面向溢流与井漏监测的钻井液池体积趋势校正方法

钻井液池体积是溢流和井漏监测的常用参数。在钻井正常施工时,随着井筒容积的变化以及井筒内钻井液与地层流体的交换,钻井液池体积会产生与溢流和井漏发生时相似的“类风险趋势”,导致现有的溢流与井漏监测方法易产生误报,降低了溢流与井漏监测方法在现场应用时的有效性。针对此问题,文章首先分析了导致池体积产生“类风险趋势”的原因,建立了钻进与起下钻工况下池体积的正常变化模型,利用建立的模型校正池体积的“类风险趋势”,降低溢流与井漏监测的误报率;然后,建立了基于规则推理的溢流与井漏监测模型,用于测试池体积的“类风险趋势”对溢流与井漏监测的影响。利用现场实测的4500组钻井数据,采用基于规则推理的溢流与井漏监测方法开展了风险监测实验,结果表明,在进行池体积趋势校正后,溢流与井漏风险监测的误报率由10.03%降低至3.06%。

结合LSTM自编码器与集成学习的井漏智能识别方法

为了解决传统的井漏智能识别模型因井漏样本数量受限导致其识别准确率低的问题,提出了一种长短期记忆(long short-term memory,LSTM)网络与自编码器(auto-encoder,AE)相结合、集成LSTM-AE的井漏智能识别方法。首先,采用正常样本训练多个包含不同隐藏层神经元数目的LSTM-AE模型,利用重构得分筛选出识别效果较好的几个模型作为基识别器;然后,采用集成学习对多个基识别器的识别结果进行加权融合,解决单一模型因对样本局部特征过度学习导致的误报与漏报问题,提高模型的识别准确率。从某油田18口井的钻井数据中选取了6000组正常钻进状态下的立压、出口流量、池体积数据,对集成LSTM-AE模型进行训练和测试,结果表明,提出方法的识别准确率达到了94.7%,优于其他常用的智能模型的识别结果,为井漏识别提供了一种新的技术途径。

基于门控循环单元网络的钻井井漏智能监测方法

井漏是钻井过程中常见的钻井风险,若对该风险发现、处理不及时,极易导致井塌事故,轻则延长施工周期,重则危害现场人员人身安全。为了提高油气井钻井过程中井漏风险识别的准确性,降低风险识别对人为经验的依赖,结合钻井参数的非线性以及长时依赖特征,提出了一种基于门控循环单元(Gated Recurrent Unit,GRU)网络的井漏风险智能识别方法。该模型以池体积、出口流量和立管压力作为监测参数构建GRU网络,能够提取监测参数的时间序列特征,以实现对井漏风险的准确识别。利用现场实测钻井数据对模型进行了实验测试,结果表明,该方法对井漏风险的识别准确率达到了90.1%,优于长短期记忆网络的识别结果。

结合钻井工况与Bi-GRU的溢流与井漏监测方法

现有根据钻井液池体积和钻井液出口流量变化监测溢流与井漏的方法,未考虑开、停泵工况对出口流量和钻井液池体积变化的影响,易导致误报。为了降低误报率,分析了钻井工况与钻井液池体积和钻井液出口流量之间的相关关系,提出了一种结合钻井工况与双向门控循环单元(bidirectional-gated recurrent unit,Bi-GRU)的溢流与井漏智能监测方法。利用23口井的溢流与井漏监测数据,对提出的模型与现有典型模型分别进行了测试,结果表明:基于Bi-GRU的溢流与井漏智能监测模型的识别准确率为94.25%,优于其他模型;与未考虑钻井工况的Bi-GRU模型相比,误报率由12.52%降至1.12%。研究表明,该方法能够消除溢流与井漏监测时因开、停泵导致的风险误报,能为安全钻井提供技术支持。

基于DCC-LSTM的钻井液微量漏失智能监测方法

钻井过程中发生钻井液漏失时,现有的井漏智能监测方法,难以获取长时数据序列特征,无法实现对微量漏失的及时监测和预警,进而容易导致更为严重的漏失发生。为此,提出了一种结合扩张因果卷积网络(Dilated and Causal Convolution,DCC)特征映射能力和长短期记忆网络(Long Short-Term Memory,LSTM)时序特征提取能力的DCC-LSTM钻井液微量漏失智能监测方法,弥补长短期记忆网络对于长期记忆衰减的不足,实现了对钻井液微量漏失的准确监测和预测。研究结果表明:①DCC-LSTM井漏智能监测模型利用扩张因果卷积网络提取监测参数的长时特征,并将其映射为短序列表示,利用长短期记忆网络处理特征短序列获取监测数据的长时变化趋势,实现了微量漏失的准确监测;②扩张因果卷积网络层数确定方法可以获得最佳网络层数,得到的DCC网络结构使LSTM对长时序列趋势信息的遗忘减少24%;③与其他井漏监测方法相比,DCC-LSTM网络能够准确监测早期微量漏失,井漏预警时间最长可提前26 min,监测准确率由96.9%提升至99.4%,漏报率由6.4%降低为1.1%。结论认为,该方法能够获取监测参数的长时趋势变化特征,经矿场试验验证与其他方法相比有明显优势,为微量漏失监测和预测提供一种可行的方法,对油气钻井井漏风险的防控具有重要指导意义。

随钻井下振动数据分析软件设计与实现

随钻井下振动数据的分析和处理对安全钻井、仪器维保策略选择、钻具疲劳损伤评估、钻进效率评估等具有重要意义。文中在Visual Studio环境下,利用C#语言开发了随钻井下振动数据分析软件,对振动数据进行时域和频域分析,实现了振动信号时域波形显示、振动量级统计分析、振动信号频谱分析、横向和纵向特征强度计算、粘滑比计算、井下异常振动状态识别等功能,解决了大数据文件的快速读取问题,提高了软件的运行效率和鲁棒性。利用该软件对现场实测振动数据的分析结果表明,振动数据分析结果正确,软件运行稳定,数据处理速度快,满足用户使用需求。

基于C#与Python混合编程的钻井溢漏风险智能识别平台

为了提高油气井钻井过程中溢漏风险识别的准确性,降低风险识别对人为经验的依赖,该文综合利用井下随钻测量数据及地面录井数据,提出了基于长短期记忆网络的钻井溢漏风险智能识别方法。利用C#执行效率高、Python利于建立深度学习模型的优势,基于C#与Python混合编程设计开发了钻井溢漏风险智能识别实验系统软件平台。首先,在Python平台下建立基于长短期记忆网络的溢漏风险识别模型,利用溢漏样本数据对识别模型进行训练,优化确定模型参数;再利用C#语言开发溢漏风险智能识别实验系统软件,通过C#调用在Python平台下训练好的长短期记忆网络模型实现对溢漏风险的智能判别。利用现场实测数据对软件的风险识别性能进行的实验测试结果表明,软件能够准确识别溢流和井漏风险,且与钻井现场采用的泥浆池液面监测法相比时间上有所提前。