CN107153881B - 一种钻井风险的预测方法 - Google Patents

Abstract

本发明公开了一种钻井风险的预测方法，该预测方法包括：获取目标井当前深度的实时数据向量；建立时间窗，并在时间窗内建立指定时间间隔的实时数据向量集合；处理实时数据向量集合，并作为待预测案例向量；根据目标井的各临近井，获取与待预测案例向量的地理特征相符的各现有案例向量；获取与待预测案例向量匹配的各现有案例向量；根据与待预测案例向量匹配的现有案例向量对应的临近井，预测目标井的钻井风险。本发明可以在钻井施工阶段对井下风险进行提前预知和识别，进而控制隐患，给出风险提示。

Description

一种钻井风险的预测方法

技术领域

本发明涉及地质勘探技术领域，具体地说，涉及一种钻井风险的预测方法。

背景技术

随着油气资源勘探开发的日益深入，钻井施工难度也越来越大，很多情况下油气埋藏较深，相关地层的属性复杂，钻井过程中极易发生井漏、井涌及卡钻等各类复杂情况，令非生产时间占总钻井时间的比例较高，井下故障处理费用占钻井总费用的比例也较大，严重影响勘探开发进度和总体经济效益。因此，如何安全有效地管理和控制井下风险，已经成为石油公司和钻井承包商的核心问题和主要难题之一。

现有技术中的钻井风险的预测方法或是通过传感器观察现场现象，或是在井漏发生之后根据井漏的各种特性来确定，或是对引起井漏发生的地质特征进行这家模糊评价宏观得到某地区的潜在井漏风险，或是利用待预测井的部分参数同邻井井漏的一些“特征值”相匹配。但这些方法不可避免地存在预测精度低、实现成本高等技术问题。

发明内容

为解决以上问题，本发明提供一种钻井风险的预测方法，用以在钻井施工阶段对井下风险进行提前预知和识别，进而控制隐患，给出风险提示。

根据本发明的一个实施例，提供了一种钻井风险的预测方法，包括：

获取目标井当前深度的实时数据向量；

建立时间窗，并在所述时间窗内建立指定时间间隔的实时数据向量集合；

处理所述实时数据向量集合，并作为待预测案例向量；

根据所述目标井的各临近井，获取与所述待预测案例向量的地理特征相符的各现有案例向量；

获取与所述待预测案例向量匹配的各现有案例向量；

根据与所述待预测案例向量匹配的现有案例向量对应的临近井，预测所述目标井的钻井风险。

根据本发明的一个实施例，处理所述实时数据向量集合，并作为待预测案例向量包括：

计算所述实时数据向量集合的平均值；

计算所述实时数据向量与所述实时数据向量集合的平均值的差值，并将所述差值作为待预测案例向量。

根据本发明的一个实施例，根据所述目标井的各临近井，获取与所述待预测案例向量的地理特征相符的各现有案例向量包括：

根据与所述目标井的距离由近至远，对各临近井进行排序；

按照所述排序，获取与所述待预测案例向量的地理特征相符的各现有案例向量。

根据本发明的一个实施例，按照所述排序，获取与所述待预测案例向量的地理特征相符的各现有案例向量之后，还包括：

获取待匹配的现有案例向量的特征分量权值数组；

判断所述待预测案例向量与待匹配的现有案例向量的维数是否相等，若不相等，则调整所获取的现有案例向量的特征分量权值数组。

根据本发明的一个实施例，调整所获取的现有案例向量的特征分量权值数组包括：

基于下式调整现有案例向量的特征分量权值数组中的每个权值：

其中，j∈[1,m]，weight_j表示调整前的现有案例向量的特征分量权值数组中的每个权值，w_j表示调整后的现有案例向量的特征分量权值数组中的每个权值，如果第j个权值对应的特征f_j∈{xi}，xi表示待预测案例向量中的特征分量，i∈[1,n]，则p_j＝1，否则p_j＝0，m、n表示权值数量；

删除调整后的现有案例向量的特征分量权值数组中为零的权值，使现有案例向量的特征分量权值数组的权值数量从m降到n。

根据本发明的一个实施例，获取与所述待预测案例向量匹配的现有案例向量之前，还包括：

利用特征分量权值数组，匹配所述待预测案例向量与每一现有案例向量；

获取所述待预测案例向量与每一现有案例向量的相似度，并将相似度由大至小进行排序。

根据本发明的一个实施例，获取所述待预测案例向量与每一现有案例向量的相似度包括：

基于下式计算所述待预测案例向量与每一现有案例向量的相似度：

其中，

表示相似度，w_i表示调整后的现有案例向量的特征分量权值数组中的特征分量权值，x_i表示待预测案例向量中的特征分量,y_ki表示现有案例向量中的特征分量，X表示待预测案例向量，Y_k表示现有案例向量。

根据本发明的一个实施例，获取与所述待预测案例向量匹配的现有案例向量包括：

获取用户输入的相似度阈值或获取数量，由相似度排序中获取对应的现有案例向量及所属临近井。

根据本发明的一个实施例，建立时间窗包括：

获取用户输入的时间窗宽度；

根据所述时间窗宽度与所述当前时刻建立所述时间窗。

根据本发明的一个实施例，所述时间窗的终点为当前时刻。

本发明带来了以下有益效果：

本发明基于随时间推移的时间窗口来筛选数据，结合动态权值调整策略，对目标井的实时钻井过程进行风险监控，提取临近井的历史数据，通过比对实时钻井工程参数和井筒周遭地质情况参数，最大限度提前推理预估前方井段的井下风险，及时识别风险隐患并给出提示，从而最大限度避免钻井作业中风险的发生。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要的附图做简单的介绍：

图1是本发明实施例提供的钻井风险的预测方法的流程示意图。

具体实施方式

以下将结合附图及实施例来详细说明本发明的实施方式，借此对本发明如何应用技术手段来解决技术问题，并达成技术效果的实现过程能充分理解并据以实施。需要说明的是，只要不构成冲突，本发明中的各个实施例以及各实施例中的各个特征可以相互结合，所形成的技术方案均在本发明的保护范围之内。

本发明实施例提供了钻井风险的预测方法，如图1所示，该钻井风险的预测方法包括如下步骤：

步骤S101、获取目标井当前深度的实时数据向量。

具体的，获取目标井当前深度的各项参数，形成n维实时数据向量：

r_t0＝{r_t01,r_t02,...,r_t0n} (1)

其中，t₀为当前时刻。

步骤S102、建立时间窗，并在该时间窗内建立指定时间间隔的实时数据向量集合。

具体的，本发明实施例中，时间窗的终点为当前时刻。而时间窗的时间窗宽度可以由用户输入。实际应用时，可以取时间窗宽度为10-25分钟左右。时间窗内包含了指定时间间隔的数据向量：

其中，w∈[t₀-q+1,t₀]，r_w是w时刻的实时数据向量，q为时间窗口宽度。

显然，在现场实时检测数据进行风险识别的时候，把时间窗的终点作为当前时刻，随时间的增加，则时间窗会相应向前推移。根据时间窗口的宽度，将会丢弃已超出时间窗宽度的数据。

步骤S103、处理实时数据向量集合，并作为待预测案例向量。

具体的，将r和W中实时数据向量的平均值的差作为待预测案例向量X，即：

其中：x_i表示待预测案例向量中的各个特征分量，i∈[1，n]。

步骤S104、根据目标井的各临近井，获取与待预测案例向量的地理特征相符的各现有案例向量。

一口目标井的周围通常设置有很多的临近井，在获取临近井的现有案例向量进行匹配时，应当有先后顺序，这样能够提高分析速度和分析的准确程度。

因此，在本发明的实施例中，首先调取目标井的井口地面坐标，从目标井与其他临近井的位置表中，得到其他各临近井与目标井之间的距离，按照距离由近至远排序各临近井，得到临近井的井号顺序数组well[o]，该数组中包括o口临近井。

由于不同地方的同一深度的地层情况是不同的，而地层情况具有一定的延续性，因此距离目标井越近的临近井，其地层结构、情况、性质可能与目标井越接近。所以，在本发明的实施例中，得到临近井的井号顺序数组well[o]之后，设定井号索引p＝0，按序依次查看井号顺序数组well[o]中的各临近井是否存在与待预测案例向量的地理特征相符的各现有案例向量。

之后，井号索引p增加1，从well[o]中顺序提取井号wn_p，并且设案例索引k＝0。

案例索引k增加1，从案例表中取出wn_p井的一个已有案例，同时查询米数据表和地层压力表的数据，根据当前X中对应的特征，提取已有案例中的数据形成现有案例向量Y_k＝(y_k1,y_k2,…,y_km)，其中m为任意正整数。而如果wn_p已经没有已有案例，则更换下一口临近井继续迭代，直至p>o。

查询现有案例向量Y_k所在临近井的特征分量权值数组weight[m]。一般来说，已有案例是事后分析整理形成的，收集的数据参数较多，现场情况由于各种条件限制，有可能无法获取到m个数据参数。因此，一般m大于等于n，需要进行特征分量权值数组的降维。当m>n时，需要生成一个新的权值数组weight[n]。在实际环境有所限制，获取参数不足，此方法通过动态权值调整，也可以在实际生产中应用，给出预测结果，扩大应用范围。

具体的，当m>n时，使用下式调整weight[m]中的每个权值：

其中，j∈[1,m]，weight_j表示调整前的现有案例向量的特征分量权值数组中的每个权值，w_j表示调整后的现有案例向量的特征分量权值数组中的每个权值，如果第j个权值对应的特征f_j∈{x_i}，则p_j＝1，否则p_j＝0。

接着，删除调整后的现有案例向量的特征分量权值数组中为零的权值，使现有案例向量的特征分量权值数组的权值数量从m降到n。

当m＝n时，则无需对特征分量权值数组weight[m]进行降维调整。

之后，利用降维后的特征分量权值数组weight[m]对X和Y计算案例相似度值

相似度计算如下：

其中，

表示相似度，w_j表示调整后的现有案例向量的特征分量权值数组中的特征分量权值，x_i表示待预测案例向量中的特征分量,y_ki表示现有案例向量中的特征分量。将

存储到相似度数组S中。之后，提取下一个现有案例向量案例Y_k+1，继续迭代。

步骤S105、获取与待预测案例向量匹配的各现有案例向量。

即对相似度数组S中的各元素进行由大至小排序，根据由用户指定的相似度阈值或者检索数量要求取相应的记录，作为检索结果返回。

步骤S106、根据与待预测案例向量匹配的现有案例向量对应的临近井，预测目标井的钻井风险。

用户可根据反馈的检索结果，获取对应的临近井，并参考临近井的数据，以预测目标井是否会产生钻井风险，预测结果准确、可靠性较高。

显然，本发明可用于钻井施工阶段对井下风险进行提前预估和识别，进而控制隐患，并给出风险提示；在施工过程中，对实时工程数据和井筒周遭地质数据进行有序采集和实时监测，通过提出的方法步骤，提取已有的信息，计算、识别和预测前方井下风险情况，弥补人为监测的疏漏，提高钻井过程风险预测能力，有效保障钻井施工的安全。

为了更好地说明本发明实施例的有益效果，现提供俩具体实施场景如下：

实施场景1：

针对元坝**2井的相关风险段，读取构建好的案例数据库，装载相应地层的地质信息和当时的工程信息数据，应用案例推理算法，开始循环迭代，进行案例检索，当迭代至井深约22米处时，案例检索算法发现与案例库中存在的元坝**1井在41.73米处发生的井漏案例的相似度超过预设阈值，经分析，元坝102井22米处与11井同处剑门关组，各项工程参数波动趋势相同，因此具有很高的提示作用。后经记录验证，发现元坝**2井在同年7月25日4时许，钻第二层导眼至井深22.50m时发生井漏，钻井液失返，排量80l/s。

实施场景2：

针对元坝**2井进行迭代预测，发现迭代至约为井深5982米处，各项参数变化趋势与案例库中元坝**1井相关案例相似，识别为井涌风险，经分析，案例涉及钻进地层同属嘉陵江组，特征参数相似度超过预设阈值，后经现场记录验证，元坝222井于同年10月13日1:04复合钻进至井深5985.96m，当时井内泥浆密度1.54g/(cm)³，层位：嘉陵江组(二段)，发现液面上涨0.72m³，静止观察泥浆累计溢流1.67m³，立即关井。

显然，上述两实施场景均验证了本方法的有效性。

综上所述，本发明设计了一种基于时间窗口和动态权值调整的井下复杂情况案例推理方法，其基于随时间推移的时间窗口来筛选数据，结合动态权值调整策略，对目标井的实时钻井过程进行风险监控，提取临近井的历史数据，通过比对实时钻井工程参数和井筒周遭地质情况参数，最大限度提前推理预估前方井段的井下风险，及时识别风险隐患并给出提示，从而最大限度避免钻井作业中风险的发生。

虽然本发明所公开的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属技术领域内的技术人员，在不脱离本发明所公开的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。

Claims (7)

1.一种钻井风险的预测方法，其特征在于，包括：

获取目标井当前深度的实时数据向量，其中，所述实时数据为目标井的录井数据；

建立时间窗，并在所述时间窗内建立指定时间间隔的实时数据向量集合；

处理所述实时数据向量集合，并作为待预测案例向量；

根据与所述目标井的距离由近至远，对各临近井进行排序，按照所述排序，获取与所述待预测案例向量的地理特征相符的各现有案例向量；

获取待匹配的现有案例向量的特征分量权值数组；

判断所述待预测案例向量与待匹配的现有案例向量的维数是否相等，若不相等，则调整所获取的现有案例向量的特征分量权值数组；

其中，调整所获取的现有案例向量的特征分量权值数组包括：

基于下式调整现有案例向量的特征分量权值数组中的每个权值：

其中，j∈[1,m]，weight_j表示调整前的现有案例向量的特征分量权值数组中的每个权值，w_j表示调整后的现有案例向量的特征分量权值数组中的每个权值，如果第j个权值对应的特征f_j∈{xi}，xi表示待预测案例向量中的特征分量，i∈[1,n]，则p_j＝1，否则p_j＝0，m、n表示权值数量；

删除调整后的现有案例向量的特征分量权值数组中为零的权值，使现有案例向量的特征分量权值数组的权值数量从m降到n；

获取与所述待预测案例向量匹配的各现有案例向量；

根据与所述待预测案例向量匹配的现有案例向量对应的临近井，预测所述目标井的钻井风险。

2.根据权利要求1所述的预测方法，其特征在于，处理所述实时数据向量集合，并作为待预测案例向量包括：

计算所述实时数据向量集合的平均值；

计算所述实时数据向量与所述实时数据向量集合的平均值的差值，并将所述差值作为待预测案例向量。

3.根据权利要求1所述的预测方法，其特征在于，获取与所述待预测案例向量匹配的现有案例向量之前，还包括：

利用特征分量权值数组，匹配所述待预测案例向量与每一现有案例向量；

获取所述待预测案例向量与每一现有案例向量的相似度，并将相似度由大至小进行排序。

4.根据权利要求3所述的预测方法，其特征在于，获取所述待预测案例向量与每一现有案例向量的相似度包括：

基于下式计算所述待预测案例向量与每一现有案例向量的相似度：

其中，

表示相似度，w_i表示调整后的现有案例向量的特征分量权值数组中的特征分量权值，x_i表示待预测案例向量中的特征分量,y_ki表示现有案例向量中的特征分量，X表示待预测案例向量，Y_k表示现有案例向量。

5.根据权利要求4所述的预测方法，其特征在于，获取与所述待预测案例向量匹配的现有案例向量包括：

获取用户输入的相似度阈值或获取数量，由相似度排序中获取对应的现有案例向量及所属临近井。

6.根据权利要求1所述的预测方法，其特征在于，建立时间窗包括：

获取用户输入的时间窗宽度；

根据所述时间窗宽度与所述当前时刻建立所述时间窗。

7.根据权利要求6所述的预测方法，其特征在于，所述时间窗的终点为当前时刻。

Images