用于实际系统的非线性函数和/或遗传算法。预测装置可执行回归分析,执行非线性函数的回归,以及可利用粒度计算。初始原理模型的输出可输入到自适应模型中。
[0134] 预测装置中的项目或“权重”可基于预测装置针对项目所输出的导数来进行调整。这些导数一般用于最优化过程,其中成本函数被最小化或最大化。
[0135] 通过将在钻挖操作期间获得的数据输入到预测装置,可训练该预测装置。另外或代替的,通过将在钻挖至少一个先期井眼时获得的数据输入到预测装置,可训练该预测装置。该训练可包括将指示在由预测装置产生的预测中的早前误差的数据输入到预测装置。
[0136] 在井眼中的欠平衡状态下执行钻挖操作。可选择地或另外地,在井眼中存在平衡状态和/或过平衡状态。
[0137] 在流体从储油层流入井眼时可执行钻挖操作。钻挖操作可包括流体从储油层环流到表面位置。
[0138] 如上所述,井控制方法可包括以下步骤:在钻挖井眼时感测钻挖操作变量,从而产生所感测变量;间歇地传送所感测变量;以及利用所感测变量来训练预测装置,以预测在所感测变量传输之间出现的钻挖操作变量的值。
[0139] 此外,井控制方法可包括以下步骤:在钻挖井眼时感测至少一个第一钻挖操作变量,从而产生第一组感测变量;在钻挖该井眼时感测至少一个第二钻挖操作变量,从而产生第二组感测变量;以及利用第一组和第二组感测变量来训练预测装置,以预测在选定时间的第二钻挖操作变量。
[0140] 根据本发明原理实现的井控制方法还包括以下步骤:在钻挖一个井眼时感测至少一个第一钻挖操作变量,从而产生第一组感测变量;在钻挖另一个井眼时感测至少一个第二钻挖操作变量,从而产生第二组感测变量;以及利用第一组和第二组感测变量来训练预测装置,以预测在选定时间的第二钻挖操作变量。
[0141] 当第二个感测变量不可用时,经训练的预测装置可用于预测在选定时间的第二钻挖操作变量。所选定时间可以是第一个感测变量可用而第二个感测变量不可用时的时间。
[0142] 当然,在仔细考虑本发明的示例性实施例的上述描述之后,本领域的普通技术人员能容易地理解可以对这些特定实施例做出很多修改、添加、替换、删除和其它更改,并且这些更改落入本发明原理的范围内。因此,前述详细的描述仅通过举例说明和例子方式以便于清楚地理解,本发明的精神和范围只能由所附的权利要求及其等同物所限定。
QQ群二维码
意见反馈