基于流变性能的封堵剂适应性制备方法、系统及钻井液与流程

本发明涉及钻井工程，具体涉及钻井液的制备领域，特别涉及基于流变性能的封堵剂适应性制备方法、系统及钻井液。

背景技术：

1、页岩地层由于层理性强，在钻井过程中井壁失稳问题突出，严重制约了页岩气水基钻井液的推广应用。

2、研究表明，页岩储层的缝宽和孔径集中在50nm~40μm之间，与流体接触后会产生强烈的自吸现象，使裂缝发生“形成-扩展-贯通”的连锁反应，从而导致井壁失稳，产生失水渗透现象。因此，针对页岩储层纳米级孔缝封堵问题，目前的主流解决方案是对纳米级封堵材料的配比进行优化，并通过纳米级封堵材料与钻井液的混合，以解决微裂缝发育的现象。

3、例如，如下现有技术公开了一种保护页岩气储层的油基钻井液，通过优化配比，使相应的流变性能达到理想状态：

4、游云武，章文斌，危胜宏，等.一种保护页岩气储层的油基钻井液[p].cn106520088a：2016-09-20.

5、又例如，如下现有技术公开了一种微纳米液体封堵剂及其制备方法和应用，也是通过优化配比，利用不同粒径微纳米级材料的搭配，实现了对页岩地层微裂缝的有效封堵：

6、韩子轩，甄剑武，柴龙，等.一种微纳米液体封堵剂及其制备方法和应用[p].cn202010149215.5：2021-09-07.

7、但是，上述现有技术均是基于经验知识或理论实验数据配比的钻井液体系配方。当实际页岩地层的情况特征不同于经验知识或理论实验数据环境时，页岩地层的渗透率及封堵剂的流变性能的变化现象，应纳入封堵剂的实际制备及其调控机制的考量范围内，以便适应实际的页岩地层钻井施工场景需求。

8、为此，本发明提出基于流变性能的封堵剂适应性制备方法、系统及钻井液。

技术实现思路

1、本发明的技术方案是这样实现的：

2、第一方面，基于流变性能的封堵剂适应性制备方法：

3、（一）概述：

4、本技术方案旨在解决传统技术中的技术问题，即如何在钻井工程作业施工的过程中，基于页岩地层的渗透率的变化现象，确定合适的封堵剂流变性能的调控，以实现适应当前实际的页岩地层钻井施工场景需求。本技术方案首先将探索出评价当前钻井工程的渗透现象的理论依据，然后基于此建立、训练并执行svm模型，实现对当前钻井工程的滤失量来决定是否增加封堵剂的浓度作出策略指导。

5、（二）滤饼渗透率实验可行性验证：

6、根据如下滤饼渗透率实验操作方法为指导基础：

7、付艳，黄进军，武元鹏，等.钻井液用纳米粒子封堵性能的评价[j].重庆科技学院学报(自然科学版)，2013，15(3):30-31.

8、并根据本发明的技术方案做相应的适应性改良：

9、将钻井工程中产生的滤饼（俗称泥饼，是钻井液在过滤过程中沉积在过滤介质上的固相沉积物）作为过滤介质，将清水和当前钻井工程使用的封堵剂浓度制备成水溶液，然后加入失水仪后在常温下测定30 min滤失量，结束后将液体倒出并取出滤饼，再用清水在常温下测定30 min滤失量，取两个滤失量的平均值以考虑不同工况下的钻井环境滤失效果并作为后续计算所用，结合达西定律（darcy's law），最终可计算出滤饼渗透率：

10、；

11、其中，k是滤饼渗透率(md)；vf是滤失量(ml)；μ是滤液黏度(mpa·s)；h是滤饼厚度(mm)；a是滤饼面积(cm2)；δp是渗透压差(kg/cm2)；t是时间(s)。

12、综上可评价当前钻井工程的渗透现象，但目前没有实践意义。因为本发明所要解决的技术问题是将页岩地层的渗透率的变化现象及封堵剂流变性能建立联系；在实际应用中需根据当前时间步t测得的滤饼渗透率k换算出封堵剂流变性能的变化趋势，并为封堵剂的实时制备提供浓度调整策略。至此，本发明的技术方案的脉络已经明确：如何将页岩地层的渗透率的变化现象（滤饼渗透率k）及封堵剂的流变性能建立联系。

13、（三）技术方案：

14、本发明选择使用svm模型(support vector machine，支持向量机)；通过svm模型的监督学习特性，当给定该模型当前的滤饼渗透率k时，该模型将预测输出封堵剂流变性能视为一种回归问题。svm模型通过在高维空间中寻找一个超平面来最小化预测误差并处理非线性关系。在实际中，工作人员可基于当前钻井工程的滤失量来决定是否增加封堵剂的浓度，实现适应实际的页岩地层钻井施工场景需求。本发明的技术方案包括如下的步骤s1~s6。

15、3.1 步骤s1，数据准备：

16、按同样的时间步长，收集钻井工程的历史数据以构建出时间序列性质的数据集d；数据集d包括纳米封堵剂浓度、纳米封堵剂流变性能和滤饼渗透率之间的关系。数据集d为：

17、d={[(t1),(k1),(c1),(av1,pv1,yp1,gel10s,1,gel10min,1)],[(t2),(k2),(c2),(av2,pv2,yp2,gel10s,2,gel10min,2)],...,[(tn),(kn),(cn),(avn,pvn,ypn,gel10,n,gel10min,n)]}；

18、其中，ci是任意一历史时间步ti下的纳米封堵剂浓度（%），ki是任意一历史时间步ti下的滤饼渗透率(md)，“(ci),(avi,pvi,ypi,gel10n,i,gel10min,i)”是任意一历史时间步ti下的纳米封堵剂流变性能，属于一种向量，其中avi、pvi、ypi、gel10n,i和gel10min,i分别是封堵剂表观粘度(mpa·s)、封堵剂塑性粘度(mpa·s)、封堵剂屈服值(pa)、封堵剂10秒静切力(pa)和封堵剂10分钟静切力(pa)，n是收集历史数据的最大时间步数。

19、然后，还可以对数据集d进行归一化处理，以消除不同特征之间的量纲差异和数值范围差异对后续构建的svm模型的影响。

20、3.2 步骤s2，特征选择：

21、选择时间步t、滤饼渗透率k、封堵剂浓度c、封堵剂表观粘度av、封堵剂塑性粘度pv、封堵剂屈服值yp、封堵剂10秒静切力gel10s和封堵剂10分钟静切力gel10min进行建模。通过合并向量操作以便于后文svm模型的运算。形成一个输入特征向量xt。

22、其中，考虑到时间步t是一个特殊的特征，因为它代表了时间序列数据中的时间点。因此合并向量操作还需要使用滞后特征操作（lag features）来处理时间序列数据的时间依赖性。形成具有滞后特征的输入特征向量xt’。

23、设合并向量操作依靠单一步长的滞后特征（即只考虑前一时间步的值）。对于给定的特征向量，创建滞后版本的特征，如下所示：

24、原始特征向量（当前时间步t）：

25、；

26、滞后特征向量（前一时间步t-1）：

27、；

28、然后，将原始特征向量和滞后特征向量组合起来，形成一个扩展的特征向量，该向量包含了当前时间步和前一时间步的信息：

29、；

30、这个经过扩展的输入特征向量xt’现在包含了14个特征，其中前7个是当前时间步的特征，后7个是前一时间步的滞后特征。

31、当然，优选的操作是：按照上述原理构建多步长的滞后特征。

32、3.3 步骤s3，构建svm模型：

33、考虑到上述若干个特征之间存在线性关系的情况微乎其微，因此svm模型选用多项式核函数来执行近似回归任务；多项式核函数可以捕捉变量之间的更复杂关系。期间构建一个回归函数f(x)用以执行预测。

34、3.3.1步骤s300，构建多项式核函数k(x, x')：

35、多项式核函数k(x, x')用于捕捉所述输入特征向量xt’中的每个元素的非线性关系。通过调整多项式的阶数和常数项，可以控制映射的复杂度和灵活性，从而更好地适应钻井数据的特性：

36、；

37、其中：x和x'是不具有时间步特征的输入特征向量xt；γ是核函数的系数，控制输入向量的缩放。<·,·>表示输入特征向量x和输入特征向量x'的点积操作。r是常数项，可以直接设置为1以避免核函数在点积为零时消失。d是多项式度数，它决定了核函数的复杂性。

38、需要注意的是，在本svm模型中并不直接使用这个核函数来计算回归函数的输出。相反svm模型会使用核函数来计算数据点之间的相似性，并根据这些相似性来找到最佳的超平面（在回归的情况下是一个超平面或超平面集合），从而最小化训练数据上的误差。

39、3.3.2步骤s301，回归函数f(x)：

40、钻井工程中，数据往往是非线性的，且可能受到多种复杂因素的影响，如地质条件等。采用传统的有限元模拟过于复杂，且无法实时应用。而多项式核函数的功能在于将这些复杂的非线性关系映射到一个更高维的特征空间，使得数据在这个新的特征空间中更容易被区分和处理。

41、回归函数f(x)在svm模型中是由支持向量和对应的系数来定义的；回归函数f(x)用于将所述输入特征向量xt’中的每个元素映射到相对高维的特征空间；根据新的输入特征向量x预测相应的输出数据。其形式如下：

42、；

43、其中：αi和αi*是通过训练过程学习得到的拉格朗日乘子。b是偏置项，也是通过训练学习得到的。n是支持向量的数量。xi是任意一输入特征向量。

44、3.4 步骤s4，训练svm模型：

45、将数据集d划分为训练集ts和验证集vs，通过训练集ts对svm模型进行训练，期间使用ε-不敏感损失函数（ε-insensitive loss function）来更新svm模型的参数以优化模型的性能。

46、在训练svm模型时的目标是找到最优的αi、αi*和b，以及核函数的参数，包括系数γ、常数项r和多项式度数d，以最小化训练数据上的误差，并希望模型能够很好地泛化到未见过的数据上。

47、训练中，多项式核核函数的度数通过交叉验证来确定；同时，使用决定系数r²以便评估模型的性能并防止过拟合。

48、步骤s4需循环执行；当训练次数达到预定的迭代次数后，视为svm模型已经训练完毕，且找到了最优的模型参数，此时可参与后续的步骤s5。

49、3.4.1步骤s400，构建ε-不敏感损失函数：用于衡量svm模型的预测误差，并通过优化算法来更新模型的参数以最小化该损失函数。

50、；

51、其中，y是真实的目标值。回归函数f(x)的输出是svm模型的预测值。ε是一个预设的阈值，用于确定误差的容忍度。当预测值与真实值的差的绝对值小于或等于阈值ε时，认为没有损失；否则，损失为差的绝对值减去ε。

52、在训练svm模型时的目标是找到最优的模型参数，包括αi、αi*和b，以及核函数的参数，包括系数γ、常数项r和多项式度数d，以最小化训练集上的ε-不敏感损失函数。可以通过规划并解决一个二次规划问题来实现。

53、3.4.2 步骤s401，构建决定系数r²：

54、决定系数r²用于衡量模型对数据的拟合程度：

55、；

56、其中：yi是训练过程中引入的第i个真实的目标值。f(xi)是训练过程svm模型的回归函数f(x)预测的第i个值。是真实目标值的平均值。n是训练样本的数量。

57、r²的值越趋近于1，说明模型的拟合效果越好；如果r²的值较低或为负，则表示模型拟合不佳或存在过拟合的情况。

58、3.4.3 步骤s402，交叉验证法：

59、为了防止过拟合和提高模型的泛化能力，使用交叉验证来确定多项式核函数的度数。交叉验证将训练集进一步划分为多个子集，并在这些子集上反复训练和验证模型，以选择最佳的模型参数。

60、3.5 步骤s5，执行预测：

61、使用训练好的svm模型建立页岩地层的渗透率变化（滤饼渗透率k）与封堵剂流变性能(av,pv,yp,gel10s,gel10min)及纳米封堵剂的浓度c之间的联系。即，将当前时间步t下的浓度c的数据输入到模型中，以预测下一时间步t+1滤饼渗透率kt+1的值。

62、通过如步骤s2的形式，构建当前时间步的原始特征向量xt作为所述svm模型的输入向量，将其输入到训练好的svm模型中，模型将根据其在训练阶段学习到的支持向量和权重来计算出一个预测值。这个预测值代表了下一时间步t+1的滤饼渗透率kt+1：

63、；

64、其中：sv是支持向量的集合。αi是经训练后得出的拉格朗日乘子（作为一种权重引入），是与支持向量xi相关的权重，这些权重在训练阶段通过优化算法确定。k(x, x')是核函数，用于计算支持向量xi与输入向量xt之间的相似性。在多项式的情况下是一个多项式函数。b是偏置项，也是在训练阶段学习得到的。回归函数f(x)的输出是滤饼渗透率kt+1的值。

65、需要注意的是，由于使用的是回归svm模型，因此回归函数f(x)的输出是一个连续值，代表了渗透率kt+1的预测结果。这个预测结果将基于模型在训练数据上学习到的模式和关系。

66、3.6 步骤s6，浓度调整策略：

67、将滤饼渗透率kt+1与预设的工艺参数阈值进行比对；如果滤饼渗透率kt+1超出了阈值，则视为下一时间步的钻井工程的页岩地层的渗透率变化会超出理想施工状态，则应当在当前时间步t下对纳米封堵剂的浓度c执行调整。其操作步骤是通过迭代法实现的：

68、s600，根据经验或先前的数据，设定一个初始的浓度调整量c′；并根据当前钻井工程的环境工艺指标，拟定一个评判滤饼渗透率kt+1的阈值δ，以及评判所述封堵剂流变性能的阈值β；

69、s601，使用浓度调整量c′加上当前封堵剂的浓度c，再次使用回归函数f(x)计算调整后的浓度c′±c所对应的滤饼渗透率kt+1与阈值δ之间的差距；如果差距在阈值δ以内，进入s602；反之，则根据差距的大小和方向调整c′的值，并重复迭代执行步骤s601；直至使得差距在阈值δ以内；

70、s602，再次使用回归函数f(x)计算调整后的浓度c′±c所对应的封堵剂流变性能(av,pv,yp,gel10n,gel10min)，组合成一个单一的指标β’与阈值β之间的差距；如果差距在阈值β以外，则根据差距的大小和方向继续调整c′的值，并重复迭代执行步骤s602；反之，进入步骤s603；

71、s603，将计算调整后的所述浓度c′±c视为封堵剂所要调整到的浓度的值并加以应用，制备出新浓度的封堵剂并与所述基浆混合，形成新的所述基浆。

72、第二方面，基于流变性能的封堵剂适应性制备系统：

73、所述制备系统包括控制器、处理器、与所述处理器连接的寄存器，所述寄存器中存储有程序指令，所述程序指令被所述处理器执行时，使所述处理器执行如上述所述的制备方法中的步骤s1~s6。

74、其中在一种实施方式中：所述制备系统还包括用于制备所述基浆的搅拌装置，所述搅拌装置由所述控制器控制；

75、所述搅拌装置用于将纳米封堵剂及所述基浆的其它组分混合在一起；所述搅拌装置执行时，实现如上述所述的制备方法中的步骤s6，并制备出新的所述基浆。

76、第三方面：一种钻井液：

77、所述钻井液是使用如上述所述的所述制备系统，通过执行如上述所述的制备方法中的步骤s6所制备出的新的所述基浆。所述纳米封堵剂为cq-nsa。

78、与现有技术相比，本发明的有益效果是：

79、一、智能调控策略：本发明通过使用svm模型进行回归预测，能够更准确地预测封堵剂的流变性能，从而帮助工作人员更好地了解钻井过程中页岩地层的渗透率变化。在实际应用中，通过实时监测钻井工程的滤失量并根据svm模型的预测结果调整封堵剂的浓度，工作人员可以做出更及时、更准确的决策，确保钻井过程保持在理想的施工状态。这种数据驱动的方法减少了人为判断的不确定性，提高了决策的效率和可靠性。

80、二、适应性强：本发明中的svm模型具有良好的泛化能力，能够适应不同的钻井环境和页岩地层特性。通过交叉验证确定多项式核函数的度数，进一步增强了模型的适应性，使其能够在各种复杂情况下保持稳定的性能。并且通过精确预测和及时调整封堵剂浓度，有助于降低钻井过程中的风险，如页岩地层渗透率变化过大导致的井壁失稳等问题。同时，优化封堵剂的使用量也有助于降低钻井成本，提高经济效益。

81、三、自动化和智能化：本发明的技术方案实现了钻井过程中封堵剂浓度调整的自动化和智能化。通过自动收集和处理数据、训练svm模型、执行预测和调整浓度等步骤，减少了人工干预的需要，提高了钻井作业的效率和安全性。