关于含水泥岩层中套管变形机制及服役性能预测方法的研究

《Results in Engineering》：Research on the deformation mechanism and service performance prediction method of casing in water-bearing mudstone layer

　　杨思琪|王建军|韩丽红|卢俊楠|邹光辉|刘明珠|王俊英|杜长春|王华|刘俊
中国石油天然气集团公司管材研究院油气装备国家重点实验室，西安710077

摘要
由于含水泥岩的蠕变行为，在不均匀的地壳应力作用下，泥岩层的套管容易变形，从而导致油气井生产效率下降和开发成本增加。基于中国DQ油田含水泥岩的蠕变试验数据，建立了泥岩的蠕变本构模型。在此基础上，全面分析了泥岩含水量、原位应力状态和使用时间对典型在役套管变形的影响规律。通过理论模型和全尺寸试验，获得了变形套管的破裂强度和坍塌强度，并采用安全系数法评估了套管的安全状态。最后，提出了一种泥岩层套管变形的预测方法，并引入了机器学习方法来智能预测在不同因素影响下的套管剩余寿命。通过最优比较，基于随机森林回归（RFR）算法建立了含水泥岩层套管使用寿命的预测模型，该模型的准确率为0.901，为预测泥岩层套管变形引起的服役性能变化提供了潜在解决方案。

1. 引言
在石油开采过程中，井下套管作为井筒的支撑和管柱的保护装置，确保了地下油水的安全开采和注入。套管长期暴露在复杂的地下岩层中，并受到各种不均匀地应力的影响，这使得套管容易发生变形和损坏[[1], [2], [3]]。特别是在水库夹层为泥岩时，由于注水开发过程中泥岩的蠕变和挤压力，套管变形损坏现象极为常见[[4], [5], [6]]。在中国北部DQ油田的某些区块，由于含水泥岩层导致套管严重变形的井占比可高达30%[7]。泥岩层由于其高含量的粘土矿物（如高岭石和伊利石）而存在较高的套管损坏风险。吸水后，泥岩层中的粘土矿物会发生局部自由膨胀[[8], [9]]。同时，在复杂地应力的作用下，泥岩会发生蠕变变形。套管的变形受到套管和周围岩层的双重约束，在局部区域产生较大的载荷。过大的载荷可能导致套管严重变形，甚至在极端情况下发生坍塌[[10], [11]]。因此，准确评估泥岩层中套管的变形机制和服役性能对于确保井的完整性和安全性至关重要。

在研究岩石蠕变行为方面，王等人[12]进行了传统的单轴/三轴蠕变试验，并采用基于应变率曲线的拐点方法确定长期强度，进一步验证了该方法的准确性。林等人[13]使用有限元方法研究了由盐岩和砂岩交替层组成的复合盐石膏岩层中井筒的蠕变收缩现象。辛格等人[14]通过单轴试验分析了岩段的蠕变参数，并在卸载过程中观察到了显著的凯泽效应（Kaiser effect）。杨等人[15]对岩石进行了三轴蠕变试验，并结合偏应力与Kelvin模型建立了盐岩的蠕变模型，发现较高的水平主应力会增加盐岩的蠕变位移。此外，他们还使用非均匀套管挤压试验装置模拟了岩石蠕变对套管的压缩效应。泽渡等人[16]分析了初始含水量和剪切应力对不同浸泡条件下砾质泥岩蠕变变形和强度的影响。黄等人[17]从中国DQ油田采集了典型的浅层泥岩样本，在不同含水量条件下进行了岩石蠕变试验，分析了含水量影响泥岩蠕变速率的机制。

目前关于套管变形和损坏的研究主要集中在分析套管强度方面。克莱弗等人[18]研究并评估了一种新的石油井管抗压强度公式，通过有限元分析和实验数据对其进行了验证。古瑞等人[19]模拟了上覆岩层和储层中的应力变化，评估了岩石异常对套管稳定性的影响，并开发了三维非线性有限元模型。黄等人[20]利用有限元方法（FEM）预测了具有几何缺陷的套管的极限坍塌强度，并通过一系列全尺寸实验验证了其准确性和可靠性。森田等人[21]建立了模拟失效前弹塑性变形的本构关系，并对H-40至V-150级别的套管进行了拉伸、压缩和径向加载试验。陈等人[22]开发了在类似抛物线载荷下的套管力学模型，评估了局部泥岩膨胀对套管坍塌的影响，并将分析方法与有限元方法进行了比较和验证。韩等人[23]对中国DQ油田泥岩区内套管的变形和损坏进行了统计分析，发现套管变形的严重程度随着注水压力的增加而加剧。基于这一观察，他们建立了高压注水条件下的地层滑动数学模型。在当前工程应用中，API 5C3标准[24]被广泛用于计算套管强度。该标准中的公式基于全尺寸实验数据和理论分析得出，因此在实际工程场景中具有很高的参考价值[[25], [26]]。尽管学者们对套管强度进行了计算，但针对含水泥岩蠕变导致的套管强度变化的研究仍然有限。目前，很难评估由于泥岩层套管严重变形而引起的服役性能下降。

进一步而言，在泥岩层中进行套管强度分析的目的是预测套管在复杂工况下的使用寿命。显然，套管的使用寿命受到多种因素的影响，包括泥岩层中的原位应力状态、泥岩性质、环境腐蚀、套管尺寸和等级以及套管运行条件等。目前，在多种因素影响下预测套管使用寿命极具挑战性。在这种情况下，机器学习方法能够解决复杂问题的不确定性并揭示隐藏的模式，提供了一种有前景的方法[[27]]。近年来，随着机器学习技术的快速发展，它已被广泛应用于快速有效地解决石油工程问题，如水库孔隙压力预测[[28], [29]]、钻井液损失预测[[30]], [32]]以及油气生产预测[[33], [34]]。因此，可以利用机器学习方法来应对预测泥岩层套管使用寿命的挑战。基于此，本文首先研究了含水泥岩层中套管的变形机制，并建立了泥岩的蠕变本构模型。构建了“套管-水泥-泥岩”系统的有限元模拟模型，并系统分析了泥岩含水量、原位应力状态和使用时间对套管变形的影响。将套管强度的理论模型与全尺寸试验验证相结合，分析了变形套管的残余破裂强度和坍塌强度。通过安全系数法评估了套管的使用状态，并获得了套管使用寿命的计算方法。最后，引入了多种机器学习算法来智能预测在不同因素影响下的套管使用寿命。使用随机森林回归（RFR）算法建立了含水泥岩层套管使用寿命的预测模型。

2. 泥岩层中套管的变形机制
2.1. 含水泥岩的蠕变本构模型的建立
泥岩蠕变过程中产生的压缩应力会导致套管变形，且随着泥岩含水量的增加，这种效应会加剧。本小节利用黄等人[17]在不同含水量下进行的泥岩蠕变试验数据，建立了含水泥岩的蠕变本构模型。黄等人的研究中，样品取自中国北部DQ油田的套管损坏段，埋深为987米。泥岩样品的尺寸为Ф25毫米×50毫米，分别浸泡在水中1天、3天和5天。泥岩浸泡试验的数据见表1。

表1. 泥岩浸泡试验的数据[17]
样品编号 | 浸泡时间（天） | 干燥后的质量（克） | 浸泡试验后的质量（克） | 浸泡试验后的含水量（%）
1 | 1 | 285 | 4.29 | 3.85 |
2 | 3 | 353 | 5.84 | 4.35 |
3 | 5 | 519 | 5.01 | 5.40 |
4 | 7 | 646 | 5.01 |

随后，黄等人在恒定偏应力为10 MPa的条件下，对不同含水量的泥岩进行了蠕变试验。不同含水量下泥岩的蠕变试验结果如图1所示。从这些结果可以看出，在相同的外部加载条件下，随着含水量的增加，泥岩的蠕变变形也随之增加。

为了获得含水泥岩的蠕变行为，本文基于黄等人的实验结果建立了含水泥岩的本构蠕变模型。所采用的模型类型为时间硬化型（Time-hardening form model），其微分形式表示为[35]：
$$
d\epsilon_{cr} = A_{q}^{\prime}nt^{\mu}
$$
其中$\epsilon_{cr}$是等效蠕变应变率；$A$、$n$和$m$是表征材料蠕变行为的常数；$t$表示时间；$q^{\prime}$表示等效偏应力（MPa）。由于蠕变试验通常提供显示蠕变应变与时间关系的曲线，因此需要对上述方程进行积分得到：
$$
\epsilon_{cr} = A_{1}+mq^{\prime}nt^{\mu}+1
$$
考虑到不同含水量的影响，上述方程可以修改为：
$$
\epsilon_{cr} = A_{1}+mq^{\prime}nt^{\mu}+1kexp(bw)
$$
其中$w$是含水量，$k$和$b$是与含水量相关的常数。

根据不同含水量下泥岩蠕变试验的结果，方程（3）中的常数值见表2。

表2. 本构蠕变模型中的常数值
| $A_{1}$ | $m$ | $k$ | $b$ |
|------|-----|-----|------|
| 2.24 | 1 | 0.71 | 1.28 |
| 1.5 | 0.01 | 3.89 | 9.36 |

为了验证所建立本构模型的准确性，将本构模型的拟合结果与黄等人的实验数据进行了比较和验证。验证结果如图2所示，可以看出所建立的含水泥岩蠕变本构模型能够很好地反映实际实验结果，准确率$R^2>0.91$。因此，该本构模型可用于研究泥岩层中套管的变形机制。

需要注意，虽然蠕变本构模型（方程3）在测试的含水量范围内与实验数据吻合得非常好，但其应用于含水量大于5.01%的情况依赖于方程（3）中定义的指数关系的外推。这引入了一定的模型不确定性，因为高含水量下的蠕变行为尚未通过实验直接验证。因此，对于含水量$w>5.01$的预测结果应考虑这一限制，未来需要通过高含水量岩心的实验进行验证。

2.2. 泥岩层中套管变形的数值模拟
使用ABAQUS软件建立了有限元模型，配置为1/4轴对称模型。所考虑的计算域为6米×6米，依次包含了套管、水泥护层和泥岩层。图3展示了计算模型的网格划分结果，而表2则呈现了网格独立性验证测试的结果。为了在计算精度和时间之间取得平衡，选择了M3网格划分方法。图3还展示了计算模型的网格划分结果。表3下载：下载高分辨率图像（1MB）下载：下载全尺寸图像图3. 计算模型的网格划分。表3. 网格独立性验证（w = 3%，σh= 20 MPa 和 α=0.33）。网格名称 单元数量 最大等效应力（MPa）变化率（%）M1 3560 38 2.84/M2 6234 40 9.46 6.5M3 80 184 14.43 1.2M4 110 98 415.76 0.32表4显示了计算模型中套管和水泥护层的几何和机械参数，其中套管钢材选用了在中国DQ油田常用的N80材质。表4. 套管和水泥护层的几何和机械参数。组分 外径（mm）厚度（mm）密度（kg/m3）屈服强度（MPa）抗拉强度（MPa）弹性模量（Pa）泊松比套管139.7 7.7 278 506 0871 32.1×10^110.3水泥护层199.7 303 000/4.82 2000 0.25对于泥岩层，其材料属性可以在表5中看到。在此模拟中应用了蠕变模型，即前文所述的含水泥岩的蠕变本构模型（公式（3））。表5. 泥岩层的材料属性。组分密度（kg/m3）弹性模量（Pa）泊松比内聚力（MPa）内摩擦角（°）泥岩层250 01000 0.31.6028对套管和水泥护层施加了轴对称约束，同时在地层边界施加了外部压缩应力。最小水平应力（σh）作用在x方向，最大水平应力（σH）作用在y方向。套管的内部压力（Pin）设定为15 MPa。为了分析套管在含水泥岩中的蠕变条件下的变形过程，定义泥岩的水分含量（w）为3%，最小水平应力（σh）为20 MPa，应力各向异性系数（α）为0.33。图4显示了套管的等效应力等值线图。如图所示，由于该方向上的现场应力水平较高，y方向两侧的应力值较大。下载：下载高分辨率图像（252KB）下载：下载全尺寸图像图4. 泥岩层中套管的等效应力等值线图。在各向异性压缩作用下，套管直径减小，截面从圆形变为椭圆形。变形后，套管沿y方向的轴向长度缩短，而沿x方向的轴向长度增加。如图5所示，随着时间的推移，在泥岩的蠕变作用下，套管的变形程度逐渐增加。下载：下载高分辨率图像（823KB）下载：下载全尺寸图像图5. 不同服务年限下套管的变形等值线图（x轴方向）。此外，本文还分析了不同水分含量、最小水平应力及应力各向异性系数对套管使用寿命期间变形的影响。为了研究水分含量的变化效果，将泥岩的水分含量设定为1-5%，最小水平应力设定为20 MPa，应力各向异性系数设定为0.57。图6显示了不同水分含量下套管随时间的变形曲线。可以看出，随着水分含量的增加，由于外部载荷的增加，套管的变形也增大。此外，随着服务时间的延长，变形程度逐渐加剧。当泥岩的水分含量为1%时，五年后的套管直径减小了1.172毫米；当泥岩的水分含量为5%时，五年后的套管直径减小了4.6毫米。仿真结果表明，套管直径的减小与泥岩的水分含量呈指数关系。当泥岩吸水后，其水分含量显著增加，导致吸水膨胀和蠕变加速，从而可能在短时间内使套管达到使用寿命极限并发生变形和损坏。这与油田勘探中的观察结果一致，即高压注水后，当水通过裂缝进入含水泥岩层时，会迅速检测到套管的变形和损坏。下载：下载高分辨率图像（283KB）下载：下载全尺寸图像图6. 不同泥岩水分含量下套管的时间依赖性变形曲线。为了分析不同最小水平应力的影响，将最小水平应力范围设定为10-60 MPa，泥岩的水分含量为3%，应力各向异性系数为0.57。图7展示了在不同最小水平应力条件下套管随时间的变形曲线。可以观察到，随着套管外部最小水平应力的增加，作用在套管上的外部压缩力也随之增加，且这种增加的趋势随着服务时间的延长而增强。当套管外部最小水平应力为10 MPa时，五年后的套管直径减小了0.43毫米；当套管外部最小水平应力为60 MPa时，五年后的套管直径减小了7.2毫米。显然，套管外部最小水平应力的水平显著影响了套管的变形程度。在套管外部水平应力异常高的区域，套管的变形更为明显，增加了套管变形和损坏的敏感性。下载：下载高分辨率图像（320KB）下载：下载全尺寸图像图7. 不同最小水平应力下套管的时间依赖性变形曲线。为了分析不同应力各向异性系数对套管变形的影响，将应力各向异性系数范围设定为0.25至0.9，泥岩的水分含量为3%，最小水平应力为20 MPa。图8显示了不同应力各向异性系数下套管随时间的变形曲线。可以观察到，在应力各向异性系数较低的情况下，套管受到更不均匀的外部载荷，导致更明显的直径减小变形。相反，当应力各向异性系数较高时，即最小和最大水平应力较为接近时，套管受到几乎均匀的外部载荷，导致直径减小变形较小，且随时间的增加变化较小。当套管外部应力各向异性系数为0.9时，五年后的套管直径减小了0.12毫米；当套管外部应力各向异性系数为0.25时，五年后的套管直径减小了2.97毫米。显然，与最小水平应力水平类似，地层中的应力各向异性系数也显著影响了套管的变形。因此，必须考虑套管外部应力条件对套管变形的影响。下载：下载高分辨率图像（348KB）下载：下载全尺寸图像图8. 不同应力各向异性系数下套管的时间依赖性变形曲线。3. 变形套管服务性能的评估3.1. 计算套管强度的模型在泥岩层中蠕变引起的变形后，对套管服务性能进行定量评估需要一种综合多参数特性的系统方法。使用以下管材强度模型[24,36]可以理论上确定变形后的抗爆强度和抗弯强度，这些是复杂井下环境中的关键结构稳定性指标。套管的抗爆强度可以使用以下公式计算：(5)pis=0.875(2fymn/(D/t))套管的抗弯强度可以使用以下公式计算：当D/t≤(D/t)yp时，为屈服性弯曲：(6)pos=2fymn[D/t?1]/[(D/t)2]当(D/t)yp预测过程
基于上述研究结果，预测含有水泥岩层的套管使用寿命的主要过程如下：
(1) 获取目标井的参数：包括套管外径、钢材等级、壁厚、泥岩的含水量、最小水平应力以及应力各向异性系数。
(2) 分析套管的变形和损坏：通过结合从含水泥岩蠕变实验中得出的蠕变本构模型（见方程 (3)）和“套管-水泥-泥岩”系统的有限元模拟，可以定量确定在不同操作条件下套管外径的减小量。需要明确的是，这种计算出的“套管变形”是整个系统响应的最终结果，隐含了泥岩蠕变、水泥护套和套管本身的相互作用。此外，还应结合材料腐蚀测试，根据腐蚀率来评估套管的剩余壁厚。
(3) 分析变形套管的剩余强度：根据套管的变形和损坏结果，可以利用本文中通过全尺寸实验验证的管状强度模型（见方程 (5)-(12)）来获得服务套管的剩余抗爆强度和抗塌强度。
(4) 评估服务套管的安全状态：根据套管的剩余抗爆强度和抗塌强度，可以计算出相应的安全系数（见方程 (13)-(14)）。套管的抗爆强度和抗塌强度的安全系数设定为 1.1。如果实际安全系数低于这些临界值，则可以确定当前的套管串不满足服务要求，意味着其剩余使用寿命为 0。
(5) 预测套管的剩余使用寿命：通过步骤 (2) 可以量化套管在持续使用 n 年（n 从 1 开始）后的累积变形和腐蚀引起的壁厚减小量。然后将这些参数代入方程 (5)–(12) 中，计算第 n 年后的抗爆强度和抗塌强度。接着，根据方程 (13)–(14) 判断套管是否安全。如果套管抗爆强度和抗塌强度的安全系数都满足阈值，则迭代继续进行，直到至少有一个安全系数低于临界值，此时套管的剩余使用寿命确定为 n 年。

4.2. 使用机器学习算法进行预测
套管的使用寿命受多种非线性因素的影响。在本研究中，采用机器学习方法形成一种智能的套管使用寿命预测方法，以不同的影响因素参数作为输入，套管使用寿命作为输出。根据不同影响因素下套管寿命的分析结果，建立分析数据库，并使用不同的机器学习方法对数据进行训练，包括支持向量机（SVM）、k-最近邻（KNN）、贝叶斯线性回归（BLR）和随机森林回归（RFR）。通过分析这些不同算法的误差，选择最准确的寿命预测模型。

4.2.1. 机器学习算法
SVM 是一种用于数据二元分类的广义线性分类器。可以通过核函数将样本空间中的数据映射到高维特征空间，从而将非线性问题转化为线性问题 [37]。SVM 算法既可用于分类任务，也可用于回归任务。
KNN 是一种相对简单的机器学习算法。这里的 k 表示允许投票的最近邻居的数量。在特征空间中，如果某个样本的 k 个最近邻居中的大多数属于某个类别，则该样本也属于该类别。通过将 k 个最近邻居的特征平均值赋给样本，可以实现样本的预测 [38]。
BLR 是一种使用统计中的贝叶斯推断方法求解的线性回归模型 [39]。在这种方法中，线性模型的参数被视为随机变量，并通过模型参数（即权重系数）的先验分布来计算后验分布。给定 N 组独立的学习样本，贝叶斯线性回归采用多元线性回归模型。
RFR 是一种由多棵决策树组成的装袋集成学习方法 [40]。在训练过程中，使用自助采样从输入训练样本中收集子样本，然后在这些子样本上构建多棵决策树。在预测过程中，训练好的模型对这些创建的树的预测结果进行平均，得到最终预测 [41]。在 RFR 模型中，n_estimators 和 max_features 是两个重要参数；n_estimators 是森林中树木的数量，max_features 是构建树木时考虑的特征数量。

4.2.2. 数据集构建
建立的数据集包含 140 组数据，输入特征参数包括：泥岩含水量、最小水平应力、应力各向异性系数、腐蚀率、有效内部压力和有效外部压力。输入特征参数的分析结果如表 7 所示。腐蚀率的范围是根据现场操作人员的经验和相关文献中的数值确定的 [42], [43]。根据第 4.1 节提出的预测过程，可以获得在特定工作条件下的泥岩层中套管的使用寿命。

表 7. 数据集中输入特征参数数据的统计信息
特征参数 平均值 最大值 最小值
泥岩含水量（%） 8.46 41.5 15.1
最小水平应力（MPa） 51.92 91.0 20.0
应力各向异性系数 0.77 31.0 10.2
腐蚀率（mm/a） 0.10 40.0 0.05
有效内部压力（MPa） 12.92 82.5 25.0
有效外部压力（MPa） 5.67 82.0 20.0

在本研究中，建立数据库中的 70% 数据被指定为训练集，其余 30% 作为测试集。为了消除不同维度变量对参数学习的影响并提高模型的预测准确性，使用 StandardScaler 函数对训练数据集进行了标准化处理。这种预处理步骤将每个特征的均值调整为 0，标准差调整为 1，这对于对输入数据尺度敏感的算法（如 SVM 和 KNN）非常重要，同时也有助于稳定和加速其他模型的训练过程。

为了评估预测模型的准确性，使用了决定系数 R2。R2 是一个用于评估回归模型拟合优度的指标。它表示模型能够解释的数据方差的比例，常用于比较不同模型的性能。R2 的值范围从 0 到 1。接近 1 的值表示模型对数据的拟合度更好。计算 R2 的公式如下：R2 = 1 - (SSR/SST)，其中 SSR 是回归平方和，代表回归模型的拟合误差，SST 是总平方和，表示整个数据的分散程度。

4.2.3. 泥岩层中套管的使用寿命预测
图 12(a)-(d) 展示了基于机器学习算法的四个不同模型对测试集的预测结果。在这些图中的离散点分布越接近中间最佳拟合线，预测值就越准确。可以看出，四种机器学习算法的应用可以在不同程度上产生相对准确的预测结果。通过计算四种机器学习算法预测结果的决定系数 R2，可以得到它们的 R2 值分别为：SVM = 0.765；BLR = 0.708；KNN = 0.772；RFR = 0.901。因此，RFR 算法对泥岩层中套管使用寿命的预测准确性最高。为了直观比较四种不同机器学习算法的预测性能，将不同算法得到的预测结果进行了横向比较。比较结果如图 12(e) 所示。从比较结果中还可以直观地观察到，基于 RFR 算法建立的机器学习预测模型的准确性最高。

下载：下载高分辨率图片（678KB）
下载：下载全尺寸图片
图 12. 基于机器学习算法的四种不同模型得到的预测结果。

为了分析不同特征参数对套管使用寿命的贡献，可以使用 RFR 算法通过计算特征重要性来评估各种特征参数对结果的贡献。在随机森林中，每个特征的重要性得分是根据其在决策树中的作用来计算的。具体来说，算法考虑了特征在决策树节点分裂过程中的作用及其对提高模型准确性的贡献。图 13 显示了六个不同特征参数对套管使用寿命的贡献分析结果。从图中可以看出，影响套管使用寿命的主要控制因素是泥岩含水量、套管腐蚀率和有效外部压力。

下载：下载高分辨率图片（132KB）
下载：下载全尺寸图片
图 13. 六个不同特征参数对套管使用寿命的贡献。

5. 研究假设和局限性
尽管所提出模型的有效性已通过全尺寸实验得到验证，理论结果与实验观察结果也很吻合，但必须承认本研究中仍存在一些固有的假设和局限性，这些需要进一步研究：
(1) 构成模型的外推局限性：用于模拟泥岩蠕变引起的套管变形的核心理论基于已发表的、经过同行评审的实验数据。虽然该模型的适用性得到了广泛认可，但将其外推到长期条件或本文考虑的特定高温高压场景可能会在一定程度上引入预测准确性的不确定性。
(2) 实验条件的简化：全尺寸试验是在常温条件下进行的，没有考虑井下环境因素（如温度梯度或腐蚀性介质（例如 H?S/CO?）对套管完整性的长期影响。尽管对变形套管进行了补充的内部压力和抗塌强度测试以增强模型的鲁棒性，但这些测试仅代表了短期的极限载荷能力评估，无法全面捕捉在较长周期内形成约束下的蠕变-强度失效过程。
(3) 数据集和样本量：本研究主要关注 Φ139.7 mm × 7.72 mm N80 套管。所提出的计算模型对其它套管尺寸或钢材等级的通用性需要通过更广泛样本的全尺寸实验来验证。

6. 结论
本文的目的是研究套管在含水泥岩蠕变下的变形机制及其服务性能的预测方法。基于不同含水量泥岩的蠕变测试结果，建立了一个典型的泥岩蠕变本构模型。然后，通过有限元模拟建立了“套管-水泥护套-泥岩”的全井筒有限元模拟模型，并全面分析了泥岩含水量、原位应力状态和服务时间对套管变形的影响。进一步地，基于弦理论及物理试验验证，实现了对变形套管残余抗爆强度、抗塌强度和安全状态的定量评估。最后，建立了一套在泥岩层中套管变形的预测过程，并提出了一种利用机器学习方法的智能预测套管变形的方法。本文的主要结论如下：
(1) 根据中国 DQ 油田不同含水量泥岩的蠕变测试数据，建立了一个含水泥岩的蠕变本构模型。该模型与测试数据吻合良好。基于建立的泥岩蠕变数学模型，进行了泥岩层中套管变形的模拟分析。结果表明，泥岩含水量和最小水平应力的增加会加速服务套管的变形程度，而应力各向异性系数的增加则会降低套管的变形程度。
(2) 可以通过套管力学的理论方程计算变形套管的残余抗爆强度和抗塌强度。在本文中，基于全尺寸测试对变形套管的服务性能进行了评估，并实际获得了变形套管的抗爆强度和抗压强度。测试中使用的N80套管的抗爆强度从71.49 MPa降低到了68.21 MPa，抗压强度从57.19 MPa降低到了50.23 MPa，这是由于套管外径减少了7 mm所致。将理论计算结果与测试结果进行比较后发现，两者之间的吻合率≥80%，且理论计算结果倾向于更为保守和安全。最后，本文提出了一种预测泥岩层中套管使用寿命的方法。该方法可以根据套管的安全运行状态来预测其剩余使用寿命。在此基础上，引入了机器学习方法，并分析了SVM、KNN、BLR和RFR等机器学习算法在预测泥岩层中套管使用寿命方面的有效性和准确性。通过比较和选择基于RFR的套管寿命预测方法，模型的准确率为0.901。此外，还分析了影响套管使用寿命的主要因素。研究结果表明，影响套管使用寿命的主要控制因素包括套管的腐蚀速率、泥岩的含水量以及有效外部压力。为了解决前一节中提到的研究局限性，未来的工作将重点关注多因素耦合条件下套管的使用寿命评估，并开发出一个适用于更广泛套管规格的通用预测模型。

**资助信息**
本研究得到了中国国家重点研发计划（项目编号2023YFC3009200）、中国石油天然气集团有限公司基础与前瞻性研究关键科技项目（项目编号2025DJ106和2023ZZ11）以及工信部产业技术基础公共服务平台（TC230A077）的支持。

**数据可用性声明**
由于项目正在进行中，本研究生成和/或分析的数据集目前不对外公开，但可应合理请求向 corresponding author 获取。

**作者贡献声明**
杨思琦：撰写——原始稿件，概念构思。
王建军：调研，资金筹措。
韩丽红：数据管理。
卢俊楠：项目管理。
邹广贵：资源协调。
刘明涛：软件开发。
王俊英：调研。
杜长雷：结果验证。
王华：方法设计。
刘军：数据可视化。