基于自编码器钻井溢流井筒气体分布智能反演方法及系统

1.基于自编码器钻井溢流井筒气体分布智能反演方法，其特征在于，包括：步骤1：对井筒多相流参数进行精确求解，包括井筒内气和钻井液的运移速度、各相含量、压力和温度分布；步骤2：结合具体某一口溢流高风险井段的钻井工况和地质条件，基于蒙特卡洛抽样方法，改变以下8个参数包括欠压值、溢流速率、地面钻井液密度、地面钻井液排量、地面钻井液温度、地层温度梯度、钻井深度、溢流时间，进行均匀采样，构成高精度模拟数据集；步骤3：构建基于自编码器神经网络的气侵状态反演的神经网络模型；步骤4：对步骤3构建的基于自编码器神经网络的气侵状态反演的神经网络模型进行训练；步骤5：将构建的基于自编码器神经网络的气侵状态反演的神经网络模型进行部署，基于步骤2中的方法，对监测数据中一维时间序列参数进行标准化；将标准化后的时间序列参数输入至步骤4训练好的基于自编码器神经网络的气侵状态反演的神经网络模型，得到当前时刻时间序列参数所在时间段内溢流气体在井筒内的分布数据；构建基于自编码器神经网络的气侵状态反演的神经网络模型；包括：步骤3-1：构建对称卷积自编码器SCAE；对称卷积自编码器SCAE包括编码器和解码器；假设输入SCAE的气侵状态数据为 即二维时空序列，编码器通过多层卷积操作，将井下气侵状态数据压缩至低维的潜在空间，生成隐变量 解码器则通过多层反卷积从z重构出解压缩的气侵数据 具体定义如下：式中：l表示卷积或反卷积的总层数，*表示卷积操作，σ(·)为激活函数；编码器Encoder通过堆叠多层卷积逐步降低空间维度，最终将数据压缩为低维向量z； 表示反卷积操作，解码器Decoder通过反卷积层逐步恢复数据空间维度，最终输出与输入同尺寸的重构数据 分别表示第l层的卷积与反卷积操作；H (l-1) 表示第l层卷积或反卷积的输入，也是前一层的输出，即第l-1层卷积或反卷积的输出； 表示第l层卷积操作的卷积核与偏置参数； 表示第l层反卷积操作的卷积核与偏置参数；步骤3-2：构建隐变量回归网络LRN；隐变量回归网络LRN是结合多头自注意力机制的前馈神经网络，通过测录井数据来预测隐变量 首先，通过前馈神经网络对原始测录井数据进行特征提取；随后，引入多头注意力机制，通过动态计算输入中不同位置的关联权重，自适应地聚合全局信息；随后，衔接残差连接与层归一化，缓解梯度消失并稳定训练过程，最终，输出与自编码器潜在空间维度匹配的压缩变量 基于自编码器神经网络的气侵状态反演的神经网络模型的输入数据为单参数值和一维时间序列，输出数据为二维时空序列；单参数值包括：钻井井深、溢流时间；一维时间序列包括：泥浆池增量、井底压力、井底温度、立管压力、出口持液率、出口压力、出口流量、出口温度；二维时空序列包括：井筒含气率分布。 2.根据权利要求1所述的基于自编码器钻井溢流井筒气体分布智能反演方法，其特征在于，基于流体力学原理，建立钻井溢流期间地层溢流侵入井筒后的多相流物理模型，用于对井筒多相流参数进行精确求解；多相流物理模型包括连续性方程、动量守恒方程与能量守恒方程，分别对井筒内气和钻井液的运移速度、各相含量、压力和温度分布进行求解；包括：连续性方程包括：气相连续性方程，如式(1)所示：式中：A为环空截面积，m 2 ；α g 为井筒内的含气率；ρ g 为气体密度，kg/m 3 ；v g 为气体流动速度，m/s；t为时间，s；z为深度，m；k M 为多相流动期间气体的溶解传质系数；S int 为相间接触面积，m 2 /m；w b 为钻井液中溶解气的含量，kg/m 3 ；w g 为气体在钻井液中的溶解度，kg/m 3 ；q g 为地层流体的侵入速率，kg/m；钻井液相的连续性方程，如式(2)所示：式中：α l 为井筒内的钻井液体积分数；ρ l 为钻井液的密度，kg/m 3 ；v l 为钻井液的流动速度，m/s；溶解气相的连续性方程，如式(3)所示：式中：x sol 表示溶解气体的质量分数，kg/kg；动量守恒方程，如式(4)所示：式中：p为流体压力，Pa；d c 为环空当量直径，m；g为重力加速度，m/s 2 ；θ为井斜角，rad；f为摩阻系数；下标m表示溢流气体和钻井液组成的混合流体参数；ρ m 即为混合流体的密度，kg/m 3 ；v m 即为混合流体的流动速度，m/s；能量守恒方程，如式(5)、(6)所示：式中：C pg 为气体定压比热容，C pl 为钻井液定压比热容，J/(kg*℃)；C J 为焦耳-汤姆逊系数，℃/Pa；h e 和h g 是气体在油藏和井底处单位质量的焓，J/kg；T为环空流体的温度，℃；T sr 为地层温度，℃；A’为井筒与地层之间的综合换热系数，W/(m*℃)；B’为钻杆与环空之间的综合换热系数，W/(m*℃)；ΔH sol 为气体在水中的溶解热，J/kg；At为钻杆截面积，m 2 ；多相流物理模型中连续性方程、动量守恒方程与能量守恒方程，通过数值离散后，采用隐式差分法进行求解；计算的输入和输出参数如下：输入参数包括：钻井工况、钻井液排量与物性参数、井身结构、地层流体侵入速率q g ；钻井工况包括井深z、钻井液的流动速度v l 、钻井液的密度ρ l 、地层温度梯度T t ；不同井身结构包括环空截面积A、环空当量直径d c ；输出参数包括：井筒内不同时刻含气率α g 、井筒内的钻井液体积分数α l 、气体速度v g 、液体速度v L 、流体压力p和流体温度T沿井深的分布，称为二维时空序列数据；二维时空序列数据间接包括以下8个一维时间序列参数：泥浆池增量—出入口钻井液流量差随时间的积分、井底压力—井底位置处的压力、井底温度—井底位置处的温度、立管压力—钻井液入口处的压力，出口持液率—地面的钻井液体积分数、出口压力—地面的钻井液压力，出口流量—地面的钻井液体积分数、出口温度—地面的钻井液体积分数。 3.根据权利要求1所述的基于自编码器钻井溢流井筒气体分布智能反演方法，其特征在于，结合具体某一口溢流高风险井段的钻井工况和地质条件，基于蒙特卡洛抽样方法，改变8个参数包括欠压值、溢流速率、地面钻井液密度、地面钻井液排量、地面钻井液温度、地层温度梯度、钻井深度、溢流时间，进行均匀采样，进行溢流仿真，构成高精度模拟数据集；包括：单参数值：钻井井深、溢流时间；一维时间序列：泥浆池增量、井底压力、井底温度、立管压力、出口持液率、出口压力、出口流量、出口温度；二维时空序列：井筒含气率分布；进行标准化处理。 4.根据权利要求1所述的基于自编码器钻井溢流井筒气体分布智能反演方法，其特征在于，步骤3-2的具体实现过程包括：在隐变量回归过程引入多头自注意力机制，通过动态计算输入中不同位置的关联权重，自适应地聚合全局信息；测录井时序数据 首先通过多层全连接层剥离噪声并提取特征F，其计算过程表示为：f l (H (l-1) )＝σ(W (l) H (l-1) +b (l) ) (12)；式中，l表示线性层的总层数，H (l-1) 表示第l层线性层的输入，也是前一层的输出，即第l-1层线性层的输出；W (l) 、b (l) 表示第l层线性层的权重矩阵与偏置参数；f l 表示第l层线性层操作，MLP表示整个前馈网络，即多层全连接层的操作；最后，由多头自注意力模块进行全局依赖建模和动态权重分配；MHSA(Q,K,V)＝Concat(Attention 1 ,...,Attention h )W O (14)；式中，MHSA表示多头自注意力机制的操作，LayerNorm表示层归一化操作； 表示由LRN预测出的隐变量结果；h表示注意力头的头数，W O 表示输出投影权重矩阵，将多个注意力头的输出结果线性组合并映射回标准特征维度，完成信息的最终整合与降维；Attention i 表示单个注意力头的注意力输出，Concat表示矩阵的拼接；多头自注意力MHSA将F分别投影到Q,K,V空间，即查询、键、值空间， 是第i个注意力头对应的可训练权重矩阵分别用于生成Query、Key和Value矩阵，第i个注意力头得到的Query、Key和Value矩阵，即分别是Q i 、K i 、V i ；d k 表示每个注意力头中键和查询向量的维度。 5.根据权利要求1所述的基于自编码器钻井溢流井筒气体分布智能反演方法，其特征在于，对步骤3构建的基于自编码器神经网络的气侵状态反演的神经网络模型进行训练；包括：将数据集即高精度模拟数据集中的样本分为训练、验证和测试数据集；采用以下方法进行模型训练：步骤4-1：训练对称卷积自编码器SCAE；SCAE训练阶段是无监督训练，通过最小化输入的真实气侵状态数据Y与其重构输出 的均方误差，迫使隐变量z编码数据的关键特征，确保其信息完整性，如下所示：故SCAE训练阶段的气侵状态数据重建损失L recon 为：步骤4-2：训练隐变量回归网络LRN；LRN训练阶段是监督训练，通过最小化预测隐变量 与SCAE阶段训练后中的编码器输出z的MSE，建立LRN输入到隐空间的可靠映射，如下所示： z＝Encoder(Y)(19)；故LRN训练阶段的隐变量回归损失L reg 为： 6.根据权利要求1-5任一所述的基于自编码器钻井溢流井筒气体分布智能反演方法，其特征在于，8个一维时间序列参数通过测量参数部署系统实现测量得到；测量参数部署系统包括：泥浆池、钻井液、泥浆泵输入管线、泥浆泵、泥浆泵输出管线、立管压力计、钻杆、旋转控制头、井口四通、环空、钻头、地层、节流管汇输入管线、节流管汇、节流管汇输出管线、气液分离器、排气管线、温度传感器、第一压力传感器、排液管线、第二压力传感器、质量流量计；在泥浆泵的驱动作用下，泥浆池中的钻井液依次流经泥浆泵输入管线、泥浆泵、泥浆泵输出管线进入钻杆；立管压力计部署在泥浆泵输出管线和钻杆的连接处，实时获取钻井溢流过程中的立管压力；钻井液在钻杆内自上而下流动，通过钻头水眼返出进入井筒环空内；当地层流体压力大于井底处的流体压力，储层气体在压差的作用下由地层侵入井筒；侵入的气体和钻井液由环空自下而上流动，通过旋转控制头排出管线、节流管汇输入管线进入节流管汇，然后经节流管汇输出管线流入气液分离器中进行分离，分离后的气体从排气管线流出，分离出的液相从排液管线流出；井底处，钻头上方安装PWD，实时测量井底压力、井底温度；排液管线出口处，安装第二压力传感器、质量流量计，排气管线出口处安装温度传感器、第一压力传感器；分别测量得到出口持液率、出口压力、出口流量、出口温度；此外，泥浆池中安装泥浆池液位计，通过泥浆池液位随时间的变化，测量得到泥浆池增量；通过上述部署的测量参数部署系统，得到8个一维时间序列：泥浆池增量、井底压力、井底温度、立管压力、出口持液率、出口压力、出口流量、出口温度。 7.基于自编码器钻井溢流井筒气体分布智能反演方法系统，其特征在于，包括：井筒多相流参数求解模块，被配置为：对井筒多相流参数进行精确求解，包括井筒内气和钻井液的运移速度、各相含量、压力和温度分布；模型构建及训练模块，被配置为：结合具体某一口溢流高风险井段的钻井工况和地质条件，基于蒙特卡洛抽样方法，改变以下8个参数包括欠压值、溢流速率、地面钻井液密度、地面钻井液排量、地面钻井液温度、地层温度梯度、钻井深度、溢流时间，进行均匀采样，构成高精度模拟数据集；构建基于自编码器神经网络的气侵状态反演的神经网络模型；对构建的基于自编码器神经网络的气侵状态反演的神经网络模型进行训练；智能反演模块，被配置为：将构建的基于自编码器神经网络的气侵状态反演的神经网络模型进行部署，对监测数据中一维时间序列参数进行标准化；将标准化后的时间序列参数输入至训练好的基于自编码器神经网络的气侵状态反演的神经网络模型，得到当前时刻时间序列参数所在时间段内溢流气体在井筒内的分布数据；构建基于自编码器神经网络的气侵状态反演的神经网络模型；包括：步骤3-1：构建对称卷积自编码器SCAE；对称卷积自编码器SCAE包括编码器和解码器；假设输入SCAE的气侵状态数据为 即二维时空序列，编码器通过多层卷积操作，将井下气侵状态数据压缩至低维的潜在空间，生成隐变量 解码器则通过多层反卷积从z重构出解压缩的气侵数据 具体定义如下：式中：l表示卷积或反卷积的总层数，*表示卷积操作，σ(·)为激活函数；编码器Encoder通过堆叠多层卷积逐步降低空间维度，最终将数据压缩为低维向量z； 表示反卷积操作，解码器Decoder通过反卷积层逐步恢复数据空间维度，最终输出与输入同尺寸的重构数据 分别表示第l层的卷积与反卷积操作；H (l-1) 表示第l层卷积或反卷积的输入，也是前一层的输出，即第l-1层卷积或反卷积的输出； 表示第l层卷积操作的卷积核与偏置参数； 表示第l层反卷积操作的卷积核与偏置参数；步骤3-2：构建隐变量回归网络LRN；隐变量回归网络LRN是结合多头自注意力机制的前馈神经网络，通过测录井数据来预测隐变量 首先，通过前馈神经网络对原始测录井数据进行特征提取；随后，引入多头注意力机制，通过动态计算输入中不同位置的关联权重，自适应地聚合全局信息；随后，衔接残差连接与层归一化，缓解梯度消失并稳定训练过程，最终，输出与自编码器潜在空间维度匹配的压缩变量 基于自编码器神经网络的气侵状态反演的神经网络模型的输入数据为单参数值和一维时间序列，输出数据为二维时空序列；单参数值包括：钻井井深、溢流时间；一维时间序列包括：泥浆池增量、井底压力、井底温度、立管压力、出口持液率、出口压力、出口流量、出口温度；二维时空序列包括：井筒含气率分布。