RU2745137C1 - Automated system for identification and prediction of complications in the process of construction of oil and gas wells - Google Patents
Automated system for identification and prediction of complications in the process of construction of oil and gas wells Download PDFInfo
- Publication number
- RU2745137C1 RU2745137C1 RU2020129673A RU2020129673A RU2745137C1 RU 2745137 C1 RU2745137 C1 RU 2745137C1 RU 2020129673 A RU2020129673 A RU 2020129673A RU 2020129673 A RU2020129673 A RU 2020129673A RU 2745137 C1 RU2745137 C1 RU 2745137C1
- Authority
- RU
- Russia
- Prior art keywords
- module
- complications
- occurrence
- data
- predicting
- Prior art date
Links
Images
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
- E21B44/00—Automatic control systems specially adapted for drilling operations, i.e. self-operating systems which function to carry out or modify a drilling operation without intervention of a human operator, e.g. computer-controlled drilling systems; Systems specially adapted for monitoring a plurality of drilling variables or conditions
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Mining & Mineral Resources (AREA)
- Geology (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Automation & Control Theory (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Environmental & Geological Engineering (AREA)
- Fluid Mechanics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
Изобретение относится к области нефтяной и газовой промышленности, а именно к системам мониторинга строительства нефтегазовых скважин и управления буровыми операциями, и предназначено для выявления и прогнозирования осложнений основных типов, таких как, поглощение буровой промывочной жидкости, прихваты (затяжки) бурового инструмента, газонефтеводопроявления при строительстве нефтяных и газовых скважин.The invention relates to the field of the oil and gas industry, namely to systems for monitoring the construction of oil and gas wells and management of drilling operations, and is intended to identify and predict complications of the main types, such as absorption of drilling fluid, sticking (tightening) of drilling tools, gas and oil production during construction oil and gas wells.
Известна система построения моделей и прогнозирования операционных результатов в процессе бурения, содержащая модуль сбора данных с датчиков скважины и архивных данных с соседних скважин, блок хранения данных, блок анализа данных и построения модели, модуль прогнозирующей аналитики для выбора модели из общего набора моделей кандидатов и прогнозирования операционных результатов до (на этапе проектирования ствола скважины) или во время операции бурения (RU 2600497, 2016).A known system for building models and predicting operational results during drilling, containing a module for collecting data from well sensors and archived data from adjacent wells, a data storage unit, a data analysis and model building unit, a predictive analytics module for selecting a model from a general set of candidate models and forecasting operational results before (at the wellbore design stage) or during the drilling operation (RU 2600497, 2016).
Указанная система направлена на формирование общего подхода к прогнозированию операционных результатов операции бурения, которые образуют операционную среду в соответствии с различными вариантами осуществления процесса бурения, но она не обеспечивает формирование и оценку влияния конкретных прогностических моделей применительно к заданным операционным результатам при строительстве скважин.The specified system is aimed at forming a general approach to predicting the operational results of a drilling operation, which form an operating environment in accordance with various options for implementing the drilling process, but it does not provide the formation and assessment of the impact of specific predictive models in relation to the specified operational results during well construction.
Известна система прогнозирования события прихвата бурильной колонны в скважине, структурная схема которой включает:There is a known system for predicting the event of a stuck drill string in a well, the structural diagram of which includes:
- различные типы датчиков (поверхностные и скважинные), измеряющие технологические параметры при бурении;- various types of sensors (surface and downhole) that measure technological parameters while drilling;
- компьютерную систему, включающую базы данных реально-временной и архивной информации параметров бурения, а также статических данных (диаметр скважины, наружный диаметр и длина бурильной колонны и др.);- a computer system that includes databases of real-time and archived information of drilling parameters, as well as static data (borehole diameter, outer diameter and length of the drill string, etc.);
- модуль программного обеспечения для прогнозирования возникновения осложнений типа "прихват", который может выполняться полностью или частично на локальной компьютерной системе и/или на удаленной компьютерной системе (US 8752648, 2014).- a software module for predicting the occurrence of complications of the "sticking" type, which can be performed in whole or in part on a local computer system and / or on a remote computer system (US 8752648, 2014).
В рассматриваемом решении применяется ансамблевая модель прогнозирования, содержащая, по меньшей мере, три алгоритма машинного обучения, работающих параллельно, каждый алгоритм машинного обучения предсказывает вероятность возникновения осложнения типа "прихват" на основе, по меньшей мере, одного из множества параметров бурения. При этом ансамблевая модель прогнозирования определяет комбинированную вероятность, основанную на вероятностях возникновения осложнения типа "прихват" по каждому алгоритму машинного обучения, и предоставляет оператору-бурильщику прогноз, основанный на комбинированной вероятности, т.е. предупреждает о наступлении в будущем события типа "прихват", исходя из набора обучающих данных и последующей его проверке на реально-временных данных.This solution employs an ensemble prediction model containing at least three machine learning algorithms operating in parallel, each machine learning algorithm predicting the likelihood of a sticking complication based on at least one of a plurality of drilling parameters. In this case, the ensemble forecasting model determines the combined probability based on the probabilities of the "stick" type complication for each machine learning algorithm, and provides the driller operator with a forecast based on the combined probability, i.e. warns about the occurrence of a "stuck" event in the future, based on a set of training data and then checking it on real-time data.
Недостатками данного решения являются:The disadvantages of this solution are:
- узкая направленность, а именно выявление и прогнозирование осложнений только одного типа "прихват";- narrow focus, namely the identification and prediction of complications of only one type of "stick";
- неопределенность, связанная с необходимостью определения экспертным путем весовых коэффициентов прогнозных вероятностей применяемых методов машинного обучения для расчета комбинированной вероятности возникновения осложнений типа "прихват";- uncertainty associated with the need to determine expertly the weighting coefficients of the predicted probabilities of the applied machine learning methods to calculate the combined probability of complications such as "sticking";
- использование общего подхода к решению проблемы прогнозирования осложнений типа "прихват" без приведения конкретной реализации и результатов на реальных массивах данных параметров бурения.- the use of a general approach to solving the problem of predicting complications of the "sticking" type without citing a specific implementation and results on real data sets of drilling parameters.
Известна система диагностики осложнений типа "поглощение" на основе технологии объединения нейронных сетей, описанная в патенте (CN 104121014, 2017).A known system for the diagnosis of complications of the "absorption" type based on the technology of combining neural networks, described in the patent (CN 104121014, 2017).
Система включает сеть с обратным распространением ошибки, сеть радиально-базисных функций, самоорганизующуюся карту Кохонена, нейронную сеть адаптивного резонанса.The system includes a backpropagation network, a network of radial-basis functions, a self-organizing Kohonen map, and an adaptive resonance neural network.
В качестве методов объединения нейросетевых предсказаний и получения итогового прогноза рассматриваются методы: наименьших квадратов, мажоритарного голосования, нечетких интегралов, Байесовский, теории доказательств Демпстера-Шафера. В качестве основного метода объединения нейронных сетей используется теория доказательств Демпстера-Шафера, которая может быть объединена с преимуществами других методов.The following methods are considered as methods for combining neural network predictions and obtaining a final forecast: least squares, majority voting, fuzzy integrals, Bayesian, Dempster-Schafer proof theory. Dempster-Schafer theory of evidence is used as the main method for combining neural networks, which can be combined with the advantages of other methods.
Конфигурация многокомпонентной модели диагностики осложнений типа "поглощение" включает в себя следующие модули:The configuration of the multicomponent model for diagnosing complications of the "absorption" type includes the following modules:
- подготовки и кластеризации данных;- preparation and clustering of data;
- разметки данных, формирования обучающих и тестовых последовательностей;- data markup, formation of training and test sequences;
- формирования, обучения и валидации нейросетевых моделей для различных сценариев возникновения осложнений типа «поглощение»;- formation, training and validation of neural network models for various scenarios of complications such as "absorption";
- объединения выходов нейросетевых моделей и прогнозирования возникновения осложнений типа "поглощение".- combining the outputs of neural network models and predicting the occurrence of complications of the "absorption" type.
Выходом модели является итоговые классификация и вероятности возникновения осложнений типа "поглощение".The output of the model is the final classification and the likelihood of complications of the "absorption" type.
Описания электронного оборудования для инсталляции и обеспечения функционирования модулей в изобретении не приводится.The description of the electronic equipment for the installation and operation of the modules is not given in the invention.
Основными особенностями данного изобретения является возможность параллельного использования различных методов обработки (моделей) нейронных сетей для выявления и прогнозирования осложнений типа "поглощение", а также использование алгоритма анастомозирования (объединения) выходов нейросетевых моделей для повышения надежности и достоверности прогнозов. При этом для построения и обучения нейросетевых моделей используется метод обучения на предварительно сегментированных и размеченных массивах данных (обучение с учителем).The main features of this invention are the possibility of parallel use of various processing methods (models) of neural networks to identify and predict complications of the "absorption" type, as well as the use of an anastomosis (combining) algorithm of outputs of neural network models to improve the reliability and reliability of forecasts. At the same time, for the construction and training of neural network models, the training method is used on pre-segmented and labeled data sets (training with a teacher).
Функционирование рассматриваемой системы основано на следующих положениях:The functioning of the system under consideration is based on the following provisions:
1 - Определяется пространство входных данных (подготовка, разметка и формирование обучающих и тестовых массивов данных по каждому из сценариев возникновения осложнений типа "поглощение".1 - The space of the input data is determined (preparation, marking and formation of training and test data sets for each of the scenarios for the occurrence of complications of the "absorption" type.
2 - Исходя из состава размеченных данных, рассчитанных на выявление различных сценариев возникновения осложнений типа "поглощение" определяются типы нейронных сетей для их выявления и прогнозирования.2 - Based on the composition of the labeled data, designed to identify various scenarios for the occurrence of complications of the "absorption" type, the types of neural networks are determined for their identification and prediction.
3 - Производится обучение нейронных сетей и определение их топологии.3 - Neural networks are trained and their topology is determined.
4 - Проводится проверка работоспособности (тестирование) нейронных сетей для диагностики осложнений типа "поглощение".4 - The performance check (testing) of neural networks is carried out to diagnose complications of the "absorption" type.
5 - Реально-временные данные, поступающие в ходе бурения скважины после нормализации, вводятся параллельно в каждую нейронную сеть, на выходах которых формируются прогнозные вероятностные оценки возникновения осложнений типа "поглощение".5 - Real-time data received during well drilling after normalization is entered in parallel into each neural network, at the outputs of which predictive probabilistic estimates of the occurrence of "absorption" complications are formed.
6 - Выход каждой нейтральной сети объединяется с использованием алгоритмов слияния нейронных сетей и выводится окончательный результат диагностики осложнения типа "поглощение".6 - The output of each neutral network is combined using neural network fusion algorithms and the final diagnostic result of the "absorption" complication is displayed.
Структурная схема указанной системы обеспечивает возможность параллельного использования различных методов обработки (моделей) нейронных сетей для выявления и прогнозирования осложнений типа "поглощение", а также использование алгоритма анастомозирования (объединения) выходов нейросетевых моделей для повышения надежности и достоверности прогнозов. При этом для построения и обучения нейросетевых моделей используется метод "обучения с учителем" и финальное решение о диагностировании ситуации возникновения осложнения типа "поглощение" выносится на основе объединения предсказаний отдельных нейронных сетей, входящих в общую систему.The structural diagram of this system provides the possibility of parallel use of various processing methods (models) of neural networks to identify and predict complications of the "absorption" type, as well as the use of an anastomosis (combining) algorithm of outputs of neural network models to improve the reliability and reliability of forecasts. At the same time, the "supervised learning" method is used to construct and train neural network models, and the final decision on diagnosing a situation of occurrence of a complication of the "absorption" type is made on the basis of combining the predictions of individual neural networks included in the overall system.
Недостатками данного изобретения является его узкая специализация на прогнозирование возникновения осложнений типа "поглощение", для обучения нейросетевых моделей требуется наличие больших массивов размеченных экспертами данных по каждому из сценариев возникновения осложнений типа «поглощение» (метод обучения с учителем) и невозможность работы с неразмеченными, а также симуляционными данными.The disadvantages of this invention are its narrow specialization in predicting the occurrence of complications of the "absorption" type; training neural network models requires the presence of large arrays of data marked by experts for each of the scenarios for the occurrence of complications of the "absorption" type (teaching method with a teacher) and the impossibility of working with unlabeled, and See also simulation data.
Известна система раннего предупреждения об отказе при бурении на основе применения рекуррентной нейронной сети, описанная в патенте на изобретение (CN 109508827, 2019).Known early warning system for failure while drilling based on the use of a recurrent neural network, described in the patent for invention (CN 109508827, 2019).
Указанная система выполнена на базе следующих модулей:The specified system is based on the following modules:
- подготовки данных, включая выявление аномальных значений параметров на основе авторегрессионной модели;- data preparation, including the identification of anomalous parameter values based on an autoregressive model;
- экспертной разметки данных, формирования обучающих и тестовых последовательностей;- expert data markup, formation of training and test sequences;
- формирования, обучения и валидации рекуррентной нейронной сети прогнозирования осложнений;- formation, training and validation of a recurrent neural network for predicting complications;
- обработки реально-временных данных и прогнозирования возникновения осложнений заданных типов: заклинивание долота, прихваты бурильной колонны, газонефтеводопроявления.- processing of real-time data and predicting the occurrence of complications of specified types: bit jamming, sticking of the drill string, gas-oil-water showings.
Выход рекуррентной нейросетевой модели имеет три типа сообщения о событиях, которым соответствуют осложнения: заклинивание долота, прихваты бурильной колонны и аномальные выбросы (газонефтеводопроявления) с выводом прогноза за одну минуту до возникновения осложнения.The output of the recurrent neural network model has three types of messages about events that correspond to complications: bit jamming, sticking of the drill string and abnormal outbursts (gas, oil and water seepage) with the forecast output one minute before the occurrence of the complication.
Описания электронного оборудования для инсталляции и обеспечения функционирования модулей в изобретении не приводится.The description of the electronic equipment for the installation and operation of the modules is not given in the invention.
Обобщенный алгоритм функционирования модели включает в себя следующие этапы:The generalized algorithm for the functioning of the model includes the following stages:
1 - Формируется массив архивных данных временных рядов параметров, получаемых при бурении нефтяных и газовых скважин.1 - An array of archived data of time series of parameters obtained during drilling of oil and gas wells is formed.
2 - Прогнозируется значение признака бурения в определенный момент времени на основе применения авторегрессионной модели и измеряется разность между полученным характеристическим значением прогноза и реальным значением, полученным при бурении скважины, что позволяет получить набор претендентов на наличие аварийных ситуаций (осложнений).2 - The value of the attribute of drilling is predicted at a certain point in time based on the use of an autoregressive model and the difference between the obtained characteristic value of the forecast and the real value obtained when drilling a well is measured, which makes it possible to obtain a set of candidates for the presence of emergency situations (complications).
3 - Проводится экспертиза отобранных претендентов, по результатам которой отбрасываются ложные суждения и отбираются истинные, соответствующие наличию аварийных ситуаций (осложнений), которые подразделяются по типам.3 - An examination of the selected applicants is carried out, according to the results of which false judgments are discarded and the true ones are selected, corresponding to the presence of emergency situations (complications), which are divided by type.
4 - Производится разметка достоверных маркированных событий и формирование массива обучающих и тестовых данных.4 - The marking of reliable marked events and the formation of an array of training and test data is performed.
5 - Проводится построение и обучение глубокой нейросетевой рекуррентной модели на основе сформированного обучающего массива данных, представляющих собой размеченные временные ряды со случайным расположением отмаркированных событий (осложнений).5 - The construction and training of a deep neural network recurrent model is carried out on the basis of the formed training data array, which are marked time series with a random location of marked events (complications).
Производится выбор временного окна для каждой из функций, соответствующих каждому из типов аварийных ситуаций (осложнений).Определяются гиперпараметры нейросетевой модели, которая обучается так, что вероятность возникновения непредвиденной ситуации (отказа) достоверно прогнозируется за одну минуту до аварии.A time window is selected for each of the functions corresponding to each of the types of emergency situations (complications). The hyperparameters of the neural network model are determined, which is trained so that the probability of an unforeseen situation (failure) is reliably predicted one minute before the accident.
6 - Проводится тестирование нейросети на данных временных рядов со случайным выбором разметки, при этом входные данные являются комбинацией параметров по каждой характерной особенности, для которой осуществляется выбор временного окна анализа. Определяются гиперпараметры нейросетевой модели, которая обучается так, что вероятность возникновения непредвиденной ситуации (отказа) достоверно прогнозируется за одну минуту до аварии.6 - The neural network is being tested on time series data with a random choice of markup, while the input data is a combination of parameters for each characteristic feature, for which the analysis time window is selected. The hyperparameters of the neural network model are determined, which is trained in such a way that the probability of an unforeseen situation (failure) is reliably predicted one minute before the accident.
7 - Обученная модель рекуррентной нейронной сети применяется для прогноза вероятности возникновения выбранных типов осложнений с обеспечением окончательного экспорта прогноза за одну минуту до возникновения аварии (осложнения).7 - The trained model of the recurrent neural network is used to predict the probability of occurrence of the selected types of complications with the provision of the final export of the forecast one minute before the occurrence of the accident (complication).
Данное решение основано на построении рекуррентной нейронной сети. Для ее реализации предложен подход предварительного выявления аномальных значений параметров, как признаков возможного возникновения осложнений при помощи модели авторегрессии. При отборе претендентов используется значение разности между предсказанными моделью значениями и полученными реальными значениями в заданный момент времени. После отбора возможных претендентов на возникновение осложнений они размечаются экспертами на ложные и верные в ручном режиме.This solution is based on the construction of a recurrent neural network. For its implementation, an approach is proposed for preliminary detection of abnormal values of parameters as signs of possible complications using an autoregressive model. When selecting applicants, the value of the difference between the predicted values by the model and the obtained real values at a given moment of time is used. After the selection of possible applicants for the occurrence of complications, experts mark them as false and true in manual mode.
Недостатком данного изобретения является то, что реализованная авторегрессионная модель используется только на этапе предварительного отбора данных для последующей их разметки экспертами, т.е. только на этапе подготовки данных для рекуррентной нейронной сети (метод обучения с учителем). Для обучения нейронной сети применяются только размеченные экспертами данные, и не решается задача использования дополнительных видов данных, в т.ч. массивов неразмеченных и симуляционных данных. При этом для обработки реально-временных данных, поступающих в ходе бурения скважины, применяется только рекуррентная нейронная сеть и не используются дополнительные методы, для расширения пространства входных данных и повышения достоверности классификации осложнений рассматриваемых типов: заклинивание долота, прихваты бурильной колонны и аномальные выбросы (газонефтеводопроявления).The disadvantage of this invention is that the implemented autoregressive model is used only at the stage of preliminary data selection for subsequent marking by experts, i.e. only at the stage of preparing data for a recurrent neural network (supervised learning method). To train a neural network, only data marked by experts are used, and the problem of using additional types of data, incl. arrays of unlabeled and simulation data. At the same time, to process real-time data received during well drilling, only a recurrent neural network is used and additional methods are not used to expand the space of input data and increase the reliability of the classification of complications of the types under consideration: bit jamming, sticking of the drill string and abnormal blowouts (gas and oil water seepage). ).
Таким образом, суть данного решения заключается в совершенствовании процесса экспертной разметки данных для обучения нейронной сети и не касается непосредственно вопросов расширения признакового пространства для повышения достоверности прогнозирования осложнений при обработке реально-временной информации при строительстве нефтяных и газовых скважин.Thus, the essence of this solution is to improve the process of expert marking of data for training a neural network and does not directly address the issues of expanding the feature space to increase the reliability of predicting complications in the processing of real-time information during the construction of oil and gas wells.
Из известных технических решений наиболее близким к предлагаемому по технической сущности и достигаемому результату является система выявления и прогнозирования осложнений при строительстве нефтяных и газовых скважин, а именно, распознавания опасности разлива при бурении скважин на основе комплексного применения сверточной нейронной сети и методов машинного обучения (CN 110443488, 2019).Of the known technical solutions, the closest to the proposed one in terms of technical essence and the achieved result is a system for identifying and predicting complications in the construction of oil and gas wells, namely, recognizing the danger of spills while drilling wells based on the integrated application of a convolutional neural network and machine learning methods (CN 110443488 , 2019).
Система идентификации опасности разлива буровой скважины на основе сверточных нейронных сетей включает:Convolutional neural networks-based borehole spill hazard identification system includes:
- модуль приема данных в реальном времени от комплексного каротажного прибора;- module for receiving data in real time from a complex logging tool;
- модуль расширения данных от призабойной аппаратуры в режиме реального времени данными от комплексного каротажного прибора с использованием скользящего перекрытия;- a module for expanding data from bottomhole equipment in real time with data from an integrated logging tool using a sliding overlap;
- модуль предварительной обработки, предназначенный для предварительной подготовки и нормализации расширенных данных о рабочем состоянии скважины в режиме реального времени;- a preprocessing module designed for preliminary preparation and normalization of extended data on the operating state of the well in real time;
- модуль идентификации, предназначенный для ввода и обработки в реальном времени нормализованных данных о рабочем состоянии скважины в обученную сверточную нейронную сеть. На выходе модуля экспортируется результат распознавания опасности разлива буровой скважины.- an identification module designed for real-time input and processing of normalized data on the operating state of a well into a trained convolutional neural network. At the output of the module, the result of recognizing the danger of a borehole spill is exported.
Особенностью известной системы является использование модуля, предназначенного для получения и обработки в реальном масштабе времени данных от комплексного каротажного прибора. Для обработки получаемых реально-временных данных используется метод скользящего окна с перекрытием, обеспечивающий автоматическое выявление аномальных отклонений параметров от рабочего режима, не требующий никакой дополнительной обработки или экспертизы (метод обучения без учителя).A feature of the known system is the use of a module designed to receive and process data in real time from an integrated logging tool. To process the obtained real-time data, a sliding window method with overlapping is used, which provides automatic detection of abnormal deviations of parameters from the operating mode, which does not require any additional processing or expertise (unsupervised learning method).
Обработанные таким образом данные совместно с реально-временными данными от призабойной аппаратуры направляются на вход сверточной нейросетевой модели выявления и прогнозирования возникновения разливов буровых скважин и идентификации возникающих рисков.The data processed in this way, together with real-time data from the bottomhole equipment, are sent to the input of a convolutional neural network model for detecting and predicting the occurrence of borehole spills and identifying emerging risks.
При этом для расширения пространства входных данных классификационной сверточной нейронной сети используется метод скользящего окна для выявления аномалий в реально-временных данных от комплексного каротажного прибора. Такая конфигурация известной системы приводит к существенным ограничениям на типы выявляемых и прогнозируемых осложнений, а именно, функционально система ограничена только выявлением и распознаванием угроз разливов в буровых скважинах. Кроме того, необходимость применения комплексного каротажного прибора приводит к ограничениям в использовании известного решения операцией бурения сложных горизонтальных скважин и нецелесообразностью или невозможностью его использования при проведении других операций, связанных со строительством скважин.At the same time, to expand the space of the input data of the classification convolutional neural network, the sliding window method is used to identify anomalies in real-time data from a complex logging tool. This configuration of the known system leads to significant restrictions on the types of detected and predicted complications, namely, the system is functionally limited only to the detection and recognition of threats of spills in boreholes. In addition, the need to use an integrated logging tool leads to limitations in the use of the known solution for the operation of drilling complex horizontal wells and the inappropriateness or impossibility of using it in other operations related to the construction of wells.
Таким образом, известная система может найти применение только в одной из операций строительства скважин - бурении сложных горизонтальных скважин, при этом использование комплексного каротажного прибора значительно усложняет процесс бурения и приводит к дополнительным временным и финансовым затратам.Thus, the known system can be used only in one of the well construction operations - drilling complex horizontal wells, while the use of an integrated logging tool significantly complicates the drilling process and leads to additional time and financial costs.
Сравнение производственных и экономических показателей показывает, что использование традиционного каротажа на кабеле (КПК) предпочтительно для скважин с отклонением до 50 градусов, в то время как для скважин с большим уклоном применение каротажа во время бурения (КВБ) становится целесообразным. При этом, несмотря на целесообразность применения КВБ, некоторые специализированные измерения КПК остаются по-прежнему необходимыми (например, отбор бокового керна). Из-за более высокой стоимости простоя буровой, часто можно столкнуться с рекомендациями по использованию КВБ на скважинах в море.Comparison of production and economic indicators shows that the use of traditional wireline logging (CCL) is preferable for wells with deviations up to 50 degrees, while for wells with a large slope the use of logging while drilling (LWD) becomes appropriate. At the same time, in spite of the expediency of using CWB, some specialized measurements of the CCP are still necessary (for example, sidewall core sampling). Due to the higher cost of rig downtime, it is often possible to encounter recommendations for the use of RVC in offshore wells.
Однако для большинства морских месторождений, находящихся в стадии текущей разработки и эксплуатации, это утверждение не подходит, и использование стандартного каротажа (КНК) является более выгодным.However, for most offshore fields in the current stage of development and operation, this statement does not apply, and the use of standard logging (STL) is more profitable.
Вышеприведенные обстоятельства обуславливают достаточно ограниченное применение технологий КВБ в практике строительства скважин, что делает актуальными задачи расширения параметрического пространства, разработки и совершенствования интеллектуальных методов выявления и предупреждения осложнений на всех этапах и технологических операциях при строительстве нефтяных и газовых скважин.The above circumstances determine the rather limited use of KBB technologies in the practice of well construction, which makes the tasks of expanding the parametric space, development and improvement of intelligent methods for identifying and preventing complications at all stages and technological operations during the construction of oil and gas wells urgent.
Общими недостатками рассмотренных выше известных систем выявления и прогнозирования осложнений в процессе строительства нефтяных и газовых скважин с использованием нейронных сетей являются невозможность учета специфики разнообразных сценариев возникновения осложнений различных типов в рамках применения только одной нейросетевой модели, а также зависимость точности и достоверности вырабатываемых предсказаний от, как правило, ограниченного объема данных для обучения и валидации классификационных нейросетевых моделей. При этом наряду с дефицитом размеченных экспертами данных имеются большие объемы неразмеченных данных геолого-технологических исследований (ГТИ), которые целесообразно использовать для достижения заданных целевых показателей нейросетевой модели по выявлению и прогнозированию осложнений, применяя для этого вспомогательные методы машинного обучения.The general disadvantages of the above-considered known systems for identifying and predicting complications during the construction of oil and gas wells using neural networks are the impossibility of taking into account the specifics of various scenarios for the occurrence of complications of various types within the framework of using only one neural network model, as well as the dependence of the accuracy and reliability of the generated predictions on how as a rule, a limited amount of data for training and validation of classification neural network models. At the same time, along with the shortage of data marked by experts, there are large volumes of unmarked data from geological and technological research (GTI), which are advisable to use to achieve the specified target indicators of the neural network model for identifying and predicting complications, using auxiliary machine learning methods.
Указанные недостатки снижают точность и достоверность прогнозируемых рисков и повышают вероятность возникновения аварийных ситуаций.These disadvantages reduce the accuracy and reliability of the predicted risks and increase the likelihood of emergencies.
Технической проблемой, на решение которой направлено предлагаемое изобретение является снижение аварийности при строительстве нефтяных и газовых скважин путем повышения точности и достоверности выявления и прогнозирования возникновения осложнений в условиях широкого спектра прогнозируемых типов осложнений и существующих ограничений на состав и объем исходных данных.The technical problem to be solved by the proposed invention is to reduce the accident rate during the construction of oil and gas wells by increasing the accuracy and reliability of identifying and predicting the occurrence of complications in a wide range of predicted types of complications and existing restrictions on the composition and volume of initial data.
Указанная проблема решается тем, что автоматизированная система выявления и прогнозирования осложнений при строительстве нефтяных и газовых скважин содержит модуль сбора реально-временных данных геолого-технологических исследований с объекта строительства с подсоединенной к нему архивной базой данных геолого-технологических исследований, буровой тренажер, базу данных симулятора, модульпредварительной обработки данных геолого-технологических исследований, модуль разметки данных геолого-технологических исследований, размеченную и неразмеченную базы данных геолого-технологических исследований, модуль формирования, обученияи валидации модели выявления аномалий в данных геолого-технологических исследований, модуль формирования, обучения и валидации моделей прогнозирования значений функций индикаторов возникновения осложнений, модуль прогнозирования возникновения аномалий в данных геолого-технологических исследований, модуль прогнозирования значений функций индикаторов возникновения осложнений, модуль формирования, обучения и валидации рекуррентной нейросетевой модели прогнозирования возникновения осложнений, модуль оценки прогнозных значений вероятностей возникновения осложнений и модуль анализа и формирования предупрежденийо возникновении осложнений и аварийных ситуаций, при этом выходы модуля сбора реально-временных данных с объекта строительства и архивной базы данных геолого-технологических следований подсоединены к модулюпредварительной обработки данных геолого-технологических исследований, выходы которого подключены к входам модуля разметки данных геолого-технологических исследований, неразмеченной базе данных геолого-технологических исследований и к первым входам модуля оценки прогнозных значений вероятностей возникновения осложнений, модуля прогнозирования возникновения аномалий в данных геолого-технологических исследований и модуля прогнозирования значений функций индикаторов возникновения осложнений, выход модуля разметки данных геолого-технологических исследований связан с входом размеченной базы данных геолого-технологических исследований, выход которой подключен ко вторым входам модулей прогнозирования возникновения аномалий в данных геолого-технологических исследований, прогнозирования значений функций индикаторов возникновения осложнений и к первому входу модуля формирования, обучения и валидации рекуррентной нейросетевой модели прогнозирования возникновения осложнений, выход бурового тренажера подсоединен к базе данных симулятора, выход которого подключен к входу модуля формирования, обучения и валидации моделей прогнозирования значений функций индикаторов возникновения осложнений, выход которого подсоединен к третьему входу модуля прогнозирования значений функций индикаторов возникновения осложнений, выходы которого подключены к второму входу модуля оценки прогнозных значений вероятностей возникновения осложнений и к второму входу модуля формирования, обучения и валидации рекуррентной нейросетевой модели прогнозирования возникновения осложнений, к третьему входу которого подключен выход модуля прогнозирования возникновения аномалий в данных геолого-технологических исследований, выход неразмеченной базы данных геолого-технологических исследований подключен к модулю формирования, обучения и валидации модели выявления аномалий в данных геолого-технологических исследований, выход которого подключен к третьему входу модуля прогнозирования возникновения аномалий в данных геолого-технологических исследований, выход которого совместно с выходом модуля формирования, обучения и валидации рекуррентной нейросетевой модели прогнозирования возникновения осложнений подключены, соответственно, к третьему и четвертому входам модуля оценки прогнозных значений вероятностей возникновения осложнений, выход которого подключен к входу модуля анализа и формирования предупреждений о возникновении осложнений и аварийных ситуаций, выход которого является выходом системы.This problem is solved by the fact that the automated system for identifying and predicting complications during the construction of oil and gas wells contains a module for collecting real-time data of geological and technological research from the construction site with an archived database of geological and technological research connected to it, a drilling simulator, a simulator database , module for preliminary processing of geological and technological research data, module for marking up geological and technological research data, marked and unmarked databases for geological and technological research, module for forming, training and validating a model for detecting anomalies in geological research data, module for forming, training and validating forecasting models the values of the functions of indicators of the occurrence of complications, the module for predicting the occurrence of anomalies in the data of geological and technological studies, the module for predicting the values of the functions of indicators of the occurrence is complicated nd, the module for the formation, training and validation of a recurrent neural network model for predicting the occurrence of complications, the module for assessing the predicted values of the probabilities of complications and the module for analyzing and generating warnings about the occurrence of complications and emergencies, while the outputs of the module for collecting real-time data from the construction object and the archive database geological and technological investigations are connected to the module for preliminary processing of geological and technological research data, the outputs of which are connected to the inputs of the module for marking up the data of geological and technological research, an unmarked database of geological and technological research and to the first inputs of the module for evaluating the predicted values of the probabilities of complications, the module for predicting the occurrence of anomalies in the data of geological and technological research and the module for predicting the values of the indicators of the occurrence of complications, the output of the module for marking up the data of geological and technological research anion is connected to the input of the labeled database of geological and technological research, the output of which is connected to the second inputs of the modules for predicting the occurrence of anomalies in the data of geological and technological research, predicting the values of the functions of indicators of the occurrence of complications and to the first input of the module for the formation, training and validation of a recurrent neural network model for predicting the occurrence complications, the output of the drilling simulator is connected to the simulator database, the output of which is connected to the input of the module for the formation, training and validation of models for predicting the values of the indicators of the occurrence of complications, the output of which is connected to the third input of the module for predicting the values of the functions of indicators of the occurrence of complications, the outputs of which are connected to the second input the module for assessing the predicted values of the probabilities of complications and to the second input of the module for the formation, training and validation of a recurrent neural network model for predicting the occurrence complications, to the third input of which the output of the module for predicting the occurrence of anomalies in the geological and technological research data is connected, the output of the unmarked database of geological and technological studies is connected to the module for the formation, training and validation of the model for detecting anomalies in the data of geological and technological studies, the output of which is connected to the third the input of the module for predicting the occurrence of anomalies in the data of geological and technological studies, the output of which, together with the output of the module for the formation, training and validation of the recurrent neural network model for predicting the occurrence of complications, are connected, respectively, to the third and fourth inputs of the module for evaluating the predicted values of the probabilities of occurrence of complications, the output of which is connected to the input of the module for analyzing and generating warnings about the occurrence of complications and emergencies, the output of which is the output of the system.
Достигаемый технический результат заключается в расширении пространства входных данных для прогнозирования возникновения осложнений при строительстве скважин за счет использования дополнительных источников информации - неразмеченных массивов данных и симуляционных данных от бурового тренажера, а также применения вспомогательных моделей машинного обучения для повышения точности и достоверности классификационной нейросетевой модели.The achieved technical result consists in expanding the input data space for predicting the occurrence of complications during well construction through the use of additional information sources - unlabeled data sets and simulation data from the drilling simulator, as well as the use of auxiliary machine learning models to improve the accuracy and reliability of the classification neural network model.
Предлагаемая структурная схема автоматизированной системы выявления и прогнозирования осложнений при строительстве скважин представлена на фиг. 1.The proposed block diagram of an automated system for identifying and predicting complications during well construction is shown in Fig. one.
Предлагаемая система автоматизированной система выявления и прогнозирования осложнений при строительстве скважин содержит модуль сбора реально-временных данных геолого-технологических исследований 1 с объекта строительства с подсоединенной к нему архивной базой данных геолого-технологических исследований 2, модульпредварительной обработки данных геолого-технологических исследований 3, модуль разметки данных геолого-технологических исследований 4, размеченную 5 и неразмеченную 6 базы данных геолого-технологических исследований, модуль формирования, обучения и валидации модели выявления аномалий в данных геолого-технологических исследований 7, буровой тренажер 8, базу данных симулятора 9, модуль формирования, обучения и валидации моделей прогнозирования значений функций индикаторов возникновения осложнений 10, модуль прогнозирования возникновения аномалий в данных геолого-технологических исследований 11, модуль прогнозирования значений функций индикаторов возникновения осложнений 12, модуль формирования, обучения и валидации рекуррентной нейросетевой модели прогнозирования возникновения осложнений 13, модуль оценки прогнозных значений вероятностей возникновения осложнений 14 и модуль анализа и формирования предупреждений о возникновении осложнений и аварийных ситуаций 15.The proposed system for an automated system for identifying and predicting complications during well construction contains a module for collecting real-time data of geological and
Функциональные связи между структурными элементами системы будут отражены в ходе описания ее работы.Functional connections between the structural elements of the system will be reflected in the description of its work.
В предлагаемой конфигурации автоматизированной системы выявления и прогнозирования осложнений при строительстве скважин в качестве исходных данных для построения и обучения моделей используются архивные данные геолого-технологических исследований (ГТИ), полученные при бурении скважин на освоенных месторождениях, симуляционные данные от бурового тренажера, полученные по результатам моделирования типовых ситуаций возникновения осложнений при строительстве нефтяных и газовых скважин, а также реально временные данные ГТИ, поступающие в процессе строительства скважин в реальном масштабе времени.In the proposed configuration of an automated system for identifying and predicting complications during well construction, archival data of geological and technological research (GTI) obtained during drilling of wells in developed fields, simulation data from a drilling simulator obtained from the results of modeling are used as the initial data for constructing and training models typical situations of complications during the construction of oil and gas wells, as well as real-time data from the geological survey, received during the construction of wells in real time.
Функционирование предлагаемой автоматизированной системы выявления и прогнозирования осложнений при строительстве скважин осуществляется следующим образом.The functioning of the proposed automated system for identifying and predicting complications during well construction is carried out as follows.
В модуле предварительной обработки данных ГТИ 3 осуществляется обработка, как архивных, поступающих от архивной базы данных геолого-технологических исследований 2, так и реально-временных данных ГТИ, поступающих от модуля сбора реально-временных данных 1 с объекта строительства.In the module for preliminary processing of
В модуле предварительной обработки данных ГТИ 3 производится:In the
- очистка данных от выбросов и сбойных значений датчиков;- data cleaning from outliers and faulty sensor values;
- интерполяция значений параметров для пропущенных временных моментов и выравнивание частоты снятия показаний различных датчиков;- interpolation of parameter values for missing time moments and alignment of the frequency of taking readings of various sensors;
- нормировка данных, предназначенная для введения производных параметров, получаемых из показаний датчиков в процессе бурения, а также для ухода от размерностей входных данных и приведения их к нормированному виду перед подачей в модели рекуррентной нейронной сети и методов машинного обучения;- data normalization, intended for the introduction of derived parameters obtained from the readings of sensors during drilling, as well as for moving away from the dimensions of the input data and bringing them to a normalized form before feeding the recurrent neural network and machine learning methods into the model;
- распределение предварительно обработанных архивных данных по видам: архивные данные ГТИ с соответствующей им контекстной информацией, которые выдаются в модуль разметки данных ГТИ 4, и архивные данные ГТИ без привязанной контекстной информации, которые поступают в неразмеченную базу данных ГТИ 6.- distribution of pre-processed archived data by type: archived GTI data with the corresponding contextual information, which are issued to the GTI
В модуле разметки данных геолого-технологических исследований 4 в автоматизированном режиме осуществляется разметка архивных данных ГТИ экспертами по заданным типам осложнений: "Прихват", "Поглощение" и "Газонефтеводопроявление" с использованием соответствующей контекстной информации, по результатам которой производится формирование обучающих и тестовых массивов данных и формирование базы данных размеченной ГТИ 5.In the module for marking data of geological and
Неразмеченная база данных ГТИ 6 используется для формирования обучения и тестирования модели одноклассового метода машинного обучения выявления аномалий в данных ГТИ в модуле формирования, обучения и валидации модели выявления аномалий 7. Данный подход основан на принципе выделения аномальных отклонений в показаниях наблюдаемых параметров при строительстве скважин. Такая задача относится к классу задач обучения без учителя, поскольку во входные данные не предоставляется изначальная разметка наборов параметров бурения на нормальные и аномальные. Реализация данного метода в автоматизированной системе позволяет использовать большой объем неразмеченных данных, а также служит дополнительным признаком для модели более высокого уровня - рекуррентной нейронной сети, повышающим ее возможности по выявлению и прогнозированию осложнений при строительстве нефтяных и газовых скважин.An unlabeled database of GTI 6 is used to generate training and testing of a model of a one-class machine learning method for detecting anomalies in GTI data in the module for generating, training and validating anomaly detection model 7. This approach is based on the principle of detecting anomalous deviations in the readings of observed parameters during well construction. Such a task belongs to the class of unsupervised learning tasks, since the initial marking of the sets of drilling parameters for normal and abnormal is not provided in the input data. The implementation of this method in an automated system allows the use of a large amount of unlabeled data, and also serves as an additional feature for a higher-level model - a recurrent neural network, increasing its ability to identify and predict complications during the construction of oil and gas wells.
Для построения такой модели используется метод изолирующего леса (Isolation Forest), который заключается в построении случайного бинарного решающего дерева, которое может распознавать аномалии различных видов: как изолированные точки с низкой локальной плотностью, так и кластеры аномалий малых размеров.To build such a model, the Isolation Forest method is used, which consists in constructing a random binary decision tree that can recognize anomalies of various types: both isolated points with low local density and clusters of small anomalies.
Для расширения состава исходных данных, особенно по редко встречающим ся в практике типам осложнений, в автоматизированной системе выявления и прогнозирования осложнений при строительстве скважин используются симуляционные данные от бурового тренажера 8, которые формируются на основе моделирования типовых ситуаций возникновения осложнений заданных типов. Массивы параметров, генерируемые тренажерными моделями типовых ситуаций возникновения осложнений поступают и хранятся в базе симуляционных данных 9.To expand the composition of the initial data, especially on the types of complications that are rarely encountered in practice, the automated system for identifying and predicting complications during well construction uses simulation data from the drilling simulator 8, which is formed on the basis of modeling typical situations of occurrence of complications of specified types. Arrays of parameters generated by training models of typical situations of complications are received and stored in the
База данных симулятора используется для формирования дополнительных классификационных признаков выявления и прогнозирования возникновения аномалий. С использованием симуляционных данных в модуле формирования, обучения и валидации регрессионных моделей функций индикаторов возникновения осложнений 10 осуществляется построение и тестирование моделей метода машинного обучения прогнозирования значений функций индикаторов возникновения осложнений заданных типов: "прихват", "поглощение" и "газонефтеводопроявление".The simulator database is used to generate additional classification features for detecting and predicting the occurrence of anomalies. Using simulation data in the module for the formation, training and validation of regression models of the functions of indicators of the occurrence of complications 10, we build and test models of the machine learning method for predicting the values of the functions of indicators of the occurrence of complications of specified types: "stuck", "absorption" and "gas-oil-water seepage".
Основной целью использования данных моделей является ее настройка на отслеживание изменений определенных параметров, которые могут служить дополнительными классификационными признаками для модели более высокого уровня - рекуррентной нейронной сети выявления и прогнозирования осложнений при строительстве нефтяных и газовых скважин.The main purpose of using these models is to configure it to track changes in certain parameters, which can serve as additional classification features for a higher-level model - a recurrent neural network for identifying and predicting complications in the construction of oil and gas wells.
В качестве основного алгоритма для прогнозирования значений функций индикаторов использовался метод на основе случайного леса (Randomfbrest), который является ансамблевым методом регрессии, задействующим ряд регрессионных деревьев для различных случайно выбранных подвыборок ансамблей параметров и использующий усреднение для повышения точности прогнозирования. Критерием срабатывания является достижение функцией определенного порога и ее удержание выше него. В нашем случае величина порога подбиралась автоматически на основе анализа результатов тестирования регрессионной модели.As the main algorithm for predicting the values of indicator functions, we used the method based on a random forest (Randomfbrest), which is an ensemble regression method that uses a number of regression trees for various randomly selected subsamples of ensembles of parameters and uses averaging to improve the forecasting accuracy. The triggering criterion is that the function reaches a certain threshold and keeps it above it. In our case, the threshold value was selected automatically based on the analysis of the results of testing the regression model.
Массивы обучающих и тестовых данных из размеченной базы данных ГТИ 5 поступают на первые входы модулей прогнозирования возникновения аномалий в данных ГТИ 11, прогнозирования значений функций индикаторов возникновения осложнений 12 и модуля формирования, обучения и валидации рекуррентной нейросетевой модели прогнозирования возникновения осложнений 13.Arrays of training and test data from the labeled
Выходные значения модулей прогнозирования возникновения аномалий в данных ГТИ 11 и прогнозирования значений функций индикаторов возникновения осложнений 12 служат для расширения пространства исходных данных при построении топологии основной классификационной рекуррентной нейронной сети выявления и прогнозирования осложнений при строительстве нефтяных и газовых скважин.The output values of the modules for predicting the occurrence of anomalies in the
Массивы обучающих и тестовых данных из размеченной базы данных ГТИ 5, расширенные выходные значения (параметры) модулей 11 и 12 используются для построения основной классификационной нейронной сети выявления и прогнозирования осложнений заданных типов: "прихват", "поглощение" и "газонефтеводопроявление" в модуле формирования, обучения и валидации рекуррентной нейросетевой модели прогнозирования возникновения осложнений 3.Arrays of training and test data from the
Реально-временные данные ГТИ от модуля сбора реально-временных данных 1 от объекта строительства после предварительной обработки в модуле предварительной обработки данных геолого-технологических исследований 3 поступают на вторые входы модулей прогнозирования возникновения аномалий в данных ГТИ 11 и прогнозирования значений функций индикаторов возникновения осложнений 12, выходы которых, соответственно, подключены ко второму и к третьему входам модуля формирования, обучения и валидации рекуррентной нейросетевой модели прогнозирования возникновения осложнений 13, выходные значения, которых служат для расширения пространства входных данных объединяющей классификационной рекуррентной нейронной сети прогнозирования возникновения осложнений при строительстве нефтяных и газовых скважин.Real-time GTI data from the real-time
Выходные значения модулей прогнозирования возникновения аномалий в данных ГТИ 11 и прогнозирования значений функций индикаторов возникновения осложнений 12 совместно с реально-временными данными с модуля сбора реально-временных данных ГТИ поступают, соответственно, на третий и второй входы модуля оценки прогнозных значений вероятностей возникновения осложнений 14, по результатам обработки в котором выдаются численные значения прогнозных вероятностей возникновения осложнений заданных типов: "прихват", "поглощение" и "газонефтеводопроявление". При этом прогнозные оценки возникновения аномалий в данных ГТИ, получаемые в модуле 11, служат дополнительными параметрами для анализа возможности возникновения осложнений, а прогнозные значения функций индикаторов возникновения осложнений, рассчитываемые в модуле 12, являются дополнительными классификационными признаками выявления осложнений при строительстве нефтяных и газовых скважин.The output values of the modules for predicting the occurrence of anomalies in the
По результатам обработки расширенного ансамбля реально-временных данных в модуле оценки прогнозных значений вероятностей возникновения осложнений 14 на основе объединяющей классификационной рекуррентной нейросетевой модели производится идентификация типов осложнений и прогноз их возникновения с определенным временным интервалом упреждения, который выбирается на этапе тестирования, исходя из заданных значений достоверности выявления осложнений и вероятности ложных тревог.Based on the results of processing the extended ensemble of real-time data in the module for evaluating the predicted values of the probabilities of complications 14 on the basis of a unifying classification recurrent neural network model, the types of complications are identified and their occurrence is predicted with a certain time interval of the lead, which is selected at the testing stage, based on the specified reliability values identifying complications and the likelihood of false alarms.
Выходные значения прогнозных значений вероятностей возникновения осложнений поступают в модуль анализа и формирования предупреждений о возникновении осложнений 15, в котором производится анализ выходных данных объединяющей рекуррентной нейронной сети и сравнение текущего значения прогнозной вероятности с задаваемым пороговым значением (по умолчанию принимается равным 0,5), при превышении которого формируется и выводится на экран оператора предупреждающее сообщение, содержащее данные о типе осложнения, значении прогнозной вероятности его возникновения и значении временного интервала прогноза.The output values of the predicted values of the probabilities of complications are sent to the module for analyzing and generating warnings about the occurrence of
Использование вспомогательных регрессионных моделей прогнозирования функций индикаторов и одноклассовой модели машинного обучения выявления аномальных значений данных ГТИ позволяет расширить пространство входных параметров для объединяющей сверточной классификационной нейронной сети, используя не только предварительно размеченные экспертами данные, которых зачастую не хватает, но и большой объем неразмеченных данных ГТИ, а также симуляционные данные, полученные по результатам моделирования типовых ситуаций возникновения осложнений на буровом тренажере.The use of auxiliary regression models for predicting indicator functions and a one-class machine learning model for identifying anomalous values of GTI data makes it possible to expand the space of input parameters for a unifying convolutional classification neural network, using not only data pre-marked by experts, which is often lacking, but also a large amount of unlabeled GTI data. as well as simulation data obtained from the results of modeling typical situations of complications on a drilling simulator.
Разработанная архитектура обеспечивает повышение эффективности функционирования разработанной автоматизированной системы выявления и прогнозирования осложнений при строительстве нефтяных и газовых скважин до заданных показателей.The developed architecture provides an increase in the efficiency of the developed automated system for identifying and predicting complications during the construction of oil and gas wells up to the specified indicators.
Для расчета точности классификационной рекуррентной нейронной сети использовались метрики Accuracy и f1 score. Оценка Accuracy определяется как отношение количества моментов, в которых совпали эталонные и предсказанные метки к общему количеству моментов. Для расчета оценок f1 score сначала для каждого класса рассчитывалось количество верно отнесенных (TP) к нему точек, неверно отнесенных (FP), и неверно неотнесенных (FN). После этого рассчитывалось общее значение точности равное: TP/(TP+FP) и полноты TP/(TP+FN). При этом каждый тестовый пример берется с весом, зависящим от представительности класса, f1-score weighted рассчитывается как: 2 (точность × полнота) / (точность + полнота). При этом временной интервал прогноза осложнений составлял 7 минут.To calculate the accuracy of the classification recurrent neural network, the Accuracy and f1 score metrics were used. The Accuracy score is defined as the ratio of the number of moments in which the reference and predicted marks coincided to the total number of moments. To calculate the f1 score, the number of points correctly assigned (TP) to it, incorrectly assigned (FP), and incorrectly unassigned (FN) was first calculated for each class. After that, the total value of accuracy was calculated equal to: TP / (TP + FP) and completeness TP / (TP + FN). Moreover, each test case is taken with a weight depending on the representativeness of the class, f1-score weighted is calculated as: 2 (precision × completeness) / (precision + completeness). In this case, the time interval for the prognosis of complications was 7 minutes.
Полученные точности, для прогнозирования различных видов осложнений, по метрике Accuracy составили:The obtained accuracy, for predicting various types of complications, according to the Accuracy metric was:
1) Для осложнений типа ГНВП: 78%;1) For HNVP-type complications: 78%;
2) Для осложнений типа "прихват": 78%;2) For complications such as "sticking": 78%;
3) Для осложнений типа "поглощение": 89%.3) For complications of the "absorption" type: 89%.
Апробация автоматизированной системы выявления и прогнозирования осложнений при строительстве скважин на основе комплексного применения рекуррентной нейронной сети и методов машинного обучения на тестовых и реальных данных показала высокую сходимость прогнозируемых и реальных данных (корреляция) для осложнений заданных типов: "прихват", "поглощение" и "газонефтеводопроявление".Testing of an automated system for identifying and predicting complications during well construction based on the complex application of a recurrent neural network and machine learning methods on test and real data showed a high convergence of predicted and real data (correlation) for complications of specified types: "stuck", "absorption" and " gas-oil-water show ".
Электронное оборудование автоматизированной системы выявления и прогнозирования осложнений при строительстве нефтяных и газовых скважин включает в свой состав:The electronic equipment of the automated system for detecting and predicting complications during the construction of oil and gas wells includes:
- серверную компоненту на базе высокопроизводительных ЭВМ с GPU, включающую: хранилища размеченных, неразмеченных и симуляционных данных ГТИ; хранилище (библиотека) моделей машинного обучения прогнозирования значений функций индикаторов возникновения осложнений и выявления аномалий в данных ГТИ, классификационных нейросетевых моделей; программные компоненты модулей: 3, 4, 7, 10-15, см. фиг. 1;- server component based on high-performance computers with GPU, including: storage of marked, unlabeled and simulation data of GTI; storage (library) of machine learning models for predicting the values of the functions of indicators of the occurrence of complications and detecting anomalies in the GTI data, classification neural network models; software components of modules: 3, 4, 7, 10-15, see Fig. one;
- клиентскую (мобильная) компоненту на базе ПЭВМ или ноутбука с высокопроизводительным GPU, включающую программные компоненты модулей: 3, 11-12, 14-15, см. фиг. 1;- a client (mobile) component based on a PC or laptop with a high-performance GPU, including software components of modules: 3, 11-12, 14-15, see Fig. one;
- оборудование телекоммуникационного и сетевого взаимодействия;- equipment for telecommunication and network interaction;
- комплекты инсталляционного программного обеспечения модулей 1, 3-15 (см. фиг. 1.) в формате Docker.- sets of
Серверная компонента располагается в центре управления бурением (центре компетенций) нефтегазовой компании. Клиентская компонента располагается на буровой площадке и сопрягается с геолого-технологической аппаратурой непосредственно или через вычислительный узел, а также с серверной компонентой по выделенным телекоммуникационным каналам связи.The server component is located in the drilling control center (competence center) of the oil and gas company. The client component is located at the drilling site and interfaced with the geological and technological equipment directly or through a computing node, as well as with the server component via dedicated telecommunication channels.
Таким образом, основными отличиями предлагаемого изобретения от решения по патенту CN-110443488, являются:Thus, the main differences between the proposed invention and the solution under the patent CN-110443488 are:
- использование дополнительных источников данных: хранилищ неразмеченных данных ГТИ, а также симуляционных данных от бурового тренажера;- use of additional data sources: storages of unmarked GTI data, as well as simulation data from the drilling simulator;
- в решении по патенту CN110443488 для расширения пространства входных данных для сверточной нейронной сети используется модуль получения и обработки данных от комплексного каротажного прибора, что связано с ограничениями на применение системы при бурении (наличие КВБ).- in the solution according to the patent CN110443488 to expand the space of input data for a convolutional neural network, a module for receiving and processing data from an integrated logging tool is used, which is associated with restrictions on the use of the system while drilling (the presence of a CVB).
В предлагаемом изобретении для расширения пространства входных данных для рекуррентной нейронной сети используются модули прогнозирования возникновения аномалий в данных ГТИ 11 и прогнозирования значений функций индикаторов возникновения осложнений 12, которые не накладывают ограничений на применение автоматизированной системы выявления и прогнозирования осложнений в зависимости от применяемых технологии бурения и выполняемых технологических операций при строительстве скважин;In the proposed invention, to expand the input data space for a recurrent neural network, modules are used for predicting the occurrence of anomalies in the
- применение другого типа классификационной нейросетевой модели - рекуррентной нейронной сети вместо сверточной, что связано с различием в структуре входных данных и организации их последующей обработки.- the use of another type of classification neural network model - a recurrent neural network instead of a convolutional one, which is due to the difference in the structure of the input data and the organization of their subsequent processing.
Отличительной особенностью и достоинством разработанного способа по сравнению с известными изобретениями является использование расширенного состава исходных данных, дополнительно включающих неразмеченные данные ГТИ и симуляционные данные бурового тренажера, а также комплексное применение методов машинного обучения и объединяющей классификационной рекуррентной нейронной сети на основе принципа взаимной дополнительности, обеспечивающие повышение достоверности выявления и прогнозирования осложнений заданных типов: "прихват", "поглощение" и "газонефтеводопроявление" по результатам обработки реально-временных данных при строительстве нефтяных и газовых скважин.A distinctive feature and advantage of the developed method in comparison with the known inventions is the use of an expanded set of initial data, which additionally includes unmarked mud log data and simulation data of a drilling simulator, as well as a complex application of machine learning methods and a unifying classification recurrent neural network based on the principle of mutual complementarity, providing an increase in reliability of identifying and predicting complications of the given types: "stuck", "absorption" and "gas and oil water production" based on the results of processing real-time data during the construction of oil and gas wells.
Разработанная архитектура автоматизированной системы выявления и прогнозирования является открытой по отношению к входным данным и типам прогнозируемых событий, и ее применение может быть расширено на другие типы осложнений, возникающие при строительстве нефтяных и газовых скважин.The developed architecture of the automated detection and forecasting system is open with respect to input data and types of predicted events, and its application can be extended to other types of complications arising during the construction of oil and gas wells.
Claims (1)
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2020129673A RU2745137C1 (en) | 2020-09-08 | 2020-09-08 | Automated system for identification and prediction of complications in the process of construction of oil and gas wells |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2020129673A RU2745137C1 (en) | 2020-09-08 | 2020-09-08 | Automated system for identification and prediction of complications in the process of construction of oil and gas wells |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| RU2745137C1 true RU2745137C1 (en) | 2021-03-22 |
Family
ID=75159095
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| RU2020129673A RU2745137C1 (en) | 2020-09-08 | 2020-09-08 | Automated system for identification and prediction of complications in the process of construction of oil and gas wells |
Country Status (1)
| Country | Link |
|---|---|
| RU (1) | RU2745137C1 (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116976705A (en) * | 2023-09-19 | 2023-10-31 | 中国科学院地质与地球物理研究所 | Deep oil gas accurate navigation sand shale stratum physical property evaluation method and system |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104121014A (en) * | 2014-06-16 | 2014-10-29 | 西南石油大学 | Method for diagnosing type of leakage of drilled well based on neural network fusion technique |
| RU2602779C2 (en) * | 2014-12-03 | 2016-11-20 | Общество с ограниченной ответственностью "ТатАСУ" | Method of controlling conditions telemechanised oil-field facilities using neural network analysis |
| CN109508827A (en) * | 2018-11-14 | 2019-03-22 | 西南石油大学 | A kind of drilling failure Early-warning Model based on time recurrent neural network |
| CN110443488A (en) * | 2019-07-31 | 2019-11-12 | 中国石油大学(华东) | The recognition methods of drilling well spill hazard, system and equipment based on convolutional neural networks |
| RU2723805C9 (en) * | 2019-08-20 | 2020-07-27 | Общество с ограниченной ответственностью "Диджитал Петролеум" (ООО "ДП") | Method and computer system for control of drilling of the wells |
-
2020
- 2020-09-08 RU RU2020129673A patent/RU2745137C1/en active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104121014A (en) * | 2014-06-16 | 2014-10-29 | 西南石油大学 | Method for diagnosing type of leakage of drilled well based on neural network fusion technique |
| RU2602779C2 (en) * | 2014-12-03 | 2016-11-20 | Общество с ограниченной ответственностью "ТатАСУ" | Method of controlling conditions telemechanised oil-field facilities using neural network analysis |
| CN109508827A (en) * | 2018-11-14 | 2019-03-22 | 西南石油大学 | A kind of drilling failure Early-warning Model based on time recurrent neural network |
| CN110443488A (en) * | 2019-07-31 | 2019-11-12 | 中国石油大学(华东) | The recognition methods of drilling well spill hazard, system and equipment based on convolutional neural networks |
| RU2723805C9 (en) * | 2019-08-20 | 2020-07-27 | Общество с ограниченной ответственностью "Диджитал Петролеум" (ООО "ДП") | Method and computer system for control of drilling of the wells |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116976705A (en) * | 2023-09-19 | 2023-10-31 | 中国科学院地质与地球物理研究所 | Deep oil gas accurate navigation sand shale stratum physical property evaluation method and system |
| CN116976705B (en) * | 2023-09-19 | 2023-12-22 | 中国科学院地质与地球物理研究所 | Deep oil gas accurate navigation sand shale stratum physical property evaluation method and system |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109508827B (en) | Drilling accident early warning method based on time recursion neural network | |
| Gurina et al. | Application of machine learning to accidents detection at directional drilling | |
| RU2745136C1 (en) | Automated system for identification and prediction of complications in the process of construction of oil and gas wells | |
| Smarsly et al. | Machine learning techniques for structural health monitoring | |
| Li et al. | Diagnosis of downhole incidents for geological drilling processes using multi-time scale feature extraction and probabilistic neural networks | |
| WO2009132281A1 (en) | System and method for health assessment of downhole tools | |
| WO2010019798A2 (en) | Bottom hole assembly configuration management | |
| Li et al. | Abnormality detection for drilling processes based on Jensen–Shannon divergence and adaptive alarm limits | |
| Yin et al. | Downhole quantitative evaluation of gas kick during deepwater drilling with deep learning using pilot-scale rig data | |
| Dmitrievsky et al. | On increasing the productive time of drilling oil and gas wells using machine learning methods | |
| Pournazari et al. | Enhanced kick detection with low-cost rig sensors through automated pattern recognition and real-time sensor calibration | |
| Li et al. | Detection of downhole incidents for complex geological drilling processes using amplitude change detection and dynamic time warping | |
| RU2745137C1 (en) | Automated system for identification and prediction of complications in the process of construction of oil and gas wells | |
| Wu et al. | Real-time risk analysis method for diagnosis and warning of offshore downhole drilling incident | |
| Ye et al. | A deep learning-based method for automatic abnormal data detection: Case study for bridge structural health monitoring | |
| Wang et al. | Time Series Data Analysis with Recurrent Neural Network for Early Kick Detection | |
| CN116665421A (en) | Early warning processing method and device for mechanical equipment and computer readable storage medium | |
| WO2023009027A1 (en) | Method and system for warning of upcoming anomalies in a drilling process | |
| Zhang et al. | Cross-project prediction for rock mass using shuffled TBM big dataset and knowledge-based machine learning methods | |
| US11698473B2 (en) | Systems and methods for workflow to perform well logging operations tracking and efficiency assessment | |
| Li et al. | Identification of downhole conditions in geological drilling processes based on quantitative trends and expert rules | |
| Li et al. | Meteorological radar fault diagnosis based on deep learning | |
| Alatrach et al. | Prediction of well production event using machine learning algorithms | |
| CN113312696B (en) | Bridge health condition dynamic prediction alarm method based on ARIMA algorithm | |
| Gao et al. | Semantic-based detection of segment outliers and unusual events for wireless sensor networks |