CN114562236B - 一种基于集成学习模型的地质工程一体化井漏实时预警方法 - Google Patents
一种基于集成学习模型的地质工程一体化井漏实时预警方法 Download PDFInfo
- Publication number
- CN114562236B CN114562236B CN202210139277.7A CN202210139277A CN114562236B CN 114562236 B CN114562236 B CN 114562236B CN 202210139277 A CN202210139277 A CN 202210139277A CN 114562236 B CN114562236 B CN 114562236B
- Authority
- CN
- China
- Prior art keywords
- lost circulation
- model
- parameters
- early warning
- integrated
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH DRILLING; MINING
- E21B—EARTH DRILLING, e.g. DEEP DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B43/00—Methods or apparatus for obtaining oil, gas, water, soluble or meltable materials or a slurry of minerals from wells
- E21B43/01—Methods or apparatus for obtaining oil, gas, water, soluble or meltable materials or a slurry of minerals from wells specially adapted for obtaining from underwater installations
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH DRILLING; MINING
- E21B—EARTH DRILLING, e.g. DEEP DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B47/00—Survey of boreholes or wells
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH DRILLING; MINING
- E21B—EARTH DRILLING, e.g. DEEP DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B47/00—Survey of boreholes or wells
- E21B47/10—Locating fluid leaks, intrusions or movements
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH DRILLING; MINING
- E21B—EARTH DRILLING, e.g. DEEP DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B47/00—Survey of boreholes or wells
- E21B47/10—Locating fluid leaks, intrusions or movements
- E21B47/11—Locating fluid leaks, intrusions or movements using tracers; using radioactivity
- E21B47/111—Locating fluid leaks, intrusions or movements using tracers; using radioactivity using radioactivity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Mining
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Abstract
本发明提供一种基于集成学习模型的地质工程一体化井漏实时预警方法,建立模型训练样本集、建立映射向量组、建立基于XGboost算法的集成学习模型、井漏预警模型的训练和井漏预警模型现场应用。本发明方法基于钻井动态数据库中的工程地质参数变化情况,可以准确判断当前层位是否发生漏失,能够减少人为判断误差、降低钻井作业风险,为现场作业提供重要技术支持。
Description
技术领域
本发明涉及钻井井漏实时预警领域和大数据机器学习技术领域,更具体地说涉及一种基于集成学习模型的地质工程一体化井漏实时预警方法。
背景技术
渤海油田是目前中国海上最大的油田,地质油藏具有构造破碎、断裂发育、油藏复杂、地层完整性差等特点。具不完全统计,渤海油田自2008年至2020年期间共计有184口井发生不同情况井漏,其中由于裂缝导致井漏的共计66口,占总井漏数的36%。漏失原因为潜山本体及风化壳及上覆含少量火山碎屑地层易漏裂隙构造发育,构造裂缝在地层条件下通常处于闭合状态,钻井过程中井内压力超过地层的承压能力时,地层微裂缝产生、张开、延展,达到致漏程度时就会发生井漏。
随着渤海油田勘探开发向中深层迈进,埋藏较深的新生代古近系沙河街组、元古界、太古界将成为主要漏失层位,钻井过程中遇到断层、裂缝及溶蚀孔洞、裂缝及地层破碎带、基质孔隙较大等特征地层的概率也会随之增大。但目前,渤海油田钻井井漏诊断还依赖于现场监督、专家的经验,诊断准确率和稳定性较差,不能及时发现井漏会加深井漏事故的危害程度,可能严重影响钻井时效,增加作业成本。
发明内容
本发明克服了现有技术中的不足,目前渤海油田钻井井漏诊断还依赖于现场监督、专家的经验,诊断准确率和稳定性较差,不能及时发现井漏会加深井漏事故的危害程度,可能严重影响钻井时效,增加作业成本,提供了一种基于集成学习模型的地质工程一体化井漏实时预警方法,该方法基于钻井动态数据库中的工程地质参数变化情况,可以准确判断当前层位是否发生漏失,能够减少人为判断误差、降低钻井作业风险,为现场作业提供重要技术支持。
本发明的目的通过下述技术方案予以实现。
一种基于集成学习模型的地质工程一体化井漏实时预警方法,按照下述步骤进行:
步骤1,建立模型训练样本集:从井史数据库中搜索发生过井漏事故的井,采集发生井漏时的工程参数、漏失层位的地质参数,形成井漏预测模型的训练样本集,并对样本集进行数据预处理;
步骤2,建立映射向量组:从训练样本集中选取与井漏具有强关联性的特征属性,确定特征属性的值为该集成学习模型的输入端,建立映射向量组;
步骤3,建立基于XGboost算法的集成学习模型:对模型核心算法的参数进行赋值,调整得到高精度的井漏预警模型;
步骤4,井漏预警模型的训练:建立训练目标函数,确定训练误差值,使用训练样本集对模型训练,达到模型预设精度后训练完成;
步骤5,井漏预警模型现场应用:导出钻井实时动态数据库中的工程、地质参数,作为输入端参数,使用模型对当前钻井井段进行井漏预警。
在步骤1中,数据预处理包括无效数据的清洗、数据平滑化处理、数据标准化处理。
数据标准化处理采用最小-最大标准化的方法,该方法能够将原始数据缩放到某一特定小区间内,消除不同参数的量纲对数据的影响,同时固定数据的取值范围,按以下公式计算:
式中,x*为标准化后的数据;x为未标准化数据;xmin为x的最小值;xmax为x的最大值。
在步骤2中,与井漏具有强关联性的特征属性,结合目前现有技术手段,能够从钻井动态参数、测井监测参数、地质分析参数三个维度选取。
钻井动态参数包括泵压、返出率及泥浆池液面下降率,测井监测参数包括自然伽马值、电阻率、岩性密度及中子值,地质分析参数为地震方差强度。
地震方差强度以地震强弱区分,强方差赋值为0,弱方差赋值为1。
在步骤3中,模型参数调整并赋值的方法为网格搜索法,在不同类别模型参数组合形成的网格上,选取使模型误差最小的参数组合。
模型误差采用均方误差,均方误差越接近0,算法准确度越高,均方误差的计算公式如下:
式中,neg_mse为均方误差,小数;yi为测试集中第i个样本井漏情况实际值,小数。
在步骤4中,将样本集中的输入端和期望输出值映射学习,其目标函数为:
其中,设定误差值为0.001,目标函数达到设定误差值时训练结束。
步骤5的具体应用过程为:从钻井实时动态数据库收集特征参数,预处理后输入该集成学习模型,通过调整XGboost算法关键参数优化模型诊断的准确率,多个决策树循环训练后,使算法的目标函数达到预设精度,实现模型基于动态钻井参数进行井漏实时预警。
本发明的有益效果为:本发明提出的基于集成学习模型的地质工程一体化井漏实时预警方法能够基于钻井动态数据库中的工程地质参数变化情况,准确判断当前层位是否发生漏失,减少人为判断误差、降低钻井作业风险。
附图说明
图1是本发明提供的模型核心算法流程图;
图2是本发明提供的漏失层位测井图。
具体实施方式
下面通过具体的实施例对本发明的技术方案作进一步的说明。
实施例1
从渤海C油田的井史数据库中搜索发生过井漏事故的井,采集发生井漏时的工程参数、漏失层位的地质参数,形成井漏预测模型的训练样本集,并对样本集进行无效数据的清洗、数据平滑化处理、数据标准化处理,数据标准化处理采用的方法是最小-最大标准化,按以下公式计算:
式中,x*为标准化后的数据;x为未标准化数据;xmin为x的最小值;xmax为x的最大值。
从训练样本集中选取8项与井漏具有强关联性的特征属性,分别设为泵压x1、返出率x2、泥浆池液面下降率x3、自然伽马值x4、电阻率x5、岩性密度x6、中子值x7及地震方差强度x8,将确定的特征属性取值依次记为向量X={x1,x2,x3,…,x8}。
采用网格搜索法调整模型参数,使模型的均方误差接近0,均方误差计算公式如下:
式中,neg_mse为均方误差,小数;yi为测试集中第i个样本井漏情况实际值,小数。
设定模型目标函数的误差值为0.001,将样本集中的输入端和期望输出值映射学习,达到设定误差值时训练结束,模型目标函数如下:
使用本发明提出的井漏实时预警模型,对渤海C油田4井311.15mm井段钻井过程中的工程地质动态参数变化情况进行诊断预测,结果见表1。
表1 C油田4井漏失实时预警模型计算结果表
根据井漏实时预警模型计算结果可知,本发明提供的方法对C油田4井3510m处漏点进行了准确诊断并预警,井漏的整体诊断准确率高达87.5%。
实施例2
从渤海C油田的井史数据库中搜索发生过井漏事故的井,采集发生井漏时的工程参数、漏失层位的地质参数,形成井漏预测模型的训练样本集,并对样本集进行无效数据的清洗、数据平滑化处理、数据标准化处理,数据标准化处理采用的方法是最小-最大标准化,按以下公式计算:
式中,x*为标准化后的数据;x为未标准化数据;xmin为x的最小值;xmax为x的最大值。
从训练样本集中选取8项与井漏具有强关联性的特征属性,分别设为泵压x1、返出率x2、泥浆池液面下降率x3、自然伽马值x4、电阻率x5、岩性密度x6、中子值x7及地震方差强度x8,将确定的特征属性取值依次记为向量X={x1,x2,x3,…,x8}。
采用网格搜索法调整模型参数,使模型的均方误差接近0,均方误差计算公式如下:
式中,neg_mse为均方误差,小数;yi为测试集中第i个样本井漏情况实际值,小数。
设定模型目标函数的误差值为0.001,将样本集中的输入端和期望输出值映射学习,达到设定误差值时训练结束,模型目标函数如下:
使用本发明提出的井漏实时预警模型,对渤海C油田6井215.9mm井段钻井过程中的工程地质动态参数变化情况进行诊断预测,结果见表2。
表2 C油田6井漏失实时预警模型计算结果表
根据井漏实时预警模型计算结果可知,本发明提供的方法对C油田6井4160m处漏点进行了准确诊断并预警,井漏的整体诊断准确率高达85.7%。
以上对本发明做了示例性的描述,应该说明的是,在不脱离本发明的核心的情况下,任何简单的变形、修改或者其他本领域技术人员能够不花费创造性劳动的等同替换均落入本发明的保护范围。
Claims (6)
1.一种基于集成学习模型的地质工程一体化井漏实时预警方法,其特征在于,按照下述步骤进行:
步骤1,建立模型训练样本集:从井史数据库中搜索发生过井漏事故的井,采集发生井漏时的工程参数、漏失层位的地质参数,形成井漏预测模型的训练样本集,并对样本集进行数据预处理;
步骤2,建立映射向量组:从训练样本集中选取与井漏具有强关联性的特征属性,确定特征属性的值为该集成学习模型的输入端,建立映射向量组;所述步骤2中与井漏具有强关联性的特征属性,结合目前现有技术手段,从钻井动态参数、测井监测参数、地质分析参数三个维度选取;所述钻井动态参数包括泵压、返出率及泥浆池液面下降率,测井监测参数包括自然伽马值、电阻率、岩性密度及中子值,地质分析参数为地震方差强度,地震方差强度以地震强弱区分,强方差赋值为0,弱方差赋值为1;
步骤3,建立基于XGboost算法的集成学习模型:对模型核心算法的参数进行赋值,调整得到高精度的井漏预警模型;
步骤4,井漏预警模型的训练:建立训练目标函数,确定训练误差值,使用训练样本集对模型训练,达到模型预设精度后训练完成;在步骤4中,将样本集中的输入端和期望输出值映射学习,其目标函数为:
其中,设定误差值为0.001,目标函数达到设定误差值时训练结束;
步骤5,井漏预警模型现场应用:导出钻井实时动态数据库中的工程、地质参数,作为输入端参数,使用模型对当前钻井井段进行井漏预警。
2.根据权利要求1所述的一种基于集成学习模型的地质工程一体化井漏实时预警方法,其特征在于,所述步骤1中,数据预处理包括无效数据的清洗、数据平滑化处理、数据标准化处理。
3.根据权利要求2所述的一种基于集成学习模型的地质工程一体化井漏实时预警方法,其特征在于,所述数据标准化处理采用的方法是最小—最大标准化,该方法将原始数据缩放到某一特定小区间内,消除不同参数的量纲对数据的影响,同时固定数据的取值范围,按以下公式计算:
式中,x*为标准化后的数据;x为未标准化数据;xmin为x的最小值;xmax为x的最大值。
4.根据权利要求1所述的一种基于集成学习模型的地质工程一体化井漏实时预警方法,其特征在于,在步骤3中,模型参数调整并赋值的方法为网格搜索法,在不同类别模型参数组合形成的网格上,选取使模型误差最小的参数组合。
5.根据权利要求4所述的一种基于集成学习模型的地质工程一体化井漏实时预警方法,其特征在于,模型误差为均方误差,均方误差越接近0,算法准确度越高,均方误差的计算公式如下:
式中,neg_mse为均方误差,小数;yi为测试集中第i个样本井漏情况实际值,小数。
6.根据权利要求1所述的一种基于集成学习模型的地质工程一体化井漏实时预警方法,其特征在于,步骤5的具体应用过程为:从钻井实时动态数据库收集特征参数,预处理后输入该集成学习模型,通过调整XGboost算法关键参数优化模型诊断的准确率,多个决策树循环训练后,使算法的目标函数达到预设精度,实现模型基于动态钻井参数进行井漏实时预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210139277.7A CN114562236B (zh) | 2022-02-15 | 2022-02-15 | 一种基于集成学习模型的地质工程一体化井漏实时预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210139277.7A CN114562236B (zh) | 2022-02-15 | 2022-02-15 | 一种基于集成学习模型的地质工程一体化井漏实时预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114562236A CN114562236A (zh) | 2022-05-31 |
CN114562236B true CN114562236B (zh) | 2023-07-28 |
Family
ID=81713213
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210139277.7A Active CN114562236B (zh) | 2022-02-15 | 2022-02-15 | 一种基于集成学习模型的地质工程一体化井漏实时预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114562236B (zh) |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105550448B (zh) * | 2015-12-15 | 2018-08-14 | 中国石油天然气股份有限公司 | 基于钻井轨迹设计参数的预钻井三维井眼建模方法及装置 |
CN109542884B (zh) * | 2018-11-01 | 2023-04-07 | 清能艾科(深圳)能源技术有限公司 | 采用大数据耦合参数以优化破岩效率的方法和系统 |
CN111652253A (zh) * | 2019-03-04 | 2020-09-11 | 中石化石油工程技术服务有限公司 | 一种基于大数据的井漏事故检测预警方法 |
CN110766192B (zh) * | 2019-09-10 | 2022-09-09 | 中国石油大学(北京) | 基于深度学习的钻井井漏预测系统及方法 |
CN110795888A (zh) * | 2019-09-12 | 2020-02-14 | 四川宏华电气有限责任公司 | 一种石油钻井风险预测方法 |
US11846174B2 (en) * | 2020-02-01 | 2023-12-19 | Halliburton Energy Services, Inc. | Loss circulation detection during cementing operations |
US20210248500A1 (en) * | 2020-02-10 | 2021-08-12 | Schlumberger Technology Corporation | Hybrid modeling process for forecasting physical system parameters |
US11795814B2 (en) * | 2020-03-13 | 2023-10-24 | Landmark Graphics Corporation | Early warning and automated detection for lost circulation in wellbore drilling |
CN112348278A (zh) * | 2020-11-18 | 2021-02-09 | 中铁工程装备集团有限公司 | 一种基于XGBoost算法预测盾构机土仓压力的方法 |
CN112541571A (zh) * | 2020-11-25 | 2021-03-23 | 中国石油大学(华东) | 基于双并联神经网络的机器学习的注采连通性确定方法 |
CN112627733B (zh) * | 2020-12-17 | 2022-11-15 | 中国石油大学(华东) | 深水控压钻井水力参数实时优化方法及设备 |
CN113236221A (zh) * | 2021-05-06 | 2021-08-10 | 中海油能源发展股份有限公司 | 一种地质导向钻井的轨迹控制方法 |
-
2022
- 2022-02-15 CN CN202210139277.7A patent/CN114562236B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114562236A (zh) | 2022-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020125682A1 (zh) | 一种应用随钻数据计算岩石强度的方法和系统 | |
CN111648764B (zh) | 一种多层气藏井下分布式温度监测产出剖面解释评价方法 | |
CN113553780B (zh) | 一种基于机器学习的地层孔隙压力预测方法 | |
CN111665560A (zh) | 油气层识别方法、装置、计算机设备及可读存储介质 | |
CN107895092A (zh) | 一种基于复杂非线性注采建模的井间连通定量评价方法 | |
CN114818076B (zh) | 一种基于机器学习的断层封闭烃柱高度评价方法 | |
CN113886989A (zh) | 一种基于机器学习的石油钻井的参数优化方法及系统 | |
CN114004100B (zh) | 一种油藏辅助历史拟合和优化模拟方法 | |
CN117251802B (zh) | 一种基于迁移学习的非均质储层参数预测方法及系统 | |
CN114488311A (zh) | 基于ssa-elm算法的横波时差预测方法 | |
CN114562236B (zh) | 一种基于集成学习模型的地质工程一体化井漏实时预警方法 | |
CN111751878A (zh) | 横波速度的预测方法和装置 | |
CN115019476B (zh) | 一种基于多源信息融合的滑坡时空信息监测预警方法 | |
CN115860197A (zh) | 一种基于数据驱动的煤层气产量预测方法及系统 | |
CN107704646B (zh) | 一种致密储层体积改造后的建模方法 | |
CN110414085A (zh) | 已开发断块油藏原始油水界面确定方法 | |
CN111155980A (zh) | 一种水流优势通道识别方法及装置 | |
CN115434696A (zh) | 一种岩性识别数据库构建方法及岩性识别方法 | |
CN112502677B (zh) | 一种基于多元线性回归的注水开发效果评价方法 | |
CN111706323A (zh) | 一种综合gwo-lssvm算法的水淹层精细解释评价方法 | |
CN110765606A (zh) | 一种用于预测储层含油性的含油指数模型的构建方法及储层含油性的预测方法 | |
CN117541082B (zh) | 基于油藏-井筒-设备评价指标集成的综合评价方法 | |
CN117407841B (zh) | 一种基于优化集成算法的页岩层理缝预测方法 | |
CN117094236B (zh) | 一种深水钻井气侵数据分析的高精度校准方法 | |
CN113344729B (zh) | 一种基于小样本学习的剩余油挖潜方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |