东北石油大学地址在哪个区？秦皇岛东北石油大学地址( 四 )

图 1原位支撑剂的作用机理及微观结构
Figure 1.Mechani ***and microstructure of in-situ proppant
2.3 智能压裂设备及工具近年来，随着国内页岩油气的大规模开发，压裂设备得到了快速发展，压裂车从 2000 燃油型发展到 4000 型再到 6000 型电动压裂车，且功能得到了大幅度提升。目前，压裂设备基本实现了自动化控制 [38–40]，应用智能控制与数据处理系统，通过设置相关参数，可以实现压裂施工过程中输送砂量、供液速度及投球数量等自动控制，但无法自动诊断井下工况和自动调整施工方案，智能化程度不高。
压裂滑套已从常规的机械式发展到识别控制式及远程控制式。无线射频双向数据传输技术广泛用于压裂滑套中[41–43]，与常规投球式滑套不同，其投球中内置 RFID 标签，通过其中的智能识别码打开相应的滑套，可以实现压裂段数不受套管直径的限制。王斌等人[44] 基于压力传感器，设计了一种新型智能电控趾端滑套，通过小体积的 PCB 板，可监控压力大小，并远程操控，实现滑套的延时开启。
2.4 压裂风险智能预警系统页岩气水平井大规模压裂作业过程中经常出现各类井下故障，严重影响作业安全，并增加了压裂成本，因此，国内外开展了大量压裂作业井下故障检测与预警研究，并基于大数据分析、贝叶斯网络等 *** 开发了多种压裂风险智能预警系统[45–47] 。这些系统的故障预测原理不同，一是通过建立压裂井数据库，对比分析压裂施工实时数据与数据库中事故井数据的相似性，判断故障类型并计算故障概率；二是采用贝叶斯网络 *** 预测井下故障的概率，然后量化各类故障的风险表征参数，实现基于概率分布的压裂作业井下故障预测。
压裂施工过程中，支撑剂在井筒中堵塞（即砂堵）是最常见的井下故障之一，国内外开展了大量的砂堵风险识别 *** 研究[48–51]，在一定程度上降低了砂堵风险，但是无法实现砂堵预警。为此，国内外进行了砂堵智能预警 *** 研究，并取得了一系列成果：方博涛等人[52] 基于 BP 神经网络，建立了压裂砂堵风险预警模型，与 Nolte-Smith 图版砂堵识别 *** 相比，可以提前 1.5 min 报警；Cheng Guozhu 等人[53] 应用深度学习网络，基于Niobraara-DJ 盆地的压裂数据建立了 4 种砂堵预测模型，采用 CNN-LSTM 网络与物理经验 *** 加权结合建立了砂堵预警集成模型；Y.Yu 等人[54] 利用 Niobrara-DJ 盆地的压裂数据，针对非砂堵/砂堵 2 种情况训练了 2 个高斯隐马尔科夫模型，并用砂堵前 500 s 的压力波动数据进行训练，整体预警准确率为 81%；Liu Liwang 等人[55] 利用局部加权线性回归 ***，建立了压裂压力预测模型，并结合粒子滤波算法和自回归移动平均模型对模型参数进行了优化，提出了一套基于规则的精细压裂砂堵预警方案，可提前 37 s 发出预警信号。整体上看，目前砂堵智能预警研究仍处于起步阶段，均基于纯数据驱动 ***，对训练数据集敏感、泛化能力较差，亟需数据与机理联合驱动。
2.5 压裂参数实时优化智能控制长期以来，压裂参数的实时优化主要依靠现场施工人员的经验，缺少量化判断的依据。为此，国内外开展了压裂参数实时优化智能控制技术研究。例如，哈里伯顿公司研发了 Prodigi 智能压裂系统[56]，利用光纤传感器实时测量每一段压裂簇中的压裂液流量变化，并自适应泵速控制算法，在压裂过程中智能控制泵速和加砂量等压裂参数，使每一簇的进入流量和支撑剂均匀分布，各射孔簇的流量差仅为 0.016 m3 /min，形成裂缝的均衡扩展和支撑剂的均衡分布（见图 2），达到充分改造每一段的目的。同时，该系统可以有效降低施工压力和砂堵的风险，平均施工时间缩短 30 min，使压裂施工控制从人为经验操作进入了自动、智能控制的新阶段。