Использование методов машинного обучения «без учителя» для предупреждения прихватов бурильной и обсадной колонн

Abstract

Актуальность. С каждым годом истощение легкодоступных запасов углеводородов определяет необходимость разработки месторождений, характеризующихся сложными горно-геологическими условиями. Строительство скважин в данных условиях часто сопровождается различными осложнениями и авариями. Повышенные риски их возникновения обусловлены усложнением конструкции скважины, траектории ствола, а также недостаточно достоверными данными о горно-геологических условиях бурения. Прихват бурильной или обсадной колонны является одной из самых сложных аварий, которая оказывает существенное влияние на эффективность бурения и стоимость строительства скважины. Зачастую при возникновении прихвата требуется проведение дорогостоящих мероприятий по его ликвидации. В настоящее время признаки прихвата определяются по параметрам бурения инженерным составом, однако ввиду особенностей человеческого восприятия и сменного режима работы это происходит несвоевременно. Недостатки используемого в настоящий момент подхода предопределили использование алгоритмов машинного обучения. Интеллектуальная система может автоматически анализировать тенденции изменения параметров бурения, обнаруживать аномалии в реальном времени, заблаговременно прогнозировать вероятность возникновения аварии и предупреждать инженера по бурению на ранней стадии, что позволит реализовать превентивные мероприятия до того, как колонна будет прихвачена. Цель: создание алгоритма, позволяющего прогнозировать вероятность возникновения прихвата бурильной или обсадной колонны в процессе бурения скважины на основании анализа данных геолого-технологических исследований. Методы: анализ современных достижений в области определения аномалий во временных рядах при помощи алгоритмов машинного обучения; создание алгоритма прогнозирования прихвата на языке программирования Python с использованием библиотек с открытым исходным кодом. Результаты. Авторами разработан алгоритм прогнозирования прихвата, проведена оценка его эффективности на тестовой выборке, а также масштабируемость на прочие аварии и осложнения, возникающие в процессе бурения. Определены перспективные направления дальнейших исследований.

The relevance. Drilling failures and accidents will continue to attract attention in drilling for oil and gas as more complex wells are being drilled across depleted zones to reach deeper reservoir targets. Stuck pipe incident continue to be a major contributor to non-productive time in drilling operations for oil and gas. When a stuck pipe incident occurs, costly corrective actions may include fishing operations, sidetracking the hole, or completely having to drill a new well. Stuck pipe warning signs are often undetected early enough for the deployment of effective mitigation strategies due to human mistakes and crew changes during drilling operations. The unsupervised machine learning algorithm is programmed to automatically detect abnormalities in real-time drilling parameter trends and predict potential stuck pipes, communicate observations in the form of alerts to engineers in advance to allow proactive corrective actions. Early detection of a stuck pipe and mitigating the incident in real time not only help to prevent its occurrence, but also help in making informed decisions to the appropriate freeing mechanism to adopt if it occurs. The main aim: create the stuck pipe detection model which predicts failure probability during the well drilling using mud logging service data. Objects: multivariate-sensing time-series data of mud logging service. Methods: analysis of current anomaly detection techniques achievments in the field of using machine learning; developing the stuck pipe detection model with open-source Python frameworks. Results. The authors have developed stuck pipe detection model with HTM algorithm, evaluated performance with test dataset. Promising areas of further research were identified.