鄧正強(qiáng) 蘭太華 林陽升 何濤 黃平 羅宇峰 王君 謝顯濤

中國石油集團(tuán)川慶鉆探工程有限公司鉆井液技術(shù)服務(wù)公司

川渝地區(qū)是中國石油“十三五”提量上產(chǎn)的主要區(qū)塊，也是川慶鉆探重要的作業(yè)區(qū)域[1-3]。地質(zhì)特征及已鉆井情況表明川渝地區(qū)地層疏松、裂縫發(fā)育，鉆井過程中漏失嚴(yán)重。地層漏失的隨機(jī)性、影響因素的多重性、漏失機(jī)理的不確定性，使得該區(qū)域防漏堵漏效果不佳，一次成功率低，甚至誘發(fā)其他井下復(fù)雜及事故。井漏造成的經(jīng)濟(jì)損失、時(shí)間損失居高不下，嚴(yán)重影響著川渝地區(qū)勘探開發(fā)的進(jìn)程。因?qū)β┦ǖ佬再|(zhì)認(rèn)識(shí)不清，井漏治理主要以經(jīng)驗(yàn)為主，部分井需多次調(diào)整堵漏配方才堵漏成功，堵漏成功率低。為此引入大數(shù)據(jù)/人工智能技術(shù)賦能鉆井工程，對(duì)漏失特征、裂縫性質(zhì)進(jìn)行大數(shù)據(jù)診斷，智能化地提高防漏堵漏效果。通過數(shù)據(jù)挖掘可確定并輸出漏層位置、裂縫開度、漏失類型、漏失壓力、安全密度窗口、堵漏措施的有效性，并分析各因素對(duì)漏失的影響程度、相互關(guān)系，得到漏失機(jī)理及特性，對(duì)漏失進(jìn)行診斷與預(yù)測(cè)[4-8]。

1 防漏堵漏智能輔助決策平臺(tái)組成及原理

在井漏及堵漏領(lǐng)域，裂縫寬度的判斷以經(jīng)驗(yàn)法為主。由于井史數(shù)據(jù)具有數(shù)據(jù)量大、噪點(diǎn)較多、數(shù)據(jù)分散的特點(diǎn)，因此選用神經(jīng)網(wǎng)絡(luò)、決策樹、隨機(jī)森林及支持向量機(jī)等4種算法對(duì)井史數(shù)據(jù)進(jìn)行分析，分別計(jì)算了4種算法預(yù)測(cè)漏層位置并進(jìn)行線性擬合，漏層位置預(yù)測(cè)值的線性擬合結(jié)果如圖1所示。4種機(jī)器學(xué)習(xí)模型對(duì)訓(xùn)練和測(cè)試數(shù)據(jù)集進(jìn)行模型性能評(píng)估的結(jié)果見表1。

圖1 4種算法預(yù)測(cè)漏層位置擬合圖Fig. 1 Fitting map of thief zone position predicted by 4 algorithms

表1 各類漏層位置預(yù)測(cè)模型性能評(píng)估Table 1 Performance evaluation of different thief zone position prediction models

從圖1可看出，隨機(jī)森林模型和支持向量機(jī)模型在預(yù)測(cè)漏層位置時(shí)收斂性更高，擬合直線斜率更接近正比例函數(shù)，并且截距更小。從表1可知，神經(jīng)網(wǎng)絡(luò)模型和支持向量機(jī)模型在漏層位置預(yù)測(cè)時(shí)具有更高的精確度和匹配度，雖然支持向量機(jī)的擬合直線斜率(k=0.974 9)更接近正比例函數(shù)，并且截距更接近0(d=33.211)，但是根據(jù)RMSE指數(shù)可以推斷出，神經(jīng)網(wǎng)絡(luò)模型的穩(wěn)定性反而高于支持向量機(jī)，之所以神經(jīng)網(wǎng)絡(luò)模型的擬合直線斜率(k=0.946 7)表現(xiàn)得不如支持向量機(jī)模型，只是因?yàn)楹笳吒蛴趦蛇叿稿e(cuò)，因此擬合直線比較接近正比例函數(shù)。因此最終選擇神經(jīng)網(wǎng)絡(luò)模型對(duì)漏層位置進(jìn)行預(yù)測(cè)。

1.1 數(shù)據(jù)采集

使用Python語言編寫小程序從上述平臺(tái)或電子文檔中共采集了240口井、2 796張EXCEL數(shù)據(jù)表或其他類型數(shù)據(jù)表、210萬條數(shù)據(jù)、1162個(gè)漏點(diǎn)，數(shù)據(jù)容量大約為2.4 GB。因?yàn)橛胁糠志當(dāng)?shù)據(jù)項(xiàng)目缺失，按照主要相關(guān)數(shù)據(jù)統(tǒng)計(jì)分析，總有效率65.8%。

1.2 數(shù)據(jù)轉(zhuǎn)換

由于采集到的數(shù)據(jù)類型各異，包含EXCEL、WORD和其他格式數(shù)據(jù)文件，數(shù)量非常大，本項(xiàng)目使用Python語言開發(fā)數(shù)據(jù)轉(zhuǎn)換軟件將每口井對(duì)應(yīng)的數(shù)據(jù)轉(zhuǎn)換并遷移(導(dǎo)入)到數(shù)據(jù)庫系統(tǒng)中(MYSQL)，共形成類型相同的140余萬條數(shù)據(jù)庫記錄用于后續(xù)分析使用。

1.3 數(shù)據(jù)清洗

上述數(shù)據(jù)收集并遷移到數(shù)據(jù)庫后，經(jīng)數(shù)據(jù)探索分析發(fā)現(xiàn)原始數(shù)據(jù)存在缺失和不一致性，不能直接用于數(shù)據(jù)挖掘和預(yù)測(cè)，必須對(duì)其進(jìn)行清洗后才能使用[9-11]。為了消除輸入數(shù)據(jù)之間的相互影響，調(diào)用Python中的Pandas模塊對(duì)鉆井?dāng)?shù)據(jù)實(shí)施歸一化處理，將9個(gè)輸入?yún)?shù)轉(zhuǎn)化在[?1，1]之間。歸一化函數(shù)的數(shù)學(xué)公式為

式中，Xi與xi分別代表規(guī)范化后和規(guī)范化前的數(shù)值；ximax和ximin分別表示規(guī)范化前最大與最小數(shù)值。具體處理的流程如圖2所示。

圖2 數(shù)據(jù)規(guī)范化流程圖Fig. 2 Flow chart of data normalization

1.4 數(shù)據(jù)參數(shù)與井漏的相關(guān)性

從一體化平臺(tái)取得的鉆井?dāng)?shù)據(jù)具體包括巖性(YX)、100轉(zhuǎn)讀數(shù)(DS100)、鉆頭型號(hào)(ZTXH)、井徑擴(kuò)大率(JJKDL)、鉆速(ZS)、鉆頭尺寸(ZTCC)、3轉(zhuǎn)讀數(shù)(DS3)、當(dāng)量密度(DLMD)、平均井徑(PJJJ)、入口流量(RKLL)、300轉(zhuǎn)讀數(shù)(DS300)、600轉(zhuǎn)讀數(shù)(DS600)、轉(zhuǎn)速(ZS1)、鉆壓(ZY)、漏斗黏度(LDND)、層位(CW)、扭矩(NJ)、入口密度(RKMD)、鉆井液類型(ZJJLX)、出口密度(CKMD)、泵壓(BY1)、鉆井液密度(ZJJMD)等22個(gè)參數(shù)，加上必定和井漏相關(guān)的井深共23個(gè)輸入?yún)?shù)。其中部分參數(shù)包含的井漏信息較少，對(duì)井漏的影響微乎其微。將這種參數(shù)輸入模型不僅會(huì)使網(wǎng)絡(luò)冗余，降低學(xué)習(xí)速度和效率，甚至還會(huì)影響其他輸入?yún)?shù)，導(dǎo)致重要參數(shù)被淹沒[12-14]。因此，尋找與井漏解相關(guān)的最佳有效變量集是非常必要的。

采用相關(guān)系數(shù)法分析相關(guān)性。采用IBM公司的數(shù)據(jù)統(tǒng)計(jì)軟件SPSS對(duì)22個(gè)參數(shù)與鉆井漏失進(jìn)行相關(guān)系數(shù)測(cè)試，并通過相關(guān)系數(shù)絕對(duì)值的大小確定變量的重要性，以選擇建立模型的最佳相關(guān)預(yù)測(cè)因子，結(jié)果如圖3所示。

圖3 數(shù)據(jù)挖掘模型參數(shù)的相關(guān)性分析Fig. 3 Correlation analysis on the parameters of data mining model

由圖3可以看出，在研究的22個(gè)變量中，排除掉2個(gè)常數(shù)或接近常數(shù)的變量(平均井徑PJJJ和當(dāng)量密度DLMD)，其余20個(gè)變量被確定是預(yù)測(cè)井漏解的輸入?yún)?shù)。這些變量的范圍是非常重要的因素，數(shù)據(jù)挖掘模型輸入?yún)?shù)中缺失了任何一種都可能會(huì)導(dǎo)致最終產(chǎn)生的井漏解決方案不可靠。

2 數(shù)據(jù)挖掘模型

以川渝地區(qū)240口井的井史詳細(xì)數(shù)據(jù)為基礎(chǔ)，研究這些數(shù)據(jù)與井漏之間的關(guān)系。首先，利用基于大數(shù)據(jù)的機(jī)器學(xué)習(xí)技術(shù)提取井史數(shù)據(jù)中的有用信息，并按照一定的規(guī)則對(duì)這些信息進(jìn)行特征化處理，進(jìn)而得到可以進(jìn)行數(shù)據(jù)挖掘的數(shù)據(jù)集合；其次，將此數(shù)據(jù)集代入相應(yīng)的機(jī)器學(xué)習(xí)算法中進(jìn)行學(xué)習(xí)，生成對(duì)應(yīng)的學(xué)習(xí)模型；最后，對(duì)該學(xué)習(xí)模型進(jìn)行評(píng)估，看模型準(zhǔn)確率是否符合要求，如果不符合則對(duì)數(shù)據(jù)挖掘數(shù)據(jù)集重新進(jìn)行特征化處理，如果符合要求則保存該學(xué)習(xí)模型。具體步驟如圖4所示。

圖4 數(shù)據(jù)挖掘模型構(gòu)建步驟Fig. 4 Building procedure of data mining model

2.1 文本型參數(shù)的數(shù)字化處理

數(shù)據(jù)庫中存在很多以漢字或英文描述的信息，如巖性、層位、鉆頭類型、鉆井液類型等，這類文字信息無法直接進(jìn)行數(shù)據(jù)挖掘，需要進(jìn)一步處理將其數(shù)字化。由于類別之間是無序的，不能采用自然序數(shù)編碼，為了解決此類問題，采用了獨(dú)熱編碼(One-Hot Encoding)技術(shù)[15-17]。其方法是使用N位狀態(tài)寄存器來對(duì)N個(gè)狀態(tài)進(jìn)行編碼，每個(gè)狀態(tài)都有其獨(dú)立的寄存器位，并且在任意時(shí)候，其中只有一位有效。經(jīng)過獨(dú)熱編碼后，無序的漢字或英文信息轉(zhuǎn)化為有序的數(shù)字，為數(shù)據(jù)挖掘奠定了基礎(chǔ)。

2.2 相似井段聚類

如果能通過區(qū)塊井史數(shù)據(jù)分析，將漏前相關(guān)參數(shù)(如鉆壓、巖性等)發(fā)生了類似變化的井漏傾向相似井段都?xì)w并到相同類別中，那么會(huì)對(duì)同一類井段的井漏傾向風(fēng)險(xiǎn)預(yù)測(cè)預(yù)警提供很好的判據(jù)。所以，數(shù)據(jù)挖掘領(lǐng)域中的聚類分析對(duì)于防漏堵漏輔助決策的智能推薦服務(wù)具有重要意義[18-20]。文本型參數(shù)經(jīng)數(shù)字化處理后，進(jìn)一步采用K-mean算法對(duì)相似井段進(jìn)行聚類分析。

2.3 改進(jìn)Apriori關(guān)聯(lián)規(guī)則挖掘

經(jīng)過聚類分析后，有相似井漏傾向的井段被歸并到一個(gè)類別中，這個(gè)井段類別所關(guān)聯(lián)的井漏傾向也就成為提供智能預(yù)測(cè)預(yù)警的初始依據(jù)。即，某一井段如果有相關(guān)參數(shù)發(fā)生了類似的變化，則這一井段就有很大可能發(fā)生和類內(nèi)井段相同的井漏傾向事件，但這需要進(jìn)一步利用關(guān)聯(lián)規(guī)則數(shù)據(jù)挖掘算法去實(shí)現(xiàn)。

Apriori算法是關(guān)聯(lián)規(guī)則挖掘的常用方法，但其形成的關(guān)聯(lián)規(guī)則很多是冗余的，并且需要執(zhí)行的掃描次數(shù)也比較多。為此，在傳統(tǒng)的Apriori算法的基礎(chǔ)上進(jìn)行了改進(jìn)，流程如圖5所示。

圖5 關(guān)聯(lián)規(guī)則改進(jìn)算法Fig. 5 Improved association rules algorithm

3 防漏堵漏智能輔助決策平臺(tái)構(gòu)建及應(yīng)用

3.1 平臺(tái)構(gòu)建

依據(jù)上文提出的聚類分析、關(guān)聯(lián)規(guī)則挖掘等數(shù)據(jù)挖掘算法，調(diào)用數(shù)據(jù)庫數(shù)據(jù)，構(gòu)建了防漏堵漏智能輔助決策平臺(tái)。其功能模塊包括：控制臺(tái)模塊、權(quán)限管理模塊、數(shù)據(jù)導(dǎo)入模塊、數(shù)據(jù)預(yù)處理模塊、井漏風(fēng)險(xiǎn)預(yù)測(cè)模塊及漏層位置預(yù)測(cè)模塊。

防漏堵漏智能輔助決策平臺(tái)可以在用戶登錄之后針對(duì)平臺(tái)內(nèi)不同區(qū)塊的鉆井?dāng)?shù)據(jù)進(jìn)行檢索查看服務(wù)，并提供部分?jǐn)?shù)據(jù)統(tǒng)計(jì)功能，幫助工程師更加直觀地看到鉆井?dāng)?shù)據(jù)中的可用信息。智能決策平臺(tái)可以與一體化平臺(tái)實(shí)現(xiàn)跨平臺(tái)連接，既可以根據(jù)用戶設(shè)置自動(dòng)導(dǎo)入實(shí)時(shí)鉆井?dāng)?shù)據(jù)，也可以手動(dòng)導(dǎo)入一些平臺(tái)以外的新數(shù)據(jù)。

防漏堵漏智能輔助決策平臺(tái)提供了包括神經(jīng)網(wǎng)絡(luò)、K近鄰、隨機(jī)森林在內(nèi)的多種數(shù)據(jù)挖掘算法，用戶既可以根據(jù)區(qū)塊規(guī)律、算法特征來自行選擇，也可以通過平臺(tái)推薦來選擇最優(yōu)模型。

3.2 現(xiàn)場(chǎng)應(yīng)用

使用軟件對(duì)已完鉆井和正鉆井進(jìn)行堵漏方案推送驗(yàn)證，結(jié)果見表2、表3，其中符合率指軟件推送的配方與實(shí)際堵漏配方的匹配程度。

表2 已完鉆井進(jìn)行堵漏方案推送驗(yàn)證Table 2 Recommendation and verification of lost circulation control scheme of drilled well

表3 正鉆井進(jìn)行堵漏方案推送驗(yàn)證Table 3 Recommendation and verification of lost circulation control scheme of being drilled well

以MX023-H1井為例。該井鄰井用密度2.17~2.24 g/cm3鉆井液在峨眉山玄武巖段精細(xì)控壓鉆進(jìn)，多次出現(xiàn)氣侵、井漏，累計(jì)漏失鉆井液189 m3。本井用密度2.35 g/cm3鉆井液鉆至峨眉山玄武巖前，軟件提示本井此段發(fā)生漏失概率為80%，應(yīng)做好相應(yīng)預(yù)防措施。

MX023-H1井00:33取心鉆進(jìn)至5 354.38 m見井漏，漏失鉆井液0.2 m3；至00:52割心上提鉆具至5 345.27 m，循環(huán)觀察，泵壓13.6~19.8 MPa、排量320 L/min，實(shí)測(cè)最大漏速9.0 m3/h、最小漏速3.0 m3/h、平均漏速6.0 m3/h，漏失鉆井液2.5 m3；至07:00降排量循環(huán)，泵壓3.2~11.8 MPa、排量58~219 L/min，漏失3.7 m3；至07:20提排量循環(huán)，泵壓13.6~19.8 MPa、排量180~270 L/min (排量234 L/min時(shí)漏速9.0 m3/h、排量156 L/min時(shí)漏速6.0 m3/h)漏失鉆井液3.0 m3；至08:00降排量循環(huán)，泵壓6.5 MPa、排量78 L/min，漏失1.3 m3。MX023-H1井發(fā)生漏失時(shí)，根據(jù)現(xiàn)場(chǎng)漏失實(shí)時(shí)參數(shù)，軟件推送出堵漏方式及堵漏配方供現(xiàn)場(chǎng)參考。

軟件推薦堵漏方案：采用橋塞堵漏方式，配制密度2.05 g/cm3、濃度15%的堵漏漿20 m3，配方：3%~6%隨堵+6%~10%剛性粒子+5%~8%片狀材料+5%~8%橋塞材料；現(xiàn)場(chǎng)施工人員參考軟件給出的堵漏配方確定實(shí)際堵漏配方：3%隨鉆+7%剛性粒子+4%片狀材料+4%橋塞材料，符合率60%。

從表2、3可知，對(duì)已完鉆井進(jìn)行堵漏方案推送驗(yàn)證符合率達(dá)60%，對(duì)正鉆井進(jìn)行堵漏方案推送符合率50%，其中N209H36-10、N216H5-4井符合率低于50%的主要原因是數(shù)據(jù)庫內(nèi)容不夠豐富，隨著學(xué)習(xí)樣本的增加，符合率會(huì)逐步提高。該軟件在頁巖氣、高磨區(qū)塊累計(jì)現(xiàn)場(chǎng)試驗(yàn)17井次，一次堵漏成功率達(dá)52.9%，較未使用軟件時(shí)的一次堵漏成功率39.1%提高了13.8個(gè)百分點(diǎn)，現(xiàn)場(chǎng)應(yīng)用效果良好。

4 結(jié)論

(1)基于大數(shù)據(jù)構(gòu)建的防漏堵漏智能輔助決策平臺(tái)推送的堵漏方案對(duì)實(shí)際堵漏方案制定具有一定的指導(dǎo)性，可提高一次堵漏成功率百分比。

(2)神經(jīng)網(wǎng)絡(luò)、決策樹、.隨機(jī)森林、支持向量機(jī)4種算法中，選擇神經(jīng)網(wǎng)絡(luò)模型對(duì)漏層位置進(jìn)行預(yù)測(cè)，穩(wěn)定性最好。

(3)智能防漏堵漏輔助決策平臺(tái)先采用聚類分析方法對(duì)樣本數(shù)據(jù)進(jìn)行聚類，再通過關(guān)聯(lián)分析的方法分析聚類簇中樣本的因素，實(shí)現(xiàn)了聚類+關(guān)聯(lián)規(guī)則預(yù)測(cè)井漏風(fēng)險(xiǎn)及堵漏方案推送。