基于工程參數變化趨勢異常診斷的卡鉆實時預警方法

勝亞楠

（中石化中原石油工程有限公司鉆井工程技術研究院，河南 濮陽 457001）

0 引言

近年來，中國石化加快了頁巖氣資源的勘探開發，并在川渝地區取得了重大突破，其中川南工區是我國頁巖氣資源最為豐富、最具開發潛力的地區之一。該工區地質環境復雜苛刻、施工工藝尚未配套，導致鉆井復雜、故障頻發，其中卡鉆故障最為突出，占復雜、故障總時效的47.48%，嚴重制約了頁巖氣安全高效開發。目前解決此類問題最有效的方法是對鉆井過程中的卡鉆風險進行準確預測分析，并及時采取風險規避措施，避免卡鉆故障的發生。國內外學者對于卡鉆的預測進行了長期的研究，卡鉆預警方法多以區域井統計分析和基于傳統鉆井物理模型為主。對于前者來說，需要收集大量區域井資料和數據，通過對卡鉆原因和過程進行分析，然后利用人工神經網絡、模糊數學、層次分析法等方法建立卡鉆預測模型［1-3］。該類方法受限于數據難以準確獲取，同時收集到的數據往往具有區域獨特性，這就使得通過該類方法建立的模型難以推廣到其他區域，不具有普適性。對于后一類方法來說，需要進行摩阻扭矩的精確計算才能實現異常的有效監測；但是傳統鉆井物理模型計算需要大量數據并且難以實時更新計算結果，這就限制了該類方法異常判斷的實時性［4-9］。目前鉆井現場的卡鉆故障識別仍然是依靠司鉆和技術人員，以個人經驗進行異常判斷，缺乏配套軟件，降低了風險識別的準確度和效率?，F有卡鉆識別技術存在監控信息綜合利用能力差、風險預警不夠及時、主觀性太強等問題較為突出。本文通過分析鉆井作業過程中卡鉆故障的專家知識判斷，確定了卡鉆風險對應的關鍵表征參數，并研究了卡鉆發生位點的關鍵表征參數的變化趨勢，得到了相應的變化規律；在此基礎上建立了基于工程參數變化趨勢異常診斷的卡鉆故障實時預警方法，實現了卡鉆故障的智能診斷，提高了異常工況的診斷準確率。結合VDX 參數儀建立了卡鉆故障預警系統，對卡鉆故障進行動態辨識與分析，選取已鉆井歷史復雜故障進行模型驗證與完善，實例分析驗證了方法的可靠性。本文技術的攻關和應用對于在川南工區深層頁巖氣鉆井降低復雜和故障損失、提高鉆井效率具有重要意義。

1 川南頁巖氣卡鉆故障專家知識總結

綜合考慮川南工區卡鉆故障的特殊性，通過整理分析工區內已鉆井歷史復雜與故障，總結該區塊主要的卡鉆故障類型有：沉砂卡鉆、掉塊卡鉆、壓差卡鉆及泥包卡鉆。沉砂卡鉆一般發生在排量不足、攜砂不及時的嚴重漏失的井段。掉塊卡鉆往往發生在存在“大肚子”井眼，在鉆進過程中或上提過程中存在掉塊卡鉆，或者是鉆遇破碎帶，在定向或上提過程中存在卡鉆風險。壓差卡鉆一般發生在地層造漿、泥巖發育、易縮徑地層。泥包卡鉆一般發生在堵漏結束后井段和造漿地層、易縮徑地層。

川南工區典型卡鉆統計數據見表1。

表1 川南工區典型卡鉆故障井統計Table 1 Typical sticking wells in South Sichuan

由表1 可以看出：工區各區域水平段目的層龍馬溪組和五峰組均易發生卡鉆故障，卡鉆發生的主要原因是地層不穩定，直接原因是鉆頭、扶正器和旋轉導向等大尺寸位置在井眼中通過阻力大，停泵、起鉆等操作易誘發卡鉆發生；卡鉆前工況多發生在接單根，上提鉆具、倒劃眼等鉆柱上提過程；掉塊卡鉆距離井底近（86%發生在立柱第一根），突發概率高、具有“秒殺”特征；沉砂卡鉆井底巖屑逐漸積累，具有“推土機”效應。同時可以看出卡鉆危害較大，一旦發生卡鉆即使成功解卡，亦浪費較長的時間，嚴重影響生產效率，如果解卡失敗，則會造成嚴重的經濟損失。

結合傳統專家知識判斷方法，對卡鉆故障的定性識別方法進行梳理和歸納，這也是進行人工智能風險預測重要的基礎工作之一。通過卡鉆故障的專家知識判斷［10-11］，能夠表征卡鉆故障的參數有：大鉤載荷、泵壓、扭矩、機械鉆速、轉盤轉速、鉆壓。

2 卡鉆故障關鍵表征參數變化規律探究

盡管卡鉆故障誘發的原因和卡鉆的類型不同，但是在卡鉆故障發生以后，最終造成的結果都是鉆頭或者鉆具在井下失去了自由活動的能力，卡鉆故障在綜合錄井的實測數據表現的規律是一致的。從鉆井過程中鉆進、鉆具上下活動等工況下分析故障在發生以后對應井下實測數據發生的變化：在鉆進過程中發生卡鉆故障后，存在鉆時升高、轉盤扭矩升高、泵壓升高、轉速降低等參數變化規律；起鉆過程中發生卡鉆后，存在大鉤負荷升高、扭矩升高等參數變化規律；在下鉆過程中發生卡鉆后，存在大鉤負荷降低、扭矩升高、轉速升高等參數變化規律。

通過研究卡鉆發生位點監測數據的關鍵特征和變化趨勢，挖掘卡鉆故障發生前后的關鍵表征參數的變化特點及趨勢，剖析參數變化與卡鉆的關聯性，為后續卡鉆預警模型的構建提供依據。

以壓差卡鉆為例：壓差卡鉆故障征兆及表征參數變化規律見圖1。

圖1 壓差卡鉆故障征兆及表征參數變化規律Fig.1 Pressure differential sticking risk sign and change law of the characterization parameters

3 基于參數變化趨勢異常診斷的卡鉆預警模型

在對卡鉆故障發生前后的工程監測數據的變化特點及趨勢進行總結分析的基礎上，建立和完善基于專家知識和數據智能算法的風險評估算法，構建卡鉆故障識別與診斷模型，對卡鉆故障的發生頻率及烈度進行定量評估；基于構建的卡鉆故障智能識別算法，實現井下復雜故障的智能定量診斷，把井下復雜故障從事后診斷升級為事前預警，并結合本院自研的VDX 參數儀建立井下卡鉆風險預警機制，對卡鉆故障進行動態辨識與分析，并選取已鉆井歷史復雜故障進行模型驗證與完善，最終將預警系統應用于鉆井現場，提高異常工況的診斷準確率、降低鉆井風險。

卡鉆故障對應故障征兆的變化趨勢需要通過對一定時間段內的測量數據進行分析才能確定，而不是當前時間點的單一數值。參數的異常變化反映在曲線形態上即是曲線斜率的增大或減小?？ㄣ@發生時，突出表現為懸重、扭矩和泵壓發生浮動變化。通過自動監測時間序列懸重、扭矩和泵壓變化，實現卡鉆故障實時預警。算法主要步驟如下。

3.1 野點剔除

工程參數曲線的毛刺或突變可能是異常跳動，也可能是井下工況突變。對異常跳動、毛刺或突變應該剔除；對井下工況突變，則應該保留。未確知有理數方法能夠很好地識別異常值和真值突變問題［12］。

假設某時刻工程參數響應為未確知有理數A，如式（1）：

式中：Xi——某深度處的鉆井工程參數；p(x)——鉆井工程參數的可信度分布函數。

對比異常值和真值突變：如果Xi是異常值，則它是孤立的，在其鄰域內與其數值相近的數據很少；如果是真實突變，則在Xi的鄰域內與其數值相近的數據較多。由此認為，Xi鄰域內與其相近的數據越多，則Xi的可信度大，反之Xi的可信度小?？尚哦群瘮禐椋?/p>

式中：ni——Xi鄰域內(i-δ＜j＜i+δ)中包含Xj的個數。

這樣就可以采用未確知有理數A的期望來代替，實現異常值剔除。

3.2 參數歸一化

本文采用最大最小法對工程參數進行歸一化處理［13］：

式中：xmin、xmax——序列中的最小值和最大值。

3.3 基于參數變化趨勢異常診斷的卡鉆預警算法

對于工程參數所顯示的增長趨勢，引入移動平均值的偏差，計算公式為：

式中：Mα、Mβ——t時刻的移動平均值；α、β——滑動窗口長度；ΔM——t時刻移動平均值的插值。

上述技術僅適用于量化數據的增加和降低趨勢，為了量化數據變化趨勢的異常，將線性回歸應用于實時數據分析，將時刻t處回歸的斜率值記為Ki，t，正值為正趨勢，負值為負趨勢。平均局部斜率的計算公式為：

式中：wi——一個邏輯函數，表示從0～1 的指數轉換，公式為：

式中：λ1、λ2——分別為控制過渡的位置和銳度，λ1=0.5-α，λ2=0.1；wi——時間步驟t之前數據點i的加權因子，當i=t-α時，加權因子接近0，當tα＜i≤t時，接近1。

分別選取t時刻之前0.5、1、1.5、2、2.5、3 min（時間間距可調整）做參數變化趨勢分析，如果斜率一直增加，并且t時刻之前0.5 min 之內數據回歸斜率＞0，則表明該工程參數有異常增大趨勢。如：當起鉆過程中，懸重測量參數t時刻之前0.5、1、1.5、2、2.5、3 min，6 個時間段內數據回歸斜率一直增加，并且t時刻之前0.5 min 之內數據回歸斜率＞0，則發生卡鉆預警。同理，根據扭矩、泵壓變化規律也可判斷卡鉆故障?？ㄣ@風險指數可以通過將不同的加權因子分配給懸重監測指標、扭矩監測指標和泵壓監測指標的概率值來計算，公式為：

式中：Rsk——卡鉆風險指數；PD、PT、PP——分別為懸重、扭矩和泵壓監測指標風險概率；wD、wT、wP——加權因子，根據專家經驗或已鉆井歷史數據確定加權因子。

卡鉆自動監測算法流程如圖2 所示，過程如下：

圖2 基于參數變化趨勢異常診斷的卡鉆實時預警流程Fig.2 Real?time warning flow of the sticking based on the abnormal diagnose of the parameter change trend

（1）首先在使用卡鉆監測算法之前對實時數據進行異常點剔除，通過實時鉆井參數對鉆井狀態進行工況識，并判斷操作是否屬于任何瞬態活動；上述預處理過程可以為風險預警建立一個合理的起點，并避免由于瞬態操作或異常點引起的誤報警。

（2）基于當前和先前時間步驟的數據計算卡鉆關鍵表征參數：懸重、扭矩、泵壓移動平均值的偏差和t時刻之前0.5、1、1.5、2、2.5、3 min 局部趨勢特征。如果平均移動偏差值指示局部增加趨勢，同時6 個時間段內數據回歸斜率絕對值一直增加，則根據不同工況下卡鉆故障判斷準則做出卡鉆預警。

（3）通過為得到的概率值分配不同的加權因子，可以獲得最終的卡鉆風險指數。如果風險指數等于1，算法給出報警信號。

4 實例應用與分析

為驗證算法的可靠性，選取WY-XX 井為實例進行分析。WY-XX 井是布置于四川盆地鐵山—威遠構造帶白馬鎮向斜上的一口開發井。設計井深：5670 m；目的層：龍馬溪組一段2-3①小層；完鉆原則：鉆至設計水平段長完鉆。該井于2020 年2 月8日16：00 導眼開鉆；2 月17 日18：00 一開開鉆；3 月1日10：00 二開開鉆；4 月21 日4：00 三開開鉆；5 月9日18：40 鉆進至4956.28 m，循環30 min 后，倒劃眼至井深4937.3 m 時發生遇阻復雜。遇阻卡層位：龍馬溪組3-1 小層，巖性：頁巖。

卡鉆發生過程：2020 年05 月09 日18：40 正常鉆完立柱至井深4956.28 m，至19：11 循環31 min。按照操作規程，看好懸重、每次上提幾厘米、倒劃眼清砂，倒劃至井深4937.3 m，扭矩由15 kN·m 上升至20 kN·m，頂驅憋停（頂驅力限設置20 kN·m），排量29 L/s，泵壓31 MPa，立即下壓鉆具，懸重由1100 kN 下壓至200 kN（游動系統懸重200 kN），多次上提下放活動、憋扭矩未能活動鉆具。鉆進參數：鉆壓120～140 kN，排量29 L/s，扭矩力限25 kN·m；倒劃前降低扭矩力限至20 kN·m。

井內鉆具組合：?215.9 mm PDC 鉆頭×0.33 m+?172 mm 貝克旋轉導向工具×11.50 m（自身最大外徑?212.0 mm 螺旋扶正器，距離鉆頭2.19 m）+?172 mm 無磁承壓鉆桿×9.18 m+?127 mm加重鉆桿×9.27 m+?172 mm 濾網接頭×1.7 m+127 mm 回壓閥×0.50 m（外徑168 mm）+?127 mm加重鉆桿×18.31 m+?158.8 mm 隨鉆震擊器×9.78 m+?127 mm 加重鉆桿×55.37 m+?127 mm鉆桿×2079.64 m。

清砂接頭位置：

①號4697.28～4698.37 m；

②號4582.73～4583.82 m；

③號4468.05～4469.14 m；

④號4353.38～4354.47 m；

⑤號4238.22～4239.31 m；

⑥號4123.35～4124.44 m。

鉆井液性能：密度2.35 g/cm3、粘度74 s、高溫高壓濾失量1.8 mL、泥餅厚度1 mm、含砂量0.1%、塑性粘度78 mPa·s、動切力8.5 Pa、初/終切力4/8 Pa、破乳電壓1669 V、含水率6%，含油率49%，油水比90∶10、固相含量45%、PH2.0、鉆井液六速旋轉粘度計600 r/300 r=173/95、200 r/100 r=65/36、6 r/3 r=12/7。

選取WY-XX 井卡鉆前一段時間內工程參數進行分析（見圖3），通過做平均移動偏差值（見圖4），可以看出：8000 s 時刻之后，長短窗口滑動平均值出現明顯偏差，表明工程參數發生波動。

圖3 WY-XX 井卡鉆前一段時間內工程參數監測數據Fig.3 Monitoring data of the engineering parameters within a period of time before WY-XX sticked

圖4 WY-XX 井卡鉆前一段時間內工程參數平均移動偏差值Fig.4 Average moving deviation value of the engineering parameters within a period of time before Well WY-XX sticked

進一步利用構建的卡鉆預警模型，實時計算懸重、扭矩監測參數每一時刻之前30、60、90、120、150、180 s 時間段內局部斜率，當懸重和扭矩的變化趨勢滿足6 個時間段內數據回歸斜率一直增加，并且該時刻之前30 s 之內數據回歸斜率＞0，則發出卡鉆預警，結果如圖5 所示?？梢钥闯觯涸?000 s 時刻發生卡鉆前，該軟件有2 次上提遇阻和一次憋扭矩預警（卡鉆風險指數達到1），如果在遇阻報警發出后及時地采取相應的卡鉆風險規避措施，就可以規避后續卡鉆故障的發生。

圖5 WY-XX 井卡鉆故障預警結果Fig.5 Warning result of the sticking risk for Well WY-XX

查閱井史報告，在8000 s 時刻（2020 年5 月9 日19：28）倒劃眼遇阻，繼而發生卡鉆故障。軟件預警結果與實際井下風險相吻合，驗證了模型的準確性和可靠性，實現了卡鉆故障的智能診斷，提高了異常工況的診斷準確率。

自2021 年8 月起至今在川南頁巖氣工區推廣應用卡鉆風險預警軟件30 余井次，監控井日均報警2.23 次/井·日，運行期間共報警8917 次，其中準報6852 次，誤報2065 次，去掉誤報較多的數據異常提醒550 條后，準確率達83%。

5 結論

（1）在鉆井作業過程中，井下風險發生之前都會有一定的征兆，如果能在風險發生的早期對于可能發生的風險進行預警，可以及時對風險進行調控。

（2）通過卡鉆故障的專家知識總結，能夠表征卡鉆故障的工程參數有：大鉤載荷、泵壓、扭矩、機械鉆速、轉盤轉速、鉆壓。地質參數有：巖性、地質構造、地層壓力、鉆井液性能等。

（3）本文研究了卡鉆發生位點的關鍵表征參數的變化趨勢，得到了相應的變化規律；在此基礎上建立了基于工程參數變化趨勢異常診斷的卡鉆實時預警方法，WY-XX 井實例分析驗證了本文構建方法的可靠性，實現了卡鉆故障的智能診斷，把井下復雜故障從事后診斷升級為實時預警判斷，提高了異常工況的診斷準確率，準確率達83%。