基于人工智能的鉆井工程異常預警系統研究及應用

梅舜豪

(中石化江漢石油工程有限公司,湖北 武漢 430010)

隨著中國非常規資源深入開發,國內石油勘探開發主陣地向地質構造更復雜的區塊轉移,鉆井模式向大位移井、水平井、超深井等發展,施工難度增大,異常工況出現的概率也隨之增大。為預防事故發生或事態進一步惡化,國內外均開展了鉆井工程預警技術的研究。傳統人工預警依賴現場經驗,全程監測隨鉆參數的細微變化,主觀判斷鉆井任何時刻是否有出現異常的可能,這種預警模式已無法滿足高效勘探開發的需求。近年來,石油領域信息化建設工作進展迅速,特別在鉆井工程方面充分發揮源頭數據采集優勢,已完成了井場多專業數據資源整合。隨著數字化程度的不斷提高,為鉆井工程預警提供了完整的數據支撐,目前鉆井工程預警系統已實現主動預警,但跨系統、跨平臺數據間通信和共享能力不足,預警類型單一、響應速度慢、異常誤報率高,自動化、智能化程度不能適應實際要求,對工程技術管理和決策的支撐力度有限[1]。

連續、復雜、動態不確定性高的鉆井環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據進行數學建模,只需學習標準案例便能識別異常并對新鉆井環境做出適應性反應,在鉆井異常預警方面具備優勢。提出1套鉆井工程異常預警系統,鉆前利用鄰井數據和知識庫,實現鉆前安全風險評估;鉆中利用井場視頻數據、實時鉆井數據、錄井數據、近鉆頭數據等結合鄰井地質、工程數據,實時對鉆井過程中二十多種地質、工程復雜情況進行智能預警并提供措施;鉆后結合專家正向干涉更新知識庫,實現經驗共享,在保障鉆井安全、提高鉆井效益,推進智能油氣田建設方面均有重要意義[2]。

1 系統方案

鉆井異常是地質條件、操作技術、裝備工具等綜合作用可能產生的結果[3]。該預警系統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、地質信息、鄰井歷史等數據通路,把握安全、穩定、經濟、易用等原則,應用鉆井、地質、智能化等多學科知識,整合現場及鄰井的各種環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的響應特征,消除不確定性因素,完成鉆前風險分析和鉆中井況判斷,及時預警異常,給出專業的預防和處理措施,避免事故形成并惡化。在長期、持續地實踐應用過程中形成的經驗以標準化知識庫的形式儲存并反復提高,持續降低異常情況的報錯率,輔助鉆井工程安全生產,從而節約安全生產成本,提升企業效益。

1.1 鉆井工程數據集

井場多元信息集中采集標準化和管理系統化是該預警系統后續分析和決策支持的根基。完整的鉆井工程數據集包括存儲源頭數據的數據庫,以及根據該預警系統功能需求搭建的知識庫: 概念庫、規則庫、模型庫、實例庫和措施庫,形成鉆井異常預警領域的理論、工藝、模型、經驗等知識的集合。

1.1.1數據庫

基于TCP/IP,UDP的Socket接口,按照WITS/WITSML標準規范收集兩類井場數據源: 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數據(綜合錄井數據、隨鉆測量數據);另一類是井史資料等人工錄入靜態數據。使用遠程傳輸系統通過4G網絡、光纖、衛星等傳輸途徑傳輸數據保存至基地數據庫,支持斷點續傳、自動恢復等功能[4]。各類源頭數據見表1所列。

表1 各類源頭數據

1.1.2知識庫

根據系統功能要求搭建的知識庫包含以下內容:

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

2)規則庫。規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域知識在其中所起的作用。

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

4)實例庫。分類記錄各工區的鉆井異常案例基礎信息、發生異常對應的參數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用,標記無效則刪除。

5)措施庫。存儲各類異常的預防和處理措施,在實踐中持續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的異常有地質異常、地質-工程異常、工程異常。地質異常由地質因素引起,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-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因素引起,在作業時可能引發井內復雜變化,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;工程異常由作業不當、鉆井工具疲勞或工具質量問題引發,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 特征量設置

對于如卡鉆、斷鉆具等突發型異常,直接依據相關參數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,關鍵參數在異常發生前會有積蓄過程,分析該類參數變化趨勢和快慢,滿足發現異常的敏感度要求并保證預測過程的穩定,引入以下4類不受基準值影響的特征量。

1)權重。各參數對異常發生的影響程度不同,設置權重以體現某一特定參數對異常的貢獻度,權重值的大小與異常出現的概率正相關。

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中所有數值的均值。長短期均值差MD為MLT與MST的差值,是原始參數的相對值,能反映參數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值。

3)振幅值。將MD在零軸上、下部分分別求和,標記為MDsum。可通過該特定參數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,得到參數變化率,標記為MDN,該值的大小與原參數絕對數值的大小無關。

(5)

MDN(j)=MDmean(j)·|MDsum(j)|

(6)

1.4 預警設計

異常預警的前提是識別工況,在相應工況下判斷是否有參數單值異常于基準值,如果有則報警,如果沒有則依次調用各類工程異常預警模型分析相關井場數據,根據參數的變化特征將正常狀態和異常狀態分類,并對異常及時報警。

工況的識別是根據工況的出現次數和時長設置權重,根據實時采集的鉆頭位置、轉盤轉速、大鉤載荷、大鉤高度、立管壓力、轉盤扭矩、轉速、鉆壓、出口排量9類參數,識別測斜、起鉆、下鉆、下套管、循環、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計學習理論和結構風險最小化原則建立的支持向量機(SVM)算法[6],該算法的本質是通過樣本學習尋找最優分類超平面,通過映射函數f(x)將低維空間非線性輸入屬性參數映射到高維特征空間中[7],近似實現結構風險最小化。訓練目標井鄰井施工歷史的工程及地質特征參數樣本集,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自動調用各類模塊完成鉆井異常監測、識別、診斷、預防和處理,是系統的核心部分,具有立體結構。其管理層主要負責梳理各類數據與模型間的邏輯關系,協調及管理各類預警任務以實現信息的交換、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用數據庫和知識庫,預測鉆井異常,診斷鉆井異常類型和嚴重程度,匹配并給出相應措施,鉆井專家通過交互界面填寫總結意見實現正向干預,意見內容包括事故識別準確率、事故預防處理方案、原因分析等;監測層主要負責鉆井狀態監測與報警。異常預警系統運行流程如圖1所示。

圖1 異常預警系統運行流程示意

2 應用實例

自2022-05-15—2022-09-18,在宜志某井深4 505～5 366 m鉆探期間,預警系統集成鉆前鄰井數據收集、實時數據采集及顯示、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警報警,推送預警69次,誤報0次,準報率100.0%,該井約4個月現場工程預警統計見表3所列。

表3 某井現場工程預警統計(4個月)

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

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生憋泵,該系統報警,值班室人員立即與現場匯報卡鉆異常。1 h后解除異常。

預警系統報警后自動生成的該次異常的工程預報告單,專家審核各異常報告單并完成正向干預,能持續調整預警模型、更新知識庫,為系統持續積累經驗。

3 結束語

鉆井工程異常預警系統在鉆前和鉆中階段能準確識別溢流、井漏、卡鉆等地質、工程異常并及時預警,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生和惡化造成的損失。隨著預警系統的升級、預警算法模型的優化和工程知識庫的豐富,預警的準確性也將提高,協助鉆井專家快速分析異常原因并指導工程技術人員更好地預防和及時處理,減少后續損失。