机器学习在井漏监测中的研究进展

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,阐述了井漏发生的特点,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井漏预测预警中的应用以及智能化井漏监测系统研究现状。与传统的人工判断井漏事故发生相比,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井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。

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。

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%。

井漏的预防和处理

井漏是钻井过程中井筒内钻井液或其他介质(固井水泥浆等)漏人地层孔隙、裂缝等空间的现象。井漏是钻井过程中最复杂的问题之一,是引发其它恶性事故的重要隐患。井漏也是钻井工程中常见的井内复杂情况,多数钻井过程都有不同程度的漏失。轻微的井漏会导致钻井作业中断,严重的井漏处理会浪费大量的人力、物力和财力,如果井漏处理不当或者不及时,因井内液柱压力下降引起井壁失稳造成井壁坍塌从而造成卡钻事故,甚至导致部分井眼或全部井段报废。特别是有进无出的大漏如不能及时发现采取措施进行控制,常常会诱发地层流体涌入井筒发生井涌或井喷事故。井漏的原因通常是井筒内液柱压力大于地层压力;根据漏失速度来分井漏可分为渗透性漏失、裂缝性漏失及溶洞性漏失。