基于大數據分析的漏失壓力預測技術研究

鄭 卓，宋峙潮，和鵬飛，馮 晟，鄭 勛

（中海油能源發展股份有限公司工程技術分公司，天津 300467）

隨著鉆井技術的提高和鉆井新工具的研發應用，深層海洋油氣開發已成為國家油氣發展的重要戰略方向，渤海油田開發的主要層系隨之轉變為中深層的東營組、沙河街組，未來的趨勢將是4 000 m 以深的中生界層系。與淺層鉆井相比，渤海油田中深部地層巖性條件及油藏環境復雜，井壁易出現失穩破壞的現象，對鉆井作業的安全和經濟造成了不利影響[1-3]。

在海洋石油鉆井費用高昂的背景下，鉆井液漏失對鉆井作業的成本及安全控制造成了嚴重影響，針對渤海油田渤中區塊火成巖地層地質情況復雜、井漏風險高的問題，本文結合多元時間序列回歸算法，訓練得出針對渤中區域測井數據的機器學習模型，以鉆井參數反演測井數據，實現了鉆頭處巖石、地質力學參數實時求取；同時基于統計學方法形成了裂縫性地層漏失壓力輔助預測模型，對降低渤中區塊火成巖地層井漏風險具有重要意義。

1 火成巖地層井漏風險控制難點分析

渤中油田群位于渤海灣盆地東南部黃河口凹陷，緊鄰郯廬斷裂渤南段中支，構造活動強烈，中深部地層形成了大型復雜低序級斷塊圈閉群，地質風險尤為突出。其中沙河街組地層火成巖發育，鉆遇該地層常會發生裂縫性漏失[4-6]。鉆井過程中井底ECD 通常介于漏失壓力與破裂壓力之間，導致鉆井液循環時滲漏進入地層中，停泵接立柱等ECD 下降工況下，又從地層回吐返回井筒中，此類呼吸效應會進一步擴大火成巖地層的裂縫開度及孔洞直徑，導致漏失現象逐漸嚴重[7]。

國內外對漏失壓力的研究普遍基于完整性地層，假設漏失壓力近似等于破裂壓力，但裂縫性地層的漏失機理不同于完整性地層，其漏失壓力遠小于裂縫性地層的破裂壓力。目前學者對地層漏失壓力研究的焦點主要集中于本構模型和破壞準則，建立了多種解析模型和數值模擬方法，但由于深部地層地質條件具有復雜性，地質力學參數（地應力大小、方向等）及巖石力學參數（泊松比、彈性模量等）呈現出較強的波動性，難以進行準確的量化。進行地層漏失壓力實時預測時，模型輸入端參數出現誤差可能會導致分析結果出現嚴重錯誤，預測難度較大[8-10]。

2 火成巖地層漏失壓力預測技術

2.1 基于大數據分析的測井參數實時反演模型

由于鉆遇不同巖性地層會導致鉆井參數發生不同程度改變，而測井參數又是判定巖性的重要依據，故認為鉆井參數與測井數據間具有強相關性，具備利用機器學習模型進行測井參數實時反演回歸的條件。集成學習模型可以同時利用多個監督學習模型達到更好的模型學習效果，其中Rocket，Inceptiontime，Xgboost 等多元時間序列回歸算法均為該模型的代表性算法。針對某一應用環境，目前暫無較好的算法優選方法，完全依靠測試集訓練回歸的準確率作為模型核心算法的選取標準。

通過審核渤中區塊已鉆歷史井測井、鉆井等數據資料的適用性及完整性，總結整理了20 口井的鉆井參數以及測井數據。首先使用移動窗口程序生成數據集，確定數據集輸入、輸出維度（樣本個數、變量種類）。根據井史資料尋找發生井眼坍塌或漏失的層位，每口井按照不同深度生成獨立樣本數據集。分析鉆井參數特征值隨巖性變化情況選取4 個節點作為輸入維度，分別為鉆壓、鉆速、扭矩、泵壓，可以用X1、X2、X3、X4 表示網格輸入；選取能夠直接反映巖性特征的3 項測井參數作為輸出維度，分別為伽馬值、密度、聲波，可以用y1、y2、y3 表示網格輸出。

然后對數據進行清洗，由于不同動態參數的量綱不同，數值大小差距很大。為了消除量綱對數據的影響，同時固定數據的取值范圍，需要對數據進行標準化處理。將原始數據縮放到某一特定小區間內的一種方法，本文采用的方法是最小-最大標準化，其計算方法見式（1）。

式中：x*-標準化后的數據；x-未標準化數據；xminx 的最小值；xmax-x 的最大值。

最后使用處理后的數據與期望輸出值進行學習訓練，其目標函數為：

集成學習模型經過學習和訓練后，其訓練誤差隨著訓練次數的增加而降低，當Obj 達到設定誤差值時，學習和訓練會立即停止。本文使用多元時間序列回歸算法Rocket，Inceptiontime，Xgboost 分別對數據進行訓練回歸，測試集的誤差值大小分別為0.108 6，0.054 7，0.135 1，結果得出Inceptiontime 算法最適用于鉆井參數實時回歸測井數據的情景。Inceptiontime 是由5 個深度學習模型組成的集合模型，每個模型由Inception 模塊堆疊而成，每個模型見圖1。每個單獨的模型由相同的結構組成，但是隨機生成的權重初始值不同。Inception模塊（圖2）的核心思想是對輸入時間序列同時應用多個過濾器。通過使用不同長度的過濾器，使得網絡可以同時提取到包含長時間序列和短時間序列在內的相關變化特征，具有較好的實時回歸效果。

圖1 Inception 網絡結構

圖2 單個Inception 模塊結構

2.2 基于可信度理論的火成巖漏失壓力預測模型

由于目前渤中區塊已鉆井資料豐富，可以避開通過復雜的巖石、地質力學參數建模，通過分析該區域鄰井資料，統計鉆遇火成巖地層發生漏失時的鉆井液密度，建立基于可信度理論的渤中區塊火成巖漏失壓力預測模型。首先引入變異系數計算公式：

式中：γ（d）-地層漏失壓力變異系數；Gi-渤中區塊平面坐標系中的某一井位（X，Y）；δk-發生漏失層位的對應深度；d-兩口井之間的距離；N（d）-距離為d 的井數；-渤中區塊某一口井在某一深度鉆遇火成巖時發生漏失的鉆井液密度。根據現有資料計算不同井距dj下的變異系數γ（dj），根據散點［dj，γ（dj）］（j=1，2，…，m）擬合變異系數計算模型的參數。

將火成巖地層發生漏失的鉆井液密度作為隨機變量ρ，則隨機變量ρ 的概率分布函數f（ρ）和累計概率分布函數F（ρ）可以用小樣本的正態信息擴散估計方法確定，見式（4）、式（5）：

式中：h-概率模型中的擴散系數，計算公式見式（6）：

式中：ρmax-渤中區塊已鉆井資料中火成巖發生漏失時的最大鉆井液密度；ρmin-火成巖發生漏失時的最小鉆井液密度；n-樣本數量；γ-變異系數，通過式（3）計算。

根據統計結果，可以得到該裂縫性漏失地層附近區域鄰井的最小鉆井液密度ρmin和相應的累計漏失概率F（ρmin）。將該模型應用于火成巖漏失壓力預測，鉆遇火成巖地層時，當鉆井液密度ρi＜ρmin，幾乎不存在發生漏失的可能性；當鉆井液密度ρi≥ρmin時，發生漏失的概率為F（ρi）。結合井漏防治需要，優化了渤中區塊火成巖地層鉆井液密度上限，具體見式（7）：

與常規三壓力預測模型相比，基于可信度理論的火成巖漏失壓力預測模型通過工程統計的方法規避了地質、巖石力學參數的不確定性，輔助提高了地層漏失壓力預測結果準確性。

3 現場應用情況

3.1 井底測井參數反演

以BZ-X 井為例，根據該井現場地質分層資料顯示，垂深3 691～3 739 m 沙三段巖性為灰質泥巖夾火成巖，灰質泥巖呈灰褐色，灰質局部較重、性硬，火成巖性硬且微裂縫發育。對應層段測井資料見圖3。

圖3 X 井沙河街組地層測井數據分析

在該垂深范圍內，選取渤中油田4 口測井資料完整的井（A、B、C、D）作為研究對象，使用實鉆參數反演地層測井數據，反演值與實際值對比見表1。

表1 測井參數反演與真實值對比表

對比輸出端數據與實際測井數據發現，本文提出的基于多元時間序列回歸算法的測井參數實時反演模型，反演結果與實際測井數據誤差率低于8.46%，能夠準確評估鉆頭處地質情況。通過相關測井參數計算得到的巖石、地質力學參數相對準確，有效解決了漏失壓力預測模型中輸入端參數誤差大的問題。

3.2 火成巖地層鉆井液閾值預測

渤中區塊火成巖鉆井過程中井漏事故頻繁發生，本文統計了該區塊鄰井火成巖地層鉆進時使用的鉆井液密度，具體見圖4。

圖4 渤中區塊火成巖地層鉆井液密度統計

根據統計結果，結合式（3）計算漏失壓力預測模型中的變異系數γ，得到鄰井樣本數量與變異系數γ 之間的關系，見表2。

表2 漏失概率分布模型變異系數計算表

計算可知，在當前樣本容量下，渤中區塊火成巖地層鉆進時使用的鉆井液密度在1.24～1.40 g/cm3，發生漏失時的最小鉆井液密度為1.35 g/cm3，累計漏失概率為48.52%，為火成巖地層中鉆井液閾值的選取提供了參考依據。

4 結論

（1）渤中油田沙河街組地層火成巖發育、地質情況復雜，鉆遇該地層常會發生裂縫性漏失。不同于完整性地層，裂縫性地層的漏失壓力遠小于破裂壓力。目前學者結合本構模型和破壞準則，建立了多種解析模型和數值模擬方法，但深部地層地質力學參數（地應力大小、方向等）及巖石力學參數（泊松比、彈性模量等）呈現出較強的波動性，地層漏失壓力實時預測準確度低。

（2）基于多元時間序列回歸算法的測井參數實時反演模型，反演結果準確度高，實現了鉆頭處巖石、地質力學參數的準確計算，有效解決了漏失壓力預測模型中輸入端參數誤差大的問題。

（3）從統計學角度出發，提出了火成巖地層漏失壓力概率預測模型，輔助提高了地層漏失壓力預測結果準確性，為鉆井液閾值的選取提供了參考依據。同時可推廣應用至其他存在裂縫性漏失風險的區塊中，提高鉆井液安全窗口上限預測準確率。