數(shù)據(jù)科學在鉆井工程防漏堵漏技術中的應用

肖劍 任勝利 王偉 余林鋒 徐同臺(.中海油田服務股份有限公司油田化學事業(yè)部，河北 廊坊 0650；.北京石大胡楊石油科技發(fā)展有限公司，北京 000)

0 引言

長期以來，各行各業(yè)在科學研究、實驗、生產(chǎn)實踐中，均積累了大量數(shù)據(jù)。隨著計算機的運用，數(shù)據(jù)庫/信息系統(tǒng)的的建立，這些數(shù)據(jù)被存儲的上述系統(tǒng)中。如何去發(fā)掘并充分利用數(shù)據(jù)，獲取有價值的信息，創(chuàng)造有價值的認知與結論，為各項技術決策提供依據(jù)。數(shù)據(jù)科學就是實現(xiàn)上述理念的一門科學。

井漏是制約安全、快速、高效鉆井的技術瓶頸，會導致非生產(chǎn)時間和成本的急劇增加，但由于井漏問題的復雜性和差異性，常規(guī)治理措施很難達到預期效果。隨著大數(shù)據(jù)技術和計算機科學的發(fā)展，近年來有學者開始將數(shù)據(jù)科學引入到井漏的預防與治理之中，運用機器學習、線性回歸和案例推理等算法分析處理數(shù)據(jù)庫中大量的歷史數(shù)據(jù)，進而實現(xiàn)預測井漏、監(jiān)測井漏和治理井漏的目的。

1 數(shù)據(jù)科學在井漏預測與監(jiān)測中的應用

目前，國內外在漏失監(jiān)測方面展開了較多研究，形成的技術主要有： 井口監(jiān)測技術和井下隨鉆監(jiān)測技術。井口監(jiān)測技術存在一定滯后性，隨鉆監(jiān)測成本較高且儀器存在失效風險[1]。井漏風險預測的研究較少，常規(guī)的井漏預測方法主要是通過地震方法識別井眼和裂縫體系，或根據(jù)鄰井資料預測可能發(fā)生井漏的位置和構造，但這些方法缺乏準確性和細節(jié)性。

近年來，隨著機器學習和大數(shù)據(jù)技術的發(fā)展，研究人員發(fā)展了一些基于統(tǒng)計學和機器學習的智能井漏預測和監(jiān)測模型。Jahanbakhshi[2]、Alkinani[3]、和鵬飛[4]等均利用人工神經(jīng)網(wǎng)絡建立井漏預測模型；Li[5]、Al-Hameedi[6]等采用多種機器學習方法建立并比較了井漏預測模型；蔡汶君[7]、謝平[8]、史肖燕[1]和涂曦予[9]等都研究過機器學習在井漏實時監(jiān)測中的應用。利用這些模型可以確定井漏主控因素、實時監(jiān)測井漏、預測井漏和漏失速度。

Jahanbakhshi 等(2014)[2]利用人工神經(jīng)網(wǎng)絡設計了考慮地質力學參數(shù)和不考慮地質力學參數(shù)的兩種模型來預測天然裂縫性儲層的井漏。通過比較兩種模型預測結果的準確性，研究了地質力學參數(shù)對井漏的影響。此外基于敏感性分析，來明確不同地質力學參數(shù)對井漏的影響。結果表明，考慮地層力學參數(shù)的人工神經(jīng)網(wǎng)絡模型能夠成功地進行井漏預測，且相關系數(shù)高，誤差小。最小地應力、裂縫方向、單軸抗壓強度、抗拉強度和楊氏模量是影響天然裂縫性儲層井漏的有效地質力學參數(shù)，其中最小地應力和裂縫方向是主要地質力學參數(shù)。

Li 等(2018)[5]考慮鉆井液參數(shù)、鉆井工程參數(shù)和地質參數(shù)，運用人工神經(jīng)網(wǎng)絡(ANN)、支持向量機(SVM)和隨機森林(RF)三種機器學習方法對伊拉克油田17口井6979組鉆井數(shù)據(jù)進行分析，建立井漏風險預測模型。模型預測結果顯示，隨機森林方法預測精度最高，三種方法總體預測結果都比較準確，對于未漏點預測精度高，但漏點預測精度一般。

Al-Hameedi 等(2018、2019)[6]對Rumaila 油田300多口井的井漏情況進行了綜合統(tǒng)計和敏感性分析，使用統(tǒng)計軟件和自建統(tǒng)計模型分析關鍵鉆井參數(shù)(鉆井液密度、當量循環(huán)密度、鉆速、鉆壓、噴嘴過流面積等)，并確定了它們與井漏之間的關系。參數(shù)敏感性分析顯示，鉆井液密度、動切力和當量循環(huán)密度對漏失影響最顯著，轉速和鉆速對該井漏模型的影響很小。

劉彪等(2019)基于支持向量回歸(SVR)的方法對井漏進行預測。SVR 是支持向量機的重要技術分支，依靠小型訓練樣本即可得出結果是該方法的主要優(yōu)點。通過整理一口井的錄井、測井和地質等方面的資料，選擇井深、孔隙度、破裂壓力、鉆井液密度、塑性粘度、原生裂縫方向、最小水平主應力等13項參數(shù)并對數(shù)據(jù)進行標準化處理，基于支持向量回歸算法構建井漏預測模型。結果顯示使用基于高斯核函數(shù)的SVR 方法，具有更高的精確度，相關系數(shù)為0.9851，能有效地預測鉆井過程中的井漏風險，且能對漏失量進行定量預測。

史肖燕等[1]使用立管壓力、井深、入口流量、出口流量、鉆速和大鉤載荷等14個鉆井實時測量參數(shù)，采用隨機森林的方法進行建模。通過隨機森林對初選的14個變量進行了重要性分析，剔除了鉆壓、轉速、泵沖變化和出口溫度這四個對模型幾乎無影響的變量。通過大量歷史數(shù)據(jù)對隨機森林進行訓練，進而通過現(xiàn)場實時鉆井參數(shù)對漏失進行監(jiān)測識別。參數(shù)分析結果顯示，進出口流量差對模型影響最大，這與現(xiàn)場井漏判別依據(jù)相符。現(xiàn)場應用中，隨機森林模型比傳統(tǒng)的總池體積減少法來判斷漏失提早了23min。

Alkinani 等(2019)[3]收集了全球發(fā)生誘導裂縫性漏失的1500口井的10000組關鍵鉆井參數(shù)數(shù)據(jù)，通過統(tǒng)計學分析和專家意見，選出8個參數(shù)：泥漿密度、當量循環(huán)密度、塑性粘度、動切力、排量、轉速、鉆壓和噴嘴總過流截面積，利用人工神經(jīng)網(wǎng)絡對數(shù)據(jù)進行訓練、驗證和測試，建立了用于預測誘導裂縫井漏的智能模型。結果表明，該人工神經(jīng)網(wǎng)絡的回歸平方和為0.925，能夠較精準的預測裂縫地層的井漏。這是第一個能在全球范圍內使用的井漏預測模型。

2 數(shù)據(jù)科學在堵漏決策中的應用

井漏處理是鉆井過程中一個獨特的挑戰(zhàn)，由于易漏失地層的性質和漏失類型的變化十分復雜，這一挑戰(zhàn)沒有普遍適用的解決辦法。目前現(xiàn)場堵漏多依靠經(jīng)驗決策，缺乏系統(tǒng)的理論指導。一些研究人員嘗試利用數(shù)據(jù)科學方法，模擬工程師基于經(jīng)驗制定堵漏方案的過程。案例推理算法是目前比較常見的用于堵漏決策的人工智能方法，張學宏[7]、王海彪[8]和Reedy 等都對該算法進行研究。

Reedy 等(2018)都建立了基于案例推理算法的系統(tǒng)來輔助現(xiàn)場堵漏施工。首先建立案例數(shù)量合適的井漏數(shù)據(jù)庫，系統(tǒng)搜索井漏數(shù)據(jù)庫中相似的案例，確定性質最相似的案例，并根據(jù)歷史案例處理效果提供合理建議。系統(tǒng)主要由相似案例檢索、案例再利用、案例加工和信息保留四部分組成。其中相似案例檢索和再利用是核心，通過制定判定標準和規(guī)則選擇最相似的案例。但案例加工和信息保留仍需工程師完成，工程師需根據(jù)實際情況接受、修改或拒絕系統(tǒng)推薦的方案，并將最終結果作為一個案例保存到數(shù)據(jù)庫中。系統(tǒng)的測試結果顯示，推薦的井漏補救措施與實際運用的成功方法的匹配度為81%，具有較高的準確性。

Alkinani 等(2019) 從不同來源和報告中收集了伊拉克Dammam 油田2000口井的數(shù)據(jù)，根據(jù)堵漏案例的漏失程度(部分、嚴重和完全漏失)、地層類型、堵漏成本和堵漏成功率，對井漏處理措施進行分類。針對每種類型井漏的數(shù)千種處理方案，計算了所有方案的期望貨幣值(EMV，定義為一個隨機實驗進行多次的平均結果)。對于每種類型的損失，選擇在現(xiàn)場實際適用且有最低EMV 的處理策略來處理每種類型的井漏問題，以使非生產(chǎn)時間(NPT)和成本最小化。基于概率、期望貨幣值和決策樹分析(DTA)為不同漏失類型推薦最佳處理措施。這是第一個詳細考慮概率和成本來處理井漏問題的研究。

3 結語

數(shù)據(jù)科學通過數(shù)據(jù)和算法建立合適的數(shù)學模型，利用計算機快速處理復雜問題的能力，能夠考慮所有相關變量之間的相互作用，設計出能準確高效的系統(tǒng)程序。在井漏問題的預測和防治中已經(jīng)體現(xiàn)出其獨特的優(yōu)勢，尤其是在預測井漏方面，使用井漏歷史數(shù)據(jù)，通過機器學習建立預測模型，去提前判斷井漏是否發(fā)生以及井漏嚴重程度，這使得井漏變成一個能夠積極預防，而非被動解決的問題。

現(xiàn)階段數(shù)據(jù)科學在井漏中的應用仍然存在一些亟待解決的問題：

目前的應用大多基于特定的地區(qū)和案例，且用于驗證模型準確性的案例幾乎都是完鉆案例，現(xiàn)場應用效果并不明朗。

數(shù)據(jù)科學需要高質量的數(shù)據(jù)支撐，數(shù)據(jù)的獲取和整理至關重要。目前關于井漏數(shù)據(jù)挖掘、處理和利用的信息很少，且缺乏系統(tǒng)性和整體性。因此建立一個豐富準確的井漏數(shù)據(jù)庫，對現(xiàn)場數(shù)據(jù)進行篩選、分類和標準化處理，將進一步推動數(shù)據(jù)科學在防漏堵漏中的應用。