一种基于录井数据的钻井风险趋势线预警方法与流程

1.本发明涉及钻井工程技术领域，特别是涉及一种基于录井数据的钻井风险 趋势线预警方法。


背景技术：

2.由于钻井作业施工过程情况复杂，不确定性因素、随机因素和模糊因素大量 存在，而且随着施工过程的进行，风险状态在不断变化，一旦发生风险事故将导 致无法进行正常钻井作业，轻者造成一定的经济损失，严重的甚至会造成人员伤 亡。
3.现有技术中，提出了公开号为cn112926839a，公开日为2021年06月08 日的中国发明专利文件，来解决上述存在的技术问题，该专利文献所公开的技术 方案如下：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。
4.上述技术方案虽然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，但是该技术方案无法人为改变网络结构，只能通过设置单元结点或网络 层次，对于识别钻井复杂早期征兆，达到提前发出风险预警的准确率不高。


技术实现要素：

5.为解决上述技术问题，本发明提出了一种基于录井数据的钻井风险趋势线预 警方法，能有效解决识别钻井复杂早期征兆的准确率不高，无法准确发出风险预 警的问题。
6.本发明是通过采用下述技术方案实现的：
7.一种基于录井数据的钻井风险趋势线预警方法，其特征在于：包括以下步骤：
8.s1.分析不同风险类型的因素录井数据影响变化趋势的特征；
9.s2.根据变化趋势的特征，求取不同种因素与对应风险类型的趋势数据识别 值：n1、n2……
ni；
10.s3.根据各趋势数据识别值，分别建立对应风险类型的综合判别模型we：
11.we＝k1n1 k2n2
…
kini，
12.其中，n1、n2……
ni分别为不同种因素与对应的风险类型的趋势数据识别值； e为样本识别值；
13.令we＝d，d为预先标定的风险预警值，选取对应因素录井数据i组，联立解 得一套k1、k2……ki
的值，作为风险类型的一种特征；
14.s4.将目标井的实时录井数据输入综合判别模型，完成实时预警：输入不同 的因素录井数据得到多组模型，若有一组we＝d，则判断这种工况为对应的风险 类型。
15.所述风险类型包括卡钻、井漏、溢流、钻头水眼堵和钻具刺漏。
16.所述步骤s1具体包括：
17.s
11
.按照钻井风险类型对录井数据进行分类；
18.s
12
.筛选出相应的录井数据；
19.s
13
.标定风险预警值及每种风险类型对应的不同颜色。
20.所述步骤s
12
具体包括：
21.按照每种不同工况筛选需要标定的钻井数据，其中，卡钻标定钻井数据包括： 大钩负荷、转盘转速、扭矩、机械钻速和钻压；井漏标定钻井数据包括：立压、 流量差、悬重和总池体积；溢流标定钻井数据包括：立压、流量差、悬重、总池 体积和全烃；钻头水眼堵标定钻井数据包括：入口流量、出口流量、立压和机械 钻速；钻具刺漏标定钻井数据包括：入口流量、出口流量和立压。
22.所述步骤s
13
具体包括：标定风险预警值0为钻井正常，风险预警值1为溢 流，风险预警值-1为井漏，风险预警值0.6为钻具刺漏，风险预警值0.7为钻头 水眼堵，风险预警值0.8为卡钻；标定溢流为红色，井漏为蓝色，钻具刺漏为黄 色，钻头水眼堵为灰色，卡钻为黑色，钻井正常为绿色。
23.所述步骤s2还包括：确定不同种因素与对应风险类型的关联系数，具体指： 根据预测结果与实测之间的误差，剔除趋势数据相关性系数小于0.5的弱相关和 中度相关系数，保留趋势数据相关性系数绝对值大于0.5的强相关系数，然后进 行两两迭代拟合，确定a、b、c三个关联系数。
24.所述步骤s3中选取对应因素录井数据i组具体指：选取与风险预警值相关性 最高的测量数据。
25.当风险类型为溢流时，求取溢流因素的趋势数据识别值，建立溢流综合判别 模型；其中，所述溢流综合判别模型为：
26.ni＝k1n1 k2n2 k3n3 k4n4 k5n5，
27.其中，n1为立压的趋势数据识别值，n2为出入口流量差的趋势数据识别值， n3为悬重的趋势数据识别值，n4为总池体积的趋势数据识别值；n5为全烃的趋势 数据识别值；
28.令ni＝1，选取立压、出入口流量差、悬重、总池体积和全烃录井数据5组， 联立解得一套k1、k2、k3、k4、k5的值，作为溢流的一种特征；另再选取其它溢 流特征，输入不同的立压、出入口流量差、悬重、总池体积和全烃录井数据得到 多组模型，根据溢流样本数据确定i的值；其中如果有一组ni＝1，则判断这种工 况为溢流。
29.求取溢流因素的趋势数据识别值，具体包括：
30.求取立压的趋势数据识别值n1：
31.其中，p
立
为立压，a1、b1、c1分别为对应的关联系数；
32.求取出入口流量差的趋势数据识别值n2：n2＝a2 b2·
△
q c2·
△
q2，
33.其中，
△
q为出入口流量差，a2、b2、c2分别为对应的关联系数；
34.求取悬重的趋势数据识别值n3：
35.其中，m
悬重
为悬重，a3、b3、c3分别为对应的关联系数；
36.求取总池体积的趋势数据识别值n4：n4＝a4 b4·
△
q c4·v3
，
37.其中，
△
q为出入口流量差，v为总池体积，a4、b4、c4分别为对应的关联 系数；
38.求取全烃的趋势数据识别值n5：
39.其中，v
全烃
为全烃，a5、b5、c5分别为对应的关联系数。
40.当风险类型为井漏时，求取井漏因素的趋势数据识别值，建立井漏综合判别 模型，其中，所述井漏综合判别模型：
41.mi＝k1n1 k2n2 k3n3 k4n4，
42.其中，n1为立压的趋势数据识别值，n2为出入口流量差的趋势数据识别值， n3为悬重的趋势数据识别值，n4为总池体积的趋势数据识别值；
43.其中，令mi＝-1，选取立压、出入口流量差、悬重和总池体积录井数据4组， 联立解得一套k1、k2、k3、k4的值，作为井漏的一种特征；另再选取其它井漏特 征，输入不同的立压、出入口流量差、悬重和总池体积录井数据得到多组模型， 根据井漏样本数据确定i的值；其中如果有一组mi＝-1，则判断这种工况为井漏。
44.求取井漏因素的趋势数据识别值，具体包括：
45.求取立压的趋势数据识别值n1：
46.其中，p
立
为立压，a1、b1、c1分别为对应的关联系数；
47.求取出入口流量差的趋势数据识别值n2：
48.其中，
△
q为出入口流量差，a2、b2、c2分别为对应的关联系数；
49.求取悬重的趋势数据识别值n3：
50.其中，m
悬重
为悬重，a3、b3、c3分别为对应的关联系数；
51.求取总池体积的趋势数据识别值n4：n4＝a4 b4·
△
q c4·
v，
52.其中，
△
q为出入口流量差，v为总池体积，a4、b4、c4分别为对应的关联 系数。
53.与现有技术相比，本发明的有益效果表现在：
54.1、本预警方法利用与钻井风险相关度较高的n个参数，根据不同风险预测 情况，可决定录井参数个数n值，通过n个参数变化特征，组成n阶方程组，确 定相关系数，这与传统黑盒算法有本质区别。通过本预警方法，能够通过计算机 自动判断、识别钻井复杂早期征兆，达到提前发出风险预警的目的。
55.2、本预警方法具有经济性，只需要将代码打包安装在软件中，可以实时预 警。
56.3、本预警方法操作性较强。该趋势线法实际是一个显式的经验公式，因此 计算比常规的融合预测方法简单，具有较强的操作性。本趋势线法具有较高的时 效性，由于计算简单快捷，不需要大量数据学习，计算时效性较常规的预警方法 更高。
附图说明
57.下面将结合说明书附图和具体实施方式对本发明作进一步的详细说明，其 中：
58.图1为本发明的流程示意图。
具体实施方式
59.实施例1
60.作为本发明基本实施方式，本发明包括一种基于录井数据的钻井风险趋势线 预
警方法，包括以下步骤：
61.s1.分析不同风险类型的因素的录井数据影响变化趋势。
62.s2.根据变化趋势的特征，求取不同种因素与对应风险类型的趋势数据识别 值：n1、n2……
ni。
63.s3.根据各趋势数据识别值，分别建立对应风险类型的综合判别模型we：
64.we＝k1n1 k2n2
…
kini，
65.其中，n1、n2……
ni分别为不同种因素与对应的风险类型的趋势数据识别值； e为样本识别值。
66.令we＝d，d为预先标定的风险预警值，选取对应因素录井数据i组，联立解 得一套k1、k2……ki
的值，作为风险类型的一种特征。
67.s4.将目标井的实时录井数据输入综合判别模型，完成实时预警：输入不同 的因素录井数据得到多组模型，若有一组we＝d，则判断这种工况为对应的风险 类型。
68.实施例2
69.作为本发明一较佳实施方式，本发明包括一种基于录井数据的钻井风险趋势 线预警方法，包括以下步骤：
70.s1.分析不同风险类型的因素的录井数据影响变化趋势，具体包括：
71.s
11
.按照钻井风险类型将录井数据分类，具体通过录井数据趋势线算法分 类，将风险类型分为卡钻、井漏、溢流、钻头水眼堵和钻具刺漏5类。
72.s
12
.根据分类筛选出相应的录井数据，即按照每种不同工况筛选需要标定的 钻井数据。其中，卡钻标定钻井数据有：大钩负荷、转盘转速、扭矩、机械钻速 和钻压。井漏标定钻井数据有：立压、流量差、悬重和总池体积。溢流标定钻井 数据有：立压、流量差、悬重、总池体积和全烃。钻头水眼堵标定钻井数据有入 口流量、出口流量、立压和机械钻速。钻具刺漏标定钻井数据有：入口流量、出 口流量和立压。
73.s
13
.标定5类风险预警值及每种风险对应的不同颜色：标定风险预警值0为 钻井正常，风险预警值1为溢流，风险预警值-1为井漏，风险预警值0.6为钻具 刺漏，风险预警值0.7为钻头水眼堵，风险预警值0.8为卡钻；标定溢流为红色， 井漏为蓝色，钻具刺漏为黄色，钻头水眼堵为灰色，卡钻为黑色，钻井正常为绿 色。
74.s2.根据变化趋势，进行趋势数据相关性分析，确定三个关联系数，求取不 同种因素与对应风险类型的趋势数据识别值：n1、n2……
ni。其中，变化趋势具 体包括：
75.卡钻录井数据变化趋势：卡钻前期表现钻时升高、转速逐渐降低、扭矩逐渐 增大以及立管压力正常；后期表现立管压力上升，水眼堵死。出口流量在开始有 缓慢增大趋势，但出口流量迅速保持平稳状态，呈现较小波动。
76.溢流录井数据变化趋势：溢流发生初期，总烃、总池体积、入口流量、出口 流量及总池体积异常升高，出口密度异常降低。发生溢流时，由于气体体积膨胀， 减小出口泥浆密度，但会增大出口流量。含碳氢化合物使得总烃增大；总池体积 因溢流而异常升高。
77.井漏录井数据变化趋势：井漏初期，转速、入口流量、出口流量、立压及总 烃异常降低，实测套压、入口流量、出口流量、立压、转速及总烃变化明显异常， 能够作为判别井漏的依据。发生井漏后，钻井液漏失进地层，立压显著下降；可 能钻遇孔洞，钻头空钻，转速急剧增加；出口流量小于入口流量，流量差加大。 若总烃降为0，转速、扭矩上升并保持不变，
则可以确定井漏发生。
78.钻头水眼堵录井数据变化趋势：钻头水眼堵发生时，立压异常上升；出口流 量急剧下降，入口流量大于出口流量。
79.钻具刺漏录井数据变化趋势：钻具刺漏发生时，立压下降；钻速减慢；转盘 扭矩增大；泵冲稳定后，泵压缓慢下降。出口流量缓增，入口流量缓增，而总池 体积不变。
80.根据预测结果与实测之间的误差，进行趋势数据相关性分析，剔除趋势数据 相关性系数小于0.5的弱相关和中度相关系数，保留趋势数据相关性系数绝对值 大于0.5的强相关系数进行两两迭代拟合，确定三个关联系数。
81.其中，趋势数据相关性分析具体指：度量各数据与风险预警值的相关性趋势 数据的相关性系数是介于[-1， 1]之间的实数。当相关性系数介于-1—0之间时， 表明变量之间存在负相关关系；当相关性系数介于0—1之间时，表明变量之间 存在正相关关系；当相关性系数为0时，二者之间不存在相关性。相关性系数越 接近1，表明变量之间的相关性越强，当相关系数越接近0，表明变量之间的相 关性越弱。当相关性系数的绝对值介于0.1—0.3之间时，一般认为变量间存在弱 相关；当相关系数的绝对值介于0.3—0.5之间时，一般认为变量间存在中度相关； 当相关性系数的绝对值大于0.5时，一般认为变量间存在强相关。
[0082]
s3.根据趋势线模型，分别建立对应风险类型的综合判别模型we：
[0083]
we＝k1n1 k2n2
…
kini，
[0084]
其中，n1、n2……
ni分别为不同种因素与对应的风险类型的趋势数据识别值； e为样本识别值。
[0085]
令we＝d，d取0、1、-1、0.6、0.7或0.8，选取对应因素录井数据i组，联 立解得一套k1、k2……ki
的值，作为风险类型的一种特征。
[0086]
s4.将目标井的实时录井数据输入综合判别模型，完成实时预警：输入不同 的因素录井数据得到多组模型，若有一组we＝d，则判断这种工况为对应的风险 类型。
[0087]
实施例3
[0088]
作为本发明另一较佳实施方式，本发明包括一种基于录井数据的钻井风险趋 势线预警方法，包括以下步骤：
[0089]
s1.分析不同风险类型的因素的录井数据影响变化趋势，其中，本实施例中 的风险类型为溢流。考虑因素为立压、出入口流量差、悬重、总池体积和全烃5 种，将这5种因素依次定义为p
立
、
△
q、m
悬重
、v、v
总烃
。设置关联系数为a、 b、c，不同的井眼尺寸值具有不同的关联系数值，以149.2mm井眼尺寸为例进 行说明。
[0090]
s2.根据变化趋势，确定上述5种因素与溢流的关联系数，求取不同种因素 与对应风险类型的趋势数据识别值：n1、n2……
n5。其中，n1为立压的趋势数据 识别值，n2为出入口流量差的趋势数据识别值，n3为悬重的趋势数据识别值，n4为总池体积的趋势数据识别值；n5为全烃的趋势数据识别值。
[0091]
其中，确定上述5种因素与溢流的关联系数：根据预测结果与实测之间的误 差，进行趋势数据相关性分析，剔除趋势数据相关性系数小于0.5的弱相关和中 度相关系数，保留趋势数据相关性系数绝对值大于0.5的强相关系数进行两两迭 代拟合，确定a、b、c三个关联系数。
[0092]
所述趋势数据相关性分析具体指：度量各数据与风险预警值的相关性趋势数 据
的相关性系数是介于[-1， 1]之间的实数。当相关性系数介于-1—0之间时， 表明变量之间存在负相关关系；当相关性系数介于0—1之间时，表明变量之间 存在正相关关系；当相关性系数为0时，二者之间不存在相关性。相关性系数越 接近1，表明变量之间的相关性越强，当相关系数越接近0，表明变量之间的相 关性越弱。当相关性系数的绝对值介于0.1—0.3之间时，一般认为变量间存在弱 相关；当相关系数的绝对值介于0.3—0.5之间时，一般认为变量间存在中度相关； 当相关性系数的绝对值大于0.5时，一般认为变量间存在强相关。
[0093]
根据相应的关联系数，求取不同种因素与对应风险类型的趋势数据识别值， 具体包括：
[0094]
求取立压的趋势数据识别值n1：
[0095]
其中，p
立
为立压，mpa。a1、b1、c1分别为对应的关联系数：a 1
＝0.047706292， b1＝0.0098566494，c1＝0.0098566494。
[0096]
求取出入口流量差的趋势数据识别值：n2＝a2 b2·
△
q c2·
△
q2，
[0097]
其中，
△
q为出入口流量差，l。a2、b2、c2分别为对应的关联系数： a2＝-0.079552562，b2＝0.099300477，c2＝-0.0040358528。
[0098]
求取悬重的趋势数据识别值：
[0099]
其中，m
悬重
为悬重，kg。a3、b3、c3分别为对应的关联系数：a3＝-299.72599， b3＝3.5484819，c3＝-3.4489701。
[0100]
求取总池体积的趋势数据识别值：n4＝a4 b4·
△
q c4·v3
，
[0101]
其中，
△
q为出入口流量差，l，v为总池体积，l。a4、b4、c4分别为对 应的关联系数：a4＝-3.6065049，b4＝0.041916471，c4＝4.1823842
×
10-6
。
[0102]
求取全烃的趋势数据识别值：
[0103]
其中，v
全烃
为全烃，％。a5、b5、c5分别为对应的关联系数：a5＝0.024392047， b5＝-0.0010663059，c5＝0.13198487。
[0104]
s3.根据各趋势数据识别值，建立溢流综合判别模型ni：
[0105]
ni＝k1n1 k2n2 k3n3 k4n4 k5n5，
[0106]
令ni＝1，选取立压、出入口流量差、悬重、总池体积和全烃录井数据5组， 联立解得一套k1、k2、k3、k4、k5的值，作为溢流的一种特征。
[0107]
s4.将目标井的实时录井数据输入综合判别模型，完成实时预警：另再选取 其它溢流特征，输入不同的立压、出入口流量差、悬重、总池体积和全烃录井数 据得到多组模型，根据溢流样本数据确定i的值。其中如果有一组ni值＝1，则 判断这种工况为溢流，例如5组溢流样本，其中第3、4、5组为1，那么确定为 溢流：n1＝0.03、n2＝0.02、n3＝1、n4＝1、n5＝1。
[0108]
实施例4
[0109]
作为本发明又一较佳实施方式，本发明包括一种基于录井数据的钻井风险趋 势线预警方法，包括以下步骤：
[0110]
s1.分析不同风险类型的因素的录井数据影响变化趋势。其中，本实施例中 的风险类型为井漏。考虑因素为立压、出入口流量差、悬重和总池体积4种，将 这4种因素依次定
义为p
立
、
△
q、m
悬重
和v。设置关联系数为a、b、c，不同的 井眼尺寸值具有不同的关联系数值，以149.2mm井眼尺寸为例进行说明。
[0111]
s2.根据变化趋势，确定上述4种因素与井漏的关联系数，求取不同种因素 与对应风险类型的趋势数据识别值：n1、n2……
n4。其中，n1为立压的趋势数据 识别值，n2为出入口流量差的趋势数据识别值，n3为悬重的趋势数据识别值，n4为总池体积的趋势数据识别值。
[0112]
其中，确定上述4种因素与井漏的关联系数：根据预测结果与实测之间的误 差，进行趋势数据相关性分析，剔除趋势数据相关性系数小于0.5的弱相关和中 度相关系数，保留趋势数据相关性系数绝对值大于0.5的强相关系数进行两两迭 代拟合，确定a、b、c三个关联系数。
[0113]
所述趋势数据相关性分析具体指：度量各数据与风险预警值的相关性趋势数 据的相关性系数是介于[-1， 1]之间的实数。当相关性系数介于-1—0之间时， 表明变量之间存在负相关关系；当相关性系数介于0—1之间时，表明变量之间 存在正相关关系；当相关性系数为0时，二者之间不存在相关性。相关性系数越 接近1，表明变量之间的相关性越强，当相关系数越接近0，表明变量之间的相 关性越弱。当相关性系数的绝对值介于0.1—0.3之间时，一般认为变量间存在弱 相关；当相关系数的绝对值介于0.3—0.5之间时，一般认为变量间存在中度相关； 当相关性系数的绝对值大于0.5时，一般认为变量间存在强相关。
[0114]
根据相应的关联系数，求取不同种因素与对应风险类型的趋势数据识别值， 具体包括：
[0115]
求取立压的趋势数据识别值n1：
[0116]
其中，p
立
为立压，mpa。a1、b1、c1分别为对应的关联系数：a1＝0.062258841， b1＝0.0022331456，c1＝0.007621967。
[0117]
求取出入口流量差的趋势数据识别值：
[0118]
其中，
△
q为出入口流量差，l。a2、b2、c2分别为对应的关联系数： a2＝-4.7779579，b2＝-19.291197，c2＝-19.293529。
[0119]
求取悬重的趋势数据识别值：
[0120]
其中，m
悬重
为悬重，kg。a3、b3、c3分别为对应的关联系数：a3＝72.3359231， b3＝7.6395663，c3＝-10.7465239。
[0121]
求取总池体积的趋势数据识别值：n4＝a4 b4·
△
q c4·
v，
[0122]
其中，
△
q为出入口流量差，l；v为总池体积。a4、b4、c4分别为对应的 关联系数：a4＝5.0538368，b4＝0.6610475，c4＝-0.030835959。
[0123]
s3.根据各趋势数据识别值，建立井漏综合判别模型：
[0124]
mi＝k1n1 k2n2 k3n3 k4n4，
[0125]
其中，令mi＝-1，选取立压、出入口流量差、悬重和总池体积录井数据4组， 联立解得一套k1、k2、k3、k4的值，作为井漏的一种特征。
[0126]
s4.将目标井的实时录井数据输入综合判别模型，完成实时预警：另再选取 其它井漏特征，输入不同的立压、出入口流量差、悬重和总池体积录井数据得到 多组模型，根据井漏样本数据确定i的值。其中如果有一组mi＝-1，则判断这种 工况为井漏。例如4组井漏
样本，其中第2、3、4组为-1，那么确定为井漏：m1＝0.0、m2＝-1、m3＝-1、m4＝-1。
[0127]
根据趋势线算法，对yt1井的井漏标注数据开展反演验证，反演验证组数 996组，预测井漏符合组数937组，准确率为94.08％，部分数据可以详见下表：
[0128][0129]
本方法能够通过计算机自动判断、识别钻井复杂早期征兆，达到提前发出风 险预警的目的。
[0130]
综上所述，本领域的普通技术人员阅读本发明文件后，根据本发明的技术 方案和技术构思无需创造性脑力劳动而作出的其他各种相应的变换方案，均属于 本发明所保护的范围。