鉆井工況智能識別與時效分析技術

胡志強 楊進 王磊 侯緒田 張楨翔 姜萌磊

1.中國石油化工股份有限公司石油工程技術研究；2.頁巖油氣富集機理與有效開發國家重點試驗室；3.中國石油大學(北京)安全與海洋工程學院

隨著大數據分析、人工智能決策技術在石油行業的應用，數字化油氣勘探開發技術顯著提高了現場施工作業效率［1-3］。目前鉆井施工作業平均時效僅70%，現場無法大規模利用錄井數據實時監測鉆井作業工況，鉆井時效分析主要依賴于現場儀器的傳輸效率和作業人員的經驗診斷，存在無法處理大量實時施工數據、決策反饋機制慢、預測精度低等問題［4-6］。許多學者針對利用綜合錄井數據輔助施工決策進行了大量研究，吳俊杰等［7］提出利用模糊理論構建多事故知識庫，從而實現對鉆井工程事故進行預警的新設計思路；徐術國等［8］總結了大量油田現場數據資料，編制了基于錄井數據的鉆井事故專家預測系統；孫挺等［9］建立了一種基于支持向量機的鉆井工況識別方法，優化模型參數；但目前由于缺乏鉆井數據的實時反饋，導致鉆井工況識別、時效分析精度差，因此有必要利用鉆井過程記錄的大量錄井數據，開展鉆井作業工況自動識別和鉆井時效智能分析，實現錄井資料與后臺服務器數據實時傳輸和反饋，完成現場鉆井數據的自動識別與采集，協助鉆井工程人員優化施工方案。

1 標準數據傳輸接口開發

在油氣井場信息數據服務領域，各大石油服務廠商開發了大量不同標準的數據傳輸與轉換格式。國際鉆井承包商協會(簡稱IADC)規定了統一的井場數據傳輸格式來解決傳輸標準問題，定義為井場信息傳輸規范(簡稱WITS)［10］；隨著技術的發展，在WITS技術的基礎上又發展出了井場信息傳遞標準標記語言(簡稱WITSML)［11］。目前，各大石油公司均開發了基于WITS和WITSML兩個傳輸標準的井場數據傳輸通訊系統。

1.1 基于TCP/IP協議的Socket通信方式

基于TCP/IP協議的Socket通信方式具有性能穩定、傳輸功能完善等優勢，能滿足井場數據傳輸的需求。Socket通信方式采用客戶端/服務端模型實現進程間的通信，建立遵循TCP/IP協議的“三次握手”雙向通信模式，其建立過程包括客戶端建立初始連接、監聽客戶連接請求并進行確認、確認報文、客戶端與服務器端進入連接狀態。

1.2 WITS 標準

WITS在石油行業中是應用最為廣泛的傳輸協議。在WITS預定義數據中使用鉆機動作和頻率產生間距兩個標準，將每種工況進行組合，共定義了24個記錄，如表1所示。記錄1以時間為基礎，可以根據實際需求調整時間間隔；記錄2以井深為基礎，頻率為每米產生一個數據。

表1 WITS 預定義數據描述Table 1 Data description pre-defined in WITS

1.3 WITSML標準

WITSML在WITS標準的基礎上，融合了可擴展標記語言(簡稱XML)在數據通信上的優點，其核心包括數據架構和應用程序接口兩個部分。現場錄井數據通過WITSML標準封裝成XML文檔，每個數據都具備相關對象屬性。開發了基于WITSML標準的井場數據傳輸軟件，其開發流程見圖1。

圖1 基于WITSML標準的井場數據傳輸流程Fig.1 Wellsite data transfer flow based on WITSML

2 鉆井工況智能識別算法

2.1 鉆井工況選取

在開發完成滿足WITS和WITSML標準數據接口后，通過軟件實時獲取現場井場錄井資料。常規鉆井施工主要包括組合鉆具、下鉆、鉆進、循環、短起、劃眼、起鉆、下套管、固井、電測、下防噴器、安裝井口等工序，本文主要針對錄井系統能監測的11個鉆井主要工況進行研究分析，其余工況歸入其他，鉆井工況選取如表2所示。

表2 鉆井工況識別Table 2 Drilling operation condition identification

2.2 閾值法工況識別模型

目前鉆井工況識別主要依靠人工經驗結合錄井數據變化趨勢進行判斷，識別效率不高，采用閾值法預先設定判斷數值診斷錄井傳輸的實時數據，提高工況識別精度。閾值法工況識別模型首先需要確定診斷的錄井實時參數，保障工況識別的精度，排除多工況下參數冗余的情況；其次需要確定閾值范圍，由于井場傳輸數據存在波動誤差，閾值需要根據實際錄井參數確定；最后根據選取的錄井參數和閾值范圍確定所需采用的條件判斷樹。本文采用霍夫曼樹優化判斷流程，確定各個節點的權重，構造鉆井工況識別的霍夫曼樹(圖2)。

圖2 鉆井工況識別的霍夫曼樹Fig.2 Huffman tree for drilling operation condition identification

2.3 神經網絡法工況識別模型

目前，利用BP神經網絡的非線性映射屬性能較好地對鉆井工況進行區分識別，其主要運算程序包括樣本數據讀取、樣本數據標記、神經網絡訓練、數據樣本識別、結果精度校對。圖3為采用神經網絡測試的一組鉆進工況識別數據，可以看出該段鉆頭位置經歷了多次上提、下放乃至停止狀態，說明鉆進過程不通暢，頻繁劃眼、循環，判斷鉆遇復雜地層或者出現卡鉆事故。相比于閾值法“非黑即白”的邏輯樹判斷，神經網絡通過多層次節點的工況識別，可以輸出最大概率的工況特征，提高非常規錄井參數的識別度。

圖3 神經網絡工況識別結果Fig.3 Operation condition identification results, based on the neural network method

2.4 鉆井工況智能識別算法融合

為進一步提高鉆井工況的識別精度，充分發揮上述兩類算法模型的優勢，采取算法融合的方式進行鉆井工況智能識別。首先采用兩種方法分別對錄井數據進行工況識別，當兩者識別結果1和2相同時，直接輸出識別結果；而當兩者結果不一致時，需要判斷識別結果1是否為“其他”，如果是，則直接輸出識別結果2；如果判斷識別結果1不為“其他”，則需要判斷識別結果2的概率是否大于0.5，如果是，則直接輸出識別結果2，如果不是，直接輸出識別結果1。其算法融合邏輯如圖4所示。

圖4 算法邏輯圖Fig.4 Algorithm logic

3 鉆井時效歷史數據分析

目前鉆井時效分析主要依靠錄井數據和鉆井日報進行人工計算，效率低下，精度欠缺。通過鉆井工況的智能識別，建立包含井場信息數據和單井工況識別結果的歷史數據表(見表3)。

表3 鉆井時效分析歷史數據Table 3 Historic data for drilling time-efficiency analysis

編制軟件對錄井歷史數據進行劃分，統計鉆井總工作時間和單項工況耗時，從而計算鉆井時效

式中，η為鉆井時效，無因次；Tr為旋轉鉆進時間，h；Ts為滑動鉆進時間，h；Tc為循環時間，h；Tm為接單根時間，h；Tt為起下鉆時間，h；Tn為非生產時間，h。

4 實例應用

根據上述研究成果，開發了多個模塊處理的鉆井工況智能識別和鉆井時效分析的軟件，其總體設計采用底層數據庫、中間邏輯層和頂層操作層的3層結構，如圖5所示。數據層是整個軟件的基礎，主要包括錄井數據庫、時效結果庫、地層參數庫、賬號信息庫和井場信息庫等；邏輯層是整個軟件的核心，主要包括錄井數據實時傳輸模塊、原始數據處理模塊和數據結果輸出模塊；操作層是整個軟件的可視化界面，主要包括數據傳輸界面、工況識別界面、時效分析界面以及系統管理界面等。

圖5 軟件總體設計圖Fig.5 Overall software design

利用研發軟件對我國渤海某一口海上油井進行測試應用。首先需要將軟件中的錄井數據實時傳輸模塊與中海油研發的DiscoveryWeb系統進行調試連接，配置好相對應的數據參數，查看讀取后的錄井數據格式，并繪制錄井鉆頭位置、大鉤高度、扭矩、鉆壓等參數的圖像曲線，圖6為鉆頭位置與時間關系曲線。

圖6 鉆頭位置隨時間變化關系曲線Fig.6 Bit location vs.time

其次進行鉆井工況的智能識別，其分析結果如圖3所示。現場鉆井工程師根據錄井智能識別曲線進行工況分析與判斷，再讀取鉆井日報中的鉆井真實工況和時間占比，進而判斷智能識別的預測精度，如表4所示。

表4 鉆井工況識別精度結果Table 4 Identification accuracy for drilling operation conditions

分析完鉆井工況后，進入軟件鉆井時效分析界面，統計該井當前所有工況下的時間占比。同時數據庫中收錄該區塊其他井次相同工況下的鉆井時效，便于工程人員對比分析，如圖7所示，結果顯示鉆井單個時效統計誤差在5%以內，鉆井時效誤差為0.27%，驗證了智能算法的準確率。

圖7 鉆井時效分析結果Fig.7 Drilling time-efficiency analysis results

5 結論

(1)開發了基于WITS標準和WITSML兩個標準的數據傳輸模塊，針對錄井系統能監測的11個鉆井主要工況進行研究，創建了將閾值法和神經網絡法相結合的融合算法模型，提高了工況識別精度。

(2)研發了具有錄井數據傳輸、鉆井工況識別、鉆井時效分析等功能的鉆井工況識別和時效分析軟件，應用結果顯示鉆井工況智能識別與實際工況情況基本符合，平均預測精度大于95%，鉆井時效統計誤差在1%以內，應用效果良好。

(3)鉆井工況識別和時效分析軟件實現鉆井數據的實時反饋、有效地提高了工況識別的效率，能夠更好地幫助施工人員優化鉆井參數、合理安排進度，對實現鉆井數據的自動采集、遠程傳輸和智能決策具有重要意義。