油气井钻井施工作业现场的风险预测系统及方法
【专利摘要】本发明公开了一种油气井钻井施工作业现场的风险预测系统及方法，系统包括数据采集模块，用于采集现场作业的数据；数据管理模块用于对现场采集的数据以及样本数据进行存储；数据应用模块用于实现信息发布、数据查询、数据统计和报表输出；决策支持模块用于根据样本数据，对现场采集的数据进行风险分析并预警；方法：采集作业现场的数据；根据样本数据，对采集的监督数据进行风险分析，得到风险分析结果；结合预设的预警阀值，确定预警等级，做出相应的风险预警动作。本发明针对钻井现场采集的数据，将风险贝叶斯网络与ARIMA模型结合在一起，实现事故风险概率的有效分析与预测，分析准确度高、真实性强。
【专利说明】油气井钻井施工作业现场的风险预测系统及方法
【技术领域】
[0001]本发明涉及一种油气井钻井施工作业现场的风险预测系统及方法。
【背景技术】
[0002]油气钻井是一个多工序、多工种、连续作业、立体交叉的系统工程。钻井工程是一项隐蔽性很强的地下工程。它拥有资金投入大、作业风险高和操作技术复杂等特征。一口井的整个钻井活动包括建立钻井平台，安装钻机设备，钻进施工，下套管固井，测井，试油以及完井等一系列作业。在钻井生产过程中，钻井作业受岩石地质条件、钻井装备质量、操作人员技术能力、管理能力与规范、现场作业者作业心理以及施工经验等因素的影响可能引发钻井事故。除此之外，钻井管理体制和钻井运行机制等因素制约着钻井工程项目作业的各个阶段和环节，人员、设施和环境等对钻井均存在不同程度和不同形式的影响，即存在不同程度、形式的风险。事故的突然发生很有可能导致全井报废，以致大量的物力和财力损失，甚至造成重大的人员伤亡事故。
[0003]油气钻井工程是油气勘探开发中最直接最有效的手段，是油田建设的必不可少的一部分。先进新颖的钻井技术将会引领世界石油与天然气勘探开发市场，它是占领此市场的主要竞争手段。油气钻井是以岩石地层为工作对象，需要多环节、多部门协作的系统工程。此外，它还是一项规模庞大、技术要求高、风险性极大和资金密集型工程。油气钻井取得的效果好坏与地质属性、开发技术、机械设备，人员管理以及生产和自然环境等大量不确定性因素有关。简而言之，油气钻井所处的每一阶段、每一时段都可能遇到大量的不确定性现象，即油气钻井的高风险性。如果发生诸如井喷失控着火这类重大事故，那么造成的人员伤亡、钻机设备的毁坏、环境的污染以及其带来的经济损失和影响将是无法估量的。因此，有效的预防、控制与处置风险，降低油气钻井成本、提高钻井投资的经济效益始终是油气钻井工程界乃至石油行业所追求的目标之一。
[0004]国内外相关人士最初主要研究危险源的辨识方法，预测可能发生的事故。采用的技术主要有故障树、事件树等分析事故产生的原因，从而进行系统安全评价，为事故预防工作提供指向。
[0005]目前，学者所研究的系统几乎都是非线性产系统，因此要对系统进行安全预测必然要采用非线性预测方法或者把非线性问题转化为线性问题来解决。最新兴起的非线性预测方法有:非线性/混沌时间序列方法、人工神经网络方法、遗传算法、灰色理论等。这些预测方法既可以单独使用又可以结合使用。其中，人工神经网络预测模型在非线性映射、泛化和容错等方面拥有较强的能力。灰色预测系统理论是在研究对象历史数据较少的情况下，利用灰色微分方程对事物的长期发展规律做出预测，适用于数据量较少的研究对象。
【发明内容】
[0006]本发明的目的在于克服现有技术的不足，提供一种油气井钻井施工作业现场的风险预测系统及方法，从人的不安全行为和物的不安全状态两大子系统方面，分析钻井作业事故的影响因素以及各影响因素对造成钻井事故的轻重程度，运用事故影响因素指标体系构建钻井风险贝叶斯网络，运用贝叶斯网络概率推理计算出风险概率值，建立ARIMA风险预测模型，对事故发生的风险概率进行有效的分析和预测，最终实现风险的及时预警。
[0007]本发明的目的是通过以下技术方案来实现的:油气井钻井施工作业现场的风险预测系统，它包括数据采集模块、数据管理模块、数据应用模块和决策支持模块，数据采集模块用于采集现场作业的数据；数据管理模块用于对现场采集的监督数据以及样本数据进行存储；数据应用模块用于实现信息的发布、数据的查询、数据的统计和报表的输出；决策支持模块包括风险分析单元和风险预警单元，所述的风险分析单元用于根据样本数据，对现场采集的监督数据进行风险分析，所述的风险预警单元用于根据分析结果进行风险预警。
[0008]油气井钻井施工作业现场的风险预测方法，它包括如下步骤:
[0009]Sll:采集作业现场数据，形成监督数据；
[0010]S12:根据样本数据，对采集的监督数据进行风险分析，得到风险分析结果，其中，所述的风险分析包括如下子步骤:
[0011]S121:利用贝叶斯网络计算风险概率；
[0012]S122:利用ARIMA模型建立风险预测模型；
[0013]S123:对风险预测模型进行检验，若所构建的风险预测模型的拟合精度达到预设精度，则说明所建的风险预测模型符合要求，进入步骤S24 ;否则，利用监督数据对模型进行修改，返回步骤S22，重新建立风险预测模型；
[0014]S124:利用风险预测模型对作业现场风险概率进行预测，得出风险预测结果；
[0015]S13:根据风险分析结果，结合预设的预警阀值，确定预警等级，做出相应的风险预警动作。
[0016]所述的风险概率计算包括如下子步骤:
[0017]S21:确定风险贝叶斯网络的变量集和变量域；
[0018]将安全事故影响因素作为贝叶斯网络的节点，即变量集，所有节点变量包括以下两种状态:发生状态和未发生状态，将发生状态记为1，未发生状态记为0，则变量域均为{0,1}；
[0019]S22:根据安全事故影响因素，构建钻井施工作业现场的表示节点变量之间相互关系的风险贝叶斯网络结构；
[0020]S23:通过数据统计分析得出一级节点的先验概率表；
[0021]在现场作业采集的监督数据中，统计一段日期内每天人的不安全行为和物的不安全状态因素的记录数，求出各一级因素记录数占当天所有因素记录数的百分比，即为一级因素的先验概率；
[0022]S24:利用贝叶斯网络计算发生事故的风险概率；
[0023]根据风险贝叶斯网络结构图的因果关系层级推理计算出一段日期内每天的风险概率值。
[0024]所述的风险贝叶斯网络主要包括人的不安全行为A1和物的不安全状态A2两大子系统，每个子系统由多个节点变量通过概率理论聚合而成，每个节点变量又由多个子节点变量通过概率理论聚合而成，两个子系统聚合到总风险指标R。
[0025]所述每天的风险概率值的推理过程如下:[0026](I)计算人的不安全行为A1当天的风险概率P(A1),^ι)=ΣμΡ(Α.|4>(4,) ,其中m为不安全行为A1中节点的个数，Ali表示不安全行为
A1中的第i个节点变量，，这里的k视不安全行为A1中子节点的个数而定，A⑴表示Ali中的第j个子节点变量，条件概率P (Ali I Alij)和先验概率Aiu均能从先验概率表中查得，物的不安全状态A2当天的风险概率P (A2)采用同样的计算方法得到；
[0027](2)计算当天的总风险概率 P(R)，P(R) = P(R| A1)P(A1)+P(R| A2)P(A2)。
[0028]所述风险预测模型建立包括如下子步骤:
[0029]S31:风险概率数据的分析与处理:①风险概率序列的平稳性分析，根据风险概率做出风险概率折线图，以判断风险概率序列的平稳性；②风险概率序列的纯随机性检验，即白噪声检验；③风险概率序列平稳化并检验，对风险概率序列进行一阶差分平稳处理，得到处理后的风险概率序列折线图；
[0030]S32:根据一阶差分的风险概率序列建立ARIMA模型。
[0031]本发明的有益效果是:本发明从人的不安全行为和物的不安全状态两大子系统方面，分析钻井作业事故的影响因素以及各影响因素对造成钻井事故的轻重程度，运用事故影响因素指标体系构建钻井风险贝叶斯网络，运用贝叶斯网络结构预测风险概率值，为安全管理者提供决策支持，为安全预防、安全控制和安全管理指明方向；建立ARIMA风险预测模型，对事故发生的风险概率进行有效的分析和预测；本发明将风险贝叶斯网络和ARIMA风险预测模型有效结合在一起，实现了油气钻井事故风险概率的预测。
【专利附图】
【附图说明】
[0032]图1为本发明的系统`框图；
[0033]图2为本发明的方法流程图；
[0034]图3为贝叶斯网络结构示意图；
[0035]图4为某公司2011年3月I日至4月30日的风险概率折线图；
[0036]图5为某公司2011年3月I日至4月30日的风险概率数据自相关图；
[0037]图6为某公司2011年3月I日至4月30日的风险概率数据偏自相关图；
[0038]图7为某公司风险概率序列的一阶差分图；
[0039]图8为某公司风险概率序列的一阶差分后自相关图；
[0040]图9为某公司风险概率序列的一阶差分后偏自相关图；
[0041]图10为钻井作业现场风险ARIMA (2，1，O)模型的参数估计图；
[0042]图11为钻井作业现场风险ARIMA (2，1，0)模型残差的白噪声检验图。
【具体实施方式】
[0043]下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。
[0044]如图1所示，油气井钻井施工作业现场的风险预测系统，它包括数据采集模块、数据管理模块、数据应用模块和决策支持模块，数据采集模块用于采集现场作业的数据；数据管理模块用于对现场采集的监督数据以及样本数据进行存储；数据应用模块用于实现信息的发布、数据的查询、数据的统计和报表的输出；决策支持模块包括风险分析单元和风险预警单元，所述的风险分析单元用于根据样本数据，对现场采集的监督数据进行风险分析，所述的风险预警单元用于根据分析结果进行风险预警。
[0045]风险分析单元在进行风险分析中，需对油气钻井事故的影响因素进行分析，并统计数据。本发明将钻井生产过程中影响油气钻井事故的不安全因素主要分为以下两大方面:即人的不安全行为A1和物的不安全状态A2，其中人的不安全行为A1包括违章作业An、违章指挥A12、违反劳动纪律A13、不安全装束A14、违章驾驶A15、安全管理缺陷A16和生产管理缺陷A17等，物的不安全状态A2包括设备设施缺陷A21、安全防护缺陷A22、自然环境不良A23和作业场所不良A24,如图3所示。
[0046]违章作业A11概括为五个方面:违章作业操作A111、作业许可不落实A112、违章使用工具A113、使用不当信号A114和作业导致隐患A115。违章指挥A12主要表现在以下几个方面:文件管理违章A121、人员管理违章A122、生产管理违章A123和物资违章管理A124。违法劳动纪律A13主要有两个方面:脱岗、睡岗、酒后上岗违章仏31和冒险进入作业场所A132。不安全装束A14主要包括常规劳保穿戴不全A141和特殊防护穿戴不全A142。违章驾驶A15包括无证驾驶A151和违章驾驶A152。安全管理缺陷A16包括管理制度缺陷A161、直线责任未落实A162、属地责任未落实A163和承包商管理缺陷A164。生产管理缺陷A17包括生产组织缺陷A171和过程监控缺陷A172。
[0047]设备设施缺陷A21包括井控设备缺陷A211、特殊设备缺陷A212、电气设备缺陷A213、消防设备缺陷A214和一般设备缺陷A215。安全防护缺陷A22包括安全防护设施缺陷A221和安全防护设施失效A222。自然环境不良A23包括天气恶劣A231和自然灾害A232。作业场所不良A24包括自然条件不具备A241和场所 不符合要求A242。
[0048]如图2所示，油气井钻井施工作业现场的风险预测方法，它包括如下步骤:
[0049]Sll:采集作业现场的数据，形成监督数据。
[0050]S12:将现有现场作业的监督数据存储至数据管理模块，并根据数据管理模块内的样本数据，对采集的监督数据进行风险分析，得到风险分析结果，其中，风险分析包括如下子步骤:
[0051]S121:利用贝叶斯网络计算风险概率；
[0052]S122:利用ARIMA模型建立风险预测模型；
[0053]S123:对风险预测模型进行检验，若所构建的风险预测模型的拟合精度达到预设精度，则说明所建的风险预测模型符合要求，进入步骤S24 ;否则，利用监督数据对模型进行修改，返回步骤S22，重新建立风险预测模型；
[0054]S124:利用风险预测模型对作业现场风险概率进行预测，得出风险预测结果。
[0055]S13:根据风险分析结果，结合预设的预警阀值，确定预警等级，做出相应的风险预警动作。
[0056]所述的风险概率计算包括如下子步骤:
[0057]S21:确定风险贝叶斯网络的变量集和变量域。
[0058]将安全事故影响因素作为贝叶斯网络的节点，即变量集，所有节点变量包括以下两种状态:发生状态和未发生状态，将发生状态记为1，未发生状态记为0，则变量域均为{0,1}，本发明中贝叶斯网络的节点包括父节点(如A11)和子节点(如A111),通过合理运用父节点在子节点发生状态(即，变量取值为I)时的概率，结合贝叶斯网络的因果关系进行推理的。
[0059]S22:根据安全事故影响因素，构建钻井施工作业现场的表示节点变量之间相互关系的风险贝叶斯网络结构。
[0060]根据事故影响因素指标体系，建立如图3所示的表示节点变量之间相互关系的有向无环图，也就是建立风险贝叶斯网络的拓扑结构。风险贝叶斯网络主要包括人的不安全行为A1和物的不安全状态A2两大子系统，每个子系统由多个节点变量通过概率理论聚合而成，即11个节点变量(如An，A21等)通过概率理论聚合到2个子系统，每个节点变量又由多个子节点变量通过概率理论聚合而成，如节点变量A11又由子节点A111、子节点A112、子节点A113、子节点A114和子节点A115通过概率理论聚合而成，共有32个子节点，两个子系统聚合到总风险指标Ro
[0061]S23:通过数据统计分析得出一级节点的先验概率表。
[0062]一级节点没有父节点的概率为先验概率，在现场作业采集的监督数据中，统计某公司2011年3月I日至2011年4月30日每天人的不安全行为和物的不安全状态因素的记录数，求出各一级因素记录数占当天所有因素记录数的百分比，即为一级因素的先验概率；2011.3.1-2011.4.30具体每天的先验概率见表1-1?1-11。
[0063](I)人的不安全行为的先验概率。
[0064](1.1)违章作业的先验概率:
[0065]表 1-1
【权利要求】
1.油气井钻井施工作业现场的风险预测系统，它包括数据采集模块、数据管理模块和数据应用模块模块，数据采集模块用于采集现场作业的数据；数据管理模块用于对现场采集的监督数据以及样本数据进行存储；数据应用模块用于实现信息的发布、数据的查询、数据的统计和报表的输出；其特征在于:还包括决策支持模块，所述的决策支持模块包括风险分析单元和风险预警单元，所述的风险分析单元用于根据样本数据，对现场采集的监督数据进行风险分析，所述的风险预警单元用于根据分析结果进行风险预警。
2.油气井钻井施工作业现场的风险预测方法，其特征在于:它包括如下步骤: 511:采集作业现场数据，形成监督数据； 512:根据样本数据，对采集的监督数据进行风险分析，得到风险分析结果，其中，所述的风险分析包括以下子步骤: 5121:利用贝叶斯网络计算风险概率； 5122:利用ARIMA模型建立风险预测模型； 5123:对风险预测模型进行检验，若所构建的风险预测模型的拟合精度达到预设精度，则说明所建的风险预测模型符合要求，进入步骤S24 ;否则，利用监督数据对模型进行修改，返回步骤S22，重新建立风险预测模型； 5124:利用风险预测模型对作业现场风险概率进行预测，得出风险预测结果； S13:根据风险分析结果，结合预设的预警阀值，确定预警等级，做出相应的风险预警动作。
3.根据权利要求2所述的油气井钻井施工作业现场的风险预测方法，其特征在于:所述的风险概率计算包括如下子步骤: S21:确定风险贝叶斯网络的变量集和变量域； 将安全事故影响因素作为贝叶斯网络的节点，即变量集，所有节点变量包括以下两种状态:发生状态和未发生状态，将发生状态记为1，未发生状态记为O，则变量域均为{O，1}; S22:根据安全事故影响因素，构建钻井施工作业现场的表示节点变量之间相互关系的风险贝叶斯网络结构； 523:通过数据统计分析得出一级节点的先验概率表； 在现场作业采集的监督数据中，统计一段日期内每天人的不安全行为和物的不安全状态因素的记录数，求出各一级因素记录数占当天所有因素记录数的百分比，即为一级因素的先验概率； 524:利用贝叶斯网络计算发生事故的风险概率； 根据风险贝叶斯网络结构图的因果关系层级推理计算出一段日期内每天的风险概率值。
4.根据权利要求3所述的油气井钻井施工作业现场的风险预测方法，其特征在于:所述的风险贝叶斯网络主要包括人的不安全行为A1和物的不安全状态A2两大子系统，每个子系统由多个节点变量通过概率理论聚合而成，每个节点变量又由多个子节点变量通过概率理论聚合而成，两个子系统聚合到总风险指标R。
5.根据权利要求3或4所述的油气井钻井施工作业现场的风险预测方法，其特征在于:所述每天的风险概率值的推理过程如下:(O计算人的不安全行为A1当天的风险概率
6.根据权利要求2所述的油气井钻井施工作业现场的风险预测方法，其特征在于:所述的风险预测模型建立包括如下子步骤: 531:风险概率数据的分析与处理:①风险概率序列的平稳性分析，根据风险概率做出风险概率折线图，以判断风险概率序列的平稳性；②风险概率序列的纯随机性检验，即白噪声检验；③风险概率序列平稳化并检验，对风险概率序列进行一阶差分平稳处理，得到处理后的风险概率序列折线图； 532:根据一阶差分的风险概率序列建立ARIMA模型。
【文档编号】G06Q10/04GK103824131SQ201410073878
【公开日】2014年5月28日 申请日期:2014年2月28日 优先权日:2014年2月28日
【发明者】李建, 王兵, 赵春兰, 肖斌, 汪敏, 李嘉迪, 李庭轲 申请人:西南石油大学