百度彩票

基于朴素贝叶斯算法的钻井溢流实时预警研究

袁俊亮 范白涛 幸雪松 耿立军 殷志明 王一雯

袁俊亮,范白涛,幸雪松,耿立军,殷志明,王一雯. 基于朴素贝叶斯算法的钻井溢流实时预警研究[J]. 百度彩票 工艺,2021,43(4):1-6
引用本文: 袁俊亮,范白涛,幸雪松,耿立军,殷志明,王一雯. 基于朴素贝叶斯算法的钻井溢流实时预警研究[J]. 百度彩票 工艺,2021,43(4):1-6
YUAN Junliang, FAN Baitao, XING Xuesong, GENG Lijun, YIN Zhiming, WANG Yiwen. Real-time early warning of drilling overflow based on naive Bayes algorithm[J]. Oil Drilling & Production Technology, 2021, 43(4): 1-6
Citation: YUAN Junliang, FAN Baitao, XING Xuesong, GENG Lijun, YIN Zhiming, WANG Yiwen. Real-time early warning of drilling overflow based on naive Bayes algorithm[J]. Oil Drilling & Production Technology, 2021, 43(4): 1-6

基于朴素贝叶斯算法的钻井溢流实时预警研究

基金项目: 中海石油(中国)有限公司科技项目“超高温高压开发井钻完井风险评估与对策研究”(编号:YXKY-ZX 09 2021)、“深水钻井大数据深度挖掘及软件测试应用”(编号:2020-GCZLKT-002)、“自升式钻井平台插桩穿刺风险分析与防控技术研究”(编号:2019ZYZL-ZC02)部分研究成果
详细信息
    作者简介:

    袁俊亮(1987-),2014年毕业于中国石油大学(北京)油气井工程专业,从事岩石力学及钻井大数据方面的研究工作,高级工程师。通讯地址:(100028)北京市朝阳区太阳宫南街六号院。E-mail:

    通讯作者:

    范白涛(1975-),中国海洋石油集团有限公司钻完井专家,从事海洋油气钻完井及增产方面的研究工作,教授级高级工程师。通讯地址:(100028)北京市朝阳区太阳宫南街六号院。E-mail:.cn

  • 中图分类号: TE28

Real-time early warning of drilling overflow based on naive Bayes algorithm

  • 摘要: 高温高压井钻井过程中溢流未及时发现将引起严重后果,现有溢流监测手段依赖井下或地面工具,存在一定的时间滞后性,为此创建了基于朴素贝叶斯算法和钻井大数据的溢流实时预警方法。在具备一定已钻井规模的区域内,分析历史井溢流发生与地质资料、随钻测录井数据的概率联系,分别建立溢流的先验概率计算模型和包含了区域、地层、岩性、扭矩、泵压、机械钻速共6项属性的条件概率计算模型,基于贝叶斯理论计算溢流的后验概率,实现实时预警功能。研究表明,基于朴素贝叶斯的溢流预警方法在可靠性、传输时效性、资料可获得性等方面存在较大优势,结合实际算例,验证了方法的可行性。
  • 百度彩票

    图  1  基于贝叶斯算法的溢流监测方法技术路线

    Figure  1.  Technical route of overflow monitoring method based on Bayes algorithm

    表  1  各类溢流预警方法及特点

    Table  1.   Overflow early warning methods and their characteristics

    方法类别优点缺点
    人工观察法成本低,判断较准确反馈速度滞后,预警意义有限
    井口或井下工具实测监测参数及形式多样,
    商业化程度较高
    部分工具反馈速度较慢,预警意义有限;
    基于工具和服务,成本较高
    大数据算法溢流预警
    (本方法)
    信息经钻杆传导,反馈速度快;
    基于历史数据,成本低;
    基础参数可获得性强
    尚处于起步阶段,仍需深化研究
    下载: 导出CSV

    表  2  已钻井历史大数据样本

    Table  2.   Samples of historical big data of drilled wells

    序号油气
    地层
    年代
    岩性扭矩/
    (kN·m)
    泵压/
    MPa
    机械钻速/
    (m·h−1)
    溢流
    1NB气田白垩纪砂岩15108
    2NB气田侏罗纪泥岩15127
    3BB气田白垩纪砂岩14139
    4NB气田侏罗纪泥岩13128
    5DB气田侏罗纪砂岩13118
    ·····················
    mBB气田侏罗纪砂岩14137
      注:总样本数m=1000,“溢流值=是”行数为100,“溢流值=否”行数为900;溢流值通过时间反推估算,存在一定误差。
    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] 谢玉洪. 莺歌海盆地高温高压盖层封盖能力定量评价[J]. 地球科学, 2019, 44(8):2579-2589.

    XIE Yuhong. Quantitative evaluation of sealing capacity of high temperature and pressure caprocks in Yinggehai basin[J]. Earth Science, 2019, 44(8): 2579-2589.
    [2] 李中, 谢仁军, 袁俊亮. 深水高温高压气田窄压力窗口地层钻井安全概率区间[J]. 天然气工业, 2020, 40(12):88-94. doi:  

    LI Zhong, XIE Renjun, YUAN Junliang. Study on the drilling safety probability interval in narrow pressure window formation in deepwater HPHT gas fields[J]. Natural Gas Industry, 2020, 40(12): 88-94. doi:  
    [3] 李中. 南海高温高压气田开发钻完井关键技术现状及展望[J]. 百度彩票 工艺, 2016, 38(6):730-736. doi:  

    LI Zhong. Status and prospect of key drilling and completion technologies for the development of HTHP gasfield in South China Sea[J]. Oil Drilling & Production Technology, 2016, 38(6): 730-736. doi:  
    [4] 岳炜杰, 孙伟峰, 戴永寿, 等. “三高”油气井溢流监测方法研究[J]. 百度彩票 工艺, 2013, 35(4):58-64. doi:  

    YUE Weijie, SUN Weifeng, DAI Yongshou, et al. Survey of research on kick detection methods on three high wells[J]. Oil Drilling & Production Technology, 2013, 35(4): 58-64. doi:  
    [5] 陈平, 马天寿. 深水钻井溢流早期监测技术研究现状[J]. 石油学报, 2014, 35(3):602-612. doi:  

    CHEN Ping, MA Tianshou. Research status of early monitoring technology for deepwater drilling overflow[J]. Acta Petrolei Sinica, 2014, 35(3): 602-612. doi:  
    [6] 戴永寿, 岳炜杰, 孙伟峰, 等. “三高”油气井早期溢流在线监测与预警系统[J]. 中国石油大学学报(自然科学版), 2015, 39(3):188-194.

    DAI Yongshou, YUE Weijie, SUN Weifeng, et al. Online monitoring and warning system for early kick foreboding on three high wells[J]. Journal of China University of Petroleum(Edition of Natural Science), 2015, 39(3): 188-194.
    [7] 李基伟, 柳贡慧, 李军. 双梯度钻井U型管效应溢流监测方法研究[J]. 钻采工艺, 2016, 39(1):19-22. doi:  

    LI Jiwei, LIU Gonghui, LI Jun. Study on kick detection methods during U-tubing effect in dual gradient drilling[J]. Drilling & Production Technology, 2016, 39(1): 19-22. doi:  
    [8] 郭振斌, 冯雪龙, 田地, 等. EKM溢流预警智能系统及其应用[J]. 钻采工艺, 2020, 43(1):132-134. doi:  

    GUO Zhenbin, FENG Xuelong, TIAN Di, et al. EKM intelligent system and its application[J]. Drilling & Production Technology, 2020, 43(1): 132-134. doi:  
    [9] 范翔宇, 帅竣天, 李枝林, 等. 油气井早期溢流监测技术研究现状及展望[J]. 钻采工艺, 2020, 43(3):23-26. doi:  

    FAN Xiangyu, SHUAI Juntian, LI Zhilin, et al. Research status and prospect of early kick detection technology of oil and gas wells[J]. Drilling & Production Technology, 2020, 43(3): 23-26. doi:  
    [10] 梁忠民, 戴荣, 李彬权. 基于贝叶斯理论的水文不确定性分析研究进展[J]. 水科学进展, 2010, 21(2):274-281. doi:  

    LIANG Zhongmin, DAI Rong, LI Binquan. A review of hydrological uncertainty analysis based on Bayesian theory[J]. Advances in Water Science, 2010, 21(2): 274-281. doi:  
    [11] 吴贤国, 丁保军, 张立茂, 等. 基于贝叶斯网络的地铁施工风险管理研究[J]. 中国安全科学学报, 2014, 24(1):84-89. doi:  

    WU Xianguo, DING Baojun, ZHANG Limao, et al. Research on risk management of subway construction based on Bayesian network[J]. China Safety Science Journal, 2014, 24(1): 84-89. doi:  
    [12] YUAN Junliang, ZHOU Jianliang, LIU Shujie, et al. An Improved Fracability-Evaluation Method for Shale Reservoirs Based on New Fracture Toughness-Prediction Models[J]. SPE Journal, 2017, 22(5): 1704-1713. doi:  
    [13] 王成汤, 王浩, 覃卫民, 等. 基于多态模糊贝叶斯网络的地铁车站深基坑坍塌可能性评价[J]. 岩土力学, 2020, 41(5):1670-1679,1689. doi:  

    WANG Chengtang, WANG Hao, QIN Weimin, et al. Evaluation of collapse possibility of deep foundation pits in metro stations based on multi-state fuzzy Bayesian networks[J]. Rock and Soil Mechanics, 2020, 41(5): 1670-1679,1689. doi:  
    [14] 王晓东, 胡珊逢, 叶庆卫, 等. 基于贝叶斯网络的可信概率评估方法[J]. 华中科技大学学报(自然科学版), 2012, 40(增刊1):79-82,86. doi:  

    WANG Xiaodong, HU Shanfeng, YE Qingwei, et al. Evaluation method for trustworthiness probability based on Bayesian network[J]. Journal of Huazhong University of Science and Technology(Natural Science Edition), 2012, 40(S1): 79-82,86. doi:  
    [15] 王彦富, 李玉莲, 张彪, 等. 基于逻辑树和贝叶斯网络的海洋平台火灾概率分析[J]. 安全与环境学报, 2016, 16(5):66-72. doi:  

    WANG Yanfu, LI Yulian, ZHANG Biao, et al. Probability analysis on the offshore platform fire based on the logic tree and Bayesian network model[J]. Journal of Safety and Environment, 2016, 16(5): 66-72. doi:  
    [16] 陆黄生. 综合录井在钻井工程中的应用现状与发展思考[J]. 石油钻探技术, 2011, 39(4):1-6. doi:  

    LIU Huangsheng. Current technology situation and developing trend of mud logging's application in drilling engineering[J]. Petroleum Drilling Techniques, 2011, 39(4): 1-6. doi:  
    [17] 刘刚, 李伯尧, 徐加兴, 等. 应用贝叶斯网络识别深水井控主要风险诱因[J]. 中国安全科学学报, 2015, 25(5):157-163. doi:  

    LIU Gang, LI Baiyao, XU Jiaxing, et al. Application of Bayesian network to identifying principal risk factors in deepwater well control[J]. China Safety Science Journal, 2015, 25(5): 157-163. doi:  
    [18] 段佩祥, 钱海忠, 何海威, 等. 案例支撑下的朴素贝叶斯树状河系自动分级方法[J]. 测绘学报, 2019, 48(8):975-984.

    DUAN Peixiang, QIAN Haizhong, HE Haiwei, et al. Naive Bayes-based automatic classification method of tree-like river network supported by cases[J]. Acta Geodaetica et Cartographica Sinica, 2019, 48(8): 975-984.
    [19] 张家瑞, 魏凯, 秦顺全. 基于贝叶斯更新的深水桥墩波浪动力响应概率模型[J]. 工程力学, 2018, 35(8):138-143, 171. doi:  

    ZHANG Jiarui, WEI Kai, QIN Shunquan. A Bayesian updating based probabilistic model for the dynamic response of deepwater bridge piers under wave loading[J]. Engineering Mechanics, 2018, 35(8): 138-143, 171. doi:  
  • [1] 冯学章, 孙玉铎, 王晓磊, 冯钿芳, 哈斯木, 宋文容.  基于贝叶斯网络的气井环空带压风险评价模型及应用分析 . 百度彩票 工艺,
    [2] 柳海啸, 刘芳, 代文星, 冯一, 巩永刚, 李明明.  大数据分析对提高钻井效率的实现与应用 . 百度彩票 工艺,
    [3] 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,
    [4] 伊明, 黄志强, 张景虹, 李冰青, 许阳阳, 张抒夏.  准噶尔盆地南缘高泉构造三维地质力学建模及深探井风险应用 . 百度彩票 工艺, doi: 10.13639/j.odpt.2021.01.004
    [5] 胜亚楠, 管志川, 李伟廷, 蒋金宝, 晁文学, 孔华.  基于贝叶斯理论的含可信度孔隙压力随钻修正方法 . 百度彩票 工艺, doi: 10.13639/j.odpt.2020.03.003
    [6] 陶杉, 余星, 宋海, 廖亚民, 常启帆, 樊晶晶.  大数据方法寻找顺北碳酸盐岩储层开采过程中井壁坍塌主控因素 . 百度彩票 工艺, doi: 10.13639/j.odpt.2020.05.017
    [7] 黄知娟, 潘丽娟, 路辉, 郑力会, 李冬梅, 海小祥.  大数据分析顺北油田SHB-X井试采产液量骤降原因 . 百度彩票 工艺, doi: 10.13639/j.odpt.2019.03.013
    [8] 罗黎敏, 黄熠, 齐美胜, 吴江, 罗鸣, 张超.  南海西部高温高压小井眼钻井技术 . 百度彩票 工艺, doi: 10.13639/j.odpt.2016.06.008
    [9] 黄熠.  南海高温高压勘探钻井技术现状及展望 . 百度彩票 工艺, doi: 10.13639/j.odpt.2016.06.004
    [10] 钟仪华, 刘雨鑫, 林旭旭.  基于马尔科夫链和贝叶斯网络的钻井风险预测 . 百度彩票 工艺, doi: 10.13639/j.odpt.2016.03.003
    [11] 孙东征, 杨进, 杨翔骞, 李中, 顾纯巍.  地层压力随钻预测技术在高温高压井的应用 . 百度彩票 工艺, doi: 10.13639/j.odpt.2016.06.006
    [12] 董星亮, 刘书杰, 谢仁军, 张兴全.  套管封固段变形对高温高压井环空圈闭压力影响规律 . 百度彩票 工艺, doi: 10.13639/j.odpt.2016.06.013
    [13] 谢仁军, 刘书杰, 文敏, 吴怡.  深水钻井溢流井控期间水合物生成主控因素 . 百度彩票 工艺, doi: 10.13639/j.odpt.2015.01.016
    [14] 余东合, 梁海波, 余曦, 罗炯, 车航, 刘国华.  华北油田水力压裂实时预警系统 . 百度彩票 工艺, doi: 10.13639/j.odpt.2015.02.023
    [15] 李鑫, 耿玉广, 杨小平, 黄少伟, 张文静, 周正奇.  以吨液百米举升耗电量为目标的大数据分析应用 . 百度彩票 工艺, doi: 10.13639/j.odpt.2015.04.020
    [16] 刘晓栋, 朱红卫, 高永会.  海洋超高温高压井钻井液设计与测试方法 及国外钻井液新技术 . 百度彩票 工艺, doi: 10.13639/j.odpt.2014.05.012
    [17] 郭小哲, 薛秀敏, 王福升, 窦红梅, 胡南, 董继龙.  气井水合物实时监测预警系统研究 . 百度彩票 工艺,
    [18] 刘志坤, 李琪, 徐自强, 张国庆, 何雷, 樊帆.  钻井事故危险源分析与安全监控系统研究 . 百度彩票 工艺,
    [19] 赵伟, 张燕梅, 刘俊, 丁志川, 徐文芳.  基于地震数据体的水平井实时导向系统 . 百度彩票 工艺,
    [20] 王贵, 蒲晓林, 罗兴树.  水基钻井液高温高压密度特性研究 . 百度彩票 工艺,
  • 加载中
图(1) / 表 (2)
计量
  • 文章访问数:  0
  • HTML全文浏览量:  109
  • PDF下载量:  15
  • 被引次数: 0
出版历程
  • 修回日期:  2021-06-05
  • 网络出版日期:  2021-12-09

基于朴素贝叶斯算法的钻井溢流实时预警研究

    基金项目:  中海石油(中国)有限公司科技项目“超高温高压开发井钻完井风险评估与对策研究”(编号:YXKY-ZX 09 2021)、“深水钻井大数据深度挖掘及软件测试应用”(编号:2020-GCZLKT-002)、“自升式钻井平台插桩穿刺风险分析与防控技术研究”(编号:2019ZYZL-ZC02)部分研究成果
    作者简介:

    袁俊亮(1987-),2014年毕业于中国石油大学(北京)油气井工程专业,从事岩石力学及钻井大数据方面的研究工作,高级工程师。通讯地址:(100028)北京市朝阳区太阳宫南街六号院。E-mail:

    通讯作者: 范白涛(1975-),中国海洋石油集团有限公司钻完井专家,从事海洋油气钻完井及增产方面的研究工作,教授级高级工程师。通讯地址:(100028)北京市朝阳区太阳宫南街六号院。E-mail:.cn
  • 中图分类号: TE28

摘要: 高温高压井钻井过程中溢流未及时发现将引起严重后果,现有溢流监测手段依赖井下或地面工具,存在一定的时间滞后性,为此创建了基于朴素贝叶斯算法和钻井大数据的溢流实时预警方法。在具备一定已钻井规模的区域内,分析历史井溢流发生与地质资料、随钻测录井数据的概率联系,分别建立溢流的先验概率计算模型和包含了区域、地层、岩性、扭矩、泵压、机械钻速共6项属性的条件概率计算模型,基于贝叶斯理论计算溢流的后验概率,实现实时预警功能。研究表明,基于朴素贝叶斯的溢流预警方法在可靠性、传输时效性、资料可获得性等方面存在较大优势,结合实际算例,验证了方法的可行性。

English Abstract

袁俊亮,范白涛,幸雪松,耿立军,殷志明,王一雯. 基于朴素贝叶斯算法的钻井溢流实时预警研究[J]. 百度彩票 工艺,2021,43(4):1-6
引用本文: 袁俊亮,范白涛,幸雪松,耿立军,殷志明,王一雯. 基于朴素贝叶斯算法的钻井溢流实时预警研究[J]. 百度彩票 工艺,2021,43(4):1-6
YUAN Junliang, FAN Baitao, XING Xuesong, GENG Lijun, YIN Zhiming, WANG Yiwen. Real-time early warning of drilling overflow based on naive Bayes algorithm[J]. Oil Drilling & Production Technology, 2021, 43(4): 1-6
Citation: YUAN Junliang, FAN Baitao, XING Xuesong, GENG Lijun, YIN Zhiming, WANG Yiwen. Real-time early warning of drilling overflow based on naive Bayes algorithm[J]. Oil Drilling & Production Technology, 2021, 43(4): 1-6
  • 我国高温高压油气资源量丰富,根据国土资源部《全国油气资源动态评价》显示,仅南海高温高压区域蕴藏的天然气就达15万亿m3,约占南海总资源量的三分之一[1-3],而在高温高压油气田开发过程中,钻井井喷失控将引起严重后果,任何程度的井喷事故都是从溢流开始的,因此溢流是井喷的先兆,精确的溢流监测手段是保障高温高压油气井安全作业的关键[2-3]

    为此笔者分析现有钻井过程中溢流预警方法的类型和技术特点,发展了基于大数据的钻井溢流实时预警方法,在具备一定已钻井规模的构造区域内,通过分析历史井的溢流情况与地质资料、实时测/录井数据的逻辑联系,计算溢流发生的先验概率及各种条件概率,基于贝叶斯理论计算得到溢流后验概率,发出预警信号。

    • 目前实现钻井期间溢流监测的方法主要有三大类。

      (1)通过人工观察法进行溢流判别。依靠钻井过程中作业者对地面现象的观察,例如出、入口流量不均衡,返出量短时间内异常增高或者活动池液面增加等判断井下发生溢流,但在观测到上述现象时,井下溢流早已发生一段时间,过多的流体已进入井筒,因此该方法时效性较差。

      (2)通过井口或井下工具、仪器测量流体侵入情况。岳炜杰等[4](2013)根据溢流监测参数和监测形式的不同,提出了一套基于随钻压力测量、微流量监测与综合录井参数的溢流在线监测预警系统;陈平等[5](2014)分析了深水钻井井控面临的主要困难,从平台监测、海水段监测和井下随钻监测3个层面,优选出适合深水钻井环境的6种井下溢流早期监测方法;戴永寿等[6](2015)针对单一参数溢流监测实时性差、可靠性低的问题,综合微流量、随钻压力、录井参数,开发“三高”油气井早期溢流在线监测系统,通过多参数、多手段印证溢流监测的可靠性;李基伟等[7](2016)研究了发生溢流与未发生溢流情况下钻杆内液体流速、钻杆内液面高度、井口返速和泥浆池增量随时间的变化规律,得出一种可以实时判断U型管发生溢流的方法;郭振斌等[8](2020)研发应用了EKM 溢流预警智能系统(Early Kick Moniter),通过对比不同工况的出入口流体质量流量变化、出口压力、井底压力,用软件计算来发现溢流与漏失并分级报警。

      (3)通过大数据方法进行溢流预警。范翔宇等[9](2020)从井口监测、井下监测两个层面入手,认为“井下流体实验室”(即在传统地层测试器中植入传感器,在井下对流体进行分析化验,得到组分、气油比、pH值、矿化度等参数,并利用钻井液脉冲实时上传)与利用大数据及人工智能的风险诊断模型是未来非常规油气勘探开发的重点技术,但尚未提出和建立可行方法。

      3种方法及特点见表1,前述学者仅提出了对未来的展望和发展构想[9],在具体实现方法上仍存在一定空白。因此有必要在前人研究基础上,丰富和建立起基于大数据算法的溢流预警方法。

      表 1  各类溢流预警方法及特点

      Table 1.  Overflow early warning methods and their characteristics

      方法类别优点缺点
      人工观察法成本低,判断较准确反馈速度滞后,预警意义有限
      井口或井下工具实测监测参数及形式多样,
      商业化程度较高
      部分工具反馈速度较慢,预警意义有限;
      基于工具和服务,成本较高
      大数据算法溢流预警
      (本方法)
      信息经钻杆传导,反馈速度快;
      基于历史数据,成本低;
      基础参数可获得性强
      尚处于起步阶段,仍需深化研究
    • 在具备一定已钻井规模的构造区域内,历史井的测/录井数据通常可达上千万行,如此规模的数据容量完全可满足大数据方法的运用条件。为此,利用大数据样本计算溢流的先验概率,其次计算区域、地层、岩性、扭矩、泵压、机械钻速共6项属性的条件概率[10-12],最后基于朴素贝叶斯理论计算得到溢流的后验概率[13-15],完成实时预警。

      研究过程中,首先选择历史井的3项定性属性:油气田区域、地层分层、岩性,以及3项定量实时属性:扭矩、泵压、机械钻速,用以上6项属性构建起历史井的大数据样本。油气田区域、地层分层可从地质资料中获取,岩性可通过随钻测井GR表征,实时录井通常包含钻压、扭矩、转速、泵压、排量、机械钻速等,其中钻压、转速、排量为人工设置参数,而扭矩、泵压、机械钻速为井下实际情况的反馈[16],因此选择后3项作为样本中的定量实时属性。

      其次,明确研究目标为:判断位于A气田的目标井,在钻进至B地层的C岩性时,若钻参记录仪器显示钻井扭矩为D (kN·m),泵压为E(MPa),机械钻速为F(m/h),判断此时目标井是否发生溢流。

      再次,利用历史井大数据样本,分别计算溢流发生和未发生的先验概率、6项属性的条件概率。

      最后,基于朴素贝叶斯概率理论,分别计算溢流发生和未发生的后验概率,根据两项后验概率的大小[17],实时判断目标井的井下是否发生溢流。

      步骤如下:

      (1)根据已钻历史井建立m行大数据样本,每个样本用含6+1个元素的向量X={X1X2,···,X6C}表示,其中X1为油气田区域,X2为地层分层,X3为岩性,X4为扭矩值,X5为泵压值,X6为机械钻速值;C表示溢流值,为“是”或“否”。

      (2)将历史井大数据样本的前6项属性进行归类,其中X1~X3的类型为定性属性,X4~X6的类型为定量属性。

      (3)首先计算溢流发生和未发生的先验概率(也称历史井概率),即溢流值为“是”的样本数量S1占总样本数量S的百分比和溢流值为“否”的样本数量S0占总样本数量S的百分比。

      计算溢流发生和未发生的先验概率

      $$ {P_1} = \dfrac{{{S_1}}}{S} $$ (1)
      $$ {P_0} = \frac{{{S_0}}}{S} $$ (2)

      式中,S1为样本中溢流值为“是”的样本数量;S0为样本中溢流值为“否”的样本数量;S为总样本数量;P1为溢流发生的先验概率;P0为溢流未发生的先验概率。

      (4)分别计算3项定性属性X1X2X3的条件概率,即在溢流值为“是”的所有样本中,每个定性属性在其中所占的数量百分比;在溢流值为“否”的所有样本中,每个定性属性在其中所占的数量百分比。

      3项定性属性X1X2X3其溢流值为“是”的条件概率为

      $$ {P_{1{\text{A}}}} = \frac{{{{{S}}_{{\text{1A}}}}}}{{{S_1}}} $$ (3)
      $$ {P_{1{\text{B}}}} = \frac{{{{{S}}_{{\text{1B}}}}}}{{{S_1}}} $$ (4)
      $$ {P_{1{\text{C}}}} = \frac{{{{{S}}_{1{\text{C}}}}}}{{{S_1}}} $$ (5)

      式中,S1A表示溢流值为“是”的所有样本中,属性为A气田的样本数量;S1B表示溢流值为“是”的所有样本中,属性为B地层的样本数量;S1C表示溢流值为“是”的所有样本中,属性为C岩性的样本数量。

      3项定性属性X1X2X3其溢流值为“否”的条件概率为

      $$ {P_{0{\text{A}}}} = \frac{{{{{S}}_{0{\text{A}}}}}}{{{S_0}}} $$ (6)
      $$ {P_{0{\text{B}}}} = \frac{{{{{S}}_{{\text{0B}}}}}}{{{S_0}}} $$ (7)
      $$ {P_{0{\text{C}}}} = \frac{{{{{S}}_{{\text{0C}}}}}}{{{{{S}}_0}}} $$ (8)

      式中,S0A为溢流值为“否”的所有样本中,属性为A气田的样本数量;S0B为溢流值为“否”的所有样本中,属性为B地层的样本数量;S0C为溢流值为“否”的所有样本中,属性为C岩性的样本数量。

      (5)分别计算3项定量属性X4X5X6的条件概率,一般定量属性分布符合正态形态[18-19]。在溢流值为“是”的所有样本中,X4X5X6的值(扭矩、泵压、机械钻速)分别为D(kN·m)、E(MPa)、F(m/h)的条件概率为

      $$ {P_{1{\text{D}}}} = \frac{1}{{\sqrt {2\pi } {\sigma _{1{\text{D}}}}}}\exp \left[ { - \frac{{{{\left( {D - {\mu _{1{\text{D}}}}} \right)}^2}}}{{2{\sigma _{1{\text{D}}}}^2}}} \right] $$ (9)
      $$ {P_{1{\text{E}}}} = \frac{1}{{\sqrt {2\pi } {\sigma _{1{\text{E}}}}}}\exp \left[ { - \frac{{{{\left( {E - {\mu _{1{\text{E}}}}} \right)}^2}}}{{2{\sigma _{1{\text{E}}}}^2}}} \right] $$ (10)
      $$ {P_{1{\text{F}}}} = \frac{1}{{\sqrt {2\pi } {\sigma _{1{\text{F}}}}}}\exp \left[ { - \frac{{{{\left( {F - {\mu _{1{\text{F}}}}} \right)}^2}}}{{2{\sigma _{1{\text{F}}}}^2}}} \right] $$ (11)

      式中,μ1Dσ1D分别表示溢流值为“是”的所有样本中,X4(扭矩)的平均值和标准差;μ1Eσ1E分别表示溢流值为“是”的所有样本中,X5(泵压)的平均值和标准差;μ1Fσ1F分别表示溢流值为“是”的所有样本中,X6(机械钻速)的平均值和标准差。

      在溢流值为“否”的所有样本中,X4X5X6的值(扭矩、泵压、机械钻速)分别为D(kN·m)、E(MPa)、F(m/h)的条件概率为

      $$ {P_{0{\text{D}}}} = \dfrac{1}{{\sqrt {2\pi } {\sigma _{0{\text{D}}}}}}\exp \left[ { - \frac{{{{\left( {D - {\mu _{0{\text{D}}}}} \right)}^2}}}{{2{\sigma _{0{\text{D}}}}^2}}} \right] $$ (12)
      $$ {P_{0{\text{E}}}} = \dfrac{1}{{\sqrt {2\pi } {\sigma _{0{\text{E}}}}}}\exp \left[ { - \frac{{{{\left( {E - {\mu _{0{\text{E}}}}} \right)}^2}}}{{2{\sigma _{0{\text{E}}}}^2}}} \right] $$ (13)
      $$ {P_{0{\text{F}}}} = \dfrac{1}{{\sqrt {2\pi } {\sigma _{0{\text{F}}}}}}\exp \left[ { - \frac{{{{\left( {F - {\mu _{0{\text{F}}}}} \right)}^2}}}{{2{\sigma _{0{\text{F}}}}^2}}} \right] $$ (14)

      式中,μ0Dσ0D分别表示溢流值为“否”的所有样本中,X4(扭矩)的平均值和标准差;μ0Eσ0E分别表示溢流值为“否”的所有样本中,X5(泵压)的平均值和标准差;μ0Fσ0F分别表示溢流值为“否”的所有样本中,X6(机械钻速)的平均值和标准差,以此类推“溢流值为否”的情况。

      (6)根据贝叶斯概率理论,基于步骤3所得的先验概率、步骤4所得的定性属性的条件概率和步骤5所得的定量属性的条件概率,可计算目标井溢流发生的后验概率P2、溢流未发生的后验概率P3

      溢流发生后验概率P2

      $$ {P_2} = \frac{{{P_1} {P_{1{\text{A}}}} {P_{1{\text{B}}}} {P_{1{\text{C}}}} {P_{1{\text{D}}}} {P_{1{\text{E}}}} {P_{1{\text{F}}}}}}{{{P_{\text{A}}} {P_{\text{B}}} {P_{\text{C}}} {P_{\text{D}}} {P_{\text{E}}} {P_{\text{F}}}}} $$ (15)

      式中,P2为根据历史大数据,目标井在A气田B地层C岩性中,钻井扭矩为D (kN·m)、泵压为E(MPa)、机械钻速为F(m/h)时,井下发生溢流的概率。

      溢流未发生后验概率P3

      $$ {P_3} = \dfrac{{{P_0} {P_{0{\text{A}}}} {P_{0{\text{B}}}} {P_{0{\text{C}}}} {P_{0{\text{D}}}} {P_{0{\text{E}}}} {P_{0{\text{F}}}}}}{{{P_{\text{A}}} {P_{\text{B}}} {P_{\text{C}}} {P_{\text{D}}} {P_{\text{E}}} {P_{\text{F}}}}} $$ (16)

      式中,P3为根据历史大数据,目标井在A气田B地层C岩性中,钻井扭矩为D (kN·m)、泵压为E(MPa)、机械钻速为F(m/h)时,井下未发生溢流的概率。

      (7)根据朴素贝叶斯理论,比较P2P3,假如前者大于后者,则判断此时目标井发生溢流,否则判断为未发生溢流,技术路线见图1

      图  1  基于贝叶斯算法的溢流监测方法技术路线

      Figure 1.  Technical route of overflow monitoring method based on Bayes algorithm

    • 根据某石油公司在同一盆地区域内已钻井的地质资料和测/录井数据,建立已钻历史井的大数据样本,如表2所示。

      表 2  已钻井历史大数据样本

      Table 2.  Samples of historical big data of drilled wells

      序号油气
      地层
      年代
      岩性扭矩/
      (kN·m)
      泵压/
      MPa
      机械钻速/
      (m·h−1)
      溢流
      1NB气田白垩纪砂岩15108
      2NB气田侏罗纪泥岩15127
      3BB气田白垩纪砂岩14139
      4NB气田侏罗纪泥岩13128
      5DB气田侏罗纪砂岩13118
      ·····················
      mBB气田侏罗纪砂岩14137
        注:总样本数m=1000,“溢流值=是”行数为100,“溢流值=否”行数为900;溢流值通过时间反推估算,存在一定误差。

      待判断的目标井地理位置位于NB气田,当钻进至侏罗纪砂岩地层,钻井扭矩为15 kN·m,泵压为13 MPa,机械钻速为8 m/h,判断此时井下是否发生溢流。

      首先,计算溢流发生的先验概率P1和未发生的先验概率P0分别为10%、90%。

      分别计算定性属性X1X2X3的条件概率,在溢流值为“是”的100个样本中,“X1=NB气田”的数量为30、“X2=侏罗纪”的数量为50、“X3=砂岩”的数量为60,相应的条件概率分别为30%、50%、60%。

      在溢流值为“否”的900个样本中,“X1=NB气田”的数量为200、“X2=侏罗纪”的数量为150、“X3=砂岩”的数量为100,相应的条件概率分别为22%、16%、11%。

      根据表2可计算得到3对平均值和标准差:μ1D=18 kN·m,σ1D=7;μ1E=12 MPa,σ1E=3;μ1F=7 m/h,σ1F=2。

      计算每个定量属性的条件概率,在溢流值为“是”的100个样本中,X4X5X6(扭矩、泵压、机械钻速)分别为15 kN·m、13 MPa、8 m/h,其条件概率分别为5%、12%、17%。

      根据表2可计算得到3对平均值和标准差:μ0D=16 kN·m,σ0D=4;μ0E=10 MPa,σ0E=2;μ0F=5 m/h,σ0F=2。

      在溢流值为“否”的900个样本中,X4X5X6(扭矩、泵压、机械钻速)分别为 15 kN·m、13 MPa、8 m/h,其条件概率分别为9%、6%、6%。

      根据朴素贝叶斯原理,利用上述所得先验概率、定性属性的条件概率、定量属性的条件概率,计算溢流发生的后验概率P2和溢流未发生的后验概率P3分别为90.7%、9.3%。

      比较溢流发生和未发生后验概率的大小,前者远大于后者,判断目标井此刻井底发生溢流。与后续的钻井工程情况相符,实际在该时间点之后35 min,井口才观测到返出量异常增加的现象。对于该井,利用本方法可提前35 min实现溢流预警,及时采取井控措施,可减少相应时间内的流体侵入量。

      在实时性方面,上述方法基于的扭矩、泵压、机械钻速数据,是反映井底情况最迅速、最直接的工程参数,一旦发生井下异常状况,扭矩、泵压和机械钻速的变化是沿钻杆传向地面,反应速度远快于活动池液面和常规溢流监测装置的反应速度,而后者的反馈则是依靠环空流体的体积压缩向地面传递。

      在可获得性方面,本方法中计算所需的地质属性及钻井参数在作业过程中一般都会实时测量,因此数据基础雄厚,可获得性强。

    • (1)通过对比分析现有三大类溢流监测方法,澄清各方法的优缺点,除基于地面井口装置的溢流预警手段,未来基于大数据的溢流预警方法属于交叉学科和重点研究领域,需通过增加应用反馈,在随机森林、XGBoost等新算法方面进一步完善。

      (2)朴素贝叶斯溢流预警方法基于油气田区域、地层分层、岩性3项定性属性,以及扭矩、泵压、机械钻速3项定量属性构建大数据样本,通过贝叶斯概率原理,分析特定属性下发生溢流的后验概率,逻辑推理严密可靠,且在数据传输速度和可获得性方面存在较大优势。

      (3)由于历史井发生溢流的时间与发现溢流的记录时间存在时间差,因此大数据样本中溢流值一列需先期修正,但目前误差难以完全消除,这也是基于大数据方法进行溢流监测的共同瓶颈,未来需在大数据样本的纯度上加大提炼,用更准确的数据样本训练更准确的预警模型。

参考文献 (19)

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