井壁狀態物理量在隨鉆風險智能評價系統中的應用探討

朱玉磊 陳卓 耿立軍

中海石油（中國）有限公司天津分公司 天津 300451

目前，國內外技術發展趨向于“技術創新+數字化”，利用海量數據構建服務于油田的降本、提效數字化技術體系是當下到今后相當長一段時間內一個極其重要的發展命題。各大石油公司不遺余力加強基礎數據建設，并從中獲益。如何有效生成數據、挖掘數據、利用數據已經成為各大石油公司的主線工作。

文章通過分析人工智能的發展歷程、隨鉆風險評價系統的研究現狀，針對純數據模型難以有效預測鉆井風險的問題，采用引入井壁狀態物理量的方法，探討了提高隨鉆風險評價精度的方法。最后，將阻卡機理物理量作為中間參數，建立了提高復雜事故處理效率的數據模型。

1 人工智能的發展歷程

1990年至今，人工智能一直在快速發展，首先被提出的是傳統機器學習；Shannon[1]等人認為任何事物都可以用網絡/信號來表示，從而建立了人工智能的計算機學科基礎。其特點是有數學基礎理論支持、數據量要求不大。傳統機器學習發展分為三個階段[2]：①統計學習方法。包括貝葉斯、決策樹等一系列機器學習方法。②機器學習系統。包括數據預處理、模型調優、模型交叉驗證等環節，注重模型的實時更新與應用。③概率圖模型。機器學習系統的進一步優化，例如自然語言處理系統等。1995年，神經學家通過在貓的腦袋中安裝電極，接收腦信號，從而建立了計算機理論與神經理論的聯系[3]。在此基礎上，多個隱含層的感知器深度學習結構被證明是有效的，模擬人腦運作方式的深度學習網絡得到了長足發展。隨著大數據時代的來臨，深度學習在大數據的支持下在各個領域都有不俗的表現。深度學習的優點是性能卓越、效果被廣泛認可。缺點是缺乏數學理論支持，隱含層的數量、參數冗余等問題也一直沒有被有效解決。

2 隨鉆風險評價系統

2.1 人工智能在隨鉆風險評價系統中的應用

2010 年，Shadizadeh[4]利用鉆井日報中的數據，采用人工神經網絡（ANN）建立了卡鉆事故的實時預測模型。該模型由2～3個完全互聯的前饋隱層網絡（帶有反向傳播學習規則）組成，可自動檢測所關注的控制參數，在已鉆井的測試或模擬上精度可達到90%。Lian[5]基于模糊推理方法，采用信號變化趨勢自動識別技術，通過對比實時數據與數據庫中參考數據的偏差值，建立了鉆井井涌風險的預測模型。2012年，Jahanbakhshi.[6]采用人工神經網絡（ANN），通過輸入地層流體性質、泥漿密度、流速、井眼軌跡、井眼尺寸、底部鉆具組合、泥漿流變性、地應力、巖石強度、破裂壓力、地層組成及地層孔滲特性等，建立了井壁穩定狀態的分析模型，確保現場能提前判斷井壁是否失穩。

2010年，梁海軍[7]等人總結了井眼惡化、溢流、井漏、斷鉆具、水眼掉及水眼堵等各類井下復雜與鉆井事故形成機理及綜合錄井儀采集的工程參數異常特征，對鉆井各類復雜與事故形成及癥狀相應進行其發生前的識別診斷分析，提出了一種利用錄井參數進行事故識別預警的推理模型。2013年，中國石油集團鉆井工程技術研究院[8，9]建立了鉆井實時監控與技術決策系統。該系統由遠程數據無線傳輸子系統（負責數據傳輸）、數據管理子系統（負責數據儲存）、鉆井風險因素分析子系統（負責數據挖掘與利用）、鉆井復雜事故診斷與處理子系統（負責數據應用）組成。其中，鉆井復雜事故診斷與處理子系統包括鉆井風險診斷分析模塊、鉆井風險預測分析模塊和鉆井風險綜合評價模塊，主要用于井漏風險和地層流體侵入風險的預測與評價。

2.2 現有的系統及不足

總體而言，隨鉆風險評價技術還處在發展階段，已有的模型大致可以分為純數據模型和含物理量的數據模型。

純數據模型通過分析實時工程參數或參數趨勢與識別對象間的聯系，利用數學模型來建立相應的預測評價模型，目前大部分分析模型屬于該類模型。對于在工程參數上反應明顯的鉆井風險，如井涌、井漏等，純數據模型有很好地應用效果。但在其他鉆井風險的預測上，例如卡鉆等鉆井風險，即使經驗豐富的現場工程師也很難通過實時數據進行初步模糊地預測，以目前機器學習的發展水平，模型預測精度難以保證。

含物理量數據模型在建立時，會根據問題特性引入相應物理量。例如，為了有效識別井壁是否失穩，Jahanbakhshi在數據模型中添加了地應力、巖石強度、破裂壓力、地層組成及地層孔滲特性等物理參數，模型精度得到了較大的提升。但是由于不同地層的力學特征不同，失穩機理存在差異，巖石強度、破裂壓力等物理參數是隨時間變化的動態參數，不滿足機器學習中“數據平穩分布”的要求，該模型的實際應用效果不理想。

大數據理論仍處于發展階段。大數據的特點是“關注相關性，不關注因果”，大數據的簡單算法比小數據的復雜算法更有效。但是目前大數據的分析對硬件及時間要求高，且受限于數據的處理方式，數據相關性的判定等，大數據理論在數據分析方面的應用仍以統計為主，數據挖掘分析技術處于探索階段。對于卡鉆等難以預測的鉆井風險，大數據技術是否有效，仍存在一定的疑慮。

3 基于井壁狀態的數據驅動模型探討

3.1 井壁狀態物理量在數據模型中的應用探討

井壁狀態物理量由井壁穩定分析技術延伸而來。多年來，隨著理論和計算技術的發展，井壁穩定分析中的本構模型見表1、多場耦合應力、破壞準則等關鍵問題都得到了深入的研究。但是，井壁穩定在實際應用中，仍存在一些問題：①破壞程度問題。通過分析地層的變形破壞規律，井壁穩定分析一般以井壁破壞發生坍塌，或井壁縮徑量達到一定程度作為井壁失穩判別條件。然而，在實際鉆井中，為了提高鉆井效率，往往允許一定程度的坍塌或縮徑發生。②靜態井壁穩定分析結果與動態時間的矛盾。在多場耦合的地層變形破壞分析中，時間是一個重要的參數，井壁狀態隨著時間發生動態變化。在這種情況下，靜態的井壁穩定分析結果會失去原有的指導意義。

表1 本構模型

井壁狀態的提出，為現場數據與鉆井風險間提供了物理橋梁。在應用井壁狀態物理量建立鉆井風險評價的數據模型時，可以考慮兩種方案：將井壁狀態作為輸入參數或將井壁狀態作為中間參數。

將井壁狀態作為輸入參數。根據多場耦合的井壁穩定分析模型，預測地層不同鉆開時間下的井壁狀態，參考Jahanbakhshi建立的井壁失穩數據模型，將預測的井壁狀態作為輸入參數之一，利用深度學習網絡建立輸入參數與鉆井風險之間的關系模型。動態的井壁狀態既滿足了“數據平穩分布”的需求，也解決了不同地層破壞機理存在差異的問題。這種模型的優點在于通過引入井壁狀態物理量，加強了輸入數據與鉆井風險之間的相關度，有助于數據模型精度的提高。

將實際井壁狀態作為中間參數，將預測的井壁狀態及其他與實際井壁狀態相關度高的鉆井實時數據作為輸入參數，利用深度學習網絡建立輸入參數與實際井壁狀態之間的關系模型，根據實際井壁狀態來判斷鉆井風險。相比于第一種模型，降低了模型對預測井壁狀態的依賴度，提高了其他輸入參數與實際井壁狀態間的相關度，從而進一步提高了模型的精度。但是該模型在訓練的過程中，需要標記大量的實際井壁狀態。如果標記的實際井壁狀態數據不足，缺乏模型訓練所需的數據量，模型的預測精度反而會下降。

4 結束語

分析、挖掘鉆井作業中的靜態、動態數據，評價鉆井風險，為鉆井實時決策提供支持，提高決策的準確率和時效性，確保安全高效地進行鉆井作業施工是鉆井工程大數據分析應用中重要的一環。本文探討了井壁狀態物理量在隨鉆風險評價系統中的應用，得到如下結論：

1950年至今，人工智能發展經歷了三次起伏。受惠于大數據時代，傳統機器學習及深度學習的精度得到了大幅度的提高；

若鉆井風險在工程參數上反應明顯，如井涌、井漏等，純數據模型有很好地應用效果。但在其他的鉆井風險預測上，例如卡鉆等鉆井風險，即使經驗豐富的現場工程師也很難通過工程實時數據進行初步模糊地預測，以目前機器學習的發展水平，模型預測精度難以保證；

井壁狀態物理量由井壁穩定分析技術延伸而來，用來描述地層變形破壞的程度及鉆井風險的級別。井壁狀態的提出，為現場數據與鉆井風險間提供了物理橋梁。將井壁狀態作為輸入參數或中間參數有助于提高數據模型精度。