百度彩票

钻柱摩阻扭矩智能实时分析与卡钻趋势预测

朱硕 宋先知 李根生 祝兆鹏 姚学喆

朱硕,宋先知,李根生,祝兆鹏,姚学喆. 钻柱摩阻扭矩智能实时分析与卡钻趋势预测[J]. 百度彩票 工艺,2021,43(0):1-9
引用本文: 朱硕,宋先知,李根生,祝兆鹏,姚学喆. 钻柱摩阻扭矩智能实时分析与卡钻趋势预测[J]. 百度彩票 工艺,2021,43(0):1-9
ZHU Shuo, SONG Xianzhi, LI Gensheng, ZHU Zhaopeng, YAO Xuezhe. Intelligent real-time drag and torque analysis and sticking trend prediction of drill string[J]. Oil Drilling & Production Technology, 2021, 43(0): 1-9
Citation: ZHU Shuo, SONG Xianzhi, LI Gensheng, ZHU Zhaopeng, YAO Xuezhe. Intelligent real-time drag and torque analysis and sticking trend prediction of drill string[J]. Oil Drilling & Production Technology, 2021, 43(0): 1-9

钻柱摩阻扭矩智能实时分析与卡钻趋势预测

基金项目: 中国石油天然气集团有限公司-中国石油大学(北京)战略合作科技专项“物探、测井、钻完井人工智能理论与应用场景关键技术研究”(编号:ZLZX2020-03);国家重点研发计划项目“变革性技术关键科学问题”之分课题“复杂油气智能钻井理论与方法”(编号:2019YFA0708300)
详细信息
    作者简介:

    朱硕(1996-),中国石油大学(北京)油气井工程专业在读硕士研究生,现从事钻井人工智能理论与方法的研究工作。通讯地址:(102249)北京市昌平区府学路18号。E-mail:

    通讯作者:

    宋先知(1982-),2010年毕业于中国石油大学(北京)油气井工程专业,获博士学位,现从事油气井流体力学与工程、智能钻完井理论与技术的研究工作,教授,博士生导师。通讯地址:(102249)北京市昌平区府学路18号。E-mail:.cn

  • 中图分类号: TE37

Intelligent real-time drag and torque analysis and sticking trend prediction of drill string

  • 摘要: 钻柱摩阻扭矩的实时分析对提高钻井效率、规避钻井卡钻风险具有重要作用,目前摩阻扭矩分析以钻前预测为主,但钻井过程中摩阻扭矩的实时分析尚不成熟。针对当前井底钻压扭矩预测不准、钻柱摩阻系数的确定存在盲目性等问题,提出一种钻柱摩阻扭矩智能实时分析方法。该方法利用神经网络模型实时计算井底钻压扭矩,结合摩阻扭矩刚杆模型采用二分法实时反演摩阻系数,准确分析钻柱受力。考虑到钻柱摩阻系数在一定程度上表征钻柱卡钻趋势,进一步利用该方法对钻井卡钻趋势进行预测。将该方法应用于现场数据,发现某井钻柱摩阻系数在6 000~6 100 m区间整体呈现逐渐增大的趋势,且在6 100 m处附近,钻柱摩阻系数从0.35附近陡增至0.75,变化极为剧烈,说明即将发生卡钻。经过对该井的钻井日志查证,该井在6 100 m处附近蹩停顶驱钻具卡死。说明利用该方法对卡钻趋势进行预测具有良好的效果,便于现场实时调整钻井参数,有效规避卡钻风险,提高钻井效率。
  • 百度彩票

    图  1  BP- LSTM双输入网络结构

    Figure  1.  Structure of BP- LSTM network

    图  2  钻压预测值与真实值对比

    Figure  2.  Comparison between predicted WOB and actual value

    图  3  扭矩预测值与真实值对比

    Figure  3.  Comparison between predicted torque and actual value

    图  4  二分法反演摩阻系数计算流程

    Figure  4.  Calculation flow chart of friction coefficient inversion by dichotomy

    图  5  某井钻柱受力分析结果

    Figure  5.  Schematic force of drill string in one case well

    图  6  某井5699~6110 m 摩阻系数反演结果

    Figure  6.  Inversion result of friction coefficient in the interval 5699-6110 m of one case well

    表  1  数据采样频率与数据类型

    Table  1.   Data sampling frequency and data type

    项目井斜
    数据
    工程
    参数
    钻井
    液性能
    钻头
    记录
    岩屑描
    述记录
    采样频率30 m1 m井段井段井段
    数据类型数值型数值型数值型
    文本型
    数值型
    文本型
    数值型
    文本型
    下载: 导出CSV

    表  2  BP-LSTM网络模型试验表

    Table  2.   Experiment table of BP-LSTM network model


    BP网络参数LSTM网络参数
    BP
    层数
    神经元
    个数
    丢弃
    激活
    函数
    LSTM
    层数
    神经元
    个数
    丢弃
    激活
    函数
    11320.1sigmoid1160.1sigmoid
    21640.3tanh1320.3tanh
    311280.2relu1640.2relu
    42320.3relu2160.3relu
    52640.2sigmoid2320.2sigmoid
    621280.1tanh2640.1tanh
    73320.2tanh3160.2tanh
    83640.1relu3320.1relu
    931280.3sigmoid3640.3sigmoid
    下载: 导出CSV

    表  3  BP、LSTM、BP-LSTM等3类模型的测试结果

    Table  3.   Test results of BP, LSTM and BP-LSTM model

    序号BP网络模型LSTM网络模型BP-LSTM网络模型
    模型
    复杂度
    井底钻压井底扭矩模型
    复杂度
    井底钻压井底扭矩模型
    复杂度
    井底钻压井底扭矩
    ermse/
    kN
    e/
    %
    ermse/
    (kN · m)
    e/
    %
    ermse/
    kN
    e/
    %
    ermse/
    (kN · m)
    e/
    %
    ermse/
    kN
    e/
    %
    ermse/
    (kN · m)
    e/
    %
    11 95344.324.95.021.92 76965.633.68.837.62 67377.339.56.229.0
    23 90524.314.42.914.27 56927.516.02.9413.07 23323.813.02.812.8
    37 80926.315.73.115.223 31325.813.82.7612.622 49724.613.03.114.0
    42 22536.420.75.523.84 88128.415.34.2621.25 05735.318.93.616.1
    54 96158.930.17.031.215 88978.740.18.8637.916 60976.739.25.525.7
    611 96920.511.12.411.256 33723.112.32.7912.459 68123.912.82.913.3
    72 49725.615.53.015.06 99328.316.63.719.07 44128.516.33.214.7
    86 01727.114.42.713.624 20930.917.73.315.325 98527.114.53.416.6
    916 12965.133.88.034.889 36177.039.39.339.796 86578.439.99.440.1
    下载: 导出CSV

    表  4  某井井身结构

    Table  4.   Casing program

    套管名称井眼直径/mm固井井深/m套管外径/mm
    表层套管 406.4 1 205 273.05
    技术套管 241.3 5 900 200.03
    裸眼 171.5 6 384.5
    下载: 导出CSV

    表  5  某井5 062~5 900 m钻具组合信息

    Table  5.   Information of drill tool combination in the interval 5 062-5 900 m of one case well

    钻具名称外径/mm内径/mm长度/m累计重量/kN
    斜坡钻杆 139.7 121.4 1 004.28 1 899.15
    转换接头 127 72 0.57 1 571.88
    斜坡钻杆 127 108.6 4 699.4 1 571.6
    转换接头 178 72 0.6 208.3
    斜坡加重钻杆 127 76.2 138.13 208
    螺旋钻铤 177.8 57.2 27.11 111.31
    转换接头 202 72 0.7 63.87
    止回阀 203 72 0.5 63.24
    螺旋钻铤 196.9 71.44 8.94 62.14
    转换接头 196 72 0.64 43.63
    无磁悬挂接头 197 71.44 1.97 42.31
    无磁钻铤 203.2 71.44 8.94 37.92
    螺杆钻具 197 72 7.88 17.98
    PDC钻头 241.3 0.34 0.41
    下载: 导出CSV
    var _hmt = _hmt || []; (function() { var hm = document.createElement("script"); hm.src = "https://hm.baidu.com/hm.js?646a7d1033ff411d5d7be270f3397897"; var s = document.getElementsByTagName("script")[0]; s.parentNode.insertBefore(hm, s); })(); 顶盛体育-顶盛APP下载 艾尚体育APP|艾尚体育登录|艾尚体育官网 下注app中心 od体育最新版下载 百姓购彩-购彩中心
  • [1] 韩志勇. 井眼内钻柱摩阻的三维和两组模型的研究[J]. 石油大学学报(自然科学版), 1993, 17(A0):44-49.

    HAN Zhiyong. Study on 3-D and 2-D model of drillstring torque and drag in hole[J]. Journal of the University of Petroleum, China, 1993, 17(A0): 44-49.
    [2] 秦永和, 付胜利, 高德利. 大位移井摩阻扭矩力学分析新模型[J]. 天然气工业, 2006, 26(11):77-79. doi:  

    QIN Yonghe, FU Shengli, GAO Deli. A new model for analyzing torque and drag in extended reach wells[J]. Natural Gas Industry, 2006, 26(11): 77-79. doi:  
    [3] LESAGE M, FALCONER I G, WICK C J. Evaluating drilling practice in deviated wells with torque and weight data[J]. SPE drilling engineering, 1988, 3(3): 248-252. doi:  
    [4] HEGDE C, WALLACE S, GRAY K. Real time prediction and classification of torque and drag during drilling using statistical learning methods[C]//Paper presented at the SPE Eastern Regional Meeting. Morgantown, West Virginia, USA: October 2015. " target="_blank">10.2118/177313-MS.
    [5] 黄文君, 高德利. 大位移井规律性阻卡力学机理与控制措施研究[J]. 石油科学通报, 2020, 5(1):49-57. doi:  

    HUANG Wenjun, GAO Deli. Mechanical mechanisms and control measures for periodic sticking in extended-reach drilling[J]. Petroleum Science Bulletin, 2020, 5(1): 49-57. doi:  
    [6] COURTEILLE J M, FABRE M, HOLLANDER C R. An advanced solution:the drilling adviser[J]. Journal of Petroleum Technology, 1986, 38(8): 899-904. doi:  
    [7] 朱丹. 基于神经网络的卡钻预测方法研究[D]. 西安: 西安石油大学, 2013.

    ZHU Dan. The study of predicting pipe sticking based on neural network[D]. Xi’an: Xi’an Shiyou University, 2013.
    [8] 刘建明, 李玉梅, 张涛, 等. 一种基于PCA-RF的卡钻预测方法[J]. 北京信息科技大学学报(自然科学版), 2021, 36(1):18-22. doi:  

    LIU Jianming, LI Yumei, ZHANG Tao, et al. Research on PCA-RF-based sticking prediction method[J]. Journal of Beijing Information Science & Technology University, 2021, 36(1): 18-22. doi:  
    [9] WANG H, CHEN D, YE Z, et al. Intelligent planning of drilling trajectory based on computer vision[C]//Paper presented at the Abu Dhabi International Petroleum Exhibition & Conference. Abu Dhabi, UAE: November 2019. " target="_blank">10.2118/197362-MS.
    [10] 林昕, 苑仁国, 韩雪银, 等. 随钻地质导向智能决策的实现与应用[J]. 百度彩票 工艺, 2020, 42(1):1-5. doi:  

    LIN Xin, YUAN Renguo, HAN Xueyin, et al. Realization and application of the intelligent geosteering decision making while drilling[J]. Oil Drilling & Production Technology, 2020, 42(1): 1-5. doi:  
    [11] JOBE T D, VITAL-BRAZIL E, KHAIF M. Geological feature prediction using image-based machine learning[J]. Petrophysics, 2018, 59(6): 750-760. doi:  
    [12] SILVA A A, LIMA NETO L A, MISSÁGIA R M, et al. Artificial neural networks to support petrographic classification of carbonate-siliciclastic rocks using well logs and textural information[J]. Journal of Applied Geophysics, 2015, 117: 118-125. doi:  
    [13] 王忠东, 王业博, 董红, 等. 页岩气水平井产量主控因素分析及产能预测[J]. 测井技术, 2017, 41(5):577-582. doi:  

    WANG Zhongdong, WANG Yebo, DONG Hong, et al. Production main control factors analysis and productivity prediction for shale gas of horizontal well[J]. Well Logging Technology, 2017, 41(5): 577-582. doi:  
    [14] 张凯, 赵兴刚, 张黎明, 等. 智能油田开发中的大数据及智能优化理论和方法研究现状及展望[J]. 中国石油大学学报(自然科学版), 2020, 44(4):28-38. doi:  

    ZHANG Kai, ZHAO Xinggang, ZHANG Liming, et al. Current status and prospect for the research and application of big data and intelligent optimization methods in oilfield development[J]. Journal of China University of Petroleum (Edition of Natural Science), 2020, 44(4): 28-38. doi:  
    [15] RUMELHART D E, HINTON G E, WILLIAMS R J. Learning representations by back propagating errors[J]. Nature, 1986, 323(6088): 533-536. doi:  
    [16] HOCHREITER S, SCHMIDHUBER J. Long short-term memory[J]. Neural Computation, 1997, 9(8): 1735-1780. doi:  
    [17] 詹亮, 李开喜, 朱星明, 等. 正交实验法在超级活性炭研制中的应用[J]. 煤炭转化, 2001, 24(4):71-74. doi:  

    ZHAN Liang, LI Kaixi, ZHU Xingming, et al. Application of orthogonal design to superactived Carbon preparation[J]. Coal Conversion, 2001, 24(4): 71-74. doi:  
    [18] 高德利. 井眼轨迹控制[M]. 东营: 石油大学出版社, 1994.

    GAO Deli. Well trajectory control[M]. Dongying: Petroleum University Press, 1994.
  • [1] 黄小龙, 刘东涛, 宋吉明, 韩雪银, 乔纯上.  基于大数据及人工智能的钻速实时优化技术 . 百度彩票 工艺,
    [2] 王文, 刘小刚, 窦蓬, 林海, 陶林.  基于神经网络的深层机械钻速预测方法 . 百度彩票 工艺, doi: 10.13639/j.odpt.2018.S0.034
    [3] 陈绍云.  鲁迈拉S 型定向井降摩减扭技术 . 百度彩票 工艺, doi: 10.13639/j.odpt.2016.04.008
    [4] 陈涛, 冉照辉, 罗亮, 柯学, 孙亚平, 南鑫.  苏77-21-40H2 水平井超长水平段钻井技术 . 百度彩票 工艺, doi: 10.13639/j.odpt.2015.06.001
    [5] 张凯.  大庆垣平1大位移井的钻井技术 . 百度彩票 工艺,
    [6] 冯光彬, 唐世忠, 蔺玉水, 王宇.  ZH8Es-H5大位移水平井钻井技术 . 百度彩票 工艺,
    [7] 邹宽城, 常亚萍, 韩秀清.  基于计算智能的射孔枪结构优化设计方法 . 百度彩票 工艺,
    [8] 宋执武, 高德利, 马健.  大位移井摩阻/扭矩预测计算新模型 . 百度彩票 工艺, doi: 10.3969/j.issn.1000-7393.2006.06.001
    [9] 冯其红, 陈耀武, 郭京来.  注水井调剖效果预测统计方法研究 . 百度彩票 工艺, doi: 10.3969/j.issn.1000-7393.2003.06.020
    [10] 韩国庆, 吴晓东, 张庆生, 毛凤英.  示功图识别技术在有杆泵工况诊断中的应用 . 百度彩票 工艺, doi: 10.3969/j.issn.1000-7393.2003.05.019
    [11] 杨进.  地层压力BP网络预测方法研究及其应用 . 百度彩票 工艺, doi: 10.3969/j.issn.1000-7393.2003.03.004
    [12] 刘波, 鄢捷年, 李静.  泥页岩分类的BP神经网络方法 . 百度彩票 工艺, doi: 10.3969/j.issn.1000-7393.2003.04.007
    [13] 祖峰.  定向井钻柱摩阻预测与应用 . 百度彩票 工艺, doi: 10.3969/j.issn.1000-7393.2001.06.003
    [14] 孙燕军.  稠油开采方式决策混合智能系统 . 百度彩票 工艺, doi: 10.3969/j.issn.1000-7393.2001.05.015
    [15] 薛亚东, 高德利.  基于人工神经网络的实钻地层可钻性预测 . 百度彩票 工艺, doi: 10.3969/j.issn.1000-7393.2001.01.007
    [16] 赵凤芝, 包锋, 刘贤梅.  抽油机井智能诊断系统 . 百度彩票 工艺, doi: 10.3969/j.issn.1000-7393.2000.03.021
    [17] 付亚荣, 马永忠, 吕德福, 孙英祥, 申玉健.  基于BP神经网络的高含硫油井硫化物应力腐蚀预测 . 百度彩票 工艺, doi: 10.3969/j.issn.1000-7393.1999.06.022
    [18] 李琪.  储层保护综合智能软件系统的开发与应用 . 百度彩票 工艺, doi: 10.3969/j.issn.1000-7393.1996.06.007
    [19] 梅文荣, 赖天华.  神经网络在固相颗粒损害仿真研究中的应用 . 百度彩票 工艺, doi: 10.3969/j.issn.1000-7393.1994.04.006
    [20] 柴满洲.  有杆泵采油装置的智能诊断 . 百度彩票 工艺, doi: 10.3969/j.issn.1000-7393.1992.05.012
  • 加载中
计量
  • 文章访问数:  0
  • 被引次数: 0
出版历程
  • 修回日期:  2021-05-29
  • 网络出版日期:  2021-12-03

钻柱摩阻扭矩智能实时分析与卡钻趋势预测

    基金项目:  中国石油天然气集团有限公司-中国石油大学(北京)战略合作科技专项“物探、测井、钻完井人工智能理论与应用场景关键技术研究”(编号:ZLZX2020-03);国家重点研发计划项目“变革性技术关键科学问题”之分课题“复杂油气智能钻井理论与方法”(编号:2019YFA0708300)
    作者简介:

    朱硕(1996-),中国石油大学(北京)油气井工程专业在读硕士研究生,现从事钻井人工智能理论与方法的研究工作。通讯地址:(102249)北京市昌平区府学路18号。E-mail:

    通讯作者: 宋先知(1982-),2010年毕业于中国石油大学(北京)油气井工程专业,获博士学位,现从事油气井流体力学与工程、智能钻完井理论与技术的研究工作,教授,博士生导师。通讯地址:(102249)北京市昌平区府学路18号。E-mail:.cn
  • 中图分类号: TE37

摘要: 钻柱摩阻扭矩的实时分析对提高钻井效率、规避钻井卡钻风险具有重要作用,目前摩阻扭矩分析以钻前预测为主,但钻井过程中摩阻扭矩的实时分析尚不成熟。针对当前井底钻压扭矩预测不准、钻柱摩阻系数的确定存在盲目性等问题,提出一种钻柱摩阻扭矩智能实时分析方法。该方法利用神经网络模型实时计算井底钻压扭矩,结合摩阻扭矩刚杆模型采用二分法实时反演摩阻系数,准确分析钻柱受力。考虑到钻柱摩阻系数在一定程度上表征钻柱卡钻趋势,进一步利用该方法对钻井卡钻趋势进行预测。将该方法应用于现场数据,发现某井钻柱摩阻系数在6 000~6 100 m区间整体呈现逐渐增大的趋势,且在6 100 m处附近,钻柱摩阻系数从0.35附近陡增至0.75,变化极为剧烈,说明即将发生卡钻。经过对该井的钻井日志查证,该井在6 100 m处附近蹩停顶驱钻具卡死。说明利用该方法对卡钻趋势进行预测具有良好的效果,便于现场实时调整钻井参数,有效规避卡钻风险,提高钻井效率。

English Abstract

朱硕,宋先知,李根生,祝兆鹏,姚学喆. 钻柱摩阻扭矩智能实时分析与卡钻趋势预测[J]. 百度彩票 工艺,2021,43(0):1-9
引用本文: 朱硕,宋先知,李根生,祝兆鹏,姚学喆. 钻柱摩阻扭矩智能实时分析与卡钻趋势预测[J]. 百度彩票 工艺,2021,43(0):1-9
ZHU Shuo, SONG Xianzhi, LI Gensheng, ZHU Zhaopeng, YAO Xuezhe. Intelligent real-time drag and torque analysis and sticking trend prediction of drill string[J]. Oil Drilling & Production Technology, 2021, 43(0): 1-9
Citation: ZHU Shuo, SONG Xianzhi, LI Gensheng, ZHU Zhaopeng, YAO Xuezhe. Intelligent real-time drag and torque analysis and sticking trend prediction of drill string[J]. Oil Drilling & Production Technology, 2021, 43(0): 1-9

返回顶部

目录

    /

    返回文章
    返回
    var _hmt = _hmt || []; (function() { var hm = document.createElement("script"); hm.src = "https://hm.baidu.com/hm.js?646a7d1033ff411d5d7be270f3397897"; var s = document.getElementsByTagName("script")[0]; s.parentNode.insertBefore(hm, s); })(); 顶盛体育-顶盛APP下载 艾尚体育APP|艾尚体育登录|艾尚体育官网 下注app中心 od体育最新版下载 百姓购彩-购彩中心