人工智能钻井技术研究方法及其实践

杨传书 李昌盛 孙旭东 黄历铭 张好林

杨传书, 李昌盛, 孙旭东, 黄历铭, 张好林. 人工智能钻井技术研究方法及其实践[J]. 石油钻探技术, 2021, 49(5): 7-13. doi: 10.11911/syztjs.2020136
引用本文: 杨传书, 李昌盛, 孙旭东, 黄历铭, 张好林. 人工智能钻井技术研究方法及其实践[J]. 石油钻探技术, 2021, 49(5): 7-13. doi: 10.11911/syztjs.2020136
YANG Chuanshu, LI Changsheng, SUN Xudong, HUANG Liming, ZHANG Haolin. Research Method and Practice of Artificial Intelligence Drilling Technology[J]. Petroleum Drilling Techniques, 2021, 49(5): 7-13. doi: 10.11911/syztjs.2020136
Citation: YANG Chuanshu, LI Changsheng, SUN Xudong, HUANG Liming, ZHANG Haolin. Research Method and Practice of Artificial Intelligence Drilling Technology[J]. Petroleum Drilling Techniques, 2021, 49(5): 7-13. doi: 10.11911/syztjs.2020136

人工智能钻井技术研究方法及其实践

doi: 10.11911/syztjs.2020136
基金项目: 国家重点研发计划“复杂油气智能钻井理论与方法”(编号:2019YFA0708300 )和中国石化新领域培育科技攻关项目“基于大数据的司钻智脑系统研制(一期)”(编号:XLY19001)联合资助
详细信息
    作者简介:

    杨传书(1972—),男,湖北黄冈人,1996年毕业于石油大学(华东)机械制造工艺与设备、计算机技术及应用专业,2009年获中国石油大学(华东)石油与天然气工程专业工程硕士学位,高级工程师,主要从事石油工程信息技术、石油工程软件方面的研究与管理工作。E-mail:yangcs.sripe@sinopec.com。

  • 中图分类号: TP18;TE938

Research Method and Practice of Artificial Intelligence Drilling Technology

  • 摘要: 人工智能技术飞速发展,在部分行业已取得明显的应用效果,但在钻井领域的应用尚处于探索阶段。为推动人工智能技术在钻井领域的应用,在简述钻井行业人工智能应用研究情况的基础上,提出了将人工智能技术应用到钻井领域的“三轮驱动”方法论,分析了钻井领域适合开展人工智能研究的业务场景及人工智能技术工具,提出了基于方法论评价优选项目的方法,给出了评价优选实例,并以井下故障复杂实时诊断为例简述了钻井人工智能应用研究的过程。同时,指出了钻井领域开展人工智能应用研究存在的不足,提出了钻井人工智能技术的发展建议。
  • 图  1  “三轮驱动”方法论

    Figure  1.  "Three-wheel drive" methodology

    图  2  专家业务标签逻辑

    Figure  2.  Expert business tag logic

    图  3  井漏特征选取逻辑

    Figure  3.  Lost circulation feature selection logic

    表  1  钻井领域AI应用场景及解决的问题

    Table  1.   AI application scenarios and problems to be solved in drilling engineering

    序号业务点应用场景解决的具体问题
    1机械钻速预测工程设计 结合大量邻井实钻数据、新井地质与工程设计方案,预测每个井段的机械钻速,进而预测钻井周期、钻井进度及成本
    2机械钻速预测施工(实时) 结合大量邻井实钻数据以及当前正钻井具体参数,预测当前或下一井段的机械钻速,为优化钻压、转速等钻井参数提供依据
    3地层三压力预测工程设计 根据邻井测录井数据、压力测试数据及研究成果,进行目标井地层三压力预测
    4岩石力学参数预测工程设计 结合邻井测录井数据、岩石力学试验数据及研究成果,预测目标井各地层的岩石可钻性、弹性模量、黏聚力、泊松比等
    5钻头优选工程设计 结合当前井的地质特征、区域钻井大数据,优选最适合当前地层的钻头
    6钻井液优选工程设计 结合当前地质环境、区域钻井大数据推荐最适合当前地层的钻井液体系及性能参数
    7井下工况识别施工(实时) 从大量历史实时数据中,分析不同工况下的参数变化规律,进而实时判别井下工况(钻进、起钻、下钻、循环等),进而实时分析钻井时效,为故障预警奠定基础
    8卡钻预警施工(实时) 结合卡钻历史案例数据、当前工程参数变化趋势进行压差卡钻、坍塌卡钻、缩径卡钻的征兆预警
    9井涌溢流预警施工(实时) 结合井涌溢流历史案例数据、当前工程参数变化趋势进行井涌溢流的征兆预警
    10井漏预警施工(实时) 结合井漏历史案例数据、当前工程参数变化趋势进行井漏的征兆预警
    11故障处理方案推荐施工 当井下出现复杂情况或发生故障时,能根据大量历史事故处理案例和专家知识库,推荐最合适的解决方案
    12钻井参数推荐施工(实时) 结合基于历史数据的钻速预测及风险预警模型,推荐低风险、高钻速的钻井参数
    13钻头磨损监测施工(实时) 结合历史数据中的工程参数及取出钻头磨损情况记录,对当前钻头进行磨损状况监测及预测,便于确定合理的起钻时间
    14岩屑浓度预测施工(实时) 基于钻井工况和地质录井相关参数预测当前井筒中的岩屑分布
    15起下钻速度控制施工(实时) 匹配最相似邻井历史案例,提取邻井无风险起下钻的最优速度,为司钻推荐合理的起下钻速度区间,实现安全提效
    16水力计算模型校正施工(实时) 利用邻井数据学习获得修正系数,实时校正水力计算模型,提高计算实时响应速度(不进行稳压影响下的复杂迭代计算)
    17摩阻系数监测施工(实时) 通过大量实时数据与大钩载荷之间的内在关系,预测不同井段的摩阻系数,解决摩阻影响因素复杂,难以建立物理计算模型的难题
    18地层岩性识别施工(实时) 从历史数据中学习规律,利用随钻测录井数据,实时识别岩性,为现场钻井参数优化提供直接依据
    19设备故障预测全周期 分析不同设备的历史运行数据,捕捉设备损坏前的状态特征,预测设备维护周期,以缩短停工时间
    20井场视频异常识别施工(实时) 利用计算机视觉技术,结合钻井井场的人员活动特征,实现井场人员异常行为(如人员倒地、坠落、人员徘徊、敏感区域人员进入、井场周边异常人员等)的实时识别,为钻井HSSE管理提供高效到手段
    下载: 导出CSV

    表  2  常用AI算法及其适用场景

    Table  2.   Common AI algorithms and their applicable scenarios

    算法大类算法名称特点及适用场景
    分类支持向量机 数据特征较多、线性模型
    平均感知器 训练时间短、线性模型
    逻辑回归 训练时间短、线性模型
    贝叶斯点机 训练时间短、线性模型,允许缺失值,更适用于增量训练
    决策森林 训练时间短、精准度高
    决策丛林 训练时间短、精确度高、内存占用量小
    神经网络 精准度高、数据量大、训练时间较长
    XGBoost 精确度高、训练时间短、允许存在缺失值
    聚类层次聚类 训练时间短、数据量大
    K-means 精准度高、训练时间短,仅适用于数值型数据训练
    FCM 精确度高、训练时间短
    SOM神经网络 大数据量、运行时间较长
    回归排序回归 对数据进行分类排序
    泊松回归 预测事件次数
    森林分位数回归 预测分布
    线性回归 训练时间短、线性模型
    贝叶斯线性回归 训练数据量较少、线性模型
    神经网络回归 精准度高、训练时间较长
    决策森林回归 精准度高、训练时间短
    XGBoost回归 精确度高、训练时间短、内存占用较大
    时序序列自回归(AR) 描述当前值与历史值之间的关系,用变量自身的历史时间数据对自身进行预测,必须满足平稳性的要求,适用于自相关系数拖尾、偏相关系数截尾的情形
    移动平均
    (MA)
     关注AR中误差项的累加,消除预测的随机波动,适用于自相关系数截尾、偏相关系数拖尾的情形
    自回归移动平均(ARMA) 以上二者的结合,适用于自相关系数和偏相关系数均为拖尾的情形
    下载: 导出CSV

    表  3  钻井领域AI技术部分应用项目评价

    Table  3.   Project evaluation (example) of AI application in drilling engineering

    项目名称数据基础AI工具综合评价
     机械钻速预测
    (设计)
     历史井的地层岩性、岩石力学参数、地层压力、实时钻井参数、钻井液性能、钻具组合及钻头数据齐全,完全满足建模所需 神经网络、决策森林等回归工具 模型训练的3个条件均满足,也能提供应用模型所需的数据,可为区域钻井时效分析及方案优化、新井周期预估提供新途径,预计效果优于传统手段。推荐!
     参数优化与钻头状态评价(实时) 历史数据同上,满足建模需求;应用模型所需的钻井参数、钻时数据可实时获取 同上 训练模型所需的历史数据满足要求,应用所需的参数可实时采集,随钻过程中可以最优钻速为目标优化钻井参数,满足应用条件。推荐!
     井下故障复杂诊断预警 综合录井实时数据容易获取,存量也大 支持向量机、神经网络、决策森林、XGBoost等分类工具 故障复杂发生前,相关参数一般都有异常变化的征兆,可实时获取随钻数据,技术可行性相对较弱,历史案例偏少,但对于预防与控制井下故障有着重要意义,现场急需
     地层岩性识别 通过测井解释可得到地层岩性,测井数据和历史井对岩性数据都比较齐全,实钻过程中也可以获取测井数据 神经网络、支持向量机等分类或聚类工具 模型训练的3个条件均能满足,对测井数据与岩性的关联性有较好的认知,条件成熟
     设备故障预测 大部分井场设备状态尚未实现实时监测,历史案例积累的太少 方法可行但数据基础薄弱,难以完成模型训练。建议尽快规模化升级井场关键设备,实现井场设备实时监测,待条件成熟再启动AI项目
    下载: 导出CSV
  • [1] 李开复, 王咏刚.人工智能[M].北京: 文化发展出版社, 2017: 188–290.

    LEE Kaifu, WANG Yonggang. Artificial intelligence[M]. Beijing: Cultural Development Press, 2017: 188-290.
    [2] ALOUHALI R, ALJUBRAN M, GHARBI S, et al. Drilling through data: automated kick detection using data mining[R]. SPE 193687, 2018.
    [3] POLLOCK J, STOECKER-SYLVIA Z, VEEDU V, et al. Machine learning for improved directional drilling[R]. OTC 28633, 2018.
    [4] PHAN D T, LIU Chao, ALTAMMAR M J, et al. Application of artificial intelligence to predict time-Ydependent safe mud weight windows for inclined wellbores[R]. IPTC 19900, 2020.
    [5] 管志川,胜亚楠,许玉强,等. 基于PSO优化BP神经网络的钻井动态风险评估方法[J]. 中国安全生产科学技术,2017,13(8):5–11.

    GUAN Zhichuan, SHENG Ya’nan, XU Yuqiang, et al. Dynamic risk assessment method of drilling based on PSO optimized BP neural network[J]. Journal of Safety Science and Technology, 2017, 13(8): 5–11.
    [6] 殷志明,刘书杰,谭扬,等. 基于机器学习的深水钻井大数据处理方法研究[J]. 海洋工程装备与技术,2019,6(11):446–453.

    YIN Zhiming, LIU Shujie, TAN Yang, et al. Research on outlier marking method of deepwater drilling big data in machine learning[J]. Ocean Engineering Equipment and Technology, 2019, 6(11): 446–453.
    [7] YIN Qishuai, YANG Jin, ZHOU Bo. et al. Improve the drilling operations efficiency by the big data mining of real-time logging[R]. SPE/IADC 189330, 2018.
    [8] 林伯韬,郭建成. 人工智能在石油工业中的应用现状探讨[J]. 石油科学通报,2019,4(4):403–413.

    LIN Botao, GUO Jiancheng. Discussion on current application of artificial intelligence in petroleum industry[J]. Petroleum Science Bulletin, 2019, 4(4): 403–413.
    [9] 李杰.工业人工智能[M].刘宗长, 高虹安, 贾晓东, 译.上海: 上海交通大学出版社, 2019: 29-113.

    LEE Jay. Industrial artificial intelligence[M]. LIU Zongchang, GAO Hongan, JIA Xiaodong, translated. Shanghai: Shanghai Jiao Tong University Press, 2019.
    [10] 李杰, 倪军, 王安正.从大数据到智能制造[M].上海: 上海交通大学出版社, 2016.

    LEE Jay, NI Jun, WANG Anzheng. From bigdata to intelligent manufacturing[M]. Shanghai: Shanghai Jiao Tong University Press, 2016.
    [11] CSDN.人工智能算法总结[EB/OL].[2019-12-26].https://blog.csdn.net/JimBraddock/article/details/100376290.
    [12] CSDN.机器学习(三): 时间序列法[EB/OL].[2019-12-26].https://blog.csdn.net/livan1234/article/details/80863021
    [13] CSDN.10大热门人工智能开源工具(框架)[EB/OL].[2019-12-26].https://blog.csdn.net/zhangbijun1230/article/details/80714032
  • [1] 史配铭, 李晓明, 倪华峰, 石崇东, 姜庆波, 程华林.  苏里格气田水平井井身结构优化及钻井配套技术, 石油钻探技术. doi: 10.11911/syztjs.2021057
    [2] 陈新勇, 徐明磊, 马樱, 徐雅萍, 赵博, 韩煦.  杨税务潜山油气藏大位移井钻井完井关键技术, 石油钻探技术. doi: 10.11911/syztjs.2021010
    [3] 路保平, 侯绪田, 柯珂.  中国石化极地冷海钻井技术研究进展与发展建议, 石油钻探技术. doi: 10.11911/syztjs.2021046
    [4] 耿黎东.  大数据技术在石油工程中的应用现状与发展建议, 石油钻探技术. doi: 10.11911/syztjs.2020134
    [5] 吴江, 李炎军, 张万栋, 杨玉豪.  南海莺歌海盆地中深层高温高压水平井钻井关键技术, 石油钻探技术. doi: 10.11911/syztjs.2019112
    [6] 张智亮, 王威, 伊明, 刘强.  井下安全监控系统设计与实现, 石油钻探技术. doi: 10.11911/syztjs.2020094
    [7] 周英操, 刘伟.  PCDS精细控压钻井技术新进展, 石油钻探技术. doi: 10.11911/syztjs.2019071
    [8] 田林海, 屈刚, 雷鸣, 于德成, 张伟.  玛湖油田玛18井区体积压裂对钻井作业干扰问题的探讨, 石油钻探技术. doi: 10.11911/syztjs.2019023
    [9] 邴绍强.  基于人工智能的抽油机井结蜡预警方法, 石油钻探技术. doi: 10.11911/syztjs.2019093
    [10] 王波, 王旭, 邢志谦, 苑宗领, 李士杰.  冀东油田人工端岛大位移井钻井完井技术, 石油钻探技术. doi: 10.11911/syztjs.2018118
    [11] 边瑞超, 周洪林, 曹华庆.  冀东油田人工岛丛式井钻井防碰技术, 石油钻探技术. doi: 10.11911/syztjs.201705004
    [12] 张雪飞, 张伟, 徐新纽, 王俊文, 李君, 阮彪.  准噶尔盆地南缘H101井高密度油基钻井液技术, 石油钻探技术. doi: 10.11911/syztjs.201601007
    [13] 周贤海, 臧艳彬.  涪陵地区页岩气山地“井工厂”钻井技术, 石油钻探技术. doi: 10.11911/syztjs.201503009
    [14] 陈平, 刘阳, 马天寿.  页岩气"井工厂"钻井技术现状及展望, 石油钻探技术. doi: 10.3969/j.issn.1001-0890.2014.03.001
    [15] 马鹏鹏, 周英操, 蒋宏伟, 赵亦朋.  钻井风险控制系统关键技术, 石油钻探技术. doi: 10.3969/j.issn.1001-0890.2014.03.004
    [16] 牛新明.  涪陵页岩气田钻井技术难点及对策, 石油钻探技术. doi: 10.3969/j.issn.1001-0890.2014.04.001
    [17] 艾军, 张金成, 臧艳彬, 许明标.  涪陵页岩气田钻井关键技术, 石油钻探技术. doi: 10.11911/syztjs.201405002
    [18] 葛鹏飞, 马庆涛, 张栋.  元坝地区超深井井身结构优化及应用, 石油钻探技术. doi: 10.3969/j.issn.1001-0890.2013.04.018
    [19] 周贤海.  涪陵焦石坝区块页岩气水平井钻井完井技术, 石油钻探技术. doi: 10.3969/j.issn.1001-0890.2013.05.005
    [20] 靳金荣, 滕春鸣, 刁意舒, 赵冬云, 周建设.  赵东平台C/D区块水平井钻井完井配套技术, 石油钻探技术. doi: 10.3969/j.issn.1001-0890.2011.05.006
  • 加载中
图(3) / 表ll (3)
计量
  • 文章访问数:  187
  • HTML全文浏览量:  163
  • PDF下载量:  148
  • 被引次数: 0
出版历程
  • 收稿日期:  2020-10-15
  • 修回日期:  2021-03-10
  • 网络出版日期:  2021-04-30
  • 刊出日期:  2021-10-18

目录

    /

    返回文章
    返回