一种基于移动滑窗智能学习的随钻阻卡预警方法及系统技术方案

本发明专利技术提供了一种基于移动滑窗智能学习的随钻阻卡预警方法及系统，该方法按照实时录井数据按照钻井深度、井型及钻具种类决策接入不同施工类型所需的识别数据组；进而基于设置的滑动窗口利用变化点检测算法识别钻机的具体工作状态；然后记录拾取点的识别参数，应用无监督机器学习算法结合当前的钻机工作状态连续观测当前钻机的征兆数据趋势，以结合设定的权重分配策略围绕至少一项征兆数据趋势计算阻卡概率并预警。采用本方案，直接基于实时录井参数作为分析识别数据，克服了现有技术中计算繁杂，预测结果偏差的问题，基于适量数据就能够通过滑窗智能学习捕获阻卡征兆数据趋势，结合权重分配策略保障运算效率的基础上实现阻卡风险的高精度预警。现阻卡风险的高精度预警。现阻卡风险的高精度预警。

【技术实现步骤摘要】
一种基于移动滑窗智能学习的随钻阻卡预警方法及系统


[0001]本专利技术涉及石油钻井工程
，尤其涉及一种基于移动滑窗智能学习的随钻阻卡预警方法及系统。

技术介绍

[0002]在钻井施工的过程中，如果遇到阻卡状况，未能及时发现或解除，易发展为卡钻、断钻具、埋钻，严重的只能填井侧钻，造成巨大的时间、经济损失，随着近年来油气藏储地层对钻井工程的操作要求越来越高，地质复杂，深度增加的油井更是易多发阻卡状况，例如四川盆地、顺北等地区的藏井，因此如何准确预测钻井遇阻卡事故的发生，是一项关系到整体钻井质量和效率的重要任务。
[0003]现在也有研究人员提出了部分针对遇阻卡预测的手段，比如于润桥等在“卡钻事故预测技术研究”一文中，通过对不同宏观卡钻类型创建权值预测风险事故模型；刘光星等在“ARMA建模在神经网络卡钻预测方法中的应用研究”一文中利用单纯的时序模型获取卡钻故障中相关参数的预测值，借助神经网络和人工设定的数据参考阈值来判别钻井故障类型；陶宇龙等提出了基于时间序列的卡钻预测方法；然而上述预测模型均是基于理论运算构建，存在理论性较强，在建模过程中本身就依赖于中间参数的约束，与真实钻井过程的数据空间存在一定的偏差，计算过程繁琐，只能够起到部分的遇阻卡预警作用，预警准确率不足，误报率较高；且需要大量的历史案例进行模型训练，要求井场数据种类多且数据量大，而针对钻井初期或者合理训练数据规模不够大的情况，无法有效利用上述手段实现预测，无法真正实现钻井施工现场的阻卡可靠预测。
[0004]公开于本专利技术
技术介绍
部分的信息仅仅旨在加深对本专利技术的一般
技术介绍
的理解，而不应当被视为承认或以任何形式暗示该信息构成己为本领域技术人员所公知的现有技术。

技术实现思路

[0005]为解决上述问题，本专利技术提供了一种基于移动滑窗智能学习的随钻阻卡预警方法，在一个实施例中，所述方法包括：
[0006]识别数据决策步骤、接入当前待测井的实时录井数据进行分析，按照钻井深度、井型及钻具种类决策不同施工类型对应的识别数据组；
[0007]钻机状态识别步骤、基于设置的滑动窗口利用变化点检测算法识别钻机的当前工作状态；
[0008]趋势数据分析步骤、基于所述识别数据组依据设置的拾取点记录对应的识别参数，应用无监督机器学习算法结合当前的钻机工作状态针对拾取点的识别参数连续观测当前钻机的征兆数据趋势；
[0009]阻卡概率计算步骤、基于设定的权重分配策略围绕至少一项征兆数据趋势计算阻卡概率，并根据阻卡概率的值结合不同工作状态生成对应的预警信息。
[0010]优选地，一个实施例中，在钻机状态识别步骤中，包括：
[0011]为需要识别的各种钻机工作状态设置对应的分类码；
[0012]使用两个相同长度的滑动窗口，通过分布发散距离度量方法评估不同时间点滑动窗口内分类码对应数据之间的距离，选取距离最大的时间点以分析对应分类码匹配的钻机工作状态。
[0013]进一步地，一个实施例中，在所述趋势数据分析步骤中，包括：判别当前钻机工作的井型、钻具组合类型、泵流量水平、钻柱转速以及钻进状态，选取对应的识别数据组，结合时序信息记录不同拾取点当前钻机的识别数据读数。
[0014]一个具体的实施例中，在所述趋势数据分析步骤中，连续观测当前钻机的征兆数据趋势的过程包括：
[0015]计算当前时间及之前设定时段内的实际大钩载荷变化值，基于得到的大钩载荷变化值用机器学习算法
‑
移动滑窗回归运算下一时间点的大钩载荷预测值，并将其与对应时间点的大钩载荷实际值进行比较，选取满足设定条件的计算记录作为当前钻柱的大钩载荷征兆趋势。
[0016]另一方面，一个实施例中，在所述趋势数据分析步骤中，连续观测当前钻机的征兆数据趋势的过程还包括：
[0017]通过不同钻机工作状态移动窗口的回归线斜率的时序状态，结合对应钻机工作状态的期望时序状态选取异常的回归线斜率数据作为征兆数据趋势。
[0018]一个可选的实施例中，在所述趋势数据分析步骤中，连续观测当前钻机的征兆数据趋势的过程还包括：
[0019]通过计算中位数统计当前时间间隔的每个点的大钩载荷值与上一时间间隔的值的对比结果，选取表征回归曲线刺突变化的大钩载荷值对比结果作为征兆数据趋势。
[0020]此外的，一个实施例中，在所述趋势数据分析步骤中，连续观测当前钻机的征兆数据趋势的过程还包括：
[0021]通过跟踪立管压力值的移动窗口，并使用定义包络线的线性回归预测下一个立管压力值，根据立管压力预测值与相应时间实际值的对比结果结合随时间变化的相应流量参数选取异常监测结果参数，作为征兆数据趋势。
[0022]进一步地，一个实施例中，在所述趋势数据分析步骤中，连续观测当前钻机的征兆数据趋势的过程还包括：
[0023]使用线性回归用定义的包络线预测跟踪扭矩的变化，以追踪钻柱运动惯性的趋势，当相应时间的扭矩实际值与扭矩预测值满足设定条件时，选取对应的扭矩数据作为表征井内的摩擦和钻柱的移动阻力增加的征兆数据趋势。
[0024]一个优选的实施例中，所述方法还包括：在阻卡概率计算步骤之前，预先结合历史数据对观测到的征兆及其描述性总结进行分析，分别针对不同的钻机工作状态根据每种征兆症状出现的频率研究每个征兆对识别钻机活动中潜在卡钻的重要性，设计权重分配策略。
[0025]基于上述任意一个或多个实施例中所述方法的其他方面，本专利技术还提供一种基于移动滑窗智能学习的随钻阻卡预警系统，该系统执行上述任意一个或多个实施例中所述的方法。
[0026]与最接近的现有技术相比，本专利技术还具有如下有益效果：
[0027]本专利技术提供的一种基于移动滑窗智能学习的随钻阻卡预警方法及系统，该方法按照实时录井数据按照钻井深度、井型及钻具种类决策接入不同施工类型所需的识别数据组作为分析阻卡征兆趋势的依据，直接基于实时录井参数作为分析识别数据，克服了现有技术中计算繁杂，数据失真的问题，且不需要通过海量的样本数据训练理论参数模型；
[0028]另外的，本专利技术基于设置的滑动窗口利用变化点检测算法识别钻机的具体工作状态，精确识别钻机的实时工作状态为后续的趋势分析提供支持，一定程度上保障了预测结果的可靠性；
[0029]进一步地，应用无监督机器学习算法结合当前的钻机工作状态连续观测当前钻机的征兆数据趋势，以结合设定的权重分配策略围绕至少一项征兆数据趋势计算阻卡概率并预警。
[0030]基于多种征兆趋势数据，结合分贝体现征兆相对于阻卡潜在风险的重要性权重值计算阻卡概率，能够全面识别钻井过程中可能存在的各种阻卡风险，保障运算效率的基础上实现阻卡风险的高精度预警，促进钻井施工质量的优化和生产效率的提升。
[0031]本专利技术的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术而了解。本专利技术的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。...

【技术保护点】

【技术特征摘要】
1.一种基于移动滑窗智能学习的随钻阻卡预警方法，其特征在于，所述方法包括：识别数据决策步骤、接入当前待测井的实时录井数据进行分析，按照钻井深度、井型及钻具种类决策不同施工类型对应的识别数据组；钻机状态识别步骤、基于设置的滑动窗口利用变化点检测算法识别钻机的当前工作状态；趋势数据分析步骤、依据设置的拾取点记录对应的识别参数，应用无监督机器学习算法结合当前的钻机工作状态基于拾取点的识别参数连续观测当前钻机的多项征兆数据趋势；阻卡概率计算步骤、基于设定的权重分配策略围绕至少一项征兆数据趋势计算阻卡概率，并根据阻卡概率的值结合不同工作状态生成对应的预警信息。2.根据权利要求1所述的方法，其特征在于，在钻机状态识别步骤中，包括：为需要识别的各种钻机工作状态设置对应的分类码；使用两个相同长度的滑动窗口，通过分布发散距离度量方法评估不同时间点滑动窗口内分类码对应数据之间的距离，选取距离最大的时间点以分析对应分类码匹配的钻机工作状态。3.根据权利要求1所述的方法，其特征在于，在所述趋势数据分析步骤中，包括：判别当前钻机工作的井型、钻具组合类型、泵流量水平、钻柱转速以及钻进状态，选取对应的识别数据组，结合时序信息记录不同拾取点钻机的识别数据读数。4.根据权利要求1所述的方法，其特征在于，在所述趋势数据分析步骤中，连续观测当前钻机的征兆数据趋势的过程包括：计算当前时间及之前设定时段内的实际大钩载荷变化值，基于得到的大钩载荷变化值用机器学习算法
‑
移动滑窗回归运算下一时间点的大钩载荷预测值，并将其与对应时间点的大钩载荷实际值进行比较，选取满足设定条件的计算记录，作为当前钻柱的大钩载荷征兆趋势。5.根据权利要求1所述的方法，其特征...

【专利技术属性】
技术研发人员：李昌盛，黄历铭，张好林，徐术国，段继男，
申请(专利权)人：中国石油化工股份有限公司石油工程技术研究院，
类型：发明
国别省市：