基于神经网络模型的钻井作业期间风险识别探索

针对渤海油田A区块钻井作业期间起下钻过程中的风险识别问题,应用大数据手段,获取了该区域100余口井钻井数据,通过对各类机器学习模型对比,优选神经网络模型作为起下钻期间风险评价模型建立的理论基础,编写神经网络训练脚本,针对憋压憋扭、起钻遇卡、下钻遇卡、划眼遇卡和倒划眼遇卡等五类复杂情况开展训练与测试,结合井史数据显示模型...     

基于长短期记忆神经网络的深水钻井工况实时智能判别模型

深水钻井具有高投入、高风险等特点,其工况实时判别是提高钻井时效、减少复杂事故的基础和前提。传统深水钻井作业中,钻井工况主要通过基于编程方式的物理模型与经验模型进行判别,难以保证时效性和正确率。为此,创新性地将机器学习引入深水钻井工况判别全流程,考虑综合录井数据的长时间序列特征,基于长短期记忆神经网络建立了深水钻井工况实时智能判别机器学习模型。通过对29 856 140行深水综合录井数据预处理,选取钻头深度、井深、大钩高度、钻压、悬重、扭矩、转速、立管压力,共计8个综合录井参数作为输入特征,建立了20隐藏层×70节点的长短期记忆神经网络模型,实现了旋转钻进、滑动钻进、接单根、静止、循环、向下洗井、划眼、向上洗井、倒划眼、起钻、下钻及“其他”,共计12种常见深水钻井工况的实时智能判别,测试集上正确率高达94.09%,满足深水现场作业需求。该模型可实时智能地判别钻井工况,充分验证了长短期记忆神经网络用于钻井工况实时智能判别的可行性与时效性,为钻井时效分析和复杂事故预警提供了机器学习模型基础,并将进一步拓展机器学习在石油工程领域的应用范围。     

综合考虑成本和钻速的PDC钻头钻进参数优化设计

传统的钻进参数优化模型不适用于PDC钻头。针对传统模型的不足,在牙轮钻头钻进参数优化理论的基础上,引入钻井成本和钻速权重系数,结合PDC钻头钻速方程、磨损方程和钻速随累积进尺的变化规律等基本方程,建立了钻井成本和钻速双目标约束下的PDC钻头钻进参数优化模型。该模型可根据降低成本或提速的具体目标设置钻井成本系数和钻速系数,在同时考虑成本和钻速的条件下对钻进参数进行优化设计。川西新场地区实钻资料的计算结果显示,经过参数优化后PDC钻头的单位进尺成本降低,同时钻速提高,这表明该模型可以用于双目标下PDC钻头钻进参数的优化设计。      

基于大数据及人工智能的钻速实时优化技术

海上钻井作业日费高昂,因此如何利用大数据及人工智能技术提高钻速,从而缩短作业工期、降低作业成本,是重要的研究课题之一。首先通过收集钻井现场的大数据信息,将录井数据、测井数据、钻井液性能等参数输入神经网络计算得到初次预测钻速,然后由最优化算法计算出实时全局最优解,从而建立基于机器学习方法和最优化算法的钻速实时优化模型,最后将模型嵌入可视化系统进行现场作业指导,从而提高钻井速度。以南海PY油田A井为试验井,进行了实时钻进过程的应用。实践表明,应用该技术不仅可有效提高钻速,并且对油田数字化发展具有借鉴意义。     

基于灰色关联的地层岩性随钻测井解释方法

随钻测井地层岩性解释的准确性直接影响水平井地质导向钻井的作业质量,地层岩性判别错误会直接导致钻探工作的失利.介绍了一种基于灰色关联的随钻测井实时识别近钻头处地层岩性的方法.该方法从测井相分析的角度出发,充分利用随钻测井资料并从中提取反映岩性的特征参数,建立随钻岩性统计模式,并采用灰色关联分析法实时处理随钻测井资料,进而识别近钻头处的地层岩性.将该方法应用于×油田×井区等2口水平井的地质导向钻井中,及时提供了较为准确的岩性剖面,提高了水平井钻井中的随钻跟踪地质目标层的能力.     

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....     

钻井参数实时优选方法的研究与应用

目前常用钻速模式中的岩石可钻性系数、钻压指数、转速指数和水功率指数等参数,是通过现场试验或处理大量的完井资料数据获得的,因此这些方程的应用局限于已钻井地区,而无法用于新探区,给新探区钻井参数的优选带来很大困难.通过分析大庆油田深井钻井上返岩屑的分形,计算了用上返岩屑分形特征表示的岩石可钻性级值,建立了可以实时预测岩石可钻性级值的模型.将该模型应用于分形表示的钻速模式并结合Amoco钻头寿命磨损模式,建立了以单位进尺成本模式为目标的目标函数,以钻进参数及相互间的配合在钻井工艺上应满足的条件为约束条件,组成了钻井参数实时优选的不等式约束多元非线性规划模型.应用该模型对大庆油田深井钻井参数进行了优选.     

PDC钻头使用效果评价与降低钻井成本

在对44只215．9mm某类型PDC钻头实际使用资料（进尺，钻速，纯钻时间，行程钻速，转速和每米成本等参数）进行统计分析的基础上，提出了以每米钻井成本最低为目标函数，纯钻时间达到某确定值为约束条件的钻头使用优化模型，并进行了优化模拟计算，实际使用资料与模拟计算结果对比表明，优化模型的每米钻井成本大大降低，因此在现有技术和设备条件下，科学决策，科学管理是降低钻井成本的一条捷径。     

油气钻井作业成本预测模型研究

通过对国内外钻井成本研究的分析，寻找影响钻井作业成本的主要因素，可指导钻井作业成本预测模型的建立。为此，采用实证研究方法，针对油气钻井作业的过程提出两个假设：①钻井作业成本与钻井进尺呈一定的比例关系；②钻井作业成本与钻井周期呈一定的比例关系。构建了钻井进尺和钻井周期两个自变量，并以2003年长庆钻井工程总公司完成的钻井数据为样本，运用统计分析方法来验证这两个假设，并构建成本预测模型，该模型的解释力度较强。检验了模型的预测精度，结果显示误差小于6%。该预测模型表明钻井成本与钻井进尺和钻井周期呈指数关系。模型较强的解释力度和较小的预测误差，将有助于钻井成本预测和计划管理。     

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。     

塔河油田AD区块测井阻卡原因分析及对策

目前,AD区块已经成为中国石化塔河油田的主力区块,但在开发过程中,测井阻卡问题要比塔河油田其他区块严重得多,在前期开发的44口井中,测井阻卡问题出现率达到38%,是其他区块的2～5倍。从地质、钻井工程、钻井液和测井等方面综合分析了该区块测井出现阻卡问题的原因,具体分析了该地区最常见的粘附(压差)阻卡、沉砂或掉块阻卡和键槽阻卡等三类阻卡情况,结合现场的实际情况提出了解决这三类阻卡问题的方法,并对现场施工中工程和钻井液等方面出现的5种不恰当做法提出了纠正意见,对减少塔河油田测井阻卡问题的出现,提高测井资料准确率,从而提高油田的开发效益有一定的现实意义。     

测井事故的认识及处理工艺

测井仪器和电缆在井下遇卡,在地球物理测井中是经常发生的。电缆测井事故能否得到恰当处理不仅影响事故处理费用的多少,有时甚至可能关系到一口井的成败,因此测井仪器解卡打捞工艺是测井作业的重要组成部分。测井作业的打捞作业分为两大范畴:一是裸眼打捞,二是套管内打捞。落鱼形状分为管状物及绳状物。解卡打捞工作必须准确掌握:井况数据、落鱼情况、打捞工具组合、鱼头情况等。本文结合测井事故的处理情况,认为机械原因、钻井液性能和人为原因是造成电缆测井事故的主要原因,并介绍了常见测井事故的工具配备及处理工艺。     

基于支持向量回归机的地层孔隙压力预测方法

测井资料是确定地层孔隙压力的基础性资料，为此，利用测井资料来研究准噶尔盆地某区块的地层孔隙压力，开展地层孔隙压力区域研究，以充分认识异常地层孔隙压力分布规律。在分析地层孔隙压力预测传统方法局限性的基础上，提出了一种基于有效应力定理和声波速度模型的地层孔隙压力预测方法。由相关测井资料计算泥质含量、孔隙度和声波速度，利用声波速度模型计算垂直有效应力，利用密度测井资料计算上覆岩层压力，最后根据有效应力定理计算地层孔隙压力。声波速度模型由支持向量回归机（SVR）通过对相关测井、测压资料的非线性回归得到。实际应用表明，该方法能够以较高精度预测到异常地层孔隙压力，为钻井工程设计提供依据，提高钻井工艺水平，对钻井过程中防止工程事故发牛，减少地层污染，节省钻井成本有着重要的应用价值。     

邛崃1井氮气钻井事故分析(Ⅱ)——事故过程的还原及教训

上文针对邛崃l井氮气钻井中的井喷失火事故,对构成事故的重要事件进行了分析。在此基础上.基于事故调查资料、实时录井资料和必要的计算与数模分析结果,按照安全工程学中故障树的分析原则,分析了构成邛崃1井氮气钻井恶性井喷失火事故的重要事件的各种可能组合、发生概率和时间顺序,还原了事故的全过程,并完整地解释了综合录井数据所表达的事故内幕。研究结果认为:①该次事故的客观原因是严重"岩爆"的发生及其诱发事件;②主观原因是该井排砂管线不能适应"岩爆"产生的大股碎屑而堵塞,进而由堵塞产生井口高压引发排砂管线爆裂,导致失控井喷和着火。最后,基于对裂缝性致密砂岩气层中实施气体钻井时井下岩爆是一种客观的、必然的现象的认识,提出了需要进一步改善排砂管线、井口组合和钻具附件特性的技术建议,以从根本上防止井下岩爆诱发的地面事故。所得到的认识与建议将有助于扭转该事故对气体钻井技术所造成的不利影响。     

钻井工程事故监测和预警方法研究

钻井工程事故的监测和预报是安全钻井和优化钻井的重要研究课题之一，也是工程录井工作的主要内容。在以事故预警技术研究为背景，简述钻井工程事故监测与预报方法和存在问题的基础上，提出了采用模糊理论实现钻井工程事故预警设计的新思想和技术方法，给出了推理算法及公式，阐明了测量参数与预警结果之问的函数关系，为计算机准确、快速处理创造了条件。此外，通过构建多种事故模型知识库，可使系统有较大的灵活性和适应性，以满足不同地区的应用要求。室内实验证实，该设计系统对事故判断正确，预警输出结果合理。     

神经网络技术在钻井工程事故预测、预报中的应用

工程事故预测、预报是录井技术解决现场问题的主要任务之一.由于钻井工况的多态性以及工程参数变化受各种环境因素影响的复杂性,对备类事故快速、准确的预报一直是工程事故预测、预报的难点.针对上述问题,采用具有高度非线性识别能力的人工神经网络与遗传算法相结合的方法,探讨了建立智能预报模型的基本方法,进一步阐述了如何提高预报准确度的问题,并结合工程事故预报实例检验了神经网络模型的可行性.检验结果表明,该方法能够较好地把握工程事故发生的规律,能够对工程施工过程中的各类事故进行合理预报.     

石油天然气钻井工程风险识别与评价方法

石油天然气钻井工程存在大量不确定性,具有高风险的特点。在分析钻井作业风险特点和对事故案例统计分析的基础上,总结出石油天然气钻井工程包括了井喷或井喷失控、中毒、物体打击、高处坠落、机械伤害、触电、火灾等主要危险、有害因素。针对风险的种类和引起的原因,提出了与之相适应的安全检查表法（SCA）、预先危险性分析法（PHA）和故障树分析法（FTA）,有利于制定合理可行的风险防范对策、措施,用来指导钻井作业过程中风险监控和事故预防,达到降低事故率、减少事故损失的目的。     

基于XGBoost算法的复杂碳酸盐岩岩性测井识别

碳酸盐岩储层在形成过程中受到多种因素的影响，储层岩性复杂多样，基于测井资料对碳酸盐岩岩性识别具有重要意义。为了解决传统的测井岩性识别方法和机器学习方法对于复杂碳酸盐岩岩性识别准确率不高的问题，以廊固凹陷北部奥陶系碳酸盐岩为例，将XGBoost算法应用于复杂碳酸盐岩岩性识别，并将模型的性能与决策树C4.5算法和支持向量机算法进行对比。结果表明，采用的XGBoost算法的岩性识别模型对研究区碳酸盐岩岩性识别的准确率达到了88.18%，相较于决策树C4.5算法和支持向量机算法准确率均提高了10%左右，且由于XGBoost算法采用多线程和分布式计算的方法，使得训练时间大大缩短。基于XGBoost算法建立的岩性识别模型能够有效地识别复杂碳酸盐岩岩性，为复杂碳酸盐岩岩性的测井识别提供了新的思路。