大數據方法尋找順北碳酸鹽巖儲層開采過程中井壁坍塌主控因素

陶杉 余星 宋海 廖亞民 常啟帆 樊晶晶

1. 中石化西北油田分公司石油工程技術研究院；2. 中國石化縫洞型油藏提高采收率重點實驗室；3. 中國石油大學(北京)石油工程學院；4. 北京力會瀾博能源技術有限公司

0 引言

順北油田位于塔里木盆地中西部，是中國石化在碳酸鹽巖海相石油勘探的新發現，油氣資源豐富。順北油氣田儲層平均深度7 300 m，地質結構復雜，埋藏深、巖石強度大、易漏失易坍塌［1］，開采過程發生的井壁失穩難題危及生產安全，關系經濟效益。油氣開采過程涉及鉆井、完井、開采等諸多環節，影響儲層井壁坍塌因素眾多，主控因素不明確。

現有方法通常只考慮了某單一因素對井壁坍塌的影響，無法或很少分析實際生產過程中諸因素間的相互影響，無法為現場控制坍塌提供合理建議［2］。此外，順北碳酸鹽巖儲層埋藏深、灰巖強度低，破碎性儲層特征明顯［3］，易發生坍塌、井徑擴大等井下復雜情況，隨著油氣勘探向深層發展，深井取心難度大，且成功取心的樣品絕大部分來自穩定地層，破碎性易坍塌儲層巖心數量有限，順北碳酸鹽巖儲層井壁坍塌主控因素尋找面臨巨大難題。

目前常用的主控因素尋找方法主要有實驗法、數模法和數據法，或是兩種或者三種方法的結合。順北碳酸鹽巖儲層多實施裸眼完井，除地質因素、鉆完井工藝等影響因素外，井壁還受到儲層井筒內流體物理化學性質的影響，影響因素眾多，數據復雜且海量。井壁穩定主控因素尋找難以用實驗法和室內實驗結合數模法來實現。

大數據方法具有在獲取、存儲、管理、分析方面大大超出傳統數據庫軟件工具能力范圍的數據集合，具有海量的數據規模、快速的數據流轉、多樣的數據類型和價值密度低四大特征，能夠對現場數據集合進行捕捉、管理和處理，有望為順北碳酸鹽巖儲層開采過程中井壁坍塌主控因素的尋找提供解決辦法，其關鍵是數據的搜集整理和大數據處理方法的選擇。

王贊等［4］通過剖析側鉆老井的井史資料，結合每一項側鉆技術的實施難度，以經濟性為原則，基于渤海油田應用成功的側鉆技術建立了決策樹模型。但決策樹法存在高方差、不穩定及結果不確定性的問題。吳超等［5］運用小波神經網絡建立已鉆井地震屬性與測井數據之間的分層映射關系模型，計算待鉆層段的孔隙壓力、坍塌壓力和破裂壓力。但小波神經網絡的“黑箱性質”，使得在利用其處理油田大樣本數據易導致應用實例與預測模型的矛盾，且局部極小化問題使得所得模型不能完全真實反映數據規律。

可見，傳統數據處理方法在順北碳酸鹽巖儲層井壁坍塌主控因素研究過程中存在一定缺陷，為此，筆者針對順北碳酸鹽巖儲層開采過程中井壁坍塌主控因素尋找，建立了一套全新的包括目標函數建立、原始數據收集、影響參數分析、主控因素篩選和模型可信度驗證在內的大數據模型分析方法，以順北1條帶和5條帶17口井的儲層鉆開、洗井、測試、酸化壓裂、試油生產等數據為對象，尋找順北碳酸鹽巖儲層井壁坍塌主控因素。

1 尋找開采過程井壁坍塌主控因素過程

評價井壁坍塌的參數很多，如大鉤載荷、返出巖屑、井徑擴大率等。大鉤載荷和返出巖屑是井壁坍塌的二次數據，不能直接反映井壁坍塌情況。井徑擴大率是研究井壁坍塌后的最直觀的定量表征指標。因此，采用井徑擴大或者收縮的相對大小作為井壁穩定評價指標的目標函數。

1.1 目標函數建立

順北區塊多采用四級井身結構，以奧陶系一間房組和鷹山組為主要儲層，坍塌壓力較高，存在較大的卡鉆和垮塌風險。同時，在實際數據記錄過程中，數據記錄全、格式規范，以井徑擴大率作為井壁坍塌研究的目標函數能夠較全面收集多種因素，保證井壁坍塌機理解析客觀。采用“剝繭尋根算法”尋找開采過程中井壁坍塌的主控因素。圖1為“剝繭尋根算法”流程圖。

圖1 “剝繭尋根算法”流程圖Fig. 1 Flow chart of “cocoon stripping algorithm”

1.2 信息收集與整理

在實際收集資料的過程中遇到了同一井地質資料、鉆完井、測井等資料豐富但記錄形式多樣，不同井資料格式差異、文數混合、數據缺失等諸多難點。針對這些難點，黃知娟認為在實際收集數據的過程中要盡可能減少人為干預、擴大收集數據渠道源頭以及將數據正確、完整地預處理［6］。為保持數據的原始性，使用“環節法”，根據順北油田裸眼完井工藝流程，將整個完井過程劃分成了“鉆開儲層、洗井、下油管、油管測試、酸化壓裂、試油生產”等6個環節，每個環節包括工程參數和流體性質參數兩類。將數據進行“層維化”分類，即每個工程環節作為層，參數具體數值作為維。

由于現場提供井壁坍塌數據資料豐富、記錄多樣，需進行數據化處理，完成數據漏值、錯值及野值等數據的篩除與修正，保證后續建模、數據提取、計算的便捷性和統一性，保障數據分析的合理性及高效性。針對數據來源廣泛、因素重復、空間序列數據與時間序列數據共存、各因素收集到的原始數據存在異常值等難點，通過數據一致性檢查、數據異常值的“清洗”、數據歸一等完成數據化處理。整理順北1條帶和5條帶17口井的儲層鉆開、洗井、測試、酸化壓裂、試油生產等作業環節的85萬條原始數據，按照環節法，層維化完成數據處理。

1.3 建立數學模型并求解待定系數

建立不同因素與目標參數井徑擴大率之間影響關系數學表達式

式中，K為井徑擴大率；X1，···，Xn，Y1，···，Yn，Z1，···，Zn分別表示儲層鉆開、洗井、下油管、油管測試、酸化壓裂、試油生產等6個作業環節下的對目標函數有影響的參數。

以井徑擴大率為目標的自變量有方位角、固相含量、漏斗黏度等39個參數。對收集后分組數據進行讀取，分別賦予因變量數據和自變量數據。設定選定模型為一維線性函數模型，對高階高次函數進行拉格朗日縮放到一維線性函數上。

根據式(1)，采用待定系數法，將不同影響因素具體數據代入方程中，即可求解方程系數。

1.4 優化模型篩選主控因素

根據求解的方程系數，可建立各因素與目標參數之間的模型關系。在優化模型過程中，由于各因素數據量級存在差異，導致系數存在一定的差異。常用的優化模型方法有賦值法和削元法，賦值法是人為對參數進行賦值，無法保證客觀性，因此使用削元法優化模型。從數據整體來看，各因素對模型的貢獻程度是有區別的，部分數據充當模型的核心“筋骨框架”，另一部分數據充當點綴。為此，當刪除的數據屬于核心數據時，模型在原有基礎上會發生較大的改變；當刪除的數據屬于非核心數據時，模型在原有基礎上不會發生太大的變化。例如對單因素X1削元，若削去X1后，其他因素排序穩定不變，則X1非主控因素；若削去X1后，其他因素排序發生變化，則X1為主控因素。最后找到，影響目標參數的因素集合。

利用削元法，從39個因素中篩選出24個影響因素，對其進行擬合，結果見式(2)。

由于繼續使用削元法數據量大且計算復雜，因此通過計算貢獻率的方法從影響因素中篩選主控因素。

2 結果與討論

從24個影響因素中根據貢獻度的大小以及貢獻度之和大于 90%，篩選出Φ600、鉆時、Φ300、鉆壓、Φ200、井口大地Y坐標、Φ100、漏斗黏度、井口大地X坐標、Φ6、鉆井泵壓、井斜角、固相含量共13個主控因素。

2.1 井徑擴大率大數據模型可信度分析

針對在數學模型驗證過程中，由于在部分試驗方法中缺乏適用的標準物質，不能比較直觀、簡單進行結果的有效性評定的問題，通過對單主控因素的作用可信度評價使用T檢驗，對目標變量模型的可信度評價使用F檢測，兩者配合使用確保結果的有效性［7］。

T檢驗值越小，該因素提供的信息越準確。檢驗結果表明，這13個因素的T檢驗值均在0～45之間，數值較小，使用該數據會提高模型的準確性。對目標變量模型進行F檢驗，檢驗值越大，模型準確度越高。井徑擴大率的F檢驗值為193.03，大于95，屬于F檢驗值較大的情況，認為各因素與目標因素的顯著性明顯，模型具有準確性。因此，模型可行。

2.2 井壁坍塌主控因素合理性分析

分析井壁坍塌主控因素的方法有數據對比法、經驗推測法、數學計算法等方法。數據對比法實驗流程及數據處理復雜，結果不夠直觀；經驗推測法準確性主要依靠人工經驗，存在主觀偏差。利用數學方法對不同因素進行權重分析的數學計算法數據全面，適用于研究順北油田儲層井壁坍塌。通過計算各系數的貢獻率來分析主控因素貢獻率。

以井徑擴大率為目標函數，Φ600相關系數貢獻率最高，達到16.57%，表明是主導因素；鉆進目的層鉆時、Φ300、鉆進目的層鉆壓均達到10%以上，表明這3種因素影響都較大。其余因素相關系數貢獻率稍低，存在影響不可忽略。

(1)Φ600/Φ300表示高剪切速率下的流體流變性能，該值越大，流體流動性減弱，對井壁沖刷力變弱，且固相越容易黏附井壁，有利于井壁穩定。

(2)對于順北碳酸鹽巖儲層，鉆時越大，表示地層壓實強度越弱或井底負壓差越大，越容易坍塌掉塊，不利于井壁穩定。

(3)Φ200/Φ100表示中等剪切速率下的流體流變性能，該值越大，流體流動性越弱，對井壁沖刷力變弱，有利于井壁穩定。

(4)鉆壓表示鉆具自重與鉆具受到流體浮力的差值，該值增大，表示浮力減小，反映了流體密度變小，對井壁支撐力度減弱，不利于井壁穩定。

(5)Y坐標/X坐標表示井口位置，利用其完成的井徑擴大率預測趨勢圖表明，該值越大，越偏向東北方向，井壁越不穩定。

(6)漏斗黏度是黏度的綜合表現，該值越大，流動阻力增大，對井壁沖刷力越小，有利于井壁穩定。

(7)Φ6表示低剪切速率下的流體流變性能，該值越大，流體結構力越強，流動越弱，對井壁沖刷力變弱，對井壁穩定性越有利。

(8)鉆井泵壓越大，排量越大，井壁沖刷力越大，越不利于井壁穩定。

(9)井斜角越大，越不利于井壁穩定。

(10)固相含量越大，流體密度越大，對井壁支撐力度越強，越有利于井壁穩定；高固相含量導致泥餅質量變差，失水量變大，引起含泥地層水化分散加劇，越易引起坍塌掉塊，越不利于井壁穩定。

鉆進目的層鉆壓、井口大地Y坐標、井口大地X坐標、井斜角、固相含量共5個因素符合傳統井壁穩定力學化學模型，與劉志遠［8］和翟曉鵬［9］等研究結果一致。鉆井液的Φ600、Φ300、Φ200、Φ100、Φ6、鉆井泵壓、漏斗黏度、鉆進目的層鉆時共8個因素是前人沒有發現的從理化方面影響井壁穩定的主控因素。

2.3 預測開采井井壁坍塌程度的合理性分析

井壁坍塌往往是由于流體機械工程的作用，而在開采、酸化、試采過程中壓力變化、流體性質等依舊會對井壁產生作用。因此，鉆井過程中所建立的模型對于預測開采井壁坍塌程度是適用的。

SHB1-4H井放噴期間井口返出大塊巖屑，堵塞油嘴，導致關井整改放噴流程。關井期間巖屑下沉，堵塞油管與井筒，造成處理井筒二次完井作業。

利用前期獲得的結果，預測SHB1-4H井生產過程中井壁坍塌程度。利用前面所建立的模型，在鉆完井資料基礎上，建立了測井前相關參數與井徑擴大率對應關系。代入開采、酸化、試采過程中的壓力參數、流體參數等，對井徑擴大率進行預測。結合模型計算的井徑擴大率由完鉆時的3%增加至3.22%。

由于試采過程中原油由地層流向井口時，溫度降低，黏度增加，造成結蠟現象，為了盡量接近現場實際情況，使用不同倍數原油黏度對井徑擴大率進行計算。當原始原油黏度增大到8倍原油黏度時，井徑擴大率由?0.09%增加至1.71%。計算結果表明，在試采過程中，原油黏度增大會導致井壁穩定性變差，也就是生產過程中壓差大，會降低原油流動性，造成井壁坍塌，表明主控模型可以成功預測開采井井壁坍塌程度。

3 結論

(1)針對順北碳酸鹽巖深部儲層取心難、所取巖心代表性不足等難題，在確保數據的多元完整性、時效性和連續性的前提下，利用基于剝繭尋根的大數據方法，可以準確預測生產井井壁坍塌的問題。

(2)針對井壁坍塌問題，應該采用更多的預測目標，增加預測的準確性。這需要考慮井徑擴大率、漏失量、漏失速度等多個目標。

(3)剝繭尋根算法為分析井壁坍塌主控因素提供了一種手段。但分析需要較多現場生產數據，如何用較少數據尋找主控因素是未來的研究方向。