页岩气压裂作业砂堵事故预警方法技术

本发明专利技术提出了页岩气压裂作业砂堵事故预警方法，首先采集实时的原始数据，原始数据包括油压、套压，对压裂施工的曲线进行实时采集；并对所述原始数据进行聚类，得到每20秒的油压、套压的数据，对每20秒的数据进行拟合，获得光滑的压力曲线；然后计算每20秒压力曲线的斜率；最后根据深度学习的算法建立事故预警模型，根据输入的每20秒的曲线斜率，通过深度学习算法判断是否发生砂堵，并预测出井下事故时发出预警信息，从而实现了页岩气压裂作业井下事故监测与预警的自动化处理。事故监测与预警的自动化处理。事故监测与预警的自动化处理。

【技术实现步骤摘要】
页岩气压裂作业砂堵事故预警方法


[0001]本专利技术属于页岩气压裂作业监测
，尤其涉及页岩气压裂作业砂堵事故预警方法。

技术介绍

[0002]压裂是人为地使地层产生裂缝，改善油在地下的流动环境，使油井产量增加的技术手段，但受限于页岩气开采过程中较为复杂的地质地层环境、配套设备设施的缺陷失效、人为操作和管理失误等问题，页岩气压裂施工过程中经常会出现各类事故情况。因此高效实用的实时监测诊断系统可以预警事故的发生。
[0003]当前压裂指挥车或仪表车一般会配备在压裂施工现场中，在这些车辆上装有压裂车组仪表车监控系统，压裂设备将数据传输至仪表车监控系统进而实现施工数据的集成与实时监测，但此系统只能够显示当前作业过程中各类参数，不能够进行实时诊断和预警。
[0004]压裂施工曲线分析法是当前主流的页岩气压裂施工的监测诊断方法，许多压裂施工监测系统也是基于该方法。压裂施工曲线一般以时间为横坐标，纵坐标由四部分构成，分别为油压曲线、套压曲线、施工排量曲线以及加砂浓度(砂比)曲线，有时也以泵注压力、施工排量和加砂浓度三部分组成。这些参数是地上地下情况的真实反映，通过对其变化趋势的分析就能大致判别当前压裂施工情况。但这种分析方法需要操作人员在整个施工过程人为地进行实时分析和诊断，受到的影响因素较多，在准确性与及时性上存在着不足。

技术实现思路

[0005]为解决
技术介绍
中的问题，本专利技术提出了页岩气压裂作业砂堵事故预警方法。
[0006]页岩气压裂作业砂堵事故预警方法，包括如下步骤：<br/>[0007]步骤一：采集实时的原始数据，原始数据包括油压、套压，对压裂施工的曲线进行实时采集；
[0008]步骤二：对原始数据进行聚类，得到每20秒的油压、套压的数据，对每20秒的数据进行拟合，获得光滑的压力曲线；
[0009]其中，所述的聚类是一个过程，其基本思路是将数据集合分为不同的组或类，并且使得处于同组或同类的数据对象的相似度尽可能的高，而不同组或类具有相异性，其相似性通常以一定的阈值进行衡量。由于直接拟合计算压力数据计算压力数据的斜率存在较大的误差，所以运用聚类算法提高斜率的准确度。
[0010]所述的拟合是把平面上一系列的点，用一条光滑的曲线连接起来。由于压力数据并不是光滑的曲线，并不能直接计算斜率，所以要进行拟合。
[0011]步骤三：计算每20秒压力曲线的斜率；
[0012]步骤四：根据深度学习的算法建立事故预警模型，根据输入的每20秒的曲线斜率，通过深度学习算法判断是否发生砂堵。
[0013]所述的深度学习算法是一种机器学习、深度学习的基础，叫做神经网络，这本身就
是一种机器学习算法。
[0014]所述的事故预警模型，需要运用历史井的数据样本通过深度学习的算法进行训练，并计算误差允许范围，通过输入每20秒拟合后压力曲线斜率，判断与历史井数据样本的误差，以是否发生砂堵作为输出，输出是否发生砂堵。
[0015]所述的判断是否发生砂堵，是根据历史井的数据，如果压力曲线每20秒的斜率与历史井的数据样本，误差不超过误差允许范围，那么便没有发生砂堵的风险。如果误差超过误差的允许范围，那么则有发生砂堵的风险，此时系统便会进行预警。
[0016]有益效果：
[0017]1.本方法通过对压力曲线的拟合，可以准确得到每20秒的曲线斜率，并且通过深度学习算法对历史井数据样本的训练，可以准确判断是否发生砂堵。
[0018]2.对于人工观察曲线的造成的误差而错误判断砂堵事故，以及常用的斜率反转法，因为施工曲线中的斜率相似而错误预警，本方法可以有效避免人工观察曲线的误差，和一般预警方法造成的错误预警，并且更为准确和及时的对砂堵事故进行预警。
附图说明
[0019]图1为本专利技术流程图；
[0020]图2为本专利技术在压裂施工发生砂堵事故时的套压拟合后的数据曲线。
具体实施方式
[0021]为使本专利技术的目的、技术方案和优点更加清楚，下面对本专利技术中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0022]实施例
[0023]根据图1
‑
2所示，步骤一：采集实时的原始数据，原始数据包括油压、套压，对压裂施工的曲线进行实时采集；
[0024]步骤二：对所述原始数据进行聚类，得到每20秒的油压、套压的数据，对每20秒的数据进行拟合，获得光滑的压力曲线；
[0025]步骤三：设置预测点，采集数据的同时，根据加砂阶段前期的数据计算预测点，并建立砂堵发生时的数据库，计算砂堵发生时曲线的斜率，设置报警阈值；
[0026]其中，所述的聚类，其特征在于，聚类是一个过程，其基本思路是将数据集合分为不同的组或类，并且使得处于同组或同类的数据对象的相似度尽可能的高，而不同组或类具有相异性，其相似性通常以一定的阈值进行衡量。由于直接拟合计算压力数据计算压力数据的斜率存在较大的误差，所以运用聚类算法提高斜率的准确度。
[0027]所述的拟合，其特征在于，拟合就是把平面上一系列的点，用一条光滑的曲线连接起来。由于压力数据并不是光滑的曲线，并不能直接计算斜率，所以要进行拟合。
[0028]步骤三：计算每20秒压力曲线的斜率；
[0029]步骤四：根据深度学习的算法建立事故预警模型，根据输入的每20秒的曲线斜率，通过深度学习算法判断是否发生砂堵。
[0030]所述的深度学习算法，其特征在于：深度学习首先是一种机器学习。深度学习的基础，叫做神经网络，这本身就是一种机器学习算法。
[0031]所述的事故预警模型，其特征在于：建立的预警模型，需要运用历史井的数据样本通过深度学习的算法进行训练，并计算误差允许范围，通过输入每20秒拟合后压力曲线斜率，判断与历史井数据样本的误差，以是否发生砂堵作为输出，输出是否发生砂堵。
[0032]本实施例选择几段20秒内的斜率和通过深度学习算法的预警模型输出判断结果进行举例。
[0033][0034][0035]从输出的判断结果可以看出，在1760S到1780S之间的斜率超出了误差允许范围，此时系统输出砂堵风险，成功完成了预警。
[0036]工作过程：首先采集实时的原始数据，原始数据包括油压、套压，对压裂施工的曲线进行实时采集；并对所述原始数据进行聚类，得到每20秒的油压、套压的数据，对每20秒的数据进行拟合，获得光滑的压力曲线；然后计算每20秒压力曲线的斜率；最后根据深度学习的算法建立事故预警模型，根据输入的每20秒的曲线斜率，通过深度学习算法判断是否发生砂堵，并预测出井下事故时发出预警信息，从而实现了页岩气压裂作业井下事故监测与预警的自动化处理。
[0037]最后应说明的是：以上所述实施例，仅为本专利技术的具体实施方式，用以说明本专利技术的技术本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.页岩气压裂作业砂堵事故预警方法，其特征在于，包括如下步骤：步骤一：采集实时的原始数据，原始数据包括油压、套压，对压裂施工的曲线进行实时采集；步骤二：对原始数据进行聚类，得到每20秒的油压、套压的数据，对每20秒的数据进行拟合，获得光滑的压力曲线；其中，所述的聚类是一个过程，是将数据集合分为不同的组或类，并且使得处于同组或同类的数据对象的相似度尽可能的高，而不同组或类具有相异性，其相似性通常以一定的阈值进行衡量；所述的拟合是把平面上一系列的点，用一条光滑的曲线连接起来，由于压力数据并不是光滑的曲线，并不能直接计算斜率，所以要进行拟合，步骤三：计算每20秒压力曲线的斜率；步骤四：根据...

【专利技术属性】
技术研发人员：赵金洲，梁海波，魏泽强，邹佳玲，
申请(专利权)人：西南石油大学，
类型：发明
国别省市：