梅舜豪

(中石化江漢石油工程有限公司,湖北 武漢 430010)

隨著中國非常規(guī)資源深入開發(fā),國內(nèi)石油勘探開發(fā)主陣地向地質(zhì)構(gòu)造更復(fù)雜的區(qū)塊轉(zhuǎn)移,鉆井模式向大位移井、水平井、超深井等發(fā)展,施工難度增大,異常工況出現(xiàn)的概率也隨之增大。為預(yù)防事故發(fā)生或事態(tài)進一步惡化,國內(nèi)外均開展了鉆井工程預(yù)警技術(shù)的研究。傳統(tǒng)人工預(yù)警依賴現(xiàn)場經(jīng)驗,全程監(jiān)測隨鉆參數(shù)的細微變化,主觀判斷鉆井任何時刻是否有出現(xiàn)異常的可能,這種預(yù)警模式已無法滿足高效勘探開發(fā)的需求。近年來,石油領(lǐng)域信息化建設(shè)工作進展迅速,特別在鉆井工程方面充分發(fā)揮源頭數(shù)據(jù)采集優(yōu)勢,已完成了井場多專業(yè)數(shù)據(jù)資源整合。隨著數(shù)字化程度的不斷提高,為鉆井工程預(yù)警提供了完整的數(shù)據(jù)支撐,目前鉆井工程預(yù)警系統(tǒng)已實現(xiàn)主動預(yù)警,但跨系統(tǒng)、跨平臺數(shù)據(jù)間通信和共享能力不足,預(yù)警類型單一、響應(yīng)速度慢、異常誤報率高,自動化、智能化程度不能適應(yīng)實際要求,對工程技術(shù)管理和決策的支撐力度有限[1]。

連續(xù)、復(fù)雜、動態(tài)不確定性高的鉆井環(huán)境或條件都會影響鉆井模型的建立,即沒有通用判別標準,而人工智能無需利用大量過程數(shù)據(jù)進行數(shù)學建模,只需學習標準案例便能識別異常并對新鉆井環(huán)境做出適應(yīng)性反應(yīng),在鉆井異常預(yù)警方面具備優(yōu)勢。提出1套鉆井工程異常預(yù)警系統(tǒng),鉆前利用鄰井數(shù)據(jù)和知識庫,實現(xiàn)鉆前安全風險評估;鉆中利用井場視頻數(shù)據(jù)、實時鉆井數(shù)據(jù)、錄井數(shù)據(jù)、近鉆頭數(shù)據(jù)等結(jié)合鄰井地質(zhì)、工程數(shù)據(jù),實時對鉆井過程中二十多種地質(zhì)、工程復(fù)雜情況進行智能預(yù)警并提供措施;鉆后結(jié)合專家正向干涉更新知識庫,實現(xiàn)經(jīng)驗共享,在保障鉆井安全、提高鉆井效益,推進智能油氣田建設(shè)方面均有重要意義[2]。

1 系統(tǒng)方案

鉆井異常是地質(zhì)條件、操作技術(shù)、裝備工具等綜合作用可能產(chǎn)生的結(jié)果[3]。該預(yù)警系統(tǒng)的建立旨在打破地域及時間局限,搭建完整、標準、獨立、安全的隨鉆參數(shù)、地質(zhì)信息、鄰井歷史等數(shù)據(jù)通路,把握安全、穩(wěn)定、經(jīng)濟、易用等原則,應(yīng)用鉆井、地質(zhì)、智能化等多學科知識,整合現(xiàn)場及鄰井的各種環(huán)境條件下大量鉆井異常處理記錄,模擬專家思維方式,明確各鉆井異常井況下指標參數(shù)的響應(yīng)特征,消除不確定性因素,完成鉆前風險分析和鉆中井況判斷,及時預(yù)警異常,給出專業(yè)的預(yù)防和處理措施,避免事故形成并惡化。在長期、持續(xù)地實踐應(yīng)用過程中形成的經(jīng)驗以標準化知識庫的形式儲存并反復(fù)提高,持續(xù)降低異常情況的報錯率,輔助鉆井工程安全生產(chǎn),從而節(jié)約安全生產(chǎn)成本,提升企業(yè)效益。

1.1 鉆井工程數(shù)據(jù)集

井場多元信息集中采集標準化和管理系統(tǒng)化是該預(yù)警系統(tǒng)后續(xù)分析和決策支持的根基。完整的鉆井工程數(shù)據(jù)集包括存儲源頭數(shù)據(jù)的數(shù)據(jù)庫,以及根據(jù)該預(yù)警系統(tǒng)功能需求搭建的知識庫: 概念庫、規(guī)則庫、模型庫、實例庫和措施庫,形成鉆井異常預(yù)警領(lǐng)域的理論、工藝、模型、經(jīng)驗等知識的集合。

1.1.1數(shù)據(jù)庫

基于TCP/IP,UDP的Socket接口,按照WITS/WITSML標準規(guī)范收集兩類井場數(shù)據(jù)源: 一類是由部署在井場的各類傳感器直接采集的或派生的動態(tài)數(shù)據(jù)(綜合錄井數(shù)據(jù)、隨鉆測量數(shù)據(jù));另一類是井史資料等人工錄入靜態(tài)數(shù)據(jù)。使用遠程傳輸系統(tǒng)通過4G網(wǎng)絡(luò)、光纖、衛(wèi)星等傳輸途徑傳輸數(shù)據(jù)保存至基地數(shù)據(jù)庫,支持斷點續(xù)傳、自動恢復(fù)等功能[4]。各類源頭數(shù)據(jù)見表1所列。

表1 各類源頭數(shù)據(jù)

1.1.2知識庫

根據(jù)系統(tǒng)功能要求搭建的知識庫包含以下內(nèi)容:

1)概念庫。包含預(yù)警鉆井異常所必須的本體屬性、行為等概念及本體間關(guān)系的描述。

2)規(guī)則庫。規(guī)定綜合決策求解問題的具體方法,包含鉆井異常識別推理步驟和領(lǐng)域知識在其中所起的作用。

3)模型庫。通過預(yù)警算法綜合分析鉆井異常樣本集中的各類異常參數(shù),完成樣本訓練得到各類異常預(yù)警模型并將其存入模型庫?，F(xiàn)場實踐中,系統(tǒng)將根據(jù)專家的干預(yù)和定制自動重新訓練、尋優(yōu)模型參數(shù),更新得到更有效的預(yù)警模型,以供系統(tǒng)能夠更科學合理地分析當前的潛在事故。

4)實例庫。分類記錄各工區(qū)的鉆井異常案例基礎(chǔ)信息、發(fā)生異常對應(yīng)的參數(shù)變化過程以及異常處理記錄,匯總形成鉆井異常樣本集,專家通過查詢記錄并評價,標記為有效則對該案例進行學習并存入以備調(diào)用,標記無效則刪除。

5)措施庫。存儲各類異常的預(yù)防和處理措施,在實踐中持續(xù)存入具體案例的專家異常診斷處理方案。

1.2 異常特征分析

鉆井過程中可能出現(xiàn)的異常有地質(zhì)異常、地質(zhì)-工程異常、工程異常。地質(zhì)異常由地質(zhì)因素引起,主要是地層巖性變化、油氣水異常、地層壓力異常的反映;地質(zhì)-工程異常由地層巖性變化、油氣水異常、地層壓力異常等地質(zhì)因素引起,在作業(yè)時可能引發(fā)井內(nèi)復(fù)雜變化,包括井涌(溢流)、井噴、井漏、后效井涌、后效井噴、砂橋、泥包、縮徑、鍵槽、井塌等;工程異常由作業(yè)不當、鉆井工具疲勞或工具質(zhì)量問題引發(fā),包括刺鉆具、斷鉆具、刺泵、掉水眼、堵水眼、掉牙輪、放空、溜鉆、頓鉆、渦動、防碰、托壓、下鉆遇阻和起鉆遇卡等。

常見的異常情況以及參數(shù)特征變化見表2所列。

表2 鉆井異常特征分析

1.3 特征量設(shè)置

對于如卡鉆、斷鉆具等突發(fā)型異常,直接依據(jù)相關(guān)參數(shù)濾波值的瞬間變化來識別異常。但對于如井漏、鉆具刺漏等積累型異常,關(guān)鍵參數(shù)在異常發(fā)生前會有積蓄過程,分析該類參數(shù)變化趨勢和快慢,滿足發(fā)現(xiàn)異常的敏感度要求并保證預(yù)測過程的穩(wěn)定,引入以下4類不受基準值影響的特征量。

1)權(quán)重。各參數(shù)對異常發(fā)生的影響程度不同,設(shè)置權(quán)重以體現(xiàn)某一特定參數(shù)對異常的貢獻度,權(quán)重值的大小與異常出現(xiàn)的概率正相關(guān)。

2)長短期均值差。長期均值MLT、短期均值MST分別為所取長、短時段tL,tS中所有數(shù)值的均值。長短期均值差MD為MLT與MST的差值,是原始參數(shù)的相對值,能反映參數(shù)上升或下降的變化趨勢。MLT,MST,MD的計算式如式(1)～式(3)所示:

(1)

(2)

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

(3)

式中:xi——i時刻的瞬時鉆井參數(shù)值。

3)振幅值。將MD在零軸上、下部分分別求和,標記為MDsum?？赏ㄟ^該特定參數(shù)的異常振蕩表示趨勢大小和程度。

(4)

4)變化率。計算MD在tS中的均值MDmean,將當前MDmean與MDsum的絕對值相乘,得到參數(shù)變化率,標記為MDN,該值的大小與原參數(shù)絕對數(shù)值的大小無關(guān)。

(5)

MDN(j)=MDmean(j)·|MDsum(j)|

(6)

1.4 預(yù)警設(shè)計

異常預(yù)警的前提是識別工況,在相應(yīng)工況下判斷是否有參數(shù)單值異常于基準值,如果有則報警,如果沒有則依次調(diào)用各類工程異常預(yù)警模型分析相關(guān)井場數(shù)據(jù),根據(jù)參數(shù)的變化特征將正常狀態(tài)和異常狀態(tài)分類,并對異常及時報警。

工況的識別是根據(jù)工況的出現(xiàn)次數(shù)和時長設(shè)置權(quán)重,根據(jù)實時采集的鉆頭位置、轉(zhuǎn)盤轉(zhuǎn)速、大鉤載荷、大鉤高度、立管壓力、轉(zhuǎn)盤扭矩、轉(zhuǎn)速、鉆壓、出口排量9類參數(shù),識別測斜、起鉆、下鉆、下套管、循環(huán)、地面操作、劃眼、倒劃眼、接單根、鉆進等工況[5]。

異常識別模型選用基于統(tǒng)計學習理論和結(jié)構(gòu)風險最小化原則建立的支持向量機(SVM)算法[6],該算法的本質(zhì)是通過樣本學習尋找最優(yōu)分類超平面,通過映射函數(shù)f(x)將低維空間非線性輸入屬性參數(shù)映射到高維特征空間中[7],近似實現(xiàn)結(jié)構(gòu)風險最小化。訓練目標井鄰井施工歷史的工程及地質(zhì)特征參數(shù)樣本集,在目標井鉆中階段提取特征矩陣與鄰井做對比匹配,求得共性并完成歸類,形成模式自動分類策略[8]。

1.5 智能決策中心

智能決策中心指揮系統(tǒng)自動調(diào)用各類模塊完成鉆井異常監(jiān)測、識別、診斷、預(yù)防和處理,是系統(tǒng)的核心部分,具有立體結(jié)構(gòu)。其管理層主要負責梳理各類數(shù)據(jù)與模型間的邏輯關(guān)系,協(xié)調(diào)及管理各類預(yù)警任務(wù)以實現(xiàn)信息的交換、更新、存儲、共享和異常的分布診斷;診斷與處理層主要負責調(diào)用數(shù)據(jù)庫和知識庫,預(yù)測鉆井異常,診斷鉆井異常類型和嚴重程度,匹配并給出相應(yīng)措施,鉆井專家通過交互界面填寫總結(jié)意見實現(xiàn)正向干預(yù),意見內(nèi)容包括事故識別準確率、事故預(yù)防處理方案、原因分析等;監(jiān)測層主要負責鉆井狀態(tài)監(jiān)測與報警。異常預(yù)警系統(tǒng)運行流程如圖1所示。

圖1 異常預(yù)警系統(tǒng)運行流程示意

2 應(yīng)用實例

自2022-05-15—2022-09-18,在宜志某井深4 505～5 366 m鉆探期間,預(yù)警系統(tǒng)集成鉆前鄰井數(shù)據(jù)收集、實時數(shù)據(jù)采集及顯示、智能分析風險評估等模塊,對鉆進過程中的各類工程異常及時進行預(yù)警報警,推送預(yù)警69次,誤報0次,準報率100.0%,該井約4個月現(xiàn)場工程預(yù)警統(tǒng)計見表3所列。

表3 某井現(xiàn)場工程預(yù)警統(tǒng)計(4個月)

2022-06-13T 09:30該系統(tǒng)報警立管壓力異常,觀察錄井曲線鉆進時立管壓力出現(xiàn)上升,上提劃眼時扭矩曲線逐漸升高至憋停鉆具,同時發(fā)生憋泵,值班室人員發(fā)現(xiàn)異常后立即向現(xiàn)場推送了立管壓力異常嚴重級別報警,提示現(xiàn)場注意觀察參數(shù)變化。

2022-08-30T 14:40鉆進至5 168 m上提劃眼,大鉤負荷快速上升,同時立管壓力曲線快速上升發(fā)生憋泵,該系統(tǒng)報警,值班室人員立即與現(xiàn)場匯報卡鉆異常。1 h后解除異常。

預(yù)警系統(tǒng)報警后自動生成的該次異常的工程預(yù)報告單,專家審核各異常報告單并完成正向干預(yù),能持續(xù)調(diào)整預(yù)警模型、更新知識庫,為系統(tǒng)持續(xù)積累經(jīng)驗。

3 結(jié)束語

鉆井工程異常預(yù)警系統(tǒng)在鉆前和鉆中階段能準確識別溢流、井漏、卡鉆等地質(zhì)、工程異常并及時預(yù)警,準確率90%,能有效提高施工方的風險防范和異常處置能力,最大程度減少鉆井事故發(fā)生和惡化造成的損失。隨著預(yù)警系統(tǒng)的升級、預(yù)警算法模型的優(yōu)化和工程知識庫的豐富,預(yù)警的準確性也將提高,協(xié)助鉆井專家快速分析異常原因并指導工程技術(shù)人員更好地預(yù)防和及時處理,減少后續(xù)損失。