CN110778307A - 一种卡钻预警和类型诊断方法 - Google Patents

Abstract

本发明公开了一种卡钻预警和类型诊断方法，包括以下步骤：S1、使用邻井钻井参数的历史数据对PSO‑SVM模型进行训练；S2、获取实时钻井参数的时间序列；S3、对钻井参数时间序列进行平稳化检验和平稳化处理；S4、建立钻井参数的时间序列模型；S5、利用建立好的时间序列模型预测钻井参数在后续时间段内的数据，将预测值输入训练好的PSO‑SVM模型，得到卡钻的预警信息及卡钻类型诊断结果；S6、根据实时测量数据重新训练PSO‑SVM模型，采用最新模型实时更新卡钻预警和卡钻类型诊断结果。本发明实现了在钻井施工过程中能够及时地对卡钻做出预警，并确定相应的卡钻类型，为现场钻井人员提供解卡依据，减少卡钻事故带来的经济损失和安全隐患。

Description

一种卡钻预警和类型诊断方法

技术领域

本发明涉及石油开发技术领域，具体涉及一种卡钻预警和类型诊断方法。

背景技术

在钻井过程中，卡钻事故是最多的井下事故，且卡钻事故的处理过程相对复杂，一旦发生卡钻会造成钻井周期延长，增加钻井成本，处理卡钻的过程中还可能引发坍塌、钻具掉落等其他井下事故，甚至造成井眼报废，带来巨大的经济损失。

目前，在油田通常采用综合录井仪采集井下实时数据，通过人工设定卡钻相关参数的阈值，当实时采集的参数超出设定阈值便进行卡钻报警，卡钻的类型诊断还是依靠录井数据分析人员的工作经验给出初步判断。然而此种预警方法还是与事故发生时间相差无几，并没有达到通过卡钻预警，来避免严重卡钻事故发生的目的。而且卡钻类型的诊断有一定人为因素，极有可能造成误判。减小卡钻损失的最好方法就是提前对卡钻事故做出预警，并对卡钻类型做出合理诊断，为解卡作业提供决策依据。

如申请号为CN201811425245.3的中国专利，提供了一种基于录井大数据的卡钻事故检测预警方法，涉及工程异常检测，包括将录井数据与管理人员的日志数据进行预处理，实现钻井事故自动标注，并对原始数据进行了重新采样和平滑处理，之后根据随机森林模型来处理卡钻数据，最终利用交叉验证方法对学习模型进行调参，从而生成卡钻检测模型。该专利虽然能够对卡钻事故实现较为准确的预警，但是存在无法判断卡钻类型的缺陷。再如申请号为CN201510222418.1的中国专利，提供了一种卡钻的监测系统、方法及装置，它将实测录井数据中的转盘扭矩和大钩负荷与有限元法得到的预测值进行比较，当超出预测值一定范围时，触发卡钻报警，卡钻类型的诊断则是根据事先录入的卡钻分析模型及各底层元素的隶属度来计算各卡钻类型的发生概率。该发明虽然同时实现了卡钻的预警及类型诊断，但是由于它是根据实测值和预测值之间的误差范围来对卡钻做出预警，故此范围的设定对预警精度有极大的影响，造成卡钻误报的概率较大。

发明内容

针对上述问题，本发明提供一种卡钻预警和类型诊断方法,提前对卡钻事故做出预警，并对卡钻类型做出合理诊断，为解卡作业提供决策依据。

本发明采用下述的技术方案：

一种卡钻预警和类型诊断方法，包括以下步骤：

S1、使用邻井钻井参数的历史数据对PSO-SVM模型进行训练；

S2、获取实时钻井参数，并将获取的钻进参数按获取时间先后顺序排列，得到时间序列；

S3、对钻井参数时间序列进行平稳化检验和平稳化处理；

S4、建立钻井参数的时间序列模型，对模型参数及模型的有效性进行检验，对时间序列模型进行优选；

S5、利用建立好的时间序列模型预测钻井参数在后续时间段内的数据，将预测值输入训练好的PSO-SVM模型，得到卡钻的预警信息及卡钻类型诊断结果；

S6、利用后续时间段采集的钻井参数数据更新时间序列模型，并基于本井卡钻发生前后各钻井参数序列，重新训练PSO-SVM模型，采用最新模型实时更新卡钻预警和卡钻类型诊断结果。

优选的，所述邻井钻井参数包括卡钻事故发生与否和发生的各种卡钻类型。

优选的，步骤S1中，所述PSO-SVM模型的训练步骤如下：

S11、初始化粒子群算法PSO参数：设置惯性权重、种群大小及迭代次数；

S12、计算粒子适应度值；

S13、判断是否满足终止迭代的条件：判断迭代次数是否达到预设值，如果未达到则更新粒子速度和位置，转到步骤S12；

S14、满足终止条件时，得到最优参数值惩罚因子C和核函数参数g，进行最终的SVM训练。

优选的，步骤S13中，所述粒子速度和位置的更新按照下式进行：

V_i＝ωV_i+c₁r₁(p_besti-x_i)+c₂r₂(g_besti-x_i) (1)

x_i＝x_i+V_i (2)

式中，p_besti为个体极值；g_besti为全局极值；V_i为粒子速度；x_i为粒子位置；ω为惯性权重；c₁和c₂为学习因子，通常设为2；r₁、r₂是[0,1]内的随机数。

优选的，步骤S2中，所述钻井参数包括泵压、立管压力、转盘扭矩及悬重。

优选的，步骤S3中，所述采用差分法对时间序列数据进行平稳化处理，按照下式进行差分处理：

二阶差分为两个相邻的一阶差分值之间相减，x_t的二阶差分

为：

同理，x_t的d阶差分为：

式中，

分别是一阶、二阶、d阶差分后的时间序列，x_t，x_t-1为当前时刻和前一时刻的参数值，测量参数时间序列为X＝[x_t,t＝1,2,…,N]，其中x表示测量参数时间序列，x_t表示在当前时刻的时间序列中每隔10秒所测量的参数值，t表示每个测量值的时间序号，N表示采样点的个数，d表示差分阶数。

优选的，步骤S4中，所述对时间序列模型进行优选的依据为AIC准则和SBC准则，当模型对应的AIC与SBC值最小时，模型为最优，对应的计算公式为：

AIC＝-2ln(极大似然估计值)+2(模型中未知参数个数) (6)

SBC＝-2ln(极大似然估计值)+ln(n)(模型中未知参数个数) (7)

优选的，所述步骤S4包括以下步骤：

S41、泵压、立管压力、转盘扭矩及悬重ARIMA模型阶数的确定，计算相应参数模型的自相关系数和偏自相关系数，从而确定模型阶数；

S42、泵压、立管压力、转盘扭矩及悬重ARIMA模型参数的确定，利用最小二乘法确定模型参数；

S43、残差的白噪声检验，计算对应模型的LB统计量，对模型残差序列进行白噪声检验；

S44、模型参数的显著性检验，计算t检验统计量，删除不显著参数，得到最简模型；

S45、模型优选：计算AIC和SBC的值，对通过检验的多个模型进行选择。

优选的，所述步骤S5包括以下步骤：

S51、对泵压、立管压力、转盘扭矩及悬重后续时间段内的数据进行预测；

S52、将预测值作为PSO-SVM模型的输入数据，得到卡钻预警及类型诊断结果。

本发明的有益效果是：

1、本发明在卡钻发生之前，泵压、立管压力、转盘扭矩、悬重等钻井参数都会在一定时间内呈现出相应的变化规律，通过传感器提取各参数随时间变化的实时序列，建立预测模型。

2、本发明采用了基于时间序列的预测方法，可以充分挖掘各卡钻参数所含有的信息，最后得到的各参数预测值具有较高精度。

3、本发明将卡钻特征参数的预测值作为PSO-SVM模型的输入端，在对卡钻做出及时预警的前提下，还能判断出卡钻类型，较之那些只能对卡钻作出简单报警的系统，本发明的时效性和实用性更胜一筹。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例的附图作简单地介绍，显而易见地，下面描述中的附图仅仅涉及本发明的一些实施例，而非对本发明的限制。

图1为本发明的流程示意图；

图2为本发明的ARIMA模型建模流程示意图；

图3为本发明的PSO-SVM模型建模流程示意图；

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图，对本发明实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

下面结合附图和实施例对本发明进一步说明。

如图1至图3所示：

S1、使用邻井钻井参数的历史数据对PSO-SVM模型进行训练；所述邻井钻井参数包括卡钻事故发生与否和发生的各种卡钻类型。所述PSO-SVM模型的训练步骤如下：

S11、初始化粒子群算法PSO参数：设置惯性权重、种群大小及迭代次数；

S12、计算粒子适应度值，所述粒子适应度值是更新个体、群体极值的依据；

S13、判断是否满足终止迭代的条件：判断迭代次数是否达到预设值，如果未达到则更新粒子速度和位置，转到步骤S12；所述粒子速度和位置的更新按照下式进行：

V_i＝ωV_i+c₁r₁(p_besti-x_i)+c₂r₂(g_besti-x_i) (1)

x_i＝x_i+V_i (2)

式中，p_besti为个体极值；g_besti为全局极值；V_i为粒子速度；x_i为粒子位置；ω为惯性权重；c₁和c₂为学习因子，通常设为2；r₁、r₂是[0,1]内的随机数。

S14、满足终止条件时，得到最优参数值惩罚因子C和核函数参数g，进行最终的SVM训练。

S2、获取实时钻井参数，所述钻井参数包括泵压、立管压力、转盘扭矩及悬重，钻井过程中，实时测量泵压、立管压力、转盘扭矩及悬重，并将获取的钻进参数按获取时间先后顺序排列，得到泵压、立管压力、转盘扭矩及悬重的时间序列；

S3、对泵压、立管压力、转盘扭矩及悬重时间序列进行平稳化检验和平稳化处理,包括以下步骤：

(1)序列的平稳性检验：对输入的泵压、立管压力、转盘扭矩及悬重时间序列进行平稳性检验，若序列不平稳就对其进行平稳化处理；所述平稳性检验是采用自相关系数对序列进行平稳性鉴定。平稳序列具有短期相关性，即随着延迟期数k的增加，平稳序列的自相关系数

就会快速地向零衰减，反之，非平稳序列的自相关系数趋向零的速度比较缓慢。自相关系数的计算式为：

为自相关系数，x_t为各相关钻井参数的时间序列，为各相关钻井参数时间序列的均值。

(2)序列的平稳化处理：对不平稳的时间序列数据进行差分运算，直到各时间序列平稳。

所述差分运算，按照以下进行处理：

二阶差分为两个相邻的一阶差分值之间相减，x_t的二阶差分

为：

同理，x_t的d阶差分为：

式中，

分别是一阶、二阶、d阶差分后的时间序列，x_t，x_t-1为当前时刻和前一时刻的参数值，测量参数时间序列为X＝[x_t,t＝1,2,…,N]，其中x表示测量参数时间序列，x_t表示在当前时刻的时间序列中每隔10秒所测量的参数值，t表示每个测量值的时间序号，N表示采样点的个数，d表示差分阶数。

S4、建立钻井参数的时间序列模型，对模型参数及模型的有效性进行检验，对时间序列模型进行优选；所述对时间序列模型进行优选的依据为AIC准则和SBC准则，当模型对应的AIC与SBC值最小时，模型为最优，对应的计算公式为：

AIC＝-2ln(极大似然估计值)+2(模型中未知参数个数) (6)

SBC＝-2ln(极大似然估计值)+ln(n)(模型中未知参数个数) (7)

包括以下步骤：

S41、泵压、立管压力、转盘扭矩及悬重ARIMA(p,d,q)模型阶数的确定，计算相应参数模型的自相关系数和偏自相关系数，从而确定模型阶数；

所述ARIMA(p,d,q)模型的计算公式如下：

式中，p为自回归阶数，q为移动平均阶数，B为延迟算子，d为差分阶数；Φ(B)＝1-φ₁B-…-φ_pB^p为自回归系数多项式，Θ(B)＝1-θ₁B-…-θ_qB^q为移动平滑多项式，φ_p、θ_q为自回归系数，ε_t为随机扰动序列；

计算过程如下：

令

残差项为：

得到残差平方和：

当

取到最小值时对应的那组参数值，就是为最小二乘估计值，即此模型的最优参数。

所述偏自相关系数的计算公式如下：

其中，

式中，

为自相关系数，

为偏自相关系数，

为自相关系数

构成的行列式，

为将

中第k个列向量换为自相关系数向量

后构成的行列式。

S42、泵压、立管压力、转盘扭矩及悬重ARIMA(p,d,q)模型参数的确定，利用最小二乘法确定模型参数；

S43、残差的白噪声检验(模型有效性检验就是拟合模型残差项的白噪声检验，因为如果拟合模型较差，其对应的残差项必然存在与序列相关的信息，即非白噪声序列)，计算对应模型的LB(Ljung-Box)统计量，对模型残差序列进行白噪声检验；检验过程如下：

检验统计量为LB(Ljung-Box)检验统计量，它服从自由度为m的卡方分布：

式中，

为自相关系数,χ²(m)为自由度为m的卡方分布,n为序列观测期数，m为指定延迟期数且满足(1≤k≤m)

当LB统计量大于χ_1-α ²(m)分位点时，残差序列是白噪声序列，模型显著有效，反之需重新拟合。

S44、模型参数的有效性检验，计算t检验统计量，删除不显著参数，得到最简模型；所述参数的有效性检验是为了剔除模型中不显著非零的参数，使得模型简化便于拟合，最终模型由参数显著非零的一系列自变量表示。其检验过程为：

检验假设：

记

是

的最小二乘估计，在正态分布假设下，第j个未知参数的最小二乘估计值

服从正态分布：

且

式中，H₀为原假设，H₁为备择假设，β_j为第j个未知参数的最小二乘估计值，a_jj为矩阵(X′X)^-1中第j行第j列的数值，

为未知参数序列的均值，

为未知参数序列的方差，σ_ε ²为残差的方差，

为残差平方和。

由正态分布的性质，有：

得到t检验统计量：

当检验统计量的绝对值大于自由度为n-m的t分布的1-α分位点：

|T|≥t_1-α(n-m)

即该检验统计量的P值小于α时，认为该参数显著非零；否则删除不显著参数所对应的自变量后重新拟合。

S45、模型优选：计算AIC和SBC的值，对通过检验的多个模型进行选择。

S5、利用建立好的时间序列模型预测钻井参数在后续时间段内的数据，将预测值输入训练好的PSO-SVM模型，得到卡钻的预警信息及卡钻类型诊断结果，包括以下步骤：

S51、对泵压、立管压力、转盘扭矩及悬重后续时间段内的数据进行预测；

S52、将预测值作为PSO-SVM模型的输入数据，得到卡钻预警及类型诊断结果。

所述预测是基于最小均方差原理对未来各参数序列进行预测。ARIMA参数时间序列模型可以用随机扰动项的线性函数表示，即：

x_t＝ε_t+ψ₁ε_t-1+ψ₂ε_t-2+…＝ψ(B)ε_t

采用Φ(B)(1-B)^dψ(B)＝Θ(B)确定ψ₁,ψ₂,…

ψ₁,ψ₂,…满足下式：

其中，

从而求得x_t+l的真实值：

x_t+l＝(ε_t+l+ψ₁ε_t+l-1+…+ψ_l-1ε_t+1)+(ψ_lε_t+ψ_l+1ε_t-1+…)

但是，对于参数ε_t+l,ε_t+l-1等不能够直接获得，因此x_t+l的估计量为：

真实值和估计值之间的均方误差为：

在使得均方误差最小情况下(当

时)，l期估计值为：

l期估计误差为：

e_t(l)＝ε_t+l+ψ₁ε_t+l-1+…+ψ_t-1ε_t+1

所以，估计值加上估计误差就是预测的真实值：

x_t+l＝(ψ_lε_t+ψ_l+1ε_t-1+ψ_l+2ε_t-2+…)+(ε_t+l+ψ₁ε_t+l-1+…+ψ_t-1ε_t+1)

S6、利用后续时间段采集的钻井参数数据更新时间序列模型，并基于本井卡钻发生前后各钻井参数序列，重新训练PSO-SVM模型，采用最新模型实时更新卡钻预警和卡钻类型诊断结果。

以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。

Claims (9)

1.一种卡钻预警和类型诊断方法，其特征在于，包括以下步骤：

S1、使用邻井钻井参数的历史数据对PSO-SVM模型进行训练；

S2、获取实时钻井参数，并将获取的钻进参数按获取时间先后顺序排列，得到时间序列；

S3、对钻井参数时间序列进行平稳化检验和平稳化处理；

S4、建立钻井参数的时间序列模型，并对模型参数及模型的有效性进行检验，对时间序列模型进行优选；

S5、利用建立好的时间序列模型预测钻井参数在后续时间段内的数据，将预测值输入训练好的PSO-SVM模型，得到卡钻的预警信息及卡钻类型诊断结果；

S6、利用后续时间段采集的钻井参数数据更新时间序列模型，并基于本井卡钻发生前后各钻井参数序列，重新训练PSO-SVM模型，采用最新模型实时更新卡钻预警和卡钻类型诊断结果。

2.根据权利要求1所述的一种卡钻预警和类型诊断方法，其特征在于，所述邻井钻井参数包括卡钻事故发生与否和发生的各种卡钻类型。

3.根据权利要求1所述的一种卡钻预警和类型诊断方法，其特征在于，步骤S1中，所述PSO-SVM模型的训练步骤如下：

S11、初始化粒子群算法PSO参数：设置惯性权重、种群大小及迭代次数；

S12、计算粒子适应度值；

S13、判断是否满足终止迭代的条件：判断迭代次数是否达到预设值，如果未达到则更新粒子速度和位置，转到步骤S12；

S14、满足终止条件时，得到最优参数值惩罚因子C和核函数参数g，进行最终的SVM训练。

4.根据权利要求3所述的一种卡钻预警和类型诊断方法，其特征在于，步骤S13中，所述粒子速度和位置的更新按照下式进行：

V_i＝ωV_i+c₁r₁(p_besti-x_i)+c₂r₂(g_besti-x_i) (1)

x_i＝x_i+V_i (2)

式中，p_besti为个体极值；g_besti为全局极值；V_i为粒子速度；x_i为粒子位置；ω为惯性权重；c₁和c₂为学习因子，通常设为2；r₁、r₂是[0,1]内的随机数。

5.根据权利要求1所述的一种卡钻预警和类型诊断方法，其特征在于，步骤S2中，所述钻井参数包括泵压、立管压力、转盘扭矩及悬重。

6.根据权利要求1所述的一种卡钻预警和类型诊断方法，其特征在于，步骤S3中，所述采用差分法对时间序列数据进行平稳化处理，按照下式进行差分处理：

二阶差分为两个相邻的一阶差分值之间相减，x_t的二阶差分

为：

同理，x_t的d阶差分为：

式中，

分别是一阶、二阶、d阶差分后的时间序列，x_t，x_t-1为当前时刻和前一时刻的参数值，测量参数时间序列为X＝[x_t,t＝1,2,…,N]，其中x表示测量参数时间序列，x_t表示在当前时刻的时间序列中每隔10秒所测量的参数值，t表示每个测量值的时间序号，N表示采样点的个数，d表示差分阶数。

7.根据权利要求1所述的一种卡钻预警和类型诊断方法，其特征在于，步骤S4中，所述对时间序列模型进行优选的依据为AIC准则和SBC准则，当模型对应的AIC与SBC值最小时，模型为最优，对应的计算公式为：

AIC＝-2ln(极大似然估计值)+2(模型中未知参数个数) (6)

SBC＝-2ln(极大似然估计值)+ln(n)(模型中未知参数个数) (7) 。

8.根据权利要求1所述的一种卡钻预警和类型诊断方法，其特征在于，所述步骤S4包括以下步骤：

S41、泵压、立管压力、转盘扭矩及悬重ARIMA模型阶数的确定，计算相应参数模型的自相关系数和偏自相关系数，从而确定模型阶数；

S42、泵压、立管压力、转盘扭矩及悬重ARIMA模型参数的确定，利用最小二乘法确定模型参数；

S43、残差的白噪声检验，计算对应模型的LB统计量，对模型残差序列进行白噪声检验；

S44、模型参数的显著性检验，计算t检验统计量，删除不显著参数，得到最简模型；

S45、模型优选：计算AIC和SBC的值，对通过检验的多个模型进行选择。

9.根据权利要求1所述的一种卡钻预警和类型诊断方法，其特征在于，所述步骤S5包括以下步骤：

S51、对泵压、立管压力、转盘扭矩及悬重后续时间段内的数据进行预测；

S52、将预测值作为PSO-SVM模型的输入数据，得到卡钻预警及类型诊断结果。

Images