CN111738620B - 一种基于关联规则的井漏风险预测与堵漏决策系统及方法 - Google Patents

Abstract

本申请实施例提供了一种基于关联规则的井漏风险预测与堵漏决策系统及方法，属于数据挖掘领域以及钻井液漏失堵漏领域。其中，所述系统包括：井史数据存储数据库模块、井史数据处理模块、漏点数据权重调整模块、井漏风险数据挖掘模块、井漏风险评估模块、井漏辅助决策模块。本发明的有益技术效果是：提出了一种基于关联规则的井漏风险预测与堵漏决策系统及方法，本技术能够结合各类钻井过程中产生的并且易于获得的数据，利用关联规则方法针对不同区块各个井场进行井漏风险实时预测，并判断出堵漏所需要的材料，从而为堵漏现场工作人员提供辅助决策。

Description

一种基于关联规则的井漏风险预测与堵漏决策系统及方法

技术领域

本发明涉及一种基于关联规则的井漏风险预测与堵漏决策系统及方法，属于数据挖掘领域以及钻井液漏失堵漏领域。

背景技术

在现代钻井过程中存在着许多的井下复杂情况，而井漏则是钻井过程中最为常见并且最为顽固的状况之一。因此，井漏风险预测与处理是石油钻井工程中的一个重要研究方向。井漏风险预测与处理的特点是：（1）井漏事故是一个相当复杂的井下体系，事故的发生是多因素作用的结果；（2）无法直接观察到井下实况，只有通过仪器测量和统计资料并依据经验判断井漏状态。因而，经验的多少、丰富与否和当前监测的数据质量可以直接影响到井漏的处理结果，从而影响钻井质量、速度和成本。所以，建立一种结合现场实际数据的井漏风险实时预测及堵漏决策系统是必不可少的。

经检索，中国专利申请号CN201910850687.0，公开日为2020年2月7日，发明创造名称为基于深度学习的钻井井漏预测系统及方法，采用VGG卷积神经网络模型进行深度学习，对井漏事故进行有效预警，该系统包括：1）获取钻井生产运行数据；2）对获取的数据进行预处理，获取进行深度学习的样本数据；3）特征提取和分类训练；采用VGG卷积神经网络模型进行深度学习，通过特征提取和分类训练，获得训练完成的钻井井漏预测模型；4）使用训练完成的钻井井漏预测模型对实时验证数据作验证，给出井漏判断结果。

发明内容

针对现有技术中井漏风险实时预测与堵漏决策方法的不足，本发明的目的在于提出一种基于关联规则的井漏风险预测与堵漏决策系统及方法，该系统能够结合钻时记录、钻井日志、每日钻具组合、地层分层数据、录井基础数据、套管记录数据、岩屑描述记录等钻井过程中产生的并且易于获得的数据，以区块为单位针对不同区块各个井场进行井漏风险实时预测，并根据预测结果来判断堵漏所需要的材料。

为了实现上述目的，本发明是通过以下的技术方案来实现：

一种基于关联规则的井漏风险预测与堵漏决策系统，包括井史数据存储数据库模块、井史数据处理模块、漏点数据权重调整模块、井漏风险数据挖掘模块、井漏风险评估模块、井漏辅助决策模块。

一种基于关联规则的井漏风险预测与堵漏决策系统，其特征在于，所述系统包括：

井史数据存储数据库模块，其主要作用是将数据类型不同的大量的井史数据以区块为单位归入同一数据库的不同数据表中，从而避免因数据储存格式的混乱导致部分数据缺失，并将现场钻井产生的实测数据导入一个单独的表中，除此之外，还将所有收集到的堵漏成功实例以堵漏决策代码的形式存入数据库中。

井史数据处理模块，用于对数据进行预处理，首先设置待训练的钻井数据对应的输入参数，将不同模式下同一口井的数据进行组合，并针对钻井数据各项参数属性分别进行数据预处理。数据预处理方法为补缺、去噪、归一化。若是数据来源体系完整、无噪点，则直接进行数据归一化处理。

上述技术方案的进一步特征在于，设置待训练的钻井数据对应的输入参数时要求必须与井漏风险密切相关，具体参数包括：井深、层位、岩性、钻头类型、钻头尺寸、大钩负荷、钻压、扭矩、转速、钻速、立压、入口流量、出口流量、入口密度、出口密度、当量密度、池总体积、十秒切力、十分切力、钻井液类型、密度、漏斗粘度、三转读数、六转读数、一百转读数、两百转读数、三百转读数、六百转读数。

漏点数据权重调整模块，该模块主要针对钻井产生的不漏数据多、井漏数据少的特点，通过调整权重的方式来提高漏点数据在所有数据中的重要性，从而提高整个系统的预测与决策效果。

井漏风险数据挖掘模块，该模块将已经设置好权重比例的各项参数分别作为样本，分析井漏风险与井漏征兆之间的关联性和各项井漏参数与堵漏成功实例之间的关联性，并以75%的支持度为标准判断出频繁项集与非频繁项集，从而建立各井漏风险与井漏征兆的关联关系以及各项井漏参数与堵漏成功实例的关联关系。

井漏风险评估模块，将井漏风险数据挖掘模块输出结果进行分析，判断出井漏的严重程度和井漏风险等级并输出。

井漏辅助决策模块，用于将各类井漏风险预测实例与井漏风险实时预测结果进行对比和分析，判断出实际堵漏所需的材料并以对比表格的形式进行输出。

一种基于关联规则的井漏风险预测与堵漏决策方法，其步骤如下：

步骤S1：采集历史钻井数据和现场钻井实测数据，按照区块分别存入数据库中，除此之外，还将所有收集到的堵漏成功实例以堵漏决策代码的形式存入数据库中；

步骤S2：设置待训练的钻井数据对应的输入参数，并针对钻井数据各项参数属性分别进行数据预处理；

步骤S3：通过权重调整提高漏点数据的重要性，并建立井漏风险与井漏征兆、各项井漏参数与堵漏成功实例两种关联规则；

步骤S4：首先根据漏失量确定漏失程度，然后利用建立好的井漏风险与井漏征兆关联规则对井漏风险进行预测，判断井漏风险范围，并按照井漏风险系数判断井漏风险情况；

步骤S5：利用建立好的各项井漏参数与堵漏成功实例关联规则进行堵漏辅助决策，在参考堵漏成功实例的前提下根据不同情况的井漏事故优选出最适合的堵漏材料并输出堵漏决策代码，从而更好的帮助堵漏作业人员进行辅助决策。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

附图1 数据处理框图；

附图2井漏风险预测与堵漏决策系统工作流程图；

附图3井漏风险预测与堵漏决策系统实时预测及堵漏决策工作实例图；

附图4井漏风险预测与堵漏决策方法流程图。

具体实施方式

为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

图1是本发明技术方案中的数据预处理框图，由图1可知，数据预处理内容包括数据补缺、去噪、归一化，其中数据补缺采用热卡填充法，即对井史数据存储数据库模块中的所有数据表依次遍历，在发现包含缺失值的数据后，计算出该位置的相关系数矩阵来确定哪个数据与缺失值所在数据的变量最相关，从而在数据库中找到一个与它最相似的对象，然后用这个相似对象的值来进行填充，以此保持数据的完整性和正确性；数据去噪采用离群点分析法，即通过聚类来检测离群点，并将相应的离群点进行修改，使数据变得光滑；数据归一化则是利用Z-score标准化方法，给予原始数据的均值和标准差进行数据的标准化，经过处理的数据符合标准正态分布，归一化的目的是克服目前数据挖掘工具的局限性，消除不同数据评价指标往往具有不同的量纲和量纲单位影响，提高数据挖掘的效率。

图2是井漏风险预测与堵漏决策系统工作流程图，由图2可知，本发明一种基于关联规则的井漏风险预测与堵漏决策系统包括：

井史数据存储数据库模块，其主要作用是将数据类型不同的大量的井史数据以区块为单位归入同一数据库的不同数据表中，从而避免因数据储存格式的混乱导致部分数据缺失，并将现场钻井产生的实测数据导入一个单独的表中，除此之外，还将所有收集到的堵漏成功实例以堵漏决策代码的形式存入数据库中。

上述技术方案的进一步特征在于，所述将现场钻井产生的实测数据导入一个单独的表的过程为：将井史数据存储数据库与钻井及测井数据检测平台相连接，将平台中储存的现场钻井产生的实测数据也按照区块为单位存入其中，以供井史数据处理模块随时调用。

井史数据处理模块，用于对数据进行预处理，首先设置待训练的钻井数据对应的输入参数，将不同模式下同一口井的数据进行组合，并针对钻井数据各项参数属性分别进行数据预处理。数据预处理方法为补缺、去噪、归一化。若是数据来源体系完整、无噪点，则直接进行数据归一化处理。

上述技术方案的进一步特征在于，设置带训练的钻井数据对应的输入参数时要求必须与井漏风险密切相关，具体参数包括：井深、层位、岩性、钻头类型、钻头尺寸、大钩负荷、钻压、扭矩、转速、钻速、立压、入口流量、出口流量、入口密度、出口密度、当量密度、池总体积、十秒切力、十分切力、钻井液类型、密度、漏斗粘度、三转读数、六转读数、一百转读数、两百转读数、三百转读数、六百转读数。

漏点数据权重调整模块，该模块主要针对钻井产生的不漏数据多、井漏数据少的特点，通过调整漏点数据权重的方式来提高漏点数据在所有数据中的重要性，从而提高整个系统的预测与决策效果。

上述技术方案的进一步特征在于，调整漏点数据权重时必须根据漏点数量而定，在每口井平均有2~4个漏点的情况下，权重比例必须控制在1~40之间，权重比例过大的话会导致数据在井漏风险数据挖掘模块产生过拟合，从而对数据挖掘过程产生负面的影响。

井漏风险数据挖掘模块，该模块将已经设置好权重比例的各项参数分别作为样本，分析井漏风险与井漏征兆之间的关联性和各项井漏参数与堵漏成功实例之间的关联性，并以75%的支持度为标准判断出频繁项集与非频繁项集，从而建立各井漏风险与井漏征兆的关联关系以及各项井漏参数与堵漏成功实例的关联关系。

上述技术方案的进一步特征在于，所述建立各井漏风险与井漏征兆关联关系的过程如下：

设井漏征兆项集为S_n，第m个井漏风险为F_m，则记关联规则为S_n⇒ F_m，该特征下井漏事故发生例总数记为|Dm|。在井史数据存储数据库中，各井漏征兆Sn发生的次数为f(Sn)；在众多井漏事故中，各井漏征兆Sn发生的次数为f(Sn∪Fm)，则由式（1）可求得关联规则 Sn⇒ Fm 的支持度。

（1）

当关联规则S_n⇒F_m的支持度大于等于75%时，就认为此关联规则是有实用意义的，在这种情况下项集S_n称为频繁项集，即该井漏征兆S_n与井漏风险 F_m之间存在紧密的相互关联关系；而对于支持度小于75%的非频繁项集，则可予以放弃。依次遍历所有的情况后，最终建立各井漏风险与井漏征兆的关联关系。

井漏风险评估模块，将井漏风险数据挖掘模块输出结果进行分析，判断出井漏的严重程度和井漏风险等级并输出。

井漏辅助决策模块，用于将各类井漏风险预测实例与井漏风险实时预测结果进行对比和分析，判断出实际堵漏所需的材料并以对比表格的形式进行输出。

图3是井漏风险预测与堵漏决策系统风险决策实例图，该图给出了一种利用关联规则方法进行井漏风险预测与堵漏决策的系统实例，通过该实例可清楚的了解本发明的系统结构、井漏风险判断和进行堵漏决策的工作原理。

在井漏风险预测与堵漏决策系统中，井漏风险评估包括两部分，第一部分是判断漏失程度，当得出的漏失速率大于等于1m³/h、小于10m³/h时，系统判定为部分漏失，而漏失速率大于等于10m³/h、小于15m³/h时，系统判定为严重漏失，当漏失速率大于等于15m³/h时，则判定为完全漏失；第二部分是判断井漏风险情况，所述系统将所有的井漏相关参数配合井漏实例，并利用关联规则进行数据挖掘后可以判断出井漏风险范围，将井漏风险从低到高分别按照 [0，20%]、(20%，65%]、(65%，100%]的范围划分为安全、模糊、危险三种情况。

而在井漏风险预测与堵漏决策系统中，井漏辅助决策过程为：

（1）利用井漏风险数据挖掘模块得到发生井漏的结论后，利用关联规则方法将各项井漏参数与堵漏成功实例相关联；

上述技术方案的进一步特征在于，所述利用关联规则方法将各项井漏参数与堵漏成功实例相关联的过程与图2中建立各井漏风险与井漏征兆关联关系的过程工作原理是一致的。

（2）根据关联结果得到堵漏决策代码并输出；

（3）根据堵漏决策代码从数据库中调用该代码代表的堵漏实例，输出该实例的堵漏材料及方法。

上述技术方案的进一步特征在于，所述堵漏决策代码所对应的堵漏实例如下：

3-1）使用膨润土，石灰或盐粘土增加粘度，获得高粘度钻井泥浆；

3-2）使用颗粒状核桃壳；

3-3）使用纤维状的酸溶性挤压纺矿物纤维；

3-4）使用中细粒度的片状云母；

3-5）使用中细颗粒度酸溶性的CaCO₃；

3-6）使用中等粒度和粗粒度酸溶性的CaCO₃；

3-7）使用合成聚合物，无机矿物，化学试剂和稳定化有机物的干粉或颗粒材料填料；

3-8）使用弹性石墨碳；

3-9）使用膨胀聚合物与弹性石墨碳和其他材料的组合；

3-10）使用柴油膨润土塞；

3-11）使用掺入精选纤维的水泥浆；

3-12）使用硅灰石水泥塞；

3-13）直接使用普通水泥浆；

图4给出了一种基于关联规则的井漏风险预测与堵漏决策方法流程图，其步骤如下：

步骤S1：采集历史钻井数据和现场钻井实测数据，按照区块分别存入数据库中，除此之外，还将所有收集到的堵漏成功实例以堵漏决策代码的形式存入数据库中；

步骤S2：设置待训练的钻井数据对应的输入参数，并针对钻井数据各项参数属性分别进行数据预处理；

步骤S3：通过权重调整提高漏点数据的重要性，并建立井漏风险与井漏征兆、各项井漏参数与堵漏成功实例两种关联规则；

步骤S4：首先根据漏失量确定漏失程度，然后利用建立好的井漏风险与井漏征兆关联规则对井漏风险进行预测，判断井漏风险范围，并按照井漏风险系数判断井漏风险情况；

步骤S5：利用建立好的各项井漏参数与堵漏成功实例关联规则进行堵漏辅助决策，在参考堵漏成功实例的前提下根据不同情况的井漏事故优选出最适合的堵漏材料并输出堵漏决策代码，从而更好的帮助堵漏作业人员进行辅助决策。

以上具体技术方案仅用以说明本发明，而非对其限制；尽管参照上述具体技术方案对本发明进行了详细的说明，本领域的普通技术人员应当理解。本发明依然可以对上述具体技术方案进行修改，或者对其中部分技术特征进行等同替换，而这些修改或者替换，并不使相应技术方案的本质脱离本发明的精神和范围。

Claims (3)

1.一种基于关联规则的井漏风险预测与堵漏决策系统，其特征在于，所述系统包括：

井史数据存储数据库模块，其作用是将数据类型不同的大量的井史数据以区块为单位归入同一数据库的不同数据表中，从而避免因数据储存格式的混乱导致部分数据缺失，并将现场钻井产生的实测数据导入一个单独的表中，除此之外，还将所有收集到的堵漏成功实例以堵漏决策代码的形式存入数据库中；

所述将现场钻井产生的实测数据导入一个单独的表的过程为：将井史数据存储数据库与钻井及测井数据检测平台相连接，将平台中储存的现场钻井产生的实测数据按照区块为单位存入其中，以供井史数据处理模块随时调用；

井史数据处理模块，用于对数据进行预处理，首先设置待训练的钻井数据对应的输入参数，将不同模式下同一口井的数据进行组合，并针对钻井数据各项参数属性分别进行数据预处理，数据预处理方法为补缺、去噪、归一化，若是数据来源体系完整、无噪点，则直接进行数据归一化处理；

设置待训练的钻井数据对应的输入参数时要求必须与井漏风险密切相关，具体参数包括：井深、层位、岩性、钻头类型、钻头尺寸、大钩负荷、钻压、扭矩、转速、钻速、立压、入口流量、出口流量、入口密度、出口密度、当量密度、池总体积、十秒切力、十分切力、钻井液类型、密度、漏斗粘度、三转读数、六转读数、一百转读数、两百转读数、三百转读数和六百转读数；

漏点数据权重调整模块，该模块针对钻井产生的不漏数据多、井漏数据少的特点，通过调整权重的方式来提高漏点数据在所有数据中的重要性，从而提高整个系统的预测与决策效果；

调整漏点数据权重时，权重比例在调整时必须根据漏点数量而定，在每口井平均有2～4个漏点的情况下，权重比例必须控制在1～40之间，权重比例过大的话会导致数据在井漏风险数据挖掘模块产生过拟合，从而对数据挖掘过程产生负面的影响；

井漏风险数据挖掘模块，该模块将已经设置好权重比例的各项参数分别作为样本，分析井漏风险与井漏征兆之间的关联性和各项井漏参数与堵漏成功实例之间的关联性，并以75％的支持度为标准判断出频繁项集与非频繁项集，从而建立各井漏风险与井漏征兆的关联关系以及各项井漏参数与堵漏成功实例的关联关系；

井漏风险评估模块，将井漏风险数据挖掘模块输出结果进行分析，判断出井漏的严重程度和井漏风险等级并输出；

所述井漏风险评估过程包括两部分，第一部分是判断漏失程度，当得出的漏失速率大于等于1m³/h、小于10m³/h时，系统判定为部分漏失，而漏失速率大于等于10m³/h、小于15m³/h时，系统判定为严重漏失，当漏失速率大于等于15m³/h时，则判定为完全漏失；第二部分是判断井漏风险情况，所述系统将所有的井漏相关参数配合井漏实例，并利用关联规则进行数据挖掘后可以判断出井漏风险范围，将井漏风险从低到高分别按照[0，20％]、(20％，65％]、(65％，100％]的范围划分为安全、模糊、危险三种情况；

井漏辅助决策模块，用于将各类井漏风险预测案例与井漏风险实时预测结果进行对比和分析，判断出实际堵漏所需的材料并以对比表格的形式进行输出。

2.根据权利要求1所述基于关联规则的井漏风险预测与堵漏决策系统，其特征在于，井漏辅助决策过程为：

在利用井漏风险数据挖掘模块得到发生井漏的结论后，首先利用关联规则方法将各项井漏参数与堵漏成功实例相关联，并根据关联结果得到堵漏决策代码，再根据堵漏决策代码从数据库中调用该代码代表的堵漏实例，输出该实例成功堵漏时所用的堵漏材料。

3.一种基于关联规则的井漏风险预测与堵漏决策方法，其特征在于，所述井漏风险预测与堵漏决策方法包括以下步骤：

步骤S1：采集历史钻井数据和现场钻井实测数据，按照区块分别存入数据库中，除此之外，还将所有收集到的堵漏成功实例以堵漏决策代码的形式存入数据库中；

步骤S2：设置待训练的钻井数据对应的输入参数，并针对钻井数据各项参数属性分别进行数据预处理；

步骤S3：通过权重调整提高漏点数据的重要性，并建立井漏风险与井漏征兆、各项井漏参数与堵漏成功实例两种关联规则；具体包括：根据漏点数量确定权重比例，将已经设置好权重比例的各项参数分别作为样本，分析井漏风险与井漏征兆之间的关联性和各项井漏参数与堵漏成功实例之间的关联性，并以75％的支持度为标准判断出频繁项集与非频繁项集，从而建立各井漏风险与井漏征兆的关联规则以及各项井漏参数与堵漏成功实例的关联规则；

步骤S4：首先根据漏失量确定漏失程度，然后利用建立好的井漏风险与井漏征兆关联规则对井漏风险进行预测，判断井漏风险范围，并按照井漏风险系数判断井漏风险情况；

步骤S5：利用建立好的各项井漏参数与堵漏成功实例关联规则进行堵漏辅助决策，在参考堵漏成功实例的前提下根据不同情况的井漏事故优选出最适合的堵漏材料并输出堵漏决策代码，从而更好的帮助堵漏作业人员进行辅助决策。

Images