王 亮，徐建根，步文洋，黃昱昊

（1.重慶科技學(xué)院石油與天然氣工程學(xué)院，重慶 401331；2.中國石油集團(tuán)長城鉆探工程有限公司鉆井一公司，遼寧盤錦 124010）

井漏是國內(nèi)外各油氣產(chǎn)地普遍存在的問題。它會導(dǎo)致鉆井周期延長，浪費(fèi)大量鉆井液和防漏堵漏材料，并有可能引發(fā)卡鉆、井涌甚至井噴等復(fù)雜事故，嚴(yán)重情況下可能導(dǎo)致井眼報(bào)廢。在過去，井漏通常是在發(fā)生后進(jìn)行處理，由于不能及時(shí)發(fā)現(xiàn)處理常常導(dǎo)致更多的經(jīng)濟(jì)損失。近年來，隨著綜合錄井技術(shù)、計(jì)算機(jī)信息技術(shù)和其他智能技術(shù)的發(fā)展，智能預(yù)測預(yù)警系統(tǒng)在石油鉆井工程中逐漸得到應(yīng)用。通過提前進(jìn)行預(yù)測和預(yù)警，可以最大程度地降低井漏風(fēng)險(xiǎn)。此外，隨著機(jī)器學(xué)習(xí)技術(shù)的迅速發(fā)展和應(yīng)用，越來越多的研究者開始探索如何將機(jī)器學(xué)習(xí)應(yīng)用于井漏監(jiān)測。機(jī)器學(xué)習(xí)技術(shù)可以通過學(xué)習(xí)大量的數(shù)據(jù)，自動地從數(shù)據(jù)中學(xué)習(xí)特征并建立預(yù)測模型，從而實(shí)現(xiàn)對井漏的快速、準(zhǔn)確識別和預(yù)測。目前國內(nèi)已經(jīng)出現(xiàn)了一些井漏監(jiān)測系統(tǒng)，對井漏的發(fā)生能夠有效的預(yù)測和預(yù)警。

1 井漏機(jī)理

井漏的機(jī)理復(fù)雜，涉及多個(gè)因素。井漏機(jī)理的研究主要和鉆井液漏失量與地層壓力、地層裂縫特性、地層結(jié)構(gòu)特性等參數(shù)相關(guān)。根據(jù)井漏的發(fā)生機(jī)制和漏失嚴(yán)重程度，可以將井漏進(jìn)行分類。常規(guī)的分類方法包括按照漏失嚴(yán)重程度和不同的漏失通道類型[1]。

1.1 按照漏失嚴(yán)重程度分類

（1）輕微井漏：井漏程度較輕，漏失通道尺寸較小，對鉆井操作影響較小。

（2）中度井漏：井漏程度適中，漏失通道尺寸較大，可能會導(dǎo)致鉆井過程受阻或延遲。

（3）嚴(yán)重井漏：井漏程度嚴(yán)重，漏失通道較大且數(shù)量較多，可能會引發(fā)井下事故，嚴(yán)重影響鉆井安全和生產(chǎn)。

1.2 按照不同的漏失通道類型分類

（1）壓差性井漏：當(dāng)井壁上存在較大尺寸的裂縫、溶洞或裂縫溶洞網(wǎng)絡(luò)系統(tǒng)時(shí)，地層孔隙壓力無法平衡液柱壓力，導(dǎo)致鉆井液通過裂縫或溶洞進(jìn)入地層，難以堵漏。

（2）裂縫擴(kuò)展性井漏：井筒周圍存在已張開的漏失通道，在一定壓差范圍內(nèi)，鉆井液封堵顆粒無法自由進(jìn)入漏層，導(dǎo)致漏失無法有效控制。

（3）壓裂性井漏：井壁周圍原本不存在張開裂縫，在鉆井液液柱壓力過大時(shí)，產(chǎn)生裂縫并使裂縫擴(kuò)展，導(dǎo)致井漏。壓裂性井漏通常由使用高密度鉆井液在壓裂儲層時(shí)引起，形成新的漏失通道導(dǎo)致鉆井液漏失[2]。

另外，國外的一些學(xué)者還通過鉆井液漏失數(shù)學(xué)模型和鉆井液統(tǒng)計(jì)學(xué)漏失模型來研究井漏機(jī)理。鉆井液漏失數(shù)學(xué)模型包括一維線性模型、二維平面模型和一維徑向流模型，用于實(shí)現(xiàn)地下裂縫分布及尺度的反演。鉆井液統(tǒng)計(jì)學(xué)漏失模型主要包括基于機(jī)器學(xué)習(xí)的漏失模型和基于數(shù)據(jù)統(tǒng)計(jì)的漏失模型。這些模型可以幫助理解井漏的發(fā)生機(jī)理[3]（圖1）。

圖1 裂縫溶洞漏失[17]

2 機(jī)器學(xué)習(xí)井漏預(yù)測模型

2.1 BP 神經(jīng)網(wǎng)絡(luò)

BP 神經(jīng)網(wǎng)絡(luò)（Backpropagation Neural Network）是一種常見且廣泛應(yīng)用的神經(jīng)網(wǎng)絡(luò)模型，也是神經(jīng)網(wǎng)絡(luò)中最為經(jīng)典的一種。BP 神經(jīng)網(wǎng)絡(luò)是一種按照誤差逆向傳播算法進(jìn)行訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)。它由輸入層、隱藏層和輸出層組成（圖2），信息從輸入層經(jīng)過隱藏層傳遞到輸出層，形成一種前向傳播的過程。然后，通過反向傳播算法，根據(jù)網(wǎng)絡(luò)輸出與期望輸出之間的誤差，調(diào)整網(wǎng)絡(luò)的權(quán)重和閾值，以使網(wǎng)絡(luò)輸出逼近期望輸出。謝平等[3]利用了全烴、鉆壓、懸重、立管壓力、總池體積、出口流量、泥漿出入口密度、泥漿入口電導(dǎo)率、泥漿出口電導(dǎo)率等11 種鉆井?dāng)?shù)據(jù)，建立了BP 神經(jīng)網(wǎng)絡(luò)模型并對井漏風(fēng)險(xiǎn)進(jìn)行分析和預(yù)測，模型預(yù)測準(zhǔn)確率較好，證明了BP 神經(jīng)網(wǎng)絡(luò)模型在實(shí)現(xiàn)井涌井漏的預(yù)測上有很好的效果[4]。王雷雯[5]通過分析井史數(shù)據(jù)，利用鉆井液密度、鉆速、鉆井液靜切力、鉆井液黏度、井眼直徑、鉆井液排量、泵壓、漏失通道性質(zhì)和地層孔隙壓力9 種特征數(shù)據(jù)作為預(yù)測漏失層位的輸入特征量，建立了適用于一種區(qū)塊的基于BP 神經(jīng)網(wǎng)絡(luò)的漏失層位置預(yù)測模型，預(yù)測結(jié)果整體誤差不超過10%。何濤等[6]通過鉆井和錄井?dāng)?shù)據(jù)進(jìn)行分析優(yōu)選出層位、巖性、鉆頭尺寸、鉆頭型號、扭矩、鉆速、鉆壓、轉(zhuǎn)速、立管壓力、漏斗黏度、鉆井液密度、鉆井液初切等16 個(gè)特征參數(shù)作為神經(jīng)網(wǎng)絡(luò)的輸入特征量，建立了基于BP 神經(jīng)網(wǎng)絡(luò)的井漏裂縫寬度預(yù)測模型，同時(shí)利用L-BFGS 算法對模型進(jìn)行優(yōu)化，優(yōu)化后的模型預(yù)測精度高達(dá)90%。

圖2 BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

2.2 支持向量機(jī)

支持向量機(jī)（Support Vector Machine）是一種機(jī)器學(xué)習(xí)算法，具有優(yōu)秀的分類和回歸性能。在井漏預(yù)測中，SVM 可以通過學(xué)習(xí)歷史數(shù)據(jù)，構(gòu)建分類模型，從而對當(dāng)前井漏的發(fā)生進(jìn)行預(yù)測。具體來說，SVM 通過尋找數(shù)據(jù)空間中的最優(yōu)超平面，將不同類別的數(shù)據(jù)點(diǎn)分開，從而實(shí)現(xiàn)分類（圖3）。SVM 具有訓(xùn)練速度快、泛化能力強(qiáng)等優(yōu)點(diǎn)。同時(shí)，SVM 在處理小樣本、高維度的數(shù)據(jù)時(shí)也表現(xiàn)出較好的性能。在井漏預(yù)測領(lǐng)域，基于SVM 的預(yù)測模型已經(jīng)得到了廣泛應(yīng)用，并取得了良好的效果。劉彪等[7]通過對該井的錄井、測井、地質(zhì)以及隨鉆測量等方面的信息整理出井深、孔隙度、破裂壓力、滲透率、鉆井液密度、溫度、抗拉強(qiáng)度等13 種特征數(shù)據(jù)。結(jié)合這些特征數(shù)據(jù)建立了基于支持向量機(jī)的回歸井漏預(yù)測模型，模型的預(yù)測精度高達(dá)0.985 1。AHMED等[8]進(jìn)行了鉆井漏失層位的預(yù)測研究，他們利用實(shí)時(shí)獲取的鉆井參數(shù)作為輸入?yún)?shù)，構(gòu)建了支持向量機(jī)模型和徑向基函數(shù)模型。輸入?yún)?shù)包括大鉤高度、大鉤載荷、鉆井液排量、鉆速、圓盤轉(zhuǎn)速、立管壓力、扭矩和鉆壓8 種特征數(shù)據(jù)。研究結(jié)果顯示，這兩個(gè)模型在預(yù)測漏失層位方面都表現(xiàn)出很高的準(zhǔn)確性。王鑫等[9]將麻雀搜索算法、遺傳算法、灰狼算法以及改進(jìn)的麻雀搜索算法（ISSA）在8 個(gè)基準(zhǔn)測試函數(shù)上做了對比實(shí)驗(yàn)。結(jié)果表明，改進(jìn)的麻雀搜索算法（ISSA）在尋優(yōu)精度、穩(wěn)定性等方面都較其他算法更為優(yōu)異。最后，將改進(jìn)的麻雀搜索算法用于優(yōu)化支持向量機(jī)（ISSA-SVM）進(jìn)行井漏預(yù)測。對比結(jié)果表明，改進(jìn)的麻雀搜索算法用于優(yōu)化支持向量機(jī)預(yù)測準(zhǔn)確率為97.765 4%。相較于前幾種收斂速度快，迭代次數(shù)少，能夠高效、快速預(yù)測井漏事故。

圖3 支持向量機(jī)核函數(shù)映射原理[18]

2.3 隨機(jī)森林

隨機(jī)森林（Random Forest）是一種集成學(xué)習(xí)算法，具有較高的準(zhǔn)確率和魯棒性，可處理高維度與非線性樣本的分類器組合模型，大量的理論和實(shí)證研究都證明了隨機(jī)森林具有很高的預(yù)測準(zhǔn)確率，對異常值和噪聲具有很好的容忍度，并且不容易出現(xiàn)過擬合。同時(shí)隨機(jī)森林是通過構(gòu)建多個(gè)決策樹來實(shí)現(xiàn)預(yù)測的（圖4），每個(gè)決策樹的結(jié)果通過投票或平均值的方式進(jìn)行綜合，最終輸出預(yù)測結(jié)果。李澤俊[10]進(jìn)行了錄井參數(shù)數(shù)據(jù)的采集，并對其進(jìn)行井漏點(diǎn)和非井漏點(diǎn)的標(biāo)記。使用隨機(jī)森林算法對標(biāo)記過的數(shù)據(jù)進(jìn)行分類，從而建立了隨鉆診斷模型。訓(xùn)練結(jié)果顯示，在包含9 061 個(gè)樣本的訓(xùn)練集中，有8 992 個(gè)樣本的輸出結(jié)果正確，而69 個(gè)樣本的輸出結(jié)果錯(cuò)誤。針對396 個(gè)井漏樣本，339 個(gè)樣本的輸出結(jié)果正確，57 個(gè)樣本的輸出結(jié)果錯(cuò)誤。因此，該模型在井漏點(diǎn)的識別上達(dá)到了86%的準(zhǔn)確率。史肖燕等[11]選用隨機(jī)森林方法建立了井漏預(yù)警模型，對鉆井液的溢流、漏失實(shí)時(shí)識別進(jìn)行分類建模。通過優(yōu)選出壓力、井深、入口流量等10 個(gè)強(qiáng)相關(guān)輸入?yún)?shù)，使用大量歷史數(shù)據(jù)對模型進(jìn)行訓(xùn)練，并對新的實(shí)時(shí)輸入數(shù)據(jù)作出是否發(fā)生溢流、漏失的分類。并且該模型對井漏的發(fā)生比人工提早了23 min 做出判斷。陳凱楓等[12]利用相關(guān)性分析和經(jīng)驗(yàn)知識優(yōu)選出總池體積、進(jìn)出口流量差和立管壓力等7 種井漏表征參數(shù)。通過利用隨機(jī)森林、支持向量機(jī)、BP 神經(jīng)網(wǎng)絡(luò)和邏輯回歸算法分別建立井漏智能診斷模型，其中數(shù)據(jù)集的訓(xùn)練集與測試集之比為3∶1。測試結(jié)果表明，隨機(jī)森林模型的表現(xiàn)效果最好，井漏識別的準(zhǔn)確率達(dá)到98%。

圖4 隨機(jī)森林結(jié)構(gòu)

3 智能化井漏監(jiān)測系統(tǒng)

井涌和井漏在鉆井過程中非常常見且復(fù)雜，因此實(shí)時(shí)監(jiān)測和采取有效的井控措施具有重要意義，可以避免重大財(cái)產(chǎn)損失和人員傷亡。井漏監(jiān)測預(yù)警系統(tǒng)需要處理大量數(shù)據(jù)，并對數(shù)據(jù)的完整性有較高要求。只有在具備機(jī)器學(xué)習(xí)的大樣本數(shù)據(jù)條件下，算法的篩選和優(yōu)化才能更加容易。此外，實(shí)時(shí)提取大數(shù)據(jù)、智能判斷不同鉆井工況、快速進(jìn)行計(jì)算、數(shù)據(jù)存儲和可視化展示都是具有較高難度的挑戰(zhàn)。

在國外的油氣和鉆井服務(wù)公司中，數(shù)字化勘探開發(fā)已經(jīng)取得了較好的進(jìn)展，已經(jīng)開發(fā)出了井漏實(shí)時(shí)監(jiān)測的軟件模塊，并將其集成到各自的智能鉆井專家系統(tǒng)中。相比之下，國內(nèi)在這方面的起步較晚。早期李欣嶸等[13]通過力控組態(tài)軟件6.1 平臺設(shè)計(jì)的上位機(jī)監(jiān)測軟件，實(shí)現(xiàn)了現(xiàn)場施工數(shù)據(jù)與監(jiān)測軟件的連接，包括數(shù)據(jù)采集、信息傳輸和數(shù)據(jù)處理。借助SQL Server 2000數(shù)據(jù)庫記錄采集的參數(shù)數(shù)據(jù)，為實(shí)現(xiàn)井漏監(jiān)測系統(tǒng)的遠(yuǎn)程訪問提供了條件。在此基礎(chǔ)上，通過集成各類傳感器和儀器儀表，設(shè)計(jì)了欠平衡鉆井井涌井漏監(jiān)測系統(tǒng)。該系統(tǒng)能夠快速判斷欠平衡鉆井過程中是否出現(xiàn)井涌和井漏情況，并實(shí)時(shí)報(bào)警處理異常情況，以預(yù)防事故發(fā)生。岳煒杰[14]通過綜合應(yīng)用微流量、PWD 和綜合錄井三類參數(shù)并結(jié)合鉆井液流量以及綜合錄井參數(shù)的變化為基礎(chǔ)，設(shè)計(jì)了一套“三高”油氣井溢流先兆在線監(jiān)測與預(yù)警系統(tǒng)，并利用VC++6.0 完成該系統(tǒng)軟件的開發(fā)。劉福等[15]設(shè)計(jì)了早期井涌井漏監(jiān)測系統(tǒng)。該監(jiān)測系統(tǒng)能實(shí)時(shí)顯示參數(shù)和流量的變化，并通過數(shù)字和曲線圖形展示在監(jiān)測界面上。它還可以對流量參數(shù)進(jìn)行實(shí)時(shí)分析，并設(shè)定自定義的預(yù)警門限和報(bào)警門限。預(yù)警分為一級和二級，當(dāng)流量差超過一級預(yù)警門限時(shí)，參數(shù)欄顯示黃色；當(dāng)超過二級預(yù)警門限時(shí)，參數(shù)欄顯示紅色。在二級預(yù)警時(shí)，報(bào)警門限觸發(fā)，預(yù)警模塊發(fā)出聲音報(bào)警。該系統(tǒng)相較于傳統(tǒng)監(jiān)測方式，能提前約7 min 發(fā)現(xiàn)溢流和井漏情況，對于井控安全具有重要意義，為溢流和井漏的控制贏取更多的時(shí)間，更多的保證了石油工人的安全。李盛等[16]設(shè)計(jì)了一種基于Android 的遠(yuǎn)程井涌井漏監(jiān)測系統(tǒng)，該系統(tǒng)具備應(yīng)對各種復(fù)雜鉆井狀況的能力，并能提前進(jìn)行分析和決策。特別是井涌井漏監(jiān)測曲線的實(shí)時(shí)顯示，能夠即時(shí)反映現(xiàn)場狀況。后方專家只需通過Android 客戶端登錄該系統(tǒng)，即可遠(yuǎn)程訪問多井?dāng)?shù)據(jù)，并進(jìn)行實(shí)時(shí)決策和現(xiàn)場技術(shù)支持。這極大地方便了專家遠(yuǎn)程指導(dǎo)現(xiàn)場作業(yè)，節(jié)約了寶貴的決策時(shí)間，提高了問題解決的效率和質(zhì)量，同時(shí)最大限度地減少了損失。近幾年，國內(nèi)相關(guān)系統(tǒng)和軟件平臺有了更多的發(fā)展，除此之外，中石油和中石化也分別推出了自己的監(jiān)測平臺夢想云和EPCE 等，這些監(jiān)測系統(tǒng)和平臺都為未來高精準(zhǔn)、高安全、高質(zhì)量鉆井提供了堅(jiān)實(shí)的基礎(chǔ)。

4 結(jié)語

（1）機(jī)器學(xué)習(xí)算法在井漏監(jiān)測中的廣泛應(yīng)用，不僅可以實(shí)時(shí)監(jiān)測井漏，還能夠自動識別和分類不同類型的井漏情況，為工程師提供及時(shí)有效的決策支持。但是，井漏監(jiān)測仍然是一個(gè)復(fù)雜而具有挑戰(zhàn)性的問題。面對各種環(huán)境條件和井漏形式的變化，需要進(jìn)一步完善機(jī)器學(xué)習(xí)算法的準(zhǔn)確性。此外，數(shù)據(jù)的質(zhì)量和數(shù)量也對機(jī)器學(xué)習(xí)的效果產(chǎn)生重要影響，需要進(jìn)一步改進(jìn)數(shù)據(jù)采集和處理的方法，以獲得更可靠的訓(xùn)練集。

（2）未來，隨著技術(shù)的不斷發(fā)展和數(shù)據(jù)的積累，機(jī)器學(xué)習(xí)在井漏監(jiān)測中將發(fā)揮更加重要的作用。機(jī)器學(xué)習(xí)與領(lǐng)域?qū)＜业暮献饔葹橹匾?，將領(lǐng)域知識與數(shù)據(jù)驅(qū)動的方法相結(jié)合，以建立更精確、可靠的井漏監(jiān)測系統(tǒng)來實(shí)現(xiàn)及時(shí)發(fā)現(xiàn)和預(yù)警井漏的工程問題，從而大大降低鉆井經(jīng)濟(jì)成本和時(shí)間成本，可以更好的保證石油工人的安全，提高鉆井工程的整體水平。