钻井井漏风险实时监测与诊断系统设计

2013-09-12袁本福梁海波张继军

天然气技术与经济 2013年1期

袁本福李黔梁海波张继军

（1.西南石油大学石油工程学院，四川成都 610500； 2.中国石油长城钻探录井公司，辽宁盘锦 124010）

0 引言

井漏［1］是钻井工程中最常发生的一种复杂情况，识别和预防井漏需要综合考虑多方面的因素，现场技术人员一般依靠综合录井进行风险预报，或者凭借经验直接判断，由于综合录井和人为经验的局限性，往往不能及时有效地预防井漏。斯伦贝谢与BP石油公司联合开发了比较成熟的、无意外风险的钻井技术决策系统［2-4］，能够有效识别井漏风险，该技术在塔里木油田迪那204井成功应用，大幅度降低了井漏风险的发生。笔者根据钻井风险实时诊断的特点，综合应用风险评价方法、数据库技术、程序开发语言等，开发了井漏风险实时监测与诊断系统，实现了对井队录井数据的实时采集、管理和井漏风险的实时监测与诊断等智能化流程，可以及时对井漏风险进行预警，避免事故进一步扩大，有效地提高了钻井效率。

1 系统主要特点

1.1 BP神经网络算法的原理

BP神经网络算法［5-6］是一种按误差逆传播训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP神经网络能学习和存贮大量的输入至输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播不断调整网络的权重值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层、隐含层和输出层。运用BP神经网络实时诊断井漏风险，是根据工程中预测出的一些钻井风险力学因素值和大脑中长期积累的经验而进行实时诊断的。井漏风险的诊断推理过程是：先分别计算井底压力和漏失压力（或者破裂压力）的值，再将两者的值相比较，然后还需要观察一些地面测量参数，如进出口流量、钻井液总池体积、立管压力变化等，最后根据自己长期积累的经验和知识来判断是否会发生井漏（图1）。

2 系统主要模块的设计

2.1 井漏实时监测与诊断流程

根据井漏风险分析的特点，结合现场工艺，在对井漏风险分析时，充分利用邻井资料及目标井地质设计资料建立风险样本，进行神经网络学习，获得可靠的网络权重值，同时预测目标井的漏失压力和破裂压力，与实时计算的井底压力比较。实时采集综合录井关键参数，通过关键参数的趋势变化，进行风险实时监测。最后根据学习完成的BP神经网络推理分析模型，在综合考虑和分析其他风险力学因素的基础上，实现对井漏风险的实时监测与诊断（图2）。

图1 钻井过程井漏风险实时监测与诊断BP网络图

图2 井漏实时监测与诊断分析流程图

2.2 系统模块组成

通过调研国内外井漏风险实时监测与诊断的相关资料，结合国内生产实践，以BP神经网络算法理论为基础，基于Visual Basic语言与SQL Server 2000数据库开发了一套井漏风险实时监测与诊断系统。主要功能模块包括：实时数据采集与管理、地层与样本数据管理、风险因素识别与分析、井漏风险实时监测与诊断，并辅助有系统登陆、维护、查询等功能模块（图3）。

图3 系统主要功能模块图

2.2.1 实时数据采集与管理

以套接字理论为基础，开发实时数据采集模块，支持断点续传和历史数据的补入，不需要改变数据采集仪器硬件的自身结构就能完成实时数据的同步截取。实时数据管理提供对综合录井历史、当前数据和曲线的实时回放与浏览，以及对井深结构、钻具组合、钻井液性能、测井等基础数据的录入、编辑与修改等功能。

2.2.2 井漏风险因素识别

优选符合标准的或公认的风险因素计算模型，对相关的钻井风险因素进行实时计算分析，包括岩石力学参数、地应力、三压力预测、钻柱力学、水力学等钻井风险因素，为风险诊断分析提供实时计算的钻井风险因素。

2.2.3 样本数据管理

根据区块地质特征，按井深建立地层分层数据，在建立的地层分层数据的基础上，分别导入或者录入邻井风险因素样本数据，建立风险学习样本，并保存到实时风险数据库，为BP神经网络训练学习提供可靠的样本数据。

2.2.4 神经网络学习

展开风险理论及井漏风险发生机理研究，总结井漏风险发生时的表征现象及规律，确定关键的表征参数。利用BP神经网络风险评价模型对建立的样本数据进行神经网络训练和自主学习，从而获得合适的神经网络权重值和阈值。

2.2.5 井漏风险实时监测与诊断

实时监测主要是对录井工程、钻井液和气测参数以及计算的井底压力、环空压降、钻柱内压降等水力学参数进行实时监测，根据实时监测参数的变化趋势，识别潜在的井漏风险。实时诊断的实现必须具备两个基本条件，首先是学习邻井风险样本数据，得到可靠的权重值。其次是对正钻井综合录井测量数据进行实时采集，以及实时井底压力的计算。具备以上两个条件后，就可利用设定数据输入项的神经网络模型对正钻开地层处的井漏风险进行实时诊断，诊断结果可以为现场施工起到预警的作用。

3 现场应用

某油田兴古区块A井位于该油田断陷盆地西部凹陷兴隆台潜山兴古七断块，设计井深为4 661 m，该区块断裂发育，太古界潜山埋深2 335～4 680 m，邻井风险信息提示需做好防漏、防塌。经过收集与筛选，将与当前井距离最近且具有相似地质构造特征的一口邻井作为样本井，分别把样本井全部录井、测井等数据导入风险数据库，定量计算相关风险力学因素值，根据区块地层特征，建立风险样本，进而对风险样本进行神经网络学习，保存权重值。

在钻至井深2 824 m时，系统诊断出有井漏风险的迹象。根据软件对录井数据的实时监测显示，实际总池体积由144.04 m3突然下降为141.32 m3，相对流量由4.7%下降到0.7%，系统自动发出报警，提示有井漏风险，起到了井漏风险早期预警的作用（图4）。