基于BP神经网络的深井钻井井侵诊断与预测

马鹏鹏,蒋宏伟

(1. 中石化新星(北京)新能源研究院有限公司,北京 100083;2. 国家地热能源开发利用研究及应用技术推广中心,北京100083;3. 中国石油集团工程技术研究院有限公司,北京 100000)

钻井复杂问题与事故多种多样,特征各不相同,而造成的原因更是繁多。钻井复杂情况与发生原因之间的关系错综复杂,钻井复杂的参数不仅包括钻井过程中直接测量得到的参数,还包括通过钻井工程计算得到的各种参数,以及相关的地质数据和邻井数据[1]。单一的钻井参数变化能够反映出可能发生的几种钻井复杂情况,而一种钻井复杂情况又会导致好几种钻井参数发生各种变化,因此难以用精确的数学模型描述钻井复杂情况和钻井各参数变化之间的关系。近年来,国内开始研究将神经网络方法应用到钻井复杂诊断与预测领域中[2-8]。神经网络能够利用样本进行学习,具有较强的实时性和模式识别能力,能够模拟任何连续非线性函数,不需要建立精确的数学模型进行数学运算,它的鲁棒性也能保证该方法的长期经济性以及可靠性,而且计算速度快。建立神经网络诊断模型,经过合适的样本训练之后,将钻井各参数的变化作为神经网络的输入参数,就可以准确地识别出钻井复杂的类型[9-14]。因此,本文探讨采用神经网络法进行深井钻井地层流体侵入(井侵)实时诊断与预测的适用性,并开发出相应的井侵诊断模块实现智能化诊断。

1 井侵风险识别模型

1.1 井侵显示和风险征兆识别

井侵程度不同会导致溢流、井涌和井喷,当井底压力小于地层压力时就会发生溢流。根据侵入介质不同,井侵可分为油侵、气侵和水侵。溢流的严重程度主要取决于地层的孔隙率、渗透率和欠平衡时负压差值的大小。地层孔隙率、渗透率越高,负压差值越大,则溢流就越严重。

井侵所引起的溢流、井涌、井喷等若处理不当,会引起严重的后果,准确识别井侵因素,对安全钻井具有重要意义。井侵井筒后会给钻井参数、钻井液参数、井筒状态等方面带来变化,这些变化称为溢流显示。地面上还可观察到可能发生溢流的征兆,井侵识别如图1所示,井侵显示和征兆主要包括如下内容:

图1 井侵识别示意

1)蹩跳钻、钻速突快或钻进“放空”。钻遇碳酸盐岩裂缝发育层段或遇溶洞时,往往会发生蹩跳钻或钻进“放空”现象。该现象可能是钻遇高压油气层的征兆,当钻遇异常高压地层过渡带时,地层孔隙率增大、破碎单位体积岩石所需能量减少,加上井底压差减小有利于井底清岩,此时钻速会突然加快。

2)悬重、泵压的升高或降低。高压地层会导致井底压力突然增加,悬重减少泵压亦会升高。当地层流体随钻井液在环空上返时,因天然气膨胀环空液柱平均密度下降,而使泵压下降,钻具在受侵钻井液中所受浮力减小而悬重增加。若溢流为盐水时,其密度小于钻井液密度,则悬重增加;其密度大于钻井液密度时,则悬重减少。若钻井液抗盐性差,则钻井液黏度增加、泵压上升。油溢流使钻井液密度下降,因而悬重增加。

3)钻井液返出量增大、钻井液循环池液面升高。当泵排量未变时,地层流体进入井筒有助于钻井液在环空加速上返、出口管处钻井液返出量会大于泵入量,尤其是天然气溢流在接近井口时,返出量会明显大于泵入量。在没有人为增加循环池钻井液量的情况下,地层流体进入井筒会使钻井液总量增加、循环池液面升高。

4)钻井液性能发生变化。井侵易给钻井液性能带来影响,如密度、黏度上升或下降;钻井液中气泡含量、氯根含量、气测烃类含量增加;油花增多;油味、天然气味、硫化氢味增浓以及返出钻井液温度增高等。

5)起钻时钻井液灌入量少于应灌入量或灌不进钻井液。由于起钻抽汲使地层流体进入井筒,部分填补或完全填补了起出钻具的体积,因而钻井液灌入量会少于计算灌入量或灌不进。

6)停泵后钻具静止时,井筒钻井液外溢。该情况下,钻井液密度增加导致泵启动很短时间就停泵,钻柱内钻井液密度比环空钻井液密度高得多,井筒钻井液溢出,表明地层流体正在流入井筒。此外,若邻井发生过溢流、井涌、井喷,是正钻井的重要提示。

1.2 井侵表征参数

井侵可以通过以下表征现象及风险因素异常变化情况进行诊断,主要表征参数有:

1)出口流量和钻井液池体积增大。

2)井口和槽面出现油、气、水显示。

3)钻井液性能参数变化,如密度、温度、电导率、黏度等参数变化。

4)钻速变快。

5)立压、泵压变化,泵冲、泵速变化。

6)钻柱悬重变化。

7)钻杆扭矩增加。

8)井下温度变化。

9)井底压力发生变化。

其中,1),2)为充分条件,3),4),5),6),7)为重要条件,8),9) 为参考条件。此处以高压地层气侵为例,其表征现象等级见表1所列。

表1 压力不平衡造成的气体侵入的表征现象等级

1.3 井侵风险实时识别模型及流程

在井侵发生原因及井侵风险表征现象以及规律分析的基础上,建立了井侵风险实时识别模型,如图2所示。评价发生井侵的可能性的直接风险因素有不可控因素和可控因素,其中,辅助监测数据用来监测井侵发生时的表征现象及规律,帮助工程技术人员更准确地把握井侵风险。

图2 井侵风险实时识别模型示意

从图2中可以看出,主要影响井侵的不可控因素有地质构造因素和地层孔隙压力因素。地质构造因素包括: 所钻遇地层是否是裂缝及溶洞地层,是否是高渗透岩层,是否是断层破碎带,是否是异常高压带、地层流体类型。这些地质数据都是通过邻井资料及目标井地质设计资料获取的,由此可以了解目标井所钻遇层位是否存在易发生井侵的岩层。地层压力因素为地层孔隙压力,主要是通过邻井资料直接获得,或者通过邻井相关测井资料计算获得,也可利用井下随钻测量数据通过计算得到。

可控因素主要指井底压力、钻井液因素和施工因素。井底压力通过目标井录井随钻测量数据及钻井液设计参数计算分析或者实时采集井下随钻测量数据获得;可控的钻井液因素有钻井液密度、塑性黏度、动切力;施工因素有钻井液排量、泥饼渗透率。这些数据是通过钻井液设计资料获取的,辅助监测数据主要是通过实时监测这些数据,结合各种井侵风险因素数据的异常变化,为实时诊断井侵及预测井侵风险提供数据依据。

在上述井侵风险实时识别模型的基础上,设计了井侵实时诊断及风险预测流程,如图3所示,具体方法及流程如下:

图3 井侵实时诊断及风险预测流程示意

1)利用邻井资料及目标井地质设计资料建立目标井地层孔隙压力,作为目标井井侵实时诊断及风险预测的地质参考依据。

2)利用井下随钻测量数据作为井侵实时诊断及风险预测需要的井底压力参考数据。

3)利用录井随钻测量数据及目标井钻井液设计参数实时计算分析井底压力,从而为井侵实时诊断及风险预测提供第2套井底压力参考数据。

4)利用邻井资料或者井下随钻测量数据对井下钻遇地质构造的解释结果作为目标井井侵实时诊断及风险预测的地层参考依据。

5)利用井侵风险预测结果、井侵实时诊断结果及实时监测曲线对综合分析井侵风险,从而达到井侵未发生前预警井侵风险、井侵风险发生时及时警报井侵的目的。

2 井侵BP神经网络诊断模型建立

根据Kolmogorov定理,一个3层的BP神经网络能够对任何一个连续函数实现任意精度的拟合。井侵的风险推理分析实际上是函数映射或拟合问题,因此选用3层的BP神经网络进行井侵的诊断预测分析,能够满足工程应用需要。

2.1 输入输出层节点

对于井侵诊断模型的输入层,确定输入层节点数为27个,包括: 井深、垂深、循环当量密度、地层压力梯度、井底压差、钻井液排量、泥饼渗透率、地层孔隙度、地层渗透率、是否是断层破碎带、是否是裂缝溶洞敏感底层、是否是异常低压带、钻井液密度、钻井液动切力、钻井液塑性黏度、钻井液总池体积、出入口流量差、气测全烃值、出入口钻井液密度差、出入口电导率差、出入口温度差、钻时、Dc指数、立管压力、泵冲数、钻压、悬重。输出层为地层流体侵入风险和无风险。

2.2 隐含层节点

BP神经网络的隐含层神经元个数对网络的性能有很大影响,但是目前并没有可靠的理论和方法可以准确确定隐含层神经元个数,一般靠经验、试算等方法选取。或者可以先给定一个较小的隐含层节点数进行训练,如果训练次数很多或较难收敛,则停止训练并增加隐含层节点数重新训练,以此找到最合理的神经元节点数。有2个可以用来参考的公式如式(1),式(2)所示:

(1)

式中:m——输出神经元节点数;n——输入神经元节点数;a——[1,10] 内的常数,可以试算选取。

n1=log2n

(2)

本文通过试算将隐含层节点数确定为11个。

2.3 井侵的BP神经网络诊断模型

建立的井侵神经网络诊断模型如图4所示。模型的特点主要是输入层参数包含经过钻井工程风险因素分析计算得到的数据,成功地将井侵复杂发生的机理融合到了实时诊断模型当中。但是建立的神经网络诊断模型对样本的要求高,不仅需要好的样本数据,具体应用时样本数据和应用实例井还应有相关性,即最好是正钻井的相邻井,这样才能保证诊断结果的正确性。

图4 井侵风险BP神经网络诊断模型示意

3 井侵随钻诊断实例验证

基于开发出的井侵诊断模块用于智能化诊断与预测,建立并选取网络学习样本,选用某油田BH4井沙一段数据作为BH5井井侵诊断学习样本。对样本数据进行归一化,并设置输入样本维数、隐含层节点数、输出样本维数、学习迭代次数、学习要求精度、基础学习步长、步长变化方式等参数进行网络学习,同时将训练后的网络权值保存起来。设置井侵随钻诊断的范围,读取网络学习时保存的权值,并设置相关参数然后进行诊断。对BH5井井下状况进行实时诊断,系统分别在3.429～3.432 km,4.353～4.358 km两处识别出发生流体侵入的可能性较大,与BH5井现场实际情况相吻合。

4 结束语

通过对BH5井开展井侵的BP神经网络诊断模型的实例验证,得出如下结论:

1)通过研究深井钻井过程中井侵诊断与预测中所需的参数变化及它们与各种复杂情况的关系,认为钻井复杂诊断模型很难用精确的数学模型描述,优选了神经网络法进行钻井复杂情况实时诊断预测的研究。

2)通过分析井侵的发生原因、机理、表征现象以及规律,建立了井侵的实时识别模型以及识别流程。基于BP神经网络的方法建立了井侵的实时诊断模型。所选输入层参数不仅包括实时测量的数据,还包括实时的钻井工程风险因素分析计算的参数,模型结合了井侵的风险征兆和机理进行诊断,使得建立的模型更准确。开发了井侵风险模糊综合评价预测分析模块和BP神经网络法实时诊断模块。

3)神经网络是高效处理模糊问题的方法,但是有其局限性。下一步将开展神经网络和其他方法结合使用的研究,比如结合神经网络的计算能力和模糊逻辑处理语言信息的优势,两者协同作用,提高处理速度、容错性和自适应性。