APP下载

数据科学在钻井工程防漏堵漏技术中的应用

2020-01-16肖剑任胜利王伟余林锋徐同台中海油田服务股份有限公司油田化学事业部河北廊坊0650北京石大胡杨石油科技发展有限公司北京000

化工管理 2020年30期
关键词:人工神经网络钻井裂缝

肖剑 任胜利 王伟 余林锋 徐同台(.中海油田服务股份有限公司油田化学事业部,河北 廊坊 0650;.北京石大胡杨石油科技发展有限公司,北京 000)

0 引言

长期以来,各行各业在科学研究、实验、生产实践中,均积累了大量数据。随着计算机的运用,数据库/信息系统的的建立,这些数据被存储的上述系统中。如何去发掘并充分利用数据,获取有价值的信息,创造有价值的认知与结论,为各项技术决策提供依据。数据科学就是实现上述理念的一门科学。

井漏是制约安全、快速、高效钻井的技术瓶颈,会导致非生产时间和成本的急剧增加,但由于井漏问题的复杂性和差异性,常规治理措施很难达到预期效果。随着大数据技术和计算机科学的发展,近年来有学者开始将数据科学引入到井漏的预防与治理之中,运用机器学习、线性回归和案例推理等算法分析处理数据库中大量的历史数据,进而实现预测井漏、监测井漏和治理井漏的目的。

1 数据科学在井漏预测与监测中的应用

目前,国内外在漏失监测方面展开了较多研究,形成的技术主要有: 井口监测技术和井下随钻监测技术。井口监测技术存在一定滞后性,随钻监测成本较高且仪器存在失效风险[1]。井漏风险预测的研究较少,常规的井漏预测方法主要是通过地震方法识别井眼和裂缝体系,或根据邻井资料预测可能发生井漏的位置和构造,但这些方法缺乏准确性和细节性。

近年来,随着机器学习和大数据技术的发展,研究人员发展了一些基于统计学和机器学习的智能井漏预测和监测模型。Jahanbakhshi[2]、Alkinani[3]、和鹏飞[4]等均利用人工神经网络建立井漏预测模型;Li[5]、Al-Hameedi[6]等采用多种机器学习方法建立并比较了井漏预测模型;蔡汶君[7]、谢平[8]、史肖燕[1]和涂曦予[9]等都研究过机器学习在井漏实时监测中的应用。利用这些模型可以确定井漏主控因素、实时监测井漏、预测井漏和漏失速度。

Jahanbakhshi等(2014)[2]利用人工神经网络设计了考虑地质力学参数和不考虑地质力学参数的两种模型来预测天然裂缝性储层的井漏。通过比较两种模型预测结果的准确性,研究了地质力学参数对井漏的影响。此外基于敏感性分析,来明确不同地质力学参数对井漏的影响。结果表明,考虑地层力学参数的人工神经网络模型能够成功地进行井漏预测,且相关系数高,误差小。最小地应力、裂缝方向、单轴抗压强度、抗拉强度和杨氏模量是影响天然裂缝性储层井漏的有效地质力学参数,其中最小地应力和裂缝方向是主要地质力学参数。

Li等(2018)[5]考虑钻井液参数、钻井工程参数和地质参数,运用人工神经网络(ANN)、支持向量机(SVM)和随机森林(RF)三种机器学习方法对伊拉克油田17口井6979组钻井数据进行分析,建立井漏风险预测模型。模型预测结果显示,随机森林方法预测精度最高,三种方法总体预测结果都比较准确,对于未漏点预测精度高,但漏点预测精度一般。

Al-Hameedi等(2018、2019)[6]对Rumaila油田300多口井的井漏情况进行了综合统计和敏感性分析,使用统计软件和自建统计模型分析关键钻井参数(钻井液密度、当量循环密度、钻速、钻压、喷嘴过流面积等),并确定了它们与井漏之间的关系。参数敏感性分析显示,钻井液密度、动切力和当量循环密度对漏失影响最显著,转速和钻速对该井漏模型的影响很小。

刘彪等(2019)基于支持向量回归(SVR)的方法对井漏进行预测。SVR是支持向量机的重要技术分支,依靠小型训练样本即可得出结果是该方法的主要优点。通过整理一口井的录井、测井和地质等方面的资料,选择井深、孔隙度、破裂压力、钻井液密度、塑性粘度、原生裂缝方向、最小水平主应力等13项参数并对数据进行标准化处理,基于支持向量回归算法构建井漏预测模型。结果显示使用基于高斯核函数的SVR方法,具有更高的精确度,相关系数为0.9851,能有效地预测钻井过程中的井漏风险,且能对漏失量进行定量预测。

史肖燕等[1]使用立管压力、井深、入口流量、出口流量、钻速和大钩载荷等14个钻井实时测量参数,采用随机森林的方法进行建模。通过随机森林对初选的14个变量进行了重要性分析,剔除了钻压、转速、泵冲变化和出口温度这四个对模型几乎无影响的变量。通过大量历史数据对随机森林进行训练,进而通过现场实时钻井参数对漏失进行监测识别。参数分析结果显示,进出口流量差对模型影响最大,这与现场井漏判别依据相符。现场应用中,随机森林模型比传统的总池体积减少法来判断漏失提早了23min。

Alkinani等(2019)[3]收集了全球发生诱导裂缝性漏失的1500口井的10000组关键钻井参数数据,通过统计学分析和专家意见,选出8个参数:泥浆密度、当量循环密度、塑性粘度、动切力、排量、转速、钻压和喷嘴总过流截面积,利用人工神经网络对数据进行训练、验证和测试,建立了用于预测诱导裂缝井漏的智能模型。结果表明,该人工神经网络的回归平方和为0.925,能够较精准的预测裂缝地层的井漏。这是第一个能在全球范围内使用的井漏预测模型。

2 数据科学在堵漏决策中的应用

井漏处理是钻井过程中一个独特的挑战,由于易漏失地层的性质和漏失类型的变化十分复杂,这一挑战没有普遍适用的解决办法。目前现场堵漏多依靠经验决策,缺乏系统的理论指导。一些研究人员尝试利用数据科学方法,模拟工程师基于经验制定堵漏方案的过程。案例推理算法是目前比较常见的用于堵漏决策的人工智能方法,张学宏[7]、王海彪[8]和Reedy等都对该算法进行研究。

Reedy等(2018)都建立了基于案例推理算法的系统来辅助现场堵漏施工。首先建立案例数量合适的井漏数据库,系统搜索井漏数据库中相似的案例,确定性质最相似的案例,并根据历史案例处理效果提供合理建议。系统主要由相似案例检索、案例再利用、案例加工和信息保留四部分组成。其中相似案例检索和再利用是核心,通过制定判定标准和规则选择最相似的案例。但案例加工和信息保留仍需工程师完成,工程师需根据实际情况接受、修改或拒绝系统推荐的方案,并将最终结果作为一个案例保存到数据库中。系统的测试结果显示,推荐的井漏补救措施与实际运用的成功方法的匹配度为81%,具有较高的准确性。

Alkinani等(2019)从不同来源和报告中收集了伊拉克Dammam油田2000口井的数据,根据堵漏案例的漏失程度(部分、严重和完全漏失)、地层类型、堵漏成本和堵漏成功率,对井漏处理措施进行分类。针对每种类型井漏的数千种处理方案,计算了所有方案的期望货币值(EMV,定义为一个随机实验进行多次的平均结果)。对于每种类型的损失,选择在现场实际适用且有最低EMV的处理策略来处理每种类型的井漏问题,以使非生产时间(NPT)和成本最小化。基于概率、期望货币值和决策树分析(DTA)为不同漏失类型推荐最佳处理措施。这是第一个详细考虑概率和成本来处理井漏问题的研究。

3 结语

数据科学通过数据和算法建立合适的数学模型,利用计算机快速处理复杂问题的能力,能够考虑所有相关变量之间的相互作用,设计出能准确高效的系统程序。在井漏问题的预测和防治中已经体现出其独特的优势,尤其是在预测井漏方面,使用井漏历史数据,通过机器学习建立预测模型,去提前判断井漏是否发生以及井漏严重程度,这使得井漏变成一个能够积极预防,而非被动解决的问题。

现阶段数据科学在井漏中的应用仍然存在一些亟待解决的问题:

目前的应用大多基于特定的地区和案例,且用于验证模型准确性的案例几乎都是完钻案例,现场应用效果并不明朗。

数据科学需要高质量的数据支撑,数据的获取和整理至关重要。目前关于井漏数据挖掘、处理和利用的信息很少,且缺乏系统性和整体性。因此建立一个丰富准确的井漏数据库,对现场数据进行筛选、分类和标准化处理,将进一步推动数据科学在防漏堵漏中的应用。

猜你喜欢

人工神经网络钻井裂缝
海洋石油钻井中的缺陷以及创新措施
自升式钻井平台Aker操作系统应用探讨
碳酸盐岩裂缝描述七大难点
利用人工神经网络快速计算木星系磁坐标
扫描“蓝鲸”——观察海上钻井平台
人工神经网络实现简单字母的识别
地球的裂缝
生命必须有裂缝,阳光才能照进来
基于改进人工神经网络的航天器电信号分类方法
未来2年将有超过100座钻井平台报废