基于随钻测井和钻井参数预测孔隙压力和井筒稳定性的神经网络模型

在钻井施工中，需要准确预测钻井时间、成本和风险管理。在过去的60年中，已经开发了多个模型来根据井测数据估计岩石参数和应力大小。然而，这涉及到岩石非均匀性引起的不确定性，由于高数据采集成本和间接测量而缺乏信息。钻井监测已经被用于在钻井时更新地质力学模型以减轻不稳定事件。然而，监测高度依赖于分析人员的经验和对现有信息的即时解释。人工智能算法已被用于许多不同技术中提高效率，但它们依赖于从经验中学习的良好预测。为了构建一个准确和通用的ANN模型，本文使用了巴西海上井的真实案例研究经验，并与钻井事件进行了校准。数据由巴西国家石油管理局(ANP)提供，用于构建ANN模型。使用了可用的钻井参数，如钻头重量、扭矩、穿透速率、测井数据和井报告。将神经网络应用于可用数据来构建模型。模型输出包括调查的孔隙压力和塌陷压力。提出的模型可以作为辅助工具来帮助井的建设操作。