引用本文
万康, 马志超, 郭青松, 任忠宏, 孟姝婳, 施宝海. 人工智能技术在石油钻井工程事故预警中的应用[J]. 录井工程, 2022,33(2): 24-29.
WAN Kang, MA Zhichao, GUO Qingsong, REN Zhonghong, MENG Shuhua, SHI Baohai. Application of artificial intelligence on petroleum drilling engineering accident early warning[J]. Mud Logging Engineering, 2022,33(2): 24-29.
Doi:10.3969/j.issn.1672-9803.2022.02.005  
Permissions
Copyright©2022, 《录井工程》杂志社
《录井工程》杂志社 所有
人工智能技术在石油钻井工程事故预警中的应用
万康①, 马志超②, 郭青松①, 任忠宏①, 孟姝婳①, 施宝海①
①中国石油渤海钻探第一录井公司
②中国石油大港油田公司第一采油厂

作者简介: 万康 工程师,1985年生,2007年毕业于中国地质大学(武汉)勘查技术与工程专业,现在中国石油渤海钻探第一录井公司从事项目管理及技术应用推广工作。通信地址:300280 天津市滨海新区大港油田团结东路第一录井公司。电话:(022)25922024。E-mail:wankang@cnpc.com.cn

收稿日期: 2022-04-22
摘要

随着人工智能技术的飞速、跨越式发展,人工智能技术在石油钻井工程中的应用,亦可有效提高石油勘探开发现场智能化程度,降低施工作业成本的支出和劳动强度,提高施工作业的安全性。基于此分析了石油钻井施工作业工程事故的常见类型,探讨目前主流的石油钻井工程预警技术,最后对模糊推理神经网络技术在石油钻井工程事故预警中的应用进行了阐述。通过探索和实践,将钻井工程的参数监测、数据处理、模型建立、智能动态诊断集成到智能预警软件后,在石油钻井施工作业现场进行了应用,取得了良好的效果。

关键词: 人工智能; 石油勘探; 钻井工程; 模糊推理; 神经网络; 事故预警
中图分类号:TE132.1 文献标志码:A
Application of artificial intelligence on petroleum drilling engineering accident early warning
WAN Kang①, MA Zhichao②, GUO Qingsong①, REN Zhonghong①, MENG Shuhua①, SHI Baohai①
①No.1 Mud Logging Company, BHDC,CNPC,Tianjin 300280,China
②No. 1 Oil Production Plant of PrtroChina Dagang Oilfield Company, Tianjin 300280, China
Abstract

With the rapid and exceeding development of artificial intelligence, the artificial intelligence technology can also be used in petroleum drilling engineering to effectively improve the intelligent degree of oil exploration and development. It can reduce construction cost and labor intensity as well as improve the safety of construction operation. Based on this, the common types of oil drilling engineering accidents are analyzed, and then the early warning technology of current mainstream oil drilling engineering is discussed. Finally, the application of Fuzzy Inference and Neural Network to early warning of oil drilling engineering accidents is elaborated. Through exploration and practice, the parameter monitoring, data processing, model building and intelligent dynamic diagnosis of drilling engineering are all integrated into the intelligent early warning software. After applying this technology to oil drilling operation site, good results have been achieved.

Keyword: artificial intelligence; petroleum exploration; drilling engineering; fuzzy inference; Neural Network; accident early warning
0 引言

石油钻井工程是石油、天然气等资源勘探开发的主要手段, 是一项复杂、风险高的地下工程, 钻井施工作业过程中伴随着大量随机、模糊、不确定和不可控因素[1]。由地质构造、地层结构及水文、钻井施工工艺及施工设备、油气分布及钻井环境等各种因素造成的钻井事故, 严重威胁着钻井施工作业的安全, 增大了施工作业的风险系数[2]。因此, 快速高效精准预报钻井施工作业过程中的事故事件, 对于保障钻井施工作业的安全、降低钻井施工作业的成本、提高钻井效率和效益具有重要意义。

人工智能技术的关键领域和产业链, 涉及图像识别、人脸识别、语音识别、大数据、模糊逻辑控制、神经网络、专家控制、模式识别移动机器人、智能视觉、无人驾驶、区块链、人工智能风控、云计算、无人农业、智能农业机器人等。目前人工智能技术已经开始在石油钻井施工作业中应用, 可以对油气田勘探开发过程中的大量原始数据进行快速的汇总、分析, 为钻井施工作业安全提供有力的技术支撑, 提高施工作业效率。将人工智能技术用于石油钻井工程施工作业预警中, 可以更好地发挥人工智能技术在精准分析、快速高效判断等方面的特点, 快速超前地实现各种异常的超前预警, 并有效防控, 保障石油钻井工程施工作业的安全, 值得深入研究及推广应用。

1 石油钻井施工事故的常见类型及原因分析

钻井作业过程中常发生钻具刺漏、断钻具、钻头磨损、钻头泥包、水眼堵、掉水眼、蹩钻、跳钻、遇阻、卡钻、井漏、井涌、井塌、溢流等事故, 其中井漏型事故是钻井液由井眼开始, 逐渐地渗漏至地层的一种常见事故[3]。该事故一般是因为钻井工程在施工过程中发生了不规范操作, 或者是井底液柱压力高于地层压力导致的。若在事故出现后不及时使用对应的技术进行科学规范的处理, 很有可能让事故损害进一步扩大化, 甚至影响到钻井施工作业的安全。溢流是在钻井施工过程中, 井筒的液柱压力低于地层压力的时候, 钻杆与井口发生不停喷出钻井液的事故现象。若溢流不及时处理, 钻井液将会不断地增加, 直到形成井涌事故。井涌是由于钻井溢流未能获得及时处置而导致的事故[4]。井塌主要是地层的稳定性遭遇到破坏所导致的事故。因为石油钻井工程的页岩地层里存在一定比例的可溶性盐与黏土矿物质, 该物质与地层的水平应力会形成一种相互影响的作用, 很容易诱发地层稳定性破坏, 造成井塌事故[5]。另外, 若在钻井时遇到高压油气层或侧压力相对偏大的地层时容易发生垮塌情况, 对施工安全与工期保障会带来很大影响。

正常沉积条件下, 地层压力等于同一深度的地层水静液柱压力, 钻井过程中通过钻井液来平衡地层压力。在某些情况下, 地层压力高于或低于正常值, 若钻井液密度未及时调整, 则会产生溢流、井涌、井喷、井漏等工程事故。在钻井施工过程中, 钻具组合不合适、钻井参数选择不恰当, 或长期连续工作带来的钻具疲劳损坏、腐蚀、机械损坏等, 会导致钻具断、钻头磨损、钻具刺漏等工程事故。钻遇盐层、页岩等地层, 井壁容易出现缩进、垮塌, 会发生卡钻、遇阻等工程事故。钻遇含硫地层, 腐蚀钻具发生“ 氢脆” , 会导致断钻具、刺钻等工程事故。

2 常见的石油钻井工程事故预警方法
2.1 钻井工程参数异常变化识别

在石油钻井工程事故预警过程中, 如果单纯地依靠某一种参数, 难以全面地了解事故的类型以及形成的原因。目前较为普遍的石油钻井工程事故预警方法, 是通过钻井工程参数异常变化综合识别工程异常。技术原理以及具体过程如下:在钻机不同部位安装传感器, 对各传感器进行校验(确保传感器的稳定), 对钻机运行过程中的各种参数进行记录, 形成曲线, 通过各项参数的趋势变化, 分析故障类型并进行处理, 如表1所示[6]。

表1 钻井工程参数异常变化

通过钻井工程参数异常变化识别工程异常, 需要随时跟踪各项参数的变化, 工作中对各项参数变化的细节认真观察、分析, 要求操作人员要有高度的责任心, 有一定的专业知识及工作经验, 要熟悉事故的类型, 排除干扰因素。

2.2 远程作业支持系统

利用信息技术将数据异常推送给后方专家, 结合专家经验, 针对反馈的信息作出科学的推断, 不但可以做到对故障进行快速、精准识别, 还可以结合丰富的故障处理经验, 自动形成故障解决方案, 而这些都为事故的快速处理提供了重要的支持。

通过远程作业支持系统, 能够切实提高现场工程事故预警的水平。做到前后方地质工程一体化运行, 需要构建前后方一体化平台[7], 虽然此方式方便快捷、准确率高, 但依然对操作人员的经验要求较高。

3 模糊神经网络技术及其应用

基于上述两种预警方法的优缺点, 构建一套人工智能石油钻井工程事故预警系统是大势所趋。如果利用人工智能技术, 实时地对海量数据进行快速高效处理, 对异常事故作出快速精准的判断, 不断总结人为判断经验, 减少误报, 提高预报准确率, 将是今后石油钻井工程事故智能预警的重要课题, 下面主要探讨基于人工智技术的模糊神经网络在石油钻井工程事故预警中的应用情况[8]。

3.1 对入井各项参数进行动态监控

石油钻井工程是一个动态性的过程, 而施工作业过程中地质条件复杂多变, 让事故的发生存在很强的不确定性。为提高预警工作的效果, 需要对钻井施工各项参数进行动态实时监控。

在进行入井参数监控设置的时候, 必须要考虑下面两个因素。第一, 必须要保障数据能够实现动态获取, 这就要确保前端传感器性能稳定, 数据采集精准, 同时可以持续地捕捉钻井设备运行过程中实时产生的各项参数; 第二, 必须要保证数据在传输过程中, 能够进行稳定传输, 不丢包, 差错率低。由于石油钻井施工作业现场离基地大都比较偏远, 确保施工作业区域信号的稳定性是关键。

3.2 对传感器信号进行预处理

传感器信号在传输过程中容易出现异常和缺失的情况, 必须采用适当的方法, 构建数据模型, 对传感器信号进行预处理, 同时还要构建预警模型数据库, 将有关预处理后的数据存储于数据库中, 对比预处理数据, 判断传感器是否工作异常, 从而实现对工程参数异常情况进行正确地诊断[9]。

3.3 对模糊数据进行处理

模糊数据处理是实践应用过程中, 效果比较好的智能预警技术[10]。模糊数据是一种基于计算机技术, 运用模糊化的理论使人工智能更为高效、快速的方法。数据采集是进行模糊数据处理的关键与前提, 数据本身的准确性以及全面性, 将会给模糊数据处理的结果带来直接的制约。在获取相关设备参数时, 通过人为设定程序, 明确参数采集的指标, 系统就可以对相关数据进行采集。

模糊逻辑(FL)、神经网络理论(NN)相结合, 形成了一种协作体, 这种融合是通过各种方法解决本领域的问题并相互取长补短, 从而形成各种方法的协作。通过这种协作产生了混合智能系统, 模糊逻辑和神经网络都是重要的智能控制方法, 将模糊逻辑和神经网络这两种软计算方法相结合, 形成一种协作体——模糊神经网络(图1)。

图1 模糊神经网络模型

3.4 智能动态诊断

对以往石油钻井施工中出现的各种事故的原因进行综合分析, 通过数据筛选、数据定位、数据特征提取等功能, 利用人工智能推演、机器学习技术, 建立异常识别模型, 不断通过数据分析迭代优化、完善异常识别模型, 减少漏报, 降低误报率, 从而形成一套与生产实际高度吻合的人工智能预警系统, 实时对钻井过程中的设备故障、视频监控、地质和工程复杂情况进行智能预警。针对石油钻井工程事故异常实现同步数据反馈、精准的预报警。

基于人工智能石油钻井工程事故诊断系统, 对过往的事故进行诊断、记录以及经验处理, 不但能够做到快速、准确地预报工程异常, 还能为异常的快速处理提供处理方案, 实现对事故进行快速地响应, 及时处理故障, 将损失降至最低。

4 应用效果

通过探索和实践, 将钻井工程的参数监测、数据处理、模型建立、智能动态诊断集成到智能预警软件后, 在石油钻井施工作业现场进行了应用, 预警准确率高、误报率低, 取得了良好的效果。表2为智能工程事故预警系统预警统计表。该系统对大量的实时钻井工程参数进行分析、判断, 依据疑似的异常参数进行实时预警, 并按照发生的先后时间进行分类统计。图2是长A井工程参数实时监测图, 其中包括大钩高度、钻时、大钩负荷、钻压、扭矩、转速、立管压力、泵冲、套压, 以及钻井液出入口流量、电导率、密度、池体积等数据和曲线, 从图中指示位置可以看出, 18:19当大钩下放时, 大钩负荷增加, 通过人工识别很难发现, 该系统准确地判断出事故情况并进行了预警, 为钻井施工作业下一步工序提供了保障。图3是新X井工程参数实时监测图, 18:01总池体积由139.07 m3增至139.47 m3, 疑似发生溢流, 但该智能预警系统对1#-5#池体积进行分析, 发现仅2#池体积增加, 其他池体积无明显变化, 故判断为施工方进行倒浆作业。经现场证实当时工况为施工人员正在进行倒浆作业, 与实际相符合, 此次异常预报准确无误, 有效降低了溢流误报情况的发生。

表2 智能工程事故预警系统预警统计

图2 长A井工程参数实时监测图

图3 新X井工程参数实时监测图

5 结束语

在石油钻井施工过程中实现零事故, 一直是每一个石油技术服务企业都在努力追求的目标, 也是保证钻井工程施工作业高质量、高效率完成的重要前提。人工智能技术在石油钻井工程事故预警方面的研究与运用, 能够极大地提高钻井施工过程中各种参数异常预警的效率, 有效保障钻井施工中人员和设备的安全, 确保企业健康可持续发展。本文探讨了一种基于人工智能模糊神经网络的预警技术, 具体地介绍了预警系统的原理与实践运用方法, 希望借此技术的运用可以有效地预防钻井施工作业过程中各类钻井工程事故的发生, 减少因事故给企业带来的损失。

编辑: 李特

参考文献
[1] 李超. 油气工程技术企业安全监管数字化及其应用[J]. 中国石油和化工标准与质量, 2019(2): 68-69.
LI Chao. Digitalization of safety supervision in oil and gas engineering enterprises and its application[J]. China Petroleum and Chemical Stand ard and Quality, 2019(2): 68-69. [本文引用:1]
[2] 张莹峰. 石油钻井工程事故的预警技术研究[J]. 工程技术, 2016(2): 244.
ZHANG Yingfeng. Research of petroleum drilling engineering accident early warning[J]. Engineering Technology, 2016(2): 244. [本文引用:1]
[3] 熊小侠. 石油钻井工程事故预警技术分析[J]. 化工设计通讯, 2018, 44(10): 247-248.
XIONG Xiaoxia. Analysis of petroleum drilling engineering accident early warning[J]. Chemical Engineering Design Communications, 2018, 44(10): 247-248. [本文引用:1]
[4] 王巧鹏. 石油钻井工程事故的预警技术研究[J]. 化工管理, 2018(17): 230.
WANG Qiaopeng. Research of petroleum drilling engineering accident early warning[J]. Chemical Enterprise Management, 2018(17): 230. [本文引用:1]
[5] 李庆霖. 钻井平台石油开采事故诱因评估及建议[J]. 中国石油和化工标准与质量, 2019(18): 155-156.
LI Qinglin. Assessment and suggestion of inducing factors of oil exploitation accident on drilling platform[J]. China Petroleum and Chemical Stand ard and Quality, 2019(18): 155-156. [本文引用:1]
[6] 刘玉虎. 石油钻井工程事故的预警技术研究[J]. 石化技术, 2016, 23(11): 250.
LIU Yuhu. Research of petroleum drilling engineering accident early warning[J]. Petrochemical Industry Technology, 2016, 23(11): 250. [本文引用:1]
[7] 王彬, 许卓群. 网格环境下的作业运行支持系统分析[J]. 计算机应用研究, 2007(2): 106-109.
WANG Bin, XU Zhuoqun. Analysis of job runtime systems under grid environment[J]. Application Research of Computers, 2007(2): 106-109. [本文引用:1]
[8] 周晓晓. 人工智能技术[J]. 时代金融, 2017(8): 295.
ZHOU Xiaoxiao. Artificial intelligence technology[J]. Times Finance, 2017(8): 295. [本文引用:1]
[9] 刘刚. 钻井复杂自适应智能预警模型及应用研究[D]. 西安: 西安石油大学, 2018.
LIU Gang. Drilling complex self-adaptive intelligent warning model and its application[D]. Xi'an: Xi'an Shiyou University, 2018. [本文引用:1]
[10] 张禾, 李祁颖, 张露之, 等. 基于模糊专家系统的钻井溢流智能预警技术[J]. 西南石油大学学报(自然科学版), 2016, 38(2): 169-175.
ZHANG He, LI Qiying, ZHANG Luzhi, et al. Early intelligent kick warning in well drilling based on fuzzy expert system[J]. Journal of Southwest Petroleum University(Science & Technology Edition), 2016, 38(2): 169-175. [本文引用:1]