井壁状态物理量在随钻风险智能评价系统中的应用探讨

朱玉磊 陈卓 耿立军

中海石油（中国）有限公司天津分公司 天津 300451

目前，国内外技术发展趋向于“技术创新+数字化”，利用海量数据构建服务于油田的降本、提效数字化技术体系是当下到今后相当长一段时间内一个极其重要的发展命题。各大石油公司不遗余力加强基础数据建设，并从中获益。如何有效生成数据、挖掘数据、利用数据已经成为各大石油公司的主线工作。

文章通过分析人工智能的发展历程、随钻风险评价系统的研究现状，针对纯数据模型难以有效预测钻井风险的问题，采用引入井壁状态物理量的方法，探讨了提高随钻风险评价精度的方法。最后，将阻卡机理物理量作为中间参数，建立了提高复杂事故处理效率的数据模型。

1 人工智能的发展历程

1990年至今，人工智能一直在快速发展，首先被提出的是传统机器学习；Shannon[1]等人认为任何事物都可以用网络/信号来表示，从而建立了人工智能的计算机学科基础。其特点是有数学基础理论支持、数据量要求不大。传统机器学习发展分为三个阶段[2]：①统计学习方法。包括贝叶斯、决策树等一系列机器学习方法。②机器学习系统。包括数据预处理、模型调优、模型交叉验证等环节，注重模型的实时更新与应用。③概率图模型。机器学习系统的进一步优化，例如自然语言处理系统等。1995年，神经学家通过在猫的脑袋中安装电极，接收脑信号，从而建立了计算机理论与神经理论的联系[3]。在此基础上，多个隐含层的感知器深度学习结构被证明是有效的，模拟人脑运作方式的深度学习网络得到了长足发展。随着大数据时代的来临，深度学习在大数据的支持下在各个领域都有不俗的表现。深度学习的优点是性能卓越、效果被广泛认可。缺点是缺乏数学理论支持，隐含层的数量、参数冗余等问题也一直没有被有效解决。

2 随钻风险评价系统

2.1 人工智能在随钻风险评价系统中的应用

2010 年，Shadizadeh[4]利用钻井日报中的数据，采用人工神经网络（ANN）建立了卡钻事故的实时预测模型。该模型由2～3个完全互联的前馈隐层网络（带有反向传播学习规则）组成，可自动检测所关注的控制参数，在已钻井的测试或模拟上精度可达到90%。Lian[5]基于模糊推理方法，采用信号变化趋势自动识别技术，通过对比实时数据与数据库中参考数据的偏差值，建立了钻井井涌风险的预测模型。2012年，Jahanbakhshi.[6]采用人工神经网络（ANN），通过输入地层流体性质、泥浆密度、流速、井眼轨迹、井眼尺寸、底部钻具组合、泥浆流变性、地应力、岩石强度、破裂压力、地层组成及地层孔渗特性等，建立了井壁稳定状态的分析模型，确保现场能提前判断井壁是否失稳。

2010年，梁海军[7]等人总结了井眼恶化、溢流、井漏、断钻具、水眼掉及水眼堵等各类井下复杂与钻井事故形成机理及综合录井仪采集的工程参数异常特征，对钻井各类复杂与事故形成及症状相应进行其发生前的识别诊断分析，提出了一种利用录井参数进行事故识别预警的推理模型。2013年，中国石油集团钻井工程技术研究院[8，9]建立了钻井实时监控与技术决策系统。该系统由远程数据无线传输子系统（负责数据传输）、数据管理子系统（负责数据储存）、钻井风险因素分析子系统（负责数据挖掘与利用）、钻井复杂事故诊断与处理子系统（负责数据应用）组成。其中，钻井复杂事故诊断与处理子系统包括钻井风险诊断分析模块、钻井风险预测分析模块和钻井风险综合评价模块，主要用于井漏风险和地层流体侵入风险的预测与评价。

2.2 现有的系统及不足

总体而言，随钻风险评价技术还处在发展阶段，已有的模型大致可以分为纯数据模型和含物理量的数据模型。

纯数据模型通过分析实时工程参数或参数趋势与识别对象间的联系，利用数学模型来建立相应的预测评价模型，目前大部分分析模型属于该类模型。对于在工程参数上反应明显的钻井风险，如井涌、井漏等，纯数据模型有很好地应用效果。但在其他钻井风险的预测上，例如卡钻等钻井风险，即使经验丰富的现场工程师也很难通过实时数据进行初步模糊地预测，以目前机器学习的发展水平，模型预测精度难以保证。

含物理量数据模型在建立时，会根据问题特性引入相应物理量。例如，为了有效识别井壁是否失稳，Jahanbakhshi在数据模型中添加了地应力、岩石强度、破裂压力、地层组成及地层孔渗特性等物理参数，模型精度得到了较大的提升。但是由于不同地层的力学特征不同，失稳机理存在差异，岩石强度、破裂压力等物理参数是随时间变化的动态参数，不满足机器学习中“数据平稳分布”的要求，该模型的实际应用效果不理想。

大数据理论仍处于发展阶段。大数据的特点是“关注相关性，不关注因果”，大数据的简单算法比小数据的复杂算法更有效。但是目前大数据的分析对硬件及时间要求高，且受限于数据的处理方式，数据相关性的判定等，大数据理论在数据分析方面的应用仍以统计为主，数据挖掘分析技术处于探索阶段。对于卡钻等难以预测的钻井风险，大数据技术是否有效，仍存在一定的疑虑。

3 基于井壁状态的数据驱动模型探讨

3.1 井壁状态物理量在数据模型中的应用探讨

井壁状态物理量由井壁稳定分析技术延伸而来。多年来，随着理论和计算技术的发展，井壁稳定分析中的本构模型见表1、多场耦合应力、破坏准则等关键问题都得到了深入的研究。但是，井壁稳定在实际应用中，仍存在一些问题：①破坏程度问题。通过分析地层的变形破坏规律，井壁稳定分析一般以井壁破坏发生坍塌，或井壁缩径量达到一定程度作为井壁失稳判别条件。然而，在实际钻井中，为了提高钻井效率，往往允许一定程度的坍塌或缩径发生。②静态井壁稳定分析结果与动态时间的矛盾。在多场耦合的地层变形破坏分析中，时间是一个重要的参数，井壁状态随着时间发生动态变化。在这种情况下，静态的井壁稳定分析结果会失去原有的指导意义。

表1 本构模型

井壁状态的提出，为现场数据与钻井风险间提供了物理桥梁。在应用井壁状态物理量建立钻井风险评价的数据模型时，可以考虑两种方案：将井壁状态作为输入参数或将井壁状态作为中间参数。

将井壁状态作为输入参数。根据多场耦合的井壁稳定分析模型，预测地层不同钻开时间下的井壁状态，参考Jahanbakhshi建立的井壁失稳数据模型，将预测的井壁状态作为输入参数之一，利用深度学习网络建立输入参数与钻井风险之间的关系模型。动态的井壁状态既满足了“数据平稳分布”的需求，也解决了不同地层破坏机理存在差异的问题。这种模型的优点在于通过引入井壁状态物理量，加强了输入数据与钻井风险之间的相关度，有助于数据模型精度的提高。

将实际井壁状态作为中间参数，将预测的井壁状态及其他与实际井壁状态相关度高的钻井实时数据作为输入参数，利用深度学习网络建立输入参数与实际井壁状态之间的关系模型，根据实际井壁状态来判断钻井风险。相比于第一种模型，降低了模型对预测井壁状态的依赖度，提高了其他输入参数与实际井壁状态间的相关度，从而进一步提高了模型的精度。但是该模型在训练的过程中，需要标记大量的实际井壁状态。如果标记的实际井壁状态数据不足，缺乏模型训练所需的数据量，模型的预测精度反而会下降。

4 结束语

分析、挖掘钻井作业中的静态、动态数据，评价钻井风险，为钻井实时决策提供支持，提高决策的准确率和时效性，确保安全高效地进行钻井作业施工是钻井工程大数据分析应用中重要的一环。本文探讨了井壁状态物理量在随钻风险评价系统中的应用，得到如下结论：

1950年至今，人工智能发展经历了三次起伏。受惠于大数据时代，传统机器学习及深度学习的精度得到了大幅度的提高；

若钻井风险在工程参数上反应明显，如井涌、井漏等，纯数据模型有很好地应用效果。但在其他的钻井风险预测上，例如卡钻等钻井风险，即使经验丰富的现场工程师也很难通过工程实时数据进行初步模糊地预测，以目前机器学习的发展水平，模型预测精度难以保证；

井壁状态物理量由井壁稳定分析技术延伸而来，用来描述地层变形破坏的程度及钻井风险的级别。井壁状态的提出，为现场数据与钻井风险间提供了物理桥梁。将井壁状态作为输入参数或中间参数有助于提高数据模型精度。