一种基于大数据的压井异常工况识别方法及系统与流程

本发明属于压井工况识别技术领域，特别涉及一种基于大数据的压井异常工况识别方法及系统。

背景技术：

油气田钻井过程中，井控技术是根本。压井是钻进时经常用到的工艺，如果压井时井内出现异常工况，异常工况得不到有效的识别和处理，井内的气体或液体没有受到控制作用，将会发展成为更加危险的情况，如井喷失控，有害气体蔓延等导致巨大的损失。

现有的压井方法包括常规压井和非常规压井，常规压井有司钻法和工程师法，非常规压井有体积控制法、硬顶法和低节流压力法。例如，司钻法的步骤为：(1)发现溢流关井；(2)计算压井数据。如：压井钻井液密度，初始循环立管总压力等；(3)缓慢开泵，同时迅速打开节流阀及下游的平板阀，调节节流阀，使套压等于关井套压，到泵速逐渐达到压井泵速；(4)保持压井排量不变，调节节流阀，使立压等于初始循环立管总压力不变，直到把溢流排除井口，停泵关井，则关井套压应等于关井立压；(5)当准备好加重钻井液后，重新缓慢启动泵，同时迅速打开节流阀及下游的平板阀，调节节流阀，使套压等于关井套压，直到泵速达到压井泵速。保持压井排量不变，继续调节节流阀，使立压等于关井套压，直到高密度钻井液到达钻头；(6)高密度钻井液返入环空，调节节流阀，使立压等于终了循环立管总压力不变，直到高密度钻井液返出井口。然而司钻法整体的工艺流程，只对井内压力情况进行观察和检测，并做相应的操作步骤，此方法没有对压井过程中出现的异常工况进行识别和应对。当异常工况出现时，没有一个可执行方案去处理异常工况，从而引发一系列压井问题，增加了压井施工周期，降低作业施工效率。又例如，等待加重法，其步骤为：发现溢流关井；计算压井数据。如：压井钻井液密度，初始循环立管总压力等；缓慢开泵,同时迅速打开节流阀及下游的平板阀,调节节流阀,使套压等于关井套压，到泵速逐渐达到压井泵速，阶段性的加重钻井液密度，每加重并循环一次，立压就下降一次，直到达到要求；保持压井排量不变,高密度钻井液从井口到钻头这段时间内,按着立压变化曲线调整立压值；高密度钻井液返入环空,调节节流阀,使立压等于终了循环立管总压力不变,直到高密度钻井液返出井口；停泵关井,若关井套压等于关井立压等于0mpa,则压井成功。开井循环,加大泵排量,进行充分循环,排除水平段“顶部口袋”中的残余气体(防止二次井涌),调整钻井液性能,恢复正常钻井作业。等待加重法整体的工艺流程，只对井内压力情况进行观察和检测，并做相应的操作步骤。此方法没有对压井过程中出现的异常工况进行识别和应对，当异常工况出现时，没有一个可执行方案去处理异常工况，增加了压井施工周期，降低作业施工效率。

然而，现有技术中没有针对压井中出现的异常工况的情况进行特殊的工艺处理，压井作业的安全性、可靠性和高效性有待提高。

技术实现要素：

针对上述问题，本发明提供一种基于大数据的压井异常工况识别方法及系统，利用大数据对压井时的异常工况进行识别和异常工况的短期预测，快速排除压井作业存在的问题，使压井过程高效完成，避免因压井产生的异常工况没有得到有效的处理而引发更大的灾难性损失。

一种基于大数据的压井异常工况识别方法，所述方法包括以下步骤：

压井前将井的指定参数输入到大数据压井软件中；

压井时采集所述指定参数的实时数据；

对所述实时数据做预处理并同步到所述大数据压井软件中的数据库中；

将采集的实时数据绘成压井曲线；

持续压井，观察压井曲线较标准曲线的波动情况，用大数据压井分析方法判断波动是否在预设范围内，若超出预设范围内，则用大数据压井分析方法分析波动超出预设范围的原因；

根据超出预设范围的分析结果识别异常工况。

优选地，所述压井方法选用司钻法、工程师法、体积控制法或硬顶法中的任意一种或多种；所述指定参数包括立压、套压、泵压、泵冲、泵排量、环空容积、钻井液密度和井深。

优选地，所述预处理具体为对缺失的数据进行补全或对噪声数据进行去噪。

优选地，大数据压井分析方法判断波动情况时，若在预设范围内，则继续压井直到压井成功。

优选地，分析波动超出预设范围的原因的具体方法为：通过对历史数据的深度学习，将历史数据进行分类、整合和数据的识别，当压井过程中出现基于标准压井数据的偏差时，所述大数据压井分析方法会将实时数据的非平稳实时序列经过差分后变成平稳序列，并最终确定整合移动平均自回归模型，通过所述模型对压井数据进行短期异常的时间序列分析。

优选地，所述识别异常工况的方法具体为：利用大数据压井分析方法对偏差数据进行判断，根据偏差数据对于标准压井曲线图的数据偏移位置，进行压井过程中的异常工况分析，并对发生的异常工况进行识别。

优选地，所述数据偏移位置为：在所述模型对压井数据进行短期预测后，所述大数据压井分析方法根据短期预测的数据值所落在压井曲线相对的位置，进行压井异常工况的识别，并给出异常工况所对应的处理意见。

优选地，所述大数据压井分析方法是基于时间序列分析、深度学习神经网络建立的分析方法，并对历史压井数据潜在的特征进行挖掘，从数据演化过程、数据分析和数据关联的角度实现压井异常工况的检测。

一种基于大数据的压井异常工况识别系统，所述系统包括：

输入模块，用于压井前将井的指定参数输入到大数据压井软件中；

采集模块，用于压井时采集所述指定参数的实时数据；

存储模块，用于对所述实时数据做预处理并同步到所述大数据压井软件中的数据库中；

绘图模块，用于将采集的实时数据绘成压井曲线；

判断分析模块，用于持续压井时观察压井曲线较标准曲线的波动情况，用大数据压井分析方法判断波动是否在预设范围内，若超出预设范围内，则用大数据压井分析方法分析波动超出预设范围的原因；

识别模块，用于根据超出预设范围的分析结果识别异常工况。

优选地，所述采集模块，用于压井时采集所述指定参数的实时数据，采集的指定参数包括立压、套压、泵压、泵冲、泵排量、环空容积、钻井液密度和井深；

所述存储模块，用于对所述实时数据做预处理并同步到所述大数据压井软件中的数据库中具体为：对缺失的数据进行补全或对噪声数据进行去噪，再同步到所述大数据压井软件中的数据库中；

所述判断分析模块，用于大数据压井分析方法分析波动超出预设范围的原因具体为：通过对历史数据的深度学习，将历史数据进行分类、整合和数据的识别，当压井过程中出现基于标准压井数据的偏差时，所述大数据压井分析方法会将实时数据的非平稳实时序列经过差分后变成平稳序列，并最终确定整合移动平均自回归模型，通过所述模型对压井数据进行短期异常的时间序列分析；

所述识别模块，用于根据超出预设范围的分析结果识别异常工况的具体方法为：利用大数据压井分析方法对偏差数据进行判断，根据偏差数据对于标准压井曲线图的数据偏移位置，进行压井过程中的异常工况分析，并对发生的异常工况进行识别；

所述数据偏移位置为：在所述模型对压井数据进行短期预测后，所述大数据压井分析方法根据短期预测的数据值所落在压井曲线相对的位置，进行压井异常工况的识别，并给出异常工况所对应的处理意见；

所述大数据压井分析方法是基于时间序列分析、深度学习神经网络建立的分析方法，并对历史压井数据潜在的特征进行挖掘，从数据演化过程、数据分析和数据关联的角度实现压井异常工况的检测

本发明的有益效果：本发明通过大数据分析来进行异常工况的检测,将压井中出现的异常工况做到快速识别和处理，使压井即安全又有效的实施。采用本发明提出的异常检测方法体系来识别压井过程中出现的异常工况，提高来了油气井压井过程中异常工况的应对效率，降低压井施工周期，提高作业施工效率，并对设备进行有效的保护，防止在压井过程中设备的损坏，降低经济损失。

本发明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，或者通过实施本发明而了解。本发明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指出的结构来实现和获得。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1示出了根据本发明实施例的基于大数据的压井异常工况识别方法流程图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地说明，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例：

一种基于大数据的压井异常工况识别方法，如图1所示，所述方法包括以下步骤：

当油气井出现溢流和气侵的情况下，迅速关井，根据实际情况选择工程师法压井和硬顶法相结合的压井方式进行作业；

压井前将井的指定参数输入到大数据压井软件中；

压井时采集所述指定参数的实时数据，包括立压、套压、泵压、泵冲、泵排量、环空容积、钻井液密度和井深；

对所述实时数据做预处理，具体为对缺失的数据进行补全或对噪声数据进行去噪，并同步到所述大数据压井软件中的数据库中；

将采集的实时数据绘成压井曲线，与标准曲线进行对比，观察压井曲线特定时刻的数据值；

持续压井，观察压井曲线较标准曲线的波动情况，用大数据压井分析方法判断波动是否在10％的偏差内，若在10％的偏差范围内，则继续压井直到压井成功；若超出10％的偏差范围内，则用大数据压井分析方法分析波动超出10％的偏差范围的原因；分析波动超出10％的偏差范围的原因的具体方法为：通过对历史数据的深度学习，将历史数据进行分类、整合和数据的识别，当压井过程中出现基于标准压井数据的偏差时，所述大数据压井分析方法会将实时数据的非平稳实时序列经过差分后变成平稳序列，并最终确定整合移动平均自回归模型，通过所述模型对压井数据进行短期异常的时间序列分析；

根据超出10％的偏差范围的分析结果识别异常工况；所述识别异常工况的方法具体为：利用大数据压井分析方法对偏差数据进行判断，根据偏差数据对于标准压井曲线图的数据偏移位置，进行压井过程中的异常工况分析，并对发生的异常工况进行识别；所述数据偏移位置为：在所述模型对压井数据进行短期预测后，所述大数据压井分析方法根据短期预测的数据值所落在压井曲线相对的位置，进行压井异常工况的识别，并给出异常工况所对应的处理意见。

进一步地，大数据压井分析方法是基于时间序列分析、深度学习神经网络建立的分析方法，并对历史压井数据潜在的特征进行挖掘，从数据演化过程、数据分析和数据关联的角度实现压井异常工况的检测。

一种基于大数据的压井异常工况识别系统，所述系统包括：

输入模块，用于压井前将井的指定参数输入到大数据压井软件中；

采集模块，用于压井时采集所述指定参数的实时数据；采集的指定参数包括立压、套压、泵压、泵冲、泵排量、环空容积、钻井液密度和井深；

存储模块，用于对所述实时数据做预处理并同步到所述大数据压井软件中的数据库中；具体为：对缺失的数据进行补全或对噪声数据进行去噪，再同步到所述大数据压井软件中的数据库中；

绘图模块，用于将采集的实时数据绘成压井曲线；

判断分析模块，用于持续压井时观察压井曲线较标准曲线的波动情况，用大数据压井分析方法判断波动是否在10％的偏差范围内，若超出10％的偏差范围内，则用大数据压井分析方法分析波动超出10％的偏差范围的原因；大数据压井分析方法分析波动超出10％的偏差范围的原因具体为：通过对历史数据的深度学习，将历史数据进行分类、整合和数据的识别，当压井过程中出现基于标准压井数据的偏差时，所述大数据压井分析方法会将实时数据的非平稳实时序列经过差分后变成平稳序列，并最终确定整合移动平均自回归模型，通过所述模型对压井数据进行短期异常的时间序列分析；

识别模块，用于根据超出10％的偏差范围的分析结果识别异常工况，具体方法为：利用大数据压井分析方法对偏差数据进行判断，根据偏差数据对于标准压井曲线图的数据偏移位置，进行压井过程中的异常工况分析，并对发生的异常工况进行识别；

所述数据偏移位置为：在所述模型对压井数据进行短期预测后，所述大数据压井分析方法根据短期预测的数据值所落在压井曲线相对的位置，进行压井异常工况的识别，并给出异常工况所对应的处理意见；

所述大数据压井分析方法是基于时间序列分析、深度学习神经网络建立的分析方法，并对历史压井数据潜在的特征进行挖掘，从数据演化过程、数据分析和数据关联的角度实现压井异常工况的检测。

尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。