机器学习在井漏监测中的研究进展.pdf

Vol.42 No.8Aug.2023石油化工应用PETROCHEMICAL INDUSTRY APPLICATION第4 2 卷第8 期2023年8 月专论与综述机器学习在井漏监测中的研究进展王亮1,徐建根，步文洋？黄昱昊1（1.重庆科技学院石油与天然气工程学院，重庆4 0 13 3 1；2.中国石油集团长城钻探工程有限公司钻井一公司，辽宁盘锦12 4 0 10）摘要：井漏是钻井过程中常发生的钻井事故，具有很强的突发性，难以及时发现。在大数据和人工智能技术下,数字化和智能化防漏技术已成为不可避免的发展趋势。这些技术的核心内容包括基于机器学习的算法模型和相应的系统软件。文章通过对井漏机理的梳理归纳，阐述了并漏发生的特点，同时进一步归纳了BP神经网络、支持向量机、随机森林等机器学习算法在并漏预测预警中的应用以及智能化井漏监测系统研究现状。与传统的人工判断并漏事故发生相比，通过机器学习算法能够更加提前、更加可靠、更加精准的对井漏发生进行预测预警。同时通过智能化井漏监测系统，工程师可以更加直观的了解并下或者井上各种参数的变化，通过这些变化和系统的推荐和预警，更快的作出反应，极大的提高钻井安全。关键词：机器学习；井漏预测；井漏机理；井漏监测系统中图分类号：TE282D0I:10.3969/jissn.1673-5285.2023.08.001文献标识码：A文章编号：16 7 3-5 2 8 5(2 0 2 3)0 8-0 0 0 1-0 5Research progress of machine learning in well loss monitoringWANG Liang,XU Jiangen,BU Wenyang?,HUANG Yuhaol(1.College of Petroleum and Natural Gas Engineering,Chongqing University of Science andTechnology,Chongqing 401331,China;2.Drilling Company 1,Great Wall DrillingEngineering Co.,Ltd.,PetroChina,Panjin Liaoning 124010,China)Abstract:Loss is a common drilling accident in the drlling process,which is very suddenand difficult to find in time.Under the big data and artificial intelligence technology,digitaland intelligent leak prevention technology has become an inevitable trend of development.The core content of these technologies includes algorithm model based on machine learning*收稿日期：2 0 2 3-0 5-19基金项目：重庆科技学院研究生科技创新项目，项目编号：YKJCX2220116。作者简介：王亮（19 9 9 一），男，重庆科技学院石油与天然气工程学院在读研究生，研究方向为油气井工程。E-mail:2and corresponding system sofware.By combing and summarizing the mechanism of leakage,the paper expounds the characteristics of leakage occurrence,and further summarizes theapplication of BP neural network,support vector machine,random forest and other machinelearning algorithms in the prediction and early warning of leakage,as well as the researchstatus of intelligent leakage monitoring system.Compared with the traditional manual judg-ment of the occurrence of the well loss,the machine learning algorithm can predict the oc-currence of the well loss more in advance,more reliably and more accurately.In addition,through the intelligent loss monitoring system,engineers can more directly understand down-hole or downhole changes in various parameters,through these changes and system recom-mendations and early warning,faster response,greatly improving drilling safety.Key words:machine learning;loss prediction;leakage mechanism;loss monitoring system石油化工应用2 0 2 3 年第4 2 卷并漏是国内外各油气产地普遍存在的问题。它会导致钻井周期延长，浪费大量钻井液和防漏堵漏材料，产。并有可能引发卡钻、井涌甚至并喷等复杂事故，严重情1.2#按照不同的漏失通道类型分类况下可能导致井眼报废。在过去，井漏通常是在发生后(1)压差性井漏：当井壁上存在较大尺寸的裂缝、进行处理，由于不能及时发现处理常常导致更多的经溶洞或裂缝溶洞网络系统时，地层孔隙压力无法平衡济损失。近年来，随着综合录井技术、计算机信息技术液柱压力，导致钻井液通过裂缝或溶洞进人地层，难以和其他智能技术的发展，智能预测预警系统在石油钻堵漏。井工程中逐渐得到应用。通过提前进行预测和预警，可(2)裂缝扩展性井漏：井筒周围存在已张开的漏失以最大程度地降低井漏风险。此外,随着机器学习技术通道，在一定压差范围内，钻井液封堵颗粒无法自由进的迅速发展和应用，越来越多的研究者开始探索如何人漏层，导致漏失无法有效控制。将机器学习应用于井漏监测。机器学习技术可以通过(3)压裂性井漏：井壁周围原本不存在张开裂缝，学习大量的数据，自动地从数据中学习特征并建立预在钻井液液柱压力过大时，产生裂缝并使裂缝扩展，导测模型,从而实现对并漏的快速、准确识别和预测。目致井漏。压裂性井漏通常由使用高密度钻井液在压裂前国内已经出现了一些井漏监测系统，对井漏的发生储层时引起,形成新的漏失通道导致钻井液漏失 2。能够有效的预测和预警。另外，国外的一些学者还通过钻井液漏失数学模型和钻井液统计学漏失模型来研究井漏机理。钻井液1井漏机理漏失数学模型包括一维线性模型、二维平面模型和一维径向流模型,用于实现地下裂缝分布及尺度的反演。井漏的机理复杂,涉及多个因素。井漏机理的研究钻井液统计学漏失模型主要包括基于机器学习的漏失主要和钻井液漏失量与地层压力、地层裂缝特性、地层模型和基于数据统计的漏失模型。这些模型可以帮助结构特性等参数相关。根据井漏的发生机制和漏失严理解井漏的发生机理 3(图1)。重程度，可以将井漏进行分类。常规的分类方法包括按照漏失严重程度和不同的漏失通道类型。1.1按照漏失严重程度分类(1)轻微井漏：井漏程度较轻，漏失通道尺寸较小，2.1BP神经网络对钻井操作影响较小。(2)中度井漏：井漏程度适中，漏失通道尺寸较大，一种常见且广泛应用的神经网络模型，也是神经网络可能会导致钻井过程受阻或延迟。中最为经典的一种。BP神经网络是一种按照误差逆向(3)严重井漏：井漏程度严重，漏失通道较大且数传播算法进行训练的多层前馈神经网络。它由输入层、量较多，可能会引发井下事故，严重影响钻井安全和生2机器学习井漏预测模型BP神经网络（Backpropagation Neural Network）是第8 期王亮等机器学习在井漏监测中的研究进展3小溶洞大溶洞小裂缝文业+大裂缝图1裂缝溶洞漏失 7隐藏层和输出层组成（图2），信息从输人层经过隐藏层传递到输出层,形成一种前向传播的过程。然后，通过反向传播算法，根据网络输出与期望输出之间的误差，调整网络的权重和阈值，以使网络输出逼近期望输出。谢平等3 利用了全烃、钻压、悬重、立管压力、总池体积、出口流量、泥浆出入口密度、泥浆人口电导率、泥浆出口电导率等11种钻井数据，建立了BP神经网络模型并对井漏风险进行分析和预测，模型预测准确率较好，证明了BP神经网络模型在实现井涌井漏的预测上有很好的效果4。王雷雯 5 通过分析井史数据,利用钻井液密度、钻速、钻井液静切力、钻井液黏度、井眼直径、钻井液排量、泵压、漏失通道性质和地层孔隙压力9种特征数据作为预测漏失层位的输人特征量，建立了适用于一种区块的基于BP神经网络的漏失层位置预测模型,预测结果整体误差不超过10%。何涛等通过钻井和录井数据进行分析优选出层位、岩性、钻头尺寸、钻头型号、扭矩、钻速、钻压、转速、立管压力、漏斗黏度、钻井液密度、钻井液初切等16 个特征参数作为神经网络的输入特征量，建立了基于BP神经网络的井漏裂缝宽度预测模型，同时利用L-BFGS算法对模型进行优化，优化后的模型预测精度高达9 0%。据时也表现出较好的性能。在井漏预测领域，基于SVM的预测模型已经得到了广泛应用，并取得了良好的效果。刘彪等7 通过对该井的录井、测井、地质以及随钻测量等方面的信息整理出井深、孔隙度、破裂压力、渗透率、钻井液密度、温度、抗拉强度等13 种特征数据。结合这些特征数据建立了基于支持向量机的回归井漏预测模型，模型的预测精度高达0.9 8 5 1。AHMED等8 进行了钻井漏失层位的预测研究，他们利用实时获取的钻井参数作为输入参数，构建了支持向量机模型和径向基函数模型。输入参数包括大钩高度、大钩载荷、钻井液排量、钻速、圆盘转速、立管压力、扭矩和钻压8 种特征数据。研究结果显示,这两个模型在预测漏失层位方面都表现出很高的准确性。王鑫等 9 将麻雀搜索算法、遗传算法、灰狼算法以及改进的麻雀搜索算法(ISSA)在8 个基准测试函数上做了对比实验。结果表明,改进的麻雀搜索算法(ISSA)在寻优精度、稳定性等方面都较其他算法更为优异。最后，将改进的麻雀搜索算法用于优化支持向量机(ISSA-SVM)进行井漏预测。对比结果表明，改进的麻雀搜索算法用于优化支持向量机预测准确率为9 7.7 6 5 4%。相较于前几种收敛速度快，迭代次数少，能够高效、快速预测井漏事故。核函数输出层图3 支持向量机核函数映射原理18 1输入层2.3随机森林隐藏层图2 BP神经网络结构2.2支持向量机支持向量机(SupportVectorMachine）是一种机器学习算法，具有优秀的分类和回归性能。在井漏预测中,SVM可以通过学习历史数据，构建分类模型,从而对当前井漏的发生进行预测。具体来说,SVM通过寻找数据空间中的最优超平面，将不同类别的数据点分开，从而实现分类（图3）。SVM具有训练速度快、泛化能力强等优点。同时,SVM在处理小样本、高维度的数随机森林(RandomForest)是一种集成学习算法，具有较高的准确率和鲁棒性，可处理高维度与非线性样本的分类器组合模型，大量的理论和实证研究都证明了随机森林具有很高的预测准确率，对异常值和噪声具有很好的容忍度，并且不容易出现过拟合。同时随机森林是通过构建多个决策树来实现预测的（图4），每个决策树的结果通过投票或平均值的方式进行综合，最终输出预测结果。李泽俊 10 进行了录井参数数据的采集，并对其进行井漏点和非井漏点的标记。使用随4机森林算法对标记过的数据进行分类，从而建立了随钻诊断模型。训练结果显示，在包含9 0 6 1个样本的训练集中，有8 9 9 2 个样本的输出结果正确，而6 9 个样本的输出结果错误。针对3 9 6 个井漏样本，3 3 9 个样本的输出结果正确，5 7 个样本的输出结果错误。因此，该模型在井漏点的识别上达到了8 6%的准确率。史肖燕等叫选用随机森林方法建立了井漏预警模型，对钻井液的溢流、漏失实时识别进行分类建模。通过优选出压力、井深、人口流量等10 个强相关输人参数，使用大量历史数据对模型进行训练，并对新的实时输人数据作出是否发生溢流、漏失的分类。并且该模型对井漏的发生比人工提早了2 3 min做出判断。陈凯枫等 12 利用相关性分析和经验知识优选出总池体积、进出口流量差和立管压力等7 种井漏表征参数。通过利用随机森林、支持向量机、BP神经网络和逻辑回归算法分别建立井漏智能诊断模型，其中数据集的训练集与测试集之比为3:1。测试结果表明,随机森林模型的表现效果最好，井漏识别的准确率达到9 8%。随机森林决策树1结果图4 随机森林结构3智能化井漏监测系统井涌和井漏在钻井过程中非常常见且复杂，因此实时监测和采取有效的井控措施具有重要意义，可以避免重大财产损失和人员伤亡。井漏监测预警系统需要处理大量数据,并对数据的完整性有较高要求。只有在具备机器学习的大样本数据条件下，算法的筛选和优化才能更加容易。此外，实时提取大数据、智能判断不同钻井工况、快速进行计算、数据存储和可视化展示都是具有较高难度的挑战。在国外的油气和钻井服务公司中，数字化勘探开发已经取得了较好的进展，已经开发出了井漏实时监测的软件模块，并将其集成到各自的智能钻井专家系石油化工应用2 0 2 3 年统中。相比之下，国内在这方面的起步较晚。早期李欣嵘等 13 通过力控组态软件6.1平台设计的上位机监测软件，实现了现场施工数据与监测软件的连接，包括数据采集、信息传输和数据处理。借助SQLServer2000数据库记录采集的参数数据，为实现井漏监测系统的远程访问提供了条件。在此基础上，通过集成各类传感器和仪器仪表，设计了欠平衡钻井井涌井漏监测系统。该系统能够快速判断欠平衡钻井过程中是否出现井涌和井漏情况,并实时报警处理异常情况，以预防事故发生。岳炜杰 14 通过综合应用微流量、PWD和综合录井三类参数并结合钻井液流量以及综合录井参数的变化为基础，设计了一套“三高”油气井溢流先兆在线监测与预警系统,并利用VC+6.0完成该系统软件的开发。刘福等 15 设计了早期井涌井漏监测系统。该监测系统能实时显示参数和流量的变化，并通过数字和曲线图形展示在监测界面上。它还可以对流量参数进行实时分析,并设定自定义的预警门限和报警门限。预警分为一级和二级，当流量差超过一级预警门限时，参数栏显示黄色；当超过二级预警门限时，参数栏显示红色。在二级预警时，报警门限触发，预警模块发出声音报警。该系统相较于传统监测方式，能提前约7 min发现溢流和井漏情况，对于井控安全具有重要意义，为溢流和井决策树2漏的控制赢取更多的时间，更多的保证了石油工人的安全。李盛等 16 设计了一种基于Android的远程井涌井漏监测系统，该系统具备应对各种复杂钻井状况的能力,并能提前进行分析和决策。特别是井涌井漏监测曲线的实时显示，能够即时反映现场状况。后方专家只需通过Android客户端登录该系统，即可远程访问多井数据，并进行实时决策和现场技术支持。这极大地方便了专家远程指导现场作业，节约了宝贵的决策时间，提高了问题解决的效率和质量，同时最大限度地减少了损失。近几年，国内相关系统和软件平台有了更多的发展,除此之外，中石油和中石化也分别推出了自己的监测平台梦想云和EPCE等，这些监测系统和平台都为未来高精准、高安全、高质量钻井提供了坚实的基础。4结语(1)机器学习算法在井漏监测中的广泛应用，不仅可以实时监测井漏，还能够自动识别和分类不同类型的井漏情况，为工程师提供及时有效的决策支持。但是，井漏监测仍然是一个复杂而具有挑战性的问题。面(下转第18 页）第4 2 卷1833张云华，蒋卓颖，李雨威，等.粉煤灰低密度水泥浆在塔河油田堵漏中的应用 J.石油与天然气化工，2 0 18,4 7(1：79-82.4王中华.聚合物凝胶堵漏剂的研究与应用进展 J.精细与专用化学品，2 0 11,19(4)：16-2 0.5 走赵洪波，单文军，朱迪斯，等.裂缝性地层漏失机理及堵漏材料新进展 J.油田化学，2 0 2 1,3 8（4)：7 4 0-7 4 6.6张桂意，高国强，柴德民，等.预交联水膨体调剖剂的室内评价与应用 J.精细石油化工进展，2 0 0 3,4 4)：4-8.石油化工应用2023年7白宝君，刘伟，李良雄，等.影响预交联凝胶颗粒性能特点的内因分析 J.石油勘探与开发，2 0 0 2,2 9(2):10 3-10 5.8王刚，樊洪海，刘晨超，等.新型高强度承压堵漏吸水膨胀树脂研发与应用 J.特种油气藏，2 0 19,2 6(2):14 7-15 1.9MAGZOUB M I,SALEHI S,HUSSEIN I A,et al.Loss circu-lation in drilling and well construction:The significance ofapplications of crosslinked polymers in wellbore strengthen-ing:A review J.Journal of Petroleum Science&Engineer-ing,2020,185:106653.第4 2 卷(上接第4 页）对各种环境条件和井漏形式的变化，需要进一步完善机器学习算法的准确性。此外,数据的质量和数量也对机器学习的效果产生重要影响，需要进一步改进数据采集和处理的方法，以获得更可靠的训练集。(2)未来,随着技术的不断发展和数据的积累,机器学习在井漏监测中将发挥更加重要的作用。机器学习与领域专家的合作尤为重要，将领域知识与数据驱动的方法相结合，以建立更精确、可靠的井漏监测系统来实现及时发现和预警井漏的工程问题，从而大大降低钻井经济成本和时间成本，可以更好的保证石油工人的安全，提高钻井工程的整体水平。参考文献：1赵洪波，单文军，朱迪斯，等.裂缝性地层漏失机理及堵漏材料新进展 J.油田化学,2 0 2 1,3 8（4)：7 4 0-7 4 6.2暴丹.裂缝地层致密承压封堵机理与钻井液堵漏技术研究D.青岛：中国石油大学（华东）,2 0 2 0.3谢平，蒋丽雯，赵尧，等.基于神经网络的井涌井漏实时预测方法研究 J.现代计算机：专业版，2 0 18，（11):2 3-2 8.4孙金声，白英睿，程荣超，等.裂缝性恶性井漏地层堵漏技术研究进展与展望J.石油勘探与开发,2 0 2 1,4 8(3)：630-638.5王雷雯.基于BP神经网络的钻井防漏堵漏关键参数研究D.成都：西南石油大学，2 0 19.6个何涛，谢显涛，王君，等.利用优化BP神经网络建立裂缝宽度预测模型 J.钻井液与完井液，2 0 2 1,3 8(2):2 0 1-2 0 6.7刘彪，李晓，李双贵，等.基于支持向量回归的井漏预测J.钻采工艺,2 0 19,4 2(6):17-2 0.8AHMED A,ELKATATNY S,ABDULRAHEEM A,et al.Pre-diction of lost circulation zones using support vector machineand radial basis function CJ.International Petroleum Tech-nology Conference,2020.9王鑫，张奇志.改进麻雀搜索算法优化支持向量机的井漏预测 J.科学技术与工程，2 0 2 2,2 2(3 4)：15 115-15 12 2.10 李泽俊.哈法亚油田复杂地层漏失机理与随钻诊断方法研究 D.北京：中国石油大学（北京）,2 0 19.11史肖燕，周英操，赵莉萍，等.基于随机森林的溢漏实时判断方法研究 J.钻采工艺,2 0 2 0,4 3(1):9-12.12陈凯枫，杨学文，宋先知，等.基于工程录井数据的井漏智能诊断方法 J.石油机械,2 0 2 2,5 0(11):16-2 2.13李欣嵘，王玉，鲁泽斐.欠平衡钻井井涌井漏监测系统 J.仪器仪表用户,2 0 12,19(1)：18-2 1.14岳炜杰“三高”油气井溢流先兆在线监测与预警系统设计与开发 D.青岛：中国石油大学（华东）,2 0 14.15刘福，刘江华，纪洪波，等.早期井涌井漏监测系统的设计与应用 J.录井工程,2 0 16,2 7(4):6 0-6 3.16李李盛，孙辉，何成会，等.一种基于Android的远程井涌井漏监测系统设计 J.电子世界,2 0 2 1，（10)：12 5-12 7.17 聂育志.顺托区块钻井液堵漏技术研究 D.青岛：中国石油大学（华东）,2 0 19.18刘树春.基于支持向量机和深度学习的分类算法研究 D.上海：华东师范大学，2 0 15.