基于图像识别技术的钻井井漏溢流智能报警系统开发

井漏和溢流是钻井行业最为常见、危害最大的两类复杂事故.为提高井漏和溢流报警准确率,利用图像识别技术中的卷积神经网络算法,通过数据整理、数据清洗、特征工程、模型训练等流程生成钻井井漏溢流智能报警系统,并融合业务规则作为辅助判断依据,经过测试验证后上线试运行,对井漏和溢流均能准确报警,此系统具有较高的适应性和推广价值.     

基于随机森林算法的AVO类型判别北大核心CSCD

AVO技术可用于含气储层的识别,对油气勘探具有重要意义。人工识别储层AVO类型人为干扰因素较大,识别精度较低且耗时较长。由此,本文引入随机森林算法,利用Bootstrap重复抽样及枝叶节点分裂等技术生成大量决策树分类器,通过统计所有决策树的分类结果实现对储层AVO类型的判别。首先,基于工区内测井数据建立速度密度模型;其次,利用Shuey近似公式计算AVO曲线并获得该曲线对应的拟合多项式;第三,根据拟合多项式提取形态特征参数作为随机森林算法的训练数据集输入参数,将人工AVO类型识别结果作为输出参数,训练并得到决策树分类器;最后,以实际叠前地震数据的AVO曲线特征参数为输入参数,通过随机森林决策树分类判别得到工区内储层AVO类型。通过与近似支持向量机算法的对比结果可以看出,两种算法对储层AVO类型判别结果相近,都具有较高的准确率,但相比之下随机森林算法所需特征属性较少,泛化性较强,具有更好的普适性。     

基于随机森林算法的AVO类型判别

AVO技术可用于含气储层的识别,对油气勘探具有重要意义。人工识别储层AVO类型人为干扰因素较大,识别精度较低且耗时较长。由此,本文引入随机森林算法,利用Bootstrap重复抽样及枝叶节点分裂等技术生成大量决策树分类器,通过统计所有决策树的分类结果实现对储层AVO类型的判别。首先,基于工区内测井数据建立速度密度模型;其次,利用Shuey近似公式计算AVO曲线并获得该曲线对应的拟合多项式;第三,根据拟合多项式提取形态特征参数作为随机森林算法的训练数据集输入参数,将人工AVO类型识别结果作为输出参数,训练并得到决策树分类器;最后,以实际叠前地震数据的AVO曲线特征参数为输入参数,通过随机森林决策树分类判别得到工区内储层AVO类型。通过与近似支持向量机算法的对比结果可以看出,两种算法对储层AVO类型判别结果相近,都具有较高的准确率,但相比之下随机森林算法所需特征属性较少,泛化性较强,具有更好的普适性。     

基于井控多属性机器学习的缝洞型储层预测方法

碳酸盐岩缝洞体具有强非均质性特征,单一地震属性预测和常规地震属性融合方法未考虑钻井过程中放空、漏失等信息,预测误差较大。基于实钻井井震标定,将放空漏失点属性特征作为约束条件,提出基于井控多属性机器学习的缝洞型储层预测方法,实现缝洞体精细预测。首先根据实钻井井震标定结果,提取漏失点位置的不同敏感地震属性值作为数据输入数组,根据漏失点特征定义的储层类型作为输出数组,形成训练集数据;然后基于支持向量机（support vector machines,SVM）方法,对训练集数据进行模型训练,得到符合先验信息的井震一致的预测模型;最后将该模型应用于塔里木盆地顺北地区奥陶系缝洞型储层预测。结果表明该方法能很好地反映真实储层类型特征,与钻井特征有很高的吻合度。     

微流量控制系统溢流探测与控制

微流量控制法是一种新的控压钻井技术,是威德福公司精细钻井技术( Secure Drilling) 的核心,可以提高大多数井况下的钻井效率,不管是简单井,还是高压井、窄密度窗口井、海上井或其他具挑战性的井,都可通过该方法自动探测井涌、控制井涌,避免井控事件,明显提高作业安全性。微流量控制技术利用专利运算法则,实时识别、测量井下出现的微量溢流和漏失,并采用非常精确的流量计测量回流情况,流量计安装在控压钻井节流的同一直线上,能快速探测到流体漏失或增加,并自动反应实时探测到的漏失量或增加量。该系统还可区别膨胀/收缩与严重的流体溢流/漏失,确定是否存在其他潜在危害,如节流堵塞、喷嘴堵塞或地面刺漏等,帮助作业人员监控泵效等。     

基于双向长短期记忆循环神经网络和条件随机场的钻井工况识别方法

传统钻井作业中,钻井工况主要通过基于机理模型与人工判断的方法进行识别,无法保证钻井工况识别的实时性与精准度。为此,采用近年来热门的人工智能算法,将井深与钻头位置的差、钻头位置、井深、大钩高度、大钩载荷、转速、钻压、扭矩、排量共9项钻井参数作为输入特征项,训练调优并建立了基于双向长短期记忆循环神经网络和条件随机场的钻井工况智能识别模型,对复合钻进、滑动钻进、上提开泵划眼、下放开泵划眼、静止、坐卡、原地循环等共计20种钻机动态进行实时智能识别,训练集、测试集的正确率分别为96.49%、97.23%。该模型的成功建立,验证了人工智能算法的优越性,为人工智能算法在钻井工程领域的后续应用提供了丰富经验。     

关于人工智能方法用于钻井机械钻速预测的探讨

人工智能方法被广泛地用于预测钻井过程中的机械钻速,虽预测精度都能超过80%,但以前的算法大多仅选取一口井或一个开次的数据进行预测和检验,缺乏对邻井或整个区块推广和预测的研究,泛化能力有待检验。针对上述问题,讨论了相关性分析在机械钻速预测中对钻井参数选取的影响以及训练数据选取对人工智能模型泛用能力问题。引入地层参数、钻头参数及钻井参数作为输入参数,选取四川盆地某区块的实际钻井数据进行训练,评价了随机森林、支持向量机、梯度提升树、人工神经网络4种人工智能算法对整个区块机械钻速预测的精度。结果显示,随机森林算法对区块内各单井数据的预测精度能达到90%,对整个区块数据预测的准确度能达到88%,且使用区块数据训练的随机森林模型具有较好的泛化能力,认为该方法能够推广至整个区块,有利于指导该区块的钻井工程技术优化。     

塔里木油田库车山前超高压盐水层精细控压钻井技术

塔里木油田库车山前巨厚盐膏层普遍发育超高压盐水,且盐膏层中夹杂破裂压力低的泥岩层,导致安全钻井密度窗口窄, 易发生井涌、井漏、井塌和卡钻等井下故障。通过精细描述钻井液循环系统流量变化特征,定量化钻井液出入口流量差与溢流量、漏失量及高密度钻井液弹性变形量间的相互关系,可以实时快速判断溢流和漏失,计算求取地层压力,并将自动控压排水与控压压回相结合,精确控制地层与井底的压力差,有效控制合适的盐水返出量,大幅降低溢流、井漏等井下风险,形成了超高压盐水层微流量精细控压钻井技术。该技术在克深A井和克深B井进行了现场试验,均安全快速钻穿超高压盐水层,大幅提高了机械钻速,缩短了钻井周期,降低了钻井成本。研究与应用表明,超高压盐水层微流量精细控压钻井技术可快速发现溢流和漏失,精确控制地层盐水返出或者钻井液漏入地层,实现可控微溢流或漏失,大幅减少了盐水排放时间,确保了井眼稳定,实现了安全快速钻穿超高压盐水层的目的,为超深井复杂地层高效钻进提供了新的技术手段。      

基于改进集成学习的测井岩性识别方法研究

测井数据中存在大量与岩性无关的冗余信息，且各类岩性标签数据分布不均匀，严重影响岩性识别准确率，现有测井岩性识别算法无法有效解决岩性类间不平衡问题。为此提出了一种针对不平衡样本集的集成学习岩性预测方法KSMOSEL:首先以录井岩性数据为岩性样本标签，将测井曲线作为模型输入；然后将K-means算法与合成少数类过采样技术(SMOTE)相结合形成K-means-合成过采样算法，即KS采样算法，对岩性样本集进行平衡化处理；最后将采样后的数据集用于构建集成学习模型并训练，采用多个分类器模型融合构成强学习器，通过“软投票”方式预测岩性类型。以Hugoton油气田测井岩性数据为基础，采用改进不平衡样本集的集成学习岩性预测方法对岩性进行分类，并将识别效果与传统的分类模型：支持向量机、K最近邻分类、决策树、XGBoost和随机森林等模型进行对比。试验结果表明：KSMOSEL方法具有更高的精度，岩性识别准确率达到94.28%;KS采样之后，支持向量机、K最近邻分类、决策树、XGBoost、随机森林、GBDT和集成学习等模型岩性识别准确率分别提高了18.68%,12.03%,3.77%,10.23%,24....     

基于参数优化AdaBoost算法的酸性火山岩岩性分类

岩性识别是火山岩油气藏勘探的基础,为提高长岭气田火山岩岩性识别的准确率,采用决策树、支持向量机、逻辑回归、AdaBoost-决策树、AdaBoost-支持向量机和AdaBoost-逻辑回归6种算法,对研究区酸性火山岩岩性进行分类与识别。通过分析研究区火山岩不同岩性的测井响应特征,选取了对火山岩岩性、组构和孔隙结构反应灵敏的12种岩石物理测井参数作为分类特征量。选择3口井中岩心分析和岩矿录井资料完整的7 150个测井数据作为数据集,并从中随机选取70 % 的数据作为训练集建立岩性识别模型,剩余30 % 的数据作为测试集。对6种算法建立的模型通过交叉验证进行参数优化及模型评价,对比不同算法与录井剖面的结果表明,AdaBoost-决策树算法可作为长岭气田利用常规测井资料识别火山岩岩性的有效手段,准确率可达90 % 以上。     

考虑数据不平衡影响的钻井复杂智能诊断方法

钻井复杂的准确识别是钻井工程顺利开展的保障,现有基于机器学习的钻井复杂诊断方法未考虑钻井资料数据不平衡的特点,可能导致将钻井复杂误判为正常工况。基于决策树分类模型,建立了考虑数据不平衡影响的钻井复杂诊断方法:从录井资料、工程异常记录等现场资料中收集原始数据,提取钻压、钩载、排量等钻井参数,并以波动值构建样本集;引入错误分类成本以修正数据不平衡的影响,建立以最小错误分类成本期望值为分类目标的决策树模型,取代以最高准确率为目标的分类模型。将新模型应用于某页岩气水平井卡钻复杂诊断,结果表明:考虑数据不平衡后,模型能识别出传统方法遗漏的卡钻样本,并将成本期望值降低85%。文中处理数据不平衡的方法不局限于决策树模型,亦可推广至其他机器学习方法,帮助解决钻井复杂识别问题。     

深水钻井溢流井控期间水合物生成主控因素

目前多数学者都是基于热力学特征进行水合物生成的判断,但更准确的判断需要考虑分子动力学的特征。井筒中水合物形成的速度较慢,即使达到了水合物形成的热力学条件,还需要经过水合物的成核、生长2个过程。基于深水钻井溢流井控期间井筒多相流动规律,依据水合物热力学和动力学特征,结合水合物膜微孔板理论,对溢流井控期间循环、关井和压井期间水合物的生成机理进行了研究,并分析了不同流型对水合物生成的影响。研究结果表明,深水钻井溢流发生时,循环期间井口安装有节流装置不会生成水合物;关井期间泡状流情况下不会形成水合物堵塞,段塞流情况下井口处可能会形成水合物堵塞;压井期间水合物生成不会对井筒产生较大危害。     

川西深井漏涌卡钻井事故风险识别分析

针对川西海相雷口坡气藏开发钻井周期长、钻井成本高等技术难题,提出了川西深井漏涌卡钻井事故风险识别方法,建立了基于神经网络的钻井风险识别模型,研制了一套"川西深井钻井风险识别系统",将其应用于川西深井DS1井的钻井风险识别实例中,从DS1井井漏事故的识别来看,DS1井钻遇3 000~6 000 m区域井段,为漏失事故高发井段,在5 500 m漏失概率达到了98%,与DS1井钻进中发生钻井事故统计对比,识别漏失井段区域与现场统计的结果基本吻合,覆盖了整个钻井漏失区间,预测卡钻与溢流基本吻合,这为钻井风险事故的预防提供一定依据。     

基于核主成分分析-半监督极限学习机的钻井溢流诊断方法

溢流是钻井作业中最常见的事故之一,如果对溢流监测与诊断不及时,可能导致严重的井控风险,甚至井喷。钻井现场监测数据较多,直接采用这些数据作为溢流诊断模型的输入会增加模型的复杂度,影响模型的准确率,并且在诊断模型建立过程中存在溢流样本数据标记代价较高的问题。为此建立了基于核主成分分析-半监督极限学习机（KPCA-SSELM）的钻井溢流诊断方法。首先利用核主成分分析（KPCA）算法对钻井各参数进行信息整合,提取其主成分以反映原数据的核心信息,然后选用半监督极限学习机（SSELM）算法进行模型训练,最后利用现场钻井数据与SSELM和KPCA-ELM等模型进行对比实验,验证模型的有效性。结果表明,基于KPCA-SSELM的模型较其他模型具有较高的溢流诊断率及模型泛化能力,采用半监督极限学习机算法能够在钻井数据标记样本比较少的情况下充分挖掘无标签样本所包含的信息训练网络,进一步提高模型的性能,具有很好的应用前景。     

基于相对熵改进模糊C均值聚类的溢流预警研究

钻井过程中溢流的早期发现非常重要，目前国内外基于人工智能的溢流预警模型普遍使用大量先验知识或训练数据，其准确性、实时性、可靠性完全受限于先验知识和训练数据，文章提出了基于相对熵改进模糊C均值聚类的溢流预警模型，采用相对熵理论改进模糊C均值聚类算法，克服传统模糊C均值聚类时聚类数目由用户主动给出的缺点，并结合溢流故障的发生与立压、套压的变化趋势具有相关性的特点，建立了早期溢流智能预警模型，实现对早期溢流的及时发现。通过对现场数据的仿真分析表明，该预警模型能够通过立压和套压的斜率变化及时准确地判断是否发生溢流。     

减压馏分黏度指数的近红外预测研究

为了实现减压馏分油（VGO）黏度指数的快速预测，以70个VGO样品的近红外光谱及黏度指数数据为基础，利用随机森林回归算法建立了黏度指数的近红外预测模型。以随机森林算法中对各特征的重要性度量为依据，通过递归特征消除法对近红外光谱进行波长变量选择。优选出10个波长变量作为模型的输入特征，利用10折交叉验证法确定模型的超参数（回归树数量nt为150和节点分裂的特征数nv为5），构建一个更加稳健的随机森林预测模型。对于7个预测集的样本，其黏度指数的预测标准偏差RMSEP为2.28，决定系数R2为0.98，表明模型具有较高的准确度和泛化能力。     

基于FL-XGBoost 算法的砂泥岩识别方法——以胜利油田牛庄地区为例

砂泥岩识别任务通常基于测井曲线，依据经验公式、实地岩心取样、交会图和聚类分析等传统方法实现，但这些方法难以充分利用测井曲线所包含的砂泥岩特征，且精度低、效率低，人为影响因素大。为此，以测井和录井资料为基础，综合砂泥岩识别的关键技术难点，对测井参数进行敏感性分析，以选取适当的影响因素，通过多项预处理操作构建完整的训练数据集，并根据测井标签稀疏性的特点，引入Focal Loss函数，提出FL-XGBoost模型，进而开展胜利油田牛庄地区砂泥岩识别。研究结果表明，采用FL-XGBoost算法的砂泥岩识别模型对研究区砂泥岩识别的准确率达到了0.827。通过5种公开分类数据集设计对比实验，证明FL-XGBoost算法在识别分类领域上具有强泛化能力。     

早期溢流及漏失的新型及时高精度监测计量系统

溢流和漏失是影响油气钻井施工安全的最为严重的两种复杂情况,常用的溢流和漏失监测方法存在着监测不及时、溢流漏失总量计量精度低的缺陷,有可能因为发现不及时或者处理不当而造成井塌、卡钻、井喷等复杂事故。为此,在对比分析钻井现场常用的几种溢流和漏失监测方法的基础上,设计出了一种具备早期监测报警、溢流漏失速度和漏失总量计量以及自动灌浆功能的新型溢流漏失监测计量系统,并通过室内实验验证了该系统的可靠性。研究结果表明:(1)该系统的监测罐被分割为主、副两个腔室,井筒返出钻井液一部分通过主腔室返回振动筛,另一部分溢流进入副腔室;(2)副腔室内部横截面积小,大大提高了液位变化反应的灵敏度,能够更加及时地发现溢流和漏失;(3)主腔室出口管线水头保持不变,出口流量稳定,通过副腔室内液位的变化可以定量地计算溢流漏失速度和溢流漏失总量,溢流漏失速度监测误差小于8%;(4)起钻过程中,监测罐内钻井液在自重作用下进入井筒,可以始终保持井筒满液位,消除了灌浆不及时和灌浆不满的不良现象。结论认为,新型溢流漏失监测系统可以有效地发挥地面测量优势,报警及时准确且经济实用。     

基于钻井模型与人工智能相耦合的实时智能钻井监测技术

钻井过程中钻井复杂监测对于减少事故发生、降低钻井成本意义重大。在实际钻井过程中,钻井复杂的分析和判断主要靠人工完成,难以保证预警效率。为此,将动态钻井物理模型与人工智能、数据挖掘算法相结合,提出基于实时录井数据的实时钻井监测及事故预警技术。该技术以钻井施工过程中的综合录井数据作为输入,利用模型算法来实时准确呈现钻井过程中的井下工况条件,预测即将发生的复杂风险。从实时井眼清洁及水力学监测、实时卡钻预测、实时井涌监测3个方面对实时钻井监测及预警技术进行了详细分析。该技术可以实时准确模拟井下工况条件,识别并降低钻井事故发生概率,帮助钻井工程师提早发现问题,减少钻井事故的发生,并减少对自然环境以及人员安全的影响,为现场施工提供辅助决策,降低非有效生产时间。     

面向早期溢流监测的钻井工程参数仿真建模方法

研究表明,智能识别方法能够有效提高早期溢流监测的准确性,但由于溢流是钻井过程中的小概率事件,现场可获取的溢流样本数据十分有限,限制了智能识别方法的应用。针对该问题,在分析常用溢流监测参数与钻井设计参数、地质相关参数以及钻井工况之间关系的基础上,建立了钻进、起钻、下钻三种工况下常用溢流监测参数的数值模拟模型,为溢流智能识别方法的应用提供数据基础。利用现场实测数据对所建模型进行了验证实验。结果表明:在给定的钻井条件下,仿真得到的数据与现场实测数据间的相似度达到83.85%,具有较高的吻合度;溢流智能识别模型识别准确率较缺乏训练样本的专家经验模型提高了23.1%,识别准确率得到了显著提升。