Pore Pressure Prediction Using Machine Learning Method

doi:10.4043/34767-ms

Pore Pressure Prediction Using Machine Learning Method

2024-02-22

0

PRE

AI

DOI：10.4043/34767-ms

原文链接

原文求助

摘要

En 中文

摘要异常孔隙压力常导致钻井不稳定，如井涌、井喷、卡钻和漏失循环。准确的孔隙压力预测对井眼规划和钻井作业至关重要，以确保安全与效率。传统上，孔隙压力预测由地质力学专家手动执行。由于地下结构的复杂性，这些流程通常复杂且耗时，且结果高度依赖于执行者的专业知识。本文提出了一种机器学习方法，用于训练数字地质力学模型，以预测规划井眼中的孔隙压力。首先，我们利用地震解释数据和井顶数据作为输入，数字化地下地质结构几何形态，训练一个地质结构机器学习模型，该模型对地层及其岩性进行分类和标注。随后，我们利用一组机器学习算法和现有数据（包括地质、地震、已钻井测井和钻井数据等）训练数字地质力学模型。数字地质力学性质包括两个主要部分：岩石力学性质，以及与地质埋藏历史相关的地层孔隙压力和原位地应力性质。数字岩石力学性质（包括地层岩性、岩石弹性模量和岩石强度等）被训练为地层材料属性模型，描述各层内部的变异模式。地层孔隙压力和原位地应力受地层埋藏和成岩历史的主导，采用结合地层压实和构造参数回归的物理引导混合算法进行训练。最后，利用该数字地质力学模型预测任意规划井轨迹的孔隙压力，有助于识别钻井风险、优化安全泥浆密度，进而改善钻井作业。该学习到的地质力学模型作为地下地质力学性质的隐式数字表征，由算法从数据和物理定律中学习生成。因此，它可以随着油田开发过程中出现的新井数据进行自我学习和改进。这种基于机器学习的孔隙压力预测方法在中国南海某海上页岩油田进行了测试和验证。目标页岩油藏地层已知为异常高压地层，因此在井眼规划和作业中需要可靠的孔隙压力预测。传统手动方法在规划阶段的预测通常需要数周时间。将我们的机器学习数字模型应用于该油田，初始数字地质力学模型使用第一口探井数据和解释的地质面数据进行了训练，然后用于预测第二口探井的孔隙压力。预测结果与实际井下压力测试结果进行比较，证实了其准确性。随后，数字模型利用新获取的井数据进行了更新，并用于下一口规划井的预测。在本案例研究中，数字模型随着前三口探井的实际钻井序列持续进行训练和更新。每口后续井的预测与实际井下压力测试结果进行比较，平均准确率达到96.2%。此外，该数字模型还被应用于下一钻井阶段规划的定向井，数字预测结果与手动结果进行比较，准确率达到98.5%。该模型的另一显著优势是其高计算效率和减少监督需求。数字机器学习方法将孔隙压力分析时间从数周缩短至数小时。本案例研究证实了此类数字方法的高效性和可靠性。

Pore Pressure Prediction Using Machine Learning Method

摘要

期刊

机构

引用论文