Prevention and control methods for plume after deepwater open-circuit drilling blowout
-
摘要:
针对深水开路钻井钻遇浅层气，发生井喷后，流体运动规律不清晰的问题，首先采用Mixture多相模型模拟井喷后流体的流动过程，考虑海水温度、压力分布特性，建立了包含海域与钻井井筒的深水开路钻井井喷模型，并通过网格无关性验证确保模型的准确性。然后结合中国南海的地质特征与流体物性，利用所建模型分析了井喷后羽流的形成演化规律：井喷流体在喷出井口后会经历湍流喷射、卷吸弯曲、对流扩散等阶段，最终形成底部狭窄、顶部宽阔的羽流；在运移过程中，井喷流体与海水接触形成天然气水合物，天然气水合物在一定高度因环境压力和温度变化而分解。最后基于多工况井喷羽流模拟结果，通过无量纲数分析建立了井喷羽流风险定量评估模型，并根据井喷羽流危害分级系数，将井喷羽流风险划分为微小、轻微、一般、危险、非常危险及灾难性6个等级，制定了相应的风险评估图版，并基于安全屏障原理，从预防、减缓与控制3个层面构建了深水开路钻井井喷防控方法。研究表明，利用所建模型可以预测井喷羽流的运动范围，评估井喷羽流的安全风险，为深水开路钻井井喷后制定应对措施提供科学依据，有助于提升深水钻井作业的安全性和可靠性。
Abstract:During the deepwater open-circuit drilling process, the lack of subsea preventers and risers has led to a particularly prominent blowout problem when drilling in shallow gas formations. In response to the key issue of unclear fluid movement patterns after a blowout, this paper uses a numerical simulation method based on CFD (Computational Fluid Dynamics) - PBM (Group Balance Model) to analyze the formation and evolution of plume after a blowout in deepwater open drilling, taking into account the geological characteristics and fluid properties of the South China Sea. It was found that under certain working conditions, the well jet will undergo an evolution process of jet bending plume flow, accompanied by hydrate phase transition during migration, and eventually rise to the offshore platform. Based on the simulation results of multi condition blowout plumes, a quantitative risk assessment model for blowout plumes was established through dimensionless analysis of plume motion. Analyzed the causes and consequences of deepwater open circuit drilling blowouts, and established a deepwater open circuit drilling blowout accident tree. Based on the principle of safety barrier, a method for preventing and controlling deepwater open circuit drilling blowouts has been constructed. The research results of this article can predict the movement range of blowout plumes, evaluate the safety risks of blowout plumes, and provide a basis and reference for safety measures after deepwater open drilling blowouts.
-
非常规油气储层需要通过压裂来改善储层的渗透性，从而获得工业油气流。但是，与常规油气资源相比，非常规油气资源的压裂开发面临更为复杂的工程地质条件，如强非均质性、超低孔渗、高温高压等，对传统的模拟和优化方法提出了极大的挑战，迫切需要寻求新的解决办法。近年来，人工智能技术已经在众多领域（如金融和交通等）掀起了变革的浪潮，并为一系列传统方法难以解决的问题提供了解决方案，为采用人工智能解决非常规油气压裂优化问题奠定了坚实的理论基础[1-10]。此外，国内各大油田已经开展了千余口井、万余段的非常规油气压裂作业，积累了庞大的地质、工程和生产数据，为利用人工智能解决非常规油气压裂优化问题提供了强大的数据支持[11-16]。因此，有望将人工智能与压裂技术相结合，从而实现数据赋能，提高非常规油气储层压裂改造效果。为此，笔者总结了人工智能在非常规油气井压裂参数优化领域的主要进展，包括优化目标的确定、压裂参数与压裂效果映射关系的建立、最优压裂参数组合的求解等。同时，进一步分析了非常规油气井压裂参数智能优化的发展趋势，以推动智能压裂理论和技术的快速发展，为水力压裂技术的革新提供助力。
1. 非常规油气井压裂参数智能优化研究进展
1.1 压裂参数优化目标的确定
非常规油气井具有“一井一藏”的特点，加之储层改造程度不同，压裂效果各异，压后生产能力不同。因此，需要建立客观、定量的压裂效果评价指标，从而为压裂参数优化提供目标，指导压裂设计。产量是评价压裂效果的重要指标，常用的产量参数包括测试产量、无阻流量、第1年累计产量、第1年平均产量及最终预计可采储量（EUR）等。但是，短期产量如测试产量、无阻流量和第1年累计产量容易受到测试、生产制度的影响，难以反映压裂有效期和压裂井的长期生产能力，因此难以准确评价压裂效果。最终预计可采储量（EUR）可以综合反映压裂增产效果、压裂有效期和气井长期生产能力，常用来评价压裂效果。但是，非常规油气储层微纳米孔隙发育，渗流机理复杂（黏性流、滑脱流、努森扩散等）[17-20]，赋存方式多样（游离油气和吸附油气并存）[21-26]，对现有渗流理论提出了巨大的挑战，难以准确预测非常规油气井的长期产量。此外，非常规油气井压裂后会形成复杂的裂缝网络，而现阶段缺乏准确识别和精细刻画地下裂缝网络的方法，进一步加剧了预测非常规油气井长期产量的难度。
目前，非常规油气井长期产量预测方法大致可以分为3类：经验产量递减模型、解析/半解析解模型和数值模拟。部分学者还进行了利用人工智能方法预测长期产量的研究。
1）经验产量递减模型。经验产量递减模型是基于经验/半经验方程的模型，本身无明确的物理意义。它一般通过拟合历史产量数据来确定模型参数，并通过外推的方式预测长期产量，主要有Arps模型[27]（见图1）、PLE模型[28]、Duong模型[29]、LGM模型[30]、FDC模型[31-32]、修正的SEPD（YM-SEPD）模型[33]等。经验产量递减模型只需要历史产量数据，无需额外的数据，成本低、计算方便，可以实现未来产量的快速预测。但是，经验产量递减模型假定生产制度不变，而页岩油气井受邻井压裂、地面管线建设等因素的影响，投产后会限产或频繁关井，因此，经验产量递减模型不适用于生产制度复杂、产量波动幅度大的非常规油气井。
2）解析/半解析解模型。解析模型和半解析模型构成了非常规油气井瞬态流分析（rate-transient analysis）的基石。瞬态流分析是一种储层参数反演和产量预测方法，和试井分析类似，二者都是基于渗流理论建立的，不过试井分析研究的是压力响应，而瞬态流分析研究的是产量变化。解析模型和半解析模型的计算效率较高，但是需要对方程组中的非线性项、裂缝的几何形态等进行人为简化和假设，如采用井底流压和储层原始压力的平均值来代替储层压力[34]、采用一组平行的矩形裂缝来代替裂缝网络[35]，此外还存在多解性强的不足，因此也难以准确预测非常规油气井长期产量。
3）数值模拟。数值模拟方法可以综合利用地质、油气藏、室内试验、测井等多领域的数据信息，是目前定量描述非均质储层中流体渗流规律的唯一方法。数值模拟考虑的因素全面，但建模、计算耗时长。此外，数值模拟需要输入的参数多，对参数数据的质量要求高，输入参数的误差会导致严重错误。对于页岩气多段压裂水平井，要准确预测产量，还需要：1）准确表征地下裂缝网络；2）准确模拟气体在基质、裂缝内的渗流过程以及两者之间的流量交换。但是，目前尚无成熟的方法准确识别和表征地下的裂缝网络，也缺乏公认的页岩气渗流模型。
4）人工智能方法。近年来，学者们利用人工智能开展了非常规油气井产量预测，主要是采用循环神经网络（RNN）的变体长短记忆神经网络（LSTM）进行产量预测[36-41]，图2为某井生产280 d的实际产量与预测结果[40]。但是，该方法是完全基于数据驱动，存在稳定性不强、可解释性差的问题。此外，LSTM采用循环策略进行产量预测，即利用过去几天/月的产量数据来预测未来第1天/月的产量，然后结合预测产量和过去的产量来预测未来的产量；但是随着预测步数增加，误差会逐渐累加，从而导致LSTM模型的长期预测结果失真、准确性变差[42-43]，因此难以准确预测非常规油气井的长期产量。
![]()
1.2 压裂参数与效果映射关系的建立
压裂参数和地质条件共同影响裂缝形态，而地质条件和裂缝形态共同决定压裂效果，因此难以直接建立压裂参数与压裂效果的映射关系。一些研究人员尝试将裂缝扩展和产能模拟相结合来建立压裂参数与压裂效果的映射关系，即将裂缝扩展模拟结果作为产能数值模拟的输入。李丽哲等人[44]将边界元裂缝扩展模拟器和商业数值模拟器CMG相结合，实现了二维裂缝扩展–生产动态一体化模拟，但是，利用不同的模拟器开展一体化模拟存在裂缝形态抽提、赋值和网格转换困难等问题。Du Yihe等人[45]利用斯伦贝谢Petrel地质工程一体化平台中的UFM裂缝扩展模块和Intersect数值模拟器，进行了非常规油气井三维裂缝扩展–生产动态一体化模拟。斯伦贝谢Petrel地质工程一体化平台中的UFM裂缝扩展模块和Intersect数值模拟模块可以实现直接耦合，但裂缝扩展模拟需要预设裂缝高度，此外还存在建模复杂、计算成本高的不足。对于裂缝扩展和产能模拟，现阶段都缺乏准确、高效的物理模型和求解方法，二者耦合建模和求解的难度更大，因此很难通过物理驱动的手段实现裂缝扩展–生产动态一体化模拟。一些研究人员还尝试利用数据驱动手段建立压裂参数与压裂效果的映射关系：H. Rahmanifard等人[46]利用Montney页岩区块的数据，基于神经网络建立了地质工程参数和第1年平均产量之间的关系，并采用试验设计法分析了各项地质工程参数对第1年平均产量的影响程度。Li Dongshuang等人[47]采用多重线性回归、支持向量机、随机森林和神经网络方法，建立了长宁非常规油气井地质工程参数与测试产量之间的关系，发现神经网络模型的精度最高。
但是，这些研究存在以下不足：1）选取短期产量（如测试产量、第1年平均产量）等来表征压裂效果，难以反映压裂有效期和长期生产能力。2）将收集到的地质工程参数作为输入参数，将短期产量作为输出参数，直接构建二者的映射关系时，缺乏基于物理信息的特征研究，容易诱发维数灾难，影响模型训练和预测效果，如H. Rahmanifard等人建立的两者间的映射关系，输入特征参数高达16项；尽管一些研究者尝试利用主成分分析（PCA）法实现降维，但是PCA给出的主成分只是原始变量的线性组合，变量混杂严重，缺乏物理意义，可解释性差。3）以单井为研究单元，大量地质工程参数只能取单井平均值，忽略了非均质性的影响，研究成果对压裂优化设计的指导作用有限。
1.3 最优压裂参数组合的求解
影响非常规油气井压裂效果的因素很多，且这些因素相互影响。此外，非常规油气井压裂参数多，包括加砂强度、用液强度、排量等。因此，非常规油气井压裂参数优化属于高复杂度、高维度优化问题，求解难度大。现阶段一般采用控制变量法、试验设计方法和智能优化算法进行优化。控制变量法又称单因素敏感性分析、拐点法，一般需要与数值模拟结合，通过固定其他参数，研究单个参数变化后目标函数/响应值的变化，进一步分析单一参数对目标函数的影响程度，最后确定最优值。控制变量法的操作难度小，使用简单。但是，该方法忽略了参数之间的相互影响，不适用于非线性问题，也难以获得全局最优解。
试验设计法可以同时研究多个参数对目标函数/响应值的影响，并区分这些参数及其相互作用的影响程度。相对于控制变量法，试验设计法允许不同参数同时发生变化，且考虑了变量之间的相互影响。但是，对于各个待优化的参数，只能假设有限的可能值，一般取3个，分别对应低、中、高水平。因此，试验设计法的搜索空间有限，难以得到全局最优解。
智能优化算法常用于求解复杂优化问题，其主要思想是模拟人类或自然界中蕴含的智慧和经验来寻找问题的最优解，具有搜索范围广、全局寻优能力强的特点，且对目标函数无连续可微的要求，适用于黑箱式的映射关系。常用的智能优化算法有遗传算法、差分进化算法和粒子群算法等。M.Moradidowlatabad等人[48]应用遗传算法对裂缝数量、裂缝间距、裂缝半长、裂缝开度进行了优化。H. Rahmanifard等人[49]分别应用遗传算法、差分进化算法、粒子群算法对裂缝的数量、间距和半长开展了优化，发现粒子群优化算法的寻优能力最强且收敛速度最快。Yao Jun等人[50]采用改进的粒子群优化算法（变维粒子群算法），结合嵌入式离散裂缝数值模拟方法，开展了裂缝参数优化研究。但是上述研究针对的是人为预设的裂缝参数，而非压裂参数。此外，智能优化算法在寻优过程中会反复计算优化目标的值，增加了计算时间和成本。为了缩短计算时间和降低计算成本，提高寻优效率，常用复杂度低，计算量小的代理模型替换原有模型进行优化。
2. 非常规油气井压裂参数智能优化发展展望
随着非常规油气勘探开发不断深入，勘探开发的对象逐步由中浅层油气藏向深、超深层油气藏转变，由局部发育天然裂缝的低渗透砂岩储层向密集发育层理、纹层的致密混积岩储层转变，资源品质进一步劣化，力学非均质性增强，地质工程条件更加复杂，对压裂参数优化提出了3大挑战：1）井深增深，射孔孔眼处的压力响应传回井口所需时间长，地面人员无法及时分析压力响应数据，也难以判断井下情况；2）多岩相组合、界面发育条件下的水力裂缝扩展规律复杂，缺乏可靠的物理模拟手段，裂缝扩展形态不明确，压后产量难预测；3）随着储层非均质性增强，射孔簇难以同步开启，簇间竞争分流加剧，裂缝非均匀扩展，导致裂缝复杂程度低、压裂改造效果差，现有的人工干预手段（如暂堵）严重依赖经验，对于调控时机、调控参数等缺乏科学指导。针对上述3大挑战，应当重点开展基于光纤的井下压裂数据实时采集和传输、物理–数据协同的裂缝扩展–生产动态模拟和压裂参数智能优化及实时调控集成系统等3方面的研究。
2.1 基于光纤的井下压裂数据实时采集和传输
光纤传输具有速度快、信号衰减小、损耗低、信息承载能力大和抗干扰能力强等优势，可以实现长距离的数据传输，适用于深井作业，是现阶段最具潜力的井下压裂数据实时传输技术[51]。但是，光纤传输技术被引入压裂的时间较短，相关的“硬件”和“软件”配套还不够成熟，亟需进一步完善。“硬件”方面：1）井下光纤系统安装难度大、费用高，套管外光纤需要预置在套管外侧，并随套管一同入井，下入过程中可能因机械碰撞被破坏，后期还需要解决精准定位和避开光纤射孔等问题。因此，需要研制预制件少、施工容错率高且安装简单的井下光纤系统。此外，高昂的安装费用极大地限制了井下光纤系统的推广应用，若低成本的井下光纤系统研制成功，更多的井能够采用光纤监测，有助于提高压裂的效率和精确性。2）高温、高压或极端腐蚀性条件下，光纤的性能和寿命可能受到限制，适用性有限。因此，还需要通过多学科交叉，发展可靠性高、对井下复杂条件适应能力强的光纤传感器等硬件。“软件”方面：1）井下光纤监测技术涉及的理论模型、解释方法近年来发展较快，但仍需要进一步完善；2）综合利用多种监测手段可以全面准确地描述簇间流量分配、裂缝扩展、支撑剂分布、段簇及井间干扰情况[52]，但是对光纤监测技术与微地震、广域电磁法、井下温度/压力监测技术的联合应用还缺乏深入研究。
2.2 物理–数据协同的裂缝扩展–生产动态模拟
非常规油气压裂面临的地质工程条件更加复杂，给裂缝扩展、产能模拟带来了巨大的挑战，基于物理驱动的模拟方法面临建模困难、计算复杂等问题，亟需探索新的模拟方法。对于裂缝扩展–生产动态一体化模拟，物理–数据协同驱动是极具潜力的解决方法，它将物理模型和数据科学相融合，充分发挥了两者的优势，一方面数据驱动可以降低建模难度，简化建模、计算过程；另一方面物理驱动可以提高模型的泛化能力，增强模型的物理意义，从而将黑箱模型变为更具可解释性和可操作性的灰箱[53]（见图3）；同时，还可以弥补特定场景下学习样本不足的问题。现阶段对这个方面的研究还较少，如何实现物理和数据的协同驱动，以及裂缝扩展和生产动态模拟的耦合还需要深入研究。
2.3 压裂参数智能优化及实时调控集成系统
压裂参数智能优化及实时调控集成系统在最大程度地提高非常规油气井压裂作业效率的同时，可以降低压裂成本和风险。目前国外已经有一些压裂参数智能优化及实时调控集成系统的雏形，如哈里伯顿公司的Prodigi智能压裂系统、HESS公司的一键式压裂系统[54]（如图4所示），但国内缺乏相应的集成化平台/系统。压裂参数智能优化及实时调控集成系统应当具备以下模块和功能：1）数据实时采集与监测模块。该模块从井下传感器和监测设备中获取关键数据（压力、温度、流量、支撑剂浓度等），不仅可以用于压裂风险预警，还可以用于裂缝扩展动态监测。2）数据分析和优化模块。采集的数据被输入该模块，物理–数据协同驱动模型可以实时给出裂缝扩展和产量预测结果，并完成实时优化。3）压裂参数实时调控模块。基于实时数据分析给出的优化结果，系统可以自动调整压裂参数（排量、压裂液黏度、支撑剂浓度、暂堵材料加量等），实现裂缝参数与地质参数的最佳匹配，促使裂缝均匀扩展。
3. 结束语
人工智能为非常规油气压裂理论和技术的发展提供了新的可能性。目前，关于非常规油气井压裂参数的智能优化，学术界和工业界已经进行了初步探索。在压裂后产量预测、压裂后产能模型构建以及智能优化算法方面，已经取得了一些进展，并进行了初步的现场应用。为了建立非常规油气智能压裂理论，实现非常规油气压裂技术的智能化革新，还需要在以下方面进行深入研究：1）基于光纤的井下压裂数据实时采集和传输，它可以为智能分析和优化提供数据基础；2）物理–数据协同的裂缝扩展–生产动态模拟，可以实时评估地下裂缝扩展情况；3）压裂参数智能优化及实时调控集成系统，可以自动调整压裂参数，实现裂缝参数与地质参数的最佳匹配。
-
![]()
图 4 VDROP-J模型与本文模型计算出气体质量浓度的对比
Figure 4. Comparison of gas mass concentration calculated by VDROP-J Model and this model
![]()
图 5 井喷初始阶段井筒内流体流动规律
Figure 5. Fluid flow law of the wellbore during the initial stage of blowout
![]()
图 6 井喷后喷入海水中流体演化规律
Figure 6. Flow characteristics of fluid injected into seawater after a blowout
![]()
图 7 井喷流体上升至海面后对海水容重的影响
Figure 7. The Impact of Blowout Fluid Rising to the Sea Surface on the Bulk Density of Seawater
![]()
图 8 不同井喷流量下气体和水合物最大上升高度以及上升至最大高度所需的时间
Figure 8. The variation curve of the maximum rise height of gas and hydrate under different blowout flow rates and the time required to rise to the maximum height
![]()
图 9 无量纲数Fr和Z与湍流动能的相关关系
Figure 9. The correlation between dimensionless numbers Fr, Z and turbulent kinetic energy
![]()
图 10 无量纲数Fr和Z与容重的相关关系
Figure 10. The correlation between dimensionless numbers Fr, Z and bulk density
![]()
图 11 无量纲数Fr和Z与上升至海面时间的相关关系
Figure 11. The correlation between dimensionless numbers Fr, Z and the time to rise to the sea surface
![]()
图 12 井喷羽流危害分级系数与羽流特征参数的相关关系
Figure 12. The correlation between the hazard classification coefficient of blowout plumes and the characteristic parameters of plumes
![]()
图 13 深水开路钻井井喷羽流风险评估图版
Figure 13. Risk assessment diagram for blowout plume in deep-water open circuit drilling
表 1 流体参数
Table 1 Fluid parameters
流体类型 密度/（kg·m−3） 理想比热/（J·kg−1·K−1） 导热系数/（W·m−1·K−1） 黏度/（mPa·s） 海水 998.2 4182 0.6 1.003 天然气 真实气体状态方程 分段多项式 0.033 2 1.087×10−2 水合物 940 分段多项式 0.62 56 
下载: 导出CSV
表 2 井喷羽流风险分级
Table 2 Classification of hazards caused by blowout plumes
Haz 风险等级 流体运动状态 海域扩散范围 对钻井平台的影响 0～0.5 微小 难以形成羽流，喷出后随海水横向运移 在井口附近横向运移 无 0.5～2 轻微 高度有限的羽流 自喷口上升一段距离后横向运移 无 2～5 一般 可在20～60 min上升至海平面的羽流 喷出后能运移至海平面，但一般会受横流影响产生较大偏移 平台附近海水容重降低幅度不超过50 kg/m3 5～10 危险 可在20～60 min上升至海平面的羽流 喷出后能运移至海平面，偏移程度一般 平台处海水容重降低幅度在100 kg/m3左右，对平台的稳定性有影响 10～20 非常危险 可在20 min内上升至海平面的羽流 喷出后能运移至海平面，偏移程度较小 平台处海水容重降低幅度在300 kg/m3左右，对平台有一定冲击 >20 灾难性 可在20 min内上升至海平面的羽流 喷出后能运移至海平面，海域内扩散范围大，偏移程度较小 平台处海水容重降低幅度在500 kg/m3左右，平台有倾覆风险
下载: 导出CSV
-
[1] ROLLER P R. Riserless drilling performance in a shallow hazard environment[R]. SPE 79878, 2003.
[2] MYERS G. Ultra-deepwater riserless mud circulation with dual gradient drilling[J]. Scientific Drilling, 2008, 6: 48–51. doi: 10.5194/sd-6-48-2008
[3] LU Shaoming. Seismic characteristics of two deep-water drilling hazards: shallow-water flow sands and gas hydrate[D]. Dallas: The University of Texas, 2003.
[4] 吴时国,赵汗青,伍向阳,等. 深水钻井安全的地质风险评价技术研究[J]. 海洋科学,2007,31(4):77–80. WU Shiguo, ZHAO Hanqing, WU Xiangyang, et al. The research of geohazards estimation technique on deep-water wells[J]. Marine sciences, 2007, 31(4): 77–80.
[5] 黄守国. 适合于深水钻井的低热水泥浆研究[D]. 荆州:长江大学,2012. HUANG Shouguo. Study of low thermal cementing slurry suitable for deep water drilling[D]. Jingzhou: Yangtz University, 2012.
[6] FLORES W, Jr, GARNER J B, SCARBOROUGH C. Deepwater blowout: a case history: shallow gas hazards hide in the weeds[R]. SPE 105914, 2007.
[7] YAPA P D, ZHENG Li. Modelling oil and gas releases from deep water: a review[J]. Spill Science & Technology Bulletin, 1997, 4(4): 189–198.
[8] ZHENG Li, YAPA P D. Simulation of oil spills from deep water blow-outs[C]//Proceedings of the 27th IAHR World Congress. San Francisco: IAHR, 1997: 1126-1131.
[9] ZHENG Li. A three-dimensional model for simulating the behavior of oil and gas released from deep water[D]. Potsdam: Clarkson University, 1998.
[10] JOHANSEN Ø. DeepBlow: a Lagrangian plume model for deep water blowouts[J]. Spill Science & Technology Bulletin, 2000, 6(2): 103–111.
[11] JOHANSEN Ø, RYE H, COOPER C. DeepSpill––field study of a simulated oil and gas blowout in deep water[J]. Spill Science & Technology Bulletin, 2003, 8(5/6): 433–443.
[12] CHEN Fanghui. Modeling deepwater oil/gas blowouts with hydrate formation and decomposition[D]. Potsdam: Clarkson University, 2003.
[13] 高永海,孙宝江,曹式敬,等. 应用事故树法对深水井控进行风险评估[J]. 石油钻采工艺,2008,30(2):23–27. GAO Yonghai, SUN Baojiang, CAO Shijing, et al. Risk assessment on well control in deepwater drilling based on fault tree analysis[J]. Oil Drilling & Production Technology, 2008, 30(2): 23–27.
[14] 邓海发. 深水钻井作业重大事故风险评估与控制[D]. 青岛:中国石油大学(华东),2012. DENG Haifa. Risk assessment and control of major accidents in deepwater drilling operations[D]. Qingdao: China University of Petroleum(East China), 2012.
[15] 黄峰. 深水钻井中浅层气致灾机制数值模拟研究[D]. 青岛:中国石油大学(华东),2018. HUANG Feng. Hazard evolution and numerical simulations study when drilling through shallow gas formations during deep-water drilling[D]. Qingdao: China University of Petroleum(East China), 2018.
[16] LONG Yang, YANG Jin, YIN Qishuai, et al. Numerical simulation study on the mechanism of releasing ultra-deep water shallow gas by drilling pilot holes[J]. Geoenergy Science and Engineering, 2023, 221: 111294. doi: 10.1016/j.petrol.2022.111294
[17] SLOAN E D, Jr, KOH C A. Clathrate hydrates of natural gases[M]. 3rd ed. Boca Raton: CRC Press, 2007.
[18] DI LORENZO M, AMAN Z M, KOZIELSKI K, et al. Underinhibited hydrate formation and transport investigated using a single-pass gas-dominant flowloop[J]. Energy & Fuels, 2014, 28(11): 7274–7284.
[19] AMAN Z M, DI LORENZO M, KOZIELSKI K, et al. Hydrate formation and deposition in a gas-dominant flowloop: Initial studies of the effect of velocity and subcooling[J]. Journal of Natural Gas Science and Engineering, 2016, 35(Part B): 1490-1498.
[20] WANG Zhiyuan, ZHANG Jianbo, SUN Baojiang, et al. A new hydrate deposition prediction model for gas-dominated systems with free water[J]. Chemical Engineering Science, 2017, 163: 145–154. doi: 10.1016/j.ces.2017.01.030
[21] VYSNIAUSKAS A, BISHNOI P R. A kinetic study of methane hydrate formation[J]. Chemical Engineering Science, 1983, 38(7): 1061–1072. doi: 10.1016/0009-2509(83)80027-X
[22] KIM H C, BISHNOI P R, HEIDEMANN R A, et al. Kinetics of methane hydrate decomposition[J]. Chemical Engineering Science, 1987, 42(7): 1645–1653. doi: 10.1016/0009-2509(87)80169-0
[23] QIN Rulei, XU Benchong, CHEN Haowen, et al. Qualitative and quantitative analysis of the stability of conductors in riserless mud recovery system[J]. Energies, 2022, 15(20): 7657. doi: 10.3390/en15207657
[24] 王偲,谢文卫,张伟,等. RMR技术在海域天然气水合物钻探中的适应性分析[J]. 探矿工程(岩土钻掘工程),2020,47(2):17–23. WANG Si, XIE Wenwei, ZHANG Wei, et al. Adaptability of RMR for marine gas hydrate drilling[J]. Exploration Engineering(Rock & Soil Drilling and Tunneling), 2020, 47(2): 17–23.
[25] LEVITUS S, BOYER T P. World ocean atlas 1994: volume 4: temperature[R]. Washington : Government Printing Office, 1994.
[26] 高永海. 深水油气钻探井筒多相流动与井控的研究[D]. 青岛:中国石油大学(华东),2007. GAO Yonghai. Study on multi-phase flow in wellbore and well control in deep water drilling[D]. Qingdao: China University of Petroleum(East China), 2007.
[27] ZHAO Lin, BOUFADEL M C, LEE K, et al. Evolution of bubble size distribution from gas blowout in shallow water[J]. Journal of Geophysical Research: Oceans, 2016, 121(3): 1573–1599. doi: 10.1002/2015JC011403
[28] WANG Changchang, LIU Ying, CHEN Jie, et al. Cavitation vortex dynamics of unsteady sheet/cloud cavitating flows with shock wave using different vortex identification methods[J]. Journal of Hydrodynamics, 2019, 31(3): 475–494. doi: 10.1007/s42241-019-0043-z
[29] PREMATHILAKE L T, YAPA P D, NISSANKA I D, et al. Impact on water surface due to deepwater gas blowouts[J]. Marine Pollution Bulletin, 2016, 112(1/2): 365–374.
[30] TURNER J S. Jets and plumes with negative or reversing buoyancy[J]. Journal of Fluid Mechanics, 1966, 26(4): 779–792. doi: 10.1017/S0022112066001526
[31] BURRIDGE H C, HUNT G R. The rise heights of low- and high-froude-number turbulent axisymmetric fountains[J]. Journal of Fluid Mechanics, 2012, 691: 392–416. doi: 10.1017/jfm.2011.480
[32] 孟祥坤. 深水钻井系统井喷事故灾变演化及安全屏障研究[D]. 青岛:中国石油大学(华东),2018. MENG Xiangkun. Research on blowout accident evolution and safety barrier for deepwater drilling system[D]. Qingdao: China University of Petroleum(East China), 2018.
[33] 陶永金,左训国. 两凝水泥浆在青海油田深井固井中的应用[J]. 石油钻探技术,1997,25(3):29–31. TAO Yongjin, ZUO Xunguo. Application of accelerated and retarded slurries in deep well cementing in Qinghai Oilfield[J]. Petroleum Drilling Techniques, 1997, 25(3): 29–31.
[34] 孟会行. 深水井喷快速应急技术与救援风险分析研究[D]. 青岛:中国石油大学(华东),2014. MENG Huixing. Study on rapid emergency technique and rescue risk analysis for deepwater blowout[D]. Qingdao: China University of Petroleum(East China), 2014.
计量
- 文章访问数: 5
- HTML全文浏览量: 1
- PDF下载量: 1
