機器學習在井漏監測中的研究進展

王 亮，徐建根，步文洋，黃昱昊

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

井漏是國內外各油氣產地普遍存在的問題。它會導致鉆井周期延長，浪費大量鉆井液和防漏堵漏材料，并有可能引發卡鉆、井涌甚至井噴等復雜事故，嚴重情況下可能導致井眼報廢。在過去，井漏通常是在發生后進行處理，由于不能及時發現處理常常導致更多的經濟損失。近年來，隨著綜合錄井技術、計算機信息技術和其他智能技術的發展，智能預測預警系統在石油鉆井工程中逐漸得到應用。通過提前進行預測和預警，可以最大程度地降低井漏風險。此外，隨著機器學習技術的迅速發展和應用，越來越多的研究者開始探索如何將機器學習應用于井漏監測。機器學習技術可以通過學習大量的數據，自動地從數據中學習特征并建立預測模型，從而實現對井漏的快速、準確識別和預測。目前國內已經出現了一些井漏監測系統，對井漏的發生能夠有效的預測和預警。

1 井漏機理

井漏的機理復雜，涉及多個因素。井漏機理的研究主要和鉆井液漏失量與地層壓力、地層裂縫特性、地層結構特性等參數相關。根據井漏的發生機制和漏失嚴重程度，可以將井漏進行分類。常規的分類方法包括按照漏失嚴重程度和不同的漏失通道類型[1]。

1.1 按照漏失嚴重程度分類

（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，可能會導致鉆井過程受阻或延遲。

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

1.2 按照不同的漏失通道類型分類

（1）壓差性井漏：當井壁上存在較大尺寸的裂縫、溶洞或裂縫溶洞網絡系統時，地層孔隙壓力無法平衡液柱壓力，導致鉆井液通過裂縫或溶洞進入地層，難以堵漏。

（2）裂縫擴展性井漏：井筒周圍存在已張開的漏失通道，在一定壓差范圍內，鉆井液封堵顆粒無法自由進入漏層，導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，產生裂縫并使裂縫擴展，導致井漏。壓裂性井漏通常由使用高密度鉆井液在壓裂儲層時引起，形成新的漏失通道導致鉆井液漏失[2]。

另外，國外的一些學者還通過鉆井液漏失數學模型和鉆井液統計學漏失模型來研究井漏機理。鉆井液漏失數學模型包括一維線性模型、二維平面模型和一維徑向流模型，用于實現地下裂縫分布及尺度的反演。鉆井液統計學漏失模型主要包括基于機器學習的漏失模型和基于數據統計的漏失模型。這些模型可以幫助理解井漏的發生機理[3]（圖1）。

圖1 裂縫溶洞漏失[17]

2 機器學習井漏預測模型

2.1 BP 神經網絡

BP 神經網絡（Backpropagation Neural Network）是一種常見且廣泛應用的神經網絡模型，也是神經網絡中最為經典的一種。BP 神經網絡是一種按照誤差逆向傳播算法進行訓練的多層前饋神經網絡。它由輸入層、隱藏層和輸出層組成（圖2），信息從輸入層經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，根據網絡輸出與期望輸出之間的誤差，調整網絡的權重和閾值，以使網絡輸出逼近期望輸出。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、泥漿入口電導率、泥漿出口電導率等11 種鉆井數據，建立了BP 神經網絡模型并對井漏風險進行分析和預測，模型預測準確率較好，證明了BP 神經網絡模型在實現井涌井漏的預測上有很好的效果[4]。王雷雯[5]通過分析井史數據，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、漏失通道性質和地層孔隙壓力9 種特征數據作為預測漏失層位的輸入特征量，建立了適用于一種區塊的基于BP 神經網絡的漏失層位置預測模型，預測結果整體誤差不超過10%。何濤等[6]通過鉆井和錄井數據進行分析優選出層位、巖性、鉆頭尺寸、鉆頭型號、扭矩、鉆速、鉆壓、轉速、立管壓力、漏斗黏度、鉆井液密度、鉆井液初切等16 個特征參數作為神經網絡的輸入特征量，建立了基于BP 神經網絡的井漏裂縫寬度預測模型，同時利用L-BFGS 算法對模型進行優化，優化后的模型預測精度高達90%。

圖2 BP 神經網絡結構

2.2 支持向量機

支持向量機（Support Vector Machine）是一種機器學習算法，具有優秀的分類和回歸性能。在井漏預測中，SVM 可以通過學習歷史數據，構建分類模型，從而對當前井漏的發生進行預測。具體來說，SVM 通過尋找數據空間中的最優超平面，將不同類別的數據點分開，從而實現分類（圖3）。SVM 具有訓練速度快、泛化能力強等優點。同時，SVM 在處理小樣本、高維度的數據時也表現出較好的性能。在井漏預測領域，基于SVM 的預測模型已經得到了廣泛應用，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、抗拉強度等13 種特征數據。結合這些特征數據建立了基于支持向量機的回歸井漏預測模型，模型的預測精度高達0.985 1。AHMED等[8]進行了鉆井漏失層位的預測研究，他們利用實時獲取的鉆井參數作為輸入參數，構建了支持向量機模型和徑向基函數模型。輸入參數包括大鉤高度、大鉤載荷、鉆井液排量、鉆速、圓盤轉速、立管壓力、扭矩和鉆壓8 種特征數據。研究結果顯示，這兩個模型在預測漏失層位方面都表現出很高的準確性。王鑫等[9]將麻雀搜索算法、遺傳算法、灰狼算法以及改進的麻雀搜索算法（ISSA）在8 個基準測試函數上做了對比實驗。結果表明，改進的麻雀搜索算法（ISSA）在尋優精度、穩定性等方面都較其他算法更為優異。最后，將改進的麻雀搜索算法用于優化支持向量機（ISSA-SVM）進行井漏預測。對比結果表明，改進的麻雀搜索算法用于優化支持向量機預測準確率為97.765 4%。相較于前幾種收斂速度快，迭代次數少，能夠高效、快速預測井漏事故。

圖3 支持向量機核函數映射原理[18]

2.3 隨機森林

隨機森林（Random Forest）是一種集成學習算法，具有較高的準確率和魯棒性，可處理高維度與非線性樣本的分類器組合模型，大量的理論和實證研究都證明了隨機森林具有很高的預測準確率，對異常值和噪聲具有很好的容忍度，并且不容易出現過擬合。同時隨機森林是通過構建多個決策樹來實現預測的（圖4），每個決策樹的結果通過投票或平均值的方式進行綜合，最終輸出預測結果。李澤俊[10]進行了錄井參數數據的采集，并對其進行井漏點和非井漏點的標記。使用隨機森林算法對標記過的數據進行分類，從而建立了隨鉆診斷模型。訓練結果顯示，在包含9 061 個樣本的訓練集中，有8 992 個樣本的輸出結果正確，而69 個樣本的輸出結果錯誤。針對396 個井漏樣本，339 個樣本的輸出結果正確，57 個樣本的輸出結果錯誤。因此，該模型在井漏點的識別上達到了86%的準確率。史肖燕等[11]選用隨機森林方法建立了井漏預警模型，對鉆井液的溢流、漏失實時識別進行分類建模。通過優選出壓力、井深、入口流量等10 個強相關輸入參數，使用大量歷史數據對模型進行訓練，并對新的實時輸入數據作出是否發生溢流、漏失的分類。并且該模型對井漏的發生比人工提早了23 min 做出判斷。陳凱楓等[12]利用相關性分析和經驗知識優選出總池體積、進出口流量差和立管壓力等7 種井漏表征參數。通過利用隨機森林、支持向量機、BP 神經網絡和邏輯回歸算法分別建立井漏智能診斷模型，其中數據集的訓練集與測試集之比為3∶1。測試結果表明，隨機森林模型的表現效果最好，井漏識別的準確率達到98%。

圖4 隨機森林結構

3 智能化井漏監測系統

井涌和井漏在鉆井過程中非常常見且復雜，因此實時監測和采取有效的井控措施具有重要意義，可以避免重大財產損失和人員傷亡。井漏監測預警系統需要處理大量數據，并對數據的完整性有較高要求。只有在具備機器學習的大樣本數據條件下，算法的篩選和優化才能更加容易。此外，實時提取大數據、智能判斷不同鉆井工況、快速進行計算、數據存儲和可視化展示都是具有較高難度的挑戰。

在國外的油氣和鉆井服務公司中，數字化勘探開發已經取得了較好的進展，已經開發出了井漏實時監測的軟件模塊，并將其集成到各自的智能鉆井專家系統中。相比之下，國內在這方面的起步較晚。早期李欣嶸等[13]通過力控組態軟件6.1 平臺設計的上位機監測軟件，實現了現場施工數據與監測軟件的連接，包括數據采集、信息傳輸和數據處理。借助SQL Server 2000數據庫記錄采集的參數數據，為實現井漏監測系統的遠程訪問提供了條件。在此基礎上，通過集成各類傳感器和儀器儀表，設計了欠平衡鉆井井涌井漏監測系統。該系統能夠快速判斷欠平衡鉆井過程中是否出現井涌和井漏情況，并實時報警處理異常情況，以預防事故發生。岳煒杰[14]通過綜合應用微流量、PWD 和綜合錄井三類參數并結合鉆井液流量以及綜合錄井參數的變化為基礎，設計了一套“三高”油氣井溢流先兆在線監測與預警系統，并利用VC++6.0 完成該系統軟件的開發。劉福等[15]設計了早期井涌井漏監測系統。該監測系統能實時顯示參數和流量的變化，并通過數字和曲線圖形展示在監測界面上。它還可以對流量參數進行實時分析，并設定自定義的預警門限和報警門限。預警分為一級和二級，當流量差超過一級預警門限時，參數欄顯示黃色；當超過二級預警門限時，參數欄顯示紅色。在二級預警時，報警門限觸發，預警模塊發出聲音報警。該系統相較于傳統監測方式，能提前約7 min 發現溢流和井漏情況，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間，更多的保證了石油工人的安全。李盛等[16]設計了一種基于Android 的遠程井涌井漏監測系統，該系統具備應對各種復雜鉆井狀況的能力，并能提前進行分析和決策。特別是井涌井漏監測曲線的實時顯示，能夠即時反映現場狀況。后方專家只需通過Android 客戶端登錄該系統，即可遠程訪問多井數據，并進行實時決策和現場技術支持。這極大地方便了專家遠程指導現場作業，節約了寶貴的決策時間，提高了問題解決的效率和質量，同時最大限度地減少了損失。近幾年，國內相關系統和軟件平臺有了更多的發展，除此之外，中石油和中石化也分別推出了自己的監測平臺夢想云和EPCE 等，這些監測系統和平臺都為未來高精準、高安全、高質量鉆井提供了堅實的基礎。

4 結語

（1）機器學習算法在井漏監測中的廣泛應用，不僅可以實時監測井漏，還能夠自動識別和分類不同類型的井漏情況，為工程師提供及時有效的決策支持。但是，井漏監測仍然是一個復雜而具有挑戰性的問題。面對各種環境條件和井漏形式的變化，需要進一步完善機器學習算法的準確性。此外，數據的質量和數量也對機器學習的效果產生重要影響，需要進一步改進數據采集和處理的方法，以獲得更可靠的訓練集。

（2）未來，隨著技術的不斷發展和數據的積累，機器學習在井漏監測中將發揮更加重要的作用。機器學習與領域專家的合作尤為重要，將領域知識與數據驅動的方法相結合，以建立更精確、可靠的井漏監測系統來實現及時發現和預警井漏的工程問題，從而大大降低鉆井經濟成本和時間成本，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。