一种钻井风险预测系统的制作方法

本发明涉及油气勘探开发技术领域，具体地说，涉及一种钻井风险预测系统。

背景技术：

钻井风险预测是指依据钻井作业数据运用一定的方法对钻井作业中存在的风险进行预测，以达到预防和控制的目的。钻井作业具有十分复杂的流程，其过程中存在许多不确定性因素的影响。因此，对钻井过程中的影响因素进行风险预测就十分重要，有效的预测结果对于钻井现场作业具有重大的知道意义。

目前进行钻井风险预测的方法主要包括神经网络法以及案例推理法等方法，这些方法的局限性在于需要大量的邻井资料。而对于新的区块的邻井资料较少，这也就使得这些方法在钻井风险预测上难以发挥作用。同时，即使在具备邻井案例样本的情况下，样本量的大小也决定了这些方法的钻井风险预测准确度。也就是说，在历史样本量较小的情况下，现有的这些钻井风险预测方法的准确度也交底，无法满足实际生产的要求。

技术实现要素：

为解决上述问题，本发明提供了一种钻井风险预测系统，所述系统包括：

原始数据获取模块，其用于获取待分析钻井的实测数据，所述实测数据包含多个影响参数的原始数据；

特征向量确定模块，其与所述原始数据获取模块连接，用于对所述原始数据获取模块传输来的所述实测数据进行处理，得到所述实测数据的特征向量；

关联度系数确定模块，其与所述特征向量确定模块连接，用于根据所述实测数据的特征向量和预设钻井风险判断矩阵，分别计算所述实测数据的特征向量的各个元素与各个故障类型的关联度系数；

风险预测模块，其与所述关联系统确定模块连接，用于根据所述关联度系数 计算所述实测数据与各个故障类型的关联度，并根据所述关联度判断所述待分析钻井是否存在风险。

根据本发明的一个实施例，所述特征向量确定模块配置为首先根据所述实测数据，分别计算各影响参数的变化量，随后根据所述各影响参数的变化量，确定所述实测数据的特征向量。

根据本发明的一个实施例，在计算各影响参数的变化量时，所述特征向量确定模块配置为首先计算各影响参数的平均值，随后根据所述各影响参数与其平均值的差值来确定所述各影响参数的变化量。

根据本发明的一个实施例，影响参数的变化量包括：

扭矩变化量、总池体积净变化量、流量差、钩载变化量、钻具裸眼静止时间、钻压变化量、机械比能值和井下循环当量密度。

根据本发明的一个实施例，所述特征向量确定模块配置为在计算所述扭矩变化量时，首先将实时扭矩标准化为预设尺寸钻头在预设深度下的扭矩，从而得到标准扭矩，并根据所述标准扭矩计算所述扭矩变化量。

根据本发明的一个实施例，所述关联度系数确定模块配置为首先分别计算所述实测数据的特征向量与预设钻井风险判断标准矩阵的最大误差值和最小误差值，随后根据所述最大误差值和最小误差值，计算所述实测数据的特征向量中各个元素与各个故障类型的关联度系数。

根据本发明的一个实施例，所述关联度系数确定模块配置为根据如下表达式计算所述实测数据的特征向量中各个元素与各个故障类型的关联度系数：

其中，ξij表示实测数据的特征向量中的第j个元素yj针对第i类故障的关联度系数，m表示故障类型的总数，n表示每种故障的特征向量所包含的元素个数，δmax和δmin分别表示实测数据的特征向量与预设钻井风险判断标准矩阵的最大误差值和最小误差值，ρ表示分辨系数，xij表示预设钻井风险判断标准矩阵中第i行第j列的元素。

根据本发明的一个实施例，所述关联系数确定模块配置为根据如下表达式计算实测数据的特征向量与预设钻井风险判断标准矩阵的最大误差值和最小误差值：

其中，δmax和δmin分别表示实测数据的特征向量与预设钻井风险判断标准矩阵的最大误差值和最小误差值，yj表示实测数据的特征向量中的第j个元素，xij表示预设钻井风险判断标准矩阵中第i行第j列的元素。

根据本发明的一个实施例，所述风险预测模块配置为根据如下表达式计算所述各影响参数的钻井风险关联度：

其中，ri表示实测数据与第i类故障的关联度，ωj表示实测数据的特征向量中的第j个元素针对第i类故障的权重，ξij表示实测数据的特征向量中的第j个元素针对第i类故障的关联度系数，m表示故障类型的总数，n表示每种故障的特征向量所包含的元素个数。

本发明设计了一种基于改进灰色关联的钻井风险预测的新系统，该系统利用实时录井数据，结合钻柱尺寸、井眼尺寸、钻井液性能等参数，以一定的时间间隔计算沿井眼轨迹上每个点的风险关联度大小(其能够预测的风险包括：钻头失效，断钻具，井漏，井涌，遇阻遇卡以及溜钻等)，随钻过程中对全井段任何位置进行钻井风险的预测，实时识别钻井风险并预警，帮助施工技术人员控制钻井风险。

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特别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的附图做简单的介绍：

图1是根据本发明一个实施例的钻井风险预测系统的结构示意图；

图2是根据本发明一个实施例的钻井风险预测的流程图；

图3是根据本发明一个实施例的确定特征向量的流程图；

图4是根据本发明一个实施例的确定关联度系数的流程图。

具体实施方式

以下将结合附图及实施例来详细说明本发明的实施方式，借此对本发明如何应用技术手段来解决技术问题，并达成技术效果的实现过程能充分理解并据以实施。需要说明的是，只要不构成冲突，本发明中的各个实施例以及各实施例中的各个特征可以相互结合，所形成的技术方案均在本发明的保护范围之内。

同时，在以下说明中，出于解释的目的而阐述了许多具体细节，以提供对本发明实施例的彻底理解。然而，对本领域的技术人员来说显而易见的是，本发明可以不用这里的具体细节或者所描述的特定方式来实施。

另外，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

针对现有技术中存在的问题，本发明提供了一种基于灰色关联的钻井风险预测系统，该系统基于改进的灰色关联算法，对钻井过程中全井段进行风险预测，以此得到体现各类风险的关联度。通过该关联度，施工人员能够在钻井施工过程中及时识别各类钻井风险并采取对应措施，从而最大限度地避免钻井风险的发生。

图1示出了本实施例所提供的钻井风险预测系统的结构示意图。

如图1所示，本实施例所提供的钻井风险预测系统包括：原始数据获取模块101、特征向量确定模块102、关联度系数确定模块103以及风险预测模块104。其中，原始数据获取模块101用于获取待分析钻井的实测数据。本实施例中，原始数据获取模块101所获取到的实测数据包含多个影响参数的原始数据。

特征向量确定模块102与原始数据获取模块101连接，其能够对原始数据获取模块101传输来的原始数据进行处理，从而得到实测数据的特征向量。在得到实测数据的特征向量后，特征向量确定模块102会将得到的特征向量传输给与之相连的关联度系数确定模块103，以由关联度系数确定模块103来根据实测数据的特征向量和预设钻井风险判断矩阵，分别计算实测数据的特征向量的各个元素与各个故障类型的关联度系数。

风险预测模块104与关联系统确定模块103连接，用于根据关联度系数计算实测数据与各个故障类型的关联度，并根据关联度判断待分析钻井是否存在风险。

图2示出了本实施例所提供的钻井风险预测系统的工作流程图。

如图2所示，在进行钻井风险预测时，首先由原始数据获取模块101在实测数据获取步骤s201中获取待待分析钻井的实测数据。本实施例中，原始数据获取模块101在步骤s201中所获取到的实测数据包含多个影响参数的原始数据。

通过对现有钻井风险预测方法的分析，现有钻井风险预测方法在风险预测过程中所使用的标准故障模式的建立仅仅局限于录井数据的变化，其未考虑钻井液对钻具的影响，同时也未考虑钻头尺寸及井深对扭矩的影响。

本实施例中，原始数据获取模块101在步骤s201中所获取到的实测数据所包含的多个影响参数优选地包括：扭矩、总池体积、流量、钩载、钻具裸眼静止时间、钻压、机械比以及循环当量密度(equivalentcirculatingdedsity，简称为ecd)。其中，在获取上述影响参数的原始数据的过程中，首先获取实时录井数据中采集相关参数(包括井深、扭矩、入口流量、出口流量、总池体积、钻压、大钩载荷、立管压力、钻时以及转速等)，随后利用现场的钻井液性能、钻具组合和钻头等数据来得到上述影响参数的原始数据。

本实施例中，通过参数ecd能够反映出钻具以及钻井等参数的对最终预测结果的影响。同时，钻井液对最终预测结果的影响还可以通过浮重反应出来，浮重即是钻井液对钻具的浮力。

而钻头尺寸以及井深对扭矩的影响则可以通过标准扭矩体现出来，本实施例中，将将实时扭矩值标准化为8-1/2″钻头1000米井深的扭矩。

钻井中任何一个环节出现异常都可能造成风险的发生，因此需要综合考虑钻井中的各种因素，例如钻井液、钻具，钻头、钻井过程中的钻井参数(包括扭矩、钻压等)。某一因素出现异常均可能引起风险的发生，因此综合分析各种影响参数，当某一或多个参数变化超过相应门限值，根据建立的灰色关联理论模型判断出相应风险，对钻井风险进行预测及实时分析，对现场进行指导。

本实施例中，原始数据获取模块101可以采用综合录井仪等设备来实现。当然，在本发明的其他实施例中，原始数据获取模块101还可以采用其他合理的装置或设备来实现，本发明不限于此。

原始数据获取模块101在获取到待分析钻井的实测数据后，将实测数据传输给特征向量确定模块102。特征向量确定模块102能够在步骤s202中对实测数据中的原始数据进行处理，从而得到实测数据的特征向量。本实施例中，特征向量确定模块102在步骤s202中所得到的实测数据的特征向量中的各个元素能够表征对应影响参数的变化量大小。

具体地，如图3所示，特征向量确定模块102在确定实测数据的特征向量的过程中，首先在步骤s301中根据各个影响参数的原始数据，分别计算各个影响参数的变化量，随后在步骤s302中根据各个影响参数的变化量确定实测数据的特征向量。

其中，在计算某一影响参数的变化量的过程中，首先测得该影响参数在某一预设时长内的原始数据，从而得到该影响参数在该预设时长内的多个采样值。随后对这些采样值进行平均值处理，从而得到该影响参数在预设时长内的平均值。最后通过计算待分析时刻该影响参数的采样值与上述平均值的差值，即可得到该影响参数的变化量。

需要指出的是，本实施例在步骤s301中计算各个影响参数的变化量的过程类似，因此在此不再对每个影响参数的变化量的过程进行赘述。

同时，还需要指出的是，在本发明的其他实施例中，还可以通过其他合理方式来计算各个影响参数的变化量，本发明不限于此。例如在本发明的一个实施例中，可以采用均值滤波、动态平均等方式来计算各个影响参数在预设时长内的平均值，还可以通过计算各个影响参数在预设时长内的方差或标准差来确定各个影响参数的变化量。

本实施例中，为了减少钻头尺寸以及井深值对扭矩值的影响，在计算扭矩变化量时，首先将实时扭矩标准化为预设尺寸钻头在预设深度下的扭矩，从而得到标准扭矩，并根据标准扭矩来计算扭矩的平均值以及扭矩变化量。具体地，本实施例中优选地将扭矩标准化为8-1/2″钻头1000米井深的扭矩。当然，根据实际需要，在本发明的其他实施例中，还可以将扭矩标准化为其他合理钻头尺寸和/或井深的扭矩，本发明不限于此。

在计算总池体积净变化量的过程中，首先利用实时的总池体积计算总池体积变化量，利用井内钻柱体积计算井内钻柱体积变化量，利用井深变化计算井眼加深减少的总池体积，随后计算上述三者的算术和。而上述三者的算术和即 为由于人为增减泥浆、井涌、井漏引起的总池体积的净变化量。本实施例中，利用总池体积净变化量用来判断井涌、井漏事故。

本实施例中所涉及的流量差值为出口流量与入口流量的差值，其中，流量差值能够用于表征井涌或井漏事故。钩载变化量能够用于表征遇阻遇卡事故，其可以利用大钩载荷、钻压、浮重的差值计算得到。钻具裸眼静止时间能够用于表征卡钻事故，其可以通过测量钻具在罗严重的静止时间确定出。钻压变化量可以用于表征溜钻事故，本实施例中，通过钻压变化量与大钩位置和钻头直径差值作为判断是否发生溜钻事故的主要依据。

机械比能值表示单位时间破碎体积岩石所需的机械能，本实施例中，机械比能值可以根据如下表达式计算得到：

其中，mse表示机械比能值，wob表示钻压，dia表示井底直径，rpm表示旋转转速，tob表示钻头扭矩，rop表示钻进速度。

本实施例中，在计算循环当量密度ecd的过程中，首先根据井身结构、井眼轨迹、钻具结构、泥浆性能、实时采集的钻进工艺参数等实时计算钻柱内压耗、钻头压降、环空压耗等井下水力参数，随后在此基础上综合地面实时测量的相关参数，综合计算确定井下ecd值。当然，在本发明的其他实施例中，还可以通过其他合理方式来确定井下ecd值，本发明不限于此。

特征向量确定模块102在步骤s302中，根据各个影响参数的变化量可以确定出实测数据的特征向量。本实施例中，对于各个影响参数来说，在实际应用中所关心的是其数值的相对变化情况，因此本实施例中通过分别设定一个与各个影响参数对应的门限值来横量各个影响参数的变化情况。当影响参数的变化量超过门限值时，那么便认为该影响参数发生了变化。本实施例中，优选地利用1来表示影响参数增大，利用-1来表示影响参数减小，利用0来表示影响参数保持不变。这样也就可以得到某一时刻所获取到的实测数据的特征向量。

再次如图2所示，特征向量确定模块102在得到实测数据的特征向量后，会将实测数据的特征向量传输给关联度系数确定模块103，以由关联度系数确定模块103在步骤s203中根据实测数据的特征向量和预设钻井风险判断矩阵，计算实测数据的特征向量与各个故障类型的关联度系数。

本实施例中，关联度系数确定模块103在步骤s203中优选地采用灰色关联 分析法来计算实测数据的特征向量与各个故障类型的关联度系数。灰色关联分析是利用灰色模型进行故障识别的方法。当系统出现异常时，所检测出的数据将表现出一些异常，而每种故障都有其相对应的特征现象。而灰色关联分析的实质便是确定实测数据的特征向量与标准故障特征序列特征向量矩阵(即预设钻井风险判断矩阵)的相似程度。其中，曲线越接近，相应数据序列间的关联度也就越大。

本实施例中，假设钻井施工过程中可能出现的故障类型总共为m个，每种故障类型的特征向量所包含的元素个数为n。通过上述描述可知，本实施例中n的取值为8。

本实施例中，标准故障特征序列特征向量矩阵(即预设钻井风险判断矩阵)xr可以表示为：

其中，xi表示第i类故障的特征向量。需要指出的是，对于标准故障特征序列特征向量矩阵xr来说，其每一列中的各个元素具有相同的物理意义，但其取值大小可能不同。

本实施例中，特征向量确定模块102在步骤s202中所确定出的实测数据的特征向量yt可以表示为：

yt＝[y1,y2,...,yn](3)

其中，yj实测数据的特征向量中的第j个元素。

图4示出了本实施例中计算实测数据的特征向量与各个故障类型的关联度系数的流程图。

如图4所示，本实施例中关联度系数确定模块103在步骤s401中分别计算实测数据的特征向量与预设钻井风险判断标准矩阵的最大误差值和最小误差值，随后在步骤s402中基于上述最大误差值和最小误差值，计算分别实测数据的特征向量与各个故障类型的关联度系数。

具体地，本实施例所提供的关联度系数确定模块103在步骤s401中根据如下表达式来计算实测数据的特征向量与预设钻井风险判断标准矩阵的最大误差值δmax和最小误差值δmin：

其中，xij表示预设钻井风险判断标准矩阵中第i行第j列的元素。

本实施例中，关联度系数确定模块103在步骤s402中根据如下表达式计算实测数据的特征向量与各个故障类型的关联度系数：

其中，ξij表示实测数据的特征向量中的第j个元素yj针对第i类故障的关联度系数，m表示故障类型的总数，n表示每种故障的特征向量所包含的元素个数，ρ表示分辨系数。

再次如图2所示，当得到实测数据的特征向量中各个元素与各个故障类型的关联度系数后，关联度系数确定模块103会将这些关联系数传输给风险预测模块104，以由风险预测模块104在步骤s204中根据上述关联度系数来确定实测数据与各个故障类型的关联度，并根据该关联度判断待分析钻井是否存在风险。

由于不同的影响参数对于钻井施工过程的影响程度不同，因此为了表征不同影响参数的重要程度，本实施例所提供的方法在根据各个关联度系数来计算实测数据与各个故障类型的关联度时，还对各个关联度系数赋予了不同的权值。具体地，本实施例中，实测数据与各个故障类型的关联度优选地采用如下表达式进行计算：

其中，ri表示实测数据与第i类故障的关联度，ωj表示实测数据的特征向量中的第j个元素针对第i类故障的权重。

需要指出的是，对于实测数据的特征向量来说，其满足：

本实施例中，各个故障类型分别对应预设有一关联度阈值，如果实测数据与某一故障类型的关联度大于其相应关联度阈值，那么则表示此时待分析钻井出现了故障同时也可以确定出该故障的故障类型。

需要指出的是，在本发明的不同实施例中，特征向量确定模块102、关联度 系数确定模块103和风险预测某开104既可以集成在同一数据处理芯片中，也可以分布在不同的数据处理芯片或设备中，本发明不限于此。

为了验证本实施例所提供的钻井风险预测方法的实用性，本实施例利用该方法对元坝地区x钻井进行分析。首先获取元坝地区已钻井的钻井资料，并对资料进行分析，从而获得有用的数据。随后对所获取到的数据数据进行人工统计、分析、整理。根据元坝地区发生复杂情况井的参数，总结异常参数变化规律，参数变化的门限值等。

x钻井井钻到5496米，通过询问现场人员确定没有人为的减少泥浆，没有地面损失，利用计算得出池体积净增量减少，通过录井数据变化现象，流量差增大，最后通过理论模型的计算与匹配，得出井漏的关联度0.89超出了井漏关联度门限，因此可以判定为井漏。通过该方法发现现场发生井漏，并及时进行处理避免了风险的进一步发生。

从上述描述中可以看出，本发明设计了一种基于改进灰色关联的钻井风险预测的新系统，该系统利用实时录井数据，结合钻柱尺寸、井眼尺寸、钻井液性能等参数，以一定的时间间隔计算沿井眼轨迹上每个点的风险关联度大小(其能够预测的风险包括：钻头失效，断钻具，井漏，井涌，遇阻遇卡以及溜钻等)，随钻过程中对全井段任何位置进行钻井风险的预测，实时识别钻井风险并预警，帮助施工技术人员控制钻井风险。

应该理解的是，本发明所公开的实施例不限于这里所公开的特定结构或处理步骤，而应当延伸到相关领域的普通技术人员所理解的这些特征的等同替代。还应当理解的是，在此使用的术语仅用于描述特定实施例的目的，而并不意味着限制。

说明书中提到的“一个实施例”或“实施例”意指结合实施例描述的特定特征、结构或特性包括在本发明的至少一个实施例中。因此，说明书通篇各个地方出现的短语“一个实施例”或“实施例”并不一定均指同一个实施例。

虽然上述示例用于说明本发明在一个或多个应用中的原理，但对于本领域的技术人员来说，在不背离本发明的原理和思想的情况下，明显可以在形式上、用法及实施的细节上作各种修改而不用付出创造性劳动。因此，本发明由所附的权利要求书来限定。