CN112412440A - 一种钻进时期早期井涌检测方法 - Google Patents

Abstract

本发明公开了一种钻进时期早期井涌检测方法，所述方法包括：s1、实时数据的读取与转换；s2、利用智能数据读取算法判断所处的钻井活动，在识别到钻进活动时进行后续步骤；s3、读取实时录井数据，提取需要的数据，并筛去异常值；s4、计算三个检测指标(d指数、泵排量差值和压力差)；s5、计算异常趋势检测指标(d指数偏差，泵排量差值和压力差的梯度)，s6、判断d指数是否偏离正常趋势，若是则使用异常趋势检测指标对d指数的检测结果进行验证，通过分配不同的权重计算一个最终风险指标；s7、根据设定的阈值判断是否触发警报；本发明所用的数据为钻进过程中获得的实时数据，不需要额外的设备。本发明选用d指数作为井涌检测的主要检测指标，并用传统井涌检测指标进行辅助检测，增强本发明检测结果的可靠性。本发明是一种更快，更可靠的自动实时早期井涌检测方法。

Description

一种钻进时期早期井涌检测方法

技术领域

本发明属于石油天然气钻井技术领域，特别涉及一种钻进时期早期井涌检测方法。

背景技术

钻进过程中可通过观察钻井液泵排量差值或钻井液池体积变化来进行溢流检测，钻井液池体积和钻井液排出量的增大通常表明井涌的发生。由于钻井液排出量的测量精度很大程度上取决于流量传感器的质量。且受钻井液性能(粘度、密度、含气率)、泥浆泵振动、回流管回流等影响，地面流量计无法准确测量钻井液泵出量，不利于准确监测溢流。虽然利用科里奥利流量计能有效提高测量精度，但该仪器价格昂贵且适用范围小。同时除地层流体流入外，更换钻井液池和增加钻井液等其他操作因素也会导致钻井液池体积增加。这些因素使得泥浆池液面检测法比流量差溢流检测法更不适用。

因当量循环密度(ECD)需要通过计算才能得到，故利用当量循环密度的检测方法有时会导致错误警报。

测量声波传播时间来检测气侵的方法称为声波法，常用于气侵的早期检测。目前使用的声波波源为泥浆泵产生的压力波，在井筒中会受到各种干扰，接受装置很难接收到有效的信号。

·利用物理模型进行钻井风险监测的系统在应用上有较多限制：物理模型需要大量数据输入和计算，所有物理模型都有特殊的假设作为前提。利用趋势分析进行检测的方法多通过视觉观察来完成，需要同时观察多种数据，观察过程中极有可能错过重要信息。因此，更快速、更简单、更准确的井涌检测是降低井控难度和减少非生产时间的一个关键点

发明内容

本发明旨在解决现有技术中存在的部分问题。为此，本发明在于提出一种钻进时期早期井涌检测方法，所述方法利用智能数据读取算法对实时录井数据进行筛选，首次将d指数作为井涌检测指标，并利用传统井涌检测指标提高检测结果的准确性，能够实现快速、稳健、可靠的随钻早期井涌检测(EKD)，同时不需要额外的设备。

一种钻进时期早期井涌检测方法，按照下述步骤进行：

1.智能数据读取算法

根据本发明中的一种钻进时期早期井涌检测方法，所述方法包括：利用智能数据读取算法读取实时录井数据，对钻井作业进行筛选，其流程如附图2所示。在检测到钻进作业时，会自动激活井涌检测算法。

2.井涌检测指标

根据本发明中的井涌检测算法，所述方法使用三个检测指标对井涌事件进行检测，其中包括：

d指数作为井涌早期监测的主要指标。d指数也被称为标准化钻速，是一个集多种钻井参数的变量。d指数在油气工业中应用于异常压力地层的识别和异常孔隙压力的检测。在正常压力层段，d指数随深度的增加呈增长趋势。当钻遇压力过大的地层时，d指数将偏离原始的增长趋势，遵循较慢的增长或降低趋势由于钻井过程中井涌多发生于钻穿异常高压层段，因此d指数作为检测异常压力地层的实时指标，是井涌检测的一个很好的指标。d指数的将传统井涌检测中没有用到的钻井参数进行整合如钻速，钻压和转速；消除因操作参数改变而导致的变化；只用了钻井数据，不需要额外设备；数据频率快，有助于实现早期检测。

式中：ROP为钻速，m/h；RPM为转速，rpm；WOB为钻压，t；D为钻头尺寸，mm。

经过压力校准的钻井液泵排量差值利用钻井液泵入量，排出量，和立管压力计算得到，用于检测井涌的发生。井涌产生时，钻井液泵排量差值呈增长趋势，

式中：Q_flow为钻井液泵排量差值，l/s；Q_out为钻井液排出量,l/s；Q_in为钻井液泵入量,l/s；SPP为立管压力，MPa；c_r是泥浆的压缩系数，P_ref是参考压力(14.7psig)。

井底压力关系着井筒压力系统是否平衡，是检测溢流的重要参数.。井底压力小于地层压力，意味着井底流体的流入即溢流的发生。

ΔP＝P-P_c (3)

式中：ΔP为地层压力与井底压力的偏差，MPa；P为地层压力，MPa；P_c为实测井底压力，MPa。

3.异常趋势检测指标

根据本发明中的井涌检测算法，所述方法包括三个异常趋势检测指标，其中包括：

将d指数实际值与预测值的偏差作为利用d指数判断井涌是否发生的检测指标。当d指数出现偏离原始的增长趋势，遵循较慢的增长或降低趋势，即D_d为正值。

D_d＝d_p-d_a (4)

式中：D_d为d指数实际值与预测值的偏差；d_p为d指数的预测值；d_a为d指数的实际值。

将Q_flow和ΔP的梯度作为利用Q_flow和ΔP判断井涌是否发生的检测指标。利用线性回归计算时序数据的梯度。首先利用最小二乘回归处理实时数据，获得最优线性拟合方程。将最优线性拟合方程的斜率记为K_t，用于表示数据的局部趋势，Q_flow和ΔP的梯度分别记为K_t，Q和K_t，P。当梯度为正值表示数据的增长趋势，算法如下：

F(x)＝a₀+a₁x (5)

K_t＝a_1，min (7)

式中：x为实时数据；F(x)为实时数据的一个线性拟合函数；a₀和a₁为常数；Γ(a₀，a₁)为目标函数，用于计算误差平方和；a_1，min为目标函数最小值时，即最优线性拟合函数的斜率。

4.井涌风险指数

当D_d的值符合井涌发生条件时(大于设定的阈值时)，则结合K_t，Q和K_t，P，通过分配不同的权重，得到一个最终井涌风险指数(KRI)。利用如下公式将KRI转换为从0到1的数值，当KRI大于设定的阈值时触发警报，计算公式如下：

式中，w_i为加权因子，w₁＝0.5，w₂＝0.25，w₃＝0.25。

相对于现有技术，本发明的有益效果：

本发明提出基于数据的井涌检测算法，采用智能数据读取算法，能自动识别钻进作业；采用d指数作为井涌检测的主要检测指标，并用传统井涌检测指标进行辅助检测，增强本发明检测结果的可靠性。通过分配权重函数决定最终趋势变化指数，在不需要额外传感器的基础上快速检测时间序列动态钻井数据的。

附图说明

图1是本发明一种井涌检测方法的流程示意图；

图2是本发明中智能数据读取算法流程图；

图3是本发明中早期井涌检测算法流程图；

图4是实施例中实时井涌检测结果图。

对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，可以根据以上附图获得其他的相关附图。

具体实施方式

下面通过具体实施方式结合附图对本发明作进一步详细说明，但本发明的实施方式不限于此。

本发明的整体工作流程如附图1所示。在实际应用中，利用实时钻井数据对井涌检测模型包括：

步骤101，传感器向综合录井仪传递实时数据；

步骤102，实时数据通过综合录井仪传至分析服务器；

这里，实时数据首先经过智能数据读取算法，判断当前数据是否为钻进时期的实时数据。若是，则触发井涌检测算法。

井涌检测算法的运算包括：井涌检测指标d指数、Q_flow和ΔP的计算；异常趋势检测指标D_d、K_t，Q和K_t，P的计算。经过上述计算，当D_d表示井涌发生后，分析服务器通过给D_d、K_t，Q和K_t，P分配不同的加权因子计算得到井涌风险指数。

步骤103，将最终井涌风险指数与阈值比较，若井涌风险指数大于阈值，将结果传送至异常预警模块，触发警报。若不大于，执行下一步。

步骤104，返回数据读取部分，读取下一时间步数据，重复检测算法。

本应用实施例分析服务器所用的智能数据读取算法能够对钻井作业进行筛选，准确识别钻进作业，本发明分析服务器中智能数据读取算法的工作流程如2所示。在实际应用中，利用实时钻井数据对钻进作业进行识别的算法包括：

步骤201，对实时录井数据进行读取和转换，获得实时钻井数据；

步骤202，通过判断是否有数据判断是否有钻井活动。若有则进行下一步，若没有，返回读取下一时间步的实时数据；

这里，没有数据表示当前没有钻井活动。

步骤203，判断实时数据是否变化。若随时间产生变化，则进行下一步。若没有，返回读取下一时间步的实时数据；

这里，实时数据没有变化表明当前可能处于起下钻、修井、扩眼或循环阶段。

步骤204，判断钻井泵是否处于工作状态。若是，则进行下一步。若不是，返回读取下一时间步的实时数据；

这里，钻井泵没有工作表明当前可能处于起下钻、接钻杆或循环阶段。

步骤205，判断深度是否随时间的增加而增加。若是，则进行下一步。若不是，返回读取下一时间步的实时数据；

这里，若深度随时间增加，表明当前处于钻进阶段。若不是，表明当前可能处于起下钻或修井阶段。

步骤206，激活早期井涌检测算法。

本应用实施例分析服务器所用的井涌检测算法，不需要额外的设备。本发明选用d指数作为井涌检测的主要检测指标，并用传统井涌检测指标进行辅助检测，增强本发明检测结果的可靠性。本发明是一种更快，更可靠的自动实时早期井涌检测方法。

本发明分析服务器中的井涌检测算法流程如附图3所示。在实际应用中，利用实时钻井数进行井涌检测的检测算法包括：

步骤301，读取钻进时期实时钻井数据，并提取所需钻井参数；

步骤302，使用物理标准筛选异常值；

步骤303，利用经过处理的实时钻井数据计算井涌检测指标和异常趋势检测指标；

这里，所述的井涌检测指标包括：

d指数

经过压力校准的钻井液泵排量差值，Q_flow

地层压力与井底压力的偏差，ΔP

ΔP＝P-P_c (11)

这里，异常趋势检测指标包括：

d指数实际值与预测值的偏差，D_d。

D_d＝d_p-d_a (12)

Q_flow和ΔP的梯度分别记为K_t，Q和K_t，P。

F(x)＝a₀+a₁x (13)

K_t＝a_1，min (15)

步骤304，判断D_d是否大于阈值，若是则进行下一步，若不是，则返回读取下一时间步实时数据；

步骤305，计算最终风险指数KRI；

这里，在利用d指数检测到井涌发生后，与Q_flow和ΔP的检测结果相结合，用以加强检测结果的准确性，最终通过分配不同的加权因子计算得到KRI，KRI的取值范围在0到1之间。

步骤306，若KRI大于阈值，则进行下一步，若不是，则返回读取下一时间步实时数据；

步骤307，触发警报。

下面结合应用实施例对本发明再做进一步详细的描述。本应用实施例使用实施钻井数据进行井涌检测，检测过程包括：

步骤401，利用智能数据读取算法对实时钻井数据进行筛选，若不是钻进阶段的数据，返回读取下一时间步实时数据，当识别到钻进阶段时，激活井涌检测算法，进行下一步；

步骤402，利用物理标准筛去异常值；

步骤403，利用处理后的实时数据计算井涌检测指标：d指数、Q_flow、ΔP，异常趋势检测指标：D_d、K_t，Q和K_t，P。

这里，计算公式如下:

ΔP＝P-P_c (19)

D_d＝d_p-d_a (20)

F(x)＝a₀+a₁x (22)

K_t＝a_1，min (24)

步骤404，判断D_d是否大于阈值，若是则进行下一步，若不是，则返回读取下一时间步实时数据；

步骤405，计算最终风险指数KRI；

这里，如附图4所示，在04：29左右检测到D_d大于阈值(阈值设为0.04)，检测算法开始计算KRI：

步骤406，若KRI大于阈值，则进行下一步，若不是，则返回读取下一时间步实时数据；

步骤407，触发警报。

这里，如附图4所示，在04：39左右KRI大于设定的阈值(与值设为0.8)，触发警报。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例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：其依然可以对前述实施例所记载的技术方案进行修改，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各实施例技术方案的精神和范围。

Claims (3)

1.一种钻进时期早期井涌检测方法，其特征在于，按照下述步骤进行：

步骤一、传感器向综合录井仪传递实时数据；

步骤二、实时数据通过综合录井仪传至分析服务器；判断当前数据是否为钻进时期的实时数据，若是，则触发井涌检测算法；

步骤三、进行井涌检测算法，包括：井涌检测指标d指数、Q_flow和ΔP的计算；异常趋势检测指标D_d、K_t，Q和K_t，P的计算，经过上述计算，当D_d表示井涌发生后，分析服务器通过给D_d、K_t，Q和K_t，P分配不同的加权因子计算得到井涌风险指数；将最终井涌风险指数与阈值比较，若井涌风险指数大于阈值，将结果传送至异常预警模块，触发警报，若不大于，执行下一步；

步骤四、返回数据读取部分，读取下一时间步数据，重复检测算法。

2.如权利要求1所述一种钻进时期早期井涌检测方法，其特征在于：在步骤二中，判断当前数据是否为钻进时期的实时数据的方法为：

步骤201，对实时录井数据进行读取和转换，获得实时钻井数据；

步骤202，通过判断是否有数据判断是否有钻井活动，若有则进行下一步，若没有，返回读取下一时间步的实时数据；

步骤203，判断实时数据是否变化，若随时间产生变化，则进行下一步，若没有，返回读取下一时间步的实时数据；

步骤204，判断钻井泵是否处于工作状态，若是，则进行下一步。若不是，返回读取下一时间步的实时数据；

步骤205，判断深度是否随时间的增加而增加，若是，则进行下一步，若不是，返回读取下一时间步的实时数据；

步骤206，判断为钻进时期的实时数据，激活井涌检测算法。

3.如权利要求1所述一种钻进时期早期井涌检测方法，其特征在于：在步骤三中，井涌检测算法包括：

步骤301，读取钻进时期实时钻井数据，并提取所需钻井参数；

步骤302，使用物理标准筛选异常值；

步骤303，利用经过处理的实时钻井数据计算井涌检测指标和异常趋势检测指标；

所述的井涌检测指标包括：

d指数

经过压力校准的钻井液泵排量差值，Q_flow

地层压力与井底压力的偏差，ΔP

ΔP＝P-P_c (11)

异常趋势检测指标包括：

d指数实际值与预测值的偏差，D_d。

D_d＝d_p-d_a (12)

Q_flow和ΔP的梯度分别记为K_t，Q和K_t，P。

F(x)＝a₀+a₁x (13)

K_t＝a_1，min (15)

步骤304，判断D_d是否大于阈值，若是则进行下一步，若不是，则返回读取下一时间步实时数据；

步骤305，计算最终风险指数KRI；

在利用d指数检测到井涌发生后，与Q_flow和ΔP的检测结果相结合，用以加强检测结果的准确性，最终通过分配不同的加权因子计算得到KRI，KRI的取值范围在0到1之间。

步骤306，若KRI大于阈值，则进行下一步，若不是，则返回读取下一时间步实时数据；

步骤307，触发警报。

Images