基于BP神經網絡的深井鉆井井侵診斷與預測

馬鵬鵬,蔣宏偉

(1. 中石化新星(北京)新能源研究院有限公司,北京 100083;2. 國家地熱能源開發利用研究及應用技術推廣中心,北京100083;3. 中國石油集團工程技術研究院有限公司,北京 100000)

鉆井復雜問題與事故多種多樣,特征各不相同,而造成的原因更是繁多。鉆井復雜情況與發生原因之間的關系錯綜復雜,鉆井復雜的參數不僅包括鉆井過程中直接測量得到的參數,還包括通過鉆井工程計算得到的各種參數,以及相關的地質數據和鄰井數據[1]。單一的鉆井參數變化能夠反映出可能發生的幾種鉆井復雜情況,而一種鉆井復雜情況又會導致好幾種鉆井參數發生各種變化,因此難以用精確的數學模型描述鉆井復雜情況和鉆井各參數變化之間的關系。近年來,國內開始研究將神經網絡方法應用到鉆井復雜診斷與預測領域中[2-8]。神經網絡能夠利用樣本進行學習,具有較強的實時性和模式識別能力,能夠模擬任何連續非線性函數,不需要建立精確的數學模型進行數學運算,它的魯棒性也能保證該方法的長期經濟性以及可靠性,而且計算速度快。建立神經網絡診斷模型,經過合適的樣本訓練之后,將鉆井各參數的變化作為神經網絡的輸入參數,就可以準確地識別出鉆井復雜的類型[9-14]。因此,本文探討采用神經網絡法進行深井鉆井地層流體侵入(井侵)實時診斷與預測的適用性,并開發出相應的井侵診斷模塊實現智能化診斷。

1 井侵風險識別模型

1.1 井侵顯示和風險征兆識別

井侵程度不同會導致溢流、井涌和井噴,當井底壓力小于地層壓力時就會發生溢流。根據侵入介質不同,井侵可分為油侵、氣侵和水侵。溢流的嚴重程度主要取決于地層的孔隙率、滲透率和欠平衡時負壓差值的大小。地層孔隙率、滲透率越高,負壓差值越大,則溢流就越嚴重。

井侵所引起的溢流、井涌、井噴等若處理不當,會引起嚴重的后果,準確識別井侵因素,對安全鉆井具有重要意義。井侵井筒后會給鉆井參數、鉆井液參數、井筒狀態等方面帶來變化,這些變化稱為溢流顯示。地面上還可觀察到可能發生溢流的征兆,井侵識別如圖1所示,井侵顯示和征兆主要包括如下內容:

圖1 井侵識別示意

1)蹩跳鉆、鉆速突快或鉆進“放空”。鉆遇碳酸鹽巖裂縫發育層段或遇溶洞時,往往會發生蹩跳鉆或鉆進“放空”現象。該現象可能是鉆遇高壓油氣層的征兆,當鉆遇異常高壓地層過渡帶時,地層孔隙率增大、破碎單位體積巖石所需能量減少,加上井底壓差減小有利于井底清巖,此時鉆速會突然加快。

2)懸重、泵壓的升高或降低。高壓地層會導致井底壓力突然增加,懸重減少泵壓亦會升高。當地層流體隨鉆井液在環空上返時,因天然氣膨脹環空液柱平均密度下降,而使泵壓下降,鉆具在受侵鉆井液中所受浮力減小而懸重增加。若溢流為鹽水時,其密度小于鉆井液密度,則懸重增加;其密度大于鉆井液密度時,則懸重減少。若鉆井液抗鹽性差,則鉆井液黏度增加、泵壓上升。油溢流使鉆井液密度下降,因而懸重增加。

3)鉆井液返出量增大、鉆井液循環池液面升高。當泵排量未變時,地層流體進入井筒有助于鉆井液在環空加速上返、出口管處鉆井液返出量會大于泵入量,尤其是天然氣溢流在接近井口時,返出量會明顯大于泵入量。在沒有人為增加循環池鉆井液量的情況下,地層流體進入井筒會使鉆井液總量增加、循環池液面升高。

4)鉆井液性能發生變化。井侵易給鉆井液性能帶來影響,如密度、黏度上升或下降;鉆井液中氣泡含量、氯根含量、氣測烴類含量增加;油花增多;油味、天然氣味、硫化氫味增濃以及返出鉆井液溫度增高等。

5)起鉆時鉆井液灌入量少于應灌入量或灌不進鉆井液。由于起鉆抽汲使地層流體進入井筒,部分填補或完全填補了起出鉆具的體積,因而鉆井液灌入量會少于計算灌入量或灌不進。

6)停泵后鉆具靜止時,井筒鉆井液外溢。該情況下,鉆井液密度增加導致泵啟動很短時間就停泵,鉆柱內鉆井液密度比環空鉆井液密度高得多,井筒鉆井液溢出,表明地層流體正在流入井筒。此外,若鄰井發生過溢流、井涌、井噴,是正鉆井的重要提示。

1.2 井侵表征參數

井侵可以通過以下表征現象及風險因素異常變化情況進行診斷,主要表征參數有:

1)出口流量和鉆井液池體積增大。

2)井口和槽面出現油、氣、水顯示。

3)鉆井液性能參數變化,如密度、溫度、電導率、黏度等參數變化。

4)鉆速變快。

5)立壓、泵壓變化,泵沖、泵速變化。

6)鉆柱懸重變化。

7)鉆桿扭矩增加。

8)井下溫度變化。

9)井底壓力發生變化。

其中,1),2)為充分條件,3),4),5),6),7)為重要條件,8),9) 為參考條件。此處以高壓地層氣侵為例,其表征現象等級見表1所列。

表1 壓力不平衡造成的氣體侵入的表征現象等級

1.3 井侵風險實時識別模型及流程

在井侵發生原因及井侵風險表征現象以及規律分析的基礎上,建立了井侵風險實時識別模型,如圖2所示。評價發生井侵的可能性的直接風險因素有不可控因素和可控因素,其中,輔助監測數據用來監測井侵發生時的表征現象及規律,幫助工程技術人員更準確地把握井侵風險。

圖2 井侵風險實時識別模型示意

從圖2中可以看出,主要影響井侵的不可控因素有地質構造因素和地層孔隙壓力因素。地質構造因素包括: 所鉆遇地層是否是裂縫及溶洞地層,是否是高滲透巖層,是否是斷層破碎帶,是否是異常高壓帶、地層流體類型。這些地質數據都是通過鄰井資料及目標井地質設計資料獲取的,由此可以了解目標井所鉆遇層位是否存在易發生井侵的巖層。地層壓力因素為地層孔隙壓力,主要是通過鄰井資料直接獲得,或者通過鄰井相關測井資料計算獲得,也可利用井下隨鉆測量數據通過計算得到。

可控因素主要指井底壓力、鉆井液因素和施工因素。井底壓力通過目標井錄井隨鉆測量數據及鉆井液設計參數計算分析或者實時采集井下隨鉆測量數據獲得;可控的鉆井液因素有鉆井液密度、塑性黏度、動切力;施工因素有鉆井液排量、泥餅滲透率。這些數據是通過鉆井液設計資料獲取的,輔助監測數據主要是通過實時監測這些數據,結合各種井侵風險因素數據的異常變化,為實時診斷井侵及預測井侵風險提供數據依據。

在上述井侵風險實時識別模型的基礎上,設計了井侵實時診斷及風險預測流程,如圖3所示,具體方法及流程如下:

圖3 井侵實時診斷及風險預測流程示意

1)利用鄰井資料及目標井地質設計資料建立目標井地層孔隙壓力,作為目標井井侵實時診斷及風險預測的地質參考依據。

2)利用井下隨鉆測量數據作為井侵實時診斷及風險預測需要的井底壓力參考數據。

3)利用錄井隨鉆測量數據及目標井鉆井液設計參數實時計算分析井底壓力,從而為井侵實時診斷及風險預測提供第2套井底壓力參考數據。

4)利用鄰井資料或者井下隨鉆測量數據對井下鉆遇地質構造的解釋結果作為目標井井侵實時診斷及風險預測的地層參考依據。

5)利用井侵風險預測結果、井侵實時診斷結果及實時監測曲線對綜合分析井侵風險,從而達到井侵未發生前預警井侵風險、井侵風險發生時及時警報井侵的目的。

2 井侵BP神經網絡診斷模型建立

根據Kolmogorov定理,一個3層的BP神經網絡能夠對任何一個連續函數實現任意精度的擬合。井侵的風險推理分析實際上是函數映射或擬合問題,因此選用3層的BP神經網絡進行井侵的診斷預測分析,能夠滿足工程應用需要。

2.1 輸入輸出層節點

對于井侵診斷模型的輸入層,確定輸入層節點數為27個,包括: 井深、垂深、循環當量密度、地層壓力梯度、井底壓差、鉆井液排量、泥餅滲透率、地層孔隙度、地層滲透率、是否是斷層破碎帶、是否是裂縫溶洞敏感底層、是否是異常低壓帶、鉆井液密度、鉆井液動切力、鉆井液塑性黏度、鉆井液總池體積、出入口流量差、氣測全烴值、出入口鉆井液密度差、出入口電導率差、出入口溫度差、鉆時、Dc指數、立管壓力、泵沖數、鉆壓、懸重。輸出層為地層流體侵入風險和無風險。

2.2 隱含層節點

BP神經網絡的隱含層神經元個數對網絡的性能有很大影響,但是目前并沒有可靠的理論和方法可以準確確定隱含層神經元個數,一般靠經驗、試算等方法選取。或者可以先給定一個較小的隱含層節點數進行訓練,如果訓練次數很多或較難收斂,則停止訓練并增加隱含層節點數重新訓練,以此找到最合理的神經元節點數。有2個可以用來參考的公式如式(1),式(2)所示:

(1)

式中:m——輸出神經元節點數;n——輸入神經元節點數;a——[1,10] 內的常數,可以試算選取。

n1=log2n

(2)

本文通過試算將隱含層節點數確定為11個。

2.3 井侵的BP神經網絡診斷模型

建立的井侵神經網絡診斷模型如圖4所示。模型的特點主要是輸入層參數包含經過鉆井工程風險因素分析計算得到的數據,成功地將井侵復雜發生的機理融合到了實時診斷模型當中。但是建立的神經網絡診斷模型對樣本的要求高,不僅需要好的樣本數據,具體應用時樣本數據和應用實例井還應有相關性,即最好是正鉆井的相鄰井,這樣才能保證診斷結果的正確性。

圖4 井侵風險BP神經網絡診斷模型示意

3 井侵隨鉆診斷實例驗證

基于開發出的井侵診斷模塊用于智能化診斷與預測,建立并選取網絡學習樣本,選用某油田BH4井沙一段數據作為BH5井井侵診斷學習樣本。對樣本數據進行歸一化,并設置輸入樣本維數、隱含層節點數、輸出樣本維數、學習迭代次數、學習要求精度、基礎學習步長、步長變化方式等參數進行網絡學習,同時將訓練后的網絡權值保存起來。設置井侵隨鉆診斷的范圍,讀取網絡學習時保存的權值,并設置相關參數然后進行診斷。對BH5井井下狀況進行實時診斷,系統分別在3.429～3.432 km,4.353～4.358 km兩處識別出發生流體侵入的可能性較大,與BH5井現場實際情況相吻合。

4 結束語

通過對BH5井開展井侵的BP神經網絡診斷模型的實例驗證,得出如下結論:

1)通過研究深井鉆井過程中井侵診斷與預測中所需的參數變化及它們與各種復雜情況的關系,認為鉆井復雜診斷模型很難用精確的數學模型描述,優選了神經網絡法進行鉆井復雜情況實時診斷預測的研究。

2)通過分析井侵的發生原因、機理、表征現象以及規律,建立了井侵的實時識別模型以及識別流程。基于BP神經網絡的方法建立了井侵的實時診斷模型。所選輸入層參數不僅包括實時測量的數據,還包括實時的鉆井工程風險因素分析計算的參數,模型結合了井侵的風險征兆和機理進行診斷,使得建立的模型更準確。開發了井侵風險模糊綜合評價預測分析模塊和BP神經網絡法實時診斷模塊。

3)神經網絡是高效處理模糊問題的方法,但是有其局限性。下一步將開展神經網絡和其他方法結合使用的研究,比如結合神經網絡的計算能力和模糊邏輯處理語言信息的優勢,兩者協同作用,提高處理速度、容錯性和自適應性。