CN115203877A - 一种实时仿真模拟钻井状态的闭环钻井优化系统及方法 - Google Patents
一种实时仿真模拟钻井状态的闭环钻井优化系统及方法 Download PDFInfo
- Publication number
- CN115203877A CN115203877A CN202110374885.1A CN202110374885A CN115203877A CN 115203877 A CN115203877 A CN 115203877A CN 202110374885 A CN202110374885 A CN 202110374885A CN 115203877 A CN115203877 A CN 115203877A
- Authority
- CN
- China
- Prior art keywords
- drilling
- data
- real
- time
- optimization
- 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.)
- Pending
Links
Images
Classifications
-
- 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
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Geometry (AREA)
- Educational Administration (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Computer Hardware Design (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Earth Drilling (AREA)
Abstract
本发明提供了一种实时仿真模拟钻井状态的闭环钻井优化系统及方法,接入可用的各项静态数据和实时钻井数据,进而通过实时监测及预测模块在作业过程中识别钻井风险,监测目标井的参数异常情况,并实时预测目标井的钻井趋势数据,由随钻优化模块进一步根据钻井趋势数据的预测结果调取相应的实时优化模型优化改进随钻作业数据,还综合分析已钻井段或完钻井的测量数据和实时仿真模拟过程中所得的数据对系统的功能模块进行改进。采用该系统,能随钻实时识别/预测潜在风险,并对钻井工艺和参数进行实时模拟调优,克服现有技术中随钻定性分析缺乏及模拟结果可靠性不足的问题,同时还通过钻后学习优化系统本身的性能,为优化钻井作业提供最大程度的助力。
Description
技术领域
本发明涉及石油工程优化技术领域,尤其涉及一种通过仿真分析识别钻井异常、预测钻井潜在风险、优化钻井方案/钻井参数来达到提速提效,进一步实现系统自身部署模型的闭环优化的实时仿真模拟钻井状态的闭环钻井优化系统及方法。
背景技术
随着勘探开发的不断深入,油气勘探开发难度越来越高,地质状况日益复杂,储层埋深增加等因素导致钻井工程面临的复杂情况越来越多,勘探工程中大量的非均质性、不确定性、非结构性以及非数值化特性构成了钻井工程“黑箱”,而实现安全高效钻井是钻井行业要始终坚守的目标,因此导致处理钻井风险和事故所需的成本越来越高;实际钻井工程中,一方面,井下高频振动、高温高压、钻井液流动等因素直接制约了使用传感器获取井下数据来识别井下状态、预测井下风险的操作可行性;另一方面,虽然在理论上依靠地层压力、井筒压力、摩阻扭矩等关键参数的计算模型可对钻井井下风险进行预警分析,但由于这些计算模型在建立之初作有诸多假设条件,与真实井下环境存在偏差,无法可靠保障对井下状态识别和风险预警结果的准确性。
油井钻井工程中,通常依据预先确定好的钻井设计方案进行钻进作业,但是钻井设计方案中的井身结构设计、钻井工艺选择、钻井参数优化等都是基于理论模型的计算结果进行设计确定的,投入应用之前,最终都需要实钻验证,但是由于真实的钻井作业时存在复杂多变的地质情况及地层非均质性等影响,实钻验证的过程无法全面兼顾,必然导致井身结构、钻井工艺、钻井参数等的优化结果预期性变差,导致钻井作业试错成本过高且实际钻井应用效率不佳。
现有技术中,提供的钻井仿真模拟技术主要有两类,一类是通过建立的模拟操作装置对钻井作业的特定操作进行模拟培训,例如模拟操作节流箱、模拟操作钻机等钻井核心操作,其中部分钻井模拟培训系统会对培训人员的操作形成响应,显示操作结果与影响,但是这类钻井模拟培训系统侧重于培训钻井工程师、司钻等现场人员对于钻井作业操作的熟练度和标准度,对钻井作业各类情况的操作进行定性演示,而普遍缺少定量描述,即仅能通过培训使现场人员了解各类操作可能导致的影响,而无法明确影响的程度及出现时间,也无法基于该影响和结果生成有效的钻井设计方案优化建议;另一类则是基于石油工程机理进行模拟计算的方法,该类模拟方法中按照钻井设计方案,对于钻井水力参数、摩阻扭矩、机械钻速等参数进行计算,模拟方案的实施效果,即利用计算模型对预定的某钻井设计进行钻井时效和井下风险情况的定量计算,从而分析钻井设计方案的不足,但是这类钻井模拟仿真方法或系统大多是利用某确定的钻井设计进行钻井作业前的模拟,其模拟效果仅得到已有理论优化参数的支持,无法保障其优化结果应用于复杂地质环境实际钻井作业的契合性和可靠性。
发明内容
为解决上述问题,本发明提供了一种实时仿真模拟钻井状态的闭环钻井优化系统及方法,该系统的设置通过仿真分析识别钻井异常、预测钻井潜在风险、优化钻井方案/钻井参数来达到提速提效,进一步地,通过对比系统模拟结果与实钻结果来完善、改进仿真模拟系统的各类专业模型,实现系统自身的闭环优化,使系统在应用过程中仿真模拟准确性越来越高,最终帮助钻井工程师实现优化钻井。在一个实施例中,所述系统包括:
数据接入模块,其配置为接入目标井的各项静态数据和各项实时钻井数据并对所述实时钻井数据进行清洗处理;
实时监测及预测模块,其配置为在作业过程中,基于静态数据及对应的实时钻井数据确定目标井的钻井风险识别结果,监测目标井的参数异常情况,并结合设定的计算策略预测目标井的钻井趋势数据;
随钻优化模块,其配置为根据钻井趋势数据的预测结果按照设定逻辑调取相应的实时优化模型确定优化后的随钻作业数据;
显示模块,其与所述实时监测及预测模块和随钻优化模块通信连接,配置为将确定的钻井风险识别结果、参数异常情况、钻井趋势数据及优化后的随钻作业数据面向用户显示;
钻后学习模块,其配置为分析已钻井段或完钻井的钻后测量数据,对实时监测及预测模块和随钻优化模块的处理结果进行评估,结合评估结果对所述实时监测及预测模块和随钻优化模块进行改进。
优选地,一个实施例中,所述数据接入模块包括:
静态数据接入单元,配置为从预先建立的数据库中提取目标井的各项静态数据,实时数据接入单元,配置为从所述数据库中提取目标井对应的实时钻井数据;
数据处理单元,配置为应用估算处理、整例删除、变量删除和成对删除中至少一种策略对所述实时钻井数据进行清洗,并将清洗后的实时钻井数据与静态数据关联,供后续调用。
进一步地,所述数据库中包括静态数据存储区、实时数据存储区、历史案例数据区及仿真模拟数据存储区;
所述静态数据存储区,用于存储各井的地质资料数据和钻井设计数据;
所述实时数据存储区,用于存储各井从钻井井场、录井装置和测井装置传输来的实时钻井数据;所述实时钻井数据包括但不限于:实时录井数据、岩屑录井数据、实时测井数据、钻具使用记录和钻井液性能数据;
所述历史案例数据区,用于存储各邻井的历史案例数据,所述历史案例数据包括但不限于:风险类别、风险发生前后的实时录井数据、风险对应的处理措施信息以及风险处理结果的评估信息;
所述仿真模拟数据存储区,用于存储闭环钻井优化系统应用过程中的计算、识别、预测、优化、模型改进等各类数据信息。
一个实施例中,所述实时监测及预测模块包括:
钻井风险智能识别单元,其配置为在钻井过程中基于处理后的实时数据,利用内部部署的对应钻井风险智能识别模型实时识别钻井风险,存储识别结果并生成对应的提示信息面向用户显示;
参数异常监测单元,其配置为基于处理后的实时数据,利用内部部署的参数趋势计算模型实时监测设定录井核心参数的变化趋势,存储监测结果并针对趋势异常的参数生成相应的提示信息面向用户显示;
实时计算单元,其配置为结合目标井的静态数据和处理后的实时数据对无法直接测量的各项钻井状态参数进行实时计算;
实时预测单元,其配置为基于所述实时计算单元的计算结果,利用内部部署的预测模型实时预测钻井过程中井筒状态、钻具状态及钻井作业状态的趋势数据。
具体地,一个实施例中,所述参数异常监测单元配置为通过以下方法中的至少一种监测设定录井核心参数的变化趋势:
针对各种连续工况,分别计算各个录井核心参数在当前第一预设时段内的平均值和当前时间段前第二预设时段内的平均值,进而计算对应的变化率作为变化趋势监测依据。
针对各种连续工况,分别计算各个录井核心参数在当前第三预设时段内的数据曲线斜率和当前时间段前第四预设时段内的数据曲线斜率,计算两者斜率差值的绝对值作为变化趋势监测依据;
针对各种连续工况分别计算各个录井核心参数在当前第五预设时段内的数据曲线波动振幅和频率以及当前时间段前第六预设时段内的数据曲线波动振幅和频率,统计各阶段振幅数据对应的频率作为变化趋势监测依据。
一个实施例中,所述实时计算单元通过调用对应的功能性计算模型计算获取对应的状态数据,包括:
摩阻扭矩计算子单元,其配置为实时计算钻井过程中钻柱在井筒内的摩阻和扭矩分布情况,以评估作业中的钻头扭矩情况以及钻柱在井筒内阻卡的可能性;
地层压力计算子单元,其配置为基于处理后的实时录井数据计算所钻地层压力情况;
钻柱状态计算子单元,其配置为实时计算钻井过程中钻柱的纵向振动、屈曲状态和内外应力数据,以分析钻柱损伤破坏的可能性和进行钻柱寿命预测;
水力计算子单元,其配置为计算井筒内岩屑运移分布以及当量循环密度分布状态,以评估岩屑沉积造成的异常阻卡并结合所钻地层压力情况来分析井筒内压力平衡状态;
机械钻速计算子单元,其配置为计算钻井状态下的瞬时机械钻速以及平均机械钻速;
机械比能计算子单元,其配置为计算钻井状态下的实时机械比能,以结合机械钻速计算结果实时监测井下工作状态、分析评估钻进效率与地层变化情况。
进一步地,所述实时预测单元包括:
井眼轨迹预测子单元,其配置为对造斜段、斜井段及水平段多种类型的非直井段进行轨迹走向预测,以评估井眼轨迹是否符合钻井设计数据的要求;
机械钻速预测子单元,其配置为基于当前的钻井参数,预测后续的钻井速度变化,以评估当前钻井参数和工艺配合下的钻井效率是否满足钻井设计数据的要求;
钻具疲劳预测子单元,其配置为基于实时计算单元计算的钻柱振动、屈曲及应力状态数据,结合钻柱抗拉、抗压等属性数据,计算井筒内钻具的损伤及疲劳情况,并预测钻具多种疲劳情况呈现的可能性;
钻井风险预测子单元,其配置为基于实时计算单元计算的井筒各项状态参数,结合井眼轨迹预测子单元、机械钻速预测子单元和钻具疲劳预测子单元的预测结果评估钻井风险发生的可能性和风险程度。
一个实施例中,所述随钻优化模块,包括:
井眼轨迹优化单元,其配置为当井眼轨迹的预测结果为偏离趋势时,结合部署的内置轨迹优化模型对造斜段、斜井段及水平段多种类型的非直井段进行井眼轨迹调整;
钻井风险防控单元,其配置为当钻井风险智能识别的结果满足设定条件时,通过部署的内置风险处理模型形成相应的风险处置方案以消除风险;当钻井风险预测数据满足设定条件时,通过部署的内置风险规避模型计算形成相应的风险预防方案;
机械钻速优化单元,其配置为根据机械钻速计算子单元、机械比能计算子单元和/或机械钻速预测子单元的处理结果,通过部署的内置多维寻优模型对多项钻井参数进行寻优,生成机械钻速优化调整方案;
钻具状态调整单元,其配置为当钻具状态计算子单元的计算结果满足设定条件时,通过部署的内置钻柱状态优化模型对各项钻井参数进行调整,生成钻具状态优化方案。
一个实施例中,所述钻后学习模块,包括:
学习数据接入单元,其配置为获取已钻井段或完钻井的测井数据、测斜数据和测压数据作为钻后测量数据,结合钻井日报数据,并将其与该已钻井段或完钻井对应的实时监测和预测模块以及随钻优化模块的处理结果合并,以供后续调用;
偏差分析单元,其配置为依次将实时监测和预测模块以及随钻优化模块中各项处理结果与钻后测量数据进行分析,确定各项偏差分析结果;
模型学习改进单元,其配置为若某项的偏差分析结果符合设定的需改进要求,则调整该项对应单元内置计算模型的模型参数;
改进模型验证单元,其配置为基于已钻井段或完钻井的钻井数据运行模型学习改进单元改进后的计算模型,生成新计算结果并重新进行偏差分析直至满足设定的要求,将改进后的计算模型作为有效计算模型进行部署,投入未钻井段的实时监测及预测作业和随钻优化作业中。
基于上述任意一个或多个实施例中所述系统的其他方面,本发明还提供一种实时仿真模拟钻井状态的闭环钻井优化方法,该方法包括:
数据接入步骤、接入目标井的各项静态数据和各项实时钻井数据并对所述实时钻井数据进行清洗处理;
实时监测及预测步骤、在作业过程中,基于静态数据及对应的实时钻井数据确定目标井的钻井风险识别结果,监测目标井的参数异常情况,并结合设定的计算策略预测目标井的钻井趋势数据;
随钻优化步骤、根据钻井趋势数据的预测结果按照设定逻辑调取相应的实时优化模型确定优化后的随钻作业数据;
钻后学习步骤、分析已钻井段或完钻井的钻后测量数据,对实时监测及预测模块和随钻优化模块的处理结果进行评估,结合评估结果对所述实时监测及预测模块和随钻优化模块进行改进;
其中,所述方法运行过程中确定的钻井风险识别结果、参数异常情况、钻井趋势数据及优化后的随钻作业数据均可根据需求面向用户显示。
与最接近的现有技术相比,本发明还具有如下有益效果:
本发明提供的一种实时仿真模拟钻井状态的闭环钻井优化系统及方法,该系统通过实时监测及预测模块在作业过程中识别钻井风险,监测目标井的参数异常情况,并实时预测目标井的钻井趋势数据,由随钻优化模块进一步根据钻井趋势数据的预测结果调取相应的实时优化模型优化改进随钻作业数据,可以跟随钻井过程实时识别/预测潜在风险,提供风险控制/规避解决方案,并对钻井工艺和参数进行实时模拟调优,生成调优方案提高钻井效率;相比较于目前已有的钻井仿真模拟方法与系统,本发明同时实现了随钻过程中的钻井风险识别、参数异常监测、井筒状态计算、钻井状态趋势预测、钻井方案/参数优化以及钻井风险防控,并可为现场工程师和专家提供高效可靠的钻井建议。
此外,本发明的系统还设置有钻后学习模块,通过综合分析已钻井段或完钻井的测量数据和实时仿真模拟过程中所得的数据对系统本身的功能模块进行改进;根据已钻井段或者完钻井的应用效果,对系统内各类钻井计算、预测、优化模型进行偏差分析并对偏差较高的模型进行自动的完善与部署应用,实现了系统自身的闭环优化,使系统在应用过程中仿真模拟准确性越来越高,最大程度地帮助钻井工程师实现精准优化钻井。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例共同用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明一实施例提供的实时仿真模拟钻井状态的闭环钻井优化系统的结构示意图;
图2是本发明实施例中实时仿真模拟钻井状态的闭环钻井优化系统的实时优化子系统的结构明细示意图;
图3是本发明一实施例提供的实时仿真模拟钻井状态的闭环钻井优化系统的数据库结构明细图;
图4是本发明又一实施例中实时仿真模拟钻井状态的闭环钻井优化系统的钻后学习模块结构明细示意图;
图5是本发明实施例提供的实时仿真模拟钻井状态的闭环钻井优化方法的流程示意图。
具体实施方式
以下将结合附图及实施例来详细说明本发明的实施方式,借此本发明的实施人员可以充分理解本发明如何应用技术手段来解决技术问题,并达成技术效果的实现过程并依据上述实现过程具体实施本发明。需要说明的是,只要不构成冲突,本发明中的各个实施例以及各实施例的各个特征可以相互结合,所形成的技术方案均在本发明的保护范围之内。
虽然流程图将各项操作描述成顺序的处理,但是其中的许多操作可以被并行地、并发地或者同时实施。各项操作的顺序可以被重新安排。当其操作完成时处理可以被终止,但是还可以具有未包括在附图中的附加步骤。处理可以对应于方法、函数、规程、子例程、子程序等等。
计算机设备包括用户设备与网络设备。其中,用户设备或客户端包括但不限于电脑、智能手机、PDA等;网络设备包括但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算的由大量计算机或网络服务器构成的云。计算机设备可单独运行来实现本发明,也可接入网络并通过与网络中的其他计算机设备的交互操作来实现本发明。计算机设备所处的网络包括但不限于互联网、广域网、城域网、局域网、VPN网络等。
在这里可能使用了术语“第一”、“第二”等等来描述各个单元,但是这些单元不应当受这些术语限制,使用这些术语仅仅是为了将一个单元与另一个单元进行区分。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。当一个单元被称为“连接”或“耦合”到另一单元时,其可以直接连接或耦合到所述另一单元,或者可以存在中间单元。
这里所使用的术语仅仅是为了描述具体实施例而不意图限制示例性实施例。除非上下文明确地另有所指,否则这里所使用的单数形式“一个”、“一项”还意图包括复数。还应当理解的是,这里所使用的术语“包括”和/或“包含”规定所陈述的特征、整数、步骤、操作、单元和/或组件的存在,而不排除存在或添加一个或更多其他特征、整数、步骤、操作、单元、组件和/或其组合。
领域内,随着勘探开发的不断深入,油气勘探开发难度越来越高,地质状况日益复杂,储层埋深增加,钻井工程面临的复杂情况越来越多,大量的非均质性、不确定性、非结构性以及非数值化难题构成了钻井工程“黑箱”,实现安全高效钻井是钻井行业要坚守的首要目标,开发过程中处理钻井风险和事故需要投入的成本越来越高;一方面,井下高频振动、高温高压、钻井液流动等因素也直接制约了使用传感器获取井下数据来识别井下状态,预测井下风险;另一方面,虽然在理论上依靠地层压力、井筒压力、摩阻扭矩等关键参数的计算模型可对钻井井下风险进行预警分析,但由于这些计算模型在建立之初作有诸多假设条件,与真实井下环境存在偏差,影响了对井眼状态识别和风险预警结果的准确性。
钻井作业往往需要依据合理的钻井设计方案进行,但是预先设计的钻井设计方案中的井身结构设计、钻井工艺选择、钻井参数优化等都是基于理论模型的计算结果进行设计,最终都需要实钻验证,而复杂的地质情况及地质非均质性则使得井身结构、钻井工艺、钻井参数等的优化结果预期性变差,导致钻井作业试错成本过高。
现有技术中存在的钻井仿真模拟主要分为两类:一类是通过建立的模拟操作装置对钻井作业的特定操作进行模拟培训,如模拟操作节流箱、模拟操作钻机等,其中部分钻井模拟培训系统会对培训人员的操作形成响应,显示操作影响与结果,但是以针对性培训钻井工程师、司钻等现场人员对于钻井作业操作的熟练度,对钻井作业各类情况的操作进行定性演示,而普遍缺少定量描述,即通过培训使现场人员了解各类操作可能导致的影响而无法描述影响出现时间及影响程度;例如专利①CN201911063895.2《一种基于无定序操作模式的钻井模拟系统》,提供了一种钻井模拟系统,包括操作模块,所述操作模块上连接有学生模拟操作模块和教学操作模块,所述教学操作模块通过操作暂停模块与学生模拟操作模块相连接,所述学生操作模块与数字钻机模拟模块相连接,所述数字钻机模拟模块上连接有无定序环境模拟模块,所述无定序环境模拟模块上通过随机选择模块连接有环境无定序发生情况输入模块,所述数字钻机模拟模块上连接有井下情况显示模块,该专利中的方案通过模拟现实中的情况,模拟出应急事故发生时所采取的应急救援措施,旨在通过预先模拟操作和分析防止若干人犯同样的错误,使教学质量提升,并提升相关人员遇到紧急事故的处理能力,减少损失;但其投入应用时,实质上与领域内类似发明专利中的模拟装置相同,均是侧重于对钻井作业操作进行模拟,用于对钻井相关人员进行操作培训,无法对完整的钻井过程进行基于仿真计算的定量描述与优化。
另一类则是基于石油工程机理计算模型与方法,按照钻井设计方案,对于钻井水力参数、摩阻扭矩、机械钻速等参数进行计算,模拟方案的实施效果,即利用计算模型对钻井设计进行钻井时效和井下风险情况的定量计算,从而分析钻井设计方案的不足,但是这类钻井模拟仿真方法或系统大多是利用确定的钻井设计进行钻井作业前的模拟,进而根据模拟的结果评估并选取对应的钻井设计方案,或者结合现有的理论计算方法调整钻井方案的参数,但是仅针对钻井作业前的设计对比,无法在钻井过程中进行随钻分析以及钻井结束后进行模型评价与自优化。例如相关专利②CN201710227289.4提供了一种用于施工方案预演优化的虚拟仿真方案,属于油气井钻井领域。本发明可用于钻井方案设计阶段,设计人员可以利用本系统和方法针对不同的设计方案进行仿真模拟对比优选,或者对关键参数边调整边模拟,使得整套设计方案在风险控制和钻井效率方面得到提升,实际应用时,用于钻井施工队伍在施工前的仿真预演,从而使得参与施工的人员对整个施工过程以及常规关键环节、风险环节有个直观的认识和预判,提高应急预案的针对性,提高施工效率和安全性无法有效兼顾实际钻井工作中的变化情况或特有地质特性因素的影响,缺少随钻过程中的实时优化,也无法进行实时学习提升后续钻井作业的效率和精确度。
总体而言,目前的钻井仿真模拟方法和系统大多侧重于有限的预先测量参数进行理论计算,实现钻井操作定性式培训或者既定钻井设计方案的定量式模拟计算,无法得到作业效率和可靠性最佳的钻井设计方案,且缺乏随钻过程中的实时预测、优化以及钻后的模型自优化功能。
而对钻井过程进行仿真模拟、预测调优以及钻后自动评价、优化模型的闭环方法与系统,在钻井行业领域内尚属空白,目前国内外相关研究未见报道。
为了解决上述问题,填补石油开采领域的技术空白,本发明研究人员基于闭环模拟优化思路提供一种实时仿真模拟钻井状态的闭环钻井优化系统及方法,该方案中设置跟随钻井过程实时识别/预测潜在风险,提供风险控制/规避解决方案,并对钻井工艺和参数进行实时模拟调优,生成调优方案提高钻井效率;进一步地,还可通过钻后回放评估对仿真模拟结果与实际钻井情况进行对比验证,反向完善钻井智能仿真模拟系统的模型,进一步提升其钻井仿真模拟准确性。
接下来基于附图详细描述本发明实施例的方法的详细流程,附图的流程图中示出的步骤可以在包含诸如一组计算机可执行指令的计算机系统中执行。虽然在流程图中示出了各步骤的逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
实施例一
针对钻井地质情况复杂导致钻井设计优化方案应用效果预期性差且钻井过程中风险多发钻井成本居高不下,以及目前钻井仿真模拟方法和系统片面地侧重于操作培训或钻前方案验证的问题,本发明提供一种实时仿真模拟钻井状态的闭环钻井优化系统及方法,不仅可以在钻井作业中随钻通过模拟仿真分析识别钻井异常、预测钻井潜在风险,还可以优化钻井方案、钻井参数来达到提速提效的目的,进一步地,对或者完钻井进行评价,通过对比系统模拟结果与实钻结果来完善、改进仿真模拟系统的各类专业模型,实现系统自身的闭环优化,使系统在应用过程中仿真模拟准确性越来越高,最终帮助钻井工程师实现智能优化钻井。
图1示出了本发明实施例一提供的实时仿真模拟钻井状态的闭环钻井优化系统的结构示意图,参照图1可知,该系统包括:
数据接入模块11,其配置为接入目标井的各项静态数据和各项实时钻井数据并对所述实时钻井数据进行清洗处理;
实时监测及预测模块13,其配置为在作业过程中,基于静态数据及对应的实时钻井数据确定目标井的钻井风险识别结果,监测目标井的参数异常情况,并结合设定的计算策略预测目标井的钻井趋势数据;
随钻优化模块15,其配置为根据钻井趋势数据的预测结果按照设定逻辑调取相应的实时优化模型确定优化后的随钻作业数据;
显示模块17,其与所述实时监测及预测模块和随钻优化模块通信连接,配置为将确定的钻井风险识别结果、参数异常情况、钻井趋势数据及优化后的随钻作业数据面向用户显示;
钻后学习模块21,其配置为分析已钻井段或完钻井的钻后测量数据,对实时监测及预测模块和随钻优化模块的处理结果进行评估,结合评估结果对所述实时监测及预测模块和随钻优化模块进行改进。
采用本发明上述实施例中配置的一个或多个模块,基于建立的数据库接入目标井静态数据和实时钻井数据后进行钻井风险智能识别和参数异常监测,进而结合静态数据,进行井下状态参数(包括但不限于摩阻扭矩、地层压力、钻柱状态、水力计算、机械钻速和机械比能等)的实时计算,结合实时计算结果进行钻井状态的趋势预测(包括但不限于井眼轨迹、机械钻速、钻具疲劳和钻井风险等),基于预测结果进行钻井作业的实时优化(包括但不限于井眼轨迹优化、风险防控、钻速优化及钻具状态调整等)并将优化结果显示推送给钻井人员进行应用;进一步地,将分析、预测、优化结果与完钻井的实际应用情况进行比对分析,评价各模型的准确性,并对准确性低的模型进行改进,验证通过后更新应用;从而达到防控风险提速提效的目标,并实现自身模型的闭环优化,使其在应用过程中仿真模拟准确性越来越高,最终帮助钻井工程师实现精确的优化钻井。
实际应用中,设置所述数据接入模块11、实时监测及预测模块13、随钻优化模块15和显示模块17共同构成实时优化子系统1,除此之外,所述系统还包括钻后学习子系统2,其包括钻后学习模块21和钻后回放模块,所述实时优化子系统1和钻后学习子系统2运行过程中需要的数据部分来自预先建立的数据库3,即数据库3用于存储钻井实时数据、静态数据等仿真模拟需要使用的数据以及仿真模拟系统各类识别、预测、优化结果,并提供给实时优化子系统1和钻后学习子系统2进行应用。
实时优化子系统1负责应用钻井实时数据及静态数据,监测识别钻井过程中发生的风险和参数异常,并计算钻井相关的状态参数,包括但不限于井筒水力参数、摩阻扭矩参数、机械钻速、钻柱状态参数、地层压力及井壁稳定性等,进一步地,基于计算的钻井状态参数,对钻井过程和状态进行预测分析,此外,利用计算的状态参数和预测分析结果,对钻井方案、钻井参数等进行优化控制,从而达到防控风险提速提效的目标;
钻后学习子系统2则负责将实时优化子系统1的分析、预测、优化结果与已完成钻井井段或者完钻井的实际情况进行比对分析,评价实时优化子系统1中各单元模块内模型的准确性,进一步地,对准确性低的模型进行改进,验证通过后更新到实时优化子系统1中进行应用,从而实现钻井过程中系统自身的闭环优化,使系统在应用过程中仿真模拟准确性越来越高,最终帮助钻井工程师实现智能精确的优化钻井。
具体地,图2示出了本发明实施例中实时仿真模拟钻井状态的闭环钻井优化系统的实时优化子系统的结构明细示意图,如图2所示,在一个实施例中,所述数据接入模块11包括:
静态数据接入单元11-00,配置为从预先建立的数据库中提取目标井的各项静态数据,实时数据接入单元11-10,配置为从所述数据库中提取目标井对应的实时钻井数据;
数据处理单元11-20,配置为应用估算处理、整例删除、变量删除和成对删除中至少一种策略对所述实时钻井数据进行清洗,并将清洗后的实时钻井数据与静态数据关联,供后续调用。
其中,图3是本发明实施例提供的实时仿真模拟钻井状态的闭环钻井优化系统的数据库结构明细图;如图3所示,在一个实施例中,所述数据库3中包括静态数据存储区、实时数据存储区、历史案例数据区以及仿真模拟数据存储区;
所述静态数据存储区,用于存储各藏井的地质资料数据和钻井设计数据;
所述实时数据存储区,用于存储各藏井从钻井井场、录井装置和测井装置传输来的实时钻井数据;所述实时钻井数据包括但不限于:实时录井数据、岩屑录井数据、实时测井数据、钻具使用记录和钻井液性能数据;
所述历史案例数据区,用于存储各类邻井的历史案例数据,所述历史案例数据包括但不限于:风险类别、风险发生前后的实时录井数据、风险对应的处理措施信息以及风险处理结果的评估信息;
所述仿真模拟数据存储区,用于存储闭环钻井优化系统应用过程中的计算、识别、预测、优化、模型改进等各类数据信息。
实际应用时,还可以设置数据库3由不同的子数据库组成,包括设计数据库、实时数据库、历史数据库、仿真模拟数据库,负责存储钻井设计报告、地质数据、实时钻井数据(包括但不限于实时录井数据、实时测井数据、钻机传感数据、系统各单元的计算/分析/优化数据等)、完钻井的历史数据(包括但不限于钻井井史、岩屑录井数据等)等各类工程、地质相关的静态、实时数据以及存储闭环钻井优化系统应用过程中的计算、识别、预测、优化、模型改进等各类数据。
具体地,静态数据接入单元11-00负责从数据库中提取目标井的各项静态数据,与数据处理单元11-20处理后的实时数据一起,分别输入到后续的实时计算单元13-20、实时预测单元13-30和随钻优化模块15中,供其各子单元执行钻井过程中的计算、预测与优化功能。
实时数据接入单元11-10负责从数据库中提取钻井井场实时传输回的各项实时数据(包括但不限于,实时录井数据、岩屑录井数据、实时测井数据、钻具使用记录、钻井液性能数据等),将其加载到数据处理单元11-20中。
数据处理单元11-20负责接收实时数据接入单元11-10传入的各项实时数据,并对各项实时数据进行清洗,包括但不限于无效值和缺失值的处理,处理方法采用现有且常用的估算、整例删除、变量删除和成对删除等方法,本发明对此不做限定。数据处理单元11-20将处理后的实时数据分别送入钻井风险智能识别单元13-00与参数异常监测单元13-10,进一步地,数据处理单元11-20还将与静态数据接入单元11-00配合,将处理后的实时数据与静态数据结合,分别输入到后续的实时计算单元13-20、实时预测单元13-30和随钻优化模块15中,供其各子单元执行钻井过程中的计算、预测与优化功能。
进一步地,一个实施例中,所述实时监测及预测模块13包括:
钻井风险智能识别单元13-00,其配置为在钻井过程中基于处理后的实时数据,利用内部部署的对应钻井风险智能识别模型实时识别钻井风险,存储识别结果并生成对应的提示信息面向用户显示;
参数异常监测单元13-10,其配置为基于处理后的实时数据,利用内部部署的参数趋势计算模型实时监测设定录井核心参数的变化趋势,存储监测结果并针对趋势异常的参数生成相应的提示信息面向用户显示;
实时计算单元13-20,其配置为结合目标井的静态数据和处理后的实时数据对无法直接测量的各项钻井状态参数进行实时计算,存储计算结果并将计算结果生成相应的展示信息面向用户显示;
实时预测单元13-30,其配置为基于所述实时计算单元的计算结果,利用内部部署的预测模型实时预测钻井过程中井筒状态、钻具状态及钻井作业状态的趋势数据,存储预测结果并将预测结果生成相应的展示信息面向用户显示
具体地,运行过程中,钻井风险智能识别单元13-00负责利用数据处理单元11-20处理后的实时数据,基于其内部部署的钻井风险智能识别模型,在钻井过程中实时识别发生的钻井风险并发出风险报警,发送到显示模块17进行显示,进一步地,钻井风险智能识别模型是基于数据库3内的大量邻井案例数据(包括但不限于风险类别、发生前后的实时录井数据等)训练形成,使用的算法包括但不限于神经网络、随机森林、决策树等机器学习常用的分类算法,本发明不做限定。
参数异常监测单元13-10负责利用数据处理单元11-20处理后的实时数据,基于其内部部署的参数趋势计算模型,在钻井过程中实时监测录井重点参数的异常变化并形成报警,报警提示发送到显示模块17进行显示。具体地,监测的重点参数包括但不限于大钩载荷、扭矩、出口流量、立管压力和钻时(即每钻进1m所花费的时间)等;监测方法包括但不限于:①在某一连续工况下(主要包括钻进、起钻、下钻、划眼、循环等工况),分别计算Y参数当前1分钟的平均值与前3分钟平均值,并按照下述方法计算其变化率:
进而判断变化率是否大于设定阈值,若是则判定该参数出现异常;②在某一连续工况下,分别计算Y参数当前1分钟的曲线斜率与前3分钟的曲线斜率差值的绝对值,判断斜率变化否大于设定阈值,若是则判定该参数出现异常;③在某一连续工况下计算Y参数当前1分钟曲线波动的振幅大小和次数,判断其波动振幅大于阈值的次数是否超过设定次数,若是则判定该参数出现异常;进一步地,对某一参数可以使用所述监测方法中的1项或多项来进行异常监测。
因此有,在一个实施例中,所述参数异常监测单元13-10配置为通过以下方法中的至少一种监测设定录井核心参数的变化趋势:
针对各种连续工况,分别计算各个录井核心参数在当前第一预设时段内的平均值和当前时间段前第二预设时段内的平均值,进而计算对应的变化率作为变化趋势监测依据。
针对各种连续工况,分别计算各个录井核心参数在当前第三预设时段内的数据曲线斜率和当前时间段前第四预设时段内的数据曲线斜率,计算两者斜率差值的绝对值作为变化趋势监测依据;
针对各种连续工况分别计算各个录井核心参数在当前第五预设时段内的数据曲线波动振幅和频率以及当前时间段前第六预设时段内的数据曲线波动振幅和频率,统计各阶段振幅数据对应的频率作为变化趋势监测依据。实际应用时,本发明系统中还可以通过其他合理的方法实现设定录井核心参数的变化趋势计算,该处本发明不予特别限定。
在一个实施例中,所述实时计算单元13-20通过调用对应的功能性计算模型计算获取对应的状态数据,包括:
摩阻扭矩计算子单元13-21,其配置为实时计算钻井过程中钻柱在井筒内的摩阻和扭矩分布情况,以评估作业中的钻头扭矩情况以及钻柱在井筒内阻卡的可能性;
地层压力计算子单元13-22,其配置为基于处理后的实时录井数据计算所钻地层压力情况;
钻柱状态计算子单元13-23,其配置为实时计算钻井过程中钻柱的纵向振动、屈曲状态和内外应力数据,以分析钻柱损伤破坏的可能性和进行钻柱寿命预测;
水力计算子单元13-24,其配置为计算井筒内岩屑运移分布以及当量循环密度分布状态,以评估岩屑沉积造成的异常阻卡并结合所钻地层压力情况来分析井筒内压力平衡状态;
机械钻速计算子单元13-25,其配置为计算钻进状态下的瞬时机械钻速以及平均机械钻速;
机械比能计算子单元13-26,其配置为计算钻井状态下的实时机械比能,以结合机械钻速计算结果实时监测井下工作状态、分析评估钻进效率与地层变化情况。
具体地,实时计算单元13-20负责利用数据处理单元11-20处理后的实时数据并结合静态数据接入单元11-00的相关静态数据,对反应钻井状态且无直接传感测量的各类井下参数进行实时计算,包括摩阻扭矩计算子单元13-21、地层压力计算子单元13-22、钻柱状态计算子单元13-23、水力计算子单元13-24、机械钻速计算子单元13-25以及机械比能计算子单元13-26。
其中,摩阻扭矩计算子单元13-21负责计算钻柱在井筒内的摩阻和扭矩分布情况,用于评估钻头实际扭矩情况以及钻柱在井筒内阻卡可能性;地层压力计算子单元13-22负责基于钻井实时录井计算所钻地层压力情况,用于与水力计算子单元13-24结合来评估井内压力与地层压力平衡状态,分析井漏、井涌、井塌可能性;钻柱状态计算子单元13-23负责计算钻柱的纵向振动、屈曲状态、内外应力等,用于分析评估钻柱损伤破坏的可能性与寿命预测;水力计算子单元13-24负责计算井筒内岩屑运移分布以及当量循环密度分布,分别用于分析评估岩屑沉积造成的异常阻卡以及与地层压力计算子单元13-22结合来评估井筒内压力平衡状态;机械钻速计算子单元13-25负责计算钻进状态下的瞬时机械钻速以及平均机械钻速,用于配合机械比能来分析评估实时钻进效率与地层变化情况;机械比能计算子单元13-26负责计算钻井状态下的机械比能,用于配合机械钻速来监测井下工作状态、分析评估钻进效率与地层变化情况。进一步地,实时计算单元13-20内各子单元使用的计算模型可选用行业内通用模型,也可选用户自定义的计算模型,本发明在此不做限定。
进一步地,一个实施例中,所述实时预测单元13-30包括:
井眼轨迹预测子单元13-31,其配置为对造斜段、斜井段及水平段多种类型的非直井段进行轨迹走向预测,以评估井眼轨迹是否符合钻井设计数据的要求;
机械钻速预测子单元13-32,其配置为基于当前的钻井参数,预测后续的钻井速度变化,以评估当前钻井参数和工艺配合下的钻井效率是否满足钻井设计数据的要求;
钻具疲劳预测子单元13-34,其配置为基于实时计算单元计算的钻柱振动、屈曲及应力状态数据,结合钻柱抗拉、抗压等属性数据,计算井筒内钻具的损伤及疲劳情况,并预测钻具多种疲劳情况呈现的可能性;
钻井风险预测子单元13-35,其配置为基于实时计算单元计算的井筒各项状态参数,结合井眼轨迹预测子单元、机械钻速预测子单元和钻具疲劳预测子单元的预测结果评估钻井风险发生的可能性和风险程度。
具体地,实时预测单元13-30负责在实时计算单元13-20的基础上,基于内置的预测模型,进一步地对井筒、钻具及钻井状态进行趋势预测,包括井眼轨迹预测子单元13-31、机械钻速预测子单元13-32、钻具疲劳预测子单元13-34以及钻井风险预测子单元13-35。
其中,井眼轨迹预测子单元13-31负责对造斜段、斜井段、水平段等非直井段进行轨迹走向预测,进而评估井眼轨迹是否符合钻井设计;机械钻速预测子单元13-32负责基于设定的钻井参数,预测在后续待钻井段的钻井速度变化,进而评估当前钻井参数和工艺配合下的钻井效率是否满足要求;钻具疲劳预测子单元13-34负责基于实时计算单元13-20中的钻柱状态计算子单元13-23计算的钻柱振动、屈曲及应力状态,结合钻柱抗拉、抗压等属性数据,进一步地计算井筒内钻具的损伤及疲劳情况,预测钻具损伤/失效/刺漏/断裂等发生的可能性;钻井风险预测子单元13-35负责基于实时计算单元13-20计算的井筒各项状态参数以及预测单元内其他的预测数值来评估潜在的钻井风险(包括但不限于卡钻、井漏、溢流、断钻具等类别)及其发生的可能性和严重程度。进一步地,该单元内各计算模型可选用行业内通用模型或用户自定义的计算模型。
优选地,在一个实施例中,所述随钻优化模块15,包括:
井眼轨迹优化单元15-10,其配置为当井眼轨迹的预测结果为偏离趋势时,结合部署的内置轨迹优化模型对造斜段、斜井段及水平段多种类型的非直井段进行井眼轨迹调整;
钻井风险防控单元15-20,其配置为当钻井风险智能识别的结果满足设定条件时,通过部署的内置风险处理模型形成相应的风险处置方案以消除风险;当钻井风险预测数据满足设定条件时,通过部署的内置风险规避模型计算形成相应的风险预防方案;
机械钻速优化单元15-30,其配置为根据机械钻速计算子单元、机械比能计算子单元和/或机械钻速预测子单元的处理结果,通过部署的内置多维寻优模型对多项钻井参数进行寻优,生成机械钻速优化调整方案;
钻具状态调整单元15-40,其配置为当钻具状态计算子单元的计算结果满足设定条件时,通过部署的内置钻柱状态优化模型对各项钻井参数进行调整,生成钻具状态优化方案。
实际应用时,随钻优化模块15负责在实时计算单元13-20以及实时预测单元13-30的状态计算及预测结果基础上,进一步地对井筒、钻具及钻井效率进行相应的优化并形成优化结果/建议/指令,包括井眼轨迹优化单元15-10、钻井风险防控单元15-20、机械钻速优化单元15-30、钻具状态调整单元15-40。
具体地,井眼轨迹优化单元15-10负责对造斜段、斜井段、水平段等非直井段进行轨迹走向进行优化调整,在实际井眼轨迹偏离设计轨迹或者井眼轨迹预测子单元13-31预测井眼轨迹按照当前钻进情况将会发生偏离时,将会激活井眼轨迹优化单元15-10通过内置轨迹优化模型计算,形成定向工具、钻井参数优化调整结果来指导后续钻进,使井眼轨迹调整吻合设计轨迹;钻井风险防控单元15-20则在钻井风险智能识别单元13-00识别发生钻井风险或者钻井风险预测子单元13-35预测存在可能发生的潜在风险时被激活,若被钻井风险智能识别单元13-00激活,则通过内置的风险处理模型计算形成相应的风险处置方案以控制消除风险,若被钻井风险预测子单元13-35激活,则通过内置的风险规避模型计算形成相应的风险预防方案以提前降低风险严重度到可控范围甚至消弭避免风险的出现;机械钻速优化单元15-30负责对钻井参数进行优化调整以实现最高钻井速度,在实时计算单元13-20下的机械钻速计算子单元13-25与机械比能计算子单元13-26计算分析钻井效率异常时或者在实时预测单元13-30下的机械钻速预测子单元13-32预测将要钻进的井段机械钻速较低时激活,通过内置的多维寻优模型对钻井参数组合(包括但不限于钻压、转速、排量等)进行寻优,生成机械钻速优化调整方案以提高钻进效率;钻具状态调整单元15-40会在钻柱状态计算单元13-23计算分析钻柱出现异常振动、屈曲等情况时,通过内置的钻柱状态优化模型对钻井参数(包括但不限于钻压、转速、排量等)进行优化调整,生成钻具状态调整方案以减轻或消弭钻柱振动、屈曲等情况,提高钻井效率并避免钻柱损伤发生井下复杂故障。
在所述系统随钻实际运行的过程中,显示模块17负责将钻井风险智能识别单元13-00、参数异常监测单元、实时计算单元13-20、实时预测单元13-30及随钻优化模块15下各个子单元计算、预测、优化的结果、方案等进行前端界面的显示,推送给相应的钻井作业人员进行作业调整,辅助实现安全高效钻井。
进一步地,图4示出了本发明实施例中实时仿真模拟钻井状态的闭环钻井优化系统的钻后学习模块结构明细示意图,如图4所示,在一个实施例中,所述钻后学习模块21,包括:
学习数据接入单元21-10,其配置为获取已钻井段或完钻井的测井数据、测斜数据和测压数据作为钻后测量数据,结合钻井日报数据,并将其与该已钻井段或完钻井对应的实时监测和预测模块以及随钻优化模块的处理结果合并,以供后续调用;
偏差分析单元21-20,其配置为依次将实时监测和预测模块以及随钻优化模块中各项处理结果与钻后测量数据进行分析,确定各项偏差分析结果;
模型学习改进单元21-30,其配置为若某项的偏差分析结果符合设定的需改进要求,则调整该项对应单元内置计算模型的模型参数;
改进模型验证单元21-40,其配置为基于已钻井段或完钻井的钻井数据运行模型学习改进单元改进后的计算模型,生成新计算结果并重新进行偏差分析直至满足设定的要求,将改进后的计算模型作为有效计算模型进行部署,投入未钻井段或新井的实时监测及预测作业和随钻优化作业中。
具体地,学习数据接入单元21-10负责从数据库中提取目标井的设计数据(包括但不限于地质设计、钻井设计等)、实钻数据(包括但不限于实时录井数据、岩屑录井数据、钻具使用记录、钻井液使用记录、钻井复杂情况与风险记录等)、钻后测量数据(包括但不限于测井数据、测斜数据、试压数据等)、实时优化子系统运行数据(包括但不限于中间计算分析数据、异常/风险报警数据、优化推送结果等)等加载到钻后学习模块。
偏差分析单元21-20负责利用加载的数据将系统计算/预测/优化结果与实际钻井的状态/结果进行逐项对比分析,计算二者在各分析项目上的偏差值,并确定偏差产生原因。其包含风险智能识别偏差分析单元21-21、参数异常告警偏差分析单元21-22、井眼轨迹预测偏差分析单元21-23、机械钻速预测偏差分析单元21-24、钻具疲劳预测偏差分析单元21-25、钻井风险预测偏差分析单元21-26。
进一步地,风险智能识别偏差分析单元21-21将实时优化子系统1中钻井风险智能识别单元13-00识别报警的所有风险结果与钻井作业记录的实际发生的风险进行对比,分别计算漏报率A-miss、误报率B-error与准确率C-correct,漏报率A-miss=实际发生未识别报警的风险数量/实际发生的风险数量,误报率B-error=识别报警而未发生的风险数量/识别报警的风险数量,准确率C-correct=识别报警并发生的风险数量/识别报警的风险数量,系统默认设置漏报率A-miss和误报率B-error的阈值分别为10%和15%,若漏报率A-miss大于10%或者误报率B-error大于15%,则激活模型学习改进单元21-30中对应的风险智能识别模型改进单元21-31,若误报率A-miss小于10%且误报率B-error小于15%,则判定实时优化子系统1中钻井风险智能识别单元13-00模型准确性良好,可继续应用。
参数异常告警偏差分析单元21-22将实时优化子系统1中参数异常监测单元13-10识别报警的所有异常结果与钻井作业记录的实际发生的参数异常进行对比,计算其异常警告覆盖率D-cover,覆盖率D-cover=实际发生且报警的异常数/记录的实际发生异常数,系统默认设置覆盖率D-cover的阈值为80%,若计算出覆盖率D-cover小于阈值,则激活模型学习改进单元21-30中对应的参数异常告警模型改进单元21-32,反之,则判定实时优化子系统1中参数异常监测单元13-10模型准确性良好,可继续应用。
井眼轨迹预测偏差分析单元21-23将实时优化子系统1中实时预测单元13-30内的井眼轨迹预测子单元13-31在钻井过程中预测的井眼轨迹与实钻井眼轨迹进行对比,计算轨迹符合率E-trajectory,其中轨迹符合率计算评价方法可选用行业内现有算法,例如水平距离的加权平均、向量贴近度计算等方法,本专利不做限定。系统默认设置轨迹符合率E-trajectory的最低阈值为80%,若计算出轨迹符合率E-trajectory小于阈值,则激活模型学习改进单元21-30中对应的井眼轨迹预测模型改进单元21-33,反之,则判定实时优化子系统1中实时预测单元13-30中的井眼轨迹预测子单元13-31模型准确性良好,可继续应用。
机械钻速预测偏差分析单元21-24将实时优化子系统1中实时预测单元13-30内的机械钻速预测子单元13-32在钻井过程中预测的沿井深的每米平均机械钻速与实钻过程中每米平均机械钻速进行对比,计算钻速偏差度F-rop,钻速偏差度由下面的公式计算:
系统默认设置钻速偏差度F-rop的最大阈值为10%,若计算出钻速偏差度F-rop大于阈值,则激活模型学习改进单元21-30中对应的机械钻速预测模型改进单元21-34,反之,则判定实时优化子系统1中实时预测单元13-30中的机械钻速预测子单元13-32模型准确性良好,可继续应用。
钻具疲劳预测偏差分析单元21-25包含2部分内容,分别是钻头磨损和钻柱疲劳,其将实时优化子系统1中实时预测单元13-30内的钻具疲劳预测子单元13-34在钻井过程中预测的钻头磨损情况、钻柱刺漏/断裂可能性大于70%的次数与实钻过程中每次起钻后记录的钻头磨损程度、钻进中钻柱刺漏断裂事故、钻柱起钻后检修探伤情况进行对比,计算钻头磨损偏差度G-bit和钻柱疲劳覆盖率H-string。
钻头磨损偏差度由下面的公式计算:
其中,G-bit为钻头磨损偏差度;y为实际记录钻头磨损次数;Wreal(x)为第x次记录的实际钻头磨损情况;Wpre(x)第x次做记录时相应的预测钻头磨损情况。
钻柱疲劳覆盖率H-string=(实际发生刺漏/断裂且预测数+探伤验证且预测数)/记录的钻柱疲劳总数。
系统默认设置钻头磨损偏差度G-bit的最大阈值为15%,若计算出钻头磨损偏差度G-bit大于阈值,则激活模型学习改进单元21-30中对应的钻具疲劳预测模型改进单元21-35,对其中的钻头磨损预测模型进行改进,反之,则判定实时优化子系统1中实时预测单元13-30中的钻具疲劳预测子单元13-34中钻头磨损模型准确性良好,可继续应用。
系统默认设置钻柱疲劳覆盖率H-string的最小阈值为90%,若计算出钻柱疲劳覆盖率H-string小于阈值,则激活模型学习改进单元21-30中对应的钻具疲劳预测模型改进单元21-35,对其中的钻柱疲劳预测模型进行改进,反之,则判定实时优化子系统1中实时预测单元13-30中的钻具疲劳预测子单元13-34中钻柱疲劳模型准确性良好,可继续应用。
钻井风险预测偏差分析单元21-26将实时优化子系统1中实时预测单元13-30内的钻井风险预测子单元13-35在钻井过程中预测的潜在钻井风险与实际钻井作业过程中发生风险进行对比,计算其风险预测准确率I-riskpre,风险预测准确率I-riskpre=预测且实际发生的风险数/预测的风险总数,系统默认设置风险预测准确率I-riskpre的阈值为60%,若计算风险预测准确率I-riskpre小于阈值,则激活模型学习改进单元21-30中对应的钻井风险预测模型改进单元21-36,反之,则判定实时优化子系统1中实时预测单元13-30中的钻井风险预测子单元13-35模型准确性良好,可继续应用。
模型学习改进单元21-30负责对偏差分析单元21-20确定的实时优化子系统1中存在较大误差的各个监测、识别、预测单元或子单元的模型进行改进完善。2-30内有对应的各个模型改进子单元,由偏差分析单元根据计算的偏差值或符合率等与判别阈值的对比情况进行激活应用。
改进模型验证单元21-40负责根据模型学习改进单元21-30所激活的改进子单元,运行其改进后的模型,生成新的预测值/结果并重新进行偏差分析,验证其准确率/符合率等各项偏差值是否符合阈值要求,若符合设定阈值,则任务改进的子单元模型合格可用;反之,则由模型学习改进单元21-30所激活的改进子单元继续修正相应的单元模型。
具体地,以钻速预测模型的改进验证为例。提取其各时间段对应的工程数据使用改进的钻速预测模型重新进行钻速预测,将计算的钻速预测值与实际值进行新钻速偏差度F-rop计算,若新钻速偏差度F-rop小于其阈值10%,则认为模型改进子单元21-30的机械钻速预测模型改进单元21-34的模型改进合格,进入后续的模型更新单元21-50;若新钻速偏差度F-rop仍大于阈值,则比较新钻速偏差度F-rop是否大于原先的钻速偏差度F-rop,若大,则认为模型改进方向错误,由机械钻速预测模型改进单元21-34按照相反调参方向(如原先将参数调大,则改为调小)调整模型参数,若小,则认为模型改进方向正确但改进仍未到位,由机械钻速预测模型改进单元21-34按照相同调参方向(如原先将参数调大,则继续调大)继续调整参数,直到模型验证通过。
在一个可选的实施例中,所述系统还包括:
模型更新单元21-50,其负责把通过改进模型验证单元21-40验证的模型在服务端进行相应算法的替换部署,完成模型更新。
数据可视化回放单元21-60,其负责根据用户需求加载钻井数据库中各类数据,对钻井过程、钻井计算模拟/预测优化过程和结果进行可视化回放,便于用户在钻后进行案例分析和经验累积。
以西北油田顺北区块一区的井为例,进行了应用验证,验证过程及分析如下。
西北油田顺北区块一区选取4口新井先后进行了试验应用。具体实施流程如下:
(1)收集西北油田一区4口试验井的钻井设计报告、地质数据等各类静态数据建立数据库;
(2)在后方决策中心和试验井的钻井现场分别部署本发明所述的钻井仿真模拟优化系统;
(3)在试验过程中,钻井现场人员参考实时优化子系统中显示单元推送的计算/分析/预测/优化结果、方案来进行相应的作业调整;
(4)每一口试验井完钻结束试验后,由系统自动进行钻后的模型改进、完善与更新,同时在下一口试验井进行部署应用;
(5)如此,依次完成4口新井的系统试验,并对钻井效率、风险预警/控制进行对比分析。
最终,在4口新井的应用效果进行统计,相比于油区内的其他邻井平均钻速值,4口试验井的机械钻速依次提高11%,13%,17%,22%;相比邻井平均复杂故障4.2次的数值,4口试验井发生复杂故障依次为4次、3次、1次、1次。应用效果表明,本发明所述的闭环的钻井仿真模拟优化方法与系统可以帮助实现钻井提速提效防控风险,并且在应用过程中仿真模拟准确性越来越高,应用效果越来越好,最终帮助钻井工程师实现优化钻井。
基于本发明上述任意一个或多个实施例中所述的系统,针对钻井地质情况复杂导致钻井设计优化方案应用效果预期性差且钻井过程中风险多发钻井成本居高不下,以及目前钻井仿真模拟方法和系统片面地侧重于操作培训或钻前方案验证的问题,本发明提供一种闭环的钻井仿真模拟优化方法与系统,不仅可以在钻井作业中随钻仿真分析识别钻井异常、预测钻井潜在风险,还可以优化钻井方案、钻井参数来达到提速提效的目的,进一步地,对已钻井段或者完钻井进行评价,通过对比系统模拟结果与实钻结果来完善、改进仿真模拟系统的各类专业模型,实现系统自身的闭环优化,使系统在应用过程中仿真模拟准确性越来越高,最终帮助钻井工程师实现智能优化钻井。
本发明实施例提供的实时仿真模拟钻井状态的闭环钻井优化系统中,各个模块或单元结构可以根据实际模拟和优化需求独立运行或组合运行,以实现相应的技术效果。
实施例二
基于上述任意一个或多个实施例中所述系统的其他方面,本发明还提供一种实时仿真模拟钻井状态的闭环钻井优化方法,该方法应用于上述任意一个或多个实施例中所述的实时仿真模拟钻井状态的闭环钻井优化系统,下面给出具体的实施例进行详细说明。
具体地,图5中示出了本发明实施例中提供的实时仿真模拟钻井状态的闭环钻井优化方法的流程示意图,如图5所示,该方法包括:
数据接入步骤51、接入目标井的各项静态数据和各项实时钻井数据并对所述实时钻井数据进行清洗处理;
实时监测及预测步骤52、在作业过程中,基于静态数据及对应的实时钻井数据确定目标井的钻井风险识别结果,监测目标井的参数异常情况,并结合设定的计算策略预测目标井的钻井趋势数据;
随钻优化步骤53、根据钻井趋势数据的预测结果按照设定逻辑调取相应的实时优化模型确定优化后的随钻作业数据;
钻后学习步骤54、分析已钻井段或完钻井的钻后测量数据,对实时监测及预测模块和随钻优化模块的处理结果进行评估,结合评估结果对所述实时监测及预测模块和随钻优化模块进行改进;
其中,所述方法运行过程中确定的钻井风险识别结果、参数异常情况、钻井趋势数据及优化后的随钻作业数据均可根据需求面向用户显示。
具体地,一个实施例中,在数据接入步骤中,包括:
通过静态数据接入单元从预先建立的数据库中提取目标井的各项静态数据,
利用实时数据接入单元从所述数据库中提取目标井对应的实时钻井数据;
由数据处理单元应用估算处理、整例删除、变量删除和成对删除中至少一种策略对所述实时钻井数据进行清洗,并将清洗后的实时钻井数据与静态数据关联,供后续调用。
一个实施例中,所述数据库中包括静态数据存储区、实时数据存储区、历史案例数据区及仿真模拟数据存储区;
所述静态数据存储区,用于存储各藏井的地质资料数据和钻井设计数据;
所述实时数据存储区,用于存储各藏井从钻井井场、录井装置和测井装置传输来的实时钻井数据;所述实时钻井数据包括但不限于:实时录井数据、岩屑录井数据、实时测井数据、钻具使用记录和钻井液性能数据;
所述历史案例数据区,用于存储各类邻井的历史案例数据,所述历史案例数据包括但不限于:风险类别、风险发生前后的实时录井数据、风险对应的处理措施信息以及风险处理结果的评估信息;
所述仿真模拟数据存储区,用于存储闭环钻井优化系统应用过程中的计算、识别、预测、优化、模型改进等各类数据信息。
进一步地,一个实施例中,在所述实时监测及预测步骤中,包括:
钻井风险智能识别、在钻井过程中基于处理后的实时数据,利用内部部署的对应钻井风险智能识别模型实时识别钻井风险,存储识别结果并生成对应的提示信息面向用户显示;
参数异常监测、基于处理后的实时数据,利用内部部署的参数趋势计算模型实时监测设定录井核心参数的变化趋势,存储监测结果并针对趋势异常的参数生成相应的提示信息面向用户显示;
实时计算、结合目标井的静态数据和处理后的实时数据对无法直接测量的各项钻井状态参数进行实时计算,存储计算结果并将计算结果生成相应的展示信息面向用户显示;
实时预测单元、基于所述实时计算单元的计算结果,利用内部部署的预测模型实时预测钻井过程中井筒状态、钻具状态及钻井作业状态的趋势数据,存储预测结果并将预测结果生成相应的展示信息面向用户显示。
一个优选的实施例中,在执行所述参数异常监测的过程中,通过以下方法中的至少一种监测设定录井核心参数的变化趋势:
针对各种连续工况,分别计算各个录井核心参数在当前第一预设时段内的平均值和当前时间段前第二预设时段内的平均值,进而计算对应的变化率作为变化趋势监测依据。
针对各种连续工况,分别计算各个录井核心参数在当前第三预设时段内的数据曲线斜率和当前时间段前第四预设时段内的数据曲线斜率,计算两者斜率差值的绝对值作为变化趋势监测依据;
针对各种连续工况分别计算各个录井核心参数在当前第五预设时段内的数据曲线波动振幅和频率以及当前时间段前第六预设时段内的数据曲线波动振幅和频率,统计各阶段振幅数据对应的频率作为变化趋势监测依据。
一个实施例中,通过以下步骤调用对应的功能性计算模型计算获取对应的状态数据实现实时计算:
通过摩阻扭矩计算子单元实时计算钻井过程中钻柱在井筒内的摩阻和扭矩分布情况,以评估作业中的钻头扭矩情况以及钻柱在井筒内阻卡的可能性;
利用地层压力计算子单元基于处理后的实时录井数据计算所钻地层压力情况;
由钻柱状态计算子单元实时计算钻井过程中钻柱的纵向振动、屈曲状态和内外应力数据,以分析钻柱损伤破坏的可能性和进行钻柱寿命预测;
采用水力计算子单元计算井筒内岩屑运移分布以及当量循环密度分布状态,以评估岩屑沉积造成的异常阻卡并结合所钻地层压力情况来分析井筒内压力平衡状态;
由机械钻速计算子单元计算钻进状态下的瞬时机械钻速以及平均机械钻速;
通过机械比能计算子单元计算钻井状态下的实时机械比能,以结合机械钻速计算结果实时监测井下工作状态、分析评估钻进效率与地层变化情况。
进一步地,在一个实施例中,执行实时预测的过程包括:
井眼轨迹预测、对造斜段、斜井段及水平段多种类型的非直井段进行轨迹走向预测,以评估井眼轨迹是否符合钻井设计数据的要求;
机械钻速预测、基于当前的钻井参数,预测后续的钻井速度变化,以评估当前钻井参数和工艺配合下的钻井效率是否满足钻井设计数据的要求;
钻具疲劳预测、基于实时计算单元计算的钻柱振动、屈曲及应力状态数据,结合钻柱抗拉、抗压等属性数据,计算井筒内钻具的损伤及疲劳情况,并预测钻具多种疲劳情况呈现的可能性;
钻井风险预测、基于实时计算单元计算的井筒各项状态参数,结合井眼轨迹预测子单元、机械钻速预测子单元和钻具疲劳预测子单元的预测结果评估钻井风险发生的可能性和风险程度。
一个优选的时候示例中,通过以下步骤实现随钻优化:
井眼轨迹优化、当井眼轨迹的预测结果为偏离趋势时,结合部署的内置轨迹优化模型对造斜段、斜井段及水平段多种类型的非直井段进行井眼轨迹调整;
钻井风险防控、当钻井风险智能识别的结果满足设定条件时,通过部署的内置风险处理模型形成相应的风险处置方案以消除风险;当钻井风险预测数据满足设定条件时,通过部署的内置风险规避模型计算形成相应的风险预防方案;
机械钻速优化、根据机械钻速计算子单元、机械比能计算子单元和/或机械钻速预测子单元的处理结果,通过部署的内置多维寻优模型对多项钻井参数进行寻优,生成机械钻速优化调整方案;
钻具状态调整、当钻具状态计算子单元的计算结果满足设定条件时,通过部署的内置钻柱状态优化模型对各项钻井参数进行调整,生成钻具状态优化方案。
进一步地,一个实施例中,在所述钻后学习步骤中,包括:
学习数据接入步骤、获取已钻井段或完钻井的测井数据、测斜数据和测压数据作为钻后测量数据,并将其与该已钻井段或完钻井对应的实时监测和预测模块以及随钻优化模块的处理结果合并,以供后续调用;
偏差分析步骤、依次将实时监测和预测模块以及随钻优化模块中各项处理结果与钻后测量数据进行分析,确定各项偏差分析结果;
模型学习改进步骤、若某项的偏差分析结果符合设定的需改进要求,则调整该项对应单元内置计算模型的模型参数;
改进模型验证步骤、基于已钻井段或完钻井的钻井数据运行模型学习改进单元改进后的计算模型,生成新计算结果并重新进行偏差分析直至满足设定的要求,将改进后的计算模型作为有效计算模型进行部署,投入未钻井段的实时监测及预测作业和随钻优化作业中。
对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
需要指出的是,在本发明的其他实施例中,该方法还可以通过将上述实施例中的某一个或某几个进行结合来得到新的实时仿真模拟钻井状态的闭环钻井优化方法。
需要说明的是,基于本发明上述任意一个或多个实施例中的方法,本发明还提供一种存储介质,该存储介质上存储有可实现如述任意一个或多个实施例中所述方法的程序代码,该代码被操作系统执行时能够实现如上所述的实时仿真模拟钻井状态的闭环钻井优化方法。
应该理解的是,本发明所公开的实施例不限于这里所公开的特定结构、处理步骤或材料,而应当延伸到相关领域的普通技术人员所理解的这些特征的等同替代。还应当理解的是,在此使用的术语仅用于描述特定实施例的目的,而不意味着限制。
说明书中提到的“一实施例”意指结合实施例描述的特定特征、结构或特征包括在本发明的至少一个实施例中。因此,说明书通篇各个地方出现的短语“一实施例”并不一定均指同一个实施例。
虽然本发明所揭露的实施方式如上,但所述的内容只是为了便于理解本发明而采用的实施方式,并非用以限定本发明。任何本发明所属技术领域内的技术人员,在不脱离本发明所揭露的精神和范围的前提下,可以在实施的形式上及细节上作任何的修改与变化,但本发明的专利保护范围,仍须以所附的权利要求书所界定的范围为准。
Claims (10)
1.一种实时仿真模拟钻井状态的闭环钻井优化系统,其特征在于,所述系统包括:
数据接入模块,其配置为接入目标井的各项静态数据和各项实时钻井数据并对所述实时钻井数据进行清洗处理;
实时监测及预测模块,其配置为在作业过程中,基于静态数据及对应的实时钻井数据确定目标井的钻井风险识别结果,监测目标井的参数异常情况,并结合设定的计算策略预测目标井的钻井趋势数据;
随钻优化模块,其配置为根据钻井趋势数据的预测结果按照设定逻辑调取相应的实时优化模型确定优化后的随钻作业数据;
显示模块,其与所述实时监测及预测模块和随钻优化模块通信连接,配置为将确定的钻井风险识别结果、参数异常情况、钻井趋势数据及优化后的随钻作业数据面向用户显示;
钻后学习模块,其配置为分析已钻井段或完钻井的钻后测量数据,对实时监测及预测模块和随钻优化模块的处理结果进行评估,结合评估结果对所述实时监测及预测模块和随钻优化模块进行改进。
2.根据权利要求1所述的系统,其特征在于,所述数据接入模块包括:
静态数据接入单元,配置为从预先建立的数据库中提取目标井的各项静态数据,
实时数据接入单元,配置为从所述数据库中提取目标井对应的实时钻井数据;
数据处理单元,配置为应用估算处理、整例删除、变量删除和成对删除中至少一种策略对所述实时钻井数据进行清洗,并将清洗后的实时钻井数据与静态数据关联,供后续调用。
3.根据权利要求2所述的系统,其特征在于,所述数据库中包括静态数据存储区、实时数据存储区、历史案例数据区以及仿真模拟数据存储区;
所述静态数据存储区,用于存储各井的地质资料数据和钻井设计数据;
所述实时数据存储区,用于存储各井从钻井井场、录井装置和测井装置传输来的实时钻井数据;所述实时钻井数据包括但不限于:实时录井数据、岩屑录井数据、实时测井数据、钻具使用记录和钻井液性能数据;
所述历史案例数据区,用于存储各邻井的历史案例数据,所述历史案例数据包括但不限于:风险类别、风险发生前后的实时录井数据、风险对应的处理措施信息以及风险处理结果的评估信息;
仿真模拟数据存储区,用于存储闭环钻井优化系统应用过程中的计算、识别、预测、优化及模型改进操作的相关数据信息。
4.根据权利要求1所述的系统,其特征在于,所述实时监测及预测模块包括:
钻井风险智能识别单元,其配置为在钻井过程中基于处理后的实时数据,利用内部部署的对应钻井风险智能识别模型实时识别钻井风险,存储识别结果并生成对应的提示信息面向用户显示;
参数异常监测单元,其配置为基于处理后的实时数据,利用内部部署的参数趋势计算模型实时监测设定录井核心参数的变化趋势,存储监测结果并针对趋势异常的参数生成相应的提示信息面向用户显示;
实时计算单元,其配置为结合目标井的静态数据和处理后的实时数据对无法直接测量的各项钻井状态参数进行实时计算;
实时预测单元,其配置为基于所述实时计算单元的计算结果,利用内部部署的预测模型实时预测钻井过程中井筒状态、钻具状态及钻井作业状态的趋势数据。
5.根据权利要求4所述的系统,其特征在于,所述参数异常监测单元配置为通过以下方法中的至少一种监测设定录井核心参数的变化趋势:
针对各种连续工况,分别计算各个录井核心参数在当前第一预设时段内的平均值和当前时间段前第二预设时段内的平均值,进而计算对应的变化率作为变化趋势监测依据。
针对各种连续工况,分别计算各个录井核心参数在当前第三预设时段内的数据曲线斜率和当前时间段前第四预设时段内的数据曲线斜率,计算两者斜率差值的绝对值作为变化趋势监测依据;
针对各种连续工况分别计算各个录井核心参数在当前第五预设时段内的数据曲线波动振幅和频率以及当前时间段前第六预设时段内的数据曲线波动振幅和频率,统计各阶段振幅数据对应的频率作为变化趋势监测依据。
6.根据权利要求4所述的系统,其特征在于,所述实时计算单元通过调用对应的功能性计算模型计算获取对应的状态数据,包括:
摩阻扭矩计算子单元,其配置为实时计算钻井过程中钻柱在井筒内的摩阻和扭矩分布情况,以评估作业中的钻头扭矩情况以及钻柱在井筒内阻卡的可能性;
地层压力计算子单元,其配置为基于处理后的实时录井数据计算所钻地层压力情况;
钻柱状态计算子单元,其配置为实时计算钻井过程中钻柱的纵向振动、屈曲状态和内外应力数据,以分析钻柱损伤破坏的可能性和进行钻柱寿命预测;
水力计算子单元,其配置为计算井筒内岩屑运移分布以及当量循环密度分布状态,以评估岩屑沉积造成的异常阻卡并结合所钻地层压力情况来分析井筒内压力平衡状态;
机械钻速计算子单元,其配置为计算钻井状态下的瞬时机械钻速以及平均机械钻速;
机械比能计算子单元,其配置为计算钻井状态下的实时机械比能,以结合机械钻速计算结果实时监测井下工作状态、分析评估钻进效率与地层变化情况。
7.根据权利要求4所述的系统,其特征在于,所述实时预测单元包括:
井眼轨迹预测子单元,其配置为对造斜段、斜井段及水平段多种类型的非直井段进行轨迹走向预测,以评估井眼轨迹是否符合钻井设计数据的要求;
机械钻速预测子单元,其配置为基于当前的钻井参数,预测后续的钻井速度变化,以评估当前钻井参数和工艺配合下的钻井效率是否满足钻井设计数据的要求;
钻具疲劳预测子单元,其配置为基于实时计算单元计算的钻柱振动、屈曲及应力状态数据,结合钻柱抗拉、抗压等属性数据,计算井筒内钻具的损伤及疲劳情况,并预测钻具多种疲劳情况呈现的可能性;
钻井风险预测子单元,其配置为基于实时计算单元计算的井筒各项状态参数,结合井眼轨迹预测子单元、机械钻速预测子单元和钻具疲劳预测子单元的预测结果评估钻井风险发生的可能性和风险程度。
8.根据权利要求1所述的系统,其特征在于,所述随钻优化模块,包括:
井眼轨迹优化单元,其配置为当井眼轨迹的预测结果为偏离趋势时,结合部署的内置轨迹优化模型对造斜段、斜井段及水平段多种类型的非直井段进行井眼轨迹调整;
钻井风险防控单元,其配置为当钻井风险智能识别的结果满足设定条件时,通过部署的内置风险处理模型形成相应的风险处置方案以消除风险;当钻井风险预测数据满足设定条件时,通过部署的内置风险规避模型计算形成相应的风险预防方案;
机械钻速优化单元,其配置为根据机械钻速计算子单元、机械比能计算子单元和/或机械钻速预测子单元的处理结果,通过部署的内置多维寻优模型对多项钻井参数进行寻优,生成机械钻速优化调整方案;
钻具状态调整单元,其配置为当钻具状态计算子单元的计算结果满足设定条件时,通过部署的内置钻柱状态优化模型对各项钻井参数进行调整,生成钻具状态优化方案。
9.根据权利要求1所述的系统,其特征在于,所述钻后学习模块,包括:
学习数据接入单元,其配置为获取已钻井段或完钻井的测井数据、测斜数据和测压数据作为钻后测量数据,结合钻井日报数据,并将其与该已钻井段或完钻井对应的实时监测和预测模块以及随钻优化模块的处理结果合并,以供后续调用;
偏差分析单元,其配置为依次将实时监测和预测模块以及随钻优化模块中各项处理结果与钻后测量数据进行分析,确定各项偏差分析结果;
模型学习改进单元,其配置为若某项的偏差分析结果符合设定的需改进要求,则调整该项对应单元内置计算模型的模型参数;
改进模型验证单元,其配置为基于已钻井段或完钻井的钻井数据运行模型学习改进单元改进后的计算模型,生成新计算结果并重新进行偏差分析直至满足设定的要求,将改进后的计算模型作为有效计算模型进行部署,投入未钻井段的实时监测及预测作业和随钻优化作业中。
10.一种实时仿真模拟钻井状态的闭环钻井优化方法,其特征在于,所述方法包括:
数据接入步骤、接入目标井的各项静态数据和各项实时钻井数据并对所述实时钻井数据进行清洗处理;
实时监测及预测步骤、在作业过程中,基于静态数据及对应的实时钻井数据确定目标井的钻井风险识别结果,监测目标井的参数异常情况,并结合设定的计算策略预测目标井的钻井趋势数据;
随钻优化步骤、根据钻井趋势数据的预测结果按照设定逻辑调取相应的实时优化模型确定优化后的随钻作业数据;
钻后学习步骤、分析已钻井段或完钻井的钻后测量数据,对实时监测及预测模块和随钻优化模块的处理结果进行评估,结合评估结果对所述实时监测及预测模块和随钻优化模块进行改进;
其中,所述方法运行过程中确定的钻井风险识别结果、参数异常情况、钻井趋势数据及优化后的随钻作业数据均可根据需求面向用户显示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110374885.1A CN115203877A (zh) | 2021-04-08 | 2021-04-08 | 一种实时仿真模拟钻井状态的闭环钻井优化系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110374885.1A CN115203877A (zh) | 2021-04-08 | 2021-04-08 | 一种实时仿真模拟钻井状态的闭环钻井优化系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115203877A true CN115203877A (zh) | 2022-10-18 |
Family
ID=83570331
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110374885.1A Pending CN115203877A (zh) | 2021-04-08 | 2021-04-08 | 一种实时仿真模拟钻井状态的闭环钻井优化系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115203877A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115640759A (zh) * | 2022-12-26 | 2023-01-24 | 成都捷科思石油天然气技术发展有限公司 | 一种基于机器学习的卡钻预警方法及系统 |
CN116662849A (zh) * | 2023-04-21 | 2023-08-29 | 西南石油大学 | 一种基于数字孪生与知识图谱的卡钻类型智能识别方法 |
CN117420150A (zh) * | 2023-12-18 | 2024-01-19 | 西安石油大学 | 一种基于钻井参数的分析预测系统及其预测方法 |
CN117521977A (zh) * | 2024-01-04 | 2024-02-06 | 深圳市光明顶技术有限公司 | 基于智慧平台的数据处理方法、装置、设备及存储介质 |
-
2021
- 2021-04-08 CN CN202110374885.1A patent/CN115203877A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115640759A (zh) * | 2022-12-26 | 2023-01-24 | 成都捷科思石油天然气技术发展有限公司 | 一种基于机器学习的卡钻预警方法及系统 |
CN116662849A (zh) * | 2023-04-21 | 2023-08-29 | 西南石油大学 | 一种基于数字孪生与知识图谱的卡钻类型智能识别方法 |
CN116662849B (zh) * | 2023-04-21 | 2024-04-09 | 西南石油大学 | 一种基于数字孪生与知识图谱的卡钻类型智能识别方法 |
CN117420150A (zh) * | 2023-12-18 | 2024-01-19 | 西安石油大学 | 一种基于钻井参数的分析预测系统及其预测方法 |
CN117420150B (zh) * | 2023-12-18 | 2024-03-08 | 西安石油大学 | 一种基于钻井参数的分析预测系统及其预测方法 |
CN117521977A (zh) * | 2024-01-04 | 2024-02-06 | 深圳市光明顶技术有限公司 | 基于智慧平台的数据处理方法、装置、设备及存储介质 |
CN117521977B (zh) * | 2024-01-04 | 2024-04-30 | 深圳市光明顶技术有限公司 | 基于智慧平台的数据处理方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115203877A (zh) | 一种实时仿真模拟钻井状态的闭环钻井优化系统及方法 | |
EP1982046B1 (en) | Methods, systems, and computer-readable media for real-time oil and gas field production optimization using a proxy simulator | |
US10100619B2 (en) | Systems and methods for subsurface oil recovery optimization | |
US8204697B2 (en) | System and method for health assessment of downhole tools | |
CA2559020C (en) | Method and apparatus for drilling waste disposal engineering and operations using a probabilistic approach | |
US8229880B2 (en) | Evaluation of acid fracturing treatments in an oilfield | |
CA2806532A1 (en) | Systems and methods for predicting well performance | |
Gan et al. | A novel dynamic model for the online prediction of rate of penetration and its industrial application to a drilling process | |
Omrani et al. | Slugging monitoring and classification with machine learning | |
CN111622752A (zh) | 一种三维井筒系统的提速评价方法 | |
Sheng et al. | Assessment of uncertainties in wellbore stability analysis | |
Wang et al. | Application of Recurrent Neural Network Long Short-Term Memory Model on Early Kick Detection | |
US20170212505A1 (en) | Method for planning and executing real time automated decision support in oil and gas wells | |
CN116108587B (zh) | 一种考虑多源信息不确定性的tbm利用率预测方法 | |
Fernandez Berrocal | Estimation of the Free Rotating Hook Load for WOB Estimation | |
Baker et al. | Well Construction Process Modeling and Simulation | |
MXPA06010183A (es) | Metodo y aparato para ingenieria de eliminacion de desechos de perforacion y operaciones que utilizan un enfoque probabilistico |
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 |