本發(fā)明涉及油氣開發(fā)，具體涉及一種數(shù)值模型與機器學習融合的井筒溫度優(yōu)化與預測方法。

背景技術：

1、隨著石油天然氣勘探與開發(fā)領域的不斷深入，深井及超深井的數(shù)量顯著增加，這也導致了井筒內(nèi)部溫度的急劇攀升，對井下精密儀器的工作穩(wěn)定性、流體性能穩(wěn)定性以及井壁穩(wěn)定性形成了嚴峻的考驗。為了確保深層油氣資源的高效與安全開發(fā)，多家油田企業(yè)采納了冷卻鉆井液循環(huán)降溫技術，旨在有效緩解井筒循環(huán)過程中的高溫問題。

2、井筒溫度受多因素影響，準確度較高的井筒溫度計算模型為數(shù)值解方法，該方法基于能量守恒原理，建立井筒-地層各控制區(qū)域的溫度計算模型，然后應用隱式有限差分法求解，井筒獲得井筒溫度分布情況?；谠摲椒梢苑治龈髅舾幸蛩貙矞囟鹊挠绊懀ㄣ@井液密度、流變參數(shù)、比熱容、熱導率、施工排量、鉆壓、轉速等。目前，單因素分析方法僅獲得各因素對井筒溫度影響程度，而井筒溫度同時受多因素共同作用，當各參數(shù)取值最優(yōu)時可以使得溫度模型計算結果最低，應用該優(yōu)化參數(shù)可以消除未鉆井或者周圍擬新井在鉆井過程中面臨的高溫問題，進而可以控制井下溫度，以達到降低井下溫度的目的。

3、同時，機器學習算法能夠處理大量、復雜的數(shù)據(jù)集，并自動學習數(shù)據(jù)之間的內(nèi)在規(guī)律和模式。將已鉆井數(shù)據(jù)基礎數(shù)據(jù)集，對各數(shù)據(jù)集進行訓練和優(yōu)化，進而可以推薦最佳降溫的施工參數(shù)，以推薦參數(shù)為基準，將其應用到數(shù)學模型中，可以快速獲得未鉆井深或周圍帶鉆新井的井筒最低溫度，為此井筒降溫技術措施順利實施提供關鍵方法措施。

4、因此，有必要開發(fā)一種數(shù)值模型與機器學習融合的井筒溫度優(yōu)化與預測方法，以實現(xiàn)對井筒溫度的精準預測和有效優(yōu)化降溫，從而提高開采作業(yè)的安全性和效率。

技術實現(xiàn)思路

1、鑒于此為了克服現(xiàn)有數(shù)值模型多用于對單一參數(shù)進行優(yōu)化指導降溫，本發(fā)明提出了一種數(shù)值模型與機器學習融合的井筒溫度優(yōu)化與預測方法，通過對現(xiàn)場多口井的實測數(shù)據(jù)進行處理，訓練井筒溫度預測模型，基于此預測模型，采用優(yōu)化算法對多個參數(shù)推優(yōu)，旨在實現(xiàn)井筒溫度的降低。再將通過機器學習優(yōu)化推薦的參數(shù)，結合所建立的數(shù)值模型進行驗證，確保優(yōu)化結果的準確性和可靠性，為井筒降溫提供了新的方法。

2、為解決上述至少一個技術問題，本發(fā)明提供的技術方案是：

3、本發(fā)明解決上述問題所采用的技術方案是，一種機器學習與數(shù)值模型融合的井筒溫度優(yōu)化與預測方法，包括以下步驟：

4、步驟s1：基于能量守恒原理，結合井筒-地層各控制區(qū)域傳熱機理，考慮流體循環(huán)摩阻生熱及復雜熱源項對井筒溫度的影響，建立井筒-地層瞬態(tài)傳熱模型；

5、步驟s2：結合現(xiàn)場井組的實測數(shù)據(jù)，獲取相關參數(shù)組成的初始數(shù)據(jù)集；

6、步驟s3：對初始數(shù)據(jù)集進行歸一化處理；

7、步驟s4：利用隨機森林算法訓練井筒溫度預測模型，之后采用遺傳算法優(yōu)化隨機森林算法的超參數(shù)；

8、步驟s5：利用退火算法對算法進行全局優(yōu)化，獲得優(yōu)化后的井筒溫度；

9、步驟s6：利用井筒-地層瞬態(tài)傳熱模型結合優(yōu)化后的相關參數(shù)，計算井筒溫度；

10、步驟s7：利用步驟s5中優(yōu)化后的井筒溫度與步驟s6中計算得到的井筒溫度進行比較驗證，若通過驗證則保留優(yōu)化后的井筒溫度用于指導井筒溫度控制，若不通過驗證則調整井筒-地層瞬態(tài)傳熱模型中的井筒流體循環(huán)摩阻壓降并重新驗證，直至驗證通過；

11、井筒-地層瞬態(tài)傳熱模型中，鉆井液排量的具體公式如下式所示：

12、

13、式中：

14、d2為環(huán)空外徑、d1為環(huán)空內(nèi)徑，mm；k為稠度系數(shù)；m為流性指數(shù)；w為流體域的寬度，m；τw為壁面剪切應力，pa，τy為屈服應力，pa；

15、轉速和鉆壓產(chǎn)生熱量的具體公式如下式所示：

16、

17、式中：sd為鉆頭破巖產(chǎn)生的熱量，j；ξ＝2.5939，為修正因子；f為鉆頭與地層之間的摩擦系數(shù)；w為鉆壓，n；r為轉速，rpm；d為鉆頭外徑，m；d為鉆頭內(nèi)徑，m；

18、井筒-地層溫度傳熱模型的具體公式如下式所示：

19、

20、式中t為溫度，℃；ρ為流體密度,kg/m3；c為流體比熱容，j/(kg·℃)；k為流體熱導率,w/(m·℃)；t為時間，s；s為復雜熱源項；r、z分別表示徑向與軸向方向；v為流速，m/s。

21、針對環(huán)空傳熱模型，使用全隱式有限差分法進行離散后的線性方程表示如下式所示：

22、

23、式中，rpo為鉆柱內(nèi)半徑，m；hpo為鉆柱外壁對流換熱系數(shù)，w/(m2·℃)；ρm為鉆井液密度，kg/m3；q為排量，m3/s；cm為鉆井液比熱容；j/(kg·℃)；hw為井壁對流換熱系數(shù)，w/(m2·℃)；rw為井壁半徑，m；j為井深節(jié)點數(shù)；n為時間節(jié)點數(shù)；tn+1p,j為井深j處，時間為n+1處鉆柱壁溫度，℃；tn+1a,j為井深j處，時間為n+1處環(huán)空溫度，℃；tn+1w,j為井深j處，時間為n+1處井壁溫度，℃；tna,j為井深j處，時間為n處環(huán)空溫度，℃；δzj為深度步長；δt為時間步長；qsa為復雜熱源項生熱，j。

24、本發(fā)明起到的技術效果是：

25、1、本發(fā)明經(jīng)過大量數(shù)據(jù)集進行了模型訓練，所建立的井筒溫度預測模型預測準確性高，且泛化能力好，克服了傳統(tǒng)數(shù)值解求解井筒溫度場計算較復雜、難度大、時間長的缺點。

26、2、通過隨機森林算法中特征重要性分析，可以有效分析出各參數(shù)對井筒溫度的影響程度。針對相關參數(shù)采用模擬退火算法進行優(yōu)化，并融合數(shù)值模型對算法推薦的參數(shù)進行驗證計算，能夠獲取準確度較高的井筒溫度，并將該溫度用于指導井筒降溫，可有效提高井筒降溫的效果。

技術特征：

1.一種數(shù)值模型與機器學習融合的井筒溫度優(yōu)化與預測方法，其特征在于，包括以下步驟：

2.根據(jù)權利要求1所述的一種數(shù)值模型與機器學習融合的井筒溫度優(yōu)化與預測方法，其特征在于：所述組成初始數(shù)據(jù)集的相關參數(shù)包括：井深、鉆進時間、循環(huán)時間、入口溫度、機械鉆速、鉆壓、轉速、排量、井筒溫度。

3.根據(jù)權利要求2所述的一種數(shù)值模型與機器學習融合的井筒溫度優(yōu)化與預測方法，其特征在于：所述井筒溫度為隨機森林算法的預測標簽，其余參數(shù)為特征標簽。

4.根據(jù)權利要求1所述的一種數(shù)值模型與機器學習融合的井筒溫度優(yōu)化與預測方法，其特征在于：所述步驟s7中所述的比較驗證方法為，模型計算出的溫度與機器學習預測溫度均方差小于等于2％，認為模型計算結果準確度高，可以應用于現(xiàn)場降溫計算與分析。

技術總結
一種數(shù)值模型與機器學習融合的井筒溫度優(yōu)化與預測方法，涉及油氣開發(fā)技術領域，包括以下步驟：建立井筒?地層瞬態(tài)傳熱模型，獲取相關參數(shù)組成的初始數(shù)據(jù)集，對初始數(shù)據(jù)集進行歸一化處理，利用隨機森林算法訓練井筒溫度預測模型，之后采用遺傳算法優(yōu)化隨機森林算法的超參數(shù)，利用退火算法進行全局優(yōu)化，獲得優(yōu)化后的井筒溫度，利用井筒?地層瞬態(tài)傳熱模型計算井筒溫度，利用優(yōu)化后的井筒溫度與計算得到的井筒溫度進行比較驗證；本發(fā)明通過隨機森林算法結合模擬退火算法獲取優(yōu)化后的井筒溫度參數(shù)，并融合數(shù)值模型對算法推薦的參數(shù)進行驗證計算，能夠獲取準確度較高的井筒溫度，并將該溫度用于指導井筒降溫，可有效提高井筒降溫的效果。

技術研發(fā)人員：楊謀,車雙苗,趙鵬超,唐彬,朱木雷,宋澤平,祝鑫泉
受保護的技術使用者：西南石油大學
技術研發(fā)日：
技術公布日：2024/12/19