基于物理知识的融合神经网络在可控制压力钻井中的实时井底压力控制应用 吴立伟、 张子月、 张成凯、 李根生、 宋先志、 周梦梦、 姚学哲

《Processes》:Physics-Informed Fusion Neural Network for Real-Time Bottomhole Pressure Control in Managed Pressure Drilling Liwei Wu, Ziyue Zhang, Chengkai Zhang, Gensheng Li, Xianzhi Song, Mengmeng Zhou and Xuezhe Yao

【字体: 大 中 小 】 时间:2026年04月14日 来源:Processes 2.8

编辑推荐:

   . 摘要 管理压力钻井(MPD)是开发具有高压和狭窄密度窗口地层的关键技术。它通过主动调

  
.

摘要

管理压力钻井(MPD)是开发具有高压和狭窄密度窗口地层的关键技术。它通过主动调节井筒压力分布,将井底压力(BHP)精确维持在由地层孔隙压力和破裂压力定义的安全操作窗口内。如果压力控制变得不稳定,很容易引发瓦斯喷发或循环丧失,对作业安全构成严重威胁。然而,现有的模型预测控制(MPC)方案存在显著局限性:纯数据驱动的模型在复杂条件下的泛化能力差,而基于传统机理模型的控制算法由于高复杂性的数值迭代过程,难以满足现场控制循环的实时要求。为了平衡控制精度和实时性能,本文提出了一种基于物理知识的模型预测控制框架(PINC-MPC)。在训练阶段,将质量守恒等物理先验知识作为约束嵌入到神经网络中,构建一个物理上一致的深度替代模型,使其能够表征复杂的井筒特性。在控制阶段,该替代模型取代了MPC循环中耗时的机理模型数值求解过程,实现了接近实时的状态预测和滚动优化,同时保证了物理真实性。实验结果表明,PINC-MPC表现出优异的控制性能。其单步求解时间中位数为16.81毫秒,比基于机理模型的方案(187.3毫秒)快了11.1倍。在5000秒的全周期闭环控制实验中,前者所需总时间仅为1.68秒,后者为18.73秒,效率提高了约91%。在控制精度方面,综合绝对误差(IAE)——反映了控制过程的总偏差——从工业连续线性化MPC(SLMPC)的63.40 MPa·s显著降低到12.90 MPa·s,提高了79.7%。尤其是在极端动态条件下,如模拟的泵关闭和突然的瓦斯喷发,该框架表现出出色的预测能力和响应效率。它可以主动触发补偿动作,使井底压力波动保持在0.30 MPa以内,显著优于传统的SLMPC方法。研究结果证明,PINC-MPC为MPD系统提供了一种高效、精确和稳健的非线性控制策略,为提高智能钻井系统的自动化水平提供了重要的工程参考价值。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号