页岩气压裂过程井下事故在线早期识别方法研究

发布时间：2020-06-15 23:40

【摘要】：压裂过程中一旦发生事故,将会限制压后增产效果,使工序复杂化,延长施工周期,增大施工成本,因此,有必要对页岩气压裂施工过程井下事故机理进行分析,提取事故特征,并对事故进行早期在线识别,以便及时调整施工,减少事故的发生。本论文研究工作如下:(1)针对现有事故机理研究多从事故发生条件和过程角度对事故机理进行微观、静态描述,且不能直观描述整个过程的问题,从系统动力学的角度出发,提出了页岩气压裂过程砂堵事故机理模型与压窜事故机理半定量模型。案例分析结果表明,在砂堵事故案例中,随着事故严重度的直线增加,主裂缝宽度异常水平与压力异常程度变化可分为三个阶段;在压窜案例中,渗流速度过快与裂缝过度延伸是主要致因。在压窜事故的严重度增加速度先变大后变小的过程中,渗流速度过快严重度变化速度也是先增大后减小,但其变化速度要大于事故严重度的变化速度;缝高过度延伸度增加速度先变大后慢慢降低,最后趋于0。(2)为更加完全地挖掘井口压力信号所含信息特征,更为详细地描述事故特征,提出一种基于形态变换、信号延拓、经验模态分解以及信息熵的页岩气压裂井下事故熵值特征提取方法。案例特征提取结果表明:本章所述方法提取到的特征对正常工况与事故工况二者的分类准确率为100%,对正常工况、砂堵事故、压窜事故三者的分类准确率为88.9%。(3)针对页岩气压裂过程中井下事故人工识别工作量较大、事故样本较少的问题,建立了基于PSO优化的支持向量机页岩气压裂过程事故早期在线识别模型,并将识别效果与SVM、GA优化的SVM以及人工识别相比较。案例分析结果表明,PSO-SVM模型比SVM模型识别时间平均提前17.78s,最多提前64s,稳定度比SVM模型平均提高12.67%,最多提高52.78%;与GA-SVM模型相比,识别时间平均提前15.56s,最多提前62s,稳定度平均提高3.85%,最多提高29.37%。
【学位授予单位】：中国石油大学(北京)
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TE38
【图文】：

时间曲线,净压力,时间曲线

应用贝叶斯网络及基于安全屏障的]；文献[60]通过分析核电站操作信息实现事故诊进行了优化[60]；文献[61]考虑事故前兆，利用故障性，建立基于 SHIPP 方法的事故诊断模型[61]；的整合，用数据重建得出引发事故的条件，以实尔维亚电力系统中的蒸汽动力装置，使用数据挖掘找出用于诊断操作条件，以此实现蒸汽动力单元数据和一些计算模拟结果建立了安全工程断层树[接地事故的机械分析诊断模型，用于诊断立管的事故诊断研究现状程事故检测与识别的相关研究主要围绕检测钻头行的。程事故的诊断多是基于施工曲线实现的。Nolte-S曲线，是诊断和解释压裂过程的有力工具，如图

技术路线图,技术路线

本文技术路线

【相似文献】