一种用于油气井钻井过程的溢漏风险协同监测方法及系统

摘要

本公开提供了一种用于油气井钻井过程的溢漏风险协同监测方法及系统，所述方案包括：获取井上、井下溢漏监测参数，并进行数据预处理；分别构建专家系统风险识别模型与风险智能识别模型；基于预处理后的数据，采用所述专家系统风险识别模型与风险智能识别模型相结合的协同判别模式实现油气井钻井过程中的溢漏风险监测；所述方案通过结合专家系统与深度学习技术，两种风险监测方法优势互补，能够快速、准确、智能地判别溢漏风险。

说明书

技术领域

本公开属于石油天然气钻井工程中的井控安全技术领域，尤其涉及一种用于油气井钻井过程的溢漏风险协同监测方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

溢流、井漏是钻井过程中的两种易发风险，不仅会对储层造成严重损害，增加开发成本，降低开发效率，而且一旦控制不力，还会诱发卡钻、井塌、井喷等钻井事故发生，造成重大的人员伤亡及经济损失。因此，在钻井过程中对早期溢流、井漏进行实时监测预警对实现安全高效钻井、节省钻井成本具有重要意义。

溢漏监测没有专门的传感器可用，只能借助相关钻井参数的变化来间接判别。然而，钻井过程是一个复杂的非线性动态过程，不确定性因素众多，各类钻井参数受到的随机干扰大，且不同参数之间相互关联、相互耦合，难以建立准确的溢漏风险识别模型，溢漏预警的准确性受限。目前，溢漏风险监测主要通过监测综合录井参数的变化趋势实现，由于参数来源单一、部分监测参数对溢漏风险的反映不灵敏、不及时等问题，仅依赖地面采集的综合录井参数难以全面、准确、实时地描述井下真实状况。MWD(Measurement WhileDrilling)、PWD(Pressure While Drilling)、LWD(Logging While Drilling)等井下随钻测量技术可以实时获取近钻头测量参数，这些参数能够更加真实地反映井下状况，可以为风险监测提供更加实时、准确的数据。因此，充分利用多源信息的互补性，结合多种识别方法的优势，实现钻井风险的智能监测，是当今钻井风险监测技术的主要发展方向。

发明人发现，专家系统与智能识别模型是溢漏风险预警的两种代表性方法。其中，专家系统利用专家知识库判别钻井风险，无需风险样本数据；在不同的钻井及地质条件下可以采用不同的监测参数类型、数目以及不同的专家知识，方法的适用性较强。但由于钻井过程的复杂性及所用钻井参数之间的耦合性和不确定性，导致专家系统的推理能力受限，识别准确率不高。深度学习是智能识别领域的前沿技术，通过借助大量已有风险样本的训练，能够通过数据驱动的方式自动建立钻井风险智能识别模型，降低了风险识别对专家知识的依赖，识别准确率高。但是，深度学习技术的有效应用以丰富的监测参数及大量的风险样本为支撑，在风险样本数目较少时无法建立准确的识别模型。

另一方面，现有的溢漏风险监测方法大都采用单一的监测手段，风险判别的全面性与准确性不足；专家系统在使用时过分依赖于专家经验，需要人工设计特征提取器来提取钻井参数的变化特征，推理能力受限；智能识别方法在开始应用时由于缺少风险样本进行训练，风险识别的准确性不高。

发明内容

本公开为了解决上述问题，提供了一种用于油气井钻井过程的溢漏风险协同监测方法及系统，所述方案结合专家系统与深度学习技术，通过两种风险监测方法的优势互补，能够快速、准确、智能地对油气井的溢漏风险进行监测。

根据本公开实施例的第一个方面，提供了一种用于油气井钻井过程的溢漏风险协同监测方法，包括：

获取井上、井下溢漏监测参数，并进行数据预处理；

分别构建专家系统风险识别模型与风险智能识别模型；

基于预处理后的数据，采用所述专家系统风险识别模型与风险智能识别模型相结合的协同判别模式实现油气井的溢漏风险监测；

其中，所述协同判别模式为：在监测方法使用初期，利用专家系统风险识别模型进行溢漏风险识别，并输出识别结果；同步地，利用经现场确认的风险数据作为训练样本，对所述风险智能识别模型进行持续训练，并利用训练好的风险智能识别模型进行溢漏风险识别；当所述风险智能识别模型的识别准确率高于专家系统风险识别模型时，自动切换到所述风险智能识别模型进行溢漏风险监测。

进一步的，所述专家系统风险识别模型，将专家对溢漏判别的经验进行知识规则化并存储于知识库中，实现溢漏识别知识库的构建；通过对采集到的溢漏监测数据进行预处理、异常趋势特征提取，基于所述溢漏识别知识库进行推理分析，判别有无溢漏风险发生。

进一步的，所述溢漏识别知识库的构建，通过对溢流、井漏发生时相关钻井参数的相关性、实时性及受影响因素的分析，选择地面综合录井数据中的池体积、出口流量和立管压力，以及井下随钻测量的环空压力和环空温度五个参数进行溢漏风险监测；并依据钻进工况下溢漏风险发生时各监测参数的变化趋势，实现溢漏知识库的构建。

进一步的，根据建立的溢漏识别知识库，为了能够自动判断各监测参数的变化趋势，通过建立短时间窗和长时间窗两个时间窗口来分析监测参数的变化特征，其中，短时间窗用来监测突发型风险，长时间窗用来监测慢漂型风险。

进一步的，所述专家系统风险识别模型的构建，还包括推理机的设计，其设计构思为：将各监测参数的变化特征描述为稳定、上升和下降，并分别用数字进行表示；同时，为了对溢漏风险发生的概率进行描述，通过风险指数计算模型对某一风险发生的概率进行量化，所述风险指数计算模型具体表示如下：

其中，γ∈[0,1]为风险指数，n为当前风险所选监测参数的个数；p

进一步的，所述风险智能识别模型基于深度学习算法，采用数据驱动的方式建立各监测参数与溢漏风险发生之间的判别模型。

进一步的，所述数据预处理操作包括野值点剔除和缺失值填充。

根据本公开实施例的第二个方面，提供了一种用于油气井钻井过程的溢漏风险协同监测系统，包括：

数据获取模块，其用于获取井上、井下溢漏监测参数，并进行数据预处理；

模型构建模块，其用于分别构建专家系统风险识别模型与风险智能识别模型；

溢漏风险监测模块，其用于基于预处理后的数据，采用所述专家系统风险识别模型与风险智能识别模型相结合的协同判别模式实现油气井钻井过程中的溢漏风险监测；

其中，所述协同判别模式为：在监测方法使用初期，利用专家系统风险识别模型进行溢漏风险识别，并输出识别结果；同步地，利用经现场确认的风险数据作为训练样本，对所述风险智能识别模型进行持续训练，并利用训练好的风险智能识别模型进行溢漏风险识别；当所述风险智能识别模型的识别准确率高于专家系统风险识别模型时，自动切换到所述风险智能识别模型进行溢漏风险监测。

根据本公开实施例的第三个方面，提供了一种电子设备，包括存储器、处理器及存储在存储器上运行的计算机程序，所述处理器执行所述程序时实现所述的一种用于油气井钻井过程的溢漏风险协同监测方法。

根据本公开实施例的第四个方面，提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述的一种用于油气井钻井过程的溢漏风险协同监测方法。

与现有技术相比，本公开的有益效果是：

(1)本公开所述方案提出了一种结合井下近钻头随钻实时测量数据和地面综合录井数据，采用多参数、多手段相互印证的钻井溢漏风险监测技术，利用多源信息融合的方式提高溢漏风险监测的准确性和实时性。此外，结合专家系统与深度学习技术，提出了基于专家系统和深度学习模型的溢漏风险协同监测方法，两种风险监测方法的优势互补，能够快速、准确、智能地判别溢漏风险。

(2)本公开所述方案为早期溢漏风险识别提供了一种新的适用的技术方案，提升了钻井溢漏风险监测的实时性、准确性和现场适用性，为钻井过程提质增效提供技术支撑，具有良好的现场应用前景。

本公开附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本公开的实践了解到。

附图说明

构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。

图1为本公开实施例一中所述的用于油气井钻井过程的溢漏风险协同监测方法流程图；

图2为本公开实施例二中所述的用于油气井钻井过程的溢漏风险协同监测系统结构图。

具体实施方式

下面结合附图与实施例对本公开做进一步说明。

应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。实施例一：

本实施例的目的是提供一种用于油气井钻井过程的溢漏风险协同监测方法。

一种用于油气井钻井过程的溢漏风险协同监测方法，包括：

获取井上、井下溢漏监测参数，并进行数据预处理；

分别构建专家系统风险识别模型与风险智能识别模型；

基于预处理后的数据，采用所述专家系统风险识别模型与风险智能识别模型相结合的协同判别模式实现油气井的溢漏风险监测；

其中，所述协同判别模式为：在监测方法使用初期，利用专家系统风险识别模型进行溢漏风险识别，并输出识别结果；同步地，利用经现场确认的风险数据作为训练样本，对所述风险智能识别模型进行持续训练，并利用训练好的风险智能识别模型进行溢漏风险识别；当所述风险智能识别模型的识别准确率高于专家系统风险识别模型时，自动切换到所述风险智能识别模型进行溢漏风险监测。

为了便于理解，以下结合附图对本公开所述方案进行详细说明：

钻进过程中结合专家系统与基于深度学习的智能识别模型的溢漏风险协同监测方法流程如图2所示，所述溢漏风险监测方法包括数据预处理、模型构建、模型训练以及风险识别，具体的：

(1)数据预处理

在溢漏风险监测系统中，各类监测参数的有效、准确、完整获取是进行风险监测的前提。监测参数在采集、传输的过程中不可避免地会受到各种干扰及噪声的影响，为了保证监测数据的质量，需要对各监测参数进行预处理。本公开结合各监测参数的特点，对获取的监测参数进行数据清洗，具体包括野值点剔除与缺失值填充两部分。

1)野值点剔除

钻井数据中的野值点主要表现为孤立型野值点，即一组正常数据序列中突然出现一个很大或者很小的值。本公开采用基于3σ准则的野值点剔除方法，采用滑动窗口法实现对孤立型野值点的剔除。对由3σ准则判别得到的野值点，利用分析窗口内的均值将其代替。

2)缺失值填充

受随钻测量数据传输速率的限制，钻井溢漏风险监测系统获取随钻测量参数的时间间隔远大于获取综合录井参数的时间间隔，必然会导致随钻测量参数在某些采样时刻处的缺失。因此，当某一时刻未采集到随钻测量参数时，本公开采用相邻上一采样时刻获取的有效数据进行填充。

(2)专家系统风险识别模型的构建及识别方法

基于专家系统的钻进过程中溢漏风险监测方法将专家对溢漏判别的经验进行知识规则化并存储于知识库中，对采集到的溢漏监测数据经预处理、异常趋势特征提取等处理，利用专家知识库进行推理分析，判别有无溢漏风险发生。专家系统各部分的设计过程如下：

1)溢漏识别知识库的建立

在钻进工况下，通过对溢流、井漏发生时相关钻井参数的相关性、实时性及受影响因素等的分析，选择地面综合录井数据中的池体积、出口流量和立管压力，以及井下随钻测量的环空压力和环空温度五个参数进行溢漏风险监测。依据钻进工况下溢漏风险发生时各监测参数的变化趋势，设计溢漏监测专家系统知识库如表1所示：

表1溢漏风险监测知识库

注2：“↗”表示上升趋势，“↘”表示下降趋势。

2)溢漏风险监测参数特征提取方法

根据建立的溢漏风险监测知识库，为了能够自动判断各监测参数的变化趋势，建立短时间窗(记为ST)和长时间窗(记为LT)两个时间窗口来分析监测参数的变化特征。其中，短时间窗用来监测突发型风险，长时间窗用来监测慢漂型风险。现场工程实践经验表明，ST一般取1-2min、LT一般取5-10min。

本公开采用相对变化量来判别各监测参数的稳定、上升、下降三种特征，相对变化量的计算如式(1)所示。

其中，μ

3)推理机的设计

将各监测参数的变化特征描述为稳定、上升和下降，分别用数字“0”，“1”，“-1”表示。为了进一步对溢漏风险发生的概率进行描述，本公开提出风险指数计算模型对某一风险发生的概率进行量化。

其中，γ∈[0,1]为风险指数，n为当前风险所选监测参数的个数；p

表2用于计算风险指数的相关参数设置表

综上所述，采用本公开提出的专家系统进行溢漏风险识别时，对经预处理后的各个监测参数，首先通过(1)式计算各参数的相对变化量，根据预设的门限值判定属于稳定、上升或下降趋势，根据表2中的溢漏风险判别规则对溢漏风险进行判定；当判定有井漏或溢流风险发生时，采用式(2)计算风险发生的概率。最终以概率的形式给出风险判别结果。

(3)风险智能识别模型的构建及识别方法

深度学习采用数据驱动的方式建立各监测参数与溢漏风险发生之间的判别模型。循环神经网络(Recurrent Neural Networks，RNN)在解决时间序列问题方面具有独到的优势，典型代表有长短期记忆网络(Long short-time Memory Network,LSTM)，门控循环单元(Gated Recurrent Unit,GRU)等。其中，长短期记忆网络作为RNN的一种特例，在一定程度上解决了梯度消失问题，且具有长期记忆的能力，本公开以LSTM为例介绍基于深度学习的溢漏风险智能判别方法。

首先构建LSTM网络结构，通常由输入层、隐含层以及输出层构成。输入层获取经预处理后的五个监测参数数据序列，隐含层是整个网络的核心，通常由两个以上的LSTM网络构成，输出层以概率的形式输出溢漏识别结果。

在应用基于深度学习模型的溢漏风险监测方法进行溢漏风险识别时，首先需要利用大量的风险样本对网络进行离线或在线训练，得到溢漏风险智能识别模型。具体训练过程包括数据的正向传播和误差的反向传播两部分，首先，设定网络的训练参数，初始化网络的权值和偏置，输入监测数据，通过隐含层计算当前权值和偏置下的实际输出，计算其与期望输出间的误差并逐层反向传播，将误差分配到各层，使用Adam算法对网络的权值和偏置进行调整，直至满足训练条件，以实现网络的有监督训练。

得到训练模型后，将钻井现场实时获取的5个监测参数序列输入网络，即可对溢漏风险进行智能识别。

进一步的，本公开所述方案所解决的技术问题包括：

(1)现有的溢漏风险监测方法大都采用单一的监测手段，风险判别的全面性与准确性不足。对此，本公开提出结合井下近钻头随钻实时测量数据和地面综合录井数据，采用多参数、多手段相互印证的钻井溢漏风险监测技术方案。

(2)现有典型的溢漏风险监测方法中，专家系统在使用时过分依赖于专家经验，需要人工设计特征提取器来提取钻井参数的变化特征，推理能力受限；智能识别方法在开始应用时由于缺少风险样本进行训练，风险识别的准确性不高。对此，本公开提出专家系统与基于深度学习的智能识别模型并行运行，智能切换的监测方案，提升了监测方法的现场适用性及风险判别的准确性。

进一步的，本公开所述溢漏风险监测方法的主要创新点在于：

(1)在监测参数利用方面，采用井上监测参数与井下监测参数相结合的方式，二者优势互补，对溢漏风险的发生进行综合研判，提高风险判别的实时性与准确性；

(2)在溢漏风险识别方法方面，采用专家系统与深度学习智能判别模型相结合的协同判别模式，提高溢漏风险判别的适用性。在该方法使用之初，在溢漏风险样本数目较少时，基于深度学习的智能模型识别准确率较低，此时专家系统与基于深度学习的智能判别模型并行运行，取专家系统的识别结果作为系统输出；在此过程中，不断将经过现场确认的风险数据作为训练样本，对深度学习模型进行持续训练，提高其识别性能。随着风险样本数目增多，基于深度学习的智能模型识别准确性将逐渐提升。当深度学习识别模型的识别准确率高于专家系统的识别准确率时，系统自动切换至基于深度学习的智能模型对溢漏风险进行智能识别预警。同样地，将经现场确认的风险数据作为训练样本，持续对深度智能模型进行训练，不断提升其识别准确率。也就是说，对深度智能模型的训练贯穿系统应用始终，具有自学习特征。

实施例二：

本实施例的目的是提供一种用于油气井钻井过程的溢漏风险协同监测系统。

一种用于油气井钻井过程的溢漏风险协同监测系统，包括：

数据获取模块，其用于获取井上、井下溢漏监测参数，并进行数据预处理；

模型构建模块，其用于分别构建专家系统风险识别模型与风险智能识别模型；

溢漏风险监测模块，其用于基于预处理后的数据，采用所述专家系统风险识别模型与风险智能识别模型相结合的协同判别模式实现油气井钻井过程中的溢漏风险监测；

其中，所述协同判别模式为：在监测方法使用初期，利用专家系统风险识别模型进行溢漏风险识别，并输出识别结果；同步地，利用经现场确认的风险数据作为训练样本，对所述风险智能识别模型进行持续训练，并利用训练好的风险智能识别模型进行溢漏风险识别；当所述风险智能识别模型的识别准确率高于专家系统风险识别模型时，自动切换到所述风险智能识别模型进行溢漏风险监测。

进一步的，在油气井钻进过程中，溢漏风险监测系统同步采集井上综合录井数据与井下MWD数据，采用专家系统和基于深度学习的智能识别模型相结合的方式对现场溢流、井漏风险进行监测，实现两种方法的优势互补。溢漏风险监测系统总体组成结构图如图2所示。

溢漏风险监测系统由井下子系统与井上/地面子系统两部分组成。井下子系统通过井下测量工具实时测量近钻头处的环空压力、环空温度等参数，通过MWD系统传输至地面，经MWD地面解码软件解码后发送给实时数据接口模块；地面子系统由实时数据接口模块、数据预处理模块、数据库管理模块与溢漏风险识别模块构成。实时数据接口模块接收综合录井软件和MWD地面解码软件发送的实时钻井数据；数据预处理模块对实时数据接口模块接收的数据进行野值点剔除、缺失值填充等预处理；数据库管理模块存储实时采集数据、历史溢漏风险数据以及系统识别且经确认的溢漏风险样本数据，并为基于深度学习的智能识别模型的训练提供训练样本；溢漏风险识别模块采用专家系统和基于深度学习的智能识别模型两种方法对溢漏风险进行识别。

钻进过程中结合专家系统与基于深度学习的智能识别模型的溢漏风险识别方法在应用时分为两个阶段：专家系统识别与深度智能模型同步训练阶段和风险智能判别阶段，各阶段工作流程阐述如下：

(1)专家系统风险识别与深度模型同步训练阶段：在系统应用初期，由于缺乏溢漏风险样本，首先利用数值模拟方法仿真生成部分钻井风险样本，结合已有的历史风险数据对基于深度学习的智能识别模型进行训练，得到初步的智能识别模型；同时启动专家系统与基于深度学习的智能判别模型对溢漏风险进行并行监测，专家系统作为前台运行的主导识别方法，基于深度学习的智能识别模型则在后台运行，将专家系统得到的判别结果作为系统的风险判别结果输出；同时，现场人员依据现场实际情况对两种方法的风险判定结果进行确认，对比两种风险识别方法的识别准确率。将经过现场确认的溢漏风险数据及对应风险作为风险样本存入数据库，利用该风险样本对基于深度学习的智能判别模型进行增量训练，提升其识别性能。

(2)风险智能识别阶段：随着溢漏风险样本数量的不断积累，基于深度学习的智能识别模型的识别准确率不断提高，当基于深度学习的智能识别模型的风险识别准确率优于专家系统的识别准确率时，系统自动切换到基于深度学习的智能识别模型进行溢漏风险智能识别。同样地，将经过现场确认的溢漏风险数据作为风险样本保存到数据库，利用该风险样本对基于深度学习的智能判别模型进行增量训练，不断提升其识别准确率。

在更多实施例中，还提供：

一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成实施例一中所述的方法。为了简洁，在此不再赘述。

应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。

一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例一中所述的方法。

实施例一中的方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。

本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元即算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本公开的范围。

上述实施例提供的一种用于油气井钻井过程的溢漏风险协同监测方法及系统可以实现，具有广阔的应用前景。

以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。