基于人工智能的钻井工程异常预警系统研究及应用

梅舜豪

(中石化江汉石油工程有限公司,湖北 武汉 430010)

随着中国非常规资源深入开发,国内石油勘探开发主阵地向地质构造更复杂的区块转移,钻井模式向大位移井、水平井、超深井等发展,施工难度增大,异常工况出现的概率也随之增大。为预防事故发生或事态进一步恶化,国内外均开展了钻井工程预警技术的研究。传统人工预警依赖现场经验,全程监测随钻参数的细微变化,主观判断钻井任何时刻是否有出现异常的可能,这种预警模式已无法满足高效勘探开发的需求。近年来,石油领域信息化建设工作进展迅速,特别在钻井工程方面充分发挥源头数据采集优势,已完成了井场多专业数据资源整合。随着数字化程度的不断提高,为钻井工程预警提供了完整的数据支撑,目前钻井工程预警系统已实现主动预警,但跨系统、跨平台数据间通信和共享能力不足,预警类型单一、响应速度慢、异常误报率高,自动化、智能化程度不能适应实际要求,对工程技术管理和决策的支撑力度有限[1]。

连续、复杂、动态不确定性高的钻井环境或条件都会影响钻井模型的建立,即没有通用判别标准,而人工智能无需利用大量过程数据进行数学建模,只需学习标准案例便能识别异常并对新钻井环境做出适应性反应,在钻井异常预警方面具备优势。提出1套钻井工程异常预警系统,钻前利用邻井数据和知识库,实现钻前安全风险评估;钻中利用井场视频数据、实时钻井数据、录井数据、近钻头数据等结合邻井地质、工程数据,实时对钻井过程中二十多种地质、工程复杂情况进行智能预警并提供措施;钻后结合专家正向干涉更新知识库,实现经验共享,在保障钻井安全、提高钻井效益,推进智能油气田建设方面均有重要意义[2]。

1 系统方案

钻井异常是地质条件、操作技术、装备工具等综合作用可能产生的结果[3]。该预警系统的建立旨在打破地域及时间局限,搭建完整、标准、独立、安全的随钻参数、地质信息、邻井历史等数据通路,把握安全、稳定、经济、易用等原则,应用钻井、地质、智能化等多学科知识,整合现场及邻井的各种环境条件下大量钻井异常处理记录,模拟专家思维方式,明确各钻井异常井况下指标参数的响应特征,消除不确定性因素,完成钻前风险分析和钻中井况判断,及时预警异常,给出专业的预防和处理措施,避免事故形成并恶化。在长期、持续地实践应用过程中形成的经验以标准化知识库的形式储存并反复提高,持续降低异常情况的报错率,辅助钻井工程安全生产,从而节约安全生产成本,提升企业效益。

1.1 钻井工程数据集

井场多元信息集中采集标准化和管理系统化是该预警系统后续分析和决策支持的根基。完整的钻井工程数据集包括存储源头数据的数据库,以及根据该预警系统功能需求搭建的知识库: 概念库、规则库、模型库、实例库和措施库,形成钻井异常预警领域的理论、工艺、模型、经验等知识的集合。

1.1.1数据库

基于TCP/IP,UDP的Socket接口,按照WITS/WITSML标准规范收集两类井场数据源: 一类是由部署在井场的各类传感器直接采集的或派生的动态数据(综合录井数据、随钻测量数据);另一类是井史资料等人工录入静态数据。使用远程传输系统通过4G网络、光纤、卫星等传输途径传输数据保存至基地数据库,支持断点续传、自动恢复等功能[4]。各类源头数据见表1所列。

表1 各类源头数据

1.1.2知识库

根据系统功能要求搭建的知识库包含以下内容:

1)概念库。包含预警钻井异常所必须的本体属性、行为等概念及本体间关系的描述。

2)规则库。规定综合决策求解问题的具体方法,包含钻井异常识别推理步骤和领域知识在其中所起的作用。

3)模型库。通过预警算法综合分析钻井异常样本集中的各类异常参数,完成样本训练得到各类异常预警模型并将其存入模型库。现场实践中,系统将根据专家的干预和定制自动重新训练、寻优模型参数,更新得到更有效的预警模型,以供系统能够更科学合理地分析当前的潜在事故。

4)实例库。分类记录各工区的钻井异常案例基础信息、发生异常对应的参数变化过程以及异常处理记录,汇总形成钻井异常样本集,专家通过查询记录并评价,标记为有效则对该案例进行学习并存入以备调用,标记无效则删除。

5)措施库。存储各类异常的预防和处理措施,在实践中持续存入具体案例的专家异常诊断处理方案。

1.2 异常特征分析

钻井过程中可能出现的异常有地质异常、地质-工程异常、工程异常。地质异常由地质因素引起,主要是地层岩性变化、油气水异常、地层压力异常的反映;地质-工程异常由地层岩性变化、油气水异常、地层压力异常等地质因素引起,在作业时可能引发井内复杂变化,包括井涌(溢流)、井喷、井漏、后效井涌、后效井喷、砂桥、泥包、缩径、键槽、井塌等;工程异常由作业不当、钻井工具疲劳或工具质量问题引发,包括刺钻具、断钻具、刺泵、掉水眼、堵水眼、掉牙轮、放空、溜钻、顿钻、涡动、防碰、托压、下钻遇阻和起钻遇卡等。

常见的异常情况以及参数特征变化见表2所列。

表2 钻井异常特征分析

1.3 特征量设置

对于如卡钻、断钻具等突发型异常,直接依据相关参数滤波值的瞬间变化来识别异常。但对于如井漏、钻具刺漏等积累型异常,关键参数在异常发生前会有积蓄过程,分析该类参数变化趋势和快慢,满足发现异常的敏感度要求并保证预测过程的稳定,引入以下4类不受基准值影响的特征量。

1)权重。各参数对异常发生的影响程度不同,设置权重以体现某一特定参数对异常的贡献度,权重值的大小与异常出现的概率正相关。

2)长短期均值差。长期均值MLT、短期均值MST分别为所取长、短时段tL,tS中所有数值的均值。长短期均值差MD为MLT与MST的差值,是原始参数的相对值,能反映参数上升或下降的变化趋势。MLT,MST,MD的计算式如式(1)～式(3)所示:

(1)

(2)

MD(j)=MST(j)-MLT(j)

(3)

式中:xi——i时刻的瞬时钻井参数值。

3)振幅值。将MD在零轴上、下部分分别求和,标记为MDsum。可通过该特定参数的异常振荡表示趋势大小和程度。

(4)

4)变化率。计算MD在tS中的均值MDmean,将当前MDmean与MDsum的绝对值相乘,得到参数变化率,标记为MDN,该值的大小与原参数绝对数值的大小无关。

(5)

MDN(j)=MDmean(j)·|MDsum(j)|

(6)

1.4 预警设计

异常预警的前提是识别工况,在相应工况下判断是否有参数单值异常于基准值,如果有则报警,如果没有则依次调用各类工程异常预警模型分析相关井场数据,根据参数的变化特征将正常状态和异常状态分类,并对异常及时报警。

工况的识别是根据工况的出现次数和时长设置权重,根据实时采集的钻头位置、转盘转速、大钩载荷、大钩高度、立管压力、转盘扭矩、转速、钻压、出口排量9类参数,识别测斜、起钻、下钻、下套管、循环、地面操作、划眼、倒划眼、接单根、钻进等工况[5]。

异常识别模型选用基于统计学习理论和结构风险最小化原则建立的支持向量机(SVM)算法[6],该算法的本质是通过样本学习寻找最优分类超平面,通过映射函数f(x)将低维空间非线性输入属性参数映射到高维特征空间中[7],近似实现结构风险最小化。训练目标井邻井施工历史的工程及地质特征参数样本集,在目标井钻中阶段提取特征矩阵与邻井做对比匹配,求得共性并完成归类,形成模式自动分类策略[8]。

1.5 智能决策中心

智能决策中心指挥系统自动调用各类模块完成钻井异常监测、识别、诊断、预防和处理,是系统的核心部分,具有立体结构。其管理层主要负责梳理各类数据与模型间的逻辑关系,协调及管理各类预警任务以实现信息的交换、更新、存储、共享和异常的分布诊断;诊断与处理层主要负责调用数据库和知识库,预测钻井异常,诊断钻井异常类型和严重程度,匹配并给出相应措施,钻井专家通过交互界面填写总结意见实现正向干预,意见内容包括事故识别准确率、事故预防处理方案、原因分析等;监测层主要负责钻井状态监测与报警。异常预警系统运行流程如图1所示。

图1 异常预警系统运行流程示意

2 应用实例

自2022-05-15—2022-09-18,在宜志某井深4 505～5 366 m钻探期间,预警系统集成钻前邻井数据收集、实时数据采集及显示、智能分析风险评估等模块,对钻进过程中的各类工程异常及时进行预警报警,推送预警69次,误报0次,准报率100.0%,该井约4个月现场工程预警统计见表3所列。

表3 某井现场工程预警统计(4个月)

2022-06-13T 09:30该系统报警立管压力异常,观察录井曲线钻进时立管压力出现上升,上提划眼时扭矩曲线逐渐升高至憋停钻具,同时发生憋泵,值班室人员发现异常后立即向现场推送了立管压力异常严重级别报警,提示现场注意观察参数变化。

2022-08-30T 14:40钻进至5 168 m上提划眼,大钩负荷快速上升,同时立管压力曲线快速上升发生憋泵,该系统报警,值班室人员立即与现场汇报卡钻异常。1 h后解除异常。

预警系统报警后自动生成的该次异常的工程预报告单,专家审核各异常报告单并完成正向干预,能持续调整预警模型、更新知识库,为系统持续积累经验。

3 结束语

钻井工程异常预警系统在钻前和钻中阶段能准确识别溢流、井漏、卡钻等地质、工程异常并及时预警,准确率90%,能有效提高施工方的风险防范和异常处置能力,最大程度减少钻井事故发生和恶化造成的损失。随着预警系统的升级、预警算法模型的优化和工程知识库的丰富,预警的准确性也将提高,协助钻井专家快速分析异常原因并指导工程技术人员更好地预防和及时处理,减少后续损失。