CN110795853A - 一种油气钻井过程中早期溢流层位随钻识别方法 - Google Patents

Abstract

本发明公开了一种油气钻井过程中早期溢流层位随钻识别方法，包括以下步骤：S1、选择可提前获取并能够反映溢流初期的随钻录井实时溢流监测参数；S2、分别采用趋势算法以及数据标准化方法对所选溢流监测参数进行处理；S3、将处理后的溢流监测数据输入到已训练的溢流层位识别的因子分析模型，对溢流随钻数据以数值的形式进行定性评价，得到溢流层位识别曲线；S4、计算对应迟到井深的总池体积数据的动态差值与趋势特征量，对数据进行趋势提取，若计算的总池体积动态差值和趋势特征量超过所设置的阈值，则判断S3结果为溢流层位；S5、重复步骤S2至S4，直至所有参数处理完毕。本发明可提早发现并准确预报溢流层位深度。

Description

一种油气钻井过程中早期溢流层位随钻识别方法

技术领域

本发明涉及石油开发技术领域，具体涉及一种油气钻井过程中早期溢流层位随钻识别方法。

背景技术

在钻井过程中，当井筒内部压力小于钻遇地层的孔隙压力时，地层流体会侵入井筒，形成溢流。严重的溢流会导致井喷，通过分析随钻录井数据能及时发现溢流，避免井喷事故，杜绝对国家和人民群众生命财产安全造成损害。因此，优化溢流识别方法，优选溢流监测参数，提前识别溢流层位，提高监测的实时性与准确性，具有重要意义。

目前，国内外大都采用以迟到参数为主的溢流识别方法，通过监测泥浆池液面变化以及微流量监测技术对钻井过程中的溢流进行监测，从而达到预防井涌井喷的目的。液面监测主要依赖于人员坐岗监测和钻井液液位仪，由于钻井过程的复杂性以及地质因素的不确定性，依靠单一参数判断识别的溢流结果并不可靠，并且随着深井超深井的开发，使得依靠迟到参数识别溢流的方法具有严重的迟滞性与危险性，大多数井从发现溢流到井喷只有5-10分钟，很难在较短时间内采取相应的井控措施，即地面刚刚识别到溢流特征而井下已经严重溢流，缺乏实时性。

各种早期溢流监测方法虽然尝试了各种智能算法，但是忽略了溢流时的各监测参数响应时间，往往将实时参数与迟到参数的变化规律融合在一起进行判断与识别溢流层位，忽略了各监测参数反应的先后顺序，从而降低了溢流识别结果的准确性，增加了误报率；而且大多溢流智能算法存在由于溢流样本较少而导致的模型训练不准确的问题，并且仅仅以概率的形式给出溢流发生的可能，不能让现场人员定性识别溢流发生的层位；另外，随着钻井井深与钻井的地质条件的变化，钻井过程中的工程参数的正常基准值也会随之发生相应的变化。大多算法在参数规律趋势识别上受钻井基值影响严重，导致误报率升高。

综上，采用缺乏实时性的，依赖迟到参数识别的溢流方法并不具备提前预警的能力，需结合多个实时参数及早地对溢流发生进行综合监测。因此，如何消除钻井基值的影响提取溢流监测参数的趋势特征；耦合随钻录井实时参数，按照溢流参数响应顺序识别溢流层位；提前识别溢流发生深度，及早地准确预报溢流是钻井工程领域亟待解决的问题。

发明内容

针对上述问题，本发明提供一种油气钻井过程中早期溢流层位随钻识别方法,通过构造趋势算法，消除钻井基值影响，准确提取综合录井实时参数、dc指数数据趋势特征，通过训练的因子分析模型得出的因子得分系数矩阵综合识别溢流层位，随钻给出识别结果，提早发现并准确预报溢流层位深度，解决当前溢流监测方法存在的实时性及可靠性差的问题。

本发明采用下述的技术方案：

一种油气钻井过程中早期溢流层位随钻识别方法，包括以下步骤：

S1、选择实时溢流监测参数：根据现场多口溢流事故井，以及溢流表征规律，选择可提前获取并能够反映溢流初期的随钻录井实时溢流监测参数；

S2、分别采用趋势算法以及数据标准化方法对所选溢流监测参数进行处理,包括以下步骤：

S21、对所选溢流监测参数进行实时采集；

S22、对各溢流监测参数进行趋势算法特征提取；

S23、将各监测参数的趋势特征数据进行Z-Score标准化处理；

S3、将处理后的溢流监测数据输入到已训练的溢流层位识别的因子分析模型，对溢流随钻数据以数值的形式进行定性评价，得到溢流层位识别曲线；

S4、将对应的迟到井深的总池体积数据进行动态差值与趋势特征量进行数据趋势提取，若超过趋势算法提取的总池体积动态差值和趋势特征量所设置的阈值，则判断S3结果为溢流层位；

S5、重复执行步骤S2至S4，直至所有溢流监测参数处理完毕并得到最终溢流层位识别结果。

优选的，所述溢流监测参数为综合录井仪根据溢流表征规律及现场事故实例获取的实时监测参数，不受钻井迟到时间影响，包括悬重、立管压力、dc指数、钻时和延迟参数总池体积。

优选的，步骤S2中，所述趋势算法特征包括敏感参数变化特征与累积参数变化特征，分别采用趋势算法的动态差值与累加和两种数据特征量进行表示。

优选的，所述敏感参数为立管压力，所述累积参数为悬重、钻时、dc指数。

优选的，步骤S3中，所述以数值的形式进行定性评价为：评价结果由经趋势算法处理的监测参数与已训练的因子分析模型对应的得分系数相乘，以数值形式给出，超过阈值1为溢流层位，低于阈值1为非溢流层位。

优选的，步骤S4中，所述超过趋势算法提取的总池体积动态差值和趋势特征量所设置的阈值为：根据现场溢流事故发生的规律以及溢流实例所设置的安全阈值，通过对应的迟到井深的总池体积变化趋势对步骤S3识别结果进行判别。

优选的，所述趋势算法是指以钻井随钻录井整米数据构造的数据处理算法，包括以下步骤：

S71、计算短期均值和长期均值，所述短期均值为短数据段节点所有采样点均值，长期均值为长数据段节点中所有釆样点的均值，公式如下：

式中，SSM(j)为短期均值，LSM(j)为长期均值；SS为短数据段节点，共20个；LT为长数据段节点，共40个，x_i为钻井所采集的实时录井数据参数；

S72、计算当前采样点的动态差值DM(j)，所述当前采样点的动态差值为短期均值与长期均值的差值：

DM(j)＝SSM(j)-LSM(j) (3)

S73、将所计算出来的各点动态差值在零轴上下的部分分别进行累积得到动态差值的累加和：

式中，DM_sum(j)为当前釆样点的动态差值的累加和；

S74、计算步骤S72中动态差值在短数据段节点中的均值，得到原始钻井参数当前采样点的长短均值差的动态均值：

式中，DM_mean(j)原始钻井参数当前采样点的长短均值差的动态均值，代表局部特征单点变化的基值，SS为短数据段节点，共20个；

S75、将原始钻井参数当前采样点的长短均值差的动态均值与当前釆样点的动态差值的累加和的绝对值相乘，得到能够表示原始钻井参数变化趋势的快慢的趋势特征量：

DMN(j)＝DM_mean(j)*|DM_sum(j)| (6)

式中，DMN(j)为原始钻井参数当前采样点的趋势特征量。

优选的，使用步骤S72提取立管压力趋势特征，用步骤S73提取悬重、钻时、dc指数趋势特征，用步骤S75提取总池体积趋势特征。

优选的，所述步骤S23中所述Z-Score数据标准化处理计算公式如下：

式中，x为所观测的溢流实时监测数据，μ为所观测的溢流实时监测数据的总体平均值，δ为所观测的溢流实时监测数据的总体标准差。

优选的，所述步骤S3中，将处理后的溢流监测参数数据输入到已训练的溢流层位识别的因子分析模型，包括以下步骤：

S91、将已发生溢流事故的实时监测数据输入因子分析模型中；

S92、对因子分析模型进行适合度检验和巴特利特球形检验，分析结果大于0.5即进行分析；

S93、原始数据Z-Score标准化处理；

S94、得到表征参数间的相关系数矩阵，确定因子分析公因子；

S95、计算因子得分；

S96、训练结束，依据各项因子得分系数即可获得总的得分情况。

本发明的有益效果是：

1、本发明结合立管压力、悬重、钻时、dc指数四个随钻录井实时参数以及延迟参数总池体积，从两个方面对溢流层位进行综合识别，提高了溢流监测的实时性与可靠性。

2、本发明利用构造的趋势算法，降低了钻井基值对钻井参数规律识别的影响，通过三个数据特征量准确表示了数据变化的方向，变化程度的大小以及变化的快慢。

3、本发明利用事故井的溢流随钻数据，通过因子分析模型得到各溢流监测参数的得分系数矩阵，将多列溢流参数观测数据降维成一条溢流层位综合评价曲线，能够使现场人员清晰准确地了解溢流事故发生层位。此方法简单有效，无需进行大量的样本训练。

4、本发明由于溢流的不确定性，设置了以总池体积趋势特征量以及动态差值的阈值来验证溢流识别层位的结果，该方法可在总池体积上升0.5m³之前对溢流层位识别结果进行判定，比其他预警方法能提前一个迟到时间对井下溢流情况进行判定。

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为本发明的流程图；

图2为本发明的数据标准化处理的溢流监测参数曲线示意图；

图3为本发明的因子分析层位识别曲线示意图；

图4为本发明的迟到总池体积动态差值示意图；

图5为本发明的迟到总池体积趋势特征量示意图；

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。

除非另外定义，本公开使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开中使用的“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。

下面结合附图和实施例对本发明进一步说明。

如图1至图5所示，一种油气钻井过程中早期溢流层位随钻识别方法，包括以下步骤：

S1、选择实时溢流监测参数：根据现场多口溢流事故井，以及溢流表征规律，选择可提前获取并能够反映溢流初期的随钻录井实时溢流监测参数；如图1所示，选取综合录井仪溢流监测实时参数：根据溢流表征规律及现场事故实例获取的实时监测参数，不受钻井迟到时间影响，包括：悬重、钻时、dc指数、立管压力以及用于作为判别验证条件的溢流监测迟到参数总池体积，从两个方面对溢流层位进行综合识别，提高了溢流监测的实时性与可靠性。

S2、分别采用趋势算法以及数据标准化方法对所选溢流监测参数进行处理,包括以下步骤：

S21、对所选溢流监测参数进行实时采集：综合录井仪获取的悬重、总池体积、立管压力参数以及钻时参数由WITSML标准封装后通过TCP/IP协议接入计算机；dc指数通过获得的实时录井参数计算获得，实时录入计算机。

S22、利用获取的溢流监测参数对各监测参数进行趋势算法特征提取；所述趋势算法特征包括敏感参数变化特征与累积参数变化特征，分别采用趋势算法的动态差值与累加和两种数据特征量进行表示；所述敏感参数为立管压力，所述累积参数为悬重、钻时、dc指数。

S23、将各监测参数的趋势特征数据进行Z-Score标准化处理；所述Z-Score数据标准化处理计算公式如下：

式中，x为所观测的溢流实时监测数据，μ为所观测的溢流实时监测数据的总体平均值，δ为所观测的溢流实时监测数据的总体标准差。

S3、将处理后的溢流监测参数数据输入到已训练的溢流层位识别的因子分析模型，对溢流随钻数据以数值的形式进行定性评价，得到溢流层位识别曲线,如图3所示；所述已训练的溢流层位识别的因子分析模型为：通过对多口已发生溢流事故的随钻录井数据进行因子分析，得出各溢流监测参数的因子得分系数。所述以数值的形式进行定性评价为：将标准化处理过后的各项监测参数与已训练好的因子分析模型得出的系数矩阵(如表1、图3所示)进行相乘处理，从而将众多观测数据拟合成一条溢流层位识别曲线，实现对溢流随钻数据以数值的形式进行定性评价；评价结果如图3所示，超过规定阈值1为溢流层位，低于阈值1为非溢流层位；图中“标定事故层位”为基于溢流表征规律按照图2的参数变化趋势人为标定的事故层位，横坐标为0部分为非溢流事故段，横坐标为1部分为溢流事故段，由图可知，得出的溢流层位曲线与经验识别的溢流层位基本吻合。

表1因子得分系数矩阵表

将处理后的溢流监测参数数据输入到已训练的溢流层位识别的因子分析模型的具体步骤如下：

S91、将已发生溢流事故的实时监测数据(立管压力、dc指数、钻时、悬重)输入因子分析模型中；

S92、对因子分析模型进行适合度检验和巴特利特球形检验，分析结果大于0.5即进行分析；

S93、原始数据Z-Score标准化处理；数据处理结果如图2所示。

S94、得到表征参数间的相关系数矩阵，确定因子分析公因子；

S95、计算因子得分；

S96、训练结束，依据各项因子得分系数即可获得总的得分情况。

S4、将对应的迟到井深的总池体积数据进行动态差值与趋势特征量进行数据趋势提取，若超过趋势算法提取的总池体积动态差值和趋势特征量所设置的阈值，则判断S3结果为溢流层位；所述阈值是根据现场溢流事故发生的规律以及溢流实例所设置的安全阈值(公式(3)计算出的值)，如图4至图5所示(所设阈值分别为0.3与0.10)，通过对应的迟到井深的总池体积变化趋势对步骤S3识别结果进行判别。图4中曲线横坐标0以下部分表示各对应深度的总池体积呈下降状态，横坐标0以上部分表示总池体积呈上升状态，由图可知在3782m-3782.5m处，曲线超过0.3阈值，总池体积呈上升趋势，则对应的迟到井深3780.3m-3781.1m，与图2溢流层位识别结果准确对应；图5为总池体积变化趋势曲线，其曲线变化形式呈现数据变化剧烈程度，不表现数据变化方向，在判定溢流层位时需结合图4表示的数据变化方向，进行综合判定。数值越大表明对应深度的总池体积参数变化越快，由于该井为微漏钻进，3782m之前总池体积降低趋势快，所以图中曲线在3782m之前数值较大，之后由于钻遇溢流层位，流体侵入井筒，使得总池体积逐渐上升，在降低漏失趋势的同时，使得总池体积也不断增加，从而逐渐呈现出上升趋势，由于早期溢流量不大，所以上升趋势较小，变化幅度不大，具体表现如图5所示在3782m之后，曲线数值降低，当溢流趋势逐渐发展时，则在3782.3m处总池体积趋势特征量超过所设0.1阈值，而在3784m处时则是溢流已发展严重，总池体积上升趋势逐渐加快。

所述趋势算法是指以钻井随钻录井整米数据构造的数据处理算法，基于趋势算法的溢流层位随钻识别方法使用前，为了提取溢流随钻数据非平稳数据特征以及为了消除随井深增加钻井基值对参数规律识别的影响，所构造的一种算法，利用不同的事故井数据反复验证了其对溢流数据准确识别的可靠性；这些构造好的算法是支持步骤S3中所采用已训练的溢流层位识别因子分析模型的基础，因子分析模型所分析因子数量与所选溢流监测参数类型数量一致。

具体步骤如下：

S71、计算短期均值和长期均值，所述短期均值为短数据段节点所有采样点均值，长期均值为长数据段节点中所有釆样点的均值，公式如下：

式中，SSM(j)为短期均值，LSM(j)为长期均值；SS为短数据段节点，共20个；LT为长数据段节点，共40个，x_i为钻井所采集的实时录井数据参数；

S72、计算当前采样点的动态差值DM(j)，所述当前采样点的动态差值为短期均值与长期均值的差值：

DM(j)＝SSM(j)-LSM(j) (3)

S73、将所计算出来的各点动态差值在零轴上下的部分分别进行累积得到动态差值的累加和：

式中，DM_sum(j)为当前釆样点的动态差值的累加和；

S74、计算步骤S72中动态差值在短数据段节点中的均值，得到原始钻井参数当前采样点的长短均值差的动态均值：

式中，DM_mean(j)原始钻井参数当前采样点的长短均值差的动态均值，代表局部特征单点变化的基值，SS为短数据段节点，共20个；

S75、将原始钻井参数当前采样点的长短均值差的动态均值与当前釆样点的动态差值的累加和的绝对值相乘，得到能够表示原始钻井参数变化趋势的快慢的趋势特征量：

DMN(j)＝DM_mean(j)*|DM_sum(j)| (6)

式中，DMN(j)为原始钻井参数当前采样点的趋势特征量。

使用步骤S72提取立管压力趋势特征，用步骤S73提取悬重、钻时、dc指数趋势特征，用步骤S75提取总池体积趋势特征。

S5、重复执行步骤S2至S4，直至所有溢流监测参数处理完毕并得到最终溢流层位识别结果。

通过实时计算得出溢流层位识别曲线(如图3所示)与溢流迟到参数总池体积的动态差值与趋势特征量(如图4、图5所示)均达到所设定阈值，输出识别结果为3780.3m-3781.1m。当前报警深度3782.5m，对比现场预警深度(溢流量达到1m3进行溢流预警)为3784m，可提前预警1.5m。

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 (10)

1.一种油气钻井过程中早期溢流层位随钻识别方法，其特征在于，包括以下步骤：

S1、选择实时溢流监测参数：根据现场多口溢流事故井，以及溢流表征规律，选择可提前获取并能够反映溢流初期的随钻录井实时溢流监测参数；

S2、分别采用趋势算法以及数据标准化方法对所选溢流监测参数进行处理,包括以下步骤：

S21、对所选溢流监测参数进行实时采集；

S22、对各溢流监测参数进行趋势算法特征提取；

S23、将各监测参数的趋势特征数据进行Z-Score标准化处理；

S3、将处理后的溢流监测数据输入到已训练的溢流层位识别的因子分析模型，对溢流随钻数据以数值的形式进行定性评价，得到溢流层位识别曲线；

S4、将对应的迟到井深的总池体积数据进行动态差值与趋势特征量进行数据趋势提取，若超过趋势算法提取的总池体积动态差值和趋势特征量所设置的阈值，则判断S3结果为溢流层位；

S5、重复执行步骤S2至S4，直至所有溢流监测参数处理完毕并得到最终溢流层位识别结果。

2.根据权利要求1所述的一种油气钻井过程中早期溢流层位随钻识别方法，其特征在于，所述溢流监测参数为综合录井仪根据溢流表征规律及现场事故实例获取的实时监测参数，不受钻井迟到时间影响，包括悬重、立管压力、dc指数、钻时和延迟参数总池体积。

3.根据权利要求1所述的一种油气钻井过程中早期溢流层位随钻识别方法，其特征在于，步骤S2中，所述趋势算法特征包括敏感参数变化特征与累积参数变化特征，分别采用趋势算法的动态差值与累加和两种数据特征量进行表示。

4.根据权利要求2或3任意一项所述的一种油气钻井过程中早期溢流层位随钻识别方法，其特征在于，所述敏感参数为立管压力，所述累积参数为悬重、钻时、dc指数。

5.根据权利要求1所述的一种油气钻井过程中早期溢流层位随钻识别方法，其特征在于，步骤S3中，所述以数值的形式进行定性评价为：评价结果由经趋势算法处理的监测参数与已训练的因子分析模型对应的得分系数相乘，以数值形式给出，超过阈值1为溢流层位，低于阈值1为非溢流层位。

6.根据权利要求1所述的一种油气钻井过程中早期溢流层位随钻识别方法，其特征在于，步骤S4中，所述超过趋势算法提取的总池体积动态差值和趋势特征量所设置的阈值为：根据现场溢流事故发生的规律以及溢流实例所设置的安全阈值，通过对应的迟到井深的总池体积变化趋势对步骤S3识别结果进行判别。

7.根据权利要求1所述的一种油气钻井过程中早期溢流层位随钻识别方法，其特征在于，所述趋势算法是指以钻井随钻录井整米数据构造的数据处理算法，包括以下步骤：

S71、计算短期均值和长期均值，所述短期均值为短数据段节点所有采样点均值，长期均值为长数据段节点中所有釆样点的均值，公式如下：

式中，SSM(j)为短期均值，LSM(j)为长期均值；SS为短数据段节点，共20个；LT为长数据段节点，共40个，x_i为钻井所采集的实时录井数据参数；

S72、计算当前采样点的动态差值DM(j)，所述当前采样点的动态差值为短期均值与长期均值的差值：

DM(j)＝SSM(j)-LSM(j) (3)

S73、将所计算出来的各点动态差值在零轴上下的部分分别进行累积得到动态差值的累加和：

式中，DM_sum(j)为当前釆样点的动态差值的累加和；

S74、计算步骤S72中动态差值在短数据段节点中的均值，得到原始钻井参数当前采样点的长短均值差的动态均值：

式中，DM_mean(j)原始钻井参数当前采样点的长短均值差的动态均值，代表局部特征单点变化的基值，SS为短数据段节点，共20个；

S75、将原始钻井参数当前采样点的长短均值差的动态均值与当前釆样点的动态差值的累加和的绝对值相乘，得到能够表示原始钻井参数变化趋势的快慢的趋势特征量：

DMN(j)＝DM_mean(j)*|DM_sum(j)| (6)

式中，DMN(j)为原始钻井参数当前采样点的趋势特征量。

8.根据权利要求7所述的一种油气钻井过程中早期溢流层位随钻识别方法，其特征在于，使用步骤S72提取立管压力趋势特征，用步骤S73提取悬重、钻时、dc指数趋势特征，用步骤S75提取总池体积趋势特征。

9.根据权利要求1所述的一种油气钻井过程中早期溢流层位随钻识别方法，其特征在于，所述步骤S23中所述Z-Score数据标准化处理计算公式如下：

式中，x为所观测的溢流实时监测数据，μ为所观测的溢流实时监测数据的总体平均值，δ为所观测的溢流实时监测数据的总体标准差。

10.根据权利要求1所述的一种油气钻井过程中早期溢流层位随钻识别方法，其特征在于，所述步骤S3中，将处理后的溢流监测参数数据输入到已训练的溢流层位识别的因子分析模型，包括以下步骤：

S91、将已发生溢流事故的实时监测数据输入因子分析模型中；

S92、对因子分析模型进行适合度检验和巴特利特球形检验，分析结果大于0.5即进行分析；

S93、原始数据Z-Score标准化处理；

S94、得到表征参数间的相关系数矩阵，确定因子分析公因子；

S95、计算因子得分；

S96、训练结束，依据各项因子得分系数即可获得总的得分情况。

Images