降低鉆井溢流智能化預(yù)警誤報率的方法探索

龐淼,雷銀，盧杭，黃琦，何仕鵬

1.中國石油西南油氣田分公司 工程技術(shù)研究院（四川 成都610017）2.中國石油西南油氣田分公司 開發(fā)事業(yè)部（四川 成都610017）

0 引言

井控安全是石油鉆井施工安全的重要保證，實踐證明在鉆完井作業(yè)過程中發(fā)生的井控風(fēng)險，多數(shù)是由于監(jiān)測手段不足和處理不及時造成。所以及時發(fā)現(xiàn)早期溢流是有效控制井噴保障井控安全的直接途徑[1]。

隨著大數(shù)據(jù)時代的到來，企業(yè)關(guān)注的重點轉(zhuǎn)向數(shù)據(jù)，從追求計算速度轉(zhuǎn)變?yōu)殛P(guān)注大數(shù)據(jù)處理能力，軟件也從編程為主轉(zhuǎn)變?yōu)橐詳?shù)據(jù)處理為主[2]。伴隨著大量數(shù)據(jù)的采集、傳輸、處理和應(yīng)用的技術(shù)發(fā)展，傳統(tǒng)產(chǎn)業(yè)使用非傳統(tǒng)工具來處理大量結(jié)構(gòu)化、半結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)，從而獲得分析和預(yù)測結(jié)果的一系列數(shù)據(jù)處理技術(shù)。溢流智能化工程預(yù)警是將人工經(jīng)驗判斷發(fā)現(xiàn)溢流轉(zhuǎn)變?yōu)橥ㄟ^數(shù)據(jù)分析預(yù)測早期溢流的一項技術(shù)，而溢流智能化工程預(yù)警較高的誤報率，是該領(lǐng)域內(nèi)急待解決的問題。

1 溢流監(jiān)測研究應(yīng)用現(xiàn)狀

早期施工現(xiàn)場，一般是通過監(jiān)測鉆井液池體積變化判斷溢流是否發(fā)生，必須有專人坐崗監(jiān)控鉆井液液位。但此方法受限于現(xiàn)場液面監(jiān)測儀因環(huán)境因素產(chǎn)生的誤報和錯報，因倒灌泥漿、啟停泵時的呼吸效應(yīng)等工序產(chǎn)生液面波動，起下鉆時監(jiān)測精度速度缺乏，局限于鉆井液池體積變化達(dá)到一定高度時，實際溢流已經(jīng)十分嚴(yán)重，不能對微小和潛在溢流和漏失進(jìn)行預(yù)警或預(yù)警滯后。但此方法操作簡單，對溢漏量相對大的情況實用性較強[3]。

現(xiàn)階段研究方向更多樣化，其中地面監(jiān)測方式，著重于直接監(jiān)測進(jìn)出口鉆井液流量、泵壓或立壓、出口壓力、井底壓力、錄井?dāng)?shù)據(jù)等參數(shù)微小變化，經(jīng)過軟件自動計算判別發(fā)現(xiàn)溢流和漏失并進(jìn)行分級報警[4]。井下監(jiān)測方式，著重于直接監(jiān)測井筒內(nèi)鉆井液在溢流發(fā)生后的物理參數(shù)變化。例如聲波氣侵檢測技術(shù)[5]、隨鉆井下壓力測量技術(shù)、井筒內(nèi)鉆井液介電性監(jiān)測技術(shù)[6]（圖1）、RAT井筒內(nèi)溫度監(jiān)測等[7]。探索不同的技術(shù)手段判斷和發(fā)現(xiàn)早期溢流，但此類技術(shù)在判斷溢流類型、準(zhǔn)確率以及定量測量溢流量上還不夠完善。

圖1 某介電性監(jiān)測溢流技術(shù)掃頻測量原理

隨著計算機(jī)技術(shù)、大數(shù)據(jù)處理技術(shù)高速發(fā)展，提出了智能化工程預(yù)警，其原理是將各類傳統(tǒng)或新型的檢測診斷方法融合機(jī)器學(xué)習(xí)方法，將判斷識別溢漏的單項或多項參數(shù)，建立在貝葉斯模型預(yù)測（圖2）、卷積神經(jīng)網(wǎng)絡(luò)、KNN算法、回歸預(yù)測、聚類分析等機(jī)器學(xué)習(xí)算法上，以計算溢漏發(fā)生概率，提高監(jiān)測準(zhǔn)確度。此類方法是融合多學(xué)科進(jìn)一步提高監(jiān)測準(zhǔn)確度，但也有其缺點。比如KNN算法，需要學(xué)習(xí)分析多口鄰井，或者需要樣本質(zhì)量較高，才能在后續(xù)鉆井中發(fā)揮較好作用。若區(qū)塊地質(zhì)特征變化較大，樣本數(shù)量不多、質(zhì)量不高，算法中參考K值會不準(zhǔn)確，導(dǎo)致溢流判斷概率不準(zhǔn)確，而鄰井資料較少、地質(zhì)條件相對較復(fù)雜、投資成本較大的探井更需要高準(zhǔn)確度的溢流智能化工程預(yù)警。

圖2 一般技術(shù)中貝葉斯數(shù)學(xué)模型現(xiàn)場應(yīng)用原理

2 降低智能化預(yù)警誤報率方法探討

地層流體進(jìn)入井眼必定是地層壓力大于井底壓力，同時地層具有一定滲透性，而引發(fā)溢流一般有以下幾種情況[8]：①鉆遇異常高壓地層，地層壓力大于液柱壓力，地層流體侵入井筒引發(fā)溢流。②設(shè)計的地層壓力過低鉆井液密度過低，施工時引發(fā)地層破裂。③在井底壓力近平衡狀態(tài)時停泵，環(huán)空壓耗消失，地層流體侵入井筒引發(fā)溢流。④起下鉆時，抽汲作用引發(fā)溢流。⑤起鉆時未按規(guī)定灌入鉆井液，使液面下降地層流體侵入井筒引發(fā)溢流。⑥井漏時液柱壓力失衡，地層流體侵入井筒，引發(fā)溢流。⑦鄰井實施注水開發(fā)，導(dǎo)致地層流體侵入本井。⑧其他原因。中途測試控制不好，鉆到鄰井中；以過快的速度鉆穿含氣的砂巖層，射孔時控制不住，固井時水泥失重等都可能造成井內(nèi)的靜液柱壓力不足以平衡或超過地層壓力，引發(fā)溢流。

所以有效降低溢流智能化工程預(yù)警誤報率，必須借鑒新技術(shù)，運用合適的技術(shù)監(jiān)測手段，減少技術(shù)本身局限性所帶來的誤差率，更要符合現(xiàn)場實際及成本控制的情況，以較小的裝備和技術(shù)升級達(dá)到盡可能大的效果。

2.1 有效提高數(shù)據(jù)來源的質(zhì)量

在運用溢流智能化工程預(yù)警中，常會發(fā)現(xiàn)各種監(jiān)測手段都可能出現(xiàn)誤報、漏報的情況，而數(shù)據(jù)來源的不準(zhǔn)確和精度差是重要原因之一。地面監(jiān)測方式、井筒內(nèi)監(jiān)測方式、智能化模型監(jiān)測方式都是通過部分鉆井參數(shù)變化或者物性變化進(jìn)行分析和深度挖掘，產(chǎn)生可靠性指標(biāo)進(jìn)行預(yù)警判斷。如果鉆井參數(shù)或者物性出現(xiàn)一些變化，最后導(dǎo)致了溢流、高套壓等情況，那么下次遇到類似情況，通過經(jīng)驗就可以判斷是否會出現(xiàn)異常。但是如果某次經(jīng)驗中出現(xiàn)的鉆井參數(shù)或物性變化，并不是真實的變化，而是設(shè)備儀器不真實的反映，或者人為的不知情調(diào)整，那通過經(jīng)驗去判斷下次異常就不準(zhǔn)確了。

其次，考慮到井筒內(nèi)監(jiān)測運用新的技術(shù)手段采集表征數(shù)據(jù)，其技術(shù)實現(xiàn)難度較大、監(jiān)測成本較高、對使用其新技術(shù)維護(hù)、調(diào)校等現(xiàn)場專業(yè)技術(shù)人員要求也較高[9]。特別在國內(nèi)超深鉆井作業(yè)中，高溫高壓環(huán)境下井筒內(nèi)監(jiān)測方式中設(shè)備采集參數(shù)容易畸變，導(dǎo)致判斷標(biāo)準(zhǔn)偏離，誤差率提高。所以根據(jù)現(xiàn)場實際，合適地進(jìn)行裝備或軟硬件部分升級，將地面監(jiān)測手段與人工智能數(shù)據(jù)分析結(jié)合，才符合實際行業(yè)發(fā)展的方向。

2.1.1 地面監(jiān)測數(shù)據(jù)采集流程原理

現(xiàn)階段現(xiàn)場錄井?dāng)?shù)據(jù)采集流程是通過傳感器的各自測量原理轉(zhuǎn)化成電信號變化，由總線傳送至綜合錄井儀器房，經(jīng)由錄井采集機(jī)100～200 ms掃描數(shù)據(jù)，再由綜合錄井儀進(jìn)行數(shù)據(jù)處理，形成以井深、時間等觸發(fā)條件可調(diào)整輸出間隔的原始數(shù)據(jù)進(jìn)行存儲，如整米數(shù)據(jù)庫、dbf時間庫等，然后通過其他傳輸渠道將數(shù)據(jù)成庫傳至指揮中心形成井筒數(shù)據(jù)。

而指揮中心收到的各種溢流、H2S漏失等異常預(yù)警的實時數(shù)據(jù)直接由現(xiàn)場數(shù)據(jù)以2～6 s間隔傳回指揮中心（圖3），通過軟件內(nèi)置判斷程序進(jìn)行分析判斷顯示異常預(yù)警。

圖3 工程預(yù)警實時數(shù)據(jù)傳輸間隔

2.1.2 提高傳感器精度及改進(jìn)數(shù)據(jù)采集流程

提高傳感器精度要用到的幾個原理。第一個原理是關(guān)于進(jìn)出口流量監(jiān)測的。溢流在鉆井參數(shù)表征明顯的是井筒鉆井液體積的增加，導(dǎo)致總池體積增加，然后關(guān)井起壓。所以現(xiàn)階段很多研究和實驗也是針對進(jìn)出口流量計算的，其目的是利用流量守恒原理精確計算井筒內(nèi)介質(zhì)的質(zhì)量、密度變化，判斷是否有地層流體進(jìn)入井筒。所以現(xiàn)階段將獵裝的靶式流量計換裝成流量監(jiān)測法或者改進(jìn)流量監(jiān)測法的各類進(jìn)出口流量計去計算流量差，在控制成本、廣泛適用、抗干擾的前提下，將定性監(jiān)測轉(zhuǎn)化為定量監(jiān)測是提升精確度降低誤報率的手段之一。以更換高精度流量計監(jiān)測流量差為例，引出需要提高現(xiàn)場傳感器精度，而溢流的表征鉆井參數(shù)不止進(jìn)出口流量差，更多、更高精度的傳感器的架設(shè)是未來工業(yè)化和信息化深度融合的趨勢。

當(dāng)應(yīng)用高精度的定量監(jiān)測手段時，必定會帶來數(shù)據(jù)體量增加、計算量增加的問題。這要用到關(guān)于數(shù)據(jù)傳輸?shù)脑怼，F(xiàn)場數(shù)據(jù)通過WITS標(biāo)準(zhǔn)傳輸格式、WindowsSockets、TCPIP通訊協(xié)議等方式實現(xiàn)遠(yuǎn)程傳輸[10]。現(xiàn)場傳回指揮中心的數(shù)據(jù)不僅包含實時鉆井參數(shù)、靜態(tài)數(shù)據(jù)庫還包括視頻等，當(dāng)傳感器精度成倍數(shù)性增長的時候，傳回數(shù)據(jù)的體量就會成指數(shù)性增長，所以現(xiàn)行2～6 s數(shù)據(jù)接收是不夠的。同時要用到大緩存，而當(dāng)數(shù)據(jù)量增加并傳回指揮中心時，各種智能化計算和數(shù)學(xué)模型的分析量將大幅度增加，這樣大體量高算力的數(shù)據(jù)分析計算持續(xù)不斷實時進(jìn)行。所以在信息化進(jìn)程中，指揮中心是否要建設(shè)一個高算力的超算中心以支持現(xiàn)場鉆井各項表征參數(shù)的計算分析（包括智能化工程預(yù)警），或者也可以將算力分?jǐn)偟矫總€施工現(xiàn)場，在現(xiàn)場布置一臺足夠算力的計算平臺。同時整合綜合錄井儀采集的不同數(shù)據(jù)制式，將現(xiàn)場直接計算分析出的結(jié)果進(jìn)行預(yù)警判斷傳回指揮中心（圖4）。

圖4 現(xiàn)行數(shù)據(jù)來源及提高準(zhǔn)確度后可行的數(shù)據(jù)采集流程

而現(xiàn)階段現(xiàn)場應(yīng)用的綜合錄井儀大部分是較老的工業(yè)計算機(jī)，如果換裝高精度傳感器，其計算能力遠(yuǎn)遠(yuǎn)不夠。這也是現(xiàn)階段雖然指揮中心有比較先進(jìn)計算能力的集群，但現(xiàn)場因采集機(jī)較老，數(shù)據(jù)量一旦過大容易卡頓死機(jī)，無法實時傳回靜態(tài)、動態(tài)及視頻數(shù)據(jù)，只能降低傳輸要求保證數(shù)據(jù)傳輸基本正常。

2.2 多專業(yè)緊密結(jié)合量身打造機(jī)器學(xué)習(xí)算法

機(jī)器學(xué)習(xí)算法，是溢流智能化工程預(yù)警的核心，智能化預(yù)警是建立在通過鉆井表征參數(shù)在各種算法上取得較為準(zhǔn)確預(yù)測判斷結(jié)果。其各類檢測手段和數(shù)據(jù)分析方法的融合運用數(shù)學(xué)方法進(jìn)行篩選判斷，保證結(jié)果的準(zhǔn)確性，所以使用貝葉斯預(yù)測、Logistic回歸、深度學(xué)習(xí)卷積神經(jīng)、模糊聚類、趨勢擬合等統(tǒng)計分析方法，從理論上都有提高準(zhǔn)確率的效果。如何不斷提高準(zhǔn)確率的方法是選擇合適的算法。

2.2.1 幾種機(jī)器學(xué)習(xí)算法概念及優(yōu)缺點

機(jī)器學(xué)習(xí)算法有很多種，在人工神經(jīng)網(wǎng)絡(luò)機(jī)器算法中就有幾百種分支算法，這里僅列出幾種算法優(yōu)缺點（表1），以體現(xiàn)算法可以針對的不同類型。

表1 部分機(jī)器學(xué)習(xí)算法優(yōu)缺點

貝葉斯算法，原理是利用各個類別的先驗概率，再利用貝葉斯公式及獨立性假設(shè)計算出屬性的類別概率以及對象的后驗概率，即該對象屬于某一類的概率，選擇具有最大后驗概率的類作為該對象所屬的類別。

KNN鄰近算法，又稱K最近鄰分類算法是數(shù)據(jù)挖掘分類技術(shù)中最簡單的方法之一。其原理是通過選取樣本值，將新數(shù)據(jù)與樣本值進(jìn)行比較找最佳匹配，即計算新數(shù)據(jù)與類別中心的距離。其具有精度高、對異常值不敏感、無數(shù)據(jù)輸入假定、簡單有效的特點，適合小量且精度要求不高的數(shù)據(jù)（圖5）。

圖5 KNN算法概圖

隨機(jī)森林算法，是一個包含多個決策樹的分類啟發(fā)式算法，以每個節(jié)點的特征增益準(zhǔn)則來選取特征，進(jìn)而遞歸地構(gòu)造決策樹，輸出判斷的類別是由個別樹輸出的類別的眾數(shù)而定，代表的是對象屬性與對象值之間的一種映射關(guān)系，是一種易于理解、對中間值缺失不敏感、可以處理不相關(guān)特征數(shù)據(jù)的算法（圖6）。

圖6 隨機(jī)森林算法概圖

人工神經(jīng)網(wǎng)絡(luò)算法，是模擬生物神經(jīng)網(wǎng)絡(luò)，解決分類和回歸問題，是由大量的節(jié)點聯(lián)接構(gòu)成，每個節(jié)點代表一種特定的輸出函數(shù)。通過類神經(jīng)元的加權(quán)互連并行運算出結(jié)果，它具有對噪聲和不完整的數(shù)據(jù)很高的耐受性（圖7）。

圖7 人工神經(jīng)網(wǎng)絡(luò)算法概圖

2.2.2 算法選擇和特征選擇

溢流智能化工程預(yù)警，目的是能在最短的時間內(nèi)發(fā)現(xiàn)早期溢流，所以在選擇算法上，其計算的時間不宜過長。考慮到樣本的質(zhì)量、數(shù)量以及算法的泛化性問題，部分算法只需要少量樣本，另一些則需要大量樣本，而某些算法只能處理特定類型的數(shù)據(jù)，比如樸素貝葉斯算法與分類數(shù)據(jù)就很合適，而對缺失的數(shù)據(jù)不敏感。而樹模型對異常值的存在不太敏感，但是回歸模型或任何嘗試使用等式的模型會受到異常值的影響。同時選擇某算法要考慮泛化性、范圍和地質(zhì)條件以及受限的因素。比如水平井和超深井井型的不同是否會影響算法提取的鉆井特征參數(shù)，導(dǎo)致算法判斷精度下降，都是算法選擇上要考慮的問題。

在算法選擇后，就是對相應(yīng)鉆井參數(shù)的提取形成特征，最后形成目標(biāo)函數(shù)，現(xiàn)階段在綜合錄井儀上直接采集測量的約22個參數(shù)，通過相關(guān)計算間接測量得到100多個參數(shù)，而工程異常表征較明顯的鉆井參數(shù)12個左右。如果只依靠一個準(zhǔn)確的表征參數(shù)進(jìn)行分析判斷其中一種工程異常，也有可能得到實踐證明較為準(zhǔn)確的預(yù)測結(jié)果。異常分類原理是在鉆井施工過程中鉆井參數(shù)的變化反映井下施工情況，但異常出現(xiàn)后由鉆井參數(shù)反映出來的時間不同，所以有慢漂型故障（如鉆頭泥包、井漏、井涌、井眼狀況惡化等）[11]。而另一些工程異常可能為脈沖型故障（如鉆具突然斷裂或刺漏，井壁坍塌、鉆頭牙輪突然卡死等）。對慢漂型故障，一般不能由短時間內(nèi)的鉆井表征參數(shù)代入算法判斷，需要對一定時間段內(nèi)的鉆井參數(shù)或者間接計算出的參數(shù)進(jìn)行分析，代入算法確定其變化趨勢和參數(shù)特征，才能判斷是否發(fā)生工程異常。而對脈沖型故障，鉆井參數(shù)一般反應(yīng)比較劇烈，提取的參數(shù)特征時間段不能過長，不然不能及時預(yù)警已發(fā)生的工程異常。對脈沖型異常需要機(jī)器算法對特征變化比較敏感，而對慢漂型的異常需要注意算法不能過擬合[12]。比如溢流發(fā)生時，有些鉆井參數(shù)特征表現(xiàn)趨勢可能不是絕對向量，比如泵壓、黏度、出口返漿。

正確選擇數(shù)據(jù)的特征，需要將不同的工程異常類型所需要的鉆井參數(shù)，提取不一樣的特征代入不同的異常機(jī)器算法中進(jìn)行數(shù)據(jù)處理。立壓參數(shù)在不同工程異常類型比如微井漏和斷鉆具上反應(yīng)特征不一樣，就提取不同的特征代入不同的機(jī)器算法中進(jìn)行處理。因為選取某項或幾項鉆井參數(shù)去預(yù)測工程異常時，選取的鉆井參數(shù)特征是形成目標(biāo)函數(shù)的來源，描述了想要預(yù)測或識別的現(xiàn)象的某些方面。

因此有效地提高智能化工程預(yù)警異常的準(zhǔn)確率，在算法選擇和特征選擇上，需要明確要取得的目標(biāo)函數(shù)是由哪些鉆井參數(shù)計算出的。只依靠數(shù)據(jù)分析處理師和軟件編程師，將已有的某些高級機(jī)器學(xué)習(xí)算法代入到智能化預(yù)警中，利用某些樣本測試準(zhǔn)確度證明其可以應(yīng)用到某區(qū)域是不科學(xué)的，需要專業(yè)的工程技術(shù)人員和數(shù)據(jù)分析處理師在建模時加強交流，量身為區(qū)塊打造合適的監(jiān)測判斷模型，將多因數(shù)考慮其中，并在清洗數(shù)據(jù)階段將異常數(shù)據(jù)識別、缺失數(shù)據(jù)修復(fù)或者影響程度的解決辦法都考量進(jìn)去，才形成精準(zhǔn)的數(shù)據(jù)流，然后通過類似AdaBoost迭代優(yōu)化算法，將不同算法形成的輸出結(jié)果再次進(jìn)行加權(quán)分類計算，形成精確的輸出結(jié)果。

2.3 減少工況不準(zhǔn)確帶來的誤差

影響溢流智能化工程預(yù)警準(zhǔn)確率的另一個重要因素是工況誤差。溢流可能發(fā)生于各種工況下，而其鉆井參數(shù)的波動和變化不一樣，所以在運用機(jī)器學(xué)習(xí)算法提取鉆井參數(shù)特征時，工況引起的部分特征失真不能忽視。例如，正常鉆進(jìn)時發(fā)生微溢流恰巧在倒罐，此時如果選取池體積變化作為參數(shù)組合出特征代入算法，將導(dǎo)致算法偏移出現(xiàn)誤報漏報。所以工況帶來誤差并不像區(qū)域地質(zhì)變化導(dǎo)致的算法偏差，可以減小區(qū)域應(yīng)用范圍，降低算法泛化性，在地質(zhì)變化較大的領(lǐng)近區(qū)域調(diào)整算法權(quán)重或部分節(jié)點值進(jìn)行修正。要盡可能接近真實工況，減少不準(zhǔn)確工況帶來的參數(shù)特征失真而導(dǎo)致算法輸出結(jié)果偏差。

準(zhǔn)確識別鉆井工況，除了人工判斷修正數(shù)據(jù)外，也有相關(guān)研究提出的純數(shù)據(jù)驅(qū)動方法，利用支持向量機(jī)識別鉆井工況[13-14]，在允許有一定的波動情況下，消除人員對鉆井工況識別的影響，通過優(yōu)選和交叉驗證逐步優(yōu)化工況識別準(zhǔn)確度。

3 結(jié)論及建議

國內(nèi)外運用大數(shù)據(jù)和機(jī)器學(xué)習(xí)對鉆井故障及溢流監(jiān)測研究，取得一定應(yīng)用效果，分析總結(jié)實際生產(chǎn)中降低溢流智能化工程預(yù)警誤報率可行方法如下：

1）從現(xiàn)場實際情況出發(fā)，在考慮成本和廣泛性應(yīng)用前提下，建議在井下監(jiān)測和地面監(jiān)測手段中加強地面監(jiān)測手段，更換更高精度的傳感器。

2）建設(shè)一個高算力的超算中心以支持現(xiàn)場采集到的大體量鉆井參數(shù)的算法并行計算、數(shù)據(jù)清洗以及大緩存等，或者在每個現(xiàn)場布置一臺有足夠運算能力的分布式計算平臺；同時整合綜合錄井儀采集的不同數(shù)據(jù)傳輸制式，形成分布式處理技術(shù)匯集指揮中心。

3）將已有的某些高級機(jī)器學(xué)習(xí)算法代入到智能化預(yù)警中，利用某些樣本測試準(zhǔn)確度證明其可行性。同時建立從算法建模初期到數(shù)據(jù)清洗階段，將異常數(shù)據(jù)識別、缺失數(shù)據(jù)修復(fù)或者影響因素、影響程度的解決辦法與算法原理結(jié)合考量；工程技術(shù)人員與數(shù)據(jù)分析處理師量身為區(qū)塊打造合適的監(jiān)測判斷模型，通過已知的迭代優(yōu)化算法不斷調(diào)整，達(dá)到預(yù)期精確度。

4）在算法選擇和參數(shù)特征選取上需考慮工程技術(shù)過程以及算法本身原理的受限性，建議針對單個工程異常并行多個特征算法提高精確度。

5）用智能化或其他辦法在數(shù)據(jù)特征代入模型前，識別還原真實工況，減少工況帶來的參數(shù)特征失真而導(dǎo)致的算法輸出結(jié)果偏差。