RU2735794C1 - Способ прогнозирования прихватов бурильных труб - Google Patents
Способ прогнозирования прихватов бурильных труб Download PDFInfo
- Publication number
- RU2735794C1 RU2735794C1 RU2020121477A RU2020121477A RU2735794C1 RU 2735794 C1 RU2735794 C1 RU 2735794C1 RU 2020121477 A RU2020121477 A RU 2020121477A RU 2020121477 A RU2020121477 A RU 2020121477A RU 2735794 C1 RU2735794 C1 RU 2735794C1
- Authority
- RU
- Russia
- Prior art keywords
- sticking
- mini
- model
- drilling
- prediction
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 83
- 238000005553 drilling Methods 0.000 title claims abstract description 62
- 238000012360 testing method Methods 0.000 claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000013528 artificial neural network Methods 0.000 claims abstract description 19
- 238000013461 design Methods 0.000 claims abstract description 14
- 238000010606 normalization Methods 0.000 claims abstract description 9
- 238000002790 cross-validation Methods 0.000 claims abstract description 8
- 238000012795 verification Methods 0.000 claims abstract description 5
- 230000008569 process Effects 0.000 claims description 19
- 239000012530 fluid Substances 0.000 claims description 11
- 238000003062 neural network model Methods 0.000 claims description 8
- 239000003638 chemical reducing agent Substances 0.000 claims description 6
- 239000000654 additive Substances 0.000 claims description 5
- 230000000996 additive effect Effects 0.000 claims description 5
- 239000011435 rock Substances 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 230000002401 inhibitory effect Effects 0.000 claims description 3
- 239000003879 lubricant additive Substances 0.000 claims 1
- 210000002569 neuron Anatomy 0.000 abstract description 3
- 108010029660 Intrinsically Disordered Proteins Proteins 0.000 abstract 1
- 102100037845 Isocitrate dehydrogenase [NADP], mitochondrial Human genes 0.000 abstract 1
- 238000003745 diagnosis Methods 0.000 abstract 1
- 230000000694 effects Effects 0.000 abstract 1
- 239000000126 substance Substances 0.000 abstract 1
- 238000011161 development Methods 0.000 description 6
- 206010010904 Convulsion Diseases 0.000 description 5
- 238000010200 validation analysis Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000010802 sludge Substances 0.000 description 4
- 230000003068 static effect Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000001050 lubricating effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000016571 aggressive behavior Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013398 bayesian method Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000001233 cdp Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000004637 computerized dynamic posturography Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011010 flushing procedure Methods 0.000 description 1
- 210000004907 gland Anatomy 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000004062 sedimentation Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 210000004233 talus Anatomy 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Earth Drilling (AREA)
Abstract
Изобретение относится к нефтегазовой области и может быть использовано для прогнозирования прихватов колонны бурильных труб в процессе проектирования или бурения нефтяных и газовых скважин с использованием нейросетевой модели. Техническим результатом является повышение достоверности прогнозирования и диагностирования состояния колонны бурильных труб на риск возникновения прихватов. Предложен способ прогнозирования прихватов бурильных труб на стадии проектирования или в процессе бурения скважины, характеризующийся тем, что создают перечень измеряемых, определяемых и задаваемых косвенно-диагностических параметров бурения скважины; создают набор данных о прихватах из записей ранее пробуренных скважин; разделяют элементы косвенно-диагностических параметров (КДП) на субэлементы с присвоением долевых значений в соответствии своего основного элемента; проводят процедуру разделения набора данных о прихватах на мини-наборы с последующей нормализацией значений мини-наборов; создают первую модель прогнозирования по тренировочным и проверочным мини-наборам на основе полносвязанной нейронной сети; тестируют первую модель на тестовом мини-наборе; создают вторую модель прогнозирования по тренировочным и проверочным мини-наборам на основе модульной нейронной сети; тестируют вторую модель на тестовом мини-наборе; осуществляют построение конечной модели прогнозирования на основе ансамбля первой и второй модели с совместным обучением по тренировочным и проверочным мини-наборам; тестируют ансамбль моделей на тестовом мини-наборе; осуществляют оценку качества работы ансамбля моделей на полном наборе данных методом k-блочной кросс-валидации; осуществляют процедуру прогнозирования прихватов колонны бурильных труб с помощью ансамбля моделей нейронной сети и получают результаты прогнозных значений, показывающих вероятность возникновения прихватов с указанием группы на стадии проектирования или в процессе бурения скважины, следующим путем: измеряют, рассчитывают, выбирают и определяют КДП для прогнозируемого интервала бурения проектируемой или бурящейся скважины, далее производят нормализацию значений КДП и передают в модель прогнозирования, которая в свою очередь выдает прогноз на прихват, если модель прогнозирует отсутствие прихвата, то на этом завершается процедура прогнозирования для имеющихся КДП, если модель прогнозирует прихват с указанием группы прихвата, тогда необходимо скорректировать значения управляемых параметров из перечня КДП и повторять процедуру прогнозирования до тех пор, пока не достигается отрицательного прогноза на прихват. 11 ил.
Description
Область техники
Изобретение относится к нефтегазовой области и может быть использовано для прогнозирования прихватов колонны бурильных труб в процессе проектирования или бурения нефтяных и газовых скважин с использованием нейросетевой модели.
Уровень техники
Бурение скважин для разведки и разработки новых месторождений, а также добычи углеводородных ресурсов всегда было и остается чрезвычайно капиталоемким для нефтегазодобывающих организаций. Получение высоких технико-экономических показателей бурения во многом зависит от успешности преодоления осложнений и аварий. При этом риск возникновения аварий в современных условиях бурения нефтяных и газовых скважин (разнообразие геологического строения районов, глубина скважин, высокие давления, температура и солевая агрессия, наличие неустойчивых пород, сложность конструкций и конфигураций скважин) очень высок.
Наиболее распространенным и трудоемким видом аварий в процессе бурения скважин является прихват бурильной колонны, поэтому способам прогнозирования и идентификаций прихватов колонн бурильных труб отводится первостепенная роль.
Прихват - это непредвиденный процесс при сооружении скважин, характеризующийся потерей подвижности колонны труб или скважинных приборов при приложении к ним максимально допустимых нагрузок с учетом запаса прочности труб и применяемого оборудования. По механизму возникновения, прихваты можно разделить на три группы: а) дифференциальный прихват (под действием перепада давления); б) прихват вследствие геометрических изменений ствола скважины; в) прихват вследствие зашламования или закупоривания кольцевого пространства твердыми частицами (в результате оседания шлама, утяжелителя, осыпей, обвалов, выпучивания пород, сальникообразования и т.п.).
Прихват можно предотвратить, если по ранним признакам правильно идентифицировать начало возникновения того или иного вида прихватов и предпринимать своевременные меры, которые в нефтегазовом деле принято называть «предупреждением прихватов». Существует набор методов по предупреждению прихватов, которые обеспечивают безопасность и не требуют больших трудовых или материальных затрат. Однако своевременное обнаружение ранних признаков проявления прихватов - является сложной задачей, поскольку одни и те же признаки в разных ситуациях, условиях и операциях могут интерпретироваться по-разному. Корректная интерпретация признаков прихватов затруднительна без учета большого набора влияющих факторов, что в полевых условиях в настоящее время не всегда возможно. Таким образом, разработка способов прогнозирования и диагностирования прихватов, учитывающих большую часть влияющих факторов, позволит минимизировать вероятность ошибочной интерпретации признаков и своевременно обнаруживать прихваты. В результате, способ прогнозирования и распознавания прихватов позволяет сократить экономические издержки и повысить технико-технологические показатели процесса бурения скважины за счет сокращения времени на ликвидацию прихват.
Из уровня техники известен способ прогнозирования прихвата колонны бурильных труб (патент US 5181172 A, МПК G06F 15/20, Е21В 44/00, опубл. 19.01.1993 г.), включающий в себя аналитическую шаговую оценку отношения силы осевого напряжения сдвига колонны бурильных труб к глубине нахождения долота (именуемое в работе, как показатель степени тяжести ствола скважины), с последующим определением скорости приращения этого показателя относительно изменения глубины нахождения долота.
Недостатком данного способа является то, что для проведения полной процедуры прогнозирования необходимо остановить процесс бурения скважины на некоторое время (для определений силы осевого напряжения сдвига), что сильно увеличивает непродуктивную трату времени. Повышение непродуктивной траты времени снижает технологическую производительность процесса бурения скважины.
Известен способ и система прогнозирования прихватов колонны бурильных труб (патент WO 2013/066746 А1 и US 8752648 B2, МПК Е21В 44/02, Е21В 47/13, Е21В 17/01, опубл. 10.05.2013 г., а также патент US 20140110167 А1, МПК Е21В 41/00, Е21В 44/00, G06N 3/08, G06N 99/00, опубл. 24.04.2014 г.), включающий в себя получение в компьютерной системе множества статических и динамических параметров бурения, таких как диаметр долота, диаметр скважины, вес технологического инструмента (нагрузка на крюке), частота вращения технологического инструмента, крутящий момент на валу ротора или забойного двигателя, давления закачки бурового раствора, давления на стояке бурового насоса, давления бурового раствора при выходе из скважины, нагрузка на долото, частота вращения долота, угол наклона скважины, пористость и проницаемость пласта, и с помощью ансамблей моделей машинного обучения прогнозирование значения вероятности и времени наступления прихват. Ансамбль моделей состоит из нейронной сети, дерева решений, метода опорных векторов и байесовского метода.
Недостатком данного способа и системы прогнозирования прихвата является то, что среди множества показателей параметров бурения не учитываются реологические и технологические параметры бурового раствора, которые являются важными факторами, влияющими на процесс возникновений прихвата; полученный выходной прогноз не классифицируется на типы прихватов, что в свою очередь не позволяет буровому персоналу оперативно оценивать влияния конкретных факторов на развитие того или иного вида прихватов, следовательно, устранение прихватоопасных ситуаций на ранних стадиях по полученным прогнозам становится сложнее. А также, данный способ не способен прогнозировать прихват на стадии проектирования скважины, так как способ привязан к показателям динамических параметров бурения.
Известен способ прогнозирования прихвата бурильных труб (патент US 20170306726 А1, МПК Е21В 41/00, Е21В 47/00, Е21В 47/09, G06G 17/50, опубл. 26.10.2017 г.), включающий в себя считывание показания веса технологического инструмента (нагрузку на крюке) и глубины нахождения долота, с последующим сравниванием со значением прогнозируемого показателя адаптивной и линейной регрессионной моделей. Если значение веса технологического инструмента будет выше, чем прогнозируемое (номинальное) значение той же глубины нахождения долота, тогда формируется предупреждение о высокой вероятности возникновения прихвата.
Недостатком данного способа прогнозирования прихвата является то, что: прогноз строится только по показаниям веса технологического инструмента и глубины нахождения долота, не учитываются важные показатели параметров бурения, в том числе реологические и технологические параметры бурового раствора, которые являются важными факторами, влияющими на процесс возникновений прихвата; полученный выходной прогноз не классифицируется на типы прихватов, что в свою очередь не позволяет буровому персоналу оперативно оценивать влияния конкретных факторов на развитие того или иного вида прихвата, следовательно, устранение прихватоопасных ситуаций на ранних стадиях по полученным прогнозам становится сложнее; для построения правильного прогноза необходимо через 100 метров наращивания инструмента устанавливать пороговое значение веса технологического инструмента, исходя из анализа среднего показателя веса инструмента, что без участия персонала невозможно выполнить. А также, данный способ не способен прогнозировать прихват на стадии проектирования скважины, так как способ привязан к показателям динамических параметров бурения.
Известен способ прогнозирования прихвата бурильных труб (патент US 10513920 В2 и WO 2016/205493 А1, МПК Е21В 44/00, Е21В 47/12, Е21В 7/00, Е21В 7/28, Е21В 19/00, опубл. 24.12.2019 г.), включающий в себя выделение значения параметров режимов бурения, которые являются косвенными признаками технического состояния колоны бурильных труб, с последующим расчетом показателя приращения этих параметров и сопоставление с эталонными значениями этих параметров. Когда текущие значения параметров превосходят предел эталонных значений, формируется предупреждение о риске возникновения прихвата. Способ применяется во всех операциях процесса бурения скважины (спуск, подъем, проработка, промывка, бурения).
Недостаток данного способа состоит в том, что результаты прогноза могут быть ошибочными, так как модель имеет высокую чувствительность к зашумленным данным; из приведенных примеров (в способе) прогнозирования прихватов видно, что прихват прогнозирован за тот период времени, когда уже наступил прихват, следовательно, способ больше относиться к обнаружению (идентификации), чем к прогнозированию прихвата, так как интервал времени прогнозирования до прихвата очень короткий; полученный прогноз не классифицируется на типы прихватов, что в свою очередь не позволяет буровому персоналу оперативно оценивать влияние конкретных факторов на развитие того или иного вида прихватов, следовательно, устранение прихватоопасных ситуаций на ранних стадиях по полученным прогнозам становится сложнее; данный способ не предусмотрен для прогнозирования прихвата на стадии проектирования скважины.
Техническая задача изобретения направлена на создание двух моделей искусственной нейронной сети, с последующим ансамблированием этих моделей для прогнозирования прихвата колонны бурильных труб на стадии проектирования или в процессе бурения скважины.
Технический результат изобретения - повышение достоверности прогнозирования и диагностирования состояния колонны бурильных труб на риск возникновении прихватов.
Раскрытие изобретения
Технический результат достигается тем, что способ прогнозирования прихватов бурильных труб на стадии проектирования или в процессе бурения скважины, характеризуется тем, что:
- создают перечень измеряемых, определяемых и задаваемых косвенно-диагностических параметров бурения скважины;
- создают набор данных о прихватах из записей ранее пробуренных скважин;
- разделяют элементы косвенно-диагностических параметров (КДП), а именно Х2 - тип горной породы в зоне прихвата, X15 - компоненты понизителя вязкости бурового раствора, X16 - компоненты понизителя водоотдачи бурового раствора, X17 - компоненты ингибирующей добавки, X18 - компоненты смазочной добавки, на субэлементы с присвоением долевых значений в соответствии своего основного элемента;
- проводят процедуру разделения набора данных о прихватах на мини-наборы с последующей нормализацией значений мини-наборов;
- создают первую модель прогнозирования по тренировочным и проверочным мини-наборам на основе полносвязанной нейронной сети;
- тестируют первую модель на тестовом мини-наборе;
- создают вторую модель прогнозирования по тренировочным и проверочным мини-наборам на основе модульной нейронной сети;
- тестируют вторую модель на тестовом мини-наборе;
- осуществляют построение конечной модели прогнозирования на основе ансамбля первой и второй модели с совместным обучением по тренировочным и проверочным мини-наборам;
- тестируют ансамбль моделей на тестовом мини-наборе;
- осуществляют оценку качества работы ансамбля моделей на полном наборе данных методом k-блочной кросс-валидации;
- осуществляют процедуру прогнозирования прихватов колонны бурильных труб с помощью ансамбля моделей нейронной сети, и получают результаты прогнозных значений, показывающих вероятность возникновения прихватов с указанием группы на стадии проектирования или в процессе бурения скважины, следующим путем: измеряют, рассчитывают, выбирают и определяют КДП для прогнозируемого интервала бурения проектируемой или бурящийся скважины; далее производят нормализацию значений КДП и передают в модель прогнозирования, которая в свою очередь выдает прогноз на прихват, если модель прогнозирует отсутствие прихвата, то на этом завершается процедура прогнозирования для имеющихся КДП, если модель прогнозирует прихват с указанием группы прихвата, тогда необходимо скорректировать значения управляемых параметров из перечня КДП и повторять процедуру прогнозирования до тех пор, пока не достигается отрицательного прогноза на прихват.
Тем не менее, так же необходимо обращать внимание на значение неуправляемых КДП и провести проверку правильности расчетов и определение этих параметром.
Сущность изобретения поясняется следующими графическими материалами, где:
Фиг.1 - Блок-схема последовательности реализации способа. 100, Шаг 1 - создание сокращенного перечня измеряемых, определяемых и задаваемых косвенно-диагностических параметров бурения скважины; 102, Шаг 2 - создание набора данных о прихватах из записей ранее пробуренных скважин; 104, Шаг 3 - преобразование некоторых элементов косвенно-диагностических параметров на субэлементы; 106, Шаг 4 - проведение процедуры разделение данных на мини-наборы данных с последующей нормализацией значении мини-наборов; 108, Шаг 5 - создание первой модели прогнозирования (по тренировочным и проверочным мини-наборам) на основе полносвязанной нейронной сети; 110, Шаг 6 - тестирование первой модели на тестовом мини-наборе; 112, Шаг 7 - создание второй модели прогнозирования (по тренировочным и проверочным мини-наборам) на основе модульной нейронной сети; 114, Шаг 8 - тестирование второй модели на тестовом мини-наборе; 116, Шаг 9 - построение конечной модели прогнозирования на основе ансамбля двух моделей (первой и второй модели) с совместным обучением (по тренировочным и проверочным мини-наборам); 118, Шаг 10 - тестирование ансамбля моделей на тестовом мини-наборе; 120, Шаг 11 - оценка качество работы ансамбля моделей на полном наборе данных методом k-блочной кросс-валидации; 122, Шаг 12 - осуществление прогнозирование прихватов колонны бурильных труб с помощью ансамбля моделей нейронной сети, и получение результатов (прогнозных значений), показывающих вероятность возникновения прихватов (с указанием группы) на стадии проектирования или в процессе бурения скважины.
Фиг. 2А - Графическая схема перечня входных данных (измеряемые и определяемые параметры бурения скважины);
Фиг. 2Б - Схема преобразования элементов данных на субэлементы;
Фиг. 3 - Схема разделения набора данных на тренировочный, проверочный и тестовый мини-набор;
Фиг. 4 - Блок-схема процесса обучения сети (методом обратного распространение ошибки);
Фиг. 5 - Топология полносвязанной модели нейронной сети (модель 1);
Фиг. 6 - Топология трех модульной нейронной сети (модель 2);
Фиг. 7 - Топология ансамбля моделей нейронной сети;
Фиг. 8 - Основные параметры, настройки и характеристики ансамбля моделей нейронной сети;
Фиг. 9 - Схема процедуры оценки качество работы ансамбля моделей методом k-блочной кросс-валидации;
Фиг. 10 - Алгоритмическая блок-схема процедуры прогнозирования прихвата.
Способ осуществляется следующим образом. Процесс бурения скважины задается множествами параметрами бурения, по которым прямо или косвенно можно оценить состояние ствола скважины, состояние технологического инструмента, а также все операции и малые процессы, протекающие во время бурения скважины. Для оценки состояния колонны бурильных труб на риск возникновение прихват, советскими учеными (Самотой А.К., Аветисов А.Г.) был сформулирован перечень параметров из множества имеющихся параметров бурения. Так как значения этих параметров носят функцию диагностирования, их часто называют косвенно-диагностическими параметрами (КДП). На стадии проектирование скважины КДП рассчитывают, определяют и задают, а в процессе бурения скважины измеряют и определяют.
В предлагаемом способе, в качестве элементов набора входных параметров (входных данных) для прогнозирования прихватов бурильных труб, используют КДП, такие как: X1 - глубина, на которой находится долото в момент прихвата, м; Х2 - тип горной породы в зоне прихвата; Х3 - пластовое давление в зоне прихвата, кгс/см2; Х4 - разность между давлением столба промывочной жидкости и пластовым давлением, кгс/см2; X5 - плотность бурового раствора, г/см3; Х6 - условная вязкость, с; X7 - статическое напряжение сдвига бурового раствора (при одной минуты в покое CHC1), мгс/см2; X8 - статическое напряжение сдвига бурового раствора (при 10 минут в покое СНС10), мгс/см2; Х9 - водоотдача бурового раствора, см3/30 мин; Х10 - длина утяжеленной бурильной трубы (УБТ), м; Х11 - зазор между стенкой скважины и УБТ, мм; Х12 - угол искривления ствола скважины, градус; Х13 - температура на глубине прихвата, °С; Х14 - количество нефти в растворе, %; Х15 - компоненты понизителя вязкости бурового раствора; X16 - компоненты понизителя водоотдачи бурового раствора; Х17 - компоненты ингибирующей добавки; X18 - компоненты смазочной добавки.
Эти диагностические параметры 200 (Фиг. 2А) по характеру описаний, условно разделяются на геологические 201 (Х2, Х3, Х13), технологические и реологические параметры бурового раствора 202 (Х4, X5, X6, Х7, X8, Х9, Х14, Х15, Х16, Х17, X18), технико-технологические параметры бурения 203 (X1, Х10, Х11, Х12). А также по степени управляемости условно разделяются на управляемые (Х6, Х7, X8, Х9, Х10, Х11, Х14, Х15, Х16, Х17, X18) и неуправляемые (X1, Х2, Х3, Х4, Х5, Х12, Х13) параметры (на фиг.условно не показаны).
Для повышения информативности и восприимчивости КДП к нейронным сетям, некоторые элементы КДП 204 (Фиг. 2Б), такие как Х2, Х15, X16, Х17 и X18 преобразуют на субэлементы 205. Каждому субэлементу данных 205 присваивают долевое значение в соответствии своего основного элемента КДП 204 (Фиг. 2Б). С помощью такого преобразования повышают репрезентативность выборки для нейронной сети.
В результате, получают 32 компонента КДП, которые в наибольшей степени. характеризуют состояние колонны бурильных труб, находящихся в стволе скважины. В качестве выходной информации о прихвате рассматривают четыре возможных состояния: Y1 - дифференциальный прихват (под действием перепада давления); Y2 - прихват вследствие геометрических изменении ствола скважины; Y3 - прихват, вследствие зашламования или закупоривания кольцевого пространство; Y4 - отсутствие прихвата.
По результатам записей ранее пробуренных скважин, в которых происходили прихваты, создают наборы данных (выборку) о прихватах 200 (Фиг. 3). Каждый прихват характеризуют (описывают) КДП. Для подготовки модели прогнозирования, созданный набор данных о прихватах 200 разделяют на тренировочные 301, проверочные 302 и тестовые мини-наборы 303. Для того, чтобы сделать сходство разных образцов мини-набора более заметным для модели нейронной сети 305, что помогает модели 305 выделять и обобщать новые мини-наборы, производят процедуру нормализации 304 и 306 над наборами. Суть нормализации состоит в центрировании данных и приведении их к единичной дисперсии. Нормализацию производят следующим уравнением:
где 
- среднее значение по признаку Xi (элемента мини- набора), σ - среднеквадратическое отклонение.
После того как мини-наборы были нормализованы (304 и 306), модель 305 обучают на тренировочных, а качество обучения оценивают на проверочных мини-наборах. После завершения обучения, модель 305 тестируют 307 на тестовом мини-наборе. Такой подход позволяет получить наиболее точную оценку обобщенности модели.
Так, в разработке модели применяются нейронные сети типа многослойного персептрона прямого распространения, следовательно, применяется алгоритм обучения сети с учителем методом обратного распространения ошибки (со стохастическим градиентным спуском). На Фиг. 4 изображен схематическая иллюстрация процесса обучения нейронной сети.
В предлагаемом способе используют две модели. Первая модель 500 (Фиг. 5) состоит из полносвязанной нейронной сети, на входы которой поступают геологические, технологические и реологические параметры бурового раствора, а также технико-технологические параметры бурения. Модель 500 соединяется с нейронными слоями интегратора 501А, который в свою очередь имеет 4 выходного нейрона, генерирующий сигнал 501В о состоянии бурильной колонны. Вторая модель 600 (Фиг. 6) состоит из трехмодульной нейронной сети. Каждый модуль 601, 602, 603 состоит из полносвязанной нейронной сети. На входы первого модуля 601 поступают геологические параметры 201, второго модуля 602 - технологические и реологические параметры бурового раствора 202, третьего модуля 603 - технико-технологические параметры бурения 203. Модули 601, 602 и 603 между собой построены параллельно, но выходы у них объединены полносвязанными слоями интегратора 501 А, который в свою очередь имеет 12 нейронов во входном слое, 128 нейронов в скрытом и 4 во выходном слое 501В. Основные параметры и настройки упомянутых моделей представлены на Фиг. 8 (801, 802).
Для улучшения результатов прогнозирования производят ансамблирование двух моделей 500 и 600 (Фиг. 7). Ансамблирование основано на предположении о том, что разнообразные модели одной задачи, могут быть хороши по разным причинам: каждая модель рассматривает немного другие аспекты данных, чтобы сделать прогноз, и видит только часть целого. Объединив результаты, получаемые набором разных моделей, можно получить гораздо более точное описание данных. Далее реализовывают совместное обучение семейства двух разнообразных моделей-кандидатов 500 и 600 в единую сеть (Фиг. 7), благодаря которым они будут генерировать различные границы решений для тренировочных данных. Основные параметры, настройки и характеристики 800 ансамбля моделей 500 и 600 представлены на Фиг. 8.
Оценка качества работы сети из ансамбля моделей производится методом кросс-валидации по k-блокам. Имеющийся набор данных 200 случайным образом подразделяют на 20-блоков мини-данных 900 (Фиг. 9). В качестве обучающей выборки применяют 19 из них 902, а один блок мини-данных 901 в качестве проверочных, и проводят обучения и оценка сети. Процедуру повторяют 20-раз, в результате чего, получают 20 моделей с их оценками качества работы сети (L1…L20). Затем вычисляют среднюю ошибку работы модели, на основе разных независимых блоков: 
, где Li - значения ошибка сети i-той модели.
Метод кросс-валидации по k-блокам позволяет выполнять тонкие настройки модели, т.е. находить оптимальные значения гиперпараметров, которые дают удовлетворительную обобщающую способность. После того как определяют удовлетворительные значения гиперпараметров, повторно производят процесс обучения модели на полном обучающем наборе. В результате получают окончательную оценку качества модели на базе независимых тестовых наборов. С учетом того, что k - блочная кросс-валидация - это метод генерирования повторных образцов без возврата (непересекающихся образцов), преимущество этого подхода заключается в том, что каждая точка образца является частью обучающего и проверочного наборов данных ровно один раз, что в итоге позволяет получить более низкодисперсную оценку качества модели.
После того как вышесказанные этапы выполнены осуществляют прогнозирование прихватов бурильных труб по двум возможным вариантам выполнения.
Вариант 1. Прогнозирование в процессе бурения скважины.
Измеряют и определяют КДП 1000 (Фиг. 10) для прогнозируемого интервала бурения бурящийся скважины. Производят нормализацию значений КДП 1001 и передают в модель прогнозирование 305, которая в свою очередь выдает прогноз на прихват. Если модель прогнозирует 1002 отсутствие прихвата, то на этом завершается 1003 процедура прогнозирования для имеющихся КДП. Если модель прогнозирует 1002 прихват с указанием группы прихвата 1004, тогда необходимо скорректировать значения управляемых параметров из перечня КДП и повторять процедуру прогнозирования до тех пор, пока не достигается отрицательного прогноза на прихват. Тем не менее, так же необходимо обращать внимание на значение неуправляемых КДП и провести проверку правильности расчетов и определение этих параметром.
Вариант 2. Прогнозирование на стадии проектирование скважины.
Рассчитывают, выбирают и определяют КДП 1000 (Фиг. 10) для прогнозируемого интервала проекта скважины. Производят нормализацию значений КДП 1001, и подают моделью прогнозированию 305, которая в свою очередь выдает прогноз на прихват. Если модель прогнозирует 1002 отсутствия прихвата, то на этом завершается 1003 процедура прогнозирования для имеющихся КДП. Если модель прогнозирует 1002 прихват с указанием группы прихвата 1004, тогда необходимо скорректировать значения управляемых параметров из перечня КДП и повторять процедуру прогнозирования до тех пор, пока не достигается отрицательного прогноза на прихват. Тем не менее, так же необходимо обращать внимание на значение неуправляемых КДП и провести проверку правильности расчетов и выборов этих параметром.
Предлагаемый способ был реализован (воспроизведен) с использованием промысловых архивных данных о прихватах ВНИИКРнефти и ОАО «Нафту газ» по 102 прихватам скважин, в том числе 30 из них - дифференциальный прихват, 32 - прихват вследствие геометрических изменений ствола скважины и 40 - прихват вследствие зашламования или закупоривания кольцевого пространства твердыми частицами. В результате, способом были получены прогнозные значений, показывающий вероятность возникновения прихватов (с указанием группы). Способ демонстрировал прогнозирования прихватов с точностью 96%, (правильно спрогнозировал 23 случаев из 24).
Claims (13)
- Способ прогнозирования прихватов бурильных труб на стадии проектирования или в процессе бурения скважины, характеризующийся тем, что
- - создают перечень измеряемых, определяемых и задаваемых косвенно-диагностических параметров бурения скважины;
- - создают набор данных о прихватах из записей ранее пробуренных скважин;
- - разделяют элементы косвенно-диагностических параметров (КДП), а именно Х2 - тип горной породы в зоне прихвата, Х15 - компоненты понизителя вязкости бурового раствора, X16 - компоненты понизителя водоотдачи бурового раствора, Х17 - компоненты ингибирующей добавки, X18 - компоненты смазочной добавки, на субэлементы с присвоением долевых значений в соответствии своего основного элемента;
- - проводят процедуру разделения набора данных о прихватах на мини-наборы с последующей нормализацией значений мини-наборов;
- - создают первую модель прогнозирования по тренировочным и проверочным мини-наборам на основе полносвязанной нейронной сети;
- - тестируют первую модель на тестовом мини-наборе;
- - создают вторую модель прогнозирования по тренировочным и проверочным мини-наборам на основе модульной нейронной сети;
- - тестируют вторую модель на тестовом мини-наборе;
- - осуществляют построение конечной модели прогнозирования на основе ансамбля первой и второй модели с совместным обучением по тренировочным и проверочным мини-наборам;
- - тестируют ансамбль моделей на тестовом мини-наборе;
- - осуществляют оценку качества работы ансамбля моделей на полном наборе данных методом k-блочной кросс-валидации;
- - осуществляют процедуру прогнозирования прихватов колонны бурильных труб с помощью ансамбля моделей нейронной сети и получают результаты прогнозных значений, показывающих вероятность возникновения прихватов с указанием группы на стадии проектирования или в процессе бурения скважины, следующим путем: измеряют, рассчитывают, выбирают и определяют КДП для прогнозируемого интервала бурения проектируемой или бурящейся скважины, далее производят нормализацию значений КДП и передают в модель прогнозирования, которая в свою очередь выдает прогноз на прихват, если модель прогнозирует отсутствие прихвата, то на этом завершается процедура прогнозирования для имеющихся КДП, если модель прогнозирует прихват с указанием группы прихвата, тогда необходимо скорректировать значения управляемых параметров из перечня КДП и повторять процедуру прогнозирования до тех пор, пока не достигается отрицательного прогноза на прихват.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2020121477A RU2735794C1 (ru) | 2020-06-23 | 2020-06-23 | Способ прогнозирования прихватов бурильных труб |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2020121477A RU2735794C1 (ru) | 2020-06-23 | 2020-06-23 | Способ прогнозирования прихватов бурильных труб |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| RU2735794C1 true RU2735794C1 (ru) | 2020-11-09 |
Family
ID=73398262
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| RU2020121477A RU2735794C1 (ru) | 2020-06-23 | 2020-06-23 | Способ прогнозирования прихватов бурильных труб |
Country Status (1)
| Country | Link |
|---|---|
| RU (1) | RU2735794C1 (ru) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020120401A1 (en) * | 2000-09-29 | 2002-08-29 | Macdonald Robert P. | Method and apparatus for prediction control in drilling dynamics using neural networks |
| US20140110167A1 (en) * | 2011-11-02 | 2014-04-24 | Landmark Graphics Corporation | Method and system for predicting a drill string stuck pipe event |
| RU2603980C1 (ru) * | 2013-10-25 | 2016-12-10 | Лэндмарк Графикс Корпорейшн | Прогнозирование риска в реальном времени во время буровых работ |
| US10221671B1 (en) * | 2014-07-25 | 2019-03-05 | U.S. Department Of Energy | MSE based drilling optimization using neural network simulaton |
| WO2019216891A1 (en) * | 2018-05-09 | 2019-11-14 | Landmark Graphics Corporation | Learning based bayesian optimization for optimizing controllable drilling parameters |
-
2020
- 2020-06-23 RU RU2020121477A patent/RU2735794C1/ru active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020120401A1 (en) * | 2000-09-29 | 2002-08-29 | Macdonald Robert P. | Method and apparatus for prediction control in drilling dynamics using neural networks |
| US20140110167A1 (en) * | 2011-11-02 | 2014-04-24 | Landmark Graphics Corporation | Method and system for predicting a drill string stuck pipe event |
| RU2603980C1 (ru) * | 2013-10-25 | 2016-12-10 | Лэндмарк Графикс Корпорейшн | Прогнозирование риска в реальном времени во время буровых работ |
| US10221671B1 (en) * | 2014-07-25 | 2019-03-05 | U.S. Department Of Energy | MSE based drilling optimization using neural network simulaton |
| WO2019216891A1 (en) * | 2018-05-09 | 2019-11-14 | Landmark Graphics Corporation | Learning based bayesian optimization for optimizing controllable drilling parameters |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gurina et al. | Application of machine learning to accidents detection at directional drilling | |
| RU2723805C9 (ru) | Способ и компьютерная система управления бурением скважин | |
| EP1984860B1 (en) | Methods, systems, and computer-readable media for fast updating of oil and gas field production models with physical and proxy simulators | |
| EP1982046B1 (en) | Methods, systems, and computer-readable media for real-time oil and gas field production optimization using a proxy simulator | |
| Li et al. | Diagnosis of downhole incidents for geological drilling processes using multi-time scale feature extraction and probabilistic neural networks | |
| US7983885B2 (en) | Method and apparatus for multi-dimensional data analysis to identify rock heterogeneity | |
| Fernández et al. | Rock mass structural recognition from drill monitoring technology in underground mining using discontinuity index and machine learning techniques | |
| Vilela et al. | A fuzzy inference system applied to value of information assessment for oil and gas industry | |
| CN113431496A (zh) | 一种钻采船协同作业故障诊断及辅助决策方法 | |
| RU2753289C1 (ru) | Способ прогнозирования прихватов бурильных труб в процессе бурения скважины в режиме реального времени | |
| CN115017791A (zh) | 隧道围岩级别识别方法和装置 | |
| CN115841247B (zh) | 数字化钻井风险监控方法及装置 | |
| CN107292467A (zh) | 一种钻井风险预测方法 | |
| Basarir et al. | The use of soft computing methods for the prediction of rock properties based on measurement while drilling data | |
| CN115586086A (zh) | 一种基于大数据的井壁失稳分析方法 | |
| CN107292754A (zh) | 一种钻井风险预测系统 | |
| CN114991757A (zh) | 一种随钻地层压力测录一体化监测方法及系统 | |
| Zachopoulos et al. | Detection methodologies on oil and gas kick: A systematic review | |
| RU2745136C1 (ru) | Автоматизированная система выявления и прогнозирования осложнений в процессе строительства нефтяных и газовых скважин | |
| CN119202644A (zh) | 基于支持向量机法的井下锚杆锚固强度预测方法及系统 | |
| RU2735794C1 (ru) | Способ прогнозирования прихватов бурильных труб | |
| RU2745137C1 (ru) | Автоматизированная система выявления и прогнозирования осложнений в процессе строительства нефтяных и газовых скважин | |
| Liaghat et al. | Ore grade prediction using informative features of MWD data | |
| Mokhtari et al. | Feasibility study of EPB shield automation using deep learning | |
| Sarwono et al. | Using machine learning for stuck pipe prediction as an early warning system for geothermal drilling operation in North Sumatra |