CN111652253A - 一种基于大数据的井漏事故检测预警方法 - Google Patents

Abstract

本发明属于油气勘探监控预警技术领域，尤其涉及一种基于大数据的井漏事故检测预警方法。本发明提供了一种基于大数据的井漏事故检测预警方法，实现钻井工程异常自动检测，其中该检测预警方法包括有对自动录井装置采集的业务参数以及管理人员记录的日志数据进行预处理、对原始数据进行重采样和平滑处理，判断原始数据中各数据字段的重要性、选型学习模型、对学习模型进行调参等步骤。

Description

一种基于大数据的井漏事故检测预警方法

技术领域

该发明属于油气勘探监控预警技术领域，尤其涉及一种基于大数据的井漏事故检测预警方法。

背景技术

在油田生产过程逐步现代化与智能化的背景下，钻井过程中的工程异常检测(尤其是井漏、卡钻、气体异常等)主要是基于专家系统对录井设备所采集的作业数据的分析。管理人员利用其生产经验与专业知识发现生产参数变化中的异常，对可能存在的异常工况进行人工判定。然而发明人发现，人工判别依赖于管理人员的业务经验与主观性，难以及时判别事故并采取处理措施，并且维护专家系统需要花费大量的人力财力，如何实现钻井工程异常的自动判别，成为本领域技术人员亟待解决的问题。

发明内容

本发明所要解决的技术问题在于提供一种基于大数据的井漏事故检测预警方法，实现钻井工程异常自动检测。

为解决上述技术问题，本发明采用了如下技术方案：

一种基于大数据的井漏事故检测预警方法，包括有如下步骤：

步骤一：分别对自动录井装置采集的业务参数以及管理人员记录的日志数据进行预处理，得到原始数据；

步骤二：对原始数据进行重采样和平滑处理，判断原始数据中各数据字段的重要性；

步骤三：采用极端随机树模型作为学习模型，建立多个模型组合并基于多个弱分类器的结果进行投票选择，最终生成一个强分类器以处理步骤二所得井漏事故检测数据；

步骤四：采用交叉验证方法对步骤三所使用的学习模型进行调参，生成用于检测钻井工程异常的最终模型。

进一步的，所述步骤一可具体描述为：

将自动录井装置采集的业务参数中恒定字段以及缺失值占比超过80％的字段认定为无效数据并予以删除，对于其余缺失值采用插值的方法进行补充；

采用语料匹配的方法对管理人员记录的日志数据进行提取，生成形式为“井号，时间，事故类型”的结构化数据。

较为优选的，所述自动录井装置采集的业务参数中包括有出入口流量、立管压力。

较为优选的，所述管理人员记录的日志数据中包括有事故类型、事故时间。

进一步的，所述步骤二可具体描述为：

通过设定滑动窗口对原始数据进行移动，从而完成对原始数据的平滑处理；

采用主成分分析方法，判断原始数据中各数据字段的重要性。

进一步的，所述主成分分析方法可具体描述为：

假定原始数据中包括有采集所得N组数据，即{X⁽¹⁾,X⁽²⁾,…,X⁽ⁱ⁾,…,X^(N)}；其中，

为X_(i)的第j个生产参数；

(1)、将特征数据进行标准化：

其中，

为第j个参数的样本均值；

(2)、计算协方差矩阵：

C＝DX(DX)^T/N；

其中，

为标准化后的数据矩阵；

(3)、将协方差矩阵进行特征分解：

C＝UΛU^T；

其中，

为特征值矩阵，且λ₁,λ₂,…,λ_d为非递减序列，U＝[u₁,u₂,…,u_m]为对应的特征向量矩阵；

(4)、对特征值进行排序，确定各特征值所对应的数据字段的重要程度；得到前l个重要的数据字段为u₁,u₂,…,u_l，l≤m。

优选的，所述极端随机树可具体描述为：

(1)、选择C4.5决策树作为基础分类模型，将N个训练样本作为每棵决策树的训练集；

(2)、对于每棵决策树，从m维特征空间中随机选取分割属性进行分类；

(3)、重复上述步骤，直至所有决策树无法生长；

(4)、利用所有决策树进行投票表决。

进一步的，所述步骤四可具体描述为：

采用交叉验证方法，结合大量的离线数据，确定学习模型中弱分类器的个数以及决策树分裂时选取的属性值，生成用于检测钻井工程异常的最终模型。

本发明提供了一种基于大数据的井漏事故检测预警方法，其中该检测预警方法包括有对自动录井装置采集的业务参数以及管理人员记录的日志数据进行预处理、对原始数据进行重采样和平滑处理，判断原始数据中各数据字段的重要性、选型学习模型、对学习模型进行调参等步骤。

与现有技术相比，本发明具有以下优点和效果：

1、本发明在传统专家系统的基础上，充分利用录井设备采集的数据，利用机器学习算法挖掘生产参数与井漏事故之间的关系；

2、本发明最终生成的判别模型能够发现潜在的安全事故威胁，为事故预警系统提供数据支持，使管理人员能够在事故发生之前及时采取相应处理措施，降低甚至避免事故危害；

3、本发明发掘业务数据中的有效信息，井漏事故检测准确率高，领先与现有的人工判别，对生成数据的处理与特征重组；将机器学习所得知识与专家系统规则相结合。

附图说明

图1为本发明提供的一种基于大数据的井漏事故检测预警方法的流程示意图。

具体实施方式

本发明所要解决的技术问题在于提供一种基于大数据的井漏事故检测预警方法，实现钻井工程异常自动检测。

如图1所示，本发明提供了一种基于大数据的井漏事故检测预警方法，该检测预警方法包括有如下步骤：

步骤一：分别对自动录井装置采集的业务参数以及管理人员记录的日志数据进行预处理，得到原始数据；其中，优选自动录井装置采集的业务参数中包括有出入口流量、立管压力；而管理人员记录的日志数据中包括有事故类型、事故时间。

值得注意的是，自动录井装置采集的业务参数属于结构化数据；而对每口井所录入的数据而言，其中拥有着相当多的字段，甚至包括有大量缺失或者无效数据，如不进行数据清洗则会影响最终生成模型的性能。因而，可对自动录井装置采集的业务参数进行如下预处理：将自动录井装置采集的业务参数中恒定字段以及缺失值占比超过80％的字段认定为无效数据并予以删除，对于其余缺失值采用插值的方法进行补充。

而对管理人员记录的日志数据则采用语料匹配的方法进行提取，生成形式为“井号，时间，事故类型”的结构化数据。例如，“l7-p44在5月20日11点30分发生井漏事故，持续5分钟”为日志中的一条记录，则将该记录转换为(l7-p44，05-2011:30-05-2011:35，井漏)，达到钻井事故自动标注的目的。

步骤二：对原始数据进行重采样和平滑处理，判断原始数据中各数据字段的重要性；

具体的，由于原始生产数据的更新周期通常很短，会产生有大量的冗余数据，容易使学习模型产生过拟合；并且为了进一步提高模型的运行效率，需要首先对原始数据进行重采样。

而后，为防止设备采集数据中存在的噪音成分所导致的各个字段存在有不同程度的突变，需要对原始数据进行平滑处理。其中优选的，平滑处理可具体描述为：通过设定滑动窗口对原始数据进行移动，从而完成对原始数据的平滑处理。

最后，为了帮助管理人员更好地利用参数判断是否发生事故，采用主成分分析方法判断原始数据中各数据字段的重要性。具体的，所述主成分分析方法可具体描述为：

假定原始数据中包括有采集所得N组数据，即{X⁽¹⁾,X⁽²⁾,…,X⁽ⁱ⁾,…,X^(N)}；其中，

为X⁽ⁱ⁾的第j个生产参数；

(1)、将特征数据进行标准化：

其中，

为第j个参数的样本均值；

(2)、计算协方差矩阵：

C＝DX(DX)^T/N；

其中，

为标准化后的数据矩阵；

(3)、将协方差矩阵进行特征分解：

C＝UΛU^T；

其中，

为特征值矩阵，且λ₁,λ₂,…,λ_d为非递减序列，U＝[u₁,u₂,…,u_m]为对应的特征向量矩阵；

(4)、对特征值进行排序，确定各特征值所对应的数据字段的重要程度；得到前l个重要的数据字段为u₁,u₂,…,u_l，l≤m；即通过计算数据矩阵的协方差矩阵，并得到协方差矩阵的特征值与特征向量，特征值越大表明该特征越重要。

步骤三：采用极端随机树模型作为学习模型，建立多个模型组合并基于多个弱分类器的结果进行投票选择，最终生成一个强分类器以处理步骤二所得井漏事故检测数据；

井漏事故的检测在本质上属于多分类问题，即根据工程参数判断此时的工况是否存在井漏的可能性，以及可能性多大。而利用极端随机树模型作为学习模型属于集成学习，也就是说通过建立多个模型组合来解决该多分类问题。具体的，在处理步骤二所得井漏事故检测数据的过程中，极端随机树的具体实施步骤可描述为：

(1)、选择C4.5决策树作为基础分类模型，将N个训练样本作为每棵决策树的训练集；

(2)、对于每棵决策树，从m维特征空间中随机选取分割属性进行分类；

(3)、重复上述步骤，直至所有决策树无法生长；

(4)、利用所有决策树进行投票表决。

步骤四：采用交叉验证方法对步骤三所使用的学习模型进行调参，生成用于检测钻井工程异常的最终模型。

具体的，结合大量的离线数据，采用常用的交叉验证方法对学习模型进行调参，确定弱分类器的个数以及决策树分裂时选取的属性值，生成用于检测钻井工程异常的最终模型。

值得注意的是，由于异常工况检测可以抽象为一个多分类问题，因此可以采用多种机器学习算法作为该方法中的学习模型，例如神经网络、支持向量机、感知器、聚类方法等，每种方法都具有各自的特点与使用场合。根据仿真实验与效果对比，本方法采用的集成学习方法在检测准确度与运行效率上已经能够满足生产需要，随着硬件设备运行与网络传输速度的提高，深度学习可能成为更好的替代方案。

本发明提供了一种基于大数据的井漏事故检测预警方法，其中该检测预警方法包括有对自动录井装置采集的业务参数以及管理人员记录的日志数据进行预处理、对原始数据进行重采样和平滑处理，判断原始数据中各数据字段的重要性、选型学习模型、对学习模型进行调参等步骤。

与现有技术相比，本发明具有以下优点和效果：

1、本发明在传统专家系统的基础上，充分利用录井设备采集的数据，利用机器学习算法挖掘生产参数与井漏事故之间的关系；

2、本发明最终生成的判别模型能够发现潜在的安全事故威胁，为事故预警系统提供数据支持，使管理人员能够在事故发生之前及时采取相应处理措施，降低甚至避免事故危害；

3、本发明发掘业务数据中的有效信息，井漏事故检测准确率高，领先与现有的人工判别，对生成数据的处理与特征重组；将机器学习所得知识与专家系统规则相结合。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (8)

1.一种基于大数据的井漏事故检测预警方法，其特征在于，包括有如下步骤：

步骤一：分别对自动录井装置采集的业务参数以及管理人员记录的日志数据进行预处理，得到原始数据；

步骤二：对原始数据进行重采样和平滑处理，判断原始数据中各数据字段的重要性；

步骤三：采用极端随机树模型作为学习模型，建立多个模型组合并基于多个弱分类器的结果进行投票选择，最终生成一个强分类器以处理步骤二所得井漏事故检测数据；

步骤四：采用交叉验证方法对步骤三所使用的学习模型进行调参，生成用于检测钻井工程异常的最终模型。

2.根据权利要求1所述的一种基于大数据的井漏事故检测预警方法，其特征在于，所述步骤一可具体描述为：

将自动录井装置采集的业务参数中恒定字段以及缺失值占比超过80％的字段认定为无效数据并予以删除，对于其余缺失值采用插值的方法进行补充；

采用语料匹配的方法对管理人员记录的日志数据进行提取，生成形式为“井号，时间，事故类型”的结构化数据。

3.根据权利要求2所述的一种基于大数据的井漏事故检测预警方法，其特征在于，所述自动录井装置采集的业务参数中包括有出入口流量、立管压力。

4.根据权利要求2所述的一种基于大数据的井漏事故检测预警方法，其特征在于，所述管理人员记录的日志数据中包括有事故类型、事故时间。

5.根据权利要求1所述的一种基于大数据的井漏事故检测预警方法，其特征在于，所述步骤二可具体描述为：

通过设定滑动窗口对原始数据进行移动，从而完成对原始数据的平滑处理；

采用主成分分析方法，判断原始数据中各数据字段的重要性。

6.根据权利要求5所述的一种基于大数据的井漏事故检测预警方法，其特征在于，所述主成分分析方法可具体描述为：

假定原始数据中包括有采集所得N组数据，即{X⁽¹⁾,X⁽²⁾,…,X⁽ⁱ⁾,…,X^(N)}；其中，

为X_(i)的第j个生产参数；

(1)、将特征数据进行标准化：

其中，

为第j个参数的样本均值；

(2)、计算协方差矩阵：

C＝DX(DX)^T/N；

其中，

为标准化后的数据矩阵；

(3)、将协方差矩阵进行特征分解：

C＝UΛU^T；

其中，

为特征值矩阵，且λ₁,λ₂,…,λ_d为非递减序列，U＝[u₁,u₂,…,u_m]为对应的特征向量矩阵；

(4)、对特征值进行排序，确定各特征值所对应的数据字段的重要程度；得到前l个重要的数据字段为u₁,u₂,…,u_l，l≤m。

7.根据权利要求1所述的一种基于大数据的井漏事故检测预警方法，其特征在于，所述极端随机树可具体描述为：

(1)、选择C4.5决策树作为基础分类模型，将N个训练样本作为每棵决策树的训练集；

(2)、对于每棵决策树，从m维特征空间中随机选取分割属性进行分类；

(3)、重复上述步骤，直至所有决策树无法生长；

(4)、利用所有决策树进行投票表决。

8.根据权利要求1所述的一种基于大数据的井漏事故检测预警方法，其特征在于，所述步骤四可具体描述为：

采用交叉验证方法，结合大量的离线数据，确定学习模型中弱分类器的个数以及决策树分裂时选取的属性值，生成用于检测钻井工程异常的最终模型。

Images