注采管柱临界冲蚀流速确定方法及装置与流程

本发明涉及注采工程技术领域，特别涉及一种注采管柱临界冲蚀流速确定方法及装置。

背景技术：

目前，气井和注采井管柱尺寸设计首先要满足气井配产和注采井注采气量的要求，同时需综合考虑沿程压力损失、临界携液流量及临界冲蚀流量等因素；其中，临界冲蚀流量是限制生产管柱和注采管柱尺寸的重要因素。临界冲蚀流量等于临界冲蚀速率与管柱横截面积的乘积。管柱尺寸不能小于临界冲蚀流量对应的尺寸，否则管柱很容易发生冲蚀，导致管柱失效；反之，如果为满足冲蚀流量而一味增加管柱尺寸，不可避免造成套管尺寸、井眼尺寸增加，进而大幅增加作业成本。

业内比较公认临界冲蚀流速计算方法是apirp14e提出的方法，其为半经验公式，主要通过选取临界冲蚀系数c确定对应的临界冲蚀流速，进而确定管柱的临界冲蚀流量，但是该方法依赖经验，不利于临界冲蚀流速确定的准确性、合理性。此外，部分研究学者建立了临界冲蚀速率数值计算模型，但是不同模型适应特定冲蚀工况，存在一定的局限性；此外，模型部分参数无法直接获取，需要进行室内实验获取，进一步限制了模型的应用。

技术实现要素：

本发明实施例提供了一种注采管柱临界冲蚀流速确定方法，以解决现有技术中确定注采管柱临界冲蚀流速时存在的准确性低、有局限性的技术问题。该方法包括：

获取目标井的与管柱冲蚀相关的注采工况数据；

将所述注采工况数据数值化后输入到神经网络中，得到所述神经网络输出的表示管柱是否发生冲蚀的信息，多次修改所述注采工况数据中的流速后，将修改流速后的注采工况数据数值化后输入到神经网络中，分别得到各修改后的流速下表示管柱是否发生冲蚀的信息，在所述神经网络输出当前流速下管柱未发生冲蚀，所述神经网络输出下一流速下管柱发生冲蚀时，将当前流速确定为目标井的临界冲蚀流速，其中，所述神经网络是经过目标井的各种工况下的注采工况数据和各种工况下管柱是否发生冲蚀的信息训练得到的，所述神经网络用于输入一种工况下的注采工况数据，输出该工况下表示管柱是否发生冲蚀的信息。

本发明实施例还提供了一种注采管柱临界冲蚀流速确定装置，以解决现有技术中确定注采管柱临界冲蚀流速时存在的准确性低、有局限性的技术问题。该装置包括：

数据获取模块，用于获取目标井的与管柱冲蚀相关的注采工况数据；

确定模块，用于将所述注采工况数据数值化后输入到神经网络中，得到所述神经网络输出的表示管柱是否发生冲蚀的信息，多次修改所述注采工况数据中的流速后，将修改流速后的注采工况数据数值化后输入到神经网络中，分别得到各修改后的流速下表示管柱是否发生冲蚀的信息，在所述神经网络输出当前流速下管柱未发生冲蚀，所述神经网络输出下一流速下管柱发生冲蚀时，将当前流速确定为目标井的临界冲蚀流速，其中，所述神经网络是经过目标井的各种工况下的注采工况数据和各种工况下管柱是否发生冲蚀的信息训练得到的，所述神经网络用于输入一种工况下的注采工况数据，输出该工况下表示管柱是否发生冲蚀的信息。

本发明实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意的注采管柱临界冲蚀流速确定方法。以解决现有技术中确定注采管柱临界冲蚀流速时存在的准确性低、有局限性的技术问题。

本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述任意的注采管柱临界冲蚀流速确定方法的计算机程序。以解决现有技术中确定注采管柱临界冲蚀流速时存在的准确性低、有局限性的技术问题。

在本发明实施例中，通过目标井的各种工况下的注采工况数据和各种工况下管柱是否发生冲蚀的信息训练得到神经网络，实现了基于目标井的大数据来训练神经网络，进而基于神经网络来多次修改流速，确定出临界冲蚀流速。由于神经网络是通过目标井的各种工况下的数据训练得到的，使得基于神经网络确定临界冲蚀流速的过程，相对于现有技术中基于半经验公式、计算模型等方式，更有利于确定出准确、合理、科学的临界冲蚀流速，进而有利于充分发挥管柱的通过能力，确保气田和储气库的安全、高效运行。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，并不构成对本发明的限定。在附图中：

图1是本发明实施例提供的一种注采管柱临界冲蚀流速确定方法的流程图；

图2是本发明实施例提供的一种神经网络的示意图；

图3是本发明实施例提供的一种注采管柱临界冲蚀流速确定装置的结构框图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施方式和附图，对本发明做进一步详细说明。在此，本发明的示意性实施方式及其说明用于解释本发明，但并不作为对本发明的限定。

在本发明实施例中，提供了一种注采管柱临界冲蚀流速确定方法，如图1所示，该方法包括：

步骤102：获取目标井的与管柱冲蚀相关的注采工况数据；

步骤104：将所述注采工况数据数值化后输入到神经网络中，得到所述神经网络输出的表示管柱是否发生冲蚀的信息，多次修改所述注采工况数据中的流速后，将修改流速后的注采工况数据数值化后输入到神经网络中，分别得到各修改后的流速下表示管柱是否发生冲蚀的信息，在所述神经网络输出当前流速下管柱未发生冲蚀，所述神经网络输出下一流速下管柱发生冲蚀时，将当前流速确定为目标井的临界冲蚀流速，其中，所述神经网络是经过目标井的各种工况下的注采工况数据和各种工况下管柱是否发生冲蚀的信息训练得到的，所述神经网络用于输入一种工况下的注采工况数据，输出该工况下表示管柱是否发生冲蚀的信息。

由图1所示的流程可知，在本发明实施例中，通过目标井的各种工况下的注采工况数据和各种工况下管柱是否发生冲蚀的信息训练得到神经网络，实现了基于目标井的大数据来训练神经网络，进而基于神经网络来多次修改流速，确定出临界冲蚀流速。由于神经网络是通过目标井的各种工况下的数据训练得到的，使得基于神经网络确定临界冲蚀流速的过程，相对于现有技术中基于半经验公式、计算模型等方式，更有利于确定出准确、合理、科学的临界冲蚀流速，进而有利于充分发挥管柱的通过能力，确保气田和储气库的安全、高效运行。

具体实施时，虽然冲蚀的定义指流体冲刷对管柱壁面造成的影响。但在实际生产过程中，由于流体中含co2、h2s等腐蚀性介质，在温度、压力及含水率的影响下，会对管柱壁面造成腐蚀影响，产生腐蚀钝化膜以及腐蚀产物，流体冲刷将加速腐蚀钝化膜破坏、带走腐蚀产物，使新鲜管壁基体裸露，进一步促进腐蚀；反过来，腐蚀造成管壁发生变化，尤其是产生腐蚀产物时，管壁更易发生冲蚀。因此，本申请发明人发现冲蚀和腐蚀是相互促进的。在本实施例中，综合考虑注采工况和管柱的影响，分析影响管柱冲蚀的众多因素，提出与管柱冲蚀相关的注采工况数据主要包括但不限于：温度、压力、co2含量、h2s含量、流速、含水率、固相颗粒浓度、固相颗粒粒径以及管柱材质等，还可以包括：入射角度，固相颗粒的粒径、粒度等。

例如，如图2所示，将收集的数据进行整理，按照上述方法分别对照x1-x9进行分类，剔除明显异常数据点，然后，将x1-温度,x2-压力、x3-co2含量、x4-h2s含量、x5-流速、x6-含水率、x7-固相颗粒浓度、x8-固相颗粒粒径以及x9管柱材质等数值化后输入到神经网络中；输出表示管柱是否发生冲蚀的信息y，表示管柱是否发生冲蚀的信息y可以包括：管柱是否发生冲蚀的结果(发生冲蚀y取1，未发生冲蚀y取0)或管柱冲蚀速率(当表示管柱是否发生冲蚀的信息y为管柱冲蚀速率时，可以参考管柱冲蚀速率的大小来调整流速)，其中，所述管柱冲蚀速率用于与标准冲蚀速率进行比较来判断管柱是否发生冲蚀，当管柱冲蚀速率小于等于标准冲蚀速率时，管柱未发生冲蚀，当管柱冲蚀速率大于标准冲蚀速率时，管柱发生冲蚀，这样就建立了一个基本的神经网络。

具体实施时，在训练神经网络的过程中，可以通过两种方式来收集目标井的各种工况下的注采工况数据和各种工况下管柱是否发生冲蚀的信息。第一种，目标井的作业现场收集数据，尽可能收集现场管柱冲蚀的数据，越多越好；第二种，通过室内实验来获取。例如，当现场未能收集大量的与管柱冲蚀相关的注采工况数据时，可以采用室内实验获得的数据作为补充。

一般来讲，每口井的温度、压力、co2含量、h2s含量、流速、含水率以及管柱材质的数据基本都容易获得。部分井没有固相颗粒浓度和固相颗粒粒径参数数据，可采用目标井的临近井数据来代替，即目标井的固相颗粒浓度和粒径可以采用临近井或临近区块的固相颗粒浓度和粒径来代替。因为固相颗粒浓度和粒径不会每个井都进行测量，且相临井的固相颗粒粒径基本一致。

一般室内实验获得的数据基本比较完善，管柱冲蚀速率可进行量化。室内实验时，获得与管柱冲蚀相关的注采工况数据之后，可将实际的管柱冲蚀速率作为输出量，即一种冲蚀工况对应一个管柱冲蚀速率。采用0.076mm/a为标准冲蚀速率，将实际的管柱冲蚀速率与标准冲蚀速率比较来判断管柱是否发生冲蚀，以得到管柱是否发生冲蚀的信息。例如，实际的管柱冲蚀速率超过0.076mm/a，则管柱发生冲蚀，否则，管柱未发生冲蚀。

具体实施时，在训练神经网络的过程中，将注采工况数据数值化后再用于训练神经网络，例如，x1-x9变量中，只有x9管柱材质无法数值化，可采用两种方法进行解决。第一种方法：由于天然气行业中井下管柱的材质数量是有限的(常用的主要有：l80、n80、p110、sm80s以及s13cr)，可将x9管柱材质变量剔除，采用x1-x8变量，输出变量仍然不变；分不同材质建立不同的神经网络。第二种方法，将不同材质分别定义不同的值，例如l80＝1、n80＝2、p110＝3、sm80s＝4、s13cr＝5，这样全部的变量全部可以数值化，后期进行临界冲蚀流速确定时，输入对应的材质编号即可。

具体实施时，在训练神经网络时，可以采用成熟的软件(例如matla等)或重新编程，将清洗完毕的注采工况数据进行神经网格训练。可以将采集的注采工况数据分为两部分，一部分进行网格训练，一部分作为测试数据进行验证(比例可以自行决定，一般训练数据比例较大，约80％左右)。完成神经网络训练，采用测试数据验证网络的可靠性。

具体实施时，上述神经网络除了用于确定注采管柱临界冲蚀流速之外，在目标井作业过程中，还可以实时将与管柱冲蚀相关的注采工况数据输入到神经网络，以便实时检测管柱是否发生冲蚀等情况。

具体实施时，得出注采工况下的临界冲蚀流速后，即可得出临界冲蚀流量，采用气体状态方程转换，即可得出标况下的临界冲蚀流速和临界冲蚀流量。

基于同一发明构思，本发明实施例中还提供了一种注采管柱临界冲蚀流速确定装置，如下面的实施例所述。由于注采管柱临界冲蚀流速确定装置解决问题的原理与注采管柱临界冲蚀流速确定方法相似，因此注采管柱临界冲蚀流速确定装置的实施可以参见注采管柱临界冲蚀流速确定方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

图3是本发明实施例的注采管柱临界冲蚀流速确定装置的一种结构框图，如图3所示，该装置包括：

数据获取模块302，用于获取目标井的与管柱冲蚀相关的注采工况数据；

确定模块304，用于将所述注采工况数据数值化后输入到神经网络中，得到所述神经网络输出的表示管柱是否发生冲蚀的信息，多次修改所述注采工况数据中的流速后，将修改流速后的注采工况数据数值化后输入到神经网络中，分别得到各修改后的流速下表示管柱是否发生冲蚀的信息，在所述神经网络输出当前流速下管柱未发生冲蚀，所述神经网络输出下一流速下管柱发生冲蚀时，将当前流速确定为目标井的临界冲蚀流速，其中，所述神经网络是经过目标井的各种工况下的注采工况数据和各种工况下管柱是否发生冲蚀的信息训练得到的，所述神经网络用于输入一种工况下的注采工况数据，输出该工况下表示管柱是否发生冲蚀的信息。

在一个实施例中，所述注采工况数据包括：温度、压力、co2含量、h2s含量、流速、含水率、固相颗粒浓度、固相颗粒粒径以及管柱材质。

在一个实施例中，表示管柱是否发生冲蚀的信息包括：

管柱是否发生冲蚀的结果或管柱冲蚀速率，其中，所述管柱冲蚀速率用于与标准冲蚀速率进行比较来判断管柱是否发生冲蚀，当管柱冲蚀速率小于等于标准冲蚀速率时，管柱未发生冲蚀，当管柱冲蚀速率大于标准冲蚀速率时，管柱发生冲蚀。

在一个实施例中，所述标准冲蚀速率为0.076mm/a。

在另外一个实施例中，还提供了一种软件，该软件用于执行上述实施例及优选实施方式中描述的技术方案。

在另外一个实施例中，还提供了一种存储介质，该存储介质中存储有上述软件，该存储介质包括但不限于：光盘、软盘、硬盘、可擦写存储器等。

本发明实施例实现了如下技术效果：通过目标井的各种工况下的注采工况数据和各种工况下管柱是否发生冲蚀的信息训练得到神经网络，实现了基于目标井的大数据来训练神经网络，进而基于神经网络来多次修改流速，确定出临界冲蚀流速。由于神经网络是通过目标井的各种工况下的数据训练得到的，使得基于神经网络确定临界冲蚀流速的过程，相对于现有技术中基于半经验公式、计算模型等方式，更有利于确定出准确、合理、科学的临界冲蚀流速，进而有利于充分发挥管柱的通过能力，确保气田和储气库的安全、高效运行。

显然，本领域的技术人员应该明白，上述的本发明实施例的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明实施例不限制于任何特定的硬件和软件结合。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。