CN113685166A - 一种钻井事故预警方法及系统 - Google Patents

Abstract

本发明涉及钻井事故预警技术领域，更具体地，涉及一种钻井事故预警方法及系统，其中一种钻井事故预警方法，包括以下步骤：S1：采集钻井施工过程中的多维时序数据；S2：将多维时序数据输入多因子HTM钻井事故预警模型，计算原始异常分数，确认输入能够被预测及不能被预测的时间段；S3：对不能被预测的时间段计算异常似然分数L_t；S4：对异常似然分数L_t进行阈值化处理，并通过阈值进行决策。本发明的目的在于克服现有技术的不足，提供一种具有较高抗干扰性、具备自适应性及低误报性的钻井事故预警方法。

Description

一种钻井事故预警方法及系统

技术领域

本发明涉及钻井事故预警技术领域，更具体地，涉及一种钻井事故预警方法 及系统。

背景技术

地下蕴藏着丰富的石油、天然气、原煤及其它矿产资源等可供人类利用的资 源，其中石油、天然气和原煤是目前世界能源结构中的主要组成部分，是人类赖 以生存和发展的重要物质基础。石油钻井是石油、天然气勘探开发的重要手段， 是一项高投入、高风险和高技术水平的隐蔽性地下工程。由于大量隐蔽、复杂的 因素存在于不同地层及不同地质中，同时在钻井作业的过程中，也伴随着许多不 确定性、随机性和模糊性因素，在诸多因素作用下，钻井事故频繁发生，特别在 复杂层段或新探区，潜在的事故尤为突出。并且事故的形式多种多样，事故原因 错综复杂，事故的表现千差万别，同时事故的处理需要大量的人力物力，大大增 加了钻井成本，造成资金和时间的巨大浪费。特别严重的钻井事故还可能会危害 职工及当地群众的生命安全，给国家和人民带来极大的财产损失和人员伤亡。因此，在复杂的钻井施工过程中，如果能够运用各种监控参数信息对有可能发生的 钻井事故提前给出相对准确的预警或一定程度的警示，对于防止和控制钻井事故 的扩大，最大限度地减少经济损失具有非常重大的现实意义。

目前，利用钻井录井大数据进行事故诊断及预警得到了广泛重视，已经探索 了神经网络、模糊系统以及数据挖掘技术已经在石油钻井事故诊断中的应用，并 且提出了不同的预警模型。常用的钻井事故预警方法有人工判断、专家系统、神 经网络、D-S证据理论等等，由于钻井过程隐蔽性强，无法直接了解井下情况， 凭借人的经验进行事故定性判断，事故预警的实时性和准确度都不高；专家系统 可以解决许多事故预警问题，但对于复杂系统需要大量的产生式规则，且运算量 大，难以满足实时性要求；D-S证据法存在“证据”难以获取和异常模式较多时 信息量剧增的问题；神经网络法则需要大量训练样本，训练速度慢，模型参数的 选择需要依据经验。钻井事故的发生具有动态不确定性，在不同的钻井环境、工 况或条件(地层、井况、钻机等)发生的事故及其发生的征兆可能各不相同，数 据变化复杂，这要求事故预警模型具有较高的自适应性和准确性，现有的预测方 法很难满足。

中国专利CN109594967A公开了一种基于录井大数据的卡钻事故检测预警 方法，在传统专家系统的基础上，通过数据预处理及特征重组，然后进行学习模 型选型后用判别模型调优，将最终生成的模型用于检测钻井工程异常；但钻井监 测系统数据复杂，噪声强烈，且几乎不可预测，直接使用数据处理后生成的模型 进行预测，存在极大的不稳定性，准确率偏低，误报可能性大。

发明内容

本发明的目的在于克服现有技术的不足，提供一种具有较高抗干扰性、具备 自适应性及低误报性的钻井事故预警方法。

为解决上述技术问题，本发明采用的技术方案是：

提供一种钻井事故预警方法，包括以下步骤：

S1：采集钻井施工过程中的多维时序数据；

S2：将多维时序数据输入多因子HTM钻井事故预警模型，计算原始异常分 数，确认输入能够被预测及不能被预测的时间段；

S3：对不能被预测的时间段计算异常似然分数L_t；

S4：对异常似然分数L_t进行阈值化处理，并通过阈值进行决策。

进一步地，所述步骤S1包括以下步骤：

S11：采集钻井施工过程中的传感器的多维时序关键征兆数据；

S12：将在时刻t采集到的关键征兆数据集合记为向量x_t；

S13：将在不同的时刻采集到的关键征兆数据集合进行汇总获取连续的多维 数据流：…,x_t-2,x_t-1,x_t,x_t+1,x_t+2,…；

进一步地，在步骤S12中的关键征兆数据包括扭矩、转盘转速、大勾载荷、 大勾高度、泵压。

进一步地，通过阈值进行决策的判定如下：若异常似然分数L_t≥阈值，则系 统异常；若异常似然分数L_t＜阈值，则系统正常。

进一步地，所述原始异常分数s_t的计算公示如下：

其中，s_t为原始异常分数，π(x_t-1)为HTM网络内部状态向量，a(x_t)为向 量x_t的稀疏二值编码。

进一步地，所述原始异常分数s_t的范围为0≤s_t≤1，其中，0表示时刻t的 输入能够被完美地预测，1表示时刻t的输入完全不能被预测，区间内的值反映 了输入和预测之间的相似度；通过设定预测值，将相似度与预测值进行比较，评 估是否能够被预测。。

进一步地，所述异常似然分数L_t的计算公式如下：

其中L_t为异常似然分数，Q为高斯尾部概率函数，

为短期平均值，μ_t为 样本均值，σ_t为标准差。

进一步地，所述短期平均值

的计算公式如下：

其中，

为短期平均值，S_t-i为t-i时刻的异常分数，W’为短期平均值的窗口 长度。

进一步地，所述标准差σ_t的计算公式如下：

其中，σ_t为标准差，S_t-i为t-i时刻的异常分数，μ_t为样本均值，W为计算 均值的窗口长度，W>>W’。

进一步地，所述异常似然分数L_t的范围为0≤L_t≤1，所述阈值的范围为0.8 ≤阈值≤1。

进一步地，在判定阈值决策结果为异常时，发出报警信息。

本发明还提供一种钻井事故预警系统，包括依次通信连接的用于对历史数据 进行学习后对当前时刻数据进行预测的预测模块、用于对当前时刻数据进行异常 分析的异常程度分析模块、用于将异常程度分析模块的分析结果与阈值进行比较 后判断系统是否正常的阈值决策模块。

优选地，钻井事故预警系统还包括用于在系统出现异常时进行报警的报警模 块，所述报警模块与所述阈值决策模块通信连接。

与现有技术相比，本发明的有益效果是：

(1)易用性：本发明能够对复杂系统监测数据进行无监督学习，不需要训 练数据或单独的训练步骤，这大大降低了用户的时间和精力，易于工程部署。

(2)实用性：钻井监测系统包含复杂的多维传感器数据，能够以多维时序 数据为模型输入，对多维时序数据的整体异常状态进行评估，契合实际应用场景。

(3)抗干扰性：将原始异常分数转换为异常似然分数，可提供对噪声数据 的容忍度，能有效地降低复杂场景下随机噪声对预警结果的影响。

(4)自适应性：本发明能够在线学习复杂系统监测数据的时序变化信息， 能够不断自适应数据统计特征的变化。

(5)低误报性：阈值决策模块进行阈值把控，能最大程度地减少误报率。

(6)可迁移性：基于多因子HTM的钻井事故预警方法能够进行在线的无 监督学习，模型在不同录井系统之间进行迁移时，能够自动学习新井的数据模型， 具有较强的可迁移性。

附图说明

图1为本发明一种钻井事故预警方法的流程图。

图2为本发明一种钻井事故预警系统的框图。

具体实施方式

下面结合具体实施方式对本发明作进一步的说明。其中，附图仅用于示例性 说明，表示的仅是示意图，而非实物图，不能理解为对本专利的限制；为了更好 地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产 品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可 以理解的。

在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、 “宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、 “顶”、“底”、“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等 指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本 发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、 以特定的方位构造和操作，因此不能理解为对本发明的限制。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相 对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二” 的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个” 的含义是至少两个，例如两个、三个等，除非另有明确具体的限定。

在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、 “固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接， 或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中 间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非 另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述 术语在本发明中的具体含义。

在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下” 可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而 且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征 正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第 二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方， 或仅仅表示第一特征水平高度小于第二特征。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、 “具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特 征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书 中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述 的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的 方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中 描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

实施例1

如图1所示为本发明一种钻井事故预警方法的实施例，包括以下步骤：

S1：采集钻井施工过程中的多维时序数据；

录井监控系统采集钻井施工过程中的传感器多维时序数据，作为多因子HTM 钻井事故预警系统的输入。

S11：采集单元采集钻井施工过程中的传感器的多维时序关键征兆数据；

S12：记录单元将在时刻t采集到的关键征兆数据集合记为向量x_t；

关键征兆数据包括扭矩、转盘转速、大勾载荷、大勾高度、泵压，其中扭矩 为石油钻井机转盘承受的扭矩，大勾载荷为大钩所承受的载荷，大勾高度为大钩 的位置高度。还可以采用其他方式对计量罐及泵冲进行数据采集，也作为关键征 兆数据进行记录。

S13：汇总单元将在不同的时刻采集到的关键征兆数据集合进行汇总获取连 续的多维数据流：…,x_t-2,x_t-1,x_t,x_t+1,x_t+2,…；

S2：将多维时序数据输入多因子HTM钻井事故预警模型，计算原始异常分 数，确认输入能够被预测及不能被预测的时间段；

将采集的向量x_t输入至多因子HTM模型，由HTM网络持续地处理输入流 数据x_t，不断学习并建模输入流数据的时序和空间特性。HTM网络根据对历史 时序数据的学习，能够出色地完成对未来数据的预测。

对于给定输入向量x_t，HTM模型将x_t表示为稀疏二值编码a(x_t)，作为HTM 网络的后续结构输入。HTM网络内部状态向量π(x_t-1)表示HTM模型在时刻t-1 对a(x_t)的预测。后续原始异常分数的计算将基于a(x_t)和π(x_t-1)。

向预测模块中输入当前时刻数据，并进行预测；

通过计算原始异常分数来度量HTM网络对时刻t输入的预测和实际输入的 偏差。

异常程度分析模块通过所述预测模型的预测结果，获取原始异常分数s_t；

原始异常分数由预测的稀疏二值向量π(x_t-1)和实际输入稀疏二值向量 a(x_t)之间的交集来计算，时刻t的原始异常分数s_t由下式计算：

原始异常分数s_t的计算公示如下：

其中，s_t为原始异常分数，π(x_t-1)为HTM网络内部状态向量，a(x_t)为向 量x_t的稀疏二值编码。

原始异常分数s_t的范围为0≤s_t≤1。0表示时刻t的输入能够被完美地预测， 1表示时刻t的输入完全不能被预测，区间内的值反映了输入和预测之间的相似 度，通过设定预测值，将相似度与预测值进行比较，评估是否能够被预测。

由于HTM网络能够持续在线学习的特性，由钻井系统工况变化导致的数据 模式变化也能够得到很好的处理。如果工况发生变化，数据模式可能也会发生剧 烈变化，在刚开始预警系统还未适应时，将会得到较高的异常分数，但随着HTM 的在线学习，预警系统会逐渐适应新的数据模式，在适应了新工况以后，在其他 因素不变动的情况下，新工况自身参数导致的异常分数将自动下降为零，此时预 警系统恢复正常的预警工作，将对工况外的因素进行监测预警。

S3：对不能被预测的时间段计算异常似然分数L_t；

通异常程度分析模块过异常程度模型计算异常似然分数L_t；

原始异常分数是表示当前输入数据可预测性的瞬时度量，它对于可预测的数 据场景非常有效。但在钻井事故预警系统中，钻井监测系统数据复杂，噪声强烈， 且几乎不可预测，直接使用原始异常分数进行阈值决策会导致大量的误报。因此， 本发明不直接对原始异常分数进行阈值决策，而是对原始异常分数的分布进行建 模，使用这一分布来指示当前状态异常的可能性。异常似然分数是当前数据的状 态相对于HTM模型历史预测的异常程度的度量。

异常似然分数的计算过程如下。

维护一个由最近的W个异常分数构成的时序窗口，对窗口内的异常分数进 行正态分布建模。正态分布的样本均值μ_t和方差随

机时间序列的前进不断更 新：

其中，S_t-i为t-i时刻的异常分数，μ_t为样本均值，W为计算均值的窗口长度， W>>W’

在近期的W'(W’<<W)个异常分数中计算短期平均值

根据高斯尾部概率 函数Q来计算t时刻的异常似然分数L_t：

公式中：

异常似然分数L_t的范围是0≤L_t≤1，0表示时刻t的数据是正常的，1表示 时刻t的数据处于完全异常状态，区间内的值反映了数据的异常程度。

S4：对异常似然分数L_t进行阈值化处理，并通过阈值进行决策。

阈值决策模块通过异常似然分数L_t进行系统是否异常的判定，阈值决策模块 将异常似然分数L_t与阈值进行比较：若异常似然分数L_t≥阈值，则系统异常， 报警模块发出报警信息；若异常似然分数L_t＜阈值，则系统正常。

阈值的范围为0.8≤阈值≤1，阈值可以进行人为设定，阈值越接近1，则钻 井系统异常报告频率越低。

实施例2

如图2所示为本发明一种钻井事故预警系统的实施例，包括依次通信连接的 用于对历史数据进行学习后对当前时刻数据进行预测的预测模块、用于对当前时 刻数据进行异常分析的异常程度分析模块、用于将异常程度分析模块的分析结果 与阈值进行比较后判断系统是否正常的阈值决策模块。

进一步地，钻井事故预警系统还包括用于在系统出现异常时进行报警的报警 模块，报警模块与阈值决策模块通信连接。

预测模块将预测结果传输至异常程度分析模块，异常程度分析模块将异常分 析结果传输至阈值决策模块，阈值决策模块将判定结果传输至报警模块。

进一步地，预测模块包括依次通信连接的采集单元、记录单元、汇总单元、 学习单元。采集单元用于采集各项关键征兆数据，包括扭矩、转盘转速、大勾 载荷、大勾高度、泵压，还可以通过其他的采集方式对计量罐、泵冲的数据进行 采集，将采集而来的结果也纳入关键征兆数据中；记录单元将时刻t采集到的关 键征兆数据集合进行记录；汇总单元将在不同的时刻采集到的关键征兆数据集合 进行汇总；学习单元将多维数据流进行学习获取预测模型。采集单元将采集结果 传输至记录单元，记录单元将记录的数据传输至汇总单元，汇总单元把汇总结果 传输至学习单元。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非 是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明 的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施 方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进 等，均应包含在本发明权利要求的保护范围之内。

Claims (10)

1.一种钻井事故预警方法，其特征在于，包括以下步骤：

S1：采集钻井施工过程中的多维时序数据；

S2：将多维时序数据输入多因子HTM钻井事故预警模型，计算原始异常分数，确认输入能够被预测及不能被预测的时间段；

S3：对不能被预测的时间段计算异常似然分数L_t；

S4：对异常似然分数L_t进行阈值化处理，并通过阈值进行决策。

2.根据权利要求1所述的钻井事故预警方法，其特征在于，所述步骤S1中多维时序数据获取的具体步骤如下：

S11：采集钻井施工过程中的传感器的多维时序关键征兆数据；

S12：在时刻t采集到的关键征兆数据集合记为向量x_t；

S13：将在不同的时刻采集到的关键征兆数据集合进行汇总获取连续的多维数据流：…,x_t-2,x_t-1,x_t,x_t+1,x_t+2,…。

3.根据权利要求2所述的钻井事故预警方法，其特征在于，在步骤S12中的关键征兆数据包括扭矩、转盘转速、大勾载荷、大勾高度、泵压。

4.根据权利要求3所述的钻井事故预警方法，其特征在于，所述原始异常分数s_t的计算公示如下：

其中，s_t为原始异常分数，π(x_t-1)为HTM网络内部状态向量，a(x_t)为向量x_t的稀疏二值编码。

5.根据权利要求4所述的钻井事故预警方法，其特征在于，步骤S2中，所述原始异常分数s_t的范围为0≤s_t≤1，其中，0表示时刻t的输入能够被完美地预测，1表示时刻t的输入完全不能被预测，区间内的值反映了输入和预测之间的相似度；通过设定预测值，将相似度与预测值进行比较，评估是否能够被预测。

6.根据权利要求5所述的钻井事故预警方法，其特征在于，所述异常似然分数L_t的计算公式如下：

其中L_t为异常似然分数，Q为高斯尾部概率函数，

为短期平均值，μ_t为样本均值，σ_t为标准差。

7.根据权利要求6所述的钻井事故预警方法，其特征在于，所述短期平均值

的计算公式如下：

其中，

为短期平均值，S_t-i为t-i时刻的异常分数，W’为短期平均值的窗口长度。

8.根据权利要求7所述的钻井事故预警方法，其特征在于，所述标准差σ_t的计算公式如下：

其中，σ_t为标准差，S_t-i为t-i时刻的异常分数，μ_t为样本均值，W为计算均值的窗口长度，W>>W’。

9.根据权利要求1至8任一项所述的钻井事故预警方法，其特征在于，所述异常似然分数L_t的范围为0≤L_t≤1，所述阈值的范围为0.8≤阈值≤1。

10.一种钻井事故预警系统，其特征在于，包括依次通信连接的用于对历史数据进行学习后对当前时刻数据进行预测的预测模块、用于对当前时刻数据进行异常分析的异常程度分析模块、用于将异常程度分析模块的分析结果与阈值进行比较后判断系统是否正常的阈值决策模块。

Images