[发明专利]一种基于随机森林的溢流漏失实时识别方法

说明书

本发明提供了一种基于随机森林的溢流漏失实时识别方法，包括以下步骤：①溢流、漏失原始数据集的自动生成；②溢流、漏失数据集的预处理，使之成为可用于随机森林算法的训练数据集；③基于Bootstrap抽样技术的溢流、漏失子数据集的生成；④采用CART算法，为每个子数据集创建分类树；⑤对于新样本，集合n棵树的预测结果，采用投票方式决定其类别，并利用各分类树投票结果，识别溢流、漏失的发生。本发明的方法根据钻井实时数据，自动判断钻井状态，计算预期井口流量并与测量的井口流量进行比较，因此可对不同钻井状态下发生的溢流、漏失进行实时判断；基于随机森林的溢流、漏失实时判断方法，建模方法更加简单，对事故的预测更为准确。

技术领域

本发明涉及钻井工程技术领域，特别是涉及钻井过程中溢流和漏失事故的实时识别方法。

背景技术

钻井是勘探开发石油天然气的重要手段，在钻井施工作业中，钻井复杂情况和事故自始至终威胁着钻井的整个过程，严重影响着钻井速度、建井质量和勘探开发效益。其中，井漏和溢流是影响钻井施工安全最为常见的两种井下复杂事故。井漏和溢流不仅会带来严重的储层损害，增加勘探开发投入成本，造成油气开发效率低下，而且一旦控制不力，还会诱发卡钻、井塌、井喷等重大恶性事故，造成损失及负面社会影响。因此，钻井过程中溢流、漏失的实时识别判断具有重要意义。

目前，国内外在溢流、漏失监测方面展开了较多研究，取得了丰硕的成果，形成的技术有：井口监测技术、井下随钻监测技术、人工智能监测技术。井口监测技术成熟，能比较准确地监测出溢流，但这种方法只适应井控要求较低的环境，而且监测结果存在滞后性，不能很好地解决高压气井、深水钻井等特殊环境下的井下溢流、漏失监测问题。井下随钻监测方法的出现解决了这一问题，近钻头随钻测量技术能够快速、早期监测到溢流和漏失，目前井下随钻监测以PWD监测或LWD监测的方法为主；但井下随钻监测技术成本较高，并且随钻测量仪器存在失效的风险。近些年，随着信息技术和人工智能理论的飞速发展，国内外钻井研究人员在利用现有的溢流监测设备的基础上，引入人工智能技术对测量数据进行综合分析和判断，从而使溢流监测结果更加准确。Hargreaves(2001年)采用贝叶斯概率对深海钻井溢流进行了监测，其通过分析声波数据采用贝叶斯模型对溢流发生的概率进行计算，得出可能发生溢流的概率。Nybo(2008年)采用邻井钻井施工数据，通过构建BP神经网络预测模型，预测出一条当前钻井的基于时间序列上的出口流量曲线，通过和正钻井的实际出口流量数据进行对比，对溢流情况进行实时预警。此方法采用静态神经网络进行计算，并没有对数据进行实时动态计算。Kamyab(2010年)提出一种动态神经网络溢流预警方法，该方法采用聚焦时间延迟动态神经网络进行溢流早期的实时监测，通过对动态钻井参数的神经网络实时计算来监测溢流。这些人工智能的方法建模较为复杂，推广较难。