钻井液的化学性能对井壁稳定性的影响研究

由于井壁垮塌、缩颈和地层破裂等井壁失稳现象所造成的卡钻憋钻、井漏井喷和钻井液大量漏失等问题会延误油气资源勘探和开发的速度,还会为石油行业带来巨大的经济损失。钻井液的化学性能会影响井壁稳定性。针对井壁失稳的类型,从钻井液所含化学物质的种类及含量,钻井液化学势,钻井液pH值三方面的化学性能对井壁稳定性的影响机理进行了研究和分析,对于解决井壁失稳问题、减少经济损失具有实际的指导意义。     

利用卡尔曼滤波和人工神经网络相结合的油藏井间连通性研究

油藏连通性的认识对于制定合理的开发调整方案和提高水驱油藏采收率具有重要意义。基于注采井的生产动态数据,建立一种卡尔曼滤波和人工神经网络相结合的分析方法,对油藏井间动态连通性进行定量表征研究。考虑到注入数据的噪声污染和注入信号在地层传播过程中的时滞影响,分别利用卡尔曼滤波算法和非线性扩散滤波器对注采数据进行预处理,从而减少注采数据对机器学习模型的干扰,提高连通性分析的准确性。基于预处理后的历史注采数据,对以生产井产液量为响应,注水井的注水量为输入的人工神经网络进行训练和参数优化,模拟和挖掘注采系统中的井间连通关系。通过对训练好的模型进行参数敏感性分析,量化油藏井间连通程度。应用所建模型和方法分析了均质、各向异性、包含封闭断层、具有高渗透带的4种典型特征油藏和实际非均质油藏的井间连通性。计算结果与油藏地质特征高度吻合,验证了该方法的实用性,可作为量化注采系统连通状况的有效方法。     

基于数据驱动的地下储气库地层压力预测

地层压力是制定注采井工作制度和监测储气库运行的重要参数,鉴于数值模拟认识地层压力涉及到复杂的地质建模和高质量的历史拟合,提出一种数据驱动的储气库地层压力预测方法．引入注采气量比重数值加权最优规整路径筛选压力监测井,采用3种机器学习算法建立监督学习地层压力预测模型,即极端梯度提升（extreme gradient boosting, XGBoost）、支持向量回归（support vector regression, SVR）和长短期记忆网络（long short-term memory network, LSTM）．实验结果发现,3种预测模型的预测性能从高到低排序为SVR、XGBoost和LSTM,其中,SVR模型的预测性能最稳定;引入注采气量比重数值筛选压力监测井,提升了预测模型的预测性能．研究表明,依靠纯数据驱动方法,将常规地面监测数据直接用来解释为地下储气库的地层压力,非常适合地下储气库的现场应用．     

钻井液对钻具的腐蚀性规律研究

从化学的角度分析了目前造成井下钻具腐蚀的主要原因,归纳得出了钻井液对井下钻具的电化学腐蚀、氧腐蚀、硫化氢腐蚀等腐蚀方式,阐述了上述方式的腐蚀机理与腐蚀速率的影响因素,对比了钻具腐蚀影响因素的实验数据,得出了钻井液体系变化对钻具腐蚀速率的影响规律。给出了钻具腐蚀的保护措施。其中电化学腐蚀对钻具的危害远远大于单纯的化学腐蚀,在进行防腐措施时应予特别重视。